计算机进化算法

1. 在计算机科学中，有哪些非常巧妙的算法

分支界定算法（Branch and Bound）——在多种最优化问题中寻找特定最优化解决方案的算法，特别是针对离散、组合的最优化。Buchberger算法——一种数学算法，可将其视为针对单变量最大公约数求解的欧几里得算法和线性系统中高斯消元法的泛化。

动态规划算法（Dynamic Programming）——展示互相覆盖的子问题和最优子架构算法

欧几里得算法（Euclidean algorithm）——计算两个整数的最大公约数。最古老的算法之一，出现在公元前300前欧几里得的《几何原本》。

期望-最大算法（Expectation-maximization algorithm，又名EM-Training）——在统计计算中，期望-最大算法在概率模型中寻找可能性最大的参数估算值，其中模型依赖于未发现的潜在变量。EM在两个步骤中交替计算，第一步是计算期望，利用对隐藏变量的现有估计值，计算其最大可能估计值；第二步是最大化，最大化在第一步上求得的最大可能值来计算参数的值

2. 计算机专业本科生做毕业论文一般用什么算法

一个程序的核心在于算法。比如说打开一个软件和运行一个软件的速度在计算机硬件性能相同情况下，软件的算法起到了几近决定性作用，所有的计算机软件和硬件的编程都是需要算法的，就算一个hello world程序虽然我们编时候没有用到算法但是在编译他和运行再屏幕显示的时候就是算法了。算法是计算机乃至自然界的核心，如果知道人脑的算法，就可以制造出人工智能的软件。
算法太多，也就不全部列举出来了，具体的还有用法，你自己看下书或去网上找下，都应该可以找到的：比如：贪心算法，蚁群算法，遗传算法，进化算法，基于文化的遗传算法，禁忌算法，蒙特卡洛算法，混沌随机算法，序贯数论算法，粒子群算法，模拟退火算法等等。

3. 演化计算的分支

自计算机出现以来,生物模拟便成为计算机科学领域的一个组成部分。其目的之一是试图建立一种人工的模拟环境,在这个环境中使用计算机进行仿真,以便能够更好地了解人类自己以及人类的生存空间;另一个目的则是从研究生物系统出发,探索产生基本认知行为的微观机理,然后设计具有生物智能的机器或模拟系统,来解决复杂问题。如,神经网络、细胞自动机和演化计算都是从不同角度对生物系统进行模拟而发展起来的研究方向。演化计算最初具有三大分支:遗传算法(GeneticAlgorithm，GA)、演化规划(EvolutionaryProgramming、EP)和演化策略(EvolutionStrategy，ES)。上世纪90年代初,在遗传算法的基础上又形成了一个新的分支:遗传程序设计(GeneticProgramming，GP)。虽然这几个分支在算法实现上有一些细微差别,但是它们都有一个共同的特点,即都是借助生物演化的思想及原理来解决实际问题的。
(1）遗传算法
上世纪50年代末人们尝试把计算机科学与进化论结合起来，但由于缺乏一种通用的编码方案，人们只能依赖变异而非交配来产生新的基因结构，加上当时只有少数计算机可以满足运算速度的要求，故而收效甚微。到60年代中期,美国Michigan大学的JohnHolland在A.S.Fraser和H.J.Bremermann等人工作的基础上提出了位串编码技术。这种编码技术不但适于变异操作。而已同样适于交配(即杂交)操作。并且强调将交配作为主要的遗传操作。遗传算法的通用编码技术和简单有效的遗传操作意义重大，并为其广泛、成功的应用奠定了坚实的基础。Holland遗传算法被称为简单遗传算法(SGA)。其操作对象是一群二进制串(称为染色体、个体)。在解决实际问题中，每个染色体都对应问题的一个可行解。从初始种群出发，使用杂交和变异来产生下一代种群。如此一代代进行演化。直到达到设定好的终止条件。需要指出的是：目前的遗传算法已不再仅仅局限于二进制编码。
(2) 演化策略
上世纪60年代初，柏林工业大学的学生I.Rechenberg和H.P.Schwefel在进行风洞实验时，由于用传统的方法难以对设计中描述物体形状的参数进行优化。因而利用生物遗传和变异的思想来改变参数值，并获得了较好的效果。随后，他们对这种方法进行了深入的研究和探索。形成了演化计算的另一个重要分支——演化策略。
(3)演化规划
演化规划的方法最初是由L.J.Fogel等提出在上世纪60年代。他们在研究人工智能的时候发现，智能行为就是具有感应其所处环境的状态、并按给定目标自动做出适当响应的能力。在研究中，他们将模拟环境描述成由有限字符集中的符号组成的序列。于是问题就被转化为，如何根据当前观察到的符号序列做出响应，以获得最大收益。这里，收益主要由环境中将要出现的下一个符号及预先定义好的效益目标来确定。他们将此方法应用到数据诊断、模式识别和分类及控制系统的设计等问题中，取得了较好的结果。
(4)遗传程序设计
自计算机出现以来，计算机科学的一个方向性目标就是让计算机自主进行程序设计，即只要告诉计算机要解决的问题，而不需要告诉它具体如何去做。遗传程序设计便是在该领域的一种尝试。它采用演化算法中遗传算法的基本思想，但使用一种更为灵活的表示方式——使用分层结构来表示解空间。这些分层结构有叶节点和中间节点，叶结点是所需解决问题的原始变量，中间结点则是组合这些原始变量的函数。这样，每个分层结构对应问题的一个可行解。遗传程序设计就是使用一些遗传操作动态地改变这些结构，以获得解决该问题的可行的计算机程序。遗传程序设计的思想是Stanford大学的J.R.Koza在上世纪90年代初提出的。

