- 综合排序
- 最热优先
- 最新优先
- 来自专栏null的专栏
智能算法——PageRank
(图 1 有向图) 在上图中，链接关系分别为：1-->2，1-->3，1-->4，2-->1，2-->4，4-->2，4-->3。 2、PageRank的两个假设 对于某个网页的PageRank的计算是基于以下两个假设： 数量假设。在Web图模型中，如果一个页面节点接收到的其他网页指向的链接数量越多，那么这个页面越重要。 2、网页链接概率矩阵 对上述的邻接矩阵的出链进行归一化，即： ? 这样，即表示有多少概率链接到其他的点，如从节点1分别以概率 ? 链接到节点2，节点3，节点4。 0.0000001 pr = pagerank(M, 0.85, e) print "the final pagerank:" print pr 参考文献 1、PageRank算法(点击打开链接) 2、
1.2K50发布于 2018-03-19 - 来自专栏帮你学MatLab
MATLAB智能算法30个案例分析(3-2)
net.trainParam.showwindow=false; %高版MATLAB %% BP神经网络初始权值和阈值 w1num=inputnum*hiddennum; % 输入层到隐层的权值个数 w2num outputnum*hiddennum;% 隐层到输出层的权值个数 w1=x(1:w1num); %初始输入层到隐层的权值 B1=x(w1num+1:w1num+hiddennum); %初始隐层阈值 w2= x(w1num+hiddennum+1:w1num+hiddennum+w2num); %初始隐层到输出层的阈值 B2=x(w1num+hiddennum+w2num+1:w1num+hiddennum +w2num+outputnum); %输出层阈值 net.iw{1,1}=reshape(w1,hiddennum,inputnum); net.lw{2,1}=reshape(w2,outputnum ,hiddennum); net.b{1}=reshape(B1,hiddennum,1); net.b{2}=reshape(B2,outputnum,1); %% 训练网络以 net=train(net
98250发布于 2018-04-18 - 来自专栏null的专栏
智能算法——PageRank
(图 1 有向图) 在上图中，链接关系分别为：1-->2，1-->3，1-->4，2-->1，2-->4，4-->2，4-->3。 2、PageRank的两个假设 对于某个网页的PageRank的计算是基于以下两个假设： 数量假设。在Web图模型中，如果一个页面节点接收到的其他网页指向的链接数量越多，那么这个页面越重要。 2、网页链接概率矩阵 对上述的邻接矩阵的出链进行归一化，即： ? 这样，即表示有多少概率链接到其他的点，如从节点1分别以概率 ? 链接到节点2，节点3，节点4。 0.0000001 pr = pagerank(M, 0.85, e) print "the final pagerank:" print pr 参考文献 1、PageRank算法(点击打开链接) 2、
3.2K40发布于 2019-02-13 人工智能算法概述
常见应用场景 预测房价（根据房屋面积、地段等） 预测销售额（根据广告投入、季节等） 预测温度、股票价格等连续数值 2.逻辑回归 主要用于解决二分类问题（即把数据分成两类）。 常见应用场景 游戏 AI：如 OpenAI Five（Dota 2）、MuZero 等复杂游戏智能体 机器人控制：如机械臂操作、仿人机器人行走 自动驾驶：决策与控制策略的学习 资源管理：如云计算任务调度 多峰函数优化 神经网络训练：如权重与结构优化 工程优化：如参数设计、结构优化 路径规划：如机器人路径、无人机航迹 调度与组合优化：如任务分配、资源调度 24.蚁群优化 通过模拟蚂蚁群体信息素交流寻找最优路径的智能算法 通过在损失函数中加入“L2正则化”（即回归系数平方和的惩罚项），约束系数大小，防止过拟合，提高模型稳定性，尤其在自变量间相关性较强时仍能获得可靠解。
