非有機演算法
⑴ 化學大π鍵的演算法大招是什麼
化學大π鍵的演算法大招是H2C=CH-CH=CH2。在多原子分子中如有相互平行的p軌道，它們連貫重疊在一起構成一個整體，p電子在多個原子間運動形成π型化學鍵，這種不局限在兩個原子之間的π鍵稱為離域π鍵，或共軛大π鍵，簡稱大π鍵，大π鍵是3個或3個以上原子彼此平行的p軌道從側面相互重疊形成的π鍵。
化學大π鍵的內容
在多原子分子中如有相互平行的p軌道，它們連貫重疊在一起構成一個整體，p電子在多個原子間運動形成π型化學鍵，這種不局限在兩個原子之間的π鍵稱為離域π鍵，或共軛大π鍵，簡稱大π鍵，在這類分子中，參與共軛體系的所有π電子的游動不局限在兩個碳原子之間，而是擴展到組成共軛體系的所有碳原子之間，這種現象叫做離域。
共軛π鍵也叫離域鍵或非定域鍵，由於共軛π鍵的離域作用，當分子中任何一個組成共軛體系的原子受外界試劑作用時，它會立即影響到體系的其它部分，共軛分子的共軛π鍵或離域鍵是化學反應的核心部位。
定域π鍵，有機分子中只包含 σ 鍵和孤立π 鍵的分子稱為非共軛分子，這些σ 鍵和孤立π 鍵，習慣地被看成是定域鍵，即組成σ 鍵的一對σ 電子和孤立π 鍵中一對π 電子近似於成對地固定在成鍵原子之間，這樣的鍵叫做定域鍵。
⑵ 公鑰和私鑰加密主要演算法有哪些，其基本思想是什麼
加密演算法nbsp;nbsp;nbsp;nbsp;加密技術是對信息進行編碼和解碼的技術，編碼是把原來可讀信息（又稱明文）譯成代碼形式（又稱密文），其逆過程就是解碼（解密）。加密技術的要點是加密演算法，加密演算法可以分為對稱加密、不對稱加密和不可逆加密三類演算法。nbsp;nbsp;nbsp;nbsp;對稱加密演算法nbsp;nbsp;對稱加密演算法是應用較早的加密演算法，技術成熟。在對稱加密演算法中，數據發信方將明文（原始數據）和加密密鑰一起經過特殊加密演算法處理後，使其變成復雜的加密密文發送出去。收信方收到密文後，若想解讀原文，則需要使用加密用過的密鑰及相同演算法的逆演算法對密文進行解密，才能使其恢復成可讀明文。在對稱加密演算法中，使用的密鑰只有一個，發收信雙方都使用這個密鑰對數據進行加密和解密，這就要求解密方事先必須知道加密密鑰。對稱加密演算法的特點是演算法公開、計算量小、加密速度快、加密效率高。不足之處是，交易雙方都使用同樣鑰匙，安全性得不到保證。此外，每對用戶每次使用對稱加密演算法時，都需要使用其他人不知道的惟一鑰匙，這會使得發收信雙方所擁有的鑰匙數量成幾何級數增長，密鑰管理成為用戶的負擔。對稱加密演算法在分布式網路系統上使用較為困難，主要是因為密鑰管理困難，使用成本較高。在計算機專網系統中廣泛使用的對稱加密演算法有DES和IDEA等。美國國家標准局倡導的AES即將作為新標准取代DES。nbsp;nbsp;nbsp;nbsp;不對稱加密演算法不對稱加密演算法使用兩把完全不同但又是完全匹配的一對鑰匙—公鑰和私鑰。在使用不對稱加密演算法加密文件時，只有使用匹配的一對公鑰和私鑰，才能完成對明文的加密和解密過程。加密明文時採用公鑰加密，解密密文時使用私鑰才能完成，而且發信方（加密者）知道收信方的公鑰，只有收信方（解密者）才是唯一知道自己私鑰的人。不對稱加密演算法的基本原理是，如果發信方想發送只有收信方才能解讀的加密信息，發信方必須首先知道收信方的公鑰，然後利用收信方的公鑰來加密原文；收信方收到加密密文後，使用自己的私鑰才能解密密文。顯然，採用不對稱加密演算法，收發信雙方在通信之前，收信方必須將自己早已隨機生成的公鑰送給發信方，而自己保留私鑰。由於不對稱演算法擁有兩個密鑰，因而特別適用於分布式系統中的數據加密。廣泛應用的不對稱加密演算法有RSA演算法和美國國家標准局提出的DSA。以不對稱加密演算法為基礎的加密技術應用非常廣泛。nbsp;nbsp;nbsp;nbsp;不可逆加密演算法nbsp;nbsp;不可逆加密演算法的特徵是加密過程中不需要使用密鑰，輸入明文後由系統直接經過加密演算法處理成密文，這種加密後的數據是無法被解密的，只有重新輸入明文，並再次經過同樣不可逆的加密演算法處理，得到相同的加密密文並被系統重新識別後，才能真正解密。顯然，在這類加密過程中，加密是自己，解密還得是自己，而所謂解密，實際上就是重新加一次密，所應用的「密碼」也就是輸入的明文。不可逆加密演算法不存在密鑰保管和分發問題，非常適合在分布式網路系統上使用，但因加密計算復雜，工作量相當繁重，通常只在數據量有限的情形下使用，如廣泛應用在計算機系統中的口令加密，利用的就是不可逆加密演算法。近年來，隨著計算機系統性能的不斷提高，不可逆加密的應用領域正在逐漸增大。在計算機網路中應用較多不可逆加密演算法的有RSA公司發明的MD5演算法和由美國國家標准局建議的不可逆加密標准SHS(Securenbsp;Hashnbsp;Standard:安全雜亂信息標准)等。加密技術nbsp;nbsp;nbsp;nbsp;加密演算法是加密技術的基礎，任何一種成熟的加密技術都是建立多種加密演算法組合，或者加密演算法和其他應用軟體有機結合的基礎之上的。下面我們介紹幾種在計算機網路應用領域廣泛應用的加密技術。nbsp;nbsp;nbsp;nbsp;非否認（Non-repudiation）技術nbsp;nbsp;該技術的核心是不對稱加密演算法的公鑰技術，通過產生一個與用戶認證數據有關的數字簽名來完成。當用戶執行某一交易時，這種簽名能夠保證用戶今後無法否認該交易發生的事實。由於非否認技術的操作過程簡單，而且直接包含在用戶的某類正常的電子交易中，因而成為當前用戶進行電子商務、取得商務信任的重要保證。nbsp;nbsp;nbsp;nbsp;PGP（Prettynbsp;Goodnbsp;Privacy）技術nbsp;nbsp;PGP技術是一個基於不對稱加密演算法RSA公鑰體系的郵件加密技術，也是一種操作簡單、使用方便、普及程度較高的加密軟體。PGP技術不但可以對電子郵件加密，防止非授權者閱讀信件；還能對電子郵件附加數字簽名，使收信人能明確了解發信人的真實身份；也可以在不
⑶ 改進計算方法
在早期油氣資源評價中，通常應用評價模型，對各參數僅取一個固定值進行簡單的運算，所得結果也是一個值。實際上，對於地下評價對象，其大多數參數具有時空變化性，用一個固定值，不管是統計所得均值還是其他值，都很難代表該參數，更無法准確刻畫該參數的時空非均質性。在這種情況下，很顯然應用單值運算得到的結果很難反映地下評價對象的客觀實際。因此，為提高評價質量和結果可信性，必須改進計算方法。
14.4.1 應用網格化方法逼近資源分布
這種方法的基本思路是：
（1）根據大量觀測點數據，編制各單一參數的平面分布圖，通常為平面等值線圖，如生油岩等厚圖等，個別為分區等級圖，如演化程度圖。以這些平面分布圖簡化表示各參數空間變化，主要是把各參數的垂向變化，用平均值簡化為非變化的固定值，如所謂生油岩有機質豐度等值線圖，即是把各點垂向上有機質豐度變化簡化為非變化的固定值。（2）在平面上建立固定的網格，其網格一般是按均勻法設置，但也可用非均勻網格，網格的多少視各變數平面變化快慢、計算機速度和容量而定。原則上是網格越多、越細就越准確地刻畫參數平面變化情況。