4. 进化优化算法-基于仿生和种群的计算机智能方法 丹 西蒙着 习题答案谁有啊 有偿请教！

DE 算法主要用于求解连续变量的全局优化问题。
先看基本定义：
是一种模拟生物进化的随机模型，通过反复迭代，使得那些适应环境的个体被保存了下来。但相比于进化算法，DE保留了基于种群的全局搜索策略，采用实数编码、基于差分的简单变异操作和一对一的竞争生存策略，降低了遗传操作的复杂性。同时，DE特有的记忆能力使其可以动态跟踪当前的搜索情况，以调整其搜索策略，具有较强的全局收敛能力和鲁棒性，且不需要借助问题的特征信息，适于求解一些利用常规的数学规划方法所无法求解的复杂环境中的优化问题。目前，DE已经在许多领域得到了应用，譬如人工神经元网络、化工、电力、机械设计、机器人、信号处理、生物信息、经济学、现代农业、食品安全、环境保护和运筹学等。

5. 进化算法的简介

进化算法包括遗传算法、遗传规划、进化规划和进化策略等等。进化算法的基本框架还是简单遗传算法所描述的框架，但在进化的方式上有较大的差异，选择、交叉、变异、种群控制等有很多变化，进化算法的大致框图可描述如右图所示：
同遗传算法一样，进化算法的收敛性也有一些结果，文献证明了在保存最优个体时通用的进化计算是收敛的，但进化算法的很多结果是从遗传算法推过去的。
遗传算法对交叉操作要看重一些，认为变异操作是算法的辅助操作；而进化规划和进化策略认为在一般意义上说交叉并不优于变异，甚至可以不要交叉操作。

6. 电脑可以代替人类进行发明创造

人类进行发明创造时，很多时候都依赖于意外的发现。计算机能帮助我们收获更多的好运吗？

宝贵且难寻的灵感

1899年的一个夏日，一位美国自行车修理工从内胎包装盒里抽出一个自行车内胎并递给他的顾客。之后这两个人开始闲聊起来，而这位修理工开始随意地玩弄内胎包装盒。当抓住包装盒的两端并来回扭动时，他发现这就可以很顺畅地改变包装盒的形态。（你可以找一个牙膏盒来试一试。）这是一个微不足道的发现，但它却足以改变整个世界。

