演化演算法書

⑴ 進化演算法入門讀書筆記（一）

這里我參考學習的書籍是：

《進化計算的理論和方法》，王宇平，科學出版社

《進化優化演算法：基於仿生和種群的計算機智能方法》，[美]丹·西蒙，清華大學出版社。

進化演算法是 求解優化問題 的一種演算法，它是 模仿生物進化與遺傳原理 而設計的一類隨機搜索的優化演算法。

不同的作者稱進化演算法有不同的術語，以下。註：這里僅列舉出了我自己比較容易混淆的一些，並未全部列出。

進化計算： 這樣能強調演算法需要在 計算機上 實施，但進化計算也可能指不用於優化的演算法（最初的遺傳演算法並不是用於優化本身，而是想用來研究自然選擇的過程）。因此，進化優化演算法比進化計算更具體。

基於種群的優化： 它強調進化演算法一般是讓問題的候選解 種群 隨著時間的進化以得到問題的更好的解。然而許多進化演算法每次迭代只有單個候選解。因此，進化演算法比基於種群的優化更一般化。

計算機智能/計算智能： 這樣做常常是為了區分進化演算法與專家系統，在傳統上專家系統一直被稱為人工智慧。專家系統模仿演繹推理，進化演算法則模仿歸納推理。進化演算法有時候也被看成是人工智慧的一種。計算機智能是比進化演算法更一般的詞，它包括神經計算、模糊系統、人工生命這樣的一些技術，這些技術可應用於優化之外的問題。因此，進化計算可能比計算機智能更一般化或更具體。

由自然啟發的計算/仿生計算： 像差分進化和分布估計演算法這些進化演算法可能並非源於自然，像進化策略和反向學習這些進化演算法與自然過程聯系甚微。因此，進化演算法比由自然啟發的演算法更一般化，因為進化演算法包括非仿生演算法。

機器學習： 機器學習研究由經驗學到的計算機演算法，它還包括很多不是進化計算的演算法，如強化學習、神經網路、分簇、SVM等等。因此，機器學習比進化演算法更廣。

群智能演算法： 一些人認為群智能演算法應與進化演算法區分開，一些人認為群智能演算法是進化演算法的一個子集。因為群智能演算法與進化演算法有相同的執行方式，即，每次迭代都改進問題的候選解的性能從而讓解的種群進化。因此，我們認為群智能演算法是一種進化演算法。

進化演算法的簡單定義可能並不完美。在進化演算法領域術語的不統一會讓人困惑，一個演算法是進化演算法如果它通常被認為是進化演算法，這個戲謔的、循環的定義一開始有些麻煩，但是一段時間後，這個領域工作的人就會習慣了。

優化幾乎適用於生活中的所有領域。除了對如計算器做加法運算這種過於簡單的問題，不必用進化演算法的軟體，因為有更簡單有效的演算法。此外對於每個復雜的問題，至少應該考慮採用進化演算法。

一個優化野兆問題可以寫成最小化問題或最大化問題，這兩個問題在形式上很容易互相轉化：

函數 被稱為目標函數，向量 被稱為獨立變數，或決策變數。我們稱 中元素的個數為問題的維數。

優化問題常常帶有約束。即在最小化某個函數 時，對 可取的值加上約束。不舉例。

實際的優化問題不僅帶有約束，還有多個目標。這意味著我們想要同時最小化不止一個量。

例子：

這里評估這個問題的一種方式是繪制 作為函數 的函數的圖：

如圖，對在實線上的 的值，找不到能同時使 和 減小的 的其他值，此實線被稱為 帕累托前沿 ，而相應的 的值的集合被稱為帕累托集。（此處的帕累托最優問題十分重要，可以參考這個鏈接來學習和理解： 多目標優化之帕累托最優 - 知乎 ，非常清晰易懂。）

該例子是一個非常簡單的多目標優化問題，它只有兩個目標。實際的優化問題通常涉及兩個以上的模目標，因此很難得到它的帕累托前沿，由於它是高維的，我們也無法將它可視化。後面的章節將會仔細討論多目標進化優化。

多峰優化問題是指問題不止一個局部最小值。上例中的 就有兩個局部最小值，處理起來很容易，有些問題有很多局部最小值，找出其中的全局最小值就頗具挑戰性。

對於前面的簡單例子，我們能用圖形的方法或微積分的方法求解，但是許豎隱多實際問題除了有更多獨立變數、多目標，以及帶約束之外更像上面的Ackley函數這樣，對於這類問題，基於微積分或圖形的方法就不夠用了，而進化演算法卻能給出更好的結果。

到現在為余脊廳止我們考慮的都是連續優化問題，也就是說，允許獨立變數連續地變化。但有許多優化問題中的獨立變數智能在一個離散集合上取值。這類問題被稱為組合優化問題。如旅行商問題。