（3）以同一網格在各參數分布圖上讀取網格結點（或網格中點）上參數具體數值。
（4）針對每一個網格結點（或網格中點），按照資源評價模型，分別計算生烴量、排烴量等，然後編制生烴量、排烴量等值線圖。
（5）依據各等值線間距所佔面積，計算該間距所佔的生烴量、排烴量等，再累加得全區生烴量、排烴量。乘以相應運聚系數即得全區資源量。
14.4.2 蒙特卡洛法
所謂蒙特卡洛法是一種數值計算方法，其含義是利用隨機抽樣方法在各參數分布曲線取定數值，然後根據評價模型進行運算，結果得到一定值，反復如上過程成千上萬次，結果就有成千上萬個定值，再將這些定值進行統計，得到結果分布曲線。該方法已廣泛應用於油氣資源評價，其優點是：以一個分布曲線來逼近地下評價對象及較可能值、最可能值。這更加符合人們對地下評價對象的認識過程和局限性、不確定性。
該方法的計算步驟如下：
（1）通過資料處理解釋、分析化驗、圖件讀取等方法，產生和採集、整理各參數的數據，原則上是越多越好。同時剔除奇異點。
（2）根據整理的數據，統計建立各參數概率分布曲線。當數據較多，如多於幾十個時，統計分布曲線代表性強、可靠性高。但當數據少到只幾個或十餘個時，可依據該參數的分布概型（一般是經驗已知的分布模型，如正態分布、對數正態分布等），構造實際的分布曲線。但當數據少到只幾個且其分布概型也不確定時，最好用均勻分布或三角分布代替其分布。
（3）利用計算機產生隨機數，其中最簡單最基本的是均勻分布隨機數。要求隨機數產生後必須經過嚴格的檢驗（如均勻性檢驗、獨立性檢驗、組合規律性檢驗、連續性檢驗等），性質符合要求時方可投入使用。隨機數個數越多越好，最好成千上萬。隨機數值區間為0～1。
（4）以隨機數值為概率入口值，用插值法在某一參數分布取該概率所對應的參數值（圖14-1）。再用另一個隨機數值在另一參數分布曲線上求取該參數值（圖14-2）。以此類推。再將所求取的各參數的值（一個參數只一個值）按評價模型相乘除或加減，得到一個結果（圖14-3）。反復此過程，得到成千上萬個結果。
圖14-1 抽樣計算過程示意圖
（5）再將所得結果進行數理統計，得到結果概率分布圖（圖14-3）。一般而言，蒙特卡洛計算所用參數概率分布可以是各種各樣，但其結果分布一般都是正態分布或對數正態分布。
圖14-2 多參數抽樣計算過程示意圖
圖14-3 蒙特卡洛計算過程示意圖
14.4.3 模糊數學計算方法
在一些研究對象中，不同事物的界線是截然不同的，如水可以有冰、水、汽三種形態，其界限一般是明確的；而在某些對象，不同事物之間的界限是不明確的，例如在石油地質中，儲層的「滲透性好」和「滲透性差」是兩個截然不同的概念，但有時對於某個具體的對象，要把它歸到「滲透性好」或「滲透性差」卻不容易。模糊數學用隸屬度來描述這種情況，即用數值來表示某對象屬於某事物的程度，一個對象可以「屬於」兩類甚至兩類以上事物，分別以兩個隸屬度描述它屬於這兩類事物的程度，這樣，較合理地解決了這類問題。
當用模糊數學評價圈閉的含油氣性時，即用一個向量來表示一個圈閉：
油氣資源評價方法與實踐
研究對象含k個圈閉，則用集合Ui來表示這個圈閉群：
油氣資源評價方法與實踐
n個地質因素在評價圈閉的含油氣性中起的作用不同，各因素用一個權ai值表示其在評價中的作用大小：
油氣資源評價方法與實踐
每個地質因素用m個級別來表示其有利程度：
油氣資源評價方法與實踐
Ci是用整數表示的一種屬性，其具體值依m不同而異。
當m=3時，C=［-1 0 1］
當m=5時，C=［-2-1 0 1 2］
當m=7時，C=［-3-2-1 0 1 2 3］
一個圈閉的某個地質因素用它對各屬性的隸屬度來表示（如表14-1）。
表14-1 地質因素各屬性的隸屬度表
對一個圈閉用n個變數來描述，每個變數的表述將轉變為一個向量，而一個圈閉原來用一個向量表示，將變為用綜合評價變換矩陣R表示：
油氣資源評價方法與實踐
用各地質因素的權和各圈閉的綜合評價變換矩陣算出各圈閉的綜合評價，這個計算過程稱為合成：
油氣資源評價方法與實踐
式中h是樣品號，Rh是第h號樣品的綜合評價變換矩陣，Bh是n（變數數）個數構成的向量，其各元素為
油氣資源評價方法與實踐
這里，○表示某種演算法，這些演算法都是由下列4種基本演算法演化出來的（假設a、r為模糊集合中的兩元素）。
1）a∨r=max（1，r）
2）a∧r=min（a，r）
3）a·r=ar
4）a⊕r=min（a，1+r）
按照這樣合成得出一個樣品向量，然後計算綜合評價值（綜合得分）D：
油氣資源評價方法與實踐
結果為一個數。各圈閉按其D值排隊，就是這些圈閉的優劣排隊。每採用一個合成法，就有一個B，相應有一個D值，就有一個排隊，因為B的產生方法不同，各變數值所起作用不盡相同，同樣的原始數據會有不同的排隊結果。
14.4.4 神經網路計算方法
人工神經網路是指由大量與自然神經系統的神經細胞相類似的（人工）神經元互聯而成的網路。
神經網路的結構和特性是由神經元的特性和它們之間的連接方式決定的。人工神經元之間通過互聯形成網路。互聯的方式稱為連接模式。神經元之間的連接強度為連接權。當網路的連接權矩陣確定後，網路的連接模式也就確定了。
在人工神經網路中，信息處理過程或存貯知識的改變是通過修改神經元間的連接模式來完成的。這一修改過程稱做神經網路的訓練或學習。不同的權矩陣調整方式，就是不同的學習方式。
神經網路的學習和神經網路的結構沒有一一對應的關系。不同的神經網路可以採用相同的學習演算法進行訓練；同一神經網路也可以採用不同的學習演算法進行訓練。
一般採用多層前向神經網路，用誤差反傳（BP）演算法。
對於一個由3層組成的神經網路模型，第一層為輸入層，第二層為中間層，第三層為輸出層。第一層的神經元數為n，中間層的神經元數為1，第三層的神經元數為1。
第1層為輸入層，由M個樣品的n個神經元組成，約定第k個樣品（圈閉）的輸入，即第1層神經元為：xk1，xk2，…，xkn，相應的輸出為Tk，其中，k為樣品號，k=1，2，3，…，M，n為神經元數，在此可理解為自變數數。
第2層為隱層，其神經元數1是用戶設定的，由x與權系數矩陣W2相乘算出，第k個樣品的中間層為
油氣資源評價方法與實踐
F（t）採用S型（Signmoid）壓縮函數：
油氣資源評價方法與實踐
為了能控制u的取值，把第一式改為：x0=-1，w0j=ξ，記
油氣資源評價方法與實踐
則第二式成為
t的值除與Wij，xi有關外，還與變數數n有關，為了讓的值在0～1的范圍內，就需要
油氣資源評價方法與實踐
給一個適當的ξ值。
中間層到輸出層的計算與此相仿。只是它用另外一個W（矩陣）。
如果找到合適的W（兩個W陣），則由輸入的各樣品的X算出各樣品的y值應與原樣品的輸出值T相同或很接近。我們的任務就是要求這兩個W陣。
油氣資源評價方法與實踐
開始的W陣是隨機產生的。當然它算出各樣品的y不會等於T。我們用E（W）來衡量它的偏差：