20世纪90年代，美国斯坦福大学的计算机科学家约翰·科扎所领导的研究小组，对计算机辅助发明进行了开创性的研究。他们使用了一种模拟自然界中进化的计算机算法，即所谓的“遗传算法”。使用遗传算法时，计算机把一种方案被看作一个基因组，而基因组内的基因代表着如电压、焦距或材料密度等的各种参数。开始时，计算机会从初始的基因库中随机产生一些基因组样品，尽管它们可能不是一个很好的方案。通过对这些基因组进行杂交，并引入“变异”，这样每一个后代既包含一些来自上一代的特征，也包含一些可能有益的新特征。然后给这些后代基因组一个给定的任务，来测试它们。挑选出最好的，作为下一轮育种的基因库。这样，一次又一次地重复这个过程，就像自然选择一样，最佳的方案最终会生存下来。

科扎的研究小组进行了一些测试，看这种遗传算法是否能重新发明出下面这些基本的电路：那些由贝尔实验室在20世纪20年代和30年代所开发的过滤器、放大器以及反馈控制系统。最终，他们的测试成功了。他们的遗传算法能重新发明出经典的贝尔实验室电路。

如果你认为他们只是太走运而已的话，那么他们还有许多成功的例子。例如，他们使用这个遗传算法对应用于各种光学仪器的6种目镜进行了各种组合的尝试。他们的算法不仅再现了所有的光学系统，而且还对一些原设计进行了改进。其中，这种改进可以用来申请专利的。

遗传算法具有很强的通用性，在由美国计算机协会每年举办一次的遗传与进化计算会议上，研究人员都会展示利用遗传算法所做出的发明。例如，在2015年的会议上，一个来自意大利的研究团体利用遗传算法，为一个有着4个触角的水下无人机找到了一种高效游泳的姿态。而来自欧洲航天局的高级概念实验室的工程师们，利用遗传算法为未来清理低轨道太空垃圾的太空设备设计出了一个最省油的路线。

每年会议都会颁发一个最大奖项，叫做“人类竞争力奖”，来奖给那些被认为超过人类聪明才智的发明。2004年，首届人类竞争力奖被授予了一个奇形怪状的天线。这个发明是由美国宇航局资助的，它看起来像一棵繁茂且怪异的树，有着很多丑陋的分支，但是它工作起来极为出色。这种玩意肯定不是人类能设计出的。

而这往往会成为问题的关键。当计算机用于辅助发明时，它们不会被人类那些先入为主的观念所蒙蔽，所以计算机可以做出人类从来都没有想过的发明。

而2015年的“人类竞争力奖”颁给了一种提高超低功耗计算机运算准确度的方法。这种计算机是建立在简单的逻辑电路上的，耗电少但会产生很多运算错误。捷克布尔诺科技大学的计算机科学家利用遗传算法使得软件不断进化，最终找到一种简单的办法就能够进行纠错。他们的研究成果是一个绿色的芯片，适用于计算准确度要求不高的程序，例如流媒体音乐或视频。

帮助你进行横向思维

不过使用遗传算法，你仍有一个需要面对的问题：你需要提前知道关于你所发明东西的所有细节，这样你的算法才能以富有成效的方式改进它。这意味着，遗传算法往往是善于优化已有的发明，而这并不需要很大的创新，这也通常不会带来具有巨大的商业价值的发明。那么，还有什么办法，使得计算机能给我们带来更大的创新呢？

发明家发明一项新东西，常常是注意到了许多人所忽视的事情。如果计算机能让人们注意到问题中容易忽视的事情，那么我们就可以利用它来产生一个极具创新的发明。而最近，位于美国的创新加速器公司开发了一种软件，就可以用来帮助发明者注意容易错过的事情。那么，他们的软件是怎么做到这一点的呢？

他们的软件可以让你用人类的语言来描述问题，然后它会把问题拆为大量相关的短语，并使用这些在专利数据库中进行搜索，来寻找哪些发明解决了类似的问题。最重要的是，这种软件还会在其他领域里寻找类似的问题。换句话说，软件能帮助你进行横向思维。

在一个例子中，测试人员要求软件找到一种办法，减少橄榄球运动员比赛时产生脑震荡的风险。软件把问题的描述拆开，然后搜索下面的关键词来寻找解决方案：减少能量、吸收能量、交换力、减少动量、反力、改变方向、击退能量。最终根据“击退能量”的搜索结果，公司最终发明出了一种包含强磁体的头盔，这种头盔可以彼此发生排斥，这样可有效地减少头盔发生严重的冲撞。但不幸的是，这个发明在几周之前就被其他人申请了专利。不过，这个例子表明，创新加速器的软件的确能有很大的帮助。

