Ⅰ 蟻群 神經網路 微分進化 遺傳演算法 具體應用難易程度
要來個對比么？
其中蟻群演算法、遺傳演算法我比較熟悉，神經網路稍有了解，微分進化演算法不熟悉。要說應用的難易程度，我排個序，由難到易依次為：神經網路->遺傳演算法->蟻群演算法->微分進化。
具體實施時，除神經網路較復雜外，其他三種演算法都還好。
Ⅱ 蟻群演算法車輛路徑優化問題信息素如何選擇
述了。
目前蟻群演算法主要用在組合優化方面，基本蟻群演算法的思路是這樣的：
1. 在初始狀態下，一群螞蟻外出，此時沒有信息素，那麼各自會隨機的選擇一條路徑。
2. 在下一個狀態，每隻螞蟻到達了不同的點，從初始點到這些點之間留下了信息素，螞蟻繼續走，已經到達目標的螞蟻開始返回，與此同時，下一批螞蟻出動，它們都會按照各條路徑上信息素的多少選擇路線(selection)，更傾向於選擇信息素多的路徑走（當然也有隨機性）。
3. 又到了再下一個狀態，剛剛沒有螞蟻經過的路線上的信息素不同程度的揮發掉了(evaporation)，而剛剛經過了螞蟻的路線信息素增強(reinforcement)。然後又出動一批螞蟻，重復第2個步驟。
每個狀態到下一個狀態的變化稱為一次迭代，在迭代多次過後，就會有某一條路徑上的信息素明顯多於其它路徑，這通常就是一條最優路徑。
關鍵的部分在於步驟2和3：
步驟2中，每隻螞蟻都要作出選擇，怎樣選擇呢？
selection過程用一個簡單的函數實現：
螞蟻選擇某條路線的概率＝該路線上的信息素÷所有可選擇路線的信息素之和
假設螞蟻在i點，p(i,j)表示下一次到達j點的概率，而τ(i,j)表示ij兩點間的信息素，則：
p(i,j)＝τ(i,j)/∑τ(i)
（如果所有可選路線的信息素之和∑τ(i)＝0，即前面還沒有螞蟻來過，概率就是一個[0,1]上的隨機值，即隨機選擇一條路線）
步驟3中，揮發和增強是演算法的關鍵所在（也就是如何數學定義信息素的）
evaporation過程和reinforcement過程定義了一個揮發因子，是迭代次數k的一個函數
ρ(k)＝1－lnk/ln(k+1)
最初設定每條路徑的信息素τ(i,j,0)為相同的值
然後，第k+1次迭代時，信息素的多少
對於沒有螞蟻經過的路線：τ(i,j,k+1)＝(1－ρ(k))τ(i,j,k)，顯然信息素減少了
有螞蟻經過的路線：τ(i,j,k+1)＝(1－ρ(k))τ(i,j,k)＋ρ(k)/|W|，W為所有點的集合
為什麼各個函數要如此定義，這個問題很難解釋清楚，這也是演算法的精妙所在。如此定義信息素的揮發和增強，以及路徑選擇，根據馬爾可夫過程（隨機過程之一）能夠推導出，在迭代了足夠多次以後，演算法能夠收斂到最佳路徑。
組合優化很有意思的，像禁忌搜索、模擬退火、蟻群演算法、遺傳演算法、神經網路這些演算法能夠解決很多生活中的實際問題，樓主有空可以招本書看看。
Ⅲ bp神經網路與量子行為粒子群演算法有什麼不一樣
這四個都屬於人工智慧演算法的范疇。其中BP演算法、BP神經網路和神經網路
屬於神經網路這個大類。遺傳演算法為進化演算法這個大類。
神經網路模擬人類大腦神經計算過程，可以實現高度非線性的預測和計算，主要用於非線性擬合，識別，特點是需要「訓練」，給一些輸入，告訴他正確的輸出。若干次後，再給新的輸入，神經網路就能正確的預測對於的輸出。神經網路廣泛的運用在模式識別，故障診斷中。BP演算法和BP神經網路是神經網路的改進版，修正了一些神經網路的缺點。
遺傳演算法屬於進化演算法，模擬大自然生物進化的過程：優勝略汰。個體不斷進化，只有高質量的個體（目標函數最小（大））才能進入下一代的繁殖。如此往復，最終找到全局最優值。遺傳演算法能夠很好的解決常規優化演算法無法解決的高度非線性優化問題，廣泛應用在各行各業中。差分進化，蟻群演算法，粒子群演算法等都屬於進化演算法，只是模擬的生物群體對象不一樣而已。
Ⅳ 什麼是蟻群演算法，神經網路演算法，遺傳演算法
蟻群演算法又稱螞蟻演算法，是一種用來在圖中尋找優化路徑的機率型演算法。它由Marco Dorigo於1992年在他的博士論文中提出，其靈感來源於螞蟻在尋找食物過程中發現路徑的行為。蟻群演算法是一種模擬進化演算法,初步的研究表明該演算法具有許多優良的性質.針對PID控制器參數優化設計問題,將蟻群演算法設計的結果與遺傳演算法設計的結果進行了比較,數值模擬結果表明,蟻群演算法具有一種新的模擬進化優化方法的有效性和應用價值。
神經網路
思維學普遍認為，人類大腦的思維分為抽象（邏輯）思維、形象（直觀）思維和靈感（頓悟）思維三種基本方式。
