04 数学基础 | 不畏浮云遮望眼：最优化方法

这些知识的掌握程度要求是什么样的呢？仅仅只是理解？还是需要掌握公式？或者更高？

在我看来，启发式算法具有类似归纳法的思想，更多的是以结果检验为导向，而不是以理论方法决定探索的策略。而搜索式算法往往需要预先选择某个定理公式作为算法实现的指导。 基于上述理解，启发式算法似乎更适合探索周期短，或者容易分割进行阶段性检验的场景。

首先，祝老师和大家新年快乐，感谢遇见~2018 年我还有很长的路要走，希望与大家共同成长。 其次，今天的学习有些烧脑，基本思想容易掌握，可是后面关于启发式算法的介绍就有些难了。 从直觉上看，我能够理解启发式算法产生的动机与优势，让机器更快更高效地找到符合生存法则的最优解，而不是在搜索式算法中只是在约束条件下进行计算。因而，我认为启发式算法会更有前景，一方面是具备一定的后验知识，模拟自然界的状态与结果，更有目的性，另一方面提升算法性能与效率。希望随着后面的知识与补充资料能够学习更多的实例，当然如果有类比，我们理解起来就就更方便了。

【搜索式算法与启发式算法优劣】两者都是为了找到局部最优解，启发式算法以结果为导向，可能会出现基因突变小概率事件，会导致出现不好的结果，反而不如搜索式算法。能否将两者结合做一个组合法？

有木有推荐书书籍呀，纯理论的也可以，非数学专业。谢谢

这篇文章让我想起了运筹学

很好，基本能听懂。对于任何问题，从量化它到优化它，从问题的抽象到问题的具体表达，再到怎么更好去看待这个问题，背后的逻辑就是数学各学科的连接融合，更深层次的逻辑就是怎么认识世界和改造世界。

极客时间 打卡第一天(2/21): <<人工智能基础课04>> 最优化方法 独立思考,回答老师问题:在最优化方法中，基于数学定理的搜索式算法和基于仿生学原理的启发式算法，哪一种能够在人工智能的发展中发挥更大的作用呢？ 参考诸多文章:最优化算法有三要素：变量（Decision Variable）、约束条件（Constraints）和目标函数（Objective function） 我觉得,最优化问题,基于特定的环境,用特定的处理方法,不一定哪个都能通吃全局; 今日所学:优化算法分类： 精确算法(绝对最优解)和启发式算法（近似算法）; 精确算法包括线性规划、动态规划、整数规划和分支定界法等运筹学中的传统算法，其算法计算复杂性一般很大，只适合于求解小规模问题，在工程中往往不实用。 启发式方法指人在解决问题时所采取的一种根据经验规则进行发现的方法。其特点是在解决问题时,利用过去的经验,选择已经行之有效的方法，而不是系统地、以确定的步骤去寻求答案 。 领域搜索算法分为两类:局部搜索法(爬山算法)和指导性搜索法(SA、GA、EP、ES和TS); 群体智能算法:粒子群算法(PSO),蚁群算法(ACO),人工蜂群算法(ABC),人工鱼群算法(AFSA),混洗蛙跳算法(SFLA),烟花算法(FWA),细菌觅食优化(BFO),萤火虫算法(FA);

群体智能（全局最优）

目前只能求局部极值，还是有约束条件的