C4.5算法概述
目录
1 决策树算法 (2)
1.1 具体应用场景和意义 (2)
1.2 现状分析 (3)
2 C4.5算法对ID3算法的改进 (4)
3 C4.5算法描述 (7)
3.1 C4.5算法原理 (7)
3.2 算法框架 (8)
3.3 C4.5算法伪代码 (9)
4 实例分析 (9)
5 C4.5算法的优势与不足 (12)
5.1 C4.5算法的优势 (12)
5.2 C4.5算法的不足： (12)
参考文献 (12)
C4.5算法综述
摘要
最早的决策树算法是由Hunt等人于1966年提出的CLS。当前最有影响的决策树算法是Quinlan于1986年提出的ID3和1993年提出的C4.5。ID3只能处理离散型描述属性，它选择信息增益最大的属性划分训练样本，其目的是进行分枝时系统的熵最小，从而提高算法的运算速度和精确度。ID3算法的主要缺陷是，用信息增益作为选择分枝属性的标准时，偏向于取值较多的属性，而在某些情况下，这类属性可能不会提供太多有价值的信息。C4.5是ID3算法的改进算法，不仅可以处理离散型描述属性，还能处理连续性描述属性。C4.5采用了信息增益比作为选择分枝属性的标准，弥补了ID3算法的不足。
C4.5算法在ID3算法的基础上进行了改进，对于预测变量的缺值处理、剪枝技术、派生规则等方面作了较大的改进，既适合于分类问题，又适合于回归问题，是目前应用最为广泛的归纳推理算法之一，在数据挖掘中收到研究者的广泛关注。
1 决策树算法
1.1具体应用场景和意义
决策树（Decision Tree）是用于分类和预测的主要技术，它着眼于从一组无规则的事例推理出决策树表示形式的分类规则，采用自顶向下的递归方式，在决策树的内部节点进行属性值的比较，并根据不同属性判断从该节点向下分支，在决策树的叶节点得到结论。因此，从根节点到叶节点就对应着一条合理规则，整棵树就对应着一组表达式规则。基于决策树算法的一个最大的优点是它在学习过程中不需要使用者了解很多背景知识，只要训练事例能够用属性即结论的方式表达出来，就能使用该算法进行学习。
决策树算法在很多方面都有应用，如决策树算法在医学、制造和生产、金融分析、天文学、遥感影像分类和分子生物学、机器学习和知识发现等领域得到了广泛应用。
决策树技术是一种对海量数据集进行分类的非常有效的方法。通过构造决策树模型，提取有价值的分类规则，帮助决策者做出准确的预测已经应用在很多领
域。决策树算法是一种逼近离散函数值的方法。它是一种典型的分类方法，首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后对新数据进行分析。本质上决策树是通过一系列规则对数据进行分类的过程。
决策树的典型算法有ID3、C4.5和CART等，基于决策树的分类模型有如下几个特点：（1）决策树方法结构简单，便于理解；（2）决策树模型效率高，对训练集较大的情况较为适合；（3）决策树方法通常不需要接受训练集数据外的知识；（4）决策树方法具有较高的分类精确度。
在决策树算法中，最常用的、最经典的是C4.5算法，它在决策树算法中的主要优点是：形象直观。该算法通过两个步骤来建立决策树：树的生成阶段和树的剪枝阶段。该算法主要基于信息论中的熵理论。熵在系统学上是表示事物的无序度，是系统混乱程度的统计量。C4.5基于生成的决策树中节点所含的信息熵最小的原理。它把信息增益率作为属性选择的度量标准，可以得出很容易理解的决策规则。
1.2 现状分析
决策树技术是迄今为止发展最为成熟的一种概念学习方法。它最早产生于二十世纪60年代，是由Hunt等人研究人类概念建模时建立的学习系统（CLS，Concept Learning System），到70年代末，J Ross Quinlan提出ID3算法，此算法的目的在于减少树的深度。但是忽略了叶子数目的研究。1975年和1984年，分别有人提出CHAID（Chi-squared Automatic Interaction Detection）和CART （Classification and Regression Tree，亦称BFOS）算法。1986年，J.C.Schlimmer 提出ID4算法。1988年，P.E.Utgoff提出ID5R算法。1993年，Quinlan本人以ID3算法为基础研究出C4.5/C5.0算法，C4.5算法在ID3算法的基础上进行了改进，对于预测变量的缺值处理、剪枝技术、派生规则等方面作了较大的改进，既适合于分类问题，又适合于回归问题，因而是目前应用最为广泛的归纳推理算法之一，在数据挖掘中收到研究者的广泛关注。
数据挖掘需要选择复杂度低的算法和并行高效的策略，复杂度低的算法包括尽量把全局最优问题转化成局部最优的问题和近似线性或尽量低阶的多项式复杂度算法等，而高效并行的策略包括需要有高超的递归改为循环的技巧和尽量避免使用全局信息等。
现在研究者们还在继续研究改进的决策树算法，对于C4.5算法研究人员们从不同的角度对其进行了相应的改进，其中有针对C4.5算法处理连续型属性比较耗时的改进，利用数学上的等价无穷小提高信息增益率的计算效率等等方面。本报告时针对C4.5算法本身进行的分析和算法实现，同时会考虑进一步的深入学习。
2 C4.5算法对ID3算法的改进
决策树构造的输入是一组带有类别标记的例子，构造的结果是一棵二叉树或多叉树。二叉树的内部节点(非叶子节点)一般表示为一个逻辑判断，如形式为a=a j 的逻辑判断，其中a是属性，a j是该属性的所有取值：树的边是逻辑判断的分支结果。多叉树(ID3)的内部结点是属性，边是该属性的所有取值，有几个属性值就有几条边。树的叶子节点都是类别标记。
由于数据表示不当、有噪声或者由于决策树生成时产生重复的子树等原因，都会造成产生的决策树过大。因此，简化决策树是一个不可缺少的环节。寻找一棵最优决策树，主要应解决以下3个最优化问题：①生成最少数目的叶子节点；
②生成的每个叶子节点的深度最小；③生成的决策树叶子节点最少且每个叶子节点的深度最小。
ID3算法是一种经典的决策树算法，它从根节点开始，根节点被赋予一个最好的属性。随后对该属性的每个取值都生成相应的分支，在每个分支上又生成新的节点。对于最好的属性的选择标准，ID3采用基于信息熵定义的信息增益来选择内节点的测试属性，熵（Entropy）刻画了任意样本集的纯度。
ID3算法存在的缺点：（1）ID3算法在选择根节点和内部节点中的分支属性时，采用信息增益作为评价标准。信息增益的缺点是倾向于选择取值较多是属性，在有些情况下这类属性可能不会提供太多有价值的信息。（2）ID3算法只能对描述属性为离散型属性的数据集构造决策树。
ID3算法的局限是它的属性只能取离散值，为了使决策树能应用与连续属性值，Quinlan给出了ID3的一个扩展算法，即C4.5算法。C4.5算法是ID3的改进，其中属性的选择依据同ID3。它对于实值变量的处理与接下来论述的CART 算法一致，采用多重分支。C4.5算法能实现基于规则的剪枝。因为算法生成的每个叶子都和一条规则相关联，这个规则可以从树的根节点直到叶子节点的路径
上以逻辑合取式的形式读出。
决策树的分类过程就是把训练集划分为越来越小的子集的过程。理想的结果是决策树的叶子节点的样本都有同类标记。如果是这样，显然决策树的分支应该停止了，因为所以的类别已经被分开了。
C4.5算法之所以是最常用的决策树算法，是因为它继承了ID3算法的所有优点并对ID3算的进行了改进和补充。C4.5算法采用信息增益率作为选择分支属性的标准，克服了ID3算法中信息增益选择属性时偏向选择取值多的属性的不足，并能够完成对连续属性离散化是处理，还能够对不完整数据进行处理。C4.5算法属于基于信息论（Information Theory ）的方法，它是以信息论为基础，以信息熵和信息增益度为衡量标准，从而实现对数据的归纳分类。