對於有 個城市的旅行商問題，有 個可能的解。對於一些過大的問題，硬算的方法不可行，像旅行商這樣的組合問題沒有連續的獨立變數，因此不能利用導數求解。除非對每個可能的解都試一遍，不然就無法確定所得到的組合問題的解是否就是最好的解。進化演算法對這類大規模、多維的問題，它至少能幫我們找出一個好的解（不一定是最好的）。

⑵ 變數2之讀後感

        繼2019年的1之後，在這新年伊始很快速而認真的讀完了2，雖然似乎一時不能完全想起書中的觀點，但從閱讀速度看來其吸引我之力量（2020的1月31日至2月1日的碎片時間讀完），而沒有在一讀完就伍好馬上完成讀後感而是刻意經過近24小時後才坐下來慢慢反芻、消化，實是希望能有個思考的過程。於是，在2020的2月2日這一千年一遇的特殊時刻將一、二感想記錄於此。

        變數2的附題為「推演中國經濟基本盤」，何帆通過「演化演算法」「南牆效應」「代際革命」「苟且紅利」「互信網」「混搭時代」「結局就是開始」七個章節從教育、市場、全球供應鏈、技術創新等講演「中國經濟基本盤」，「我們的教育會絕地逢生，我們的年輕人會登上歷史舞台，我們龐大的生產力和不斷提高的消費能力會引爆商業創新，我們的企業會進一步地融入全球供應網路，我們已經並將繼續重新定義很多從別人那裡學到的東西。這就是我們在失去之後還能擁有的東西，這就是中國經濟的基本盤。」這2和1一樣依然讓我這無知之人對一些過去以為離我等普通老百姓很遠的經濟、政治、教育等國家大事多了一丟丟了解，與1一樣讀完之後一個最強烈而則升相同的感想就是：困難是暫時的，我們的祖國未來是可期的，只要你我不苟且、小步快走不停留！

        「未來不是被看清的，而是被創造出來的」，你擁有什麼樣的未來，決定於你的創造與努力。就如羅胖在跨年演講中講到的我輩要做一個「做事」的人，只有做事的人才能創造出自己想要的未來。何帆也如羅胖一樣，是「做事」而且「長期做事」的擁泵者，他以《變數》為主標題，將完成中國30年的經濟調查，一年一本書，羅胖則是要堅持舉辦20年的跨年演講，他們的年紀與我相當，而他們的書或演講中犀利的觀點、經典的語錄、俯拾皆是，直擊幕後或人心，就讓我等普通人追隨他們的腳步吸取他們「做事」的所得，即便只能從中獲得一、二精髓也必將讓我這平凡無光的人生之路多出一、二星光與亮點吧！

      讀此書之時也正處前無古人的新春佳節之時，本應能以比較閑適的姿勢在辦公室或家中在一杯茶、一本書的陪伴下度過節後剛上班的好時光，卻哪料到竟是在我的國面臨又一次大災考驗之時，白天忙著在市場上轉悠、防控，夜晚用碎片時間來讀此書，盡管不是整段大片美好的閱讀時光，但一空下來腔盯鉛就捧著書的體驗也不錯，更何況因疫情原因少了飯局、酒局、牌局的干擾，這讀書的時間竟較以往多了不少，這何嘗不是一種「得」呢？

        所有的災難終將成為過去，我們正在經歷的也將變成歷史，So,以淡定平和的心態好好做好自己應該做的事，莫恐慌也莫焦慮，終會迎來在車水馬龍的街頭自由呼吸、悠閑漫步之時的（未曾經歷過這段時光時有誰會想到連自由的走在大街上自由的呼吸都會成為一種奢望啊）。

⑶ 求叨叨馮聊音樂：音樂博士帶你從零開始學樂理

AI 科技評論按：作為中國音樂學習最高學府之一，畢坦中央音樂學院今日發布了一則音樂人工智慧博士招生啟事。該專業全名為「音樂人工智慧與音樂信息科技」，為中央音樂學院首次開設，導師陣容有來自清華大學、北京大學的人工智慧教授梁弊，聯合中央音樂學院院長共同組成雙導師培養制 (音樂導師+科技導師)，著力培養「音樂與理工科交叉融合的復合型拔尖創新人才」。

據官網資料顯示，「音樂人工智慧與音樂信息科技」專業學制一共是 3 年，要求報考者必須是出身計算機、智能和電子信息類的考生。

建議閱讀書目方面，除了《音樂理論基礎》1 本與音樂理論掛鉤外，其餘 4 本推薦書目都跟人工智慧理論相關，它們分別為《數據結構與演算法》、《信號與系統引論》、《人工智慧：一種現代的方法》以及《神經網路與機器學習》

