每周总结——2018.3.3

每周总结

上个学期的学习经验告诉我要勤总计。新的学期开始总结这周做的事。
本周学习四天半，内容主要两部分

• PYTHON

PYTHON中特有的数据结构

1. 列表list [1,2,3,4]
   类似数组，但各元素的数据类型可不同
   for i,value in enumerate([‘A’,’B’,’C’])可以迭代索引和元素本身
   pop()，pop(下标)，insert(下标，值)，append(值)

2. 元组tuple (1,2,3,4) 同List,但不能修改
   无list的方法

3. 字典dict {‘a’:1, ‘b’:2, ‘c’:3, ‘d’:4}
   插入d[‘e’] = 5，pop(键值) d.get(键值)
   使用键-值存储

4. 集合set {1,2,3,4}
   无重复元素
   add(值)，remove(值)

函数参数

1. 位置参数（普通参数）

2. 默认参数（给参数赋初值）

3. 可变参数（*参数名）
   def calc(x): calc([1,2,3])
   def calc(*x): calc(1,2,3)
   上面两个等价，可变参数传入的参数构成list

4. 关键字参数（**参数名）
   def person(**kw): person(name=”aa”,age=18)
   在函数内部组装为dict 即kw的值为{name:”aa”,age:18}

5. 命名关键字参数（*,关键字参数名）
   在关键字参数的基础上限制了传入的参数名
   def person (name,age,*,city,job):

6. 定义顺序
   位置参数、默认参数、可变参数/命名关键字参数、关键字参数
   可变参数和命名关键字参数不能同时使用

列表生成式

1. 如： [x * x for x in range(1,11) if x%2==0 ]

迭代器、可迭代对象

1. 迭代器（generator）：可用next()方法访问的对象。用生成器定义（列表生成式的[]改为() ）或带有yield的迭代函数
2. 迭代器都是可迭代对象，但可迭代对象不一定都是迭代器
3. 可迭代对象是可以用for访问的对象，一类是集合数据类型：list、tuple、set、dict、str；一类是generator

其他

1. PYTHON中全部大写表示常量
2. encode() decode() 编码解码
3. /的结果为浮点数 //的结果取整数部分 m**n 其实是m^n
4. 注意if else for def while后面都有：
5. 函数返回多个值其实是返回tuple
6. type()判断类型 str.lower()大写转换小写 str.capitalize()首字母大写 list将Iterator中的元素转为list isinstance()判断是否为某种类型

---

• 智能算法

遗传算法（GA）

• 算法关键：

编码、初始化种群、适应度函数、选择、交叉、变异

• 算法分支：

多种群遗传算法（MPGA）：多个种群在不同参数下进化，各种群通过移民算子（定期的将出现的最优个体引入其他种群）交流，通过人工选择算法保存各个种群每个进化代中的最优个体（精华种群不进行选择、交叉、变异）
量子遗传算法（QGA）：将标准遗传算法的遗传操作替换为量子门更新
多层编码遗传算法：把个体编码分为多层，每层编码表示不同的含义，多层编码共同完整表达了问题的解（其实就是可以把一个编码串划分为几个部分，每个部分代表不同含义）例如：车间调度算法把编码的前半部分表示为加工顺序，后半部分表示为加工对应的机器

• 解题步骤：

1.根据问题选择合适的编码方式
实数或二进制
2.设置合适的算法参数
种群大小（20-100）、编码长度、交叉概率、变异概率（0.4-0.99）、精英数等
3.初始化群体
4.适应度评估
一般使用目标函数
5.选择
轮盘赌等方式
6.交叉
根据问题特点选择交叉的方式
7.变异
根据问题特点选择变异方式

• 求解问题列举：

项目	编码方式	选择	交叉	变异
一元函数优化	二进制	轮盘赌	交换两个体某一点后的二进制	某一位变异
多元函数优化	二进制（有几个变量就有相应长度的编码）	同上	同上	同上
TSP问题（旅行商问题）	实数	同上	部分映射杂交，确保没有重复的城市	选择一个个体的两个个位置交换元素

- 用遗传算法优化其他算法列举：

项目	优化方式	编码方式
非线性规划的函数寻优算法	使用遗传算法全局寻找非线性规划的初始值再使用fmincon函数局部求解	实数
BP神经网络优化算法	使用遗传算法求解初始的权值和阈值，再使用神经网络算法训练网络后得到测试误差作为适应度，进行下一轮	二进制

免疫算法
与遗传算法类似，都是采用群体搜索策略，都要经过“初始种群产生->评价标准计算->种群间个体信息交换->新种群产生”

对比	免疫算法	遗传算法
问题	抗原	问题
可行解	抗体	个体
个体评价	期望繁殖概率（抗体与抗体之间的亲和度和抗体浓度决定）	适应度
操作	克隆选择、免疫记忆、疫苗接种、交叉、变异	选择、交叉、变异