油氣資源評價方法與實踐
當E（W）＜ε時，學習完成。當E（W）＞ε時，就要修改兩個W陣，讓E（W）逐漸變小，就現在的這個模型（一共有3層，輸出層只有一元）來說，修改W分兩步，第一步修改由u計算y的W，第二步修改由x計算u的W。
油氣資源評價方法與實踐
油氣資源評價方法與實踐
這樣，每次根據算出的y來指導修改兩層的W陣，直至E（W）＜ε，學習完成。
學習完成後，得到兩個W陣，把待判樣品的x向量按既定的模式計算可得各樣品的y值，為具體對象的評價。
⑷ 計算機學習的分類
大概就是這幾個專業：計算機科學與技術（計算機科學）軟體工程、電信工程、網路工程、物聯網工程、通信工程，不同學校可能會有細微差異。
⑸ 孤對電子數計算公式
孤對電子數=1/2*(a-xb)
其中，a為中心原子的價電子數，x為與中心原子結合的原子數，b為中心原子結合的原子最多能接受的電子數。
例如：H₂O的中心原子是氧，a是氧的最外層電子數6，x是配對原子個數2，b是配對原子還可以容納的電子數為1。根據計算公式，1/2*(6-2×1)=2，孤對電子數為2。(5)非有機演算法擴展閱讀
孤對電子的判斷：孤對電子是指分子中除了用於形成共價鍵的鍵合電子外，在原子最外電子層中還經常存在未用於形成共價鍵的非鍵合電子。這些未成鍵的價電子對叫做孤對電子。
所謂「孤」是因為它未成鍵，而「對」是因為兩個自旋相反的電子會配對。孤對電子是分子或離子未共享價層的電子對。
孤對電子在分子中的存在和分配影響分子的形狀、偶極矩、鍵長、鍵能等，對輕原子組成的分子影響尤為顯著。路易斯鹼(Lewis)的鹼性，配體通過配位原子與中心體的鍵合，親核反應的發生等均通過孤對電子。
⑹ 智能演算法的演算法分類
模擬退火演算法的依據是固體物質退火過程和組合優化問題之間的相似性。物質在加熱的時候，粒子間的布朗運動增強，到達一定強度後，固體物質轉化為液態，這個時候再進行退火，粒子熱運動減弱，並逐漸趨於有序，最後達到穩定。
模擬退火的解不再像局部搜索那樣最後的結果依賴初始點。它引入了一個接受概率p。如果新的點（設為pn）的目標函數f（pn）更好，則p=1，表示選取新點；否則，接受概率p是當前點（設為pc）的目標函數f（pc），新點的目標函數f（pn）以及另一個控制參數「溫度」T的函數。也就是說，模擬退火沒有像局部搜索那樣每次都貪婪地尋找比現在好的點，目標函數差一點的點也有可能接受進來。隨著演算法的執行，系統溫度T逐漸降低，最後終止於某個低溫，在該溫度下，系統不再接受變化。
模擬退火的典型特徵是除了接受目標函數的改進外，還接受一個衰減極限，當T較大時，接受較大的衰減，當T逐漸變小時，接受較小的衰減，當T為0時，就不再接受衰減。這一特徵意味著模擬退火與局部搜索相反，它能避開局部極小，並且還保持了局部搜索的通用性和簡單性。
在物理上，先加熱，讓分子間互相碰撞，變成無序狀態，內能加大，然後降溫，最後的分子次序反而會更有序，內能比沒有加熱前更小。就像那隻兔子，它喝醉後，對比較近的山峰視而不見，迷迷糊糊地跳一大圈子，反而更有可能找到珠峰。
值得注意的是，當T為0時，模擬退火就成為局部搜索的一個特例。
模擬退火的偽碼表達：
procere simulated annealing
begin
t:=0;
initialize temperature T
select a current string vc at random;
evaluate vc;
repeat
repeat
select a new string vn in the neighborhood of vc; (1)
if f(vc)<f(vn)
then vc:=vn;
else if random [0,1] <exp ((f (vn)-f (vc))/T) (2)
then vc:=vn;
until (termination-condition) (3)
T:=g(T,t); (4)
T:=t+1;
until (stop-criterion) (5)
end;
上面的程序中，關鍵的是(1)新狀態產生函數，(2)新狀態接受函數，(3)抽樣穩定準則，(4)退溫函數，(5)退火結束准則（簡稱三函數兩准則）是直接影響優化結果的主要環節。雖然實驗結果證明初始值對於最後的結果沒有影響，但是初溫越高，得到高質量解的概率越大。所以，應該盡量選取比較高的初溫。
上面關鍵環節的選取策略：
（1）狀態產生函數：候選解由當前解的鄰域函數決定，可以取互換，插入，逆序等操作產生，然後根據概率分布方式選取新的解，概率可以取均勻分布、正態分布、高斯分布、柯西分布等。
（2）狀態接受函數：這個環節最關鍵，但是，實驗表明，何種接受函數對於最後結果影響不大。所以，一般選取min [1, exp ((f (vn)-f (vc))/T)]。
（3）抽樣穩定準則：一般常用的有：檢驗目標函數的均值是否穩定；連續若干步的目標值變化較小；規定一定的步數；
（4）退溫函數：如果要求溫度必須按照一定的比率下降，SA演算法可以採用，但是溫度下降很慢；快速SA中，一般採用 。目前，經常用的是 ，是一個不斷變化的值。
（5）退火結束准則：一般有：設置終止溫度；設置迭代次數；搜索到的最優值連續多次保持不變；檢驗系統熵是否穩定。
為了保證有比較優的解，演算法往往採取慢降溫、多抽樣、以及把「終止溫度」設的比較低等方式，導致演算法運行時間比較長，這也是模擬退火的最大缺點。人喝醉了酒辦起事來都不利索，何況兔子？ 「物競天擇，適者生存」，是進化論的基本思想。遺傳演算法就是模擬自然界想做的事。遺傳演算法可以很好地用於優化問題，若把它看作對自然過程高度理想化的模擬，更能顯出它本身的優雅——雖然生存競爭是殘酷的。
遺傳演算法以一種群體中的所有個體為對象，並利用隨機化技術指導對一個被編碼的參數空間進行高效搜索。其中，選擇、交叉和變異構成了遺傳演算法的遺傳操作；參數編碼、初始群體的設定、適應度函數的設計、遺傳操作設計、控制參數設定五個要素組成了遺傳演算法的核心內容。作為一種新的全局優化搜索演算法，遺傳演算法以其簡單通用、健壯性強、適於並行處理以及高效、實用等顯著特點，在各個領域得到了廣泛應用，取得了良好效果，並逐漸成為重要的智能演算法之一。
遺傳演算法的偽碼：
procere genetic algorithm
begin
initialize a group and evaluate the fitness value ; （1）
while not convergent （2）
begin
select; （3）
if random[0,1]<pc then
crossover; （4）
if random (0,1)<pm then
mutation; （5）
end;
end
上述程序中有五個重要的環節：
（1）編碼和初始群體的生成：GA在進行搜索之前先將解空間的解數據表示成遺傳空間的基因型串結構數據，這些串結構數據的不同組合便構成了不同的點。然後隨機產生N個初始串結構數據，每個串結構數據稱為一個個體， N個體構成了一個群體。GA以這N個串結構數據作為初始點開始迭代。