由於「音樂人工智慧與音樂信息科技」為跨學科專業，面試環節除了將考核本學科的專業能力之外，還會考核考生的音樂能力——演奏某種樂器或者單純進行演唱。

目前該專業已敲定的 3 名聯合培養導師分別為：

• 俞峰

中央音樂學院院長, 教授、博導,「萬人計劃橡數族」領軍人才,「四個一批」人才。中國指揮學會會長、全國藝術專業學位研究生教指委副主任、中國文聯第十屆全國委員會委員, 享受國務院政府特殊津貼。

• 孫茂松

清華大學教授、博導, 清華大學人工智慧研究院常務副院長, 原計算機系主任、黨委書記, 教育部教學信息化與教學方法創新指導委員會副主任委員, 中國科學技術協會第九屆全國委員會委員。主要研究領域為自然語言處理、人工智慧、機器學習和計算教育學。國家 973 計劃項目首席科學家, 國家社會科學基金重大項目首席專家。2017 年領銜研製出「九歌」人工智慧古詩寫作系統。

• 吳璽宏

北京大學教授、博導, 教育部新世紀優秀人才。北京大學信息科學技術學院副院長, 智能科學系主任, 言語聽覺研究中心主任, 致力於機器聽覺計算理論、語音信息處理、自然語言理解以及音樂智能等領域的研究, 先後主持國家級、省部級項目 40 余項, 獲國家授權發明專利 10 余項, 發表學術論文 200 余篇。在智能音樂創作、編配領域頗有成就。

有興趣報讀該專業的考生，須在 2019 年 3 月 1 日至 15 日期間在網上完成報名（網址:http://yz.chsi.com.cn/），考試將於今年 5 月在中央音樂學院舉行。

更多詳情可點擊：

• http://www.ccom.e.cn/xwyhd/xsjd/2019s/201903/t20190301_53856.html



進行了解。

專業開辦早有預兆？

如果一直有關注中央音樂學院的動態，就不會對該專業的開辦感到驚訝。

早在去年的 5 月份，中央音樂學院就與素以創新性交叉學科研究聞名的美國印第安納大學信息計算與工程學院共同簽署合作建設「信息學愛樂樂團」實驗室——所謂「信息愛樂」，指的是一套音樂人工智慧伴奏系統，由印第安納大學信息計算與工程學院音樂信息學實驗室主任教授 Christopher Raphael 所發明。

該系統的最大特點是會運用數學方法把音樂本身和音樂家的感受進行了全面解讀、演算，通過不斷的主動學習，形成更加貼近音樂家個性化表現需求的管弦樂團伴奏、協奏模板，為音樂家提供了更為豐富靈活的演奏機會。

完成簽署後，經過半年多的緊張籌備，雙方於去年 11 月 26 日合作舉辦中國首場由人工智慧進行伴奏的特殊音樂會——「AI 之夜音樂會」，來自中央音樂學院的 12 位不同專業的優秀獨奏家與「信息愛樂」聯袂演出了 12 首多種體裁風格的中外作品。

值得一提的是，本場音樂會加入了人工智慧協奏中國樂曲《長城隨想曲》，這是第一次音樂人工智慧技術與中國民族音樂進行碰撞。

圖片源自中央音樂學院官網


中央音樂學院院長俞峰教授在音樂會致辭中說道：「這是一場意義深遠的音樂會，我國整個音樂行業將由此進入到一個「人工智慧化」的時代，極大的提升了整個音樂行業，尤其是音樂教育行業的信息化水平。人工智慧技術與音樂藝術專業相結合將會實現整個行業的跨越式發展，一定會成為音樂行業實現產業化的典範。」

• 「AI 之夜音樂會」音樂會完整演出視頻：


• http://video.ccom.e.cn/index.php?option=weixin,dianbodetail&id=3514



國內科研熱情日益高漲

除了中央音樂學院，試圖在人工智慧 + 音樂上做出成績的，尚有星海音樂學院及中央民族大學。

去年 5 月 16 日，由星海音樂學院管弦系與美國印第安納大學信息計算與工程學院音樂信息學實驗室合作的「音樂人工智慧輔助管弦樂教學聯合實驗室」正式掛牌啟動，雙方將就「音樂人工智慧輔助管弦樂教學」系統引入至日常教學中展開合作。

據了解，該系統可以讓學生們在日常專業練習過程中隨時聽到職業管弦樂團的完整樂曲伴奏，同時將自己與管弦樂團的合成演奏音頻轉化成高度結構化、可視化、可檢索、可比較研究的音樂數據帶到課堂上與專業老師共同探討；對專業老師而言，該系統可以實現對學生專業學習情況的縱向和橫向比較，獲得了解學生的第一手資料，從而完善教學內容和方法。

