直观式算法

❶ 什么是直观教学法

直观教学法即利用教具作为感官传递物，通过一定的方式、方法向学生展示，达到提高学习的效率或效果的一种教学方式。
它通过运用真实事物标本、模型、图片等为载体传递教学信息，进行具体的教学活动，强调教室要布满图画，书本要配有插图。直观教具的呈现要放在学生面前合理的距离内，让学生先看到整体，然后再分辨各个部分，并且要设法引起和保持学生的注意力。直观教学的实质是一种传授观察经验的直观技术，重视视觉教具和教材的选择应用，但很少重视教材的设计、开发、制作、评价和管理。
直观教学的类型包括：实物直观、模象直观和言语直观。

（1）实物直观

观即通过直接感知实际事物而进行的一种直观方式。例如，观察各种实物标本、演示各种实验、到工厂或农村进行实地参观访问等都属于实物直观。实物直观的优点是给人以真实感、亲切感，所得到的感性知识与实际事物间的联系比较密切，因此有利于激发学生的学习兴趣，调动学习的积极性，在实际生活中能很快地发挥作用。其缺点是由于实物直观的本质属性与非本质属性联系在一切，并且由于受时空与感官特性的限制，许多事物的特征与联系难以在实物直观中直接被觉察。因此它不是唯一的直观方式，还必须有其他种类的直观。

（2）模象直观

模象即事物的模拟性形象。所谓模象直观即通过对事物的模拟性形象直接感知而进行的一种直观方式。例如，各种图片、图表、模型、幻灯片和教学电影电视等的观察和演示等。其优点是可以人为地排除一些无关因素，突出本质要素；并且可以根据观察需要，通过大小变化、动静结合、虚实互换、色彩对比等方式扩大直观范围，不受实物直观的局限，提高直观效果，扩大直观范围。因此它已成为现代化教学的重要手段，是现代教育技术学研究的重要内容。但是，由于模象只是事物的模拟形象，与实际事物之间有一定距离，因此要使通过模象直观获得的知识能在学生的生活实践中发挥更好的定向作用，一方面应注意将模象与学生熟悉的事物相比较，同时，在可能的情况下，尽量使模：象直观与实物直观结合进行。

（3）言语直观

言语直观是在形象化的语言作用下，通过学生对语言的物质形式(语音、字形)的感知及对语义的理解而进行的一种直观形式。言语直观的优点是不受时间、地点和设备条件的限制，可以广泛使用；同时也能运用语调和生动形象的事例去激发学生的感情，唤起学生的想象。但是，言语直观所引起的表象，往往不如实物直观和模象直观鲜明、完整、稳定。因此，在可能的情况下，应尽量配合实物直观和模象直观。

❷ 如何直观的解释back propagation算法

BackPropagation算法是多层神经网络的训练中举足轻重的算法。
简单的理解，它的确就是复合函数的链式法则，但其在实际运算中的意义比链式法则要大的多。
要回答题主这个问题“如何直观的解释back propagation算法？” 需要先直观理解多层神经网络的训练。

机器学习可以看做是数理统计的一个应用，在数理统计中一个常见的任务就是拟合，也就是给定一些样本点，用合适的曲线揭示这些样本点随着自变量的变化关系。

深度学习同样也是为了这个目的，只不过此时，样本点不再限定为(x, y)点对，而可以是由向量、矩阵等等组成的广义点对(X,Y)。而此时，(X,Y)之间的关系也变得十分复杂，不太可能用一个简单函数表示。然而，人们发现可以用多层神经网络来表示这样的关系，而多层神经网络的本质就是一个多层复合的函数。借用网上找到的一幅图[1]，来直观描绘一下这种复合关系。

其对应的表达式如下：
上面式中的Wij就是相邻两层神经元之间的权值，它们就是深度学习需要学习的参数，也就相当于直线拟合y=k*x+b中的待求参数k和b。上面式中的Wij就是相邻两层神经元之间的权值，它们就是深度学习需要学习的参数，也就相当于直线拟合y=k*x+b中的待求参数k和b。

和直线拟合一样，深度学习的训练也有一个目标函数，这个目标函数定义了什么样的参数才算一组“好参数”，不过在机器学习中，一般是采用成本函数（cost function），然后，训练目标就是通过调整每一个权值Wij来使得cost达到最小。cost函数也可以看成是由所有待求权值Wij为自变量的复合函数，而且基本上是非凸的，即含有许多局部最小值。但实际中发现，采用我们常用的梯度下降法就可以有效的求解最小化cost函数的问题。