在另一个例子中，软件成功地复制了滑雪板制造商最近的创新发明。其问题是要找到一种方法来减少滑雪时滑雪板的振动，使得滑雪者可以更快更安全地滑雪。制造商偶然发现了解决这个问题的答案，而创新加速器的软件也能够迅速地找到它。小提琴制造商已经有办法减少乐器的额外振动来产生纯净的音乐，而软件会提示这种办法可以应用于滑雪板。

创新加速器的首席技术官托尼·麦卡弗里认为，90%的问题都已经在其他领域里得到了解决，你所要做的就是找到它们。他现在正计划使用IBM的超级计算机沃森，对数以百万计的文件进行分析，来帮助软件对专利和技术论文有更加深入的了解。

而另一家名为Iprova的瑞士科技公司，也发明了“计算机加速发明”技术来帮助发明者进行横向思考，而且点子的来源远远超出了专利文件。该公司不愿透露它们的软件究竟是如何工作的，但是在2013年的一项专利表明，其软件会为客户提供“建议的创新机会”，来源不仅限于专利数据库和技术期刊，而且还包括博客、在线新闻网站和社交网络。

特别有意思的是，Iprova公司的软件还可以随着互联网上热门话题的改变而改变其建议。这样，它会带来更多富有成效的建议。Iprova公司的软件每个月可以产生上百个高质量的发明，然后公司会与客户沟通，客户可以选择一些来申请专利。Iprova公司的客户主要来自医疗保健、自动化和电信行业，其中的一个客户就是飞利浦——一家跨国技术公司。从这就可以看出Iprova公司的事业蒸蒸日上。

计算机发明遇到专利麻烦

然而，如果大部分的工作都是由计算机做的话，那么这种事情可能会破坏专利制度本身。目前专利制度要求，只有当“具备通常技艺的人士”相信一项发明不是显而易见的，这项发明才可能被授予专利权。但如果发明者只是用计算机发明出来的，那么这项发明可能会被视为计算机的一个显而易见的输出结果，可能不具有申请专利的条件。

现在，这种担忧已经在药物的研发中变得严重起来。如果发现药物的工具软件变得如此强大，研究人员只需要负责监视软件的活动，这会使整个药物研发过程变成一件显而易见的事情，那么此时还能申请专利吗？所以说，计算机辅助发明技术可能会使许多发明失去专利保护，这会大大打击发明者的积极性。

但不管怎样，在未来的发明的过程中，计算机的辅助将会发挥越来越重要的作用。计算机会加速技术的进步，还会带来公平的竞争，使得许多人都可以成为发明家。虽然大家常说机会总是留给有准备的人，但是在现在，借助计算机，我们可以大大增加意外发现出现的概率。换句话说，计算机能帮助我们收获更多的好运。

（本文源自大科技*网络新说2015年第11期）

7. 电子计算机发展历史是怎样的

1946年在美国的宾夕法尼亚大学，诞生了世界上第一台电子计算机ENIAC。它是一个占地170平方米、重30吨的庞然大物，由18000个电子管组成，每小时耗电量为140千瓦，每秒钟可进行5000次加法运算。它的最重要的特点是，能按照大编写的程序自动地进行计算。

从1946年至今，经过40多年的发展，电子计算机的运算速度越来越快，复杂程度越来越高，体积越来越小，更新周期越来越短。我国的“银河”巨型计算机的运算速度已达到每秒1亿次，国外的先进计算机的运算速度还要快。就机器本身来说，电子计算机已“进化”到第四代了。

