繼增演算法
A. 機器學習有哪些演算法
1. 線性回歸
在統計學和機器學習領域，線性回歸可能是最廣為人知也最易理解的演算法之一。
2. Logistic 回歸
Logistic 回歸是機器學習從統計學領域借鑒過來的另一種技術。它是二分類問題的首選方法。
3. 線性判別分析
Logistic 回歸是一種傳統的分類演算法，它的使用場景僅限於二分類問題。如果你有兩個以上的類，那麼線性判別分析演算法（LDA）是首選的線性分類技術。
4.分類和回歸樹
決策樹是一類重要的機器學習預測建模演算法。
5. 樸素貝葉斯
樸素貝葉斯是一種簡單而強大的預測建模演算法。
6. K 最近鄰演算法
K 最近鄰（KNN）演算法是非常簡單而有效的。KNN 的模型表示就是整個訓練數據集。
7. 學習向量量化
KNN 演算法的一個缺點是，你需要處理整個訓練數據集。
8. 支持向量機
支持向量機（SVM）可能是目前最流行、被討論地最多的機器學習演算法之一。
9. 袋裝法和隨機森林
隨機森林是最流行也最強大的機器學習演算法之一，它是一種集成機器學習演算法。
想要學習了解更多機器學習的知識，推薦CDA數據分析師課程。CDA（Certified Data Analyst），即「CDA 數據分析師」，是在數字經濟大背景和人工智慧時代趨勢下，面向全行業的專業權威國際資格認證，旨在提升全民數字技能，助力企業數字化轉型，推動行業數字化發展。點擊預約免費試聽課。
B. 請問什麼是遺傳演算法，並給兩個例子
遺傳演算法(Genetic Algorithm, GA)是近幾年發展起來的一種嶄新的全局優化演算法，它借
用了生物遺傳學的觀點，通過自然選擇、遺傳、變異等作用機制，實現各個個體的適應性
的提高。這一點體現了自然界中"物競天擇、適者生存"進化過程。1962年Holland教授首次
提出了GA演算法的思想，從而吸引了大批的研究者，迅速推廣到優化、搜索、機器學習等方
面，並奠定了堅實的理論基礎。 用遺傳演算法解決問題時，首先要對待解決問題的模型結構
和參數進行編碼，一般用字元串表示，這個過程就將問題符號化、離散化了。也有在連續
空間定義的GA(Genetic Algorithm in Continuous Space, GACS)，暫不討論。
一個串列運算的遺傳演算法(Seguential Genetic Algoritm, SGA)按如下過程進行：
(1) 對待解決問題進行編碼；
(2) 隨機初始化群體X(0):=(x1, x2, … xn)；
(3) 對當前群體X(t)中每個個體xi計算其適應度F(xi)，適應度表示了該個體的性能好
壞；
(4) 應用選擇運算元產生中間代Xr(t)；
(5) 對Xr(t)應用其它的運算元，產生新一代群體X(t+1)，這些運算元的目的在於擴展有限
個體的覆蓋面，體現全局搜索的思想；
(6) t:=t+1；如果不滿足終止條件繼續(3)。
GA中最常用的運算元有如下幾種：
(1) 選擇運算元(selection/reproction): 選擇運算元從群體中按某一概率成對選擇個
體，某個體xi被選擇的概率Pi與其適應度值成正比。最通常的實現方法是輪盤賭(roulett
e wheel)模型。
(2) 交叉運算元(Crossover): 交叉運算元將被選中的兩個個體的基因鏈按概率pc進行交叉
，生成兩個新的個體，交叉位置是隨機的。其中Pc是一個系統參數。
(3) 變異運算元(Mutation): 變異運算元將新個體的基因鏈的各位按概率pm進行變異，對
二值基因鏈(0,1編碼)來說即是取反。
上述各種運算元的實現是多種多樣的，而且許多新的運算元正在不斷地提出，以改進GA的
某些性能。系統參數(個體數n,基因鏈長度l,交叉概率Pc,變異概率Pm等)對演算法的收斂速度
及結果有很大的影響，應視具體問題選取不同的值。
GA的程序設計應考慮到通用性，而且要有較強的適應新的運算元的能力。OOP中的類的繼
承為我們提供了這一可能。
定義兩個基本結構：基因(ALLELE)和個體(INDIVIDUAL)，以個體的集合作為群體類TP
opulation的數據成員，而TSGA類則由群體派生出來，定義GA的基本操作。對任一個應用實
例，可以在TSGA類上派生，並定義新的操作。
TPopulation類包含兩個重要過程：
FillFitness: 評價函數，對每個個體進行解碼(decode)並計算出其適應度值，具體操
作在用戶類中實現。
Statistic: 對當前群體進行統計，如求總適應度sumfitness、平均適應度average、最好
個體fmax、最壞個體fmin等。
TSGA類在TPopulation類的基礎上派生，以GA的系統參數為構造函數的參數，它有4個
重要的成員函數：
Select: 選擇運算元，基本的選擇策略採用輪盤賭模型（如圖2）。輪盤經任意旋轉停止
後指針所指向區域被選中，所以fi值大的被選中的概率就大。
Crossover: 交叉運算元，以概率Pc在兩基因鏈上的隨機位置交換子串。
Mutation: 變異運算元，以概率Pm對基因鏈上每一個基因進行隨機干擾(取反)。
Generate: 產生下代，包括了評價、統計、選擇、交叉、變異等全部過程，每運行一
次，產生新的一代。
SGA的結構及類定義如下(用C++編寫)：
[code] typedef char ALLELE; // 基因類型
typedef struct{
ALLELE *chrom;
float fitness; // fitness of Chromosome
}INDIVIDUAL; // 個體定義
class TPopulation{ // 群體類定義
public:
int size; // Size of population: n
int lchrom; // Length of chromosome: l
float sumfitness, average;
INDIVIDUAL *fmin, *fmax;
INDIVIDUAL *pop;
TPopulation(int popsize, int strlength);
~TPopulation();
