- 综合排序
- 最热优先
- 最新优先
- 来自专栏全栈程序员必看
人工智能：智能优化算法
** 人工智能：智能优化算法 ---- 优化问题是指在满足一定条件下，在众多方案或参数值中寻找最优方案或参数值，以使得某个或多个功能指标达到最优，或使系统的某些性能指标达到最大值或最小值。 优化问题广泛地存在于信号处理、图像处理、生产调度、任务分配、模式识别、自动控制和机械设计等众多领域。优化方法是一种以数学为基础，用于求解各种优化问题的应用技术。 Farmal等人于1986年基于免疫网络学说理论构造出免疫系统的动态模型，展示了免疫系统与其他人工智能方法相结合的可能性，开创了免疫系统研究的先河。 ** 4 禁忌搜索算法 ** 搜索是人工智能的一个基本问题，一个问题的求解过程就是搜索。人工智能在各应用领域中，被广泛地使用。 现在，搜索技术渗透在各种人工智能系统中，可以说没有哪一种人工智能的应用不用搜索技术。
2.1K10编辑于 2022-08-31 - 来自专栏ATYUN订阅号
优化人工智能模型的工具——Auptimizer
这就是LG高级人工智能部门的科学家开发Auptimizer的原因，Auptimizer是一个开源的超参数优化框架，旨在帮助人工智能模型的调整和记账。它可以从GitHub上获得。 更重要的是，它降低了数据科学家在实践中对超参数进行优化的难度。
1K00发布于 2019-11-12 人工智能如何优化电网技术探析
问：为什么电网首先需要优化？我们需要在每一时刻都精确维持输入电网的电量与输出电量之间的平衡。但在需求侧，存在一些不确定性。电力公司不会要求客户预先登记他们将使用的电量，因此必须进行一些估算和预测。 这正是优化要解决的问题。问：人工智能如何在电网优化中发挥最大作用？人工智能的一个助益方式是结合历史和实时数据，对特定时间内可获得的可再生能源电量做出更精确的预测。 人工智能还可以帮助解决电网运营商必须处理的复杂优化问题，以便在降低成本的同时平衡供需。这些优化问题用于决定哪些发电机组应该发电、发多少、何时发电，以及电池何时充放电，是否能利用电力负荷的灵活性。 这些优化问题的计算量非常大，以至于运营商不得不使用近似法，以便在可行的时间内求解。但这些近似法常常出错，当我们将更多可再生能源接入电网时，误差会变得更大。 但如果在对电网进行优化时犯下同样程度的错误，就可能导致大规模停电。我们需要以不同的方式构建模型，但这也提供了一个机会，让我们能从对电网物理原理的认知中受益。
16410编辑于 2026-03-09- 来自专栏AI科技评论
完美的优化目标，人工智能的盲点
译者丨辛西娅 编辑丨维克多 人工智能（AI）系统的脆弱性一直被行业人员所诟病，稍微的数据错误就会使系统发生故障。例如在图像识别中，图片微小的像素改变，不会干扰人类视觉，但机器可能会发生紊乱。 Larson撰文表示：优化思维是AI脆弱性的根源。 1 优化的脆弱性 人类不是一个优化者，过去几万年大脑本身也并没有进化出完美优化的功能。大脑是轻量级的，从不追求100%的准确性，并能够从小数据中得出假设。 因追求优化而造成的不透明设计，即黑盒算法。 更重要的是，人工智能可以向外看，从人类学的线索中学习，而不是狂热地集中在自己的内部优化策略上。 以上技术建议并不是未来虚幻的想象，它是现在就可以实现的设计创新。
39510编辑于 2022-03-03 人工智能数学基础（八）—— 最优化理论
最优化理论在人工智能领域占据着举足轻重的地位，无论是训练机器学习模型，还是让机器人规划最优路径，亦或是解决复杂的工程设计问题，都离不开最优化方法的有力支持。 这些都可以归结为最优化问题。比如，企业生产中，要在成本有限的情况下让利润最大化，这就是一个典型的最优化问题。 8.1.3 求最优化问题的一般步骤 明确目标函数：也就是你要优化的那个东西，比如成本、利润、误差等。 8.1.4 最优化问题的几何解释 可以想象一下三维空间中的一个曲面，这个曲面代表了目标函数的值。最优化问题就像是在这个曲面上寻找最低点或者最高点。 通过实践操作，我更加熟练地掌握了如何运用优化算法解决实际问题，为今后在人工智能领域深入探索奠定了坚实基础。资源绑定附上完整资源供读者参考学习！
