直觀式演算法

❶ 什麼是直觀教學法

直觀教學法即利用教具作為感官傳遞物，通過一定的方式、方法向學生展示，達到提高學習的效率或效果的一種教學方式。
它通過運用真實事物標本、模型、圖片等為載體傳遞教學信息，進行具體的教學活動，強調教室要布滿圖畫，書本要配有插圖。直觀教具的呈現要放在學生面前合理的距離內，讓學生先看到整體，然後再分辨各個部分，並且要設法引起和保持學生的注意力。直觀教學的實質是一種傳授觀察經驗的直觀技術，重視視覺教具和教材的選擇應用，但很少重視教材的設計、開發、製作、評價和管理。
直觀教學的類型包括：實物直觀、模象直觀和言語直觀。

（1）實物直觀

觀即通過直接感知實際事物而進行的一種直觀方式。例如，觀察各種實物標本、演示各種實驗、到工廠或農村進行實地參觀訪問等都屬於實物直觀。實物直觀的優點是給人以真實感、親切感，所得到的感性知識與實際事物間的聯系比較密切，因此有利於激發學生的學習興趣，調動學習的積極性，在實際生活中能很快地發揮作用。其缺點是由於實物直觀的本質屬性與非本質屬性聯系在一切，並且由於受時空與感官特性的限制，許多事物的特徵與聯系難以在實物直觀中直接被覺察。因此它不是唯一的直觀方式，還必須有其他種類的直觀。

（2）模象直觀

模象即事物的模擬性形象。所謂模象直觀即通過對事物的模擬性形象直接感知而進行的一種直觀方式。例如，各種圖片、圖表、模型、幻燈片和教學電影電視等的觀察和演示等。其優點是可以人為地排除一些無關因素，突出本質要素；並且可以根據觀察需要，通過大小變化、動靜結合、虛實互換、色彩對比等方式擴大直觀范圍，不受實物直觀的局限，提高直觀效果，擴大直觀范圍。因此它已成為現代化教學的重要手段，是現代教育技術學研究的重要內容。但是，由於模象只是事物的模擬形象，與實際事物之間有一定距離，因此要使通過模象直觀獲得的知識能在學生的生活實踐中發揮更好的定向作用，一方面應注意將模象與學生熟悉的事物相比較，同時，在可能的情況下，盡量使模：象直觀與實物直觀結合進行。

（3）言語直觀

言語直觀是在形象化的語言作用下，通過學生對語言的物質形式(語音、字形)的感知及對語義的理解而進行的一種直觀形式。言語直觀的優點是不受時間、地點和設備條件的限制，可以廣泛使用；同時也能運用語調和生動形象的事例去激發學生的感情，喚起學生的想像。但是，言語直觀所引起的表象，往往不如實物直觀和模象直觀鮮明、完整、穩定。因此，在可能的情況下，應盡量配合實物直觀和模象直觀。

❷ 如何直觀的解釋back propagation演算法

BackPropagation演算法是多層神經網路的訓練中舉足輕重的演算法。
簡單的理解，它的確就是復合函數的鏈式法則，但其在實際運算中的意義比鏈式法則要大的多。
要回答題主這個問題「如何直觀的解釋back propagation演算法？」 需要先直觀理解多層神經網路的訓練。

機器學習可以看做是數理統計的一個應用，在數理統計中一個常見的任務就是擬合，也就是給定一些樣本點，用合適的曲線揭示這些樣本點隨著自變數的變化關系。

深度學習同樣也是為了這個目的，只不過此時，樣本點不再限定為(x, y)點對，而可以是由向量、矩陣等等組成的廣義點對(X,Y)。而此時，(X,Y)之間的關系也變得十分復雜，不太可能用一個簡單函數表示。然而，人們發現可以用多層神經網路來表示這樣的關系，而多層神經網路的本質就是一個多層復合的函數。借用網上找到的一幅圖[1]，來直觀描繪一下這種復合關系。

其對應的表達式如下：
上面式中的Wij就是相鄰兩層神經元之間的權值，它們就是深度學習需要學習的參數，也就相當於直線擬合y=k*x+b中的待求參數k和b。上面式中的Wij就是相鄰兩層神經元之間的權值，它們就是深度學習需要學習的參數，也就相當於直線擬合y=k*x+b中的待求參數k和b。

和直線擬合一樣，深度學習的訓練也有一個目標函數，這個目標函數定義了什麼樣的參數才算一組「好參數」，不過在機器學習中，一般是採用成本函數（cost function），然後，訓練目標就是通過調整每一個權值Wij來使得cost達到最小。cost函數也可以看成是由所有待求權值Wij為自變數的復合函數，而且基本上是非凸的，即含有許多局部最小值。但實際中發現，採用我們常用的梯度下降法就可以有效的求解最小化cost函數的問題。