67020编辑于 2026-01-05- 来自专栏bit哲学院
人工智能算法总结
（2）贝叶斯类（Bayesin）类： 1.朴素贝叶斯（Naive Bayes） 2.高斯贝叶斯（Gaussian Naive Bayes） 3.多项朴素贝叶斯（Multinomial Naive Bayes （2） 关联规则学习（Association Rule Learning）类： 1.先验算法（Apriori Algorithm） 2.Eclat算法（Eclat Algorithm） 3.FP-Growth 2.二分类平均感知器（Two-class Average Perceptron）：适用于训练时间短、线性模型的场景。 2.多分类神经网络（Multiclass Neural Network）：适用于精准度高、训练时间较长的场景。 2.基于PCA的异常检测（PCA-based Anomaly Detection）：适用于训练时间短的场景。
2.8K33发布于 2021-01-31 - 来自专栏搜狗测试
智能算法评测系统实践
2 ● 评测任务的执行 ● 【概览】 如果说评测系统的设计是灵魂，那任务执行就是躯干。直接决定我们一开始的想法能不能实现？能实现多少？以及实现和我们预期的是否一致？ 【任务分发系统】 一些小量级的评测人工部署就好，但智能算法效果的评估往往评测数据量级都很大，这时就需要一个强大的系统来提升效率和减少人力成本。 比如有A、B、C三个任务执行时间预计分别为1h、1h、2h，然后一共有2个执行终端，这时如果我们先下发A、B再下发C，所有任务执行完一共需要3h，但如果先下发B、C再下发A就可以2h执行完。 综上所述，一个优秀的任务分发系统应具有极强的稳定性和较好可恢复性，同时最好还能借助智能算法更高效地分配任务。 效率低的话，要么评测结果出的慢耽搁智能算法改进，要么就只能堆机器去提升整体效率，成本很高。
1.1K20发布于 2019-09-26 - 来自专栏搜狗测试
智能算法评测系统实践（一）
随着人工智能的发展，我们现在各个产品线中都融入大量的智能算法，方便了用户的同时也给我们评价产品的具体效果带来了很大的困难。 这里就简单介绍一些我们在智能算法评测实践过程中的一些心得，主要会从评测系统的设计、评测的执行以及评测结果的分析三个方面展开，由于内容较多这篇文章我们重点阐述第一点。
1.9K20发布于 2019-08-19 - 来自专栏码出名企路
智能算法之禁忌法搜索
(Clist(i,2)-Clist(j,2))^2)^0.5; end end TabuList=zeros(CityNum); disp('候选解个数不大于n*(n-1)/2!') if M(1)~=M(2) %如果不等，向下执行 A(i,1)=max(M(1),M(2)); A(i,2)=min(M(1) CandidateNum(i,[A(i,2),A(i,1)])=S0([A(i,1),A(i,2)]); F(i)=Fun(dislist,CandidateNum(i,:)); 1),1)],[Clist(BSF(CityNum),2),Clist(BSF(1),2)],'ro-'); title(['迭代次数:',int2str(p),' 优化最短距离:',num2str
69810编辑于 2022-06-16 - 来自专栏码出名企路
智能算法之遗传算法
2. ，自动将2进制编码转化成指定范围内的实数值 %得出的X是一个长度为40的列向量 ObjV = sin(10*pi*X). gen) = Y; end plot(trace(1,:),trace(2,:),'bo'); grid on; plot(X,ObjV,'b*'); hold off; figure(2); plot (1:MAXGEN,trace(2,:)); grid on; xlabel('遗传代数'); ylabel('解的变化'); title('进化过程'); bestY = trace(2,end); bestX = trace(1,end); fprintf(['最优解：\nX = ', num2str(bestX), '\nY = ' , num2str(bestY) , '\n']); toc;