梯度下降法需要给定一个初始点，并求出该点的梯度向量，然后以负梯度方向为搜索方向，以一定的步长进行搜索，从而确定下一个迭代点，再计算该新的梯度方向，如此重复直到cost收敛。那么如何计算梯度呢？

假设我们把cost函数表示为, 那么它的梯度向量[2]就等于, 其中表示正交单位向量。为此，我们需求出cost函数H对每一个权值Wij的偏导数。而BP算法正是用来求解这种多层复合函数的所有变量的偏导数的利器。

我们以求e=(a+b)*(b+1)的偏导[3]为例。
它的复合关系画出图可以表示如下：
在图中，引入了中间变量c,d。在图中，引入了中间变量c,d。

为了求出a=2, b=1时，e的梯度，我们可以先利用偏导数的定义求出不同层之间相邻节点的偏导关系，如下图所示。
利用链式法则我们知道：利用链式法则我们知道：
以及。

链式法则在上图中的意义是什么呢？其实不难发现，的值等于从a到e的路径上的偏导值的乘积，而的值等于从b到e的路径1(b-c-e)上的偏导值的乘积加上路径2(b-d-e)上的偏导值的乘积。也就是说，对于上层节点p和下层节点q，要求得，需要找到从q节点到p节点的所有路径，并且对每条路径，求得该路径上的所有偏导数之乘积，然后将所有路径的 “乘积” 累加起来才能得到的值。

大家也许已经注意到，这样做是十分冗余的，因为很多路径被重复访问了。比如上图中，a-c-e和b-c-e就都走了路径c-e。对于权值动则数万的深度模型中的神经网络，这样的冗余所导致的计算量是相当大的。

同样是利用链式法则，BP算法则机智地避开了这种冗余，它对于每一个路径只访问一次就能求顶点对所有下层节点的偏导值。
正如反向传播(BP)算法的名字说的那样，BP算法是反向(自上往下)来寻找路径的。

从最上层的节点e开始，初始值为1，以层为单位进行处理。对于e的下一层的所有子节点，将1乘以e到某个节点路径上的偏导值，并将结果“堆放”在该子节点中。等e所在的层按照这样传播完毕后，第二层的每一个节点都“堆放"些值，然后我们针对每个节点，把它里面所有“堆放”的值求和，就得到了顶点e对该节点的偏导。然后将这些第二层的节点各自作为起始顶点，初始值设为顶点e对它们的偏导值，以"层"为单位重复上述传播过程，即可求出顶点e对每一层节点的偏导数。

以上图为例，节点c接受e发送的1*2并堆放起来，节点d接受e发送的1*3并堆放起来，至此第二层完毕，求出各节点总堆放量并继续向下一层发送。节点c向a发送2*1并对堆放起来，节点c向b发送2*1并堆放起来，节点d向b发送3*1并堆放起来，至此第三层完毕，节点a堆放起来的量为2，节点b堆放起来的量为2*1+3*1=5, 即顶点e对b的偏导数为5.

举个不太恰当的例子，如果把上图中的箭头表示欠钱的关系，即c→e表示e欠c的钱。以a, b为例，直接计算e对它们俩的偏导相当于a, b各自去讨薪。a向c讨薪，c说e欠我钱，你向他要。于是a又跨过c去找e。b先向c讨薪，同样又转向e，b又向d讨薪，再次转向e。可以看到，追款之路，充满艰辛，而且还有重复，即a, b 都从c转向e。

而BP算法就是主动还款。e把所欠之钱还给c，d。c，d收到钱，乐呵地把钱转发给了a，b，皆大欢喜。

❸ 近似算法和启发式算法的区别与联系

在计算机科学与运筹学，近似算法是指用来发现近似方法来解决优化问题的算法。近似算法通常与NP-hard问题相关; 由于不可能有效的多项式时间精确算来解决NP-hard问题，所以一个求解多项式时间次优解。与启发式算法不同，通常只能找到合理的解决方案相当快速，需要可证明的解决方案质量和可证明的运行时间范围。理想情况下，近似值最优可达到一个小的常数因子（例如在最优解的5%以内）。近似算法越来越多地用于已知精确多项式时间算法但由于输入大小而过于昂贵的问题。
启发式算法（heuristic algorithm)是相对于最优化算法提出的。一个问题的最优算法求得该问题每个实例的最优解。启发式算法可以这样定义：一个基于直观或经验构造的算法，在可接受的花费（指计算时间和空间）下给出待解决组合优化问题每一个实例的一个可行解，该可行解与最优解的偏离程度一般不能被预计。现阶段，启发式算法以仿自然体算法为主，主要有蚁群算法、模拟退火法、神经网络等。