梯度下降法需要給定一個初始點，並求出該點的梯度向量，然後以負梯度方向為搜索方向，以一定的步長進行搜索，從而確定下一個迭代點，再計算該新的梯度方向，如此重復直到cost收斂。那麼如何計算梯度呢？

假設我們把cost函數表示為, 那麼它的梯度向量[2]就等於, 其中表示正交單位向量。為此，我們需求出cost函數H對每一個權值Wij的偏導數。而BP演算法正是用來求解這種多層復合函數的所有變數的偏導數的利器。

我們以求e=(a+b)*(b+1)的偏導[3]為例。
它的復合關系畫出圖可以表示如下：
在圖中，引入了中間變數c,d。在圖中，引入了中間變數c,d。

為了求出a=2, b=1時，e的梯度，我們可以先利用偏導數的定義求出不同層之間相鄰節點的偏導關系，如下圖所示。
利用鏈式法則我們知道：利用鏈式法則我們知道：
以及。

鏈式法則在上圖中的意義是什麼呢？其實不難發現，的值等於從a到e的路徑上的偏導值的乘積，而的值等於從b到e的路徑1(b-c-e)上的偏導值的乘積加上路徑2(b-d-e)上的偏導值的乘積。也就是說，對於上層節點p和下層節點q，要求得，需要找到從q節點到p節點的所有路徑，並且對每條路徑，求得該路徑上的所有偏導數之乘積，然後將所有路徑的 「乘積」 累加起來才能得到的值。

大家也許已經注意到，這樣做是十分冗餘的，因為很多路徑被重復訪問了。比如上圖中，a-c-e和b-c-e就都走了路徑c-e。對於權值動則數萬的深度模型中的神經網路，這樣的冗餘所導致的計算量是相當大的。

同樣是利用鏈式法則，BP演算法則機智地避開了這種冗餘，它對於每一個路徑只訪問一次就能求頂點對所有下層節點的偏導值。
正如反向傳播(BP)演算法的名字說的那樣，BP演算法是反向(自上往下)來尋找路徑的。

從最上層的節點e開始，初始值為1，以層為單位進行處理。對於e的下一層的所有子節點，將1乘以e到某個節點路徑上的偏導值，並將結果「堆放」在該子節點中。等e所在的層按照這樣傳播完畢後，第二層的每一個節點都「堆放"些值，然後我們針對每個節點，把它裡面所有「堆放」的值求和，就得到了頂點e對該節點的偏導。然後將這些第二層的節點各自作為起始頂點，初始值設為頂點e對它們的偏導值，以"層"為單位重復上述傳播過程，即可求出頂點e對每一層節點的偏導數。

以上圖為例，節點c接受e發送的1*2並堆放起來，節點d接受e發送的1*3並堆放起來，至此第二層完畢，求出各節點總堆放量並繼續向下一層發送。節點c向a發送2*1並對堆放起來，節點c向b發送2*1並堆放起來，節點d向b發送3*1並堆放起來，至此第三層完畢，節點a堆放起來的量為2，節點b堆放起來的量為2*1+3*1=5, 即頂點e對b的偏導數為5.

舉個不太恰當的例子，如果把上圖中的箭頭表示欠錢的關系，即c→e表示e欠c的錢。以a, b為例，直接計算e對它們倆的偏導相當於a, b各自去討薪。a向c討薪，c說e欠我錢，你向他要。於是a又跨過c去找e。b先向c討薪，同樣又轉向e，b又向d討薪，再次轉向e。可以看到，追款之路，充滿艱辛，而且還有重復，即a, b 都從c轉向e。

而BP演算法就是主動還款。e把所欠之錢還給c，d。c，d收到錢，樂呵地把錢轉發給了a，b，皆大歡喜。

❸ 近似演算法和啟發式演算法的區別與聯系

在計算機科學與運籌學，近似演算法是指用來發現近似方法來解決優化問題的演算法。近似演算法通常與NP-hard問題相關; 由於不可能有效的多項式時間精確算來解決NP-hard問題，所以一個求解多項式時間次優解。與啟發式演算法不同，通常只能找到合理的解決方案相當快速，需要可證明的解決方案質量和可證明的運行時間范圍。理想情況下，近似值最優可達到一個小的常數因子（例如在最優解的5%以內）。近似演算法越來越多地用於已知精確多項式時間演算法但由於輸入大小而過於昂貴的問題。
啟發式演算法（heuristic algorithm)是相對於最優化演算法提出的。一個問題的最優演算法求得該問題每個實例的最優解。啟發式演算法可以這樣定義：一個基於直觀或經驗構造的演算法，在可接受的花費（指計算時間和空間）下給出待解決組合優化問題每一個實例的一個可行解，該可行解與最優解的偏離程度一般不能被預計。現階段，啟發式演算法以仿自然體演算法為主，主要有蟻群演算法、模擬退火法、神經網路等。