圖片源自「星海音樂學院」微信公眾號

去年 12 月 7 日，由中央民族大學與平安科技聯手的「人工智慧音樂聯合實驗室」簽字揭牌儀式在中央民族大學知行堂舉行。本次合作旨在發揮各自優勢、通過共同研發，實現人工智慧音樂創作由欣賞階段到專業階段再到專家階段的設想。

中央民族大學黨委常委、副校長宋敏在揭牌儀式上表示，人工智慧己列入國家規劃並進入逐步實施階段，正在不斷與各個領域結合，無疑將引領未來各行各業的發展，她希望雙方通過實驗室這一平台各自發揮優勢，提高民大學科建設水平和音樂創作水平，推進北京「四個中心」建設特別是文化中心建設，並積極助力中國優秀音樂文化走出。

圖片源自中央民族大學官網

另外，由復旦大學、清華大學聯合創辦，至今已是第 6 屆的中國聲音與音樂技術會議 CSMT（Conference on Sound and Music Technology），從 2013 年開始便就聲音與音樂技術這門多學科交叉領域源源不斷地為國內輸出學術見解，豐富了國內人工智慧 + 音樂領域的研究成果。

以 2018 年的會議為例，其徵文主題包括：

• 音樂聲學
  

• 樂器聲學/嗓音聲學/心理聲學與電聲學/空間音樂聲學等



• 聲音與音樂的信號處理
  

• 工業、農業、畜牧業、養殖業、地理、環境等各行各業領域的聲音信號處理/音樂信號處理



• 計算機聽覺
  

• 聲音與音樂的內容分析、理解和建模/音頻與音樂信息檢索/聲音與音樂分類、標注、情感計算、推薦等/人工智慧在聲音與音樂計算中的應用/聲音及音樂計算在娛樂、教育、海洋、醫學、裝備、軍事、信息安全等各領域的應用



• 音頻信息安全
  

• 魯棒音頻水印/音頻認證/音頻取證



• 計算機音樂與錄音
  

• 計算機輔助的音樂創作/計算機輔助的音樂教學系統/計算機音樂的製作技術/計算機音樂的軟體開發/ 音響及多聲道聲音系統/ 聲音裝置及相關多媒體技術/音效及聲音設計/音頻人機交互



• ·聽覺心理學
  

• ·聽覺與視覺相結合的多媒體應用
  

值得一提的是，去年的 CSMT 大會特別開辟了兩個 Special Session：一個用來探討面向一般 Audio 的計算機聽覺，試圖擴展 Music 之外的 Audio + AI 人工智慧在各行各業的應用，比如海洋艦船識別、設備診斷、AI 醫療、嗓音聲學、音頻監控、動物識別、農業保護、工業自動化等；另一個則是探討中國民族音樂與計算機等科學技術的交叉融合，顯示了該國內會議的前瞻性。

當下流行的 AI + 音樂演算法

對於當下的音樂人工智慧演算法研究，中國音樂學院音樂學系付曉東教授在發表於 2018 年 05 期《藝術探索》的《音樂人工智慧的倫理思考——演算法作曲的「自律」與「他律」》一文中按「自律」與「他律」將之進行了劃分。

其中「自律」指的是機器嚴格或非嚴格地遵循事先規定好的內部結構原則，對應於音響素材而生成音樂作品，最終的音響呈現受到內部結構原則的自律性限定；「他律」則指機器嚴格或非嚴格地遵循依據人類經驗規定好的外部結構原則，並映射為音響而生成作品，最終的音響呈現受到外部結構原則的他律性限定。

最終的梳理結果如下：

• 「自律」類音樂人工智慧演算法
  
  

• （一）數學模型（Mathematical Model）


• 以數學演算法與隨機事件構成數學模型進行作曲。其中演算法相當於作曲法則，隨機事件相當於音樂元素——音樂中的各種元素可分解為一系列隨機事件，如音的四屬性、音樂三要素等，作曲家（程序員）賦予其不同權重，使用特定隨機演算法對其進行運算處理而得出音響序列，其結果是非確定性的。常用的隨機演算法有馬爾科夫鏈、高斯分布等。目前以數學模型為主的音樂人工智慧作品在伴奏的速度跟隨、樂句的力度處理、終止式的伸縮節奏方面有相當的「智能」感，但是在作品的整體可聽性方面仍有明顯的欠缺。