87220编辑于 2022-06-16 - 来自专栏计算机工具
人工智能算法-SVM, KNN
它可以将有限维数据映射到高维空间，我们来看一下高斯核函数的定义： 上述公式涉及到两个向量的欧式距离（2范数）计算，而且，高斯核函数是两个向量欧式距离的单调函数。 算法的描述： 1）计算测试数据与各个训练数据之间的距离； 2）按照距离的递增关系进行排序； 3）选取距离最小的K个点； 4）确定前K个点所在类别的出现频率； 5）返回前K个点中出现频率最高的类别作为测试数据的预测分类 Euclidean Distance 定义： 两个点或元组P1=（x1，y1）和P2=（x2，y2）的欧几里得距离是 距离公式为：（多个维度的时候是多个维度各自求差） 四、总结 KNN算法是最简单有效的分类算法
56010编辑于 2024-12-14 - 来自专栏联远智维
边缘网关及智能算法
Linux系统，执行各种复杂指令，具体的框架如下图所示：图片 附1：边缘网关在实际中具有广泛的应用，主要的优势体现在：1、将嵌入式设备中涉及的复杂计算移植到边缘端，有效的解决了硬件消耗等问题；2、 将区域内的信息进行收集、汇总、融合，后续通过智能算法提取出关键信息（联邦学习等），具有更好的安全性；3、解决了嵌入式设备与云端通信延迟过高的问题，在自动驾驶等领域具有广泛的应用。 附2：物联网的核心为如何利用数据背后的价值：在力学领域应用时，能够直接将有限元软件嵌入到边缘端，通过传感器获取模型关键参数，然后在边缘端进行分析计算，得到最后特征并上传到云平台，该方式能够应用于火焰温度测量 7686X test size: 3295y train size: 7686y test size: 3295环境搭建 本项目采用ECS云服务器，具体配置为：ubuntu_20系统，2GB
1.3K91编辑于 2022-10-31 - 来自专栏联远智维
智能算法在假肢上的应用
基于假肢设计的相关经验（本科期间）以及对智能算法的了解，在假肢设计过程中引入智能算法，准确地进行下肢运动意图识别，使得残疾人穿戴动力假肢行走过程中，假肢在下肢腿蹬时刻自动为残疾人提供助力。 结构设计 智能识别 智能识别的基本过程为：1、传感信号的采集与处理；2、采用识别算法对运动模式进行分类。 其中，智能算法识别可以采用LDA，详细资料参考https://blog.csdn.net/weixin_40604987/article/details/79615968，具有源代码。 from sklearn.discriminant_analysis import LinearDiscriminantAnalysis as LDA lda = LDA(n_components=2) y_train) plot_decision_regions(X_train_lda, y_train, classifier=lr) plt.xlabel('LD 1') plt.ylabel('LD 2'
70120编辑于 2022-01-20 - 来自专栏决策智能与机器学习
算法基础（7）| 主流智能算法概览
本文将其中智能算法有关精彩观点进行摘要。 PDF报告全文下载，请关注公众号并回复：20180917 2.算法的分类归纳：回归、分类和聚类 回归是一种用于连续型数值变量预测和建模的监督学习算法。 2）个人智能语音助手重塑了人机交互模式。 3）以 API 形式提供的智能语音服务成为行业用户的重要入口。 ? 计算机视觉 图像分类是指为输入图像分配类别标签。 2）视频结构化崭露头角，拥有广阔应用前景。 3）姿态识别让机器“察言观色”，带来全新人机交互体验。 ? 自然语言处理 自然语言处理主要步骤包括分词、词法分析、语法分析、语义分析等。 主要产品： 1）文本分类和聚类 2）信息检索和过滤 3）信息抽取 4）问答系统 5）机器翻译 ? 5.报告目录 ?