C4.5算法主要做出了以下方面的改进：
（1）用信息增益率来选择属性
克服了用信息增益来选择属性时偏向选择值多的属性的不足。信息增益率定义为：
其中，Grain （S ，A ）与ID3算法中的信息增益相同，而分裂信息SplitInfo （S ， A ）代表了按照属性A 分裂样本集S 的广度和均匀性。
其中，S1到Sc 是c 个不同值的属性A 分割S 而形成的c 个样本子集。如按照属性A 把S 集（含30个用例）分成了10个用例和20个用例两个集合，则SplitInfo(S ，A)=-1/3*log(1/3)-2/3*log(2/3)。
（2）可以处理连续数值型属性
C4.5算法既可以处理离散型描述属性，也可以处理连续性描述属性。在选择某节点上的分枝属性时，对于离散型描述属性，C4.5算法的处理方法与ID3相同，按照该属性本身的取值个数进行计算；对于某个连续性描述属性Ac ，假GainRatio(S, A) =
(1) SplitInfo(S, A) = - (2)
(2)
设在某个节点上的数据集的样本数量为total ，C4.5算法将作以下处理：
①将该节点上的所有数据样本按照连续型描述的属性的具体数值，由小到大进行排序，得到属性值的取值序列{A1c ，A2c ，……Atotalc}。
②在取值序列生成total-1个分割点。第i （0 ③从total-1个分割点中选择最佳分割点。对于每一个分割点划分数据集的方式，C4.5算法计算它的信息增益比，并且从中选择信息增益比最大的分割点来划分数据集。 （3）采用了一种后剪枝方法 避免树的高度无节制的增长，避免过度拟合数据，该方法是用训练样本本身来估计剪枝前后的误差，从而决定是否真正剪枝。方法中使用的公式如下： 其中N 是实例的数量，f=E/N 为观察到的误差率（其中E 为N 个实例中分类错误的个数），q 为真实的误差率，c 为置信度（C4.5算法的一个熟人参数，默认值为0.25），z 为对应于置信度c 的标准差，其值可根据c 的设定值通过查正态分布表得到。通过该公式即可计算出真实误差率q 的一个置信区间上限，用此上限为该节点误差率e 做一个悲观的估计： 通过判断剪枝前后e 的大小，从而决定是否需要剪枝。 （4）对于缺失值的处理 在某些情况下，可供使用的数据可能缺少某些属性的值。假如 e = (4) 如果结点n 包含6个已知A=1和4个A=0的实例，那么A(x)=1的概率是0.6，而A(x)=0的概率是0.4。于是，实例x 的60%被分配到A=1的分支，40%被分配到另一个分支。这些片断样例（fractional examples ）的目的是计算信息增益，另外，如果有第二个缺失值的属性必须被测试，这些样例可以在后继的树分支中被进一步细分。C4.5就是使用这种方法处理缺少的属性值 3 C4.5算法描述 3.1 C 4.5算法原理 设S 是s 个数据样本的集合。假定类标号Ci(I = 1,……,m)具有m 个不同的值，设si 是类Ci 中的样本数。对一个给定的样本分类所需的期望信息由下式给出： 其中，p i 是任意样本属于c i 的概率，并用s i /s 来估计。 设属性A 具有v 个子集s 1,……,s v ;其中，s j 包含S 中这样一些样本，它们在A 上具有值a j 。如果A 选作测试属性，则这些子集对应于由包含集合S 的节点生长出来的分枝。设s ij 是子集s j 中类c i 的样本数。根据由A 划分成子集的熵由下式给出： 其中，项(s ij +…+s mj )/s 充当第j 个子集的权，并且等于子集（即A 值为a j ）中的样本个数除以s 中的样本总数。熵值越小，子集划分的纯度越高。对于给定的子集s j 有： 其中，p ij =s ij /s j 是s j 中的样本属于类c j 的概率。 在A 上分枝将获得的编码信息是： 以上和ID3算法的基本原理相同，而C4.5所不同的是在后面使用信息 I(,……,) = (5) E(A) = (6) I() = - (7) 以上和ID3算法的基本原理相同，而C4.5所不同的是在后面使用信息增益比例来取代信息增益。 其中，s 1到s c 是c 个值的属性A 分割S 而形成的c 个样本子集。 这时，在属性A 上所得到的信息增益比为： C4.5算法计算每个属性的信息增益比。具有最高信息增益比的属性选作给定集合S 的测试属性。创建一个节点，并以该属性标记，对属性的每个值创建分枝，并据此划分样本。 3.2 算法框架 确切的说，C4.5不是单个的算法，而是一套算法，C4.5有许多的功能，每个功能都对应着一个算法，这些功能组合起来就形成了一套算法就是C4.5。C4.5分类树构造算法框架如下图： 图1 算法框架图 该算法的框架表述还是比较清晰的，从根节点开始不断得分治，递归，生长，SplitInfo(S, A) = - (9) (9) GainRatio(S, A) = (10) (10) 直至得到最后的结果。根节点代表整个训练样本集，通过在每个节点对某个属性的测试验证，算法递归得将数据集分成更小的数据集。某一节点对应的子树对应着原数据集中满足某一属性测试的部分数据集。这个递归过程一直进行下去，直到某一节点对应的子树对应的数据集都属于同一个类为止。 3.3 C 4.5算法伪代码 假设用S代表当前样本集，当前候选属性集用A表示，则C4.5算法C4.5formtree(S, A)的伪代码如下。 算法：Generate_decision_tree由给定的训练数据产生一棵决策树； 输入：训练样本samples；候选属性的集合attributelist； 输出：一棵决策树； （1）创建根节点N； （2）IF S都属于同一类C，则返回N为叶节点，标记为类C； （3）IF attributelist为空OR S中所剩的样本数少于某给定值 则返回N为叶节点，标记N为S中出现最多的类； （4）FOR each attributelist中的属性； 计算信息增益率information gain ratio； （5）N的测试属性test.attribute = attributelist具有最高信息增益率的属性； （6）IF测试属性为连续型 则找到该属性的分割阈值； （7）For each由节点N一个新的叶子节点{ If该叶子节点对应的样本子集S’为空 则分裂此叶子节点生成新叶节点，将其标记为S中出现最多的类Else 在该叶子节点上执行C4.5formtree(S’,S’.attributelist)，继续对它分裂； } （8）计算每个节点的分类错误，进行剪枝。 4 实例分析 下面我们通过对毕业生就业信息的分析加以理解。在这个分析的结果能够帮 助教育者寻找到可能影响毕业生就业的信息，从而在今后的教学过程中进行改进，使得毕业生在就业时更具有竞争力。 表1的数据时经过预处理的数据集，从表中我们可以得到类标号属性“就业情况”有2个不同的值（“已”，“未”），因此有2个不同的类。其中对应于类值“已”有14个样本，类值“未”有8个样本。 根据公式（5）我们先计算训练集的全部信息量： I(就业情况) = I(14, 8) = -14/22log2(14/22)-8/22log2(8/22) = 0.04566030 接着，需要计算每个属性的信息增益比。