20410编辑于 2026-01-21- 来自专栏人工智能之数学基础
人工智能之数学基础 优化理论：第一章 优化基础
人工智能之数学基础优化理论第一章优化基础前言优化（Optimization）是在给定条件下寻找“最佳”决策的数学过程，广泛应用于机器学习、工程设计、经济学、运筹学等领域。 本文系统讲解优化问题的基本要素（目标函数、变量、约束）、局部最优vs全局最优、无约束与约束优化方法，并提供完整的Python（SciPyCVXPYMatplotlib）代码实现与可视化。 ；否则为约束优化。 SciPy适合一般优化，CVXPY适合凸优化建模；全局优化算法用于逃离局部最优陷阱。 实践建议：先分析问题是否为凸优化；优先使用专业建模工具（如CVXPY）；对非凸问题，尝试多个初值或全局优化器；始终验证解的可行性和合理性。
38110编辑于 2025-12-22 - 来自专栏人工智能之数学基础
人工智能之数学基础 优化理论：第三章 约束优化
人工智能之数学基础优化理论第三章约束优化前言约束优化是优化理论的核心分支，广泛应用于机器学习（如正则化）、经济学（资源分配）、工程设计（结构优化）等领域。 本文系统讲解等式约束优化的拉格朗日乘数法、不等式约束的KKT条件、L1/L2正则化与约束形式的等价性，并提供完整的Python（SciPyCVXPYNumPy/Matplotlib）代码实现与可视化。 一、约束优化问题的一般形式minx∈Rnf(x)s.t.hj(x)=0,j=1,…,p(等式约束)gi(x)≤0,i=1,…,m(不等式约束)\begin{aligned}\min_{\mathbf{ 四、3.正则化与约束优化的等价性在机器学习中，正则化常以无约束形式出现，但可等价转换为约束优化。 掌握约束优化，你将能处理从带预算限制的投资组合到带安全约束的机器人控制等复杂现实问题。动手运行代码，观察不同约束对解的影响，建立直观理解！
29010编辑于 2025-12-23 - 来自专栏大龄程序员的人工智能之路
从人工智能鉴黄模型，尝试TensorRT优化
传说百万年薪，每天看黄片看得想吐，但最近又很少有人提及这一职业，这个应监管而生的职业，因人工智能的出现又快速消亡。 （当然也不是完全消亡，毕竟判断是否色情是一个主观的事情，有些艺术和色情之间的边界比较模糊，需要人工加以判断） 之前写过一篇文章利用人工智能检测色情图片，也曾经尝试过在浏览器中加入色情图片过滤功能，但实验下来 取2000张测试图片进行测试，在我的GTX 960上，推理速度如下： 未优化模型： 53 s 使用TensorRT优化模型： 54 s 如果你下载更大的数据集，可以多测试一些图片，看看优化效果。
2.4K40发布于 2019-07-02 - 来自专栏人工智能之数学基础
人工智能之数学基础 优化理论：第二章 无约束优化
人工智能之数学基础优化理论----公式关注公众号第二章无约束优化前言本文将系统讲解梯度下降（GradientDescent,GD）、随机梯度下降（StochasticGradientDescent,SGD ）、动量法（Momentum）、Nesterov加速梯度（NAG）、AdaGrad、RMSProp和Adam等主流优化器，揭示其数学原理、收敛特性与适用场景，并提供从零实现+PyTorch对比的完整Python 九、优化器选择指南场景推荐优化器凸问题、小数据GD或L-BFGS深度学习（默认）Adam需要精细调参SGD+动量+学习率调度稀疏数据（NLP）AdaGrad/Adam理论保证强收敛SGD（带衰减）经验法则 十、总结优化器核心思想优点缺点GD全梯度下降稳定慢、内存大SGD随机梯度快、可逃局部最优噪声大Momentum梯度累积抑制震荡需调βAdam自适应+动量自动调学习率、鲁棒可能泛化略差关键洞见：所有优化器都是梯度的一阶近似 ；自适应方法降低了调参难度；动量模拟物理惯性，提升收敛性；没有免费午餐：不同问题适合不同优化器。