比如，旅行商問題中，可以把商人走過的路徑進行編碼，也可以對整個圖矩陣進行編碼。編碼方式依賴於問題怎樣描述比較好解決。初始群體也應該選取適當，如果選取的過小則雜交優勢不明顯，演算法性能很差（數量上佔了優勢的老鼠進化能力比老虎強），群體選取太大則計算量太大。
（2）檢查演算法收斂准則是否滿足，控制演算法是否結束。可以採用判斷與最優解的適配度或者定一個迭代次數來達到。
（3）適應性值評估檢測和選擇：適應性函數表明個體或解的優劣性，在程序的開始也應該評價適應性，以便和以後的做比較。不同的問題，適應性函數的定義方式也不同。根據適應性的好壞，進行選擇。選擇的目的是為了從當前群體中選出優良的個體，使它們有機會作為父代為下一代繁殖子孫。遺傳演算法通過選擇過程體現這一思想，進行選擇的原則是適應性強的個體為下一代貢獻一個或多個後代的概率大。選擇實現了達爾文的適者生存原則。
（4）雜交：按照雜交概率（pc）進行雜交。雜交操作是遺傳演算法中最主要的遺傳操作。通過雜交操作可以得到新一代個體，新個體組合了其父輩個體的特性。雜交體現了信息交換的思想。
可以選定一個點對染色體串進行互換，插入，逆序等雜交，也可以隨機選取幾個點雜交。雜交概率如果太大，種群更新快，但是高適應性的個體很容易被淹沒，概率小了搜索會停滯。
（5）變異：按照變異概率（pm）進行變異。變異首先在群體中隨機選擇一個個體，對於選中的個體以一定的概率隨機地改變串結構數據中某個串的值。同生物界一樣，GA中變異發生的概率很低。變異為新個體的產生提供了機會。
變異可以防止有效基因的缺損造成的進化停滯。比較低的變異概率就已經可以讓基因不斷變更，太大了會陷入隨機搜索。想一下，生物界每一代都和上一代差距很大，會是怎樣的可怕情形。
就像自然界的變異適和任何物種一樣，對變數進行了編碼的遺傳演算法沒有考慮函數本身是否可導，是否連續等性質，所以適用性很強；並且，它開始就對一個種群進行操作，隱含了並行性，也容易找到「全局最優解」。 為了找到「全局最優解」，就不應該執著於某一個特定的區域。局部搜索的缺點就是太貪婪地對某一個局部區域以及其鄰域搜索，導致一葉障目，不見泰山。禁忌搜索就是對於找到的一部分局部最優解，有意識地避開它（但不是完全隔絕），從而獲得更多的搜索區間。兔子們找到了泰山，它們之中的一隻就會留守在這里，其他的再去別的地方尋找。就這樣，一大圈後，把找到的幾個山峰一比較，珠穆朗瑪峰脫穎而出。
當兔子們再尋找的時候，一般地會有意識地避開泰山，因為他們知道，這里已經找過，並且有一隻兔子在那裡看著了。這就是禁忌搜索中「禁忌表（tabu list）」的含義。那隻留在泰山的兔子一般不會就安家在那裡了，它會在一定時間後重新回到找最高峰的大軍，因為這個時候已經有了許多新的消息，泰山畢竟也有一個不錯的高度，需要重新考慮，這個歸隊時間，在禁忌搜索裡面叫做「禁忌長度（tabu length）」；如果在搜索的過程中，留守泰山的兔子還沒有歸隊，但是找到的地方全是華北平原等比較低的地方，兔子們就不得不再次考慮選中泰山，也就是說，當一個有兔子留守的地方優越性太突出，超過了「best to far」的狀態，就可以不顧及有沒有兔子留守，都把這個地方考慮進來，這就叫「特赦准則（aspiration criterion）」。這三個概念是禁忌搜索和一般搜索准則最不同的地方，演算法的優化也關鍵在這里。
偽碼表達：
procere tabu search;
begin
initialize a string vc at random,clear up the tabu list;
cur:=vc;
repeat
select a new string vn in the neighborhood of vc;
if va>best_to_far then {va is a string in the tabu list}
begin
cur:=va;
let va take place of the oldest string in the tabu list;
best_to_far:=va;
end else
begin
cur:=vn;
let vn take place of the oldest string in the tabu list;
end;
until (termination-condition);
end;
以上程序中有關鍵的幾點：
（1）禁忌對象：可以選取當前的值（cur）作為禁忌對象放進tabu list，也可以把和當然值在同一「等高線」上的都放進tabu list。
（2）為了降低計算量，禁忌長度和禁忌表的集合不宜太大，但是禁忌長度太小容易循環搜索，禁忌表太小容易陷入「局部極優解」。
（3）上述程序段中對best_to_far的操作是直接賦值為最優的「解禁候選解」，但是有時候會出現沒有大於best_to_far的，候選解也全部被禁的「死鎖」狀態，這個時候，就應該對候選解中最佳的進行解禁，以能夠繼續下去。
（4）終止准則：和模擬退火，遺傳演算法差不多，常用的有：給定一個迭代步數；設定與估計的最優解的距離小於某個范圍時，就終止搜索；當與最優解的距離連續若干步保持不變時，終止搜索；
禁忌搜索是對人類思維過程本身的一種模擬，它通過對一些局部最優解的禁忌（也可以說是記憶）達到接納一部分較差解，從而跳出局部搜索的目的。 人工神經網路（Artificial Neural Network，ANN）
神經網路從名字就知道是對人腦的模擬。它的神經元結構，它的構成與作用方式都是在模仿人腦，但是也僅僅是粗糙的模仿，遠沒有達到完美的地步。和馮·諾依曼機不同，神經網路計算非數字，非精確，高度並行，並且有自學習功能。
生命科學中，神經細胞一般稱作神經元，它是整個神經結構的最基本單位。每個神經細胞就像一條胳膊，其中像手掌的地方含有細胞核，稱作細胞體，像手指的稱作樹突，是信息的輸入通路，像手臂的稱作軸突，是信息的輸出通路；神經元之間錯綜復雜地連在一起，互相之間傳遞信號，而傳遞的信號可以導致神經元電位的變化，一旦電位高出一定值，就會引起神經元的激發，此神經元就會通過軸突傳出電信號。
而如果要用計算機模仿生物神經，就需要人工的神經網路有三個要素：（1）形式定義人工神經元；（2）給出人工神經元的連接方式，或者說給出網路結構；（3）給出人工神經元之間信號強度的定義。
歷史上第一個人工神經網路模型稱作M－P模型，非常簡單：
其中，表示神經元i在t時刻的狀態，為1表示激發態，為0表示抑制態；是神經元i和j之間的連接強度；表示神經元i的閾值，超過這個值神經元才能激發。
這個模型是最簡單的神經元模型。但是功能已經非常強大：此模型的發明人McCulloch和Pitts已經證明，不考慮速度和實現的復雜性，它可以完成當前數字計算機的任何工作。
以上這個M－P模型僅僅是一層的網路，如果從對一個平面進行分割的方面來考慮的話，M－P網路只能把一個平面分成個半平面，卻不能夠選取特定的一部分。而解決的辦法就是「多層前向網路」。