如以属性“性别”为例： 由公式（5）有： I(男) = I(10, 7) = -10/17log2(10/17)-7/17log2(7/17)=0.97741728 I(女) = I(4, 1) = -4/5log2(1/5)-1/5log2(1/5)=0.72192809 由公式（6）有： E(性别) = 17/22*I(男) + 5/22*I(女)=0.91935197 由公式（8）求出这种划分的信息增益： Gain(性别) = I(就业情况) – E(性别) = 0.02630833 再根据公式（9）求出在该属性上的分裂信息： SplitInfo(性别) = -17/22log2(17/22)-5/22-log2(55/22)=0.77322667 最后再根据公式（10）求出在该属性上的增益比： GainRatio(学生干部) = 0.41171446, GainRatio(综合成绩) = 0.08839108, GainRatio(毕业成绩) = 0.10167158 由上述计算结果可知“学生干部”在属性中具有最大的信息增益比，取“学生干部”为根属性，引出一个分枝，样本按此划分。对引出的每一个分枝再用此分类法进行分类，再引出分枝。最后所构造出的判定数如下图所示： 图2 毕业生就业情况判定树 5 C4.5算法的优势与不足 5.1 C4.5算法的优势 （1）保持了原有决策树算法的优点： ①决策树方法结构简单，便于理解； ②决策树模型效率高，对训练集较大的情况较为适合； ④决策树方法通常不需要接受训练集数据外的知识； ④决策树方法具有较高的分类精确度。 （2）对ID3算法进行了改进： ①决策使用信息增益作为属性选择度量，更倾向于选择分支更多的属性； ②可以处理连续值； ③可以处理缺失值； ④对树进行剪枝，避免过拟合。 5.2 C4.5算法的不足： （1）数据集增大一点，学习时间会迅速地增长： ①处理连续属性比较耗时，计算信息增益率的速度还有待提高； ②在构造树的过程中，需要对数据集进行多次的顺序扫描和排序，因而导致算法的低效； （2）对训练样本数量和质量要求较高，对空值的适应性较差； （3）算法不够稳定，精度也不是最高，后续发展为C5.0算法。 参考文献 [1]乔增伟,孙卫祥. C4.5算法的两点改进[J]. 江苏工业学院报,2008,04:56-59. [2]李会,胡笑梅. 决策树中ID3算法与C4.5算法分析与比较[J]. 水电能源科 学,2008,02:129-132+163. [3]黄爱辉. 决策树C4.5算法的改进及应用[J]. 科学技术与程,2009,01:34-36+42. [4]李瑞,程亚楠. 一种改进的C4.5算法[J]. 科学技术与工程,2010,27:6670-6674. [8]廖红文，周德龙. AdaBoost及其改进算法综述[J]. 计算机系统应用，2012， 05:240-244. [5]李楠,段隆振,陈萌. 决策树C4.5算法在数据挖掘中的分析及其应用[J]. 计算机与现代化,2008,12:160-163. 现代智能优化算法课程群智能优化算法综述 学生姓名： 学号： 班级： 2014年6月22日 摘要 工程技术与科学研究中的最优化求解问题十分普遍，在求解过程中，人们创造与发现了许多优秀实用的算法。群智能算法是一种新兴的演化计算技术，已成为越来越多研究者的关注焦点，智能优化算法具有很多优点,如操作简单、收敛速度快、全局收敛性好等。群智能优化是智能优化的一个重要分支，它与人工生命，特别是进化策略以及遗传算法有着极为特殊的联系。群智能优化通过模拟社会性昆虫的各种群体行为，利用群体中个体之间的信息交互和合作实现寻优。本文综述群智能优化算法的原理、主要群智能算法介绍、应用研究及其发展前景。 关键词：群智能；最优化；算法 目录 摘要 (1) 1 概述 (3) 2 定义及原理 (3) 2.1 定义 (3) 2.2 群集智能算法原理 (4) 3 主要群智能算法 (4) 3.1 蚁群算法 (4) 3.2 粒子群算法 (5) 3.3 其他算法 (6) 4 应用研究 (7) 5 发展前景 (7) 6 总结 (8) 参考文献 (9) 1 概述 优化是人们长久以来不断研究与探讨的一个充满活力与挑战的领域。很多实际优化问题往往存 在着难解性,传统的优化方法如牛顿法、共扼梯度法、模式搜索法、单纯形法等己难以满足人们需求。 因此设计高效的优化算法成为众多科研工作者的研究目标。随着人类对生物启发式计算的研究, 一些社会性动物( 如蚁群、蜂群、鸟群) 的自组织行为引起了科学家的广泛关注。这些社会性动物在漫长的进化过程中形成了一个共同的特点: 个体的行为都很简单, 但当它们一起协同工作时, 却能够“突现”出非常复杂的行为特征。基于此,人们设计了许多优化算法,例如蚁群算法、粒子群优化算法、混合蛙跳算法、人工鱼群算法,并在诸多领域得到了成功应用。目前, 群智能理论研究领域主要有两种算法: 蚁群算法(Ant Colony Optimization, ACO) 和粒子群优化算法(ParticleSwarm Optimization, PSO)。 2 定义及原理 2.1 定义 群集智能优化算法源于对自然界的生物进化过程或觅食行为的模拟。它将搜索和优化过程模拟成个体的进化或觅食过程，用搜索空间中的点模拟自然界中的个体；将求解问题的目标函数度量成个体对环境的适应能力；将个体的优胜劣汰过程或觅食过程类比为搜索和优化过程中用好的可行解取代较差可行解的迭代过程。从而，形成了一种以“生成+检验”特征的迭代搜索算法，是一种求解极值问题的自适应人工智能技术。各类优化算法实质上都是建立问题的目标函数，求目标函数的最优解，因而实际工程优化问题均可转化为函数优化问题。其表达形式如下： 求： ,,2,1,0)(..), (min , ,,2,1,),,,(21Lm j X g t s X f n L i x L x x X i T n i =≤== 。Ω∈X 其中， i X 为设计变量；)(X f 为被优化的目标函数；0)(≤X g j 为约束函数；Ω为设计变量的 可行域。 粒子群优化算法综述 摘要：本文围绕粒子群优化算法的原理、特点、改进与应用等方面进行全面综述。侧重于粒子群的改进算法，简短介绍了粒子群算法在典型理论问题和实际工业对象中的应用，并给出了粒子群算三个重要的网址，最后对粒子群算做了进一步展望。 关键词；粒子群算法；应用；电子资源；综述 0.引言 粒子群优化算法]1[(Particle Swarm Optimization ，PSO)是由美国的Kenned 和Eberhar 于1995年提出的一种优化算法,该算法通过模拟鸟群觅食行为的规律和过程，建立了一种基于群智能方法的演化计算技术。由于此算法在多维空间函数寻优、动态目标寻优时有实现容易，鲁棒性好，收敛快等优点在科学和工程领域已取得很好的研究成果。 1. 基本粒子群算法]41[- 假设在一个D 维目标搜索空间中，有m 个粒子组成一个群落，其中地i 个粒子组成一个D 维向量，),,,(21iD i i i x x x x =，m i ,2,1=，即第i 个粒子在D 维目标搜索空间中的位置是i x 。换言之，每个粒子 的位置就是一个潜在的解。将i x 带入一个目标函数就可以计算出其适 应值，根据适应值得大小衡量i x 的优劣。第i 个粒子的飞翔速度也是一个D 维向量，记为),,,(21iD i i i v v v v =。记第i 个粒子迄今为止搜索到的最优位置为),,,(21iD i i i p p p p =，整个粒子群迄今为止搜索到的最优位置为),,,(21gD gi g g p p p p =。 