• （二）演化演算法（Evolutionary Methods）


• 演化演算法源於達爾文所揭示的生物進化理論，用演算法模擬物種進化的過程來構建音樂作品。將隨機或人為的音響事件集合為一個種群，通過選種、遺傳與突變的演算法反復迭代，將種群中現有的多個個體進行優勝劣汰，其結果由適應函數構成的審核程序予以矯正，以保證其審美意義的質量。最常見的演化計算方法是遺傳演算法（Genetic Algorithms）與遺傳編碼（Genetic Programming）。演化演算法試圖將物種進化的過程匹配於音樂生成過程的邏輯不夠完善，因此作品的審美認可度並不高，如今常用於和聲配置與伴奏任務中。



• （三）語法系統（Grammars）


• 音樂的構成法則可類比於人類語言的語法規則。人類語言由字、詞、句等按照一定的語法規則構成表達單元，音樂中的動機、樂節、樂句也具有相似的結構特徵。首先創建一個特定音樂作品的語法規則，對和聲、節奏與音高等各種音樂素材進行組合，最後生成音樂作品。誠然，音樂與語言在某種程度上具有同構性，但是比較而言，音樂規則體現出更大的靈活度與可變性，由一個固定的語法規則附加若干可變規則的語言演算法，產生出的音樂作品多少帶有生硬而呆板的特徵。




• 「他律」類音樂人工智慧演算法
  
  

• （一）遷移模型演算法（Translational Models）


• 將非音樂媒體信號源中的信息映射並遷移為音樂音響信息。最常見的是將視覺信息進行轉換，例如將圖像中的線條轉換為旋律，色彩轉換為和聲，色度轉換為力度；將運動物體的空間位移轉換為旋律，速度轉換為節拍節奏等。也可用於非視覺信息的遷移，如將文學作品中的積極/消極的描述，通過自動情感分析系統遷移為大三/小三和弦。實際上，人類的感官在一定程度上的確具有「聯覺」效應，如空間線條與旋律走向的對應，但是如果將其進行嚴格映射，並沒有心理學的有力證據。因此使用遷移模型演算法生成的音樂作品，常常出現在交互性的新媒體藝術表演中，更多地以現場的事件相關性與交互性為審美趣味。而一旦音樂作品與其映射對象脫離而單獨呈現，這類作品的可聽性將會大大降低。



• （二）知識推論系統（Knowledge-based Systems）


• 以某種音樂風格類型為知識庫基礎，將該音樂風格的審美特徵提取出來並進行編碼，即歸納推理；以編碼程序為演算法而創造類似風格的新作品，即演繹推理。例如基於對位法原則的巴洛克音樂風格編碼、基於大小調和聲體系的古典浪漫音樂風格編碼、弱化和聲功能的印象派音樂風格編碼及各個相應風格作品的生成，即屬於知識推論系統演算法。這種演算法已經在某種程度上接近於音樂學院作曲技術理論的學習過程，生成的音樂作品與其所基於的特定風格知識庫非常相像，具有很高的可聽性。其缺點在於歸納—演繹兩個環節的相對割裂，即風格編碼必須由操作者提供，程序本身僅僅是對編碼的執行運算，作品的結果會嚴重受到操作者對創作規則的抽象理解的影響，並且會存在僵化與雷同的缺點。



• （三）機器學習（Machine Learning）


• 操作者為計算機輸入大量的音樂音響，計算機對其進行有效「聆聽學習」，即運用統計方法對音樂構成的法則進行學習，其過程與知識推論系統相似，但是操作者並不嚴格指定音樂類型，也不為程序提供風格編碼，這個過程由演算法程序自動完成，強調其自主性與「無監督」式的學習（unsupervised learning）。當然，從本質上來看，機器學習的「無監督」只能是在一定程度和范圍內，它依然囿於操作者所提供的知識素材庫。機器學習與數學優化、數據挖掘等計算科學的研究成果相關，更與認知科學領域與神經網路學科的研究成果密切相關，其中最為顯著的是採用決策樹、人工神經網路、深度學習等方法，是迄今為止對生物學習過程模仿程度最高的一種演算法。機器學習仍然屬於仿生，但它超越了對結構與力學層面的仿生，是對人類大腦思維過程的仿生。機器學習既可以用於一般意義上的音樂創作，也可用於即興演奏與競奏等場合。雖然可以生成各種指定風格或混合風格的音樂作品，但是它仍然取決於操作者提供的音樂數據類型，是通過對隨機事件進行概率統計得出規則後的音響預測。



根據付教授的劃分准則，我們將能對當今流行的大部分人工智慧 + 音樂研究工作進行有效歸類。

值得一提的是，由中國科學技術大學、微軟人工智慧和研究院、蘇州大學團隊合作，講述歌麴生成的端到端旋律和編麴生成框架的論文《XiaoIce Band: A Melody and Arrangement Generation Framework for Pop Music》成功榮獲 KDD 2018 的 Research Track 最佳學生論文，雷鋒網 AI 科技評論對此做了相應解讀，有興趣的讀者可點擊 https://www.leiphone.com/news/201808/NkobLRDHxZsyadg5.html進行回看。