inline INDIVIDUAL &Indivial(int i){ return pop[i];};
void FillFitness(); // 評價函數
virtual void Statistics(); // 統計函數
};
class TSGA : public TPopulation{ // TSGA類派生於群體類
public:
float pcross; // Probability of Crossover
float pmutation; // Probability of Mutation
int gen; // Counter of generation
TSGA(int size, int strlength, float pm=0.03, float pc=0.6):
TPopulation(size, strlength)
{gen=0; pcross=pc; pmutation=pm; } ;
virtual INDIVIDUAL& Select();
virtual void Crossover(INDIVIDUAL &parent1, INDIVIDUAL &parent2,
INDIVIDUAL &child1, INDIVIDUAL &child2);
&child1, INDIVIDUAL &child2);
virtual ALLELE Mutation(ALLELE alleleval);
virtual void Generate(); // 產生新的一代
};
用戶GA類定義如下：
class TSGAfit : public TSGA{
public:
TSGAfit(int size,float pm=0.0333,float pc=0.6)
:TSGA(size,24,pm,pc){};
void print();
}; [/code]
由於GA是一個概率過程，所以每次迭代的情況是不一樣的；系統參數不同，迭代情況
也不同。在實驗中參數一般選取如下：個體數n=50-200，變異概率Pm=0.03, 交叉概率Pc=
0.6。變異概率太大，會導致不穩定。
參考文獻
● Goldberg D E. Genetic Algorithm in Search, Optimization, and machine
Learning. Addison-Wesley, Reading, MA, 1989
● 陳根社、陳新海，"遺傳演算法的研究與進展"，《信息與控制》，Vol.23,
NO.4, 1994, PP215-222
● Vittorio Maniezzo, "Genetic Evolution of the Topology and Weight Distri
bution of the Neural Networks", IEEE, Trans. on Neural Networks, Vol.5, NO
.1, 1994, PP39-53
● Xiaofeng Qi, Francesco Palmieri, "Theoretical Analysis of Evolutionary
Algorithms with an Infinite Population Size in Continuous Space. Part Ⅰ
l Networks, Vol.5, NO.1, 1994, PP102-119
● Xiaofeng Qi, Francesco Palmieri, "Theoretical Analysis of Evolutionary
Algorithms with an Infinite Population Size in Continuous Space. Part Ⅱ
al Networks, Vol.5, NO.1, 1994, PP102-119
● Gunter Rudolph, Convergence Analysis of Canonical Genetic Algorithms, I
EEE, Trans. on Neural Networks, Vol.5, NO.1, 1994, PP96-101
● A E Eiben, E H L Aarts, K M Van Hee. Gloable convergence of genetic alg
orithms: A Markov chain analysis. in Parallel Problem Solving from Nat
ure. H.-P.Schwefel, R.Manner, Eds. Berlin and Heidelberg: Springer, 1991
, PP4-12
● Wirt Atmar, "Notes on the Simulation of Evolution", IEEE, Trans. on Neu
ral Networks, Vol.5, NO.1, 1994, PP130-147
● Anthony V. Sebald, Jennifer Schlenzig, "Minimax Design of Neural Net Co
ntrollers for Highly Uncertain Plants", IEEE, Trans. on Neural Networks, V
ol.5, NO.1, 1994, PP73-81
● 方建安、邵世煌，"採用遺傳演算法自學習模型控制規則"，《自動化理論、技術與應
用》，中國自動化學會 第九屆青年學術年會論文集，1993, PP233-238
● 方建安、邵世煌，"採用遺傳演算法學習的神經網路控制器"，《控制與決策》，199
3,8(3), PP208-212
● 蘇素珍、土屋喜一，"使用遺傳演算法的迷宮學習"，《機器人》，Vol.16,NO.5,199
4, PP286-289
● M.Srinivas, L.M.Patnaik, "Adaptive Probabilities of Crossover and Mutat