25010编辑于 2025-12-22 - 来自专栏具身小站
人工智能算法优化YOLO的目标检测能力
人工智能基础概念 人工神经网络（Artificial Neural Network，ANN）：理论基础建立在生物神经系统的数学抽象与非线性函数逼近能力之上，目标是通过非线性变换逼近复杂函数关系，数学框架可视为一个参数化函数的优化问题 损失函数：为网络提供了明确的优化目标，将预测结果与真实值之间的 差异量化为标量指标，网络参数通过最小化损失函数优化，常见损失函数 包括均方误差和交叉熵： 均方误差（MSE）：通过平方差衡量回归任务的误差 FAST-LIVO 系列（包括 FAST LIVO 与 FAST-LIVO2）基于激光-视觉-惯性紧耦合架构，通过稀疏直接法实现高精度位姿估计与地图构建，基于迭代误差卡尔曼滤波（IEKF），通过不同的优化技术改进 ： Fast-LIVO1 直接法视觉观测，从激光雷达扫描点云中筛选出部分点作为视觉特征点 Fast-LIVO2：使用概率体素地图VoxelMap替换原先的 IKD-Tree ，并扩展了视觉观测模型优化 包含三大模块： 骨干网络（Backbone）：负责基础特征捕获 特征融合模块（Neck）：双向跨尺度信息交互网络，强化跨层级信息交互 检测头（Head）：目标定位与分类的精准输出 改进YOLOv7 骨干网络优化
14410编辑于 2025-12-17 - 来自专栏CSDNToQQCode
Python与人工智能——33、for循环基础练习题——循环优化算法-素数判断的优化
正文 开发工具：Pythony与人工智能——3、Python开发IDE工具VSCode-CSDN博客 for循环基础练习题——循环优化算法-素数判断的优化 原始的判断一个数 n 是否为素数的方法是从 2 优化后的算法是只需要检查到 即可。因为如果 n 有一个大于 的因数 a ，那么必然存在一个小于 的因数 b，使得 a * b = n。
26810编辑于 2024-10-14 人工智能数学基础实验（五）：牛顿优化法-电动汽车充电站选址优化
一、实验目的 掌握牛顿优化法应用：深入理解牛顿法在求解非线性无约束优化问题中的原理与迭代逻辑，提升数值优化算法的实践能力。 建立选址优化模型：通过构建充电站选址的数学模型，分析用户出行成本与站点建设运营成本的权衡关系，为实际规划提供理论依据。 可视化：绘制收敛过程、选址结果、成本分解等图表，直观展示优化效果。 六、总结 本实验通过牛顿优化法实现了充电站选址的成本优化，验证了算法在平衡用户需求与运营成本中的有效性。 未来可扩展至约束优化（如最大站点数量限制）、动态用户分布场景，或结合机器学习预测用户充电需求，进一步提升模型实用性。
14310编辑于 2026-01-21- 来自专栏开发经验
AIGC人工智能辅助开发：提升效率、优化代码、实现智能编程
什么是AIGC人工智能辅助开发？ 2. AIGC的优势和应用场景 2.1 提升开发效率 2.2 优化代码质量 2.3 实现智能编程 3. 如何用好AIGC人工智能辅助开发？ AIGC（Artificial Intelligence for General Coding）是一种基于人工智能的辅助开发技术，它能够帮助开发者提升开发效率、优化代码质量，并实现智能编程。 本文将介绍如何用好AIGC人工智能辅助开发，并通过案例和代码片段进行详细解释。 1. 什么是AIGC人工智能辅助开发？ 随着熟练掌握，开发者可以尝试更复杂的功能，如智能编程和代码优化等。 结语 AIGC人工智能辅助开发是现代软件开发中的一大利器，它可以极大地提升开发效率、优化代码质量，并实现智能编程。