總的來說，未來人工智慧將在音樂領域發揮更加重要的作用，它可以幫助人們分析作品、創作以及分擔相當多的重復性工作，進一步激發創造力，探索音樂形式與內容方面的多種可行性。希望這種跨學科、融合性的合作，能夠對各類音樂創作邏輯進行總結與完善，並在感知、情感等方面做出突破，讓人工智慧在音樂的諸多領域形成創新，並在教學、社會服務等方面產生影響。

⑷ 有沒有關於遞歸演算法方面的書

有的關於C++遞歸演算法的書還是比較多的推薦一本
《分形演算法與程序設計：用Visual C++實現》
科學出版社出版

本書從實用的角度出發，論述了分形圖形的生成演算法與程序設計。內容包括分形圖的遞歸演算法、文法構圖演算法、迭代函數系統演算法、逃逸時間演算法、分形演化演算法，以及分形圖的放大、分形圖的動畫、分形圖的立體化和利用分形演算法實現自然景物的模擬等內容。

⑸ 《變數2：推演中國經濟基本盤》pdf下載在線閱讀全文，求百度網盤雲資源

《變數2：推演中國經濟基本盤》網路網盤pdf最新全集下載:
鏈接：https://pan..com/s/1P9EIorbSjbkFzlJ6iWBbfQ

?pwd=f9cb 提取碼：f9cb
簡介：這本書讓你看懂基本盤，基本盤是那些哪怕失去了也還能再擁有的東西；這本書讓你學會演化演算法，演化演算法是讓你見招好培拆招的武術秘籍。你會看到，教育領域友巧唯出現了更多的「微寬胡創新」，適應中國市場的企業將收獲巨大的「苟且紅利」，年青一代站在代溝的另一邊，帶來小趨勢的突變，中國的技術創新正從四面八方集結，馬上就要爆發……

⑹ C++演算法的書籍（適合初學的）

高一凡的數據結構與演算法，c++版，適合初學者

⑺ 請推薦幾本多目標優化演算法的書

《基於微粒群演算法的堆石壩壩料參數反演分析》 ·《基於演化演算法的多目標優化方法及其應用研究》 ·《粒子群優化演算法的理論分析與應用研究》 ·《多目標遺傳演算法及其在發動機控制系統設計中的應用》

⑻ EA什麼意思

EA,大寫為英文縮寫，是敵機、每年、美國藝電公司等等名稱的縮寫；小寫為each的英文簡寫，意思為「每」。

乙酸乙酯（醋酸乙酯）
睜禪英文通用名稱： Ethyl acetate（Acetic ether） 中文通用名稱： 乙酸乙酯（醋酸乙酯） 英文簡稱：EA 分子式 C4H8O2
結構式

分子量 88.12
性狀描述 無色余姿透明流動性易揮發可燃液體，呈強烈清涼菠蘿香氣和葡萄酒香味。熔點-83.4℃,沸點77.15℃,閃點25℃。折射率(nD20)1.3723。無旋光性。易起水解和皂化作用。混溶於乙醇、乙醚、甘油、丙二醇和大多數非揮發性油，溶於水（1ml溶於10 ml水中）。鹼性中易水解。天然品存在於菠蘿揮發性油份和黃酒、曲酒、白蘭地、朗姆酒等中。
類別 天然等同香料和人造香料
製法 1. 乙酸和醇在硫酸存在下加熱酯化後，經磺酸鈉中和脫水，再精餾而得。2. 乙酸鈉或乙酸鉀和乙醇在硫酸存在下蒸餾而得。3. 乙醛在催化劑乙醇鉛或乙酸鉛存在下聚合而成。
用途 我國GB2760-86規定為允許使用的食用香料。主要用於著香、柿子脫澀、製作香辛料的顆粒或片劑、釀醋配料。廣泛用於配製櫻桃、桃、杏等水果型香精及白蘭地等酒用香精。亦用作膠姆糖膠基醋酸乙烯酯的溶劑、色素稀釋劑，也用於脫咖啡因的咖啡、茶和水果、蔬菜等。
代謝情況 無 <
毒理學性質 ADI0～25(FAO/WHO,1994) LD505620mg/kg（大鼠，經口）. GRAS（FDA §182.60,1994） 。
質量指標 FCC,1981 1.含量 ≥99.0%（剩餘含量主要為醇和水） 2.餾程 76～77.5℃ 3. 相對密度(d2525) 0.849～0.898 4.酸度 正常 5.丁基和戊基衍生物試驗 陰性 6.甲基化合物試驗 陰性 7.易碳化物試驗 陰性 8.不揮發殘渣 ≤0.02%。
備注 無
丙烯酸乙酯
英文通用名稱：Ethyl acrylate 中文通用名稱：丙烯酸乙酯 英文簡稱：EA 分子式 C5H8O2
結構式