ion", IEEE Trans. on S.M.C, Vol.24, NO.4, 1994 of Crossover and Mutation",
IEEE Trans. on S.M.C, Vol.24, NO.4, 1994
● Daihee Park, Abraham Kandel, Gideon Langholz, "Genetic-Based New Fuzzy
Reasoning Models with Application to Fuzzy Control", IEEE Trans. S. M. C,
Vol.24, NO.1, PP39-47, 1994
● Alen Varsek, Tanja Urbancic, Bodgan Filipic, "Genetic Algorithms in Con
troller Design and Tuning", IEEE Trans. S. M. C, Vol.23, NO.5, PP1330-13
39, 1993
C. 增資擴股中資本公積的計算方法
由於你的凈資產比注冊資本少，如果不考慮溢價，最少要按照注冊資本比例計算出資額
假設增資後注冊資本是A，那麼
A*（1-35%）=10000
A=15384.62萬（乙增資之後公司的注冊資本）
乙佔35%股權，要出資A*0.35=5384.62萬元
D. 增量演算法與分治演算法各是什麼含義
增量演算法
增量演算法是平面投影法中一種常用的點雲剖分演算法,該演算法編程簡單,佔用內存少,計算速度較慢.針對
增量演算法的特點,改進演算法通過將不同位置的點剖分對應存儲到不同的邊鏈表和三角形鏈表中,降低了邊和三角形的搜索時間,提高了三角化的速度
分治演算法
分治演算法的基本思想是將一個規模為N的問題分解為K個規模較小的子問題，這些子問題相互獨立且與原問題性質相同。求出子問題的解，就可得到原問題的解。
分治法解題的一般步驟：
（1）分解，將要解決的問題劃分成若干規模較小的同類問題；
（2）求解，當子問題劃分得足夠小時，用較簡單的方法解決；
（3）合並，按原問題的要求，將子問題的解逐層合並構成原問題的解。
E. 編寫演算法將兩個遞增單鏈表合並成一個遞減的線性表
#include<stdio.h>
#include<stdlib.h>
#include<string.h>
typedefstructnode
{
intdata;
structnode*next;
}node,list;
list*merge(list*a,list*b)/*合並鏈表*/
{
list*rt=NULL,*now=NULL,*nc=NULL;
while(a&&b)
{
if(a->data>=b->data){
nc=a;
a=a->next;
}
else{
nc=b;
b=b->next;
}
if(rt){
now->next=nc;
now=now->next;
}
elsert=now=nc;
}
if(a)now->next=a;
elsenow->next=b;
returnrt;
}
list*reverse(list**lp)/*反轉列表*/
{
list*f=*lp,*m=NULL,*l=NULL;
while(f)
{
m=f->next;
f->next=l;
l=f;
f=m;
}
return*lp=l;
}
list*insert(list*a,intc)
{
node*b=NULL;
if(a){
a->next=insert(a->next,c);
b=a;
}
else{
b=malloc(sizeof(node));
b->data=c;
b->next=NULL;
}
returnb;
}
voidprt(list*p)
{
while(p){
printf("%d",p->data);
p=p->next;
}
}
intmain(void)
{
list*a=NULL,*b=NULL;
inti;
for(i=10;i>0;i-=2){
a=insert(a,i);
b=insert(b,i-1);
}
printf("A: ");
prt(a);
printf(" B: ");
prt(b);
a=reverse((a=merge(a,b),&a));
printf(" A+B: ");
prt(a);
return0;
}
F. 什麼是增量式PID演算法
PID是工業控制上的一種控制演算法，其中P表示比例，I表示積分，D表示微分。以溫度控制的PID程序為例：
P（比例）表示在溫度設定值上下多少度的范圍內做比例動作，當溫度越高，功率越小，溫度越低，功率就越大，功率到底為多大，就看溫度偏差值和比例區間的大小按反比關系計算。
I（積分）也是一種比例，是溫度偏差值的累積值與設定的一個值之間的反比關系，但要注意何時將溫度偏差值的累積值清零。積分就好像當溫度比設定值低很多而你有覺得溫度升的慢的時候就使勁的加大功率一樣。
D（微分）是溫度變化快慢跟功率的比值，即當你覺得溫度上升的太快時，就降低功率，一阻止溫度上升過快，反之當溫度下降太快時，就加大功率以阻止溫度下降太快一樣。
給我郵箱我可以給你發一份PID溫度控製程序。
G. 會計中的累計折舊的具體演算法
有加權法去計算
H. 增值稅的演算法 要具體演算法
1）銷項稅額=29.25/1.17*.17=4.25萬元
2) 自產貨物用於非應稅項目，視同銷售。計算銷項稅額=22*0.17=3.74萬元
3）自產貨物用於職工福利，視同銷售。計算銷項稅額=5*0.17=0.85萬元
本月銷項稅額共計=8.84萬元
4）進項稅=0
5）購進材料，取得增值稅發票，進入進項稅額10.2萬元，支付運費可抵扣進項稅=6*7%=0.42萬元
6）從農業生產者購入免稅農產品，按13%計算進項稅額，支付運費可按7%抵扣進項稅，但是用於職工福利部分需做進行稅額轉出，所以本部分可以抵扣進項稅=（30*13%+5*7%）*（1-20%）=3.4萬元
本月可以抵扣進項稅額=10.2+0.42+3.4=14.02萬元
本月應納稅額=8.84-14.02=-5.18萬元
本月結轉下月繼續抵扣的進項稅額=5.18萬元