為了讓這種網路有合適的權值，必須給網路一定的激勵，讓它自己學習，調整。一種方法稱作「向後傳播演算法（Back Propagation，BP）」，其基本思想是考察最後輸出解和理想解的差異，調整權值，並把這種調整從輸出層開始向後推演，經過中間層，達到輸入層。
可見，神經網路是通過學習來達到解決問題的目的，學習沒有改變單個神經元的結構和工作方式，單個神經元的特性和要解決的問題之間也沒有直接聯系，這里學習的作用是根據神經元之間激勵與抑制的關系，改變它們的作用強度。學習樣本中的任何樣品的信息都包含在網路的每個權值之中。
BP演算法中有考察輸出解和理想解差異的過程，假設差距為w，則調整權值的目的就是為了使得w最小化。這就又包含了前文所說的「最小值」問題。一般的BP演算法採用的是局部搜索，比如最速下降法，牛頓法等，當然如果想要得到全局最優解，可以採用模擬退火，遺傳演算法等。當前向網路採用模擬退火演算法作為學習方法的時候，一般成為「波爾茲曼網路」，屬於隨機性神經網路。
在學習BP演算法學習的過程中，需要已經有一部分確定的值作為理想輸出，這就好像中學生在學習的時候，有老師的監督。如果沒有了監督，人工神經網路該怎麼學習？
就像沒有了宏觀調控，自由的市場引入了競爭一樣，有一種學習方法稱作「無監督有競爭的學習」。在輸入神經元i的若干個神經元之間開展競爭，競爭之後，只有一個神經元為1，其他均為0，而對於失敗的神經元，調整使得向對競爭有利的方向移動，則最終也可能在一次競爭中勝利；
人工神經網路還有反饋網路如Hopfield網路，它的神經元的信號傳遞方向是雙向的，並且引入一個能量函數，通過神經元之間不斷地相互影響，能量函數值不斷下降，最後能給出一個能量比較低的解。這個思想和模擬退火差不多。
人工神經網路應用到演算法上時，其正確率和速度與軟體的實現聯系不大，關鍵的是它自身的不斷學習。這種思想已經和馮·諾依曼模型很不一樣。 粒子群優化演算法(PSO)是一種進化計算技術(evolutionary computation)，1995 年由Eberhart 博士和kennedy 博士提出，源於對鳥群捕食的行為研究 。該演算法最初是受到飛鳥集群活動的規律性啟發，進而利用群體智能建立的一個簡化模型。粒子群演算法在對動物集群活動行為觀察基礎上，利用群體中的個體對信息的共享使整個群體的運動在問題求解空間中產生從無序到有序的演化過程，從而獲得最優解。
PSO同遺傳演算法類似，是一種基於迭代的優化演算法。系統初始化為一組隨機解，通過迭代搜尋最優值。但是它沒有遺傳演算法用的交叉(crossover)以及變異(mutation)，而是粒子在解空間追隨最優的粒子進行搜索。同遺傳演算法比較，PSO的優勢在於簡單容易實現並且沒有許多參數需要調整。目前已廣泛應用於函數優化，神經網路訓練，模糊系統控制以及其他遺傳演算法的應用領域。
PSO模擬鳥群的捕食行為。設想這樣一個場景：一群鳥在隨機搜索食物。在這個區域里只有一塊食物。所有的鳥都不知道食物在那裡。但是他們知道當前的位置離食物還有多遠。那麼找到食物的最優策略是什麼呢。最簡單有效的就是搜尋目前離食物最近的鳥的周圍區域。
PSO從這種模型中得到啟示並用於解決優化問題。PSO中，每個優化問題的解都是搜索空間中的一隻鳥。我們稱之為「粒子」。所有的粒子都有一個由被優化的函數決定的適應值(fitness value)，每個粒子還有一個速度決定他們飛翔的方向和距離。然後粒子們就追隨當前的最優粒子在解空間中搜索。
PSO 初始化為一群隨機粒子(隨機解)。然後通過迭代找到最優解。在每一次迭代中，粒子通過跟蹤兩個極值來更新自己。第一個就是粒子本身所找到的最優解，這個解叫做個體極值pBest。另一個極值是整個種群目前找到的最優解，這個極值是全局極值gBest。另外也可以不用整個種群而只是用其中一部分作為粒子的鄰居，那麼在所有鄰居中的極值就是局部極值。 模擬退火，遺傳演算法，禁忌搜索，神經網路在解決全局最優解的問題上有著獨到的優點，並且，它們有一個共同的特點：都是模擬了自然過程。模擬退火思路源於物理學中固體物質的退火過程，遺傳演算法借鑒了自然界優勝劣汰的進化思想，禁忌搜索模擬了人類有記憶過程的智力過程，神經網路更是直接模擬了人腦。
它們之間的聯系也非常緊密，比如模擬退火和遺傳演算法為神經網路提供更優良的學習演算法提供了思路。把它們有機地綜合在一起，取長補短，性能將更加優良。
這幾種智能演算法有別於一般的按照圖靈機進行精確計算的程序，尤其是人工神經網路，是對計算機模型的一種新的詮釋，跳出了馮·諾依曼機的圈子，按照這種思想來設計的計算機有著廣闊的發展前景
⑺ 怎麼看圖寫有機物結構式
你好，
簡單有機物的C、O、N、Cl等都非常好數。如果是用鍵線式表示，就是拐點（節點）和始末端。
H原子數一般都不是數，而是算，演算法是H=2C+2-2Ω+N-Cl
其中Ω表示不飽和度一個環，一個雙鍵是一個不飽和度，三鍵是兩個不飽和度（這個你們教材上應該有，或者你們老師也應該講過）。N表示氮原子數，Cl表示像Cl、Br、I等一價原子（非氫）。
希望對你有所幫助！
不懂請追問！
望採納！
⑻ 簡述tcp 的aimd 演算法 14，路有器有哪三種交換結構，各有什麼特點 15，乙太網是如
要正確理解交換機的工作原理以及其優越性，就不能不提到交換機的一些主流交換技術，正是在這些交換技術基礎上，交換機才實現了比集線器更好地性能，為此本篇介紹幾個主流的交換技術，隨後在本篇最後將介紹交換機選購時的一些注意事項，幫助大家正確選購。
一、交換機的交換方式
目前交換機在傳送源和目的埠的數據包時通常採用直通式交換、存儲轉發式和碎片隔離方式三種數據包交換方式，下面分別簡述。>
1、直通交換方式
採用直通交換方式的乙太網交換機可以理解為在各埠間是縱橫交*的線路矩陣電話交換機。它在輸入埠檢測到一個數據包時，檢查該包的包頭，獲取包的目的地址，啟動內部的動態查找表轉換成相應的輸出埠，在輸入與輸出交*處接通，把數據包直通到相應的埠，實現交換功能。由於它只檢查數據包的包頭（通常只檢查14個位元組），不需要存儲，所以切入方式具有延遲小，交換速度快的優點（所謂延遲（Latency）是指數據包進入一個網路設備到離開該設備所花的時間）。
它的缺點主要有三個方面：一是因為數據包內容並沒有被乙太網交換機保存下來，所以無法檢查所傳送的數據包是否有誤，不能提供錯誤檢測能力；第二，由於沒有緩存，不能將具有不同速率的輸入／輸出埠直接接通，而且容易丟包。如果要連到高速網路上，如提供快速乙太網（100BASE－T）、fddi或atm連接，就不能簡單地將輸入／輸出埠「接通」，因為輸入／輸出埠間有速度上的差異，必須提供緩存；第三，當乙太網交換機的埠增加時，交換矩陣變得越來越復雜，實現起來就越困難。
2、存儲轉發方式