81030发布于 2020-08-04 - 来自专栏CSDN小华
数学建模--智能算法之免疫算法
evaluate_fitness(self, x): # Example fitness function (Sphere function) return np.sum(x**2) idx = np.argsort(self.fitness) selected_indices = idx[:self.num_antibodies // 2]
65110编辑于 2024-10-16 - 来自专栏做数据的二号姬
认真聊AI | 群智能算法
原创内容 No.711 认真聊AI | 群智能算法 人类最有意思的一点就在于总能从自然界找到各种各样的参考并应用。 我们把由简单个体组成的群落与环境以及个体之间的互动行为称作群智能，而这种受动物群体智能启发的算法则称为群智能算法。 在计算机领域，群智能算法包括粒子群优化算法，蚁群算法、人工免疫算法等。 遗传算法等进化算法本质上也是一种群智能算法，都是受自然现象的启发，基于抽取出的简单自然规则而发展出的计算模型。 在这个模型中，需要的参数就比遗传算法多很多，比如群体规模m，惯性权重w，加速度V1\V2，最大速度Vmax、最大代数Gmax。 也就是说，对于群智能算法，不一定能得到最优解，但是一定可以得到一个比较好的解。对于群智能算法而言，关键的地方在于如何保证算法的收敛效率和避免陷入局部最优，这大概就是算法工程师们常说的玄学调参吧。
77710编辑于 2025-01-13 - 来自专栏CSDN小华
数学建模--智能算法之鱼群算法
np # Function to optimize (minimization problem) def objective_function(x): return np.sum(x ** 2)
88410编辑于 2024-10-16 - 来自专栏CSDN小华
数学建模--智能算法之蚁群优化算法
Python代码示例 import numpy as np def fitness_function(solution): return -np.sum(solution**2) + 4 # pheromone_evaporation_rate = 0.1 pheromone_intensity = 1.0 # 初始化信息素矩阵 pheromone_matrix = np.ones((num_genes, 2)
1.8K10编辑于 2024-10-16 - 来自专栏人工智能快报
Google正在研发新型人工智能算法
据英国《卫报》报道，美国Google公司的杰夫•辛顿教授宣称，谷歌正在开发一种新型人工智能算法，该算法具有逻辑、自然对话甚至调情的能力。 辛顿教授表示谷歌正在研究的这种新型人工智能算法可以将认知编码为一系列数字，他称之为“认知向量”。
1.1K80发布于 2018-03-07 - 来自专栏CSDN小华
数学建模--智能算法之粒子群优化算法
−Xit)+c2⋅r2⋅(Gbest−Xit) Xit+1=Xit+Vit+1Xit+1=Xit+Vit+1 其中： VitVit 是第 ii 个粒子在时间 tt 的速度。 c1c1 和 c2c2 是学习因子，分别控制粒子对自身经验及群体经验的重视程度。 r1r1 和 r2r2 是随机数，用于引入随机性以避免局部最优解。 本教程对其中的优化项、优化目标进行了简单的修改，优化项由1个修改成了2个，优化目标由2个修改成了3个。 实例仿真： 通过实例仿真，可以更好地理解粒子群优化算法的应用。 学习因子c1和c2：这两个参数分别控制了粒子的个体认知和社会性的影响。c1决定了粒子对自身最佳位置的依赖程度，而c2则决定了粒子对群体最优位置的依赖程度。 不同的c1和c2组合会影响算法的收敛速度、精度和全局搜索能力。例如，较大的c1有利于快速收敛，但可能陷入局部最优；而较大的c2则有助于避免局部最优，但可能导致收敛速度变慢。
1.3K10编辑于 2024-10-16 - 来自专栏BM CTF
人工智能算法：推动未来的技术引擎
本文将带你深入了解人工智能算法的魅力、种类以及未来趋势，探讨它们如何推动我们进入一个全新的时代。 一、人工智能算法的魅力 人工智能算法的魅力在于它们能够模拟人类的思维过程，实现自主学习、推理和决策。 二、人工智能算法的种类 人工智能算法种类繁多，每种算法都有其独特的优势和适用场景。以下是几种常见的人工智能算法： 监督学习算法：通过已有的带标签数据进行训练，使模型能够预测新数据的标签。 三、人工智能算法的未来趋势 随着技术的不断进步，人工智能算法的发展也呈现出以下趋势： 算法性能持续提升：随着计算能力的提升和数据资源的日益丰富，人工智能算法的性能将不断提高，为实现更复杂的任务提供可能。 算法应用领域不断拓展：人工智能算法将在更多领域得到应用，如自动驾驶、智能家居、医疗诊断等，为人类生活带来更多便利和惊喜。 四、总结 人工智能算法作为推动未来发展的重要技术引擎，正以其独特的魅力改变着我们的生活。
78610编辑于 2024-02-20
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号