佚段的小笔记

通信方面知识

人语音信号频率为：300-3400HZ，无失真采样频率为6400HZ以上，用8KHZ来采样，
用8位二进制进行量化，即得到：8bit*8=64kbps

一、频分复用、时分复用和码分复用

频分复用（FDM）：按频率划分的不同信道，用户分到一定的频带后，在通信过程中自始至终都占用这个频带，可见频分复用的所有用户在同样的时间占用不同的带宽资源（带宽指频率带）
（OFDM: 正交频分复用: : 将码流变为并行传输然后用很多的载波分别传输数据，抗干扰能力增强了，对抗多径传输 ）

时分复用（TDM）：按时间划分成不同的信道，每一个时分复用的用户在每一个TDM帧中占用固定序列号的间隙，可见时分复用的所有用户是在不同时间占用同样的频带宽度。

码分复用（CMD）：更常用的是码分多址（CMDA），每一个用户可以在同样的时间使用同样的频带进行通信，由于各用户使用经过特殊挑选的不同码型，因此各用户之间不会造成干扰。码分复用最初用于军事通信，因为这种系统发送的信号有很强的抗干扰能力，其频谱类似于白噪声，不易被敌人发现，后来才广泛的使用在民用的移动通信中，它的优越性在于可以提高通信的话音质量和数据传输的可靠性，减少干扰对通信的影响，增大通信系统的容量，，降低手机的平均发射功率等，其工作原理如下：

在CDMA中，每一个比特时间在划分为m个短的间隔，称为码片（chip），通常m的值为64或128，为了方便说明，取m为8

1. 使用CDMA的每一个站被指派一个唯一的m bit码片序列，一个站如果要发送比特1，则发送它自己的m bit码片序列，如果要发送0，则发送该码片序列的二进制反码，按照惯例将码片中的0写成-1，将1写成+1
2. CDMA给每一个站分配的码片序列不仅必须各不相同，并且还必须互相正交，用数学公式表示，令向量S表示站S的码片向量，再令T表示其他任何站的码片向量。两个不同站的码片序列正交，就是向量S和T的规格化内积都是S * T = 0
3. 任何一个码片向量和该码片向量自己的规格化内积都是S * S = 1
4. 任何一个码片向量和该码片的反码的向量的规格化内积都是-1

故：所有其他站的信号都被过滤，而只剩下S站发送的信号。当S站发送比特1时，在X站计算内积结果为+1；当S站发送比特0时，内积结果为-1；当S站不发送时，内积结果为0，S与X正交

二、高斯过程
随机过程ε(t)的任意n阶的概率密度分布都满足高斯分布即为高斯过程；高斯过程的广义平稳和严平稳是等价的；高斯过程通过线性系统仍是高斯过程。
平稳的性质：
1、一阶的概率密度函数分布与t无关
2、二阶的概率密度函数分布只有τ有关
3、数学期望和方差与t无关
4、自相关函数R只有τ有关

三、信道分类
调制信道：编码器和解码器之间
编码信道：包含编码器和解码器的信道

无线信道：地波，天波和视线传播–无线电中继，卫星通信，平流层通信
有线信道：明线，对称电缆，同轴电缆–架空线路，双纽线，同轴线

四、频段分段
射频（300KHz-300MHz）：包括LF，MF，HF，VHF
毫米波频段没有太过精确的定义，通常将30~300GHz的频域(波长为1～10毫米)的电磁波称毫米波
微波（300MHz-3000GHz）：包括UHF，SHF，EHF，PHF

五、
无线物理层安全：从基础信号层就能防止攻击
gsm一般指全球移动通信系统。一直移动通信的标准
LTE 4G下的移动通信的标准

MIMO技术（多入多出）是指能在不增加带宽的情况下，成倍地提高通信系统的容量和频谱利用率。它可以定义为发送端和接收端之间存在多个独立信道，也就是说天线单元之间存在充分的间隔，因此，消除了天线间信号的相关性，提高了信号的链路性能，增加了数据吞吐量。研究表明，在瑞利衰落信道环境下。OFDM系统会使用MIMO技术来提高容量。