邏輯性的思維是指根據邏輯規則進行推理的過程；它先將信息化成概念，並用符號表示，然後，根據符號運算按串列模式進行邏輯推理；這一過程可以寫成串列的指令，讓計算機執行。然而，直觀性的思維是將分布式存儲的信息綜合起來，結果是忽然間產生想法或解決問題的辦法。這種思維方式的根本之點在於以下兩點:1.信息是通過神經元上的興奮模式分布儲在網路上;2.信息處理是通過神經元之間同時相互作用的動態過程來完成的。
人工神經網路就是模擬人思維的第二種方式。這是一個非線性動力學系統，其特色在於信息的分布式存儲和並行協同處理。雖然單個神經元的結構極其簡單，功能有限，但大量神經元構成的網路系統所能實現的行為卻是極其豐富多彩的。
神經網路的研究內容相當廣泛，反映了多學科交叉技術領域的特點。目前，主要的研究工作集中在以下幾個方面：
（1）生物原型研究。從生理學、心理學、解剖學、腦科學、病理學等生物科學方面研究神經細胞、神經網路、神經系統的生物原型結構及其功能機理。
（2）建立理論模型。根據生物原型的研究，建立神經元、神經網路的理論模型。其中包括概念模型、知識模型、物理化學模型、數學模型等。
（3）網路模型與演算法研究。在理論模型研究的基礎上構作具體的神經網路模型，以實現計算機饃擬或准備製作硬體，包括網路學習演算法的研究。這方面的工作也稱為技術模型研究。
（4）人工神經網路應用系統。在網路模型與演算法研究的基礎上，利用人工神經網路組成實際的應用系統，例如，完成某種信號處理或模式識別的功能、構作專家系統、製成機器人等等。
縱觀當代新興科學技術的發展歷史，人類在征服宇宙空間、基本粒子，生命起源等科學技術領域的進程中歷經了崎嶇不平的道路。我們也會看到，探索人腦功能和神經網路的研究將伴隨著重重困難的克服而日新月異。
遺傳演算法，是模擬達爾文生物進化論的自然選擇和遺傳學機理的生物進化過程的計算模型，是一種通過模擬自然進化過程搜索最優解的方法，它最初由美國Michigan大學J.Holland教授於1975年首先提出來的，並出版了頗有影響的專著《Adaptation in Natural and Artificial Systems》，GA這個名稱才逐漸為人所知，J.Holland教授所提出的GA通常為簡單遺傳演算法（SGA）。
Ⅳ 蟻群演算法與神經網路哪個更有用
蟻群演算法本質上是遺傳演算法，神經網路本質上是非線性控制，兩者各有用途，要看應用場景。
Ⅵ 經典的網路優化演算法跟智能演算法，哪個跟好些譬如Dijkstra演算法和蟻群演算法。
Dijkstra演算法和蟻群演算法是有著本質不同的，屬於兩個范疇了，前者是確定性演算法，輸入一個圖，必定能產生一個可行結果。而後者是屬於啟發式演算法，有隨機因素。不一定能產生好的結果，但一般情況下由於存在啟發式因素和智能因素，能夠產生比較好的結果，但不能保證產生全局最優解。況且前者是一個針對性很強的演算法，只能用於最短路徑計算，而蟻群演算法可以用來解決一大類問題，比如圖演算法、數值優化、數據挖掘等等。
Ⅶ 用什麼演算法能比較好的優化徑向基神經網路！
可以試試一些智能演算法，如蟻群演算法，蛙跳演算法等。
Ⅷ 蟻群演算法優化BP神經網路 遇到的問題。
蟻群演算法的實質是遺傳演算法，為了避免陷入局部最優解，我使用的辦法是基因多樣化演算法，初始化基因組時，多取幾組隨機值，然後對這n組數據同時進化優化，並行計算。這樣可以大大減低陷入局部最優解的風險
Ⅸ 要學習模式識別、神經網路、遺傳演算法、蟻群演算法等等人工智慧演算法需要哪些數學知識
模式識別需要非常好的概率論，數理統計；另外會用到少量矩陣代數，隨機過程和高數中的一些運算，當然是比較基礎的；如果要深入的話恐怕需要學泛函，但是一般情況下不需要達到這種深度。神經網路，遺傳演算法等智能演算法在模式識別有非常重要的應用，但是一般不需要學習計算機學科的人工智慧，我們控制有一個交叉學科叫做智能控制是講這些的，智能控制不需要什麼基礎，有中學數學的集合和對空間有一點點的了解就足夠了，模糊數學的基礎是包含在這門學科里的。
Ⅹ 關於神經網路，蟻群演算法和遺傳演算法
神經網路並行性和自適應性很強，應用領域很廣，在任何非線性問題中都可以應用，如控制、信息、預測等各領域都能應用。
蟻群演算法最開始應用於TSP問題，獲得了成功，後來又廣泛應用於各類組合優化問題。但是該演算法理論基礎較薄弱，演算法收斂性都沒有得到證明，很多參數的設定也僅靠經驗，實際效果也一般，使用中也常常早熟。
遺傳演算法是比較成熟的演算法，它的全局尋優能力很強，能夠很快地趨近較優解。主要應用於解決組合優化的NP問題。
這三種演算法可以相互融合，例如GA可以優化神經網路初始權值，防止神經網路訓練陷入局部極小且加快收斂速度。蟻群演算法也可用於訓練神經網路，但一定要使用優化後的蟻群演算法，如最大-最小蟻群演算法和帶精英策略。