遺傳演算法，模擬退火演算法，粒子群演算法，神經網路等智能演算法的作用？

01-31

matlab只是一個工具而已，方便學習研究這些學術上的理論演算法，在現實工程化應用中應該就得用手寫代碼了。至於這些理論演算法的工程意義，看具體的行業。這些演算法基本上都是源於生物方面研究而開發出來的，當然適用於生物工程。神經網路在當今火熱的互聯網行業更加猖狂了。看一個理論演算法是否適合某特定行業，個人覺得還是多掃論文吧，之後再動手實踐

幾種方法比較類似，一通全通吧建議先把遺傳演算法看懂原理

有沒有裝逼演算法這些都只是特定工程應用領域的近似演算法，看到這些名詞堆砌在一起，感覺胸口堵得慌，祖國裝逼層次越來越低不盡感到深深的憂慮。

相隔十萬八千里的兩門三門幾門末支小道，硬是堆到一塊，離大道甚遠矣。

過早過多接觸別門大道末端會耽誤領悟屬於自己的真正的道

大神都回答過了，前三個演算法是啟發式演算法（heuristic）的一類方法，主要是面對最優化問題計算量耗費過多時候應用的一種方法，得出來的是近似解。最後一種主要用在機械學習，深度學習和圖像識別上，簡單講是一種模型。

之前有個老師和我說，有前三個演算法的求解時間，還不如在那個時間內不斷生成隨機解然後比較，最後得到的解比前三個演算法求得的解更優，?_? 心塞。

不過我沒試過，權且一笑

簡單點來說，我們做發動機性能的，直到現在用牛頓迭代法都是主流，但是，全包線性能計算時總有那麼幾個點不收斂，看著煩啊！所以對於這些點，我們用遺傳演算法來算初值，具體參見蘇三買教授的博士論文。另外，做多學科優化時，傳統演算法有時候搞不定，所以就上這些演算法，尹澤勇院士有本書里講的很詳細。

在理論上來說，啟發式演算法什麼都不是（即遺傳演算法等），其意義在於解決從計算上來說真正困難的問題，即NP完全問題與NP難問題。這些問題在多項式時間內難以找到有用的演算法，即從計算上來說，這些問題本質上是困難的，故只能退而求其次，使用啟發式演算法（隨機演算法+搜索策略）來找到一些還不錯的結果。

對這類問題更具體的分析，可參閱阿羅拉的書《計算複雜性-現代方法》

打個比喻吧，有點類似一個戴眼鏡的人眼鏡被放在了房間的某個地方，他不能一眼看到眼鏡在哪，只能一點點的摸，他不可能從房間的第一個角落摸到最後一個角落。肯定是這裡摸一下會，沒找到，然後又換一處在那附近找下，找不到又換一處，這樣的效率會比較高。

這些搜索演算法就是模仿生物、自然界中的一些機制，選擇一種偏抽樣而儘力非窮舉的途徑去搜索以提高效率