相控阵天线指的是通过控制阵列天线中辐射单元的馈电相位来改变方向图形状的天线。控制相位可以改变天线方向图最大值的指向，以达到波束扫描的目的。

六、常用的正交变换
DFT DCT DST ：实现数据的去相关性，能量集中

七、纠错编码方式
BCH码纠正多为错误的循环码
RS码非二进制的BCH纠错码：伽罗华域内
交织码：突发误码分散为随机误码----分组交织(读写顺序不一致分散误码)和卷积交织（卷积码多项式–>无法分出监督位和有效位） 和LPDC码：低密度奇偶校验码

八、数字基带传输系统
基带传输系统是没有经过载波调制直接传输的的方式
基带信号的基本波形：
1、单极性波形 2、双极性波形 3、单极性归零波形 4、双极性归零波形 5、差分波形 6、多电平波形

基带传输常用的码型:
1、 AMI码：传号或者空号翻转
2、 HDB3码：HDB3码恢复找破坏点V
3、曼彻斯特码：两个码表示一个极性

九、CMOS和TTL区别
1、CMOS是场效应管构成(单极性电路)，TTL为双极晶体管构成(双极性电路)

2、COMS的逻辑电平范围比较大(5～15V)，TTL只能在5V下工作

3、CMOS的高低电平之间相差比较大、抗干扰性强，TTL则相差小，抗干扰能力差

4、CMOS功耗很小，TTL功耗较大(1～5mA/门)

5、CMOS的工作频率较TTL略低，但是高速CMOS速度与TTL差不多相当

6、CMOS的噪声容限比TTL噪声容限大

7、通常以为TTL门的速度高于“CMOS门电路。影响 TTL门电路工作速度的主要因素是电路内部管子的开关特性、电路结构及内部的各电阻阻数值。电阻数值越大，工作速度越低。管子的开关时间越长，门的工作速度越低。门的速度主要体现在输出波形相对于输入波形上有“传输延时”tpd。将tpd与空载功耗P的乘积称为“速度-功耗积”，做为器件性能的一个重要指标，其值越小，表明器件的性能越 好(一般约为几十皮(10-12)焦耳)。与TTL门电路的情况不同，影响CMOS电路工作速度的主要因素在于电路的外部，即负载电容CL。CL是主要影响器件工作速度的原因。由CL所决定的影响CMOS门的传输延时约为几十纳秒。

8、TTL电路是电流控制器件，而coms电路是电压控制器件。

十、眼图是什么？从眼图可以得到的信息？眼睛斜边反映了什么信息？
眼图是指利用实验手段方便地估计和改善（通过调整）系统性能时在示波器上观察到的一种图形。眼图定性反映码间串扰和噪声的大小。ISI大时，眼图不端正；有噪声时，线迹变宽。
从眼图可以得到的信息有：最佳抽样时刻、最佳判决门限、对定时误差的灵敏度、过零点畸变、幅度畸变、噪声容限。
眼睛斜边反映了通信系统对定时误差的灵敏度。

十一、码间干扰
因为是使用有一定脉宽的信号进行的采样，所以在频域上会是无限延展从而干扰到其他的信号波形。影响输出的判决
解决方法：除该点信号外其他点信号和为0；其他点在该点的信号恰好为0
通过理想低通—>升余弦滚降—>部分响应系统

频域均衡和时域均衡：校正信道使其能满足无ISI的条件

时域均衡通过构建横向滤波器抽头电路（手动均衡和自动均衡）

十二、数字调制
模拟调制：AM DSB SSB VSB FM
解调的方式：相干解调和非相干解调（包络检波）
数字调制：2ASK(OOK)；2FSK；2PSK–>2DPSK；QPSK–>4DPSK；MQAM调制