粒子群优化算法一般采用下面的公式对粒子进行操作 )()(22111t id t gd t id t id t id t id x p r c x p r c v v -+-+=+ω (1) 11+++=t id t id t id v x x (2) 式中，m i ,,2,1 =；D d ,,2,1 =；ω是惯性权重， 1c 和2c 是非负常数， 称为学习因子， 1r 和2r 是介于]1,0[间的随机数；],[max max v v v id -∈，max v 是常数，由用户设定。 2. 粒子群算法的改进 与其它优化算法一样PSO 也存在早熟收敛问题。随着人们对算 法搜索速度和精度的不断追求，大量的学者对该算法进行了改进，大致可分为以下两类：一类是提高算法的收敛速度；一类是增加种群多样性以防止算法陷入局部最优。以下是对最新的这两类改进的总结。 2.1.1 改进收敛速度 量子粒子群优化算法]5[:在量子系统中，粒子能够以某一确定的 概率出现在可行解空间中的任意位置，因此，有更大的搜索范围，与传统PSO 法相比，更有可能避免粒子陷入局部最优。虽然量子有更大的搜索空间，但是在粒子进化过程中，缺乏很好的方向指导。针对这个缺陷，对进化过程中的粒子进行有效疫苗接种，使它们朝着更好的进化方向发展，从而提高量子粒子群的收敛速度和寻优能力。 文化粒子群算法]6[:自适应指导文化PSO 由种群空间和信念空间 两部分组成。前者是基于PSO 的进化，而后者是基于信念文化的进化。两个空间通过一组由接受函数和影响函数组成的通信协议联系在一起，接受函数用来收集群体空间中优秀个体的经验知识；影响函数利用解决问题的知识指导种群空间进化；更新函数用于更新信念空间； 德尔菲法案例分析 案例一：德尔菲法应用案列 某公司研制出一种新兴产品，现在市场上还没有相似产品出现，因此没有历史数据可以获得。公司需要对可能的销售量做出预测，以决定产量。于是该公司 成立专家小组，并聘请业务经理、市场专家和销售人员等8位专家，预测全年可 能的销售量。8位专家提出个人判断，经过三次反馈得到结果如下表所示。 专家编 号 第一次判断第二次判断第三次判断 最低销售量最可能销 售量 最高销 售量 最低销 售量 最可能销 售量 最高销 售量 最低销售量 最可能销 售量 最高销售量 1 150 750 900 600 750 900 550 750 900 2 200 450 600 300 500 650 400 500 650 3 400 600 800 500 700 800 500 700 800 4 750 900 1500 600 750 1500 500 600 1250 5 100 200 350 220 400 500 300 500 600 6 300 500 750 300 500 750 300 600 750 7 250 300 400 250 400 500 400 500 600 8 260 300 500 350 400 600 370 410 610 平均数345 500 725 390 550 775 415 570 770 ?平均值预测： 在预测时，最终一次判断是综合前几次的反馈做出的，因此在预测时一般以最后一次判断为主。则如果按照8位专家第三次判断的平均值计算，则预测这个新产品的平均销售量为： （415+570+770）/3=585 ?加权平均预测： 将最可能销售量、最低销售量和最高销售量分别按0.50、0.20和0.30的概率加权平均，则预测平均销售量为：570*0.5+415*0.2+770*0.3=599 ?中位数预测： 用中位数计算，可将第三次判断按预测值高低排列如下： 最低销售量： 300 370 400 500 550 数据挖掘方法综述 [摘要]数据挖掘（DM，DataMining）又被称为数据库知识发现（KDD,Knowledge Discovery in Databases）,它的主要挖掘方法有分类、聚类、关联规则挖掘和序列模式挖掘等。 [关键词]数据挖掘分类聚类关联规则序列模式 1、数据挖掘的基本概念 数据挖掘从技术上说是从大量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含在其中的、人们事先不知道的、但又是潜在的有用的信息和知识的过程。这个定义包括好几层含义: 数据源必须是真实的、大量的、含噪声的、发现的是用户感兴趣的知识, 发现的知识要可接受、可理解、可运用, 并不要求发现放之四海皆准的知识, 仅支持特定的发现问题, 数据挖掘技术能从中自动分析数据进行归纳性推理从中发掘出潜在的数据模式或进行预测, 建立新的业务模型帮助决策者调整策略做出正确的决策。数据挖掘是是运用统计学、人工智能、机器学习、数据库技术等方法发现数据的模型和结构、发现有价值的关系或知识的一门交叉学科。数据挖掘的主要方法有分类、聚类和关联规则挖掘等 2、分类 分类（Classification）又称监督学习（Supervised Learning）。监 督学习的定义是：给出一个数据集D，监督学习的目标是产生一个联系属性值集合A和类标（一个类属性值称为一个类标）集合C的分类/预测函数，这个函数可以用于预测新的属性集合（数据实例）的类标。这个函数就被称为分类模型（Classification Model），或者是分类器（Classifier）。分类的主要算法有：决策树算法、规则推理、朴素贝叶斯分类、支持向量机等算法。 决策树算法的核心是Divide-and-Conquer的策略，即采用自顶向下的递归方式构造决策树。在每一步中，决策树评估所有的属性然后选择一个属性把数据分为m个不相交的子集，其中m是被选中的属性的不同值的数目。一棵决策树可以被转化成一个规则集，规则集用来分类。 规则推理算法则直接产生规则集合，规则推理算法的核心是Separate-and-Conquer的策略，它评估所有的属性-值对（条件），然后选择一个。因此，在一步中，Divide-and-Conquer策略产生m条规则，而Separate-and-Conquer策略只产生1条规则，效率比决策树要高得多，但就基本的思想而言，两者是相同的。 朴素贝叶斯分类的基本思想是：分类的任务可以被看作是给定一个测试样例d后估计它的后验概率，即Pr（C=c j︱d），然后我们考察哪个类c j对应概率最大，便将那个类别赋予样例d。构造朴素贝叶斯分类器所需要的概率值可以经过一次扫描数据得到，所以算法相对训练样本的数量是线性的，效率很高，就分类的准确性而言，尽管算法做出了很强的条件独立假设，但经过实际检验证明，分类的效果还是 《司法鉴定概论》 学院：___________ 班级：_____学号：_______________姓名：__________ 一、单项选择题（每题2分，共20分） 1、不属于司法鉴定原则的是（） A．科学原则B．对委托人负责原则 C．客观原则D．合法原则 2、根据《全国人大常委会关于司法鉴定管理问题的决定》的规定，对鉴定人和鉴定机构进行登记、名册编制和公告的部门是：（） A．国务院 B. 国务院司法行政部门C省级人民政府司法行政部门D县司法局 3、按我国有关法律规定，选择司法鉴定人正确的说法是（） A.必须是政法机关内专职技术人员 B.必须是权威技术专家 C.必须是具有高级专业技术职称的人员 D.司法机关为鉴定专门性问题指派或聘请专门知识的人 4、种属认定鉴定意见的意义是（） A被、供认定客体本质特征相同B可以肯定具体事实存在 C被、供认定客体种类相同D二种客体均与案件无关系 5、选择正确的提法（） A.补充鉴定的鉴定人的级别必须比初鉴定者高 B.司法鉴定人在科技活动面前一律平等 C.司法鉴定活动受到司法机关相应职能的约束 D.司法鉴定实行领导负责制 6、司法鉴定意见不能作为证据使用的是（） A.与证言矛盾的鉴定意见不能被采信 B.与侦审人员分析判断意见不同的鉴定意见不能被采信 C.