存儲轉發（Store and Forward）是計算機網路領域使用得最為廣泛的技術之一，乙太網交換機的控制器先將輸入埠到來的數據包緩存起來，先檢查數據包是否正確，並過濾掉沖突包錯誤。確定包正確後，取出目的地址，通過查找表找到想要發送的輸出埠地址，然後將該包發送出去。正因如此，存儲轉發方式在數據處理時延時大，這是它的不足，但是它可以對進入交換機的數據包進行錯誤檢測，並且能支持不同速度的輸入／輸出埠間的交換，可有效地改善網路性能。它的另一優點就是這種交換方式支持不同速度埠間的轉換，保持高速埠和低速埠間協同工作。實現的辦法是將10Mbps低速包存儲起來，再通過100Mbps速率轉發到埠上。
3、碎片隔離式（Fragment Free）
這是介於直通式和存儲轉發式之間的一種解決方案。它在轉發前先檢查數據包的長度是否夠64個位元組（512 bit），如果小於64位元組，說明是假包（或稱殘幀），則丟棄該包；如果大於64位元組，則發送該包。該方式的數據處理速度比存儲轉發方式快，但比直通式慢，但由於能夠避免殘幀的轉發，所以被廣泛應用於低檔交換機中。
使用這類交換技術的交換機一般是使用了一種特殊的緩存。這種緩存是一種先進先出的fifo（First In First Out），比特從一端進入然後再以同樣的順序從另一端出來。當幀被接收時，它被保存在fifo中。如果幀以小於512比特的長度結束，那麼fifo中的內容（殘幀）就會被丟棄。因此，不存在普通直通轉發交換機存在的殘幀轉發問題，是一個非常好的解決方案。數據包在轉發之前將被緩存保存下來，從而確保碰撞碎片不通過網路傳播，能夠在很大程度上提高網路傳輸效率。
二、主流堆棧交換技術
通過我們前面的介紹已經知道，按交換機工作在OSI／RM堆棧協議層來分的話，目前的交換機主要有第二層、第三層和第四層交換機，它們都有其對應的主流交換技術，下面分別予以介紹。
1、第二層交換技術
90年代初，在網路系統集成模式中大量引入了區域網交換機。區域網交換機是一種第二層網路設備，交換機在操作過程中不斷地收集資料去建立它本身的地址表，這個表相當簡單，主要標明某個mac地址是在哪個埠上被發現的。當交換機接收到一個數據封包時，它檢查該封包的目的mac地址，核對一下自己的地址表以決定從哪個埠發送出去。而不是象集線器那樣，任何一個發送方數據都會出現在集線器的所有埠上（不管是否為你所需）。這時的交換機因為其只能工作在OSI／RM的第二層，所以也就稱之為第二層交換機，所採用的技術也就稱之為「第二層交換技術」。
「第二層交換」是指OSI第二層或稱mac層的交換。第二層交換機的引入，使得網路站點間可獨享帶寬，消除了無謂的碰撞檢測和出錯重發，提高了傳輸效率，在交換機中可並行的維護幾個獨立的、互不影響的通信進程。在交換網路環境下，用戶信息只在源節點與目的節點之間進行傳送，其他節點是不可見的。但有一點例外，當某一節點在網上發送廣播或多目廣播時，或某一節點發送了一個交換機不認識的mac地址封包時，交換機上的所有節點都將收到這一廣播信息。整個交換環境構成一個大的廣播域。也就是說第二層交換機仍可能存在「廣播風暴」，廣播風暴會使網路的效率大打折扣，但出現情況的情形的比率比起集線器來說要少許多。
第二層交換仍存在「廣播風暴」的弱點，同時，使用第二層交換並不能給路由器的功能帶來什麼進步。這樣的結果是，第二層交換只能在本地不含任何路由器的工作組中取得性能的提高。在使用第二層交換的工作組之間，通過路由器的端到端性能會因為路由器阻塞而掉包，從而導致實質上的性能下降。正因如此，其於路由方式的第三交換技術順應時代的需要而產生了。
2．第三層交換技術
在網路系統集成的技術中，直接面向用戶的第一層介面和第二層交換技術方面已得到令人滿意的答案。但是，作為網路核心、起到網間互連作用的路由器技術卻沒有質的突破。傳統的路由器基於軟體，協議復雜，與區域網速度相比，其數據傳輸的效率較低。但同時它又作為網段（子網，虛擬網）互連的樞紐，這就使傳統的路由器技術面臨嚴峻的挑戰。隨著Internet、Intranet的迅猛發展和B／S（瀏覽器／伺服器）計算模式的廣泛應用，跨地域、跨網路的業務急劇增長，業界和用戶深感傳統的路由器在網路中的瓶頸效應，改進傳統的路由技術已迫在眉睫。在這種情況下，一種新的路由技術應運而生，這就是第三層交換技術。說它是路由器，因為它可操作在網路協議的第三層，是一種路由理解設備並可起到路由決定的作用；說它是交換器，是因為它的速度極快，幾乎達到第二層交換的速度。
一個具有第三層交換功能的設備是一個帶有第三層路由功能的第二層交換機，但它是二者的有機結合，並不是簡單的把路由器設備的硬體及軟體簡單地疊加在區域網交換機上。從硬體的實現上看，目前，第二層交換機的介面模塊都是通過高速背板／匯流排（速率可高達幾十Gbit／s）交換數據的。在第三層交換機中，與路由器有關的第三層路由硬體模塊也插接在高速背板／匯流排上，這種方式使得路由模塊可以與需要路由的其他模塊間高速的交換數據，從而突破了傳統的外接路由器介面速率的限制（10Mbit／s——100Mbit／s）。在軟體方面，第三層交換機也有重大的舉措，它將傳統的基於軟體的路由器軟體進行了界定。目前基於第三層交換技術的第三層交換機得到了廣泛的應用，並得到了用戶一致的贊同。
3、第四層交換
雖然第三層交換技術使得用戶可在工作組之間獲得無失真的100Mbps、1000Mbps的數據交換速率。但這一切還得有一個先決條件，那就是只有當用戶和伺服器本身都能跟上網路中的帶寬增長，包的傳輸可以達到系統的極限，即達到cpu能夠處理的最大速度，才是真正的成功。目前的主要問題在於提高伺服器的能力，因為越來越多功能強大的工作站連到Ethernet交換的桌面上，用戶桌面的能力並沒有得到充分的發揮。
如果伺服器容量能夠滿足需求，問題解決起來就相當簡單。不幸的是，即使是最簡單的對稱多處理伺服器的cpu升級也需要大量的時間，而且需要冗長繁雜的計劃和管理。當一個網路的基礎結構建立在G比特速率的第二層和第三層交換上，有高速WAN接入，伺服器問題就將成為隨之而來的瓶頸。也就是說如果伺服器速度跟不上，即使是具有最快速交換的網路也不能完全確保端到端的性能。可以想像高優先權的業務在這種QoS使能的網路中會因伺服器中低優先權的業務隊列而阻塞。在更糟的情況下，伺服器甚至會喪失循環處理業務的能力。在這樣的需求背景下，第四層交換技術也就設計產生了，基於伺服器設計的第四層交換擴展了伺服器、第二層、第三層交換的性能和業務流的管理功能。
第四層交換功能就像是虛IP，直接指向物理伺服器。它傳輸的業務服從的協議多種多樣，有http、ftp、nfs、Telnet或其他協議。這些業務在物理伺服器基礎上，需要復雜的載量平衡演算法。在IP世界，業務類型由終端TCP或UDP埠地址來決定，在第四層交換中的應用區間則由源端和終端IP地址、TCP和UDP埠共同決定。
在第四層交換中為每個供搜尋使用的伺服器組設立虛IP地址（VIP），每組伺服器支持某種應用。在域名伺服器（dns）中存儲的每個應用伺服器地址是VIP，而不是真實的伺服器地址。當某用戶申請應用時，一個帶有目標伺服器組的VIP連接請求（例如一個TCPSYN包）發給伺服器交換機。伺服器交換機在組中選取最好的伺服器，將終端地址中的VIP用實際伺服器的IP取代，並將連接請求傳給伺服器。這樣，同一區間所有的包由伺服器交換機進行映射，在用戶和同一伺服器間進行傳輸。第四層交換技術的優點主要體現在以下幾個方面：
