휴리스틱 알고리즘 예제


인공 신경망(AN)은 패턴 인식 및 기계 학습이 가능한 모델로, 시스템은 일련의 교육 데이터를 분석한 다음 새로운 예제와 데이터를 분류할 수 있습니다. AN은 동물의 중추 신경계와 뇌의 영향을 받아 음성 인식 및 컴퓨터 시력을 포함한 다양한 문제를 해결하는 데 사용됩니다.1 휴리스틱 알고리즘의 잘 알려진 예는 일반적인 여행 영업 사원을 해결하는 데 사용됩니다. 문제. 문제는 다음과 같습니다 : 도시 목록과 각 도시 사이의 거리를 감안할 때, 정확히 한 번 각 도시를 방문하는 가장 짧은 경로는 무엇입니까? 이 문제를 신속하게 해결하는 데 사용되는 추론 알고리즘은 가장 가까운 NN(NN) 알고리즘(Greedy Algorithm)이라고도 합니다. 무작위로 선택된 도시에서 시작하여 알고리즘은 가장 가까운 도시를 찾습니다. 나머지 도시를 다시 분석하고 가장 가까운 도시를 찾습니다.3 기계 학습 알고리즘은 각 카드를 재생한 후 게임을 플레이하고 통계를 기록하고 업데이트하여 라운드에서 이길 가능성이 높은 기준을 점진적으로 파악할 수 있습니다. 덱의 각 카드. 이 블로그 게시물을 읽고 최고 트럼프의 게임에서 기계 학습을 사용할 수있는 방법을 조사 할 수 있습니다. 먼저 초기 흐름 할당은 탐욕스러운 알고리즘을 사용하여 발견됩니다. 즉, 이전 수요를 할당하는 동안 링크 e가 이미 설치되어 있는 경우 링크 e의 비용이 다른 경우 와 같아서, 그렇지 않으면 θehd + θe에 대한 새로운 요구를 할당할 수 있습니다.

알고리즘의 기본 루프에서 요구는 임의순서로 체크되고, 가장 좋은 재할당이 총 비용(6.3.2a)을 감소시키는 첫 번째 요구는 재할당됩니다. 이 절차는 개선이 이루어질 수 없을 때까지 반복됩니다. 2단계: 라우팅 및 파장 할당을 위해 탐욕스러운 분리 되지 드편 패스(GDAP) 알고리즘을 사용합니다. 전체 2단계 추론 알고리즘은 다음과 같습니다: 첫 번째 단계에서는 게이트웨이 최적화 문제의 세 번째 제약 조건을 느슨한 제약 조건으로 완화합니다(이 제약 조건은 두 번째 단계에서 복원됨), 알고리즘 2를 실행하여 초기 를 결정합니다. 구성을 반복적으로 구체화하기 위해 알고리즘 3을 실행합니다. 두 번째 단계에서는 세 번째 제약 조건을 원래 제약 조건으로 복원하고 알고리즘 4를 실행하여 모든 제약 조건에 따라 스파스 구성을 더 구체화합니다. 프레임워크는 도 6의 순서도에 표시되며 세부 사항은 아래에 나와 있습니다. 2단계 추론 알고리즘1. 첫 번째 Stage1.1 게이트웨이 최적화 문제의 세 번째 제약 조건을 모두 (i, j) 에 대해 zij = 1로 완화합니다.1.2 초기 구성을 결정하기 위해 알고리즘 2를 실행합니다.1.3Execute 알고리즘 3은 반복적으로 구성을 구체화합니다.