01-AI算法开发的全流程

0、需求分析

      0.1 需求规格与评审

      0.2准确性、实时性、硬件资源目标与验收指标

      0.3竞品水平

《需求规格书》

 1、 可行性论证

    1.1 小样本数据,可行性论证

   1.2梳理问题点

   1.3时间规划

《可行性分析》与《立项报告》

2、数据工程

      2.1制定数据采集指南

      2.2确认采集硬件环境,开展数据采集

      2.3数据标注(数据标准团队与平台的重要性)

      2.4数据管理,确保质量

     《采集指南》

3、算法设计

      3.1算法选型

      3.2部署平台

      3.3开发语言

      3.4算法逻辑

      3.5算法接口

     

《算法设计报告》

4、算法开发与移植

     4.0开发规范(目录结构、变量命名、可视化要求等)

     4.1 数据集制作

     4.2模型训练与评估

     4.3模型平台移植

5、算法优化

     5.1单元自测试

     5.2集成自测试

6、算法集成

      6.1 代码版本管理

《开发与移植指南》

7、算法测试

     7.1离线与实时数据测试

     7.2代码走查

     7.3单元测试

      7.4单项测试

       7.5集成测试

《算法测试报告》

8、算法试运行

      8.1问题与优化

《试运行报告》

9、算法交付

     9.1交付清单

   

  • 0
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
⼈⼯智能--遗传算法(旅⾏商问题) 是研究使计算机来模拟⼈的某些思维过程和智能⾏为(如学习、推理、思考、规划等)的学科,主要包括计算机实现智能的原理、制造类似 于⼈脑智能的计算机,使计算机能实现更⾼层次的应⽤。⼈⼯智能将涉及到计算机科学、、哲学和语⾔学等学科。可以说⼏乎是⾃然科学和 社会科学的所有学科,其范围已远远超出了计算机科学的范畴,⼈⼯智能与的关系是实践和理论的关系,⼈⼯智能是处于思维科学的技术应 ⽤层次,是它的⼀个应⽤分⽀。从思维观点看,⼈⼯智能不仅限于逻辑思维,要考虑形象思维、灵感思维才能促进⼈⼯智能的突破性的发 展,数学常被认为是多种学科的基础科学,数学也进⼊语⾔、思维领域,⼈⼯智能学科也必须借⽤数学⼯具,数学不仅在标准逻辑、等范围 发挥作⽤,数学进⼊⼈⼯智能学科,它们将互相促进⽽更快地发展。 遗传算法是计算数学中⽤于解决最佳化的,是进化算法的⼀种。进化算法最初是借鉴了进化⽣物学中的⼀些现象⽽发展起来的,这些现象包 括遗传、突变、⾃然选择以及杂交等。遗传算法通常实现⽅式为⼀种模拟。对于⼀个最优化问题,⼀定数量的候选解(称为个体)的抽象表 ⽰(称为染⾊体)的种群向更好的解进化。传统上,解⽤表⽰(即0和1的串),但也可以⽤其他表⽰⽅法。进化从完随机个体的种群开 始,之后⼀代⼀代发⽣。在每⼀代中,整个种群的适应度被评价,从当前种群中随机地选择多个个体(基于它们的适应度),通过⾃然选择 和突变产⽣新的⽣命种群,该种群在算法的下⼀次迭代中成为当前种群。 上机题简介 ⽤C++语⾔编写和调试⼀个⽤遗传算法解旅⾏商TSP问题的程序。⽬的是学会运⽤知识表⽰⽅法和搜索策略求解⼀些考验智⼒的简单问 题,熟悉简单智能算法开发过程并理解其实现原理。 ⽤遗传算法解旅⾏商TSP问题:假设有⼀个旅⾏商⼈要拜访n个城市,他必须选择所要⾛的路径,路径的限制是每个城市只能拜访⼀ 次,⽽且最后要回到原来出发的城市。路径的选择⽬标是要求得的路径路程为所有路径之中的最⼩值。 在遗传算法解旅⾏商TSP问题当中程序总体围绕了遗传算法的三个主要步骤:选择--复制,交叉,变异。给定了10个种群,即10条染⾊ 体,每条染⾊体都是除⾸位外不重复的点组成,⾸尾相同保证路线是闭合的,所以⼀条染⾊体包含11个点。 遗传算法解旅⾏商TSP问题实验原理: TSP问题就是寻找⼀条最短的遍历n个城市的最短路径,即搜索⾃然数⼦集W={1,2..n}(W的元素表⽰对n个城市的编号)的⼀个排列。 遗传算法是具有"⽣成+检测"的迭代过程的搜索算法。它的基本处理流程如图1所⽰。由此流程图可见,遗传算法是⼀种群体型操作,该 操作以群体中的所有个体为对象。选择( Selection)、交叉(Crossover)和变异(Mutation) 是遗传算法的3个主要操作算⼦,它们构成了所 谓的遗传操作( genetic operation),使遗传算法具有了其它传统⽅法所没有的特性。遗传算⼦包含如下6个基本因素: (1)参数编码:由于遗传算法不能直接处理解空间的解数据,因此必须通过编码将它们表⽰成遗传空间的基因型串结构数据。 (2)⽣成初始群体:由于遗传算法的群体型操作需要,所以必须为遗传操作准备⼀个由若⼲初始解组成的初始群体。初始群体的每个个体都是 通过随机⽅法产⽣。 ( 3)适应度评估检测:遗传算法在搜索进化过程中⼀般不需要其他外部信息,仅⽤适应度( fitness) 值来评估个体或解的优劣,并作为以后遗传 操作的依据。 (4)选择(selection): 选择或复制操作是为了从当前群体中选出优良的个体,使它们有机会作为⽗代为下⼀代繁殖⼦孙。个体适应度越⾼,其 被选择的机会就越多。此处采⽤与适⽤度成⽐例的概率⽅法进⾏选择。具体地说,就是⾸先计算群体中所有个体适应度的总和,再计算每个个 体的适应度所占的⽐例,并以此作为相应的选择概率。 (5)交叉操作:交叉操作是遗传算法中最主要的遗传操作。简单的交叉(即⼀点交叉)可分两步进⾏:⾸先对种群中个体进⾏随机配对:其次,在配 对个体中随机设定交叉处,配对个体彼此交换部分信息。 (6)变异:变异操作是按位(bit) 进⾏的,即把某⼀位的内容进⾏变异。变异操作同样也是随机进⾏的。⼀般⽽⾔,变异概率P都取得较⼩。 变异操作是⼗分微妙的遗传操作,它需要和交叉操作配合使⽤,⽬的是挖掘群体中个体的多样性,克服有可能限于局部解的弊病。 遗传算法解旅⾏商TSP问题程序功能结构图: 流程图: 数据结构定义: //定义染⾊体的结构 struct Chrom { int cityArr[cityNum]; //染⾊体的基因编码 char name; //染⾊体的名称 float adapt; //染⾊体的适应度 int dis; //染⾊体的路径长度 }; struct Chro

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值