（1）、從操作方面來看，第四層交換是穩固的，因為它將包控制在從源端到目的端的區間中。
（2）、另一方面，路由器或第三層交換技術，只針對單一的包進行處理，不清楚上一個包從哪來、也不知道下一個包的情況。它們只是檢測包報頭中的TCP埠數字，根據應用建立優先順序隊列。路由器根據鏈路和網路可用的節點決定包的路由。
（3）、第四層交換使用第三層和第四層信息包的報頭信息，根據應用區間識別業務流，將整個區間段的業務流分配到合適的應用伺服器進行處理。每個開放的區間與特定的伺服器相關，為跟蹤伺服器，第四層交換使用多個伺服器支持的特殊應用，隨著伺服器的增加而增強網路的整體性能。同時，第四層交換通過減少對任何特定伺服器的依賴性而提高應用的可*性。
（4）、第四層交換也要求端到端QoS，提高第二層和第三層交換中一包接一包QoS傳輸的能力。例如，從級別高用戶來的業務或重要應用的網路業務流，可以分配給最快的I／O系統和cpu，而普通的業務就分配給性能較差的機器。
以上介紹了一些基本的第二層、第三層和第四層交換技術，其實還有許多復雜、先進的交換技術，在此就不作詳細介紹了。同時要注意，以上所介紹的這些交換技術並不是只能單獨存在，也許它們結合使用更具有優勢，例如第二層、第三層和第四層交換在校園網路中可以有很好的應用。第二層交換機連接用戶和網路，在子網中指引業務流，第三層交換機或路由器將包從一個子網傳到另一個子網，第四層交換機將包傳到終端伺服器。
三、交換機的選購
交換機雖然目前有進入到桌面的趨勢，但是對於一些比較高檔的交換來說一般只有在較大型的區域網中存在，而且由於交換機歷來在人們心中的神秘性決定了在交換機的選購方面多數情況下是商家說了算。
在交換機的選購方面要注意的事項比較多，不再是像集線器一樣那麼幾個簡單的參數就可決定的。下面所列的是在交換機選購時要注意的幾個主要方面。
1．轉發方式
數據包的轉發方式在前面已經介紹過，主要分為「直通式轉發」（現為準直通式轉發）和「存儲式轉發」。由於不同的轉發方式適應於不同的網路環境，因此，應當根據自己的需要作出相應的選擇。直通式由於只檢查數據包的包頭，不需要存儲，所以切入方式具有延遲小，交換速度快的優點。但同時它又具有以以上所介紹的三個缺點。
存儲轉發方式在數據處理時延時大，但它可以對進入交換機的數據包進行錯誤檢測，並且能支持不同速度的輸入／輸出埠間的交換，有效地改善網路性能。同時這種交換方式支持不同速度埠間的轉換，保持高速埠和低速埠間協同工作。
低端交換機通常只擁有一種轉發模式，或是存儲轉發模式，或是直通模式，往往只有中高端產品才兼具兩種轉發模式，並具有智能轉換功能，可根據通信狀況自動切換轉發模式。通常情況下，如果網路對數據的傳輸速率要求不是太高，可選擇存儲轉發式交換機；如果網路對數據的傳輸速率要求較高，可選擇直通轉發式交換機。
2．延時
交換機的延時（Latency）也稱延遲時間，是指從交換機接收到數據包到開始向目的埠發送數據包之間的時間間隔。這主要受所採用的轉發技術等因素的影響，延時越小，數據的傳輸速率越快，網路的效率也就越高。特別是對於多媒體網路而言，較大的數據延遲，往往導致多媒體的短暫中斷，所以交換機的延遲時間越小越好，同時要注意的中，延時越小的交換機價格也就越貴。
3．管理功能
交換機的管理功能（Management）是指交換機如何控制用戶訪問交換機，以及系統管理人員通過軟體對交換機的可管理程度如何。如果需要以上配置和管理，則須選擇網管型交換機，否則只需選擇非網管型的。目前幾乎所有中、高檔交換機都是可網管的，一般來說所有的廠商都會隨機提供一份本公司開發的交換機管理軟體，所有的交換機都能被第三方管理軟體所管理。低檔的交換機來通常不具有網管功能，屬「傻瓜」型的，只需接上電源、插好網線即可正常工作。網管型價格要貴許多。
4．mac地址數
通常前面的介紹，我們知道交換機之所以能夠直接對目的節點發送數據包，而不是像集線器一樣以廣播方式對所有節點發送數據包，最關鍵的技術就是交換機可以識別連在網路上的節點的網卡mac地址，形成一個mac地址表。這個mac地址表存放於交換機的緩存中，並記住這些地址，這樣一來當需要向目的地址發送數據時，交換機就可在mac地址表中查找這個mac地址的節點位置，然後直接向這個位置的節點發送。
但是不同檔次的交換機每個埠所能夠支持的mac數量不同。在交換機的每個埠，都需要足夠的緩存來記憶這些mac地址，所以Buffer容量的大小就決定了相應交換機所能記憶的mac地址數多少。通常交換機只要能夠記憶1024個mac地址基本上就可以了，而一般的交換機通常都能做到這一點，所以如果對網路規模不是很大的情況下，這參數無需太多考慮。當然越是高檔的交換機能記住的mac地址數就越多，這在選擇時要視所連網路的規模而定了。
5．背板帶寬
現在越來越多的100M交換到桌面方案是以實現VOD（視頻點播）為目的，如果您有同樣需求，在選購交換器時應注意交換機背板帶寬，當然是越寬越好，它將為您的交換器在高負荷下提供高速交換。由於所有埠間的通訊都需要通過背板完成，所以背板所能夠提供的帶寬就成為埠間並發通訊時的總帶寬。帶寬越大，能夠給各通訊埠提供的可用帶寬越大，數據交換速度越快；帶寬越小，則能夠給各通訊埠提供的可用帶寬越小，數據交換速度也就越慢。因此，在埠帶寬、延遲時間相同的情況下，背板帶寬越大，交換機的傳輸速率則越快。
6．埠
交換機也與集線器一樣，也有埠帶寬之分，但這里所指的帶寬與集線器的埠帶寬不一樣，因為這里交換機上所指的埠帶寬是獨享的，而集線器上埠的帶寬是共享的。交換機的埠帶寬目前主要包括10M、100M和1000M三種，但就這三種帶寬又有不同的組合形式，以滿足不同類型網路的需要。最常見的組合形式包括n＊100M＋m＊10M、n＊10／100M、n＊1000M＋m＊100M和n＊1000M四種。
n＊100M＋m＊10M就是在一個交換機上同時有「n」個100Mbps帶寬的埠和「m」個10Mbps帶寬的埠，這「n＋m」就是交換機的埠總和。當然這「n」與「m」可以是相同的，也可以是不同的，一般來說這「n」數要遠比「m」數小。這種組合的交換機既可以作為小型廉價網路的中心節點，也可以用於大、中型網路中的工作組交換機。因為它也具有100Mbps帶寬的埠，適合於大型網路的連接，100M埠一般用於伺服器或主幹網段的連接，或者用於級聯至另一台交換機，10M埠則用於直接連接工作站計算機，從而實現不同交換機埠之間的高速連接，並滿足網路內所有計算機對伺服器高速連接的需求。該類交換機的最大特點就是價格低廉，且基本能夠滿足網路的所有需求。
