[b]A*寻路算法[/b]
参考
http://www.iteye.com/topic/163880
http://www.cppblog.com/christanxw/archive/2006/04/07/5126.html
要点 F=G+H G移动代价 H到终点的估算成本
场景 四国
相关 B*寻路 http://www.iteye.com/topic/678941
[b]遗传算法[/b] Genetic Algorithm
是一种通过模拟自然进化过程搜索最优解的方法
NP问题 非确定性问题
可以用穷举法得到答案,一个个检验下去,最终便能得到结果。但是这样算法的复杂程度,是指数关系,因此计算的时间随问题的复杂程度成指数的增长,很快便变得不可计算了。
全排列 3!=6 , 8!=40320 , 50!=?
要点
参数设置: 种群 遗传次数 变异概率
内部算法: 交叉方式 适应度
场景 城市间最短路径
相关 jgap
[b]图像二值化[/b]
场景 图片验证
相关 OCR
[b]数据挖掘[/b]
根据历史的数据来预测将来的结果
朴素贝叶斯算法
简单的概率相加统计
决策树算法
信息熵 可以认为是不确定性
构造一棵 信息熵 下降最快的树, 根节点的不确定性最小的树(最容易推断出结果的树)
源代码 见邮箱
参考
http://www.iteye.com/topic/163880
http://www.cppblog.com/christanxw/archive/2006/04/07/5126.html
要点 F=G+H G移动代价 H到终点的估算成本
场景 四国
相关 B*寻路 http://www.iteye.com/topic/678941
[b]遗传算法[/b] Genetic Algorithm
是一种通过模拟自然进化过程搜索最优解的方法
NP问题 非确定性问题
可以用穷举法得到答案,一个个检验下去,最终便能得到结果。但是这样算法的复杂程度,是指数关系,因此计算的时间随问题的复杂程度成指数的增长,很快便变得不可计算了。
全排列 3!=6 , 8!=40320 , 50!=?
要点
参数设置: 种群 遗传次数 变异概率
内部算法: 交叉方式 适应度
场景 城市间最短路径
相关 jgap
[b]图像二值化[/b]
场景 图片验证
相关 OCR
[b]数据挖掘[/b]
根据历史的数据来预测将来的结果
朴素贝叶斯算法
简单的概率相加统计
决策树算法
信息熵 可以认为是不确定性
构造一棵 信息熵 下降最快的树, 根节点的不确定性最小的树(最容易推断出结果的树)
源代码 见邮箱