qq_21686871的博客

智能算法用来解决最优化问题最优化问题：1.是函数值最小的自变量的取值 2.在解空间里面寻找最优解局部搜索就是基于贪婪思想利用邻域函数进行搜索，若找到一个比现有值更优的解就弃前者而取后者。但是，它一般只可以得到“局部极小解”，就是说，可能这只兔子登“登泰山而小天下”，但是却没有找到珠穆朗玛峰。而模拟退火，遗传算法，禁忌搜索，神经网络等从不同的角度和策略实现了改进，取得较好的“全局最小解”。爬山算法：容易陷入局部最优解模拟退火算法：以一定概率去选择是否接受扰动后的新解E代表自由能，下一时刻自由能越小

摘要部分随着全球城市化的发展，城市规划已成为研究热点。最关心。由于传统的城市扩张规划已逐渐无法满足1990年代提出城市发展需要，智慧增长。在本文中，一个开发了一系列方法来帮助将智能增长理论应用到城市设计中。在任务1中，基于收集到的丰富的城市智慧增长数据，通过主成分分析选取了25个指标。然后我们构造一个新的三层指标体系，第一层有1个指标，第二层有5个指标，第三层有25个指标来评价智能增长的成功程度。此外，我们使用熵权法（EWM）获得第三级指标的权重向量，使用群决策法（GDM）获得权重第二类指标

状态转移模型方法使用：1.构建状态向量2.确定可以存在的状态向量集S3.单边构建图路径找到最优解典型例题1：人 携带 狼 羊 菜 渡河边界条件：船一次只能携带人和其中一个物品，在没有人的情况下，狼与羊不能共存，菜与羊不能共存特殊方法：试探法一般方法：状态转移法典例2：三个商人三个仆人过河边界条件：河岸的一边商人数不小于仆人数（没有商人除外），船一次带两个人典例3：分酒问题边界条件：每次转移都必须倒满或者倒完（因为只有这样才能确定倒了多少酒）不能出现之前出现的情况来达到最优解