与相关事实不符的鉴定意见不能被采信 D.上级单位有不同看法的鉴定意见不能被采信 7、关于重新鉴定正确的说法是（） A.重新鉴定的鉴定人的级别必须比初鉴定者高 B.重新鉴定与初次鉴定在鉴定材料、鉴定事项等方面是一样的，否则不属于严格意义上的重新鉴定 C.重新鉴定意见的证据效力比初次鉴定意见高 D.应尽量限制重新鉴定，否则出现就同一个专门性问题出现不同鉴定意见时会给司法人员带来很大的麻烦 8、迄今为止法医学实践的最早的文字记载见于（） A.《封诊式》 B.《法律答问》 C.《礼记·月令·孟秋之月》 D. 《洗冤集录》 9.下不属于计算机司法鉴定客体特征的是（） A.动态性 B.隐蔽性 C.复杂性 D.双重性 10、判断涉及财务会计业务内容的文字证据能否作为定案依据是活动。（） 智能优化算法的统一框架 指导老师：叶晓东教授 姓名：李进阳 学号：2 班级：电磁场与微波技术5班 2011年6月20日 目录 1 概述 (3) 2群体智能优化算法.................................. 错误!未定义书签。 人工鱼群算法 (4) 蚁群算法 (5) 混合蛙跳算法 (9) 3神经网络算法 (10) 神经网络知识点概述 (10) 神经网络在计算机中的应用 (11) 4模拟退火算法 (15) 5遗传算法.......................................... 错误!未定义书签。 遗传算法知识简介 (17) 遗传算法现状 (18) 遗传算法定义 (19) 遗传算法特点和应用 (20) 遗传算法的一般算法 (21) 遗传算法的基本框架 (26) 6总结 (28) 7感谢 (29) 1概述 近年来，随着人工智能应用领域的不断拓广，传统的基于符号处理机制的人工智能方法在知识表示、处理模式信息及解决组合爆炸等方面所碰到的问题已变得越来越突出，这些困难甚至使某些学者对强人工智能提出了强烈批判，对人工智能的可能性提出了质疑。众所周知，在人工智能领域中，有不少问题需要在复杂而庞大的搜索空间中寻找最优解或准优解。像货朗担问题和规划问题等组合优化问题就是典型的例子。在求解此类问题时，若不能利用问题的固有知识来缩小搜索空间则会产生搜索的组合爆炸。因此，研究能在搜索过程中自动获得和积累有关搜索空间的知识，并能自适应地控制搜索过程，从而得到最优解或准有解的通用搜索算法一直是令人瞩目的课题。智能优化算法就是在这种背景下产生并经实践证明特别有效的算法。 2群体智能优化算法 自然界中群体生活的昆虫、动物,大都表现出惊人的完成复杂行为的能力。人们从中得到启发,参考群体生活的昆虫、动物的社会行为,提出了模拟生物系统中群体生活习性的群体智能优化算法。在群体智能优化算法中每一个个体都是具有经验和智慧的智能体 (Agent) ,个体之间存在互相作用机制,通过相互作用形成强大的群体智慧来解决复杂的问题。自 20世纪 90年代模拟蚂蚁行为的蚁群算法(ACO)提出以来,又产生了模拟鸟类行为的微粒群算法 ( PSO)、模拟鱼类生存习性的人工鱼群算法、模拟青蛙觅食的混合蛙跳算法 ( SFLA)等。这些群体智能优化算法的出现,使原来一些复杂的、难于用常规的优化算法进行处理的问题可以得到解决,大大增强了人们解决和处理优化问题的能力,这些算法不断地用于解决工程实际中的问题,使得人们投入更大的精力对其理论和实际应用进行研究。群体智能优化算法本质上是一种概率搜索,它不需要问题的梯度信息具有以下不同于传统优化算法的特点: ①群体中相互作用的个体是分布式的,不存在直接的中心控制,不会因为个别个体出现故障而影响群体对问题的求解,具有较强的鲁棒性; ②每个个体只能感知局部信息,个体的能力或遵循规则非常简单,所以群体智能的实现简单、方便; ③系统用于通信的开销较少,易于扩充; ④自 粒子群算法综述 【摘要】：粒子群算法(pso)是一种新兴的基于群体智能的启发式全局搜索算法，具有易理解、易实现、全局搜索能力强等特点，倍受科学与工程领域的广泛关注，已得到广泛研究和应用。为了进一步推广应用粒子群算法并为深入研究该算法提供相关资料，本文对目前国内外研究现状进行了全面分析，在论述粒子群算法基本思想的基础上，围绕pso的运算过程、特点、改进方式与应用等方面进行了全面综述，并给出了未来的研究方向展望。 【关键词】：粒子群算法优化综述 优化理论的研究一直是一个非常活跃的研究领域。它所研究的问题是在多方案中寻求最优方案。人们关于优化问题的研究工作，随着历史的发展不断深入，对人类的发展起到了重要的推动作用。但是，任何科学的进步都受到历史条件的限制，直到二十世纪中期，由于高速数字计算机日益广泛应用，使优化技术不仅成为迫切需要，而且有了求解的有力工具。因此，优化理论和算法迅速发展起来，形成一门新的学科。至今已出现线性规划、整数规划、非线性规划、几何规划、动态规划、随机规划、网络流等许多分支。这些优化技术在诸多工程领域得到了迅速推广和应用，如系统控制、人工智能、生产调度等。随着人类生存空间的扩大，以及认识世界和改造世界范围的拓宽，常规优化法如牛顿法、车辆梯度法、模式搜索法、单纯形法等已经无法处理人们所面的复杂问题，因此高效的 优化算法成为科学工作者的研究目标之一。 1.粒子群算法的背景 粒子群算法(particle swarm optimization，pso)是一种新兴的演化算法。该算法是由j.kennedy和r.c.eberhart于1995年提出的一种基于群智能的随机优化算法。这类算法的仿生基点是：群集动物(如蚂蚁、鸟、鱼等)通过群聚而有效的觅食和逃避追捕。在这类群体的动物中，每个个体的行为是建立在群体行为的基础之上的，即在整个群体中信息是共享的，而且在个体之间存在着信息的交换与协作。如在蚁群中，当每个个体发现食物之后，它将通过接触或化学信号来招募同伴，使整个群落找到食源；在鸟群的飞行中，每只鸟在初始状态下处于随机位置，且朝各个方向随机飞行，但随着时间推移，这些初始处于随机状态的鸟通过相互学习(相互跟踪)组织的聚集成一个个小的群落，并以相同的速度朝着相同的方向飞行，最终整个群落聚集在同一位置──食源。这些群集动物所表现的智能常称为“群体智能”，它可表述为：一组相互之间可以进行直接通讯或间接通讯(通过改变局部环境)的主体，能够通过合作对问题进行分布求解。换言之，一组无智能的主体通过合作表现出智能行为特征。粒子群算法就是以模拟鸟的群集智能为特征，以求解连续变量优化问题为背景的一种优化算法。因其概念简单、参数较少、易于实现等特点，自提出以来已经受到国内外研究者的高度重视并被广泛应用于许多领域。 摘要：随着计算机技术的飞速发展，智能计算方法的应用领域也越来越广泛，本文介绍了当前存在的一些智能计算方法，阐述了其工作原理和特点，同时对智能计算方法的发展进行了展望。关键词：人工神经网络遗传算法模拟退火算法群集智能蚁群算法粒子群算1什么是智能算法智能计算也有人称之为“软计算”，是们受自然（生物界）规律的启迪，根据其原理，模仿求解问题的算法。从自然界得到启迪，模仿其结构进行发明创造，这就是仿生学。这是我们向自然界学习的一个方面。另一方面，我们还可以利用仿生原理进行设计(包括设计算法)，这就是智能计算的思想。这方面的内容很多，如人工神经网络技术、遗传算法、模拟退火算法、模拟退火技术和群集智能技术等。 2人工神经网络算法“人工神经网络”(ARTIFICIALNEURALNETWORK，简称ANN)是在对人脑组织结构和运行机制的认识理解基础之上模拟其结构和智能行为的一种工程系统。早在本世纪40年代初期，心理学家McCulloch、数学家Pitts就提出了人工神经网络的第一个数学模型，从此开创了神经科学理论的研究时代。