第一代以电子管为主要元件。利用这一代计算机，人们把人造卫星送上了天。

第二代以晶体管构成基本电路。开始有了算法语言和编译系统。运算速度达每秒几百万次，体积、重量、耗电量、造价都大大减少。

第三代是中小规模集成电路计算机。这时已有操作系统，小型机广泛应用，有了终端与网络，运算速度达每秒几千万次。

第四代是大规模集成电路组成的机器。体积与成本大幅度减少。这时制成了微型计算机，在工业、科学研究和家庭生活中广泛应用。

第五代电子计算机实际是智能计算机，具有模仿人脑思维过程的能力。从1979年起，日本等国组织了各方面的专家，开始了对这种计算机的研制，现已取得初步进展。

8. 简述计算机的发展历程

第1代：电子管数字机（1946—1958年）

第2代：晶体管数字机（1958—1964年）

第3代：集成电路数字机（1964—1970年）

第4代：大规模集成电路机（1970年至今）

计算工具的演化经历了由简单到复杂、从低级到高级的不同阶段，例如从“结绳记事”中的绳结到算筹、算盘计算尺、机械计算机等。它们在不同的历史时期发挥了各自的历史作用，同时也启发了现代电子计算机的研制思想。

(8)计算机进化算法扩展阅读：

计算机发明者约翰·冯·诺依曼。计算机是20世纪最先进的科学技术发明之一，对人类的生产活动和社会活动产生了极其重要的影响，并以强大的生命力飞速发展。它的应用领域从最初的军事科研应用扩展到社会的各个领域，已形成了规模巨大的计算机产业，带动了全球范围的技术进步，由此引发了深刻的社会变革，计算机已遍及一般学校、企事业单位，进入寻常百姓家，成为信息社会中必不可少的工具。

9. 计算机编程常用算法有哪些

贪心算法，蚁群算法，遗传算法，进化算法，基于文化的遗传算法，禁忌算法，蒙特卡洛算法，混沌随机算法，序贯数论算法，粒子群算法，模拟退火算法。

模拟退火+遗传算法混合编程例子：
http://..com/question/43266691.html
自适应序贯数论算法例子：
http://..com/question/60173220.html

10. 进化算法的基本步骤

进化计算是基于自然选择和自然遗传等生物进化机制的一种搜索算法。与普通的搜索方法一样，进化计算也是一种迭代算法，不同的是进化计算在最优解的搜索过程中，一般是从原问题的一组解出发改进到另一组较好的解，再从这组改进的解出发进一步改进。而且在进化问题中，要求当原问题的优化模型建立后，还必须对原问题的解进行编码。进化计算在搜索过程中利用结构化和随机性的信息，使最满足目标的决策获得最大的生存可能，是一种概率型的算法。
一般来说，进化计算的求解包括以下几个步骤：给定一组初始解；评价当前这组解的性能；从当前这组解中选择一定数量的解作为迭代后的解的基础；再对其进行操作，得到迭代后的解；若这些解满足要求则停止，否则将这些迭代得到的解作为当前解重新操作。
以遗传算法为例，其工作步骤可概括为：
（1） 对工作对象——字符串用二进制的0/1或其它进制字符编码 。
（2） 根据字符串的长度L，随即产生L个字符组成初始个体。
（3） 计算适应度。适应度是衡量个体优劣的标志，通常是所研究问题的目标函数。
（4） 通过复制，将优良个体插入下一代新群体中，体现“优胜劣汰”的原则。
（5） 交换字符，产生新个体。交换点的位置是随机决定的
（6） 对某个字符进行补运算，将字符1变为0，或将0变为1，这是产生新个体的另一种方法，突变字符的位置也是随机决定的。
（7） 遗传算法是一个反复迭代的过程，每次迭代期间，要执行适应度计算、复制、交换、突变等操作，直至满足终止条件。
将其用形式化语言表达，则为：假设α∈I记为个体，I记为个体空间。适应度函数记为Φ：I→R。在第t代，群体P(t)={a1(t),a2(t)，…，an(t)}经过复制r(reproction)、交换c(crossover)及突变m(mutation)转换成下一代群体。这里r、c、m均指宏算子，把旧群体变换为新群体。L：I→{True, Flase}记为终止准则。利用上述符号，遗传算法可描述为：
t=0
initialize P(0):={ a1(0),a2(0)，…，an(0)};
while(l(P(t))≠True) do
evaluate P(t):{ Φ(a1(t)), Φ(a2(t))，…，Φ(an(t))};
reproction: P′(t):=r(P(t));
crossover: P″(t):=c(P′(t));
mutation: P(t+1):= m(P″(t));
t=t+1;
end