分子量 100.13
性狀描述 無色透明液體，具有濃郁、酸澀的水果氣息，稀釋後呈朗姆酒香味，易聚合。沸點99.4℃,熔點-72℃,閃點15.5℃. 折射率(nD25) 1.4037。 混溶於乙醇和乙醚，1ml溶於50ml水中。
類別 天然等同香料和人造香料
製法 1.由3—羥基丙腈和乙醇在稀硫酸溶液中反應而得。2.由乙烯、一氧化碳 和乙醇在鎳或鈷的催化下反應而得。 3.在鹽酸和Ni(CO)4存在下，由烯丙酸和乙炔在乙醇溶液中共熱酯化而得。 4.由3-氯丙酸乙酯在高溫下通過活性炭而得。
用途 香料。主要用於配製朗姆酒、菠蘿和什錦水果等型香精。
代謝情況 無 <
毒理學性質 GRAS（FEMA）。
質量指標 FCC，1981 1.含量 ≥99.5% 2. 相對密度(d2525) 0.916～0.919 3.酸度（丙烯酸計） ≤0.005% 4.水分(GT-32-1) ≤0.05% 5抗氧劑（對苯二酚等） ≤0.022% 。
EA = enemy aircraft，敵機。 EA=effective address,有效地址。 EA= early admission 美國學校錄取方式之一。 EA=企業協議，Enterprise Agreement的簡稱,簡而言之，EA就是微軟的一種軟體許可方式。 EA = each year，每年[1]。 EA = Electronic Arts，美國藝電公司，NASDAQ：ERTS，總部設在美國加利福尼亞州紅木城，是全球著名的互動娛樂軟體公司。也是全球第一大第三方游戲開發商。由1982年創立至今，公司在全球為視頻游戲、個人計算機、手機及互聯網開發、發布、銷售各種互動軟體。 EA = Encyclopedia Americana，美國網路全書，共30卷，是標准型的綜合網路全書，為ABC網路全書之A。全書條目按字順編排，主要讀者是普通成年人至高級知識分子。 EA=Enterprise Architect，是以目標為導向的軟體系統，UML 2.0建模工具。 EA = Expert Advisors，專家顧問，俗稱智能交易系統，就是由電腦模擬交易員的下單操作進行機器自動悉毀塵交易的過程。 EA=Executive Assistant,經理助理，經理秘書，行政助理。 EA= Elizabeth Arden,伊麗莎白·雅頓,聯合利華旗下的伊麗莎白·雅頓公司,致力於包括護膚保養品、彩妝、香水在內的多元化產品. EA=Ethyl acetate 乙酸乙酯 EA=External Access，表示存取外部程序代碼之意，低電平動作，也就是說當此引腳接低電平後，系統會取用外部的程序代碼（存於外部EPROM中）來執行程序。因此在8031及8032中，EA引腳必須接低電平，因為其內部無程序存儲器空間。如果是使用 8751 內部程序空間時，此引腳要接成高電平。此外，在將程序代碼燒錄至8751內部EPROM時，可以利用此引腳來輸入21V的燒錄高壓（Vpp）。 EA=Evolvable Algorithms，演化演算法。演化演算法是一類模擬自然界遺傳進化規律的仿生學演算法，它們首先隨機產生一組待求優化問題的潛在可能矢量解（解稱為染色體，解的集合稱為種群，解中的分量稱為基因）；然後採用變異、交叉、評價、選擇等手段，優勝劣汰，不斷進化，最後獲得優化解。

⑼ 演化演算法的研究現狀

我國學者接觸這個領域較晚，目前尚未形成聲勢和有規模的研究隊伍，但中國科學技術大學、南京大學、武漢大學和中山大學對演化演算法的研究較深入，處於國內領先地位。中山大學的研究已屬國際領先，並提棗纖出脊岩旦了演算法本身也可以採用動態自適櫻擾應技術，在進化過程中自動調整演算法控制參數和編碼精度，比如使用模糊自適應法 。
1997年夏天，在中科院基礎局、國家科委基礎司及中國國際經濟及技術交流中心的支持下，由中科院系統科學所和自動化研究所舉辦了第一次人工生命及進化機器人研討會。與會者約60人。除去邀請了五位國際知名學者的學術報告之外，國內也有數名學者介紹了相關的研究成果。主要在數字生命、復雜巨系統方面進行了一些研究。據了解到的情況，國內尚有一些人在研究演化演算法，在人工智慧的一本書上有一段介紹人工生命。但對人工社會、人工生態環境及進化機器人等尚無人問津。