❹ 用自然语言描述算法直观,不会产生歧义,容易理解

用
自然语言
描述算法直观,不会产生歧义,容易理解，这是错误的。
用自然语言描述算法比较容易接受,但叙
述冗长,容易产生“歧义”.用流程图描
述算法比较清晰、直观,不容易产生“歧
义”。

❺ 表达算法最直观的方法是什么

使用伪代码或流程图。

❻ 用什么描述算法可以直观的了解活动的流程和过程

流程图（Flow Chart）：使用图形表示算法的思路是一种极好的方法，因为千言万语不如一张图。 以特定的图形符号加上说明，表示算法的图，称为流程图或框图。 流程图是流经一个系统的信息流、观点流或部件流的图形代表。在中，流程图主要用来说明某一过程。这种过程既可以是生产线上的工艺流程，也可以是完成一项任务必需的管理过程。 例如，一张流程图能够成为解释某个零件的制造工序，甚至组织决策制定程序的方式之一。这些过程的各个阶段均用图形块表示，不同图形块之间以箭头相连，代表它们在系统内的流动方向。下一步何去何从，要取决于上一步的结果，典型做法是用“是”或“否”的逻辑分支加以判断。 流程图是揭示和掌握封闭系统运动状况的有效方式。作为诊断工具，它能够辅助决策制定，让管理者清楚地知道，问题可能出在什么地方，从而确定出可供选择的行动方案。 流程图有时也称作输入-输出图。该图直观地描述一个工作过程的具体步骤。流程图对准确了解事情是如何进行的，以及决定应如何改进过程极有帮助。这一方法可以用于整个，以便直观地跟踪和图解的运作方式。 流程图使用一些标准符号代表某些类型的动作，如决策用菱形框表示，具体活动用方框表示。但比这些符号规定更重要的，是必须清楚地描述工作过程的顺序。流程图也可用于设计改进工作过程，具体做法是先画出事情应该怎么做，再将其与实际情况进行比较。

❼ 智能计算/计算智能、仿生算法、启发式算法的区别与关系

我一个个讲好了，
1）启发式算法：一个基于直观或经验构造的算法，在可接受的花费（指计算时间和空间）下给出待解决组合优化问题每一个实例的一个可行解，该可行解与最优解的偏离程度不一定事先可以预计。意思就是说，启发式算法是根据经验或者某些规则来解决问题，它求得的问题的解不一定是最优解，很有可能是近似解。这个解与最优解近似到什么程度，不能确定。相对于启发式算法，最优化算法或者精确算法（比如说分支定界法、动态规划法等则能求得最优解）。元启发式算法是启发式算法中比较通用的一种高级一点的算法，主要有遗传算法、禁忌搜索算法、模拟退火算法、蚁群算法、粒子群算法、变邻域搜索算法、人工神经网络、人工免疫算法、差分进化算法等。这些算法可以在合理的计算资源条件下给出较高质量的解。
2）仿生算法：是一类模拟自然生物进化或者群体社会行为的随机搜索方法的统称。由于这些算法求解时不依赖于梯度信息，故其应用范围较广，特别适用于传统方法难以解决的大规模复杂优化问题。主要有：遗传算法、人工神经网络、蚁群算法、蛙跳算法、粒子群优化算法等。这些算法均是模仿生物进化、神经网络系统、蚂蚁寻路、鸟群觅食等生物行为。故叫仿生算法。
3）智能计算：也成为计算智能，包括遗传算法、模拟退火算法、禁忌搜索算法、进化算法、蚁群算法、人工鱼群算法，粒子群算法、混合智能算法、免疫算法、神经网络、机器学习、生物计算、DNA计算、量子计算、模糊逻辑、模式识别、知识发现、数据挖掘等。智能计算是以数据为基础，通过训练建立联系，然后进行问题求解。
所以说，你接触的很多算法，既是仿生算法，又是启发式算法，又是智能算法，这都对。分类方法不同而已。

楼主，我这么辛苦给你打这么字，给我多加点悬赏分吧！谢谢了哈

❽ C语言,在程序设计时常用什么来直观的表示算法

1.算法可以理解为有基本运算及规定的运算顺序所构成的完整的解题步骤。或者看成按照要求设计好的有限的确切的计算序列，并且这样的步骤和序列可以解决一类问题
2.流程图,计算机语言,伪代码 来表示算法
3.顺序结构 选择结构 循环结构
4.逻辑思维
5.结构化算法是由一些基本结构顺序组成的，就是把一个大的功能的实现分隔为许多个小功能的实现。
6.数据 算法
7.可行性 有穷性 输入 输出 确定性
8.数值运算 非数值运算