智能信息处理

智能计算作业
一、概述
1、根据自己理解，全面描述人工智能的概念。
答：人工智能是人们使机器具有类似人的智能，或者说是人类的智能在机器上模拟。人工智能就是研究如何使一个计算机系统具有像人一样的智能特征，使其能模拟、延伸、扩展人类智能。人工智能属于计算机科学的一个分支，旨在设计智能的计算机系统，使得计算机会听、说、读、写、学习、推理，能够适应环境变化，能够模拟出人脑思维活动。使计算机能够像人一样去思考和行动，完成人类能够完成的工作，甚至在某些方面比人更强。
总得来说，人工智能可认为是对人类智能的一种模仿，在某些方面甚至可以实现超越。

2、人工智能研究形成三种不同的研究学派，给出这三种学派的主要思想，并谈谈你对这三种学派的个人看法。
答：（1）符号主义；主要思想：以符号处理为核心，用于模拟人类问题求解过程的心理过程,逐渐形成为物理符号系统。
（2）联接主义；主要思想：神经网络及神经网络间的连接机制与学习算法，非逻辑推理方式。
（3）行为主义；主要思想：基于控制论和“动作–感知”型控制系统，人工智能在智能活动中的自适应、自学习。
个人看法：三种学派各有侧重点，根据其不同的思想设计出的各式的智能计算机系统可以在解决不同的实际问题有着各自的长处。人的智能在处理各种不同的问题时表现的形式也有不同，既有表现逻辑理性的，也会有模糊不清的非逻辑推理存在，还有其他不同的方面，想用一种思想或学说来概括人的智能，那就只能是以偏概全。

3、根据你的理解，说明生物智能（BI）、人工智能(AI)、计算智能(CI)的联系和区别。
答：
（1）生物智能：BI是人类从自身的角度来阐述的，由人脑的物理化学过程反映出来，它表征人类智能活动的一些特征。有目的性、综合性和学习扩展性 。
（2）人工智能：由非生物生命方法产生的智能，它总是和符号、逻辑、规则、推理联系起来。
（3）计算智能：它是生物智能的计算模拟，即用计算机模拟和再现人类的某些智能行为。
联系：人工智能与计算智能之间有重合，但计算智能是一个全新的学科领域，无论是生物智能还是机器智能，计算智能都是其最核心的部分，而人工智能则是外层。CI和传统的AI只是智能的两个不同层次，各自都有自身的优势和局限性，相互之间只应该互补，而不能取代。

4、述人工神经元模型。
答：组成：连接链（突触）、加法器、激活函数
连接链（突触）：每一个都有其权值或者强度作为特征，权值可取正值也可取负值。
加法器：用于求输入信号中神经元的相应突触加权的和。
激活函数：用来限制神经元输出振幅。
工作过程：累加各部分的加权输入，然后比较累加和是否超过阈值，如果超过，输出为兴奋状态，否则，输出为抑制状态。
说明：输入权值和阈值对于输出状态影响巨大，输入权值和阈值是神经元学习的基础，权值和阈值调整的过程就是学习的过程。

特点：（1）多个输入 （2）一个输出 （3）输出只有抑制、兴奋两种状态
X1,X2,X3…Xn表示神经元的n个输入
W1,W2,W3…Wn表示n个神经元的连接权值
θ为神经元的输出阈值
y为神经元的输出

一、神经网络
1、简述感知器的工作原理。
答：感知器可将外部输入分为两类和。当感知器的输出为+1时，输入属于L1类，当感知器的输出为-1时，输入属于L2类，从而实现两类目标的识别。在多维空间，单层感知器进行模式识别的判决超平面由下式决定 :