其后，FRosenblatt、Widrow和J.J.Hopfield等学者又先后提出了感知模型，使得人工神经网络技术得以蓬勃发展。神经系统的基本构造是神经元(神经细胞)，它是处理人体内各部分之间相互信息传递的基本单元。据神经生物学家研究的结果表明，人的一个大脑一般有1010～1011个神经元。每个神经元都由一个细胞体，一个连接其他神经元的轴突和一些向外伸出的其它较短分支——树突组成。轴突的功能是将本神经元的输出信号(兴奋)传递给别的神经元。其末端的许多神经末梢使得兴奋可以同时传送给多个神经元。树突的功能是接受来自其它神经元的兴奋。神经元细胞体将接受到的所有信号进行简单处理(如：加权求和，即对所有的输入信号都加以考虑且对每个信号的重视程度——体现在权值上——有所不同)后由轴突输出。神经元的树突与另外的神经元的神经末梢相连的部分称为突触。 2.1人工神经网络的特点人工神经网络是由大量的神经元广泛互连而成的系统，它的这一结构特点决定着人工神经网络具有高速信息处理的能力。人脑的每个神经元大约有103～104个树突及相应的突触，一个人的大脑总计约形成1014～1015个突触。用神经网络的术语来说，即是人脑具有1014～1015个互相连接的存储潜力。虽然每个神经元的运算功能十分简单，且信号传输速率也较低(大约100次/秒)，但由于各神经元之间的极度并行互连功能，最终使得一个普通人的大脑在约1秒内就能完成现行计算机至少需要数10亿次处理步骤才能完成的任务。人工神经网络的知识存储容量很大。在神经网络中，知识与信息的存储表现为神经元之间分布式的物理联系。它分散地表示和存储于整个网络内的各神经元及其连线上。每个神经元及其连线只表示一部分信息，而不是一个完整具体概念。只有通过各神经元的分布式综合效果才能表达出特定的概念和知识。由于人工神经网络中神经元个数众多以及整个网络存储信息容量的巨大，使得它具有很强的不确定性信息处理能力。即使输入信息不完全、不准确或模糊不清，神经网络仍然能够联想思维存在于记忆中的事物的完整图象。只要输入的模式接近于训练样本，系统就能给出正确的推理结论。 [!--empirenews.page--]正是因为人工神经网络的结构特点和其信息存储的分布式特点，使得它相对于其它的判断识别系统，如：专家系统等，具有另一个显著的优点：健壮性。生物神经网络不会因为个别神经元的损失而失去对原有模式的记忆。最有力的证明是，当一个人的大脑因意外事故受轻微损伤之后，并不会失去原有事物的全部记忆。人工神经网络也有类似的情况。因某些原因，无论是网络的硬件实现还是软件实现中的某个或某些神经元失效，整个网络仍然能继续工作。人工神经网络是一种非线性的处理单元。只有当神经元对所有的输入信号的综合处理结果超过某一门限值后才输出一个信号。因此神经网络是一种具有高度非线性的超大规模连续时间动力学系统。它突破了传统的以线性处理为基础的数字电子计算机的局限，标志着人们智能信息处理能力和模拟人脑智能行为能力的一大飞跃。 2.2几种典型神经网络简介 2.2.1多层感知网络(误差逆传播神经网络) 在1986年以Rumelhart和McCelland为首的科学家出版的《ParallelDistributedProcessing》一书中，完整地提出了误差逆传播学习算法，并被广泛 数据挖掘分类算法介绍 ----------------------------------------------------------------------------------------------------------------------------- 分类是用于识别什么样的事务属于哪一类的方法，可用于分类的算法有决策树、bayes分类、神经网络、支持向量机等等。 决策树 例1 一个自行车厂商想要通过广告宣传来吸引顾客。他们从各地的超市获得超市会员的信息，计划将广告册和礼品投递给这些会员。 但是投递广告册是需要成本的，不可能投递给所有的超市会员。而这些会员中有的人会响应广告宣传，有的人就算得到广告册不会购买。 所以最好是将广告投递给那些对广告册感兴趣从而购买自行车的会员。分类模型的作用就是识别出什么样的会员可能购买自行车。 自行车厂商首先从所有会员中抽取了1000个会员，向这些会员投递广告册，然后记录这些收到广告册的会员是否购买了自行车。 数据如下： 在分类模型中，每个会员作为一个事例，居民的婚姻状况、性别、年龄等特征作为输入列，所需预测的分类是客户是否购买了自行车。 使用1000个会员事例训练模型后得到的决策树分类如下： ※图中矩形表示一个拆分节点，矩形中文字是拆分条件。 ※矩形颜色深浅代表此节点包含事例的数量，颜色越深包含的事例越多，如全部节点包含所有的1000个事例，颜色最深。经过第一次基于年龄的拆分后，年龄大于67岁的包含36个事例，年龄小于32岁的133个事例，年龄在39和67岁之间的602个事例，年龄32和39岁之间的229个事例。所以第一次拆分后，年龄在39和67岁的节点颜色最深，年龄大于67岁的节点颜色最浅。 ※节点中的条包含两种颜色，红色和蓝色，分别表示此节点中的事例购买和不购买自行车的比例。如节点“年龄>=67”节点中，包含36个事例，其中28个没有购买自行车，8个购买了自行车，所以蓝色的条比红色的要长。表示年龄大于67的会员有74.62%的概率不购买自行车，有23.01%的概率购买自行车。 在图中，可以找出几个有用的节点： 1. 年龄小于32岁，居住在太平洋地区的会员有7 2.75%的概率购买自行车； 2. 年龄在32和39岁之间的会员有68.42%的概率购买自行车； 3. 年龄在39和67岁之间，上班距离不大于10公里，只有1辆汽车的会员有66.08%的概率购买自行车； 现代智能优化算法课程群智能优化算法综述学生姓名: 学号: 班级: 2014年6月22日 摘要 工程技术与科学研究中的最优化求解问题十分普遍,在求解过程中,人们创造与发现了许多优秀实用的算法。群智能算法就是一种新兴的演化计算技术,已成为越来越多研究者的关注焦点,智能优化算法具有很多优点,如操作简单、收敛速度快、全局收敛性好等。群智能优化就是智能优化的一个重要分支,它与人工生命,特别就是进化策略以及遗传算法有着极为特殊的联系。群智能优化通过模拟社会性昆虫的各种群体行为,利用群体中个体之间的信息交互与合作实现寻优。本文综述群智能优化算法的原理、主要群智能算法介绍、应用研究及其发展前景。 关键词:群智能;最优化;算法 目录 摘要 0 1 概述 (2) 2 定义及原理 (2) 2、1 定义 (2) 2、2 群集智能算法原理 (3) 3 主要群智能算法 (3) 3、1 蚁群算法 (3) 3、2 粒子群算法 (4) 3、3 其她算法 (5) 4 应用研究 (6) 5 发展前景 (6) 6 总结 (7) 参考文献 (8) 1 概述 优化就是人们长久以来不断研究与探讨的一个充满活力与挑战的领域。很多实际优化问题往往存 在着难解性,传统的优化方法如牛顿法、共扼梯度法、模式搜索法、单纯形法等己难以满足人们需求。 因此设计高效的优化算法成为众多科研工作者的研究目标。随着人类对生物启发式计算的研究, 一些社会性动物( 如蚁群、蜂群、鸟群) 的自组织行为引起了科学家的广泛关注。这些社会性动物在漫长的进化过程中形成了一个共同的特点: 个体的行为都很简单, 但当它们一起协同工作时, 却能够“突现”出非常复杂的行为特征。基于此,人们设计了许多优化算法,例如蚁群算法、粒子群优化算法、混合蛙跳算法、人工鱼群算法,并在诸多领域得到了成功应用。目前, 群智能理论研究领域主要有两种算法: 蚁群算法(Ant Colony Optimization, ACO) 与粒子群优化算法(ParticleSwarm Optimization, PSO)。 