⑽ 高分尋達人分別介紹下遺傳演算法和演化演算法，以及之間的聯系和區別

根據閱讀的資料，大概有以下判斷：
遺傳演算法是演化演算法中的一種。

遺傳演算法（Genetic Algorithm）是一類借鑒生物界的進化規律（適者生存，優勝劣汰遺傳機制）演化而來的隨機化搜索方法。它是由美國的J.Holland教授1975年首先提出，其主要特點是直接對結構對象進行操作，不存在求導和函數連續性的限定；具有內在的隱並行性和更好的全局尋優能力；採用概率化的尋優方法，能自動獲取和指導優化的搜索空間，自適應地調整搜索方向，不需要確定的規則。遺傳演算法的這些性質，已被人們廣泛地應用於組合優化、機器學習、信號處理、自適應控制和人工生命等領域。它是現代有關智能計算中的關鍵技術。

遺傳演算法是模擬達爾文的遺傳選擇和自然淘汰的生物進化過程的計算模型。它的思想源於生物遺傳學和適者生存的自然規律，是具有「生存＋檢測」的迭代過程的搜索演算法。遺傳演算法以一種群體中的所有個體為對象，並利用隨機化技術指導對一個被編碼的參數空間進行高效搜索。其中，選擇、交叉和變異構成了遺傳演算法的遺傳操作；參數編碼、初始群體的設定、適應度函數的設計、遺傳操作設計、控制參數設定五個要素組成了遺傳演算法的核心內容。 作為一種新的全局優化搜索演算法，遺傳演算法以其簡單通用、魯棒性強、適於並行處理以及高效、實用等顯著特點，在各個領域得到了廣泛應用，取得了良好效果，並逐漸成為重要的智能演算法之一。

遺傳演算法是基於生物學的，理解或編程都不太難。下面是遺傳演算法的一般演算法：
創建一個隨機的初始狀態

初始種群是從解中隨機選擇出來的，將這些解比喻為染色體或基因，該種群被稱為第一代，這和符號人工智慧系統的情況不一樣，在那裡問題的初始狀態已經給定了。

評估適應度

對每一個解(染色體)指定一個適應度的值，根據問題求解的實際接近程度來指定(以便逼近求解問題的答案)。不要把這些「解」與問題的「答案」混為一談，可以把它理解成為要得到答案，系統可能需要利用的那些特性。

繁殖(包括子代突變)

帶有較高適應度值的那些染色體更可能產生後代(後代產生後也將發生突變)。後代是父母的產物，他們由來自父母的基因結合而成，這個過程被稱為「雜交」。

下一代

如果新的一代包含一個解，能產生一個充分接近或等於期望答案的輸出，那麼問題就已經解決了。如果情況並非如此，新的一代將重復他們父母所進行的繁衍過程，一代一代演化下去，直到達到期望的解為止。

並行計算

非常容易將遺傳演算法用到並行計算和群集環境中。一種方法是直接把每個節點當成一個並行的種群看待。然後有機體根據不同的繁殖方法從一個節點遷移到另一個節點。另一種方法是「農場主/勞工」體系結構，指定一個節點為「農場主」節點，負責選擇有機體和分派適應度的值，另外的節點作為「勞工」節點，負責重新組合、變異和適應度函數的評估。
http://ke..com/view/45853.html

演化演算法：
這部分的研究主要是提供具有演化特徵的演算法，已知的遺傳演算法是其中之一。許多新的演算法正在研究中。由於遺傳演算法的整體搜索策略和優化計算時不依賴於梯度信息，所以它的應用非常廣泛，尤其適合於處理傳統搜索方法難以解決的高度復雜的非線性問題。人工生命研究的重要內容就是進化現象，遺傳演算法是研究進化現象的重要方法之一
我國學者接觸這個領域較晚，目前尚未形成聲勢和有規模的研究隊伍。1997年夏天，在中科院基礎局、國家科委基礎司及中國國際經濟及技術交流中心的支持下，由中科院系統科學所和自動化研究所舉辦了第一次人工生命及進化機器人研討會[20]。與會者約60人。除去邀請了五位國際知名學者的學術報告之外，國內也有數名學者介紹了相關的研究成果。主要在數字生命、復雜巨系統方面進行了一些研究。據目前了解到的情況，國內尚有一些人在研究演化演算法，在人工智慧的一本書上有一段介紹人工生命。但對人工社會、人工生態環境及進化機器人等尚無人問津。
http://blog.ustc.e.cn/chujx/archives/000925.html