2、详细介绍BP神经网络，如何理解BP网络中误差是反向传播的？
答：基本原理：利用输出后的误差来估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差，如此一层一层的反传下去，就获得了所有其他各层的误差估计。
BP神经网络通常由输入层、隐含层和输出层组成，层与层指尖全互连，每层节点之间不相连。输入层节点数通常取输入向量维数，输出层节点数通常取输出向量维数，隐含层节点个数一般需反复测试得出。
BP学习算法：是一种有导师的学习算法，是梯度下降法在多层前馈网中的应用
（1）学习过程：神经网络在外界输入样本的刺激下不断改变网络的连接权值,以使网络的输出不断地接近期望的输出，本质上就是对各连接权值的动态调整。
（2）学习规则：权值调整规则，即在学习过程中网络中各神经元的连接权变化所依据的一定的调整规则。
（3）步骤：第一步，网络初始化；第二步,随机选取第K个输入样本及对应期望输出；第三步，计算隐含层各神经元的输入和输出；第四步，利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数 ；第五步，利用隐含层到输出层的连接权值、输出层的和隐含层的输出计算误差函数对隐含层各神经元的偏导数；第六步，利用输出层各神经元的和隐含层各神经元的输出来修正连接权值；第七步，利用隐含层各神经元的和输入层各神经元的输入修正连接权值 ； 第八步，计算全局误差；第九步，判断网络误差是否满足要求。当误差达到预设精度或学习次数大于设定的最大次数，则结束算法。否则，选取下一个学习样本及对应的期望输出，返回到第三步，进入下一轮学习。

误差反向传播：将输出误差以某种形式通过隐层向输入层逐层反传，将误差分摊给各层的所有单元，得到各层的误差信号，再由此修正各单元权值，这样看起来信号是在正向传播，但误差是反向传播的。

3、前馈式神经元网络与反馈式神经元网络有何不同？
答： (1) 前馈型神经网络只表达输入输出之间的映射关系，实现非线性映射；反馈型神经网络考虑输入输出之间在时间上的延迟，需要用动态方程来描述，反馈型神经网络是一个非线性动力学系统。
(2) 前馈型神经网络学习训练的目的是快速收敛，一般用误差函数来判定其收敛程度；反馈型神经网络的学习目的是快速寻找到稳定点，一般用能量函数来判别是否趋于稳定点。

4、简述RBF的基本原理。
答：RBF 神经网络通常是一种三层前向网络，第一层是输入层，由信号源节点组成；第二层为隐含层，其节点基函数是一种局部分布的、对中心径向对称衰减的非负非线性函数；第三层为输出层。
RBF神经网络的训练：第一步采用非监督式学习训练隐含层的权重值；第二步是采用监督式学习训练线性输出值。
梯度下降法： RBF 神经网络的梯度下降训练方法是通过最小化目标函数，实现对各隐节点数据中心、宽度和输出权值的学习

5、对比BP与RBF网络。
答：BP网络通过误差的反向传播不断的修改输入层节点与隐含层间的权值来学习。
RBF网络权值可由隐层节点参数得到，通过最小化目标函数，实现对各隐节点数据中心、宽度和输出权值的学习。

6、网络的稳定吸引子和吸引子的吸引域分别指什么？
答：处于稳定时的网络状态叫做稳定状态，又称为稳定吸引子
在稳定点Ae周围的A(σ)区域内，从任一个初始状态A(t0)出发，当t→∞时都收敛于Ae，则称A(σ)为吸引子的吸引域。
7、试述离散型Hopfield神经元网络的结构及工作原理。
答：结构：在离散Hopfield网络中，所采用的神经元是二值神经元；所输出的离散值1和0分别表示神经元处于激活和抑制状态。一个离散的Hopfield网络，其网络状态是输出神经元信息的集合。对于一个输出层是n个神经元的网络，则其t时刻的状态为一个n维向量：
A＝[a1，a2…，an]T
故而，网络状态有2n个状态；因为Aj(t)(j＝1……n)可以取值为1或0；故n维向量A(t)有2n种状态，即是网络状态。
工作原理：Hopfield网络按动力学方式运行，其工作过程为状态的演化过程，即从初始状态按“能量” 减小的方向进行演化，直到达到稳定状态，稳定状态即为网络的输出
8、简述SOM神经网络学习算法。
答：自组织特征映射网，简称SOM网。SOM网共有两层，输入层模拟感知外界输入信息的视网膜，输出层模拟做出响应的大脑皮层。
竞争学习原理，网络的输出神经元之间相互竞争以求被激活，结果在每一时刻只有一个输出神经元被激活。这个被激活的神经元称为竞争获胜神经元，而其它神经元的状态被抑制。 步骤：首先将当前输入模式向量X和竞争层中各神经元对应的内星向量Wj 全部进行归一化处理；寻找获胜神经元 当网络得到一个输入模式向量时，竞争层的所有神经元对应的内星权向量均与其进行相似性比较，并将最相似的内星权向量判为竞争获胜神经元，即两向量点积最大。

