【課程來源】感謝B站Up主leonding1018的分享，老師的課程內容非常精彩。
本文是觀看網絡視頻課程后的筆記，如涉及版權問題，請及時留言或私信與我聯系。

1.旅行商問題（TSP問題）

TSP問題是一個NP hard問題，在一個多項式時間內不能找到一個最優解。

單個車輛遍歷路徑（TSP問題）可以擴展為：多車輛遍歷路徑（VRP），車輛實時路徑規劃，訂單分配給不同車輛（調度優化），零部件排產等。

2.啟發式搜索算法

2.1.全局搜索算法

2.1.1.貪婪最佳優先搜索

2.1.2.A*（A Star）搜索

舉了即時戰略游戲中目標對象選擇路徑找過障礙物到達目的地的例子，目標是讓英雄從地圖左上角A點運動到右下角B點。如圖所示，黑色部分為障礙物，“黃橙紅”顏色標記了每一個坐標被遍歷訪問的此處。上方為枚舉法對地圖各坐標的訪問頻次，下方為A Star搜索方法對地圖各坐標的訪問頻次。可以看出A Star方法只訪問了較少的坐標，提高了搜索效率。

(1)從當前點(x=1,y=2)開始遍歷相鄰點（算出g=當前點到新點單步距離，h=新點到終點不考慮障礙物的剩余距離，f=g+h）；

(2)選取f最小的點作為新的當前點(x=2,y=3)；

(3)重復步驟1；
(x,y)從(2,3)到(3,3)

(x,y)從(3,3)到(4,3)

(4)注意所有已探索未步入的點，都是候選點，這是便于選錯路的回頭糾正；
(x,y)從(4,3)回頭到(1,3)，再回頭到(2,2)

(5)當重新選取了當前節點（即回頭）后，相關已探索節點的g/h/f值也應更新。
注意當前點改為(2,2)后，點(3,2)、(4,2)的g/h/f值都進行了更新。

(6)注意每個新點都記錄著其對應的父節點，便于最后一步回溯；
留意之前每一幅圖上的箭頭，當前點變化后，箭頭也發生了變化。

(7)當前點移動到終點后，從終點開始，根據父節點可反推出最優路徑。
上圖中綠色標記的路徑。

2.1.3.限制存儲的啟發式搜索

2.1.4.啟發函數h(n)的設計

2.2.局部搜索和群算法

2.2.1.貪婪局部搜索

2.2.2.模擬退火搜索

2.2.3.禁忌搜索

2.2.4.局部剪枝搜索

2.2.5.遺傳算法（基因算法）

(1)先隨機生成一定數量（例如1000條）的解；
(2)然后按一定比例（例如10%）選出其中較好的100個保留，其余的900條再變異；
(3)在第上一步新生成的1000條中選100個保留，其余的變異；
(4)重復步驟3若干次；
(5)選1000條中最好的一個，作為最優解。

2.3.對抗搜索

2.3.1.極小極大值算法

2.3.2.α-β剪枝搜索

3.混合機器學習算法的優化求解

應留意圖片中一些城建概念的關系，包括：數據庫、指示發現、數據挖掘、統計、圖形識別、神經計算、人工智能、機器學習、深度學習。比如，機器學習的范圍大于深度學習，人工智能的范圍大于機器學習。

《終極算法》（推薦書）中將算法分為5大類：
(1)符號主義：通過規則和決策樹進行推理；
(2)貝葉斯方法：通過統計學中的貝葉斯（先驗后驗）概率；
(3)聯接主義：模擬人腦，創建節點和連接網絡進行非線性關聯，代表性有神經網絡；
(4)進化方法：模擬生物進化，迭代創建新的節點，代表性有遺傳算法；
(5)類比學派：利用樣本特征相似性，代表性有KNN聚類分析（商品推薦）和支持向量機。

實例：在滴滴打車應用中。早期使用A Star方法進行路徑規劃和時間估計；在后期取得了更多大數據后，利用這些數據采用RNN（循環神經網絡）算法進行路徑規劃和時間估計。能夠比初期的A-Star方法考慮到了更多的復雜因素（例如車輛類型、擁堵、修路、時間、司機駕齡等），所以預估時間更準確。

4.Hadoop生態

總結

以上是生活随笔為你收集整理的大数据与智能算法（一-基础技术）-SMU在线学习笔记的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。