1.3K10编辑于 2023-12-13 《方舟编译器——开启人工智能编译优化新篇章》
在人工智能蓬勃发展的今天，代码的编译优化对于模型训练和应用的效率及性能至关重要。鸿蒙系统的方舟编译器以其独特的优势，为人工智能代码的编译优化带来了显著的提升，有力地推动了人工智能技术的发展。 模型训练方面的提升- 多语言联合编译优化：方舟编译器支持多种编程语言的联合编译，在人工智能领域，研究人员和开发者常常使用多种语言来构建模型，如Python用于模型的搭建和训练逻辑，C++ 用于性能关键部分的实现等 对于人工智能模型训练中涉及的大量复杂算法和计算逻辑，这种静态编译方式可以提前完成大部分优化工作，避免了在训练过程中频繁的编译开销，显著提高了训练效率，使得模型能够更快地收敛，减少了训练时间和计算资源的消耗 - 硬件适配与指令集优化：方舟编译器能够识别目标设备的硬件特性，如CPU架构、GPU能力等，并针对特定的硬件进行指令集优化。 方舟编译器通过多方面的优化为人工智能代码的编译带来了显著的提升，无论是在模型训练阶段还是在应用阶段，都为人工智能技术的发展提供了更强大的支持和保障，推动了人工智能在更多领域的广泛应用和深入发展，相信在未来
50800编辑于 2025-01-07- 来自专栏《C++与 AI：个人经验分享合集》
《深度揭秘LDA：开启人工智能降维与分类优化的大门》
在当今人工智能蓬勃发展的时代，数据成为了驱动技术进步的核心要素。随着数据采集和存储技术的飞速发展，我们所面临的数据量不仅日益庞大，其维度也愈发复杂。 线性判别分析（LDA）凭借其独特的原理和卓越的性能，在人工智能降维与分类任务中占据着不可或缺的地位。 通过深入理解其工作机制，我们能够充分发挥LDA的优势，将其广泛应用于各个领域，有效解决高维数据带来的挑战，提升分类性能，为人工智能技术的进一步发展和应用开辟更加广阔的道路。
33010编辑于 2025-02-05 - 来自专栏《C++与 AI：个人经验分享合集》
《智启新材热学性能优化之路：人工智能的神奇力量》
其中，利用人工智能优化材料的热学性能，为众多领域的突破带来了新的曙光，从航空航天的高效热防护到电子设备的散热管理，其影响深远且广泛，无疑是当下极具热度的话题。 一、精准预测：开启热学性能优化之门 传统的材料热学性能研究往往依赖于大量的实验测试，这既耗费时间又成本高昂。而人工智能的出现改变了这一局面。 例如，对于新型陶瓷材料，人工智能可以根据其元素组成和晶体结构，提前预测在不同温度下的热导率，为材料的进一步优化指明方向。 通过人工智能挖掘出的新材料体系和性能优化方向，为解决一些长期困扰行业的热学难题提供了新的可能性。 总之，人工智能在优化材料热学性能方面展现出了巨大的潜力和价值。从精准预测到智能设计，从实时监测到推动创新，它正全方位地重塑着材料热学性能的优化路径。
29010编辑于 2025-01-02 - 来自专栏Elastic Stack专栏
Elastic开源sysgrok：用于分析、理解和优化系统的人工智能助手