❹ 用自然語言描述演算法直觀,不會產生歧義,容易理解

用
自然語言
描述演算法直觀,不會產生歧義,容易理解，這是錯誤的。
用自然語言描述演算法比較容易接受,但敘
述冗長,容易產生「歧義」.用流程圖描
述演算法比較清晰、直觀,不容易產生「歧
義」。

❺ 表達演算法最直觀的方法是什麼

使用偽代碼或流程圖。

❻ 用什麼描述演算法可以直觀的了解活動的流程和過程

流程圖（Flow Chart）：使用圖形表示演算法的思路是一種極好的方法，因為千言萬語不如一張圖。 以特定的圖形符號加上說明，表示演算法的圖，稱為流程圖或框圖。 流程圖是流經一個系統的信息流、觀點流或部件流的圖形代表。在中，流程圖主要用來說明某一過程。這種過程既可以是生產線上的工藝流程，也可以是完成一項任務必需的管理過程。 例如，一張流程圖能夠成為解釋某個零件的製造工序，甚至組織決策制定程序的方式之一。這些過程的各個階段均用圖形塊表示，不同圖形塊之間以箭頭相連，代表它們在系統內的流動方向。下一步何去何從，要取決於上一步的結果，典型做法是用「是」或「否」的邏輯分支加以判斷。 流程圖是揭示和掌握封閉系統運動狀況的有效方式。作為診斷工具，它能夠輔助決策制定，讓管理者清楚地知道，問題可能出在什麼地方，從而確定出可供選擇的行動方案。 流程圖有時也稱作輸入-輸出圖。該圖直觀地描述一個工作過程的具體步驟。流程圖對准確了解事情是如何進行的，以及決定應如何改進過程極有幫助。這一方法可以用於整個，以便直觀地跟蹤和圖解的運作方式。 流程圖使用一些標准符號代表某些類型的動作，如決策用菱形框表示，具體活動用方框表示。但比這些符號規定更重要的，是必須清楚地描述工作過程的順序。流程圖也可用於設計改進工作過程，具體做法是先畫出事情應該怎麼做，再將其與實際情況進行比較。

❼ 智能計算/計算智能、仿生演算法、啟發式演算法的區別與關系

我一個個講好了，
1）啟發式演算法：一個基於直觀或經驗構造的演算法，在可接受的花費（指計算時間和空間）下給出待解決組合優化問題每一個實例的一個可行解，該可行解與最優解的偏離程度不一定事先可以預計。意思就是說，啟發式演算法是根據經驗或者某些規則來解決問題，它求得的問題的解不一定是最優解，很有可能是近似解。這個解與最優解近似到什麼程度，不能確定。相對於啟發式演算法，最優化演算法或者精確演算法（比如說分支定界法、動態規劃法等則能求得最優解）。元啟發式演算法是啟發式演算法中比較通用的一種高級一點的演算法，主要有遺傳演算法、禁忌搜索演算法、模擬退火演算法、蟻群演算法、粒子群演算法、變鄰域搜索演算法、人工神經網路、人工免疫演算法、差分進化演算法等。這些演算法可以在合理的計算資源條件下給出較高質量的解。
2）仿生演算法：是一類模擬自然生物進化或者群體社會行為的隨機搜索方法的統稱。由於這些演算法求解時不依賴於梯度信息，故其應用范圍較廣，特別適用於傳統方法難以解決的大規模復雜優化問題。主要有：遺傳演算法、人工神經網路、蟻群演算法、蛙跳演算法、粒子群優化演算法等。這些演算法均是模仿生物進化、神經網路系統、螞蟻尋路、鳥群覓食等生物行為。故叫仿生演算法。
3）智能計算：也成為計算智能，包括遺傳演算法、模擬退火演算法、禁忌搜索演算法、進化演算法、蟻群演算法、人工魚群演算法，粒子群演算法、混合智能演算法、免疫演算法、神經網路、機器學習、生物計算、DNA計算、量子計算、模糊邏輯、模式識別、知識發現、數據挖掘等。智能計算是以數據為基礎，通過訓練建立聯系，然後進行問題求解。
所以說，你接觸的很多演算法，既是仿生演算法，又是啟發式演算法，又是智能演算法，這都對。分類方法不同而已。

樓主，我這么辛苦給你打這么字，給我多加點懸賞分吧！謝謝了哈

❽ C語言,在程序設計時常用什麼來直觀的表示演算法

1.演算法可以理解為有基本運算及規定的運算順序所構成的完整的解題步驟。或者看成按照要求設計好的有限的確切的計算序列，並且這樣的步驟和序列可以解決一類問題
2.流程圖,計算機語言,偽代碼 來表示演算法
3.順序結構 選擇結構 循環結構
4.邏輯思維
5.結構化演算法是由一些基本結構順序組成的，就是把一個大的功能的實現分隔為許多個小功能的實現。
6.數據 演算法
7.可行性 有窮性 輸入 輸出 確定性
8.數值運算 非數值運算