linux下统计一分钟信息数,各算法理解 - osc_zegihifx的个人空间 - OSCHINA - 中文开源技术交流社区...

最新推荐文章于 2022-07-20 20:20:58 发布

danyalshen

最新推荐文章于 2022-07-20 20:20:58 发布

阅读量203

点赞数

文章标签： linux下统计一分钟信息数

α是什么含义？

α在梯度下降算法中被称作为学习率或者步长，意味着我们可以通过α来控制每一步走的距离，以保证不走太快，错过了最低点。同时也要保证不要走的太慢，导致太阳下山了，还没有走到山下。所以α的选择在梯度下降法中往往是很重要的！α不能太大也不能太小，太小的话，可能导致迟迟走不到最低点，太大的话，会导致错过最低点。如下图所示：

为什么要梯度要乘以一个负号？

梯度前加一个负号，就意味着朝着梯度相反的方向前进！梯度的方向实际就是函数在此点上升最快的方向！而我们需要朝着下降最快的方向走，自然就是负的梯度的方向，所以此处需要加上负号(有爬山和下山之分)

实例以及具体实例python算法见：https://www.jianshu.com/p/c7e642877b0e

2、退火算法

在实际日常中，人们会经常遇到如下问题：在某个给定的定义域X内，求函数f(x)

对应的最优值。此处以最小值问题举例(最大值问题可以等价转化成最小值问题)，形式化为：

minx∈Xf(x).

模拟退火算法基本思想:

模拟退火其实也是一种贪心算法，但是它的搜索过程引入了随机因素。在迭代更新可行解时，以一定的概率来接受一个比当前解要差的解，因此有可能会跳出这个局部的最优解，达到全局的最优解。以下图为例，假定初始解为左边蓝色点A，模拟退火算法会快速搜索到局部最优解B，但在搜索到局部最优解后，不是就此结束，而是会以一定的概率接受到左边的移动。也许经过几次这样的不是局部最优的移动后会到达全局最优点D，于是就跳出了局部最小值。

模拟退火算法描述:

模拟退火算法的优缺点:

具体实例python实现参考：https://blog.csdn.net/AI_BigData_wh/article/details/77943787?locationNum=2&fps=1

3、粒子种群算法

(1)问题提出

设想这样一个场景：一群鸟在随机的搜索食物。在这个区域里只有一块食物，所有的鸟都不知道食物在哪。但是它们知道自己当前的位置距离食物还有多远。

那么找到食物的最优策略是什么？

最简单有效的就是搜寻目前离食物最近的鸟的周围区域。

(2)算法介绍

❃每个寻优的问题解都被想像成一只鸟，称为“粒子”。所有粒子都在一个D维空间进行搜索。

❃所有的粒子都由一个fitness-function确定适应值以判断目前的位置好坏。

❃每一个粒子必须赋予记忆功能，能记住所搜寻到的最佳位置。

❃每一个粒子还有一个速度以决定飞行的距离和方向。这个速度根据它本身的飞行经验以及同伴的飞行经验进行动态调整。(3)基本PSO公式

(3)基本PSO算法流程图

关于每个粒子的更新速度和位置的公式如下:

具体实例详见：https://blog.csdn.net/zuochao_2013/article/details/53431767?ref=myread

4、遗传算法

(1)遗传算法：就是在一个解空间上，随机的给定一组解，这组解称为父亲种群，通过这组解的交叉，变异，构建出新的解，称为下一代种群，然后在目前已有的所有解(父亲种群和下一代种群)中抽取表现好的解组成新的父亲种群，然后继续上面的过程，直到达到了迭代条件或者获取到了最优解(一般都是局部最优解)。

就像生物进化一样，一群生物，不适应环境的被淘汰了，剩下来的生物适应环境，所以他们会产生后代继承他们的优秀基因(这里也包含了基因的变异)，他们的后代也是这样一直被自然选择下去，直到最后必然会产生最适应环境的个体。

(2)遗传算法的框架

(3)对框图解释

适应度

所谓的适应度，本质上可以理解为一个代价函数，或者一个规则，通过对初始种群中的个体计算适应度，能够得到对初始种群中的个体是否优劣的一个度量

选择

选择操作是根据种群中的个体的适应度函数值所度量的优、劣程度决定它在下一代是被淘汰还是被遗传。

具体见：https://blog.csdn.net/changyuanchn/article/details/80331134

5、蚁群算法

(1)原理

蚂蚁找到食物的时候，就会向环境周围散发一种信息素，当然了，信息素是在一定范围内有效的，随着时间推移会消失。其他的蚂蚁如果发现这种信息素了就会过来，这样，就会有更多的蚂蚁找到食物。当然了，如果最开始的蚂蚁找到的路径可能不是最优的，那么蚂蚁是怎样找到最优的路径呢？这就要归功于蚂蚁的创新精神了。在蚂蚁感受到信息素的时候他会沿着信息素多的方向走，但是他们偶尔也会另辟蹊径，如果他们通过这条路也找到了食物，而且这条路比之前的路更短，那么逐渐的更多的蚂蚁会被吸引到这条路径上来。为什么会有这样的事情发生呢？因为在相同的时间里，路径越短，蚂蚁走的次数就越多，散发的信息素浓度越高。