2 定义及原理 2、1 定义 群集智能优化算法源于对自然界的生物进化过程或觅食行为的模拟。它将搜索与优化过程模拟成个体的进化或觅食过程,用搜索空间中的点模拟自然界中的个体;将求解问题的目标函数度量成个体对环境的适应能力;将个体的优胜劣汰过程或觅食过程类比为搜索与优化过程中用好的可行解取代较差可行解的迭代过程。从而,形成了一种以“生成+检验”特征的迭代搜索算法,就是一种求解极值问题的自适应人工智能技术。各类优化算法实质上都就是建立问题的目标函数,求目标函数的最优解,因而实际工程优化问题均可转化为函数优化问题。其表达形式如下: 求: ,,2,1,0)(..), (min , ,,2,1,),,,(21Lm j X g t s X f n L i x L x x X i T n i =≤== 。Ω∈X 其中,i X 为设计变量;)(X f 为被优化的目标函数;0)(≤X g j 为约束函数;Ω为设计变量的可行 德尔菲法在战略咨询中的应用(2009-12-20 21:36:43)转载标签：德尔菲法专家法战略项宝华财经 项宝华老师把认为战略管理中存在三个假设：目标使命、外部环境、资源实力。这是一个企业制定战略的基本假设。在“三假设”的前提下，提出了“特色、取舍、组合”的三出路。 战略管理的“三假设”中有一部分是较有感性的部分，即一个企业的愿景、使命、目标。这部分会在企业家的潜意识中存在，但往往没有清晰化、文字化、集体化。 有一个非常好的游戏可以作为这部分战略咨询的开始。就是给公司认为起战略作用或负有战略责任的高级管理人员每个人发一张纸，让他们写出自己心目中认为公司的愿景是什么，公司的使命是什么，公司的目标是什么。对于一个没有做过战略的公司，往往会出现一种情况，就是每个高管给出的答案都是不同的。这里要特别注意的是：在要求高管写出企业的愿景、使命、价值观的时同，要让他们写明，为什么会这么认为。如果所有的高层管理人员的答案是一致的，那么我认为这个企业在战略假设方面是高度一致的，工作的重点可能会转向战略实施和变革管理方面，而不是再继续在战略的三假设和三出路里打转转。但一般企业，特别是请咨询公司的企业，每个高管都会给出不同的答案，所谓是“有疑则卜”嘛。 第二步就是去分析其它两个假设，一个是企业的资源实力，一个是企业的外部环境。这两个假设也都可以采用德尔菲法来操作，当然也可以采用其它方法。众成咨询在给中粮美特做战略的时候，对企业资源实力采用的方法就是德尔菲法，但在操作中，并没有严格执行，更像一种问卷统计法。 在“三假设”都完成后，就会考虑企业战略路径的选择。也就是所谓三出路：特色、取舍、组合。这部分内容，是企业战略中最具创意力的部分，同样可以用德尔菲法进行操作：让每一位高管（包括外部专家），写出自己理想中的业务形态，并写出自己的原因，最后通过几轮的修正，达成共识。 在战略管理中运用德尔菲法，如果操作得当，会有以下两个好处： 1战略的制定者就是战略的实施者。德尔菲法可以让企业的核心骨干都作为战略设计者出现，并且通过反复的论证，吸收同事的合理意见，最后达成一个一致的目标； 2战略的制定过程中把科学分析与企业经营者的直觉相结合。我始终有一个观点，靠分析、模板是制定不出好的战略的。好的战略一定是科学分析与企业经营者偏好、直觉相结合的结果，而德尔菲法能很好的平衡这两者之间的关系。 钻石是指经过琢磨的金刚石，金刚石是一种天然矿物，是钻石的原石。简单地讲，钻石 是在地球深部高压、高温条件下形成的一种由碳元素组成的单质晶体。人类文明虽有几千年的历史，但人们发现和初步认识钻石却只有几百年，而真正揭开钻石内部奥秘的时间则更短。在此之前，伴随它的只是神话般具有宗教色彩的崇拜和畏惧的传说，同时把它视为勇敢、权力、地位和尊贵的象征。如今，钻石不再神秘莫测，更不是只有皇室贵族才能享用的珍品。它已成为百姓们都可拥有、佩戴的大众宝石。钻石的文化源远流长，今天人们更多地把它看成是爱情和忠贞的象征。 钻石的重量单位： 卡，或译克拉、克拉（Carat），是钻石的质量单位。一卡相等于200毫克，相传早期钻石商人称量钻石所用的砝码为稻子豆树（carob）果实，一粒这样的果实大约就重200毫克。因为钻石的密度基本上相同，因此越重的钻石体积越大。越大的钻石越稀有，每卡的价值亦越高。 评价与选购 钻石的质量好坏取决于钻石的4C标准，钻石的4C即钻石评价标准。它包括钻石的卡、净度、色级、和切工。卡是我们常说的克拉，表示钻石的大小。净度是指钻石中瑕疵的多少，瑕疵少的级别就高，可以反射出耀眼的光芒。但是如果钻石的瑕疵多，就可能造成钻石的表面非常暗淡。色级是指钻石的颜色级别，钻石的颜色由最罕贵的完全无色至黄、褐色，色泽越浅的钻石，光线越易于穿透，这是4C中最直观的。 颜色(Colour) 无色为最好，色调越深，质量越差。在无色钻石分级里，顶级颜色是D 色，依次往下排列到Z，在这里只说从D到J的颜色级别，D-F是无色级别，G-J是近无色级别，从K往下基本没有收藏意义，K色以下的戒托做黄金的也很漂亮。因为从K往下钻石就会逐渐偏黄，选钻的时候，选H 以上的颜色，I-J级别也在近无色范畴，但也能察觉到一丝微黄．具有彩色的钻石，如：黄色、绿色、蓝色、褐色、粉红色、橙色、红色、黑色、紫色等，属于钻石中珍品，价格昂贵。红钻最为名贵. 不同国家和地区分别采用不同的颜色分级体系，美国宝石学院的分为23个级别，分别用英文字母D－Z来表示。其中D－N这11个级别是最常用的。欧洲的颜色级别体系CIBJO为代表。我国1996年新制定的国家标准综合了GIA、CIBJO，该标准将颜色划分为12个级别，并用D－N和 龙源期刊网 https://www.wendangku.net/doc/c710117701.html, 文化算法融合传统智能优化算法的研究综述 作者：贾丽丽 来源：《计算机光盘软件与应用》2013年第09期 摘要：本文介绍了文化算法的基本原理，总结了文化算法与遗传算法、粒子群算法、差分进化算法、免疫克隆选择算法等智能算法的融合技术及其应用，为进一步深入研究文化算法与其他智能算法融合，以及多个智能算法相结合的研究和应用提供了参考和借鉴。 关键词：文化算法；遗传算法；粒子群算法；差分进化；免疫克隆选择算法 中图分类号：TP301.6 文献标识码：A 文章编号：1007-9599 （2013） 09-0000-02 1 引言 Reynolds于1994年提出文化算法，该算法的双层进化机制为进化计算中的知识引导提供了通用框架，具有许多优良特性。文化算法不仅克服了其他进化算法的局限性，而且还克服了其他进化算法产生的退化现象，文化算法能根据具体情况设计种群空间、信仰空间、接受函数和影响函数，有很强的可扩充性，易于与其他方法结合，能够使其以一定的速度进化和适应环境，并互相弥补各传统算法的不足，提高算法的全局搜索能力、收敛速度、收敛性、计算精度等，适用范围广泛。 文化算法及其与传统智能算法相结合的研究刚刚兴起，本文在介绍文化算法基本原理的基础上，对国内近五年文化算法与遗传算法、粒子群算法、差分进化算法、免疫克隆选择算法等相结合的研究进行了综述，为进一步深入研究文化算法与其他智能算法相融合以及多个智能算法相结合的应用提供了借鉴和参考。 2 文化算法基本原理 文化算法（CA）是由种群空间和信仰空间构成的双层进化机制，主要包括三部分：种群空间、信仰空间和通信协议。文化算法的基本框架如图： 种群空间是生物个体根据一定的行为准则进化而组成的。信仰空间是文化形成、存储、更新、传递的进化过程。两个相对独立的进化过程，但又由通信协议将二者联系在一起，相互影响和促进，通信协议主要包括接受函数和影响函数。 