SOM网的学习算法

二、遗传算法

1. 试述遗传算法的基本原理，并说明遗传算法的求解步骤。
   答： 基本原理：在遗传算法里，优化问题的解被称为个体，它表示为一个参数列表，叫做染色体或者基因串。染色体一般被表达为简单的数字串，不过也有其他的表示方法适用，这一过程称为编码。一开始，算法随机生成一定数量的个体，有时候操作者也可以对这个随机产生过程进行干预，播下已经部分优化的种子。在每一代中，每一个个体都被评价，并通过计算适应度函数得到一个适应度数值。种群中的个体被按照适应度排序，适应度高的在前面。
   下一步是产生下一代个体并组成种群。这个过程是通过选择、交叉、变异完成的。选择是根据新个体的适应度进行的，适应度越高，被选择的机会越高，而适应度低的，被选择的机会就低。初始的数据可以通过这样的选择过程组成一个相对优化的群体。被选择的个体进行交叉，一般的遗传算法都有一个交叉概率，每两（多）个个体通过交叉产生新个体，再通过变异产生新的“子”个体。
   求解步骤：(1) 选择编码策略，将问题搜索空间中每个可能的点用相应的编码策略表示出来，即形成染色体；
   (2) 定义遗传策略，包括种群规模N，交叉、变异方法，以及选择概率Pr、交叉概率Pc、变异概率Pm等遗传参数；
   (3) 令t=0，随机选择N个染色体初始化种群P(0)；
   (4) 定义适应度函数f（f>0）；
   (5) 计算P(t)中每个染色体的适应值；
   (6) t=t+1；
   (7) 运用选择算子，从P(t)中得到P(t+1)；
   (8) 对P(t+1)中的每个染色体，按概率Pc参与交叉；
   (9) 对染色体中的基因，以概率Pm参与变异运算；
   (10) 判断群体性能是否满足预先设定的终止标准，若不满足则返回(5)。

2. 遗传算法、进化策略和进化规划有何区别？
   答：遗传算法通过交叉（重组）算子和突变操作产生新个体；进化规划中没有任何重组算子，新个体的出现只依赖于个体的突变；进化策略的选择运算按确定方式进行，即每次从群体中选取最好的几个个体保留到下一代群体中。

3. 什么是阶和定义距？简述模式定理。
   答： 模式的阶：模式H中确定位置的个数为模式H的阶，记作O（H）；
   模式的定义距/长度：模式中第一个确定位置和最后一个确定位置之间的距离，记作δ（H） ；
   模式定理：假定在第t代，种群A(t)中有m个个体属于模式H，记为m=m(H,t)，即第t代时，有m个个体属于H模式。在再生阶段（即种群个体的选择阶段），每个串根据它的适应值进行复制（选择），一个串被复制（选中）的概率为 :，因此复制后在下一代A(t+1)中，群体A内属于模式H的个体数目m(H,t+1)可用平均适应度按下式近似计算：

   其中表示在t代属于模式H的个体的平均适应度, n为种群中的个体数目。
   若用表示种群平均适应度，则前式可表示为：

上式表明：一个特定的模式按照其平均适应度值与种群的平均适应度值之间的比率生长，换句话说就是：那些适应度值高于种群平均适应度值的模式，在下一代中将会有更多的代表串处于 中，因为在 时，有
总结： 假设从t=0 开始，某一特定模式适应度比种群平均适应度高出 ，c为常数，则模式选择生长方程为：