然后，它还可能建议优化或补救措施。 2. 作为针对特定性能和可靠性相关任务的专注的自动化解决方案。在性能工程和 SRE 工作中，有些任务会反复出现。 那么，我们能否利用这些模型来帮助进行性能分析、调试和优化呢？有各种各样的调查性能问题、分类根本原因和提出优化的方法。 例如，topn子命令采用分析器报告的最昂贵的函数，解释输出，然后建议优化系统的方法。 图片 （阅读原文查看视频演示） 该视频还展示了 sysgrok 提供的聊天功能。 最后，如果该库和函数消耗大量 CPU 资源，它会建议可能的优化。 图片 方法 3：作为性能和可靠性问题的自动化根因分析工具 LLM的用途不仅限于集中回答问题、总结和类似任务。 结论 在这篇文章中，我介绍了 sysgrok，这是一种新的开源人工智能助手，用于分析、理解和优化系统。
1.1K31编辑于 2023-06-29 - 来自专栏人工智能之核心基础
人工智能之核心基础 机器学习 第十六章 模型优化
人工智能之核心基础 机器学习第十六章 模型优化16.1 过拟合与欠拟合 定义（用“考试”比喻）状态训练表现测试表现比喻欠拟合差差“课本都没看懂，考试自然不会”理想状态好好“真正学会了知识，举一反三”过拟合极好差 16.3 超参数调优 三大主流方法方法原理优点缺点网格搜索遍历所有组合全面计算爆炸（维度灾难）随机搜索随机采样组合高效，常优于网格可能漏掉最优贝叶斯优化基于历史结果智能采样最高效实现复杂 调优流程（标准实践 :", random_search.best_params_)print("最佳得分:", random_search.best_score_) 进阶工具：Optuna, Hyperopt（支持贝叶斯优化 16.5 半监督/自监督模型优化技巧 三大关键优化点1. 半监督微调标注充足后：纯监督精调 本章总结：泛化能力提升 Checklist问题解决方案工具过拟合正则化、早停、数据增强sklearn, 手动实现欠拟合增加模型复杂度、特征工程更深网络、新特征超参数不佳随机搜索、贝叶斯优化
14000编辑于 2026-01-17 - 来自专栏人工智能之数据分析
人工智能之数据分析 Pandas：第九章 性能优化
人工智能之数据分析 Pandas第九章 性能优化前言Pandas 是一个功能强大的 Python 数据分析库，它提供了高效的数据结构和数据分析工具。 为了优化 Pandas 的性能，本文提供了一些关键策略和技术：1. ['column'] = df['column'].astype('category')日期时间数据：确保日期时间数据被正确解析为 datetime 类型，这样可以利用 Pandas 对日期时间的内置优化 Pandas 和 NumPy 库针对向量操作进行了优化，使得它们比纯 Python 循环更快。 这些方法在内部使用了优化过的计算引擎。df.query('A > B') # 查询pd.eval('df.A + df.B') # 计算7.
25110编辑于 2025-12-08 - 来自专栏《C++与 AI：个人经验分享合集》
《C++与 SIMD 指令集：人工智能算法优化新动力》
在当今人工智能迅猛发展的时代，算法的优化成为了提升性能的关键所在。C++作为一种强大且高效的编程语言，在人工智能领域有着广泛的应用。 开发人员可以通过一些编译器的特定指令或编译选项，方便地启用 SIMD 优化。这降低了使用 SIMD 指令集的门槛，使得更多的 C++ 开发者能够在人工智能算法优化中运用这一强大的工具。 总之，在 C++ 中运用 SIMD 指令集优化人工智能算法是一个充满潜力和挑战的领域。它为人工智能算法的性能提升、能耗优化等多方面提供了有效的解决方案。 随着硬件技术的不断发展和 C++ 编译器的持续优化，SIMD 指令集在 C++ 人工智能开发中的作用将会越来越重要，也将助力人工智能技术在更多领域的广泛应用和深入发展。 开发人员若能熟练掌握这一优化手段，将在人工智能算法的开发竞赛中占据有利的地位，为推动人工智能技术的进步贡献更多的力量。
33810编辑于 2024-12-09
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