3 文化-遗传算法 遗传算法（GA）是一种基于自然选择和基因遗传学原理的随机并行搜索算法。遗传算法随着算法的进行其种群多样性逐渐消失，很容易于陷入早熟收敛，引入随机种群可以改善种群的多样性问题，但是又影响到算法的效率。目前，一些学者通过文化算法和遗传算法结合，将 粒子群优化算法 1. 引言 粒子群优化算法(PSO)是一种进化计算技术(evolutionary computation)，由Eberhart博士和kennedy博士发明。源于对鸟群捕食的行为研究 PSO同遗传算法类似，是一种基于迭代的优化工具。系统初始化为一组随机解，通过迭代搜寻最优值。但是并没有遗传算法用的交叉(crossover)以及变异(mutation)。而是粒子在解空间追随最优的粒子进行搜索。详细的步骤以后的章节介绍 同遗传算法比较，PSO的优势在于简单容易实现并且没有许多参数需要调整。目前已广泛应用于函数优化，神经网络训练，模糊系统控制以及其他遗传算法的应用领域 2. 背景: 人工生命 "人工生命"是来研究具有某些生命基本特征的人工系统. 人工生命包括两方面的容 1. 研究如何利用计算技术研究生物现象 2. 研究如何利用生物技术研究计算问题 我们现在关注的是第二部分的容. 现在已经有很多源于生物现象的计算技巧. 例如, 人工神经网络是简化的大脑模型. 遗传算法是模拟基因进化过程的. 现在我们讨论另一种生物系统- 社会系统. 更确切的是, 在由简单个体组成的群落与环境以及个体之间的互动行为. 也可称做"群智能"(swarm intelligence). 这些模拟系统利用局部信息从而可能产生不可预测的群体行为 例如floys 和boids, 他们都用来模拟鱼群和鸟群的运动规律, 主要用于计算机视觉和计算机辅助设计. 在计算智能(computational intelligence)领域有两种基于群智能的算法. 蚁群算法(ant colony optimization)和粒子群算法(particle swarm optimization). 前者是对蚂蚁群落食物采集过程的模拟. 已经成功运用在很多离散优化问题上. 粒子群优化算法(PSO) 也是起源对简单社会系统的模拟. 最初设想是模拟鸟群觅食的过程. 但后来发现PSO是一种很好的优化工具. 3. 算法介绍 判断题 1、司法鉴定制度可必诉讼制度的改革程度高。错误 2、司法鉴定管理体制的改革目标是要建立统一的司法鉴定管理体制。正确 3、司法鉴定制度是立法制度的组成部分。错误 4、鉴定委托是指司法鉴定的委托主体向鉴定委托受理主体提出进行某项鉴定活动的 要求，鉴定委托涉及到鉴定事项和鉴定要求。正确 5、质证是指当事人及辩护人、诉讼代理人对鉴定意见向鉴定人询问、质疑及专门知识 人对鉴定人的询问和鉴定人针对质询就鉴定意见做出的回答、说明等诉讼活动。正确 单选题 1、改革的（）目标是要通过依法科学配置司法权和司法行政权，合理划分诉讼活动中 各诉讼参与机关的鉴定管理资源，建立起相互配合、协调、补充的运行机制，实现司法鉴定管理与使用的有机衔接，构建有中国特色、适应诉讼需要、符合宪法法律要求的统一的司法鉴定管理体制。制度 2、改革的（）目标是要明确鉴定范围和管理部门，统一准入条件和标准，逐步解决 鉴定过程中的突出问题。政策 3、改革的（）目标是要通过实现鉴定公正与程序公正实际工作的统一，适应诉讼的 需要，保障当事人的诉讼权利，促进公正司法，提高司法效力，维护司法权威，防止冤假错案，维护公民的合法权益和社会公平正义。现实 4、鉴定（）是指司法鉴定机构对侦查机构、人民检察院、法院一些诉讼当事人的鉴 定委托事项进行审查，对于符合条件的委托予以接受并签订协议的过程。受理 5、证据能力是指鉴定机构、鉴定人是否具有（）资格。主体 多选题 1、进一步贯彻党的十八届四中全会精神，要从（）方面推进司法鉴定改革发展。ABCD 2、司法鉴定工作的基本经验包括（）。ABCD 3、质证方法主要是调查询问，包括（）等交替进行。ABCD 4、以下属于鉴定意见的质证内容的是（）。ABCD 人工智能最优潮流算法综述 摘要：最优潮流是一个典型的非线性优化问题，且由于约束的复杂性使得其计算复杂，难度较大。目前人们已经拥有了分别适用于不同场合的各种最优潮流算法，包括经典法和人工智能法。其中人工智能算法是近些年人们开始关注的，一种基于自然界和人类自身有效类比而从中获得启示的算法。这类算法较有效地解决了全局最优问题，能精确处理离散变量，但因其属于随机搜索的方法，计算速度慢难以适应在线计算。本文着力总结新近的人工智能算法，列举其中具有代表性的遗传算法、模拟退火算法、粒子群算法等以及其相应的改进算法，以供从事电力系统最优潮流计算的人员参考。 关键词：最优潮流；智能算法；遗传算法；粒子群算法； 0.引言 所谓最优潮流(Optimal Power Flow，OPF)，就是当系统的结构参数及负荷情况给定时，通过对某些控制变量的优化，所能找到的在满足所有指定约束条件的前提下，使系统的某一个或多个性能指标达到最优时的潮流分布。为了对电力系统最优潮流的各种模型更好地进行求解，世界各国的学者从改善收敛性能和提高计算速度的角度，提出了求解最优潮流的各种计算方法，包括经典法和人工智能法。其中最优潮流的经典算法是基于线性规划、非线性规划以及解耦原则的计算解法，是研究最多的最优潮流算法。目前，已经运用于电力系统最优潮流的算法有简化梯度法、牛顿法、内点法等经典算法；而随着计算机的发展和人工智能研究水平的提高，现在也逐渐产生了一系列基于智能原理的如遗传算法、模拟退火算法和粒子群算法等人工智能算法，两类算法互补应用于最优潮流问题中。 1.概述 人工智能算法，亦称“软算法”，是人们受到自然界（包括人类自身）的规律启迪，根据探索其外在表象和内在原理，进行模拟从而对问题求解的算法。 电力系统最优潮流问题研究中，拥有基于运筹学传统优化方法的经典算法，主要有包括线性规划法和非线性规划法，如简化梯度法、牛顿法、内点法和解耦法等解算方法，这类算法的特点是以一阶或二阶梯度作为寻找最优解的主要信息。这些经典优化算法依赖于精确的数学模型，但精确的数学模型比较复杂，难以适应实时控制要求，而粗略的数学模型又存在较大误差。 而随着科学技术领域中多学科的交叉和渗透，优化算法领域逐渐出现了一系列人工智能优化算法，也称之为基于随即搜索的优化方法，其中以遗传算法、模拟退火算法和粒子群算法等为代表。由于基于随机搜索的优化方法具备全局寻优能力，对函数性态的依赖性小，可解决寻找全局最优解的问题和离散变量处理上的困难，近年来在最优潮流领域中迅猛发展并得到广泛研究。 2.最优潮流人工智能算法 2.1.遗传算法(GA) 遗传算法是效仿基于自然选择的生物进化、模仿生物进化过程的随机方法。算法采纳了自然进化模型，其基本操作主要有选择、交叉和变异三种。用遗传算法进行0PF计算首先对控制变量进行编码而形成进化的个体，随机产生若干个符合OPF约束条件的个体作为初始种群，计算每个个体的适应度函数值，按照某种选择策略从中选择出第一代父体进行交叉和变异操作，产生新的子代，验证每个子代是否符合OPF的约束条件，若符合则进入下一代，否则重新产生一个符合约束条件的个体来补充，如此重复进行计算直到符合终止条件。遗传算法OPF能够在全局收敛至最优解或近似最优解，但计算群智能优化算法综述
粒子群优化算法综述
德尔菲法案例分析
数据挖掘算法综述
(完整word版)司法鉴定概论试卷及答案
智能优化算法综述
粒子群算法综述
智能算法综述
数据挖掘分类算法介绍
群智能优化算法综述
德尔菲的决策
钻石鉴别方法综述
文化算法融合传统智能优化算法的研究综述
粒子群优化算法综述
司法鉴定工作概论(下)
人工智能最优潮流算法综述