从t=0开始，若模式H以常数c繁殖到第t+1代，其个体数目为：

上式表明，在种群平均值以上的模式将按指数增长的方式被复制。

4. 什么是积木块
   答：遗传算法通过短定义距、低阶以及高适应度的模式（积木块），在遗传操作作用下相互结合，最终接近全局最优解。满足这个假设的条件有两个：（1）表现型相近的个体基因型类似；（2）遗传因子间相关性较低。
   积木块假设指出，遗传算法具备寻找全局最优解的能力，即积木块在遗传算子作用下，能生成低阶、短定义距、高平均适应度的模式，最终生成全局最优解。

中间还有模糊的计算

一、禁忌搜索算法

1. 简述禁忌搜索算法的基本原理。
   基本思想：基于爬山算法的改进，标记已经解得的局部最优解或求解过程，并在进一步的迭代中避开这些局部最优解或求解过程。局部搜索的缺点在于，太过于对某一局部区域以及其邻域的搜索，导致一叶障目。为了找到全局最优解，禁忌搜索就是对于找到的一部分局部最优解，有意识地避开它，从而获得更多的搜索区域。
   算法采用邻域选优的搜索方法，为了逃离局部最优解，算法必须能够接受劣解，也就是每一次得到的解不一定优于原来的解。但是，一旦接受了劣解，算法迭代即可能陷入循环。为了避免循环，算法将最近接受的一些移动放在禁忌表中，在以后的迭代中加以禁止。即只有不再禁忌表中的较好解（可能比当前解差）才能接受作为下一代迭代的初始解。随着迭代的进行，禁忌表不断更新，经过一定的迭代次数后，最早进入禁忌表的移动就从禁忌表中解禁退出。
2. 简述分散搜索和集中搜索策略
   分散搜索策略（Diversification strategy）：该策略是为了对整个解的空间进行更广泛的覆盖，而不是仅仅局限在某个局部的区域。在当前搜索区域内进行了一定次数的搜索了之后（如25次），若不能发现更好的解，那么就执行分散搜索策略。清空tabu list，然后从一个新的初始解开始搜索。

集中搜索策略（Intensification strategy）：如果当前搜索区域内发现了比较好的解，如果进一步对当前区域进行更集中的搜索，那么可能会发现更多更好的解。当前最好解的记录被更新，那么就执行集中搜索策略，清空tabu list. 这样可以在当前区域进行更自由的搜索。

二、模拟退火算法

1. 简述Metropolis准则
   Metropolis准则（1953）即以概率接受新状态准则，它引入了接收状态的随机性。
   若在温度𝑇时，从状态𝑖变化到状态𝑗
   若𝐸𝑗<𝐸𝑖，则接受j为新状态；否则若概率𝑝=exp[−(𝐸𝑗−𝐸𝑖)/𝐾𝑇]大于[0,1]区间的随机数，则接受状态𝑗为当前状态，否则仍保留𝑖为当前状态。
   对于概率𝑝=exp[−(𝐸𝑗−𝐸𝑖)/𝐾𝑇]。（该公式不仅考虑的能力差还考虑了温度影响）
   在高温下，可接受与当前状态能量差距较大的状态；
   在低温下，只接受与当前能量差较小的状态。

2. 简述模拟退火算法的基本原理（三函数两准则）。
   三函数：状态产生函数、状态接收函数、退温函数
   两个准则：抽样稳定准则、退火结束准则

（1）状态产生函数（邻域函数）：尽可能保证产生的候选解遍布全部解空间
（2）状态接收函数：尽可能接收优化解，Metropolis接受准则
（3）温度更新函数：温度的下降方式，用具外循环修改温度值
（4）Metropolis抽样稳定准则：用于决定在各温度下产生候选解的数目。Metropolis抽样 过程就是在一确定温度下，使系统达到热平衡的过程。
（5）收敛准则：决定算法何时终止。
常用的方法：设置终止温度的阀值，设置外循环迭代次数(6-50)，算法搜索到的最 优值连续若干步保持不变，检验系统熵是否稳定

三、蚁群算法

1. 简述蚁群算法的基本原理。
   基本原理
   蚁群算法是对自然界蚂蚁的寻径方式进行模似而得出的一种仿生算法。
   蚂蚁在运动过程中，能够在它所经过的路径上留下一种称之为信息素(pheromone)的物质进行信息传递，而且蚂蚁在运动过程中能够感知这种物质，并以此指导自己的运动方向，因此由大量蚂蚁组成的蚁群集体行为便表现出一种信息正反馈现象：某一路径上走过的蚂蚁越多，则后来者选择该路径的概率就越大。
   人工蚁群的新特点：具有一定的记忆能力，能够记忆已经访问过的节点。同时，人工蚁群在选择下一条路径的时候是按一定算法规律有意识地寻找最短路径，而不是盲目的。例如在TSP问题中，可以预先知道当前城市到下一个目的地的距离。

2. 试举出2种蚁群改进算法，并指出主要的改进之处。
   （1）带精英策略的蚂蚁系统 Aselite
   在信息素更新时给予当前最优解以额外的信息素量，使最优解得到更好的利用。找到全局最优解的蚂蚁称为“精英蚂蚁”。引入这种额外的信息素强化手段有助于更好地引导蚂蚁搜索的偏向，使算法更快收敛。但是也可能存在陷入局部极值的问题

（2）最大最小蚂蚁系统MMAS
a、每次迭代后，只对最优解所属路径上的信息素更新。
b、对每条边的信息素量限制在范围 内，目的是防止某一条路径上的信息素 量远大于其余路径，避免过早收敛于局部最优解。
c、信息素初始值为信息素取值区间的上限，并伴随一个较小的信息素蒸发速率。
利好：增强算法在初始阶段的探索能力，有助于蚂蚁“视野开阔地”进行全局范围内的 搜索。随后蚂蚁逐渐缩小搜索范围。
d、每当系统进入停滞状态，问题空间内所有边上的信息素量都会被重新初始化。（我们 通常通过对各条边上信息素量大小的统计或是观察算法在指定次数的迭代内至今最优 路径有无被更新来判断算法是否停滞。）有效地利用系统进入停滞状态后的迭代周期继 续进行搜索，使算法具有更强的全局寻优能力

四、粒子群算法
1.简述粒子群优化算法。
设想这样一个场景：一群鸟在随机搜索食物。在这个区域里只有一块食物。所有的鸟都不知道食物在那里。但是他们知道当前的位置离食物还有多远。那么找到食物的最优策略是什么呢。最简单有效的就是搜寻目前离食物最近的鸟的周围区域。PSO正是从这种模型中得到启发并用于解决优化问题
粒子群算法在求解优化问题时，问题的解对应于搜索空间中一只鸟的位置，这
些鸟被称为粒子(particle)。每个粒子都有自己的位置和速度，粒子位置
好坏由被优化问题的适应值决定。各个粒子记忆、追寻当前的最优位置，在解空间
中迭代搜寻最优值。

2.粒子的速度更新公式主要包括哪三部分？各表示什么含义？

C1=0社会模型：只有社会，没有自；我迅速丧失群体多样性；易陷入局优而无法跳出
C2=0认知模型：只有自我，没有社会；完全没有社会信息共享；算法收敛速度缓慢

粒子速度更新公式包含三部分：
第一部分称为惯性部分，表示粒子对当前自身运动状态的信任，为粒子提供一个必要动量，使其依据自身速度进行惯性运动
第二部分称为“个体认知”部分，代表粒子本身的思考行为，鼓励粒子飞飞向自身曾经发现的最佳位置
第三部分称为“社会认知”部分，表示粒子间的信息共享与合作，它引导粒子飞向粒子群中的最佳位置
粒子速度更新公式的第一项对应多样化的特点，第二、三项对应于搜索过程的集中化的特点，这三项之间的相互平衡和制约决定了算法的主要性能。