n＊10／100M，這種組合的交換機相比前面那種又要先進一些，因為它的每個埠都可以自適應地達到10Mbps或100Mbps的帶寬，這比固定幾個100Mbps帶寬的交換機當然是方便許多，在性能方面也肯定要好許多。目前這種組合方式的交換機是當前市場上的主流產品，能夠自動適應10Mbps或100Mbps的速率，可以無縫連接乙太網和快速乙太網。該類型的交換機既可以作為工作組交換機直接連接客戶機，實現100Mbps到桌面的高速交換，也可以作為小型網路中心節點。當直接連接至計算機時，在全雙工狀態下收發各佔100Mbps帶寬，從而能夠實現200Mbps的帶寬。當與n＊100M＋m＊10M類型的交換機連接時，為連接至不同埠的交換機提供較快鏈路，滿足多個埠間同時傳輸數據的需要。
n＊1000M＋m＊100M與上面所介紹的「n＊100M＋m＊10M」組合形式的交換組合方式類似，只不過這里所指的帶寬是「1000Mbps 與100Mbps」帶寬，而不是「10Mbps與100Mbps」帶寬的。這種埠配置的含義也是這種交換機同時具有n個1000Mbps帶寬的埠和m個100Mbps帶寬的埠，這里的「n＋m」也一般是交換機的埠總數，但一般來說「n」值要遠小於「m」值。目前這種配置的交換機已經逐漸由中心交換機和骨幹交換機，慢慢地向大中型網路普及。也可作為小型網路中的中心交換機或骨幹交換機，對上可直接連接至伺服器，對下可連接各組交換機。千兆的帶寬不僅能夠很好地解決多用戶對伺服器突發性地訪問問題，消除了伺服器的瓶頸問題，而且還能夠很好地解決高速交換機之間的互聯問題，消除了級聯埠的帶寬瓶頸。當然這種交換機目前來說對於中、小型的單位來說還是有點貴。
n＊1000M，這種交換機是目前很先進的一種，當然價格也是很貴的，因為它提供了全部都是1000Mbps的埠帶寬，這種交換機目前一般是充當在大中型網路中心交換機或骨幹交換機的角色。在中、小型企業單位區域網中一般來說還是很產見的，因為它實在太貴了，而且對於中、小型個、事業單位的區域網也根本用不上這1000Mbps的帶寬。
7．光纖解決方案
最後要談一點就是光纖的選擇了，如果你的布線中必須選用光纖，則在您的交換機選擇方案中可以有以下三種方案：其一選擇具有光纖介面的交換機；另外還可以在模塊結構的交換機中加裝光纖模塊；最後一種就是加裝光纖與雙絞線的轉發器。第一種性能最好，但不夠靈活，而且價格較貴；第二種方案具有較強的靈活配置能力，性能也較好，但價格最貴；最後一種方案價格最便宜，但性能受影響較大。
⑼ 人類的情商是否遭受人工智慧的挑戰
即使人工智慧（AI）接管所有需要記憶和邏輯推理能力的任務之後，情商仍然是人類的核心優勢之一。但是人類的情商也確實面臨著科技的巨大挑戰。我們可能很快就會看到，人類與AI的角色發生轉換，AI可能將人類作為有機機器人來幫助其實現目標。
然而在過去幾年裡，阿拉薩雷拉的注意力始終集中在情商演算法上，因為這是其初創公司Inbot的主要業務。隨著對這些演算法的研究越多，他就越確信這樣一個事實，在情商方面，人們不再優於AI。耶路撒冷希伯來大學歷史教授尤瓦爾·赫拉利（Yuval Noah Harari）在他的暢銷書《Homo Deus》中寫道，人類本質上是由數百萬年進化而成的生物演算法的集合體。他還聲稱，沒有理由認為非有機演算法無法復制並超越有機演算法所能做到的一切。
麻省理工學院物理學教授馬克斯·泰格馬克 (Max Tegmark)在其書中《人生3.0：生活在AI時代的我們》（Life 3.0: Being Human in the Age of Artificial Intelligence）也表達了同樣的意思。他給出了一個令人信服的理由，即幾乎所有的智力都是獨立的。
人類的情緒和感覺是對環境作出反應的有機演算法。演算法是由我們的文化歷史、成長經歷以及生活經歷所塑造的，它們可以被逆向推導。如果我們同意赫拉利與泰格馬克的觀點，就要相信計算機最終將會比人類更擅長操縱人類情感。
人類情商普遍不高
在現實生活中，我們實際上在情商方面的表現很差。大多數人都對自己在別人身上觸發的最基本情感因素一無所知。我們最終會陷入毫無意義的爭吵，摒棄良好的論點，因為它們與我們的偏見不符，更多基於成見來評判別人。我們不理解文化背景、家庭教育或當前伴侶個人生活狀況的影響。從總體上說，我們很少站在別人的立場上考慮問題。如果違背了我們的世界觀，我們就不會去理解他們的推理。我們不想挑戰自己的偏見或成見。
在網路上，情況要糟糕得多。如果我們認為其他人的觀點違背了我們的偏見，那麼我們就會從那些我們根本不認識的人的評論中得出草率的、往往錯誤的結論。最後，我們有一種進化特徵，即把生命看作「最適者才能生存」。這讓我們無法利用他人的優勢，專注於提升自我。最成功的人往往通過撒謊以獲得優勢，通過操縱取得成功，通過欺騙掩飾自己的錯誤行為等。這是一種不惜一切代價贏得勝利的方式，在這種情況下，也會造成很多情感上的傷害。
AI的情商突飛猛進
當人類繼續努力相互理解時，AI的情商正突飛猛進。手機上的攝像頭無處不在，面部追蹤軟體已經足夠先進，可以分析我們面部表情的最小細節，最先進的面部識別技術甚至能分辨出虛假情緒。語音識別和自然語言處理演算法也越來越善於從音頻中找出我們的情緒狀態。從面部和語音中分析情感反應的技術已經超越了普通人的能力水平，在許多領域甚至超過了最有能力的人類。
AI可以看著我們的臉，識別出你的性取向、政治傾向或智商等私人品質。雖然AI可以從你的面部或語言中解讀出幾乎所有的情感，但我們還沒有投入大量精力來對AI的情商進行研究。目前，這一領域的進步幾乎完全是由商業利益和人類貪婪所驅動的。媒體和娛樂公司需要我們的關注和參與來賺錢。像Facebook和YouTube這樣的公司，都有大量的工程師致力於研發讓我們沉迷於其內容的更好方式。
這些演算法的設計目的是為了觸發我們的情緒，讓我們保持開心，它們已經非常非常擅長執行這樣的任務。然而，這些演算法的核心開發人員已經開始害怕這種技術擺脫控制，警告我們大腦可能會被劫持。
大數據為AI情商提供優勢
與人類不同，AI可以利用你的整個網路瀏覽歷史。在大多數情況下，它比任何人都能記住更多的信息。Facebook和谷歌開發的一些最先進機器學習演算法，已經被應用於數十億人產生的海量數據中。
基於你的通訊、朋友以及文化背景，這些演算法已經了解你的慾望、偏見和情感觸發因素。在許多領域，他們比你更了解自己。迄今為止，演算法的進步已經讓Facebook和谷歌被指責開發出可以影響公眾輿論、迅速改變政治格局、影響選舉的過濾泡沫。這些演算法變得如此復雜，以至於越來越無法完全由人類控制。
Facebook的安全主管亞歷克斯·斯塔莫（Alex Stamos）最近在推特上表示，記者們指責他們的操作行為不公平，事實上，目前沒有任何解決辦法可以讓人不指責他們存在偏見。
AI情商的未來
人們有很多偏見，並在影響著我們的判斷。我們看到的世界是我們希望看到的，而不是真實的世界。今天的演算法是由人類開發的，本身就包含了許多有關人類偏見的暗示。但如果我們想要消除這種偏見，那就相對容易了。
隨著AI操控我們的能力越來越強，我看到了這樣的未來，即人們樂於將自己的生活交給演算法管理。我們已經可以在實踐中看到這種趨勢。只要在公共場合環顧四周，幾乎每個人都在擺弄他們的智能手機。人們每天接觸手機的次數平均為2617次，這預示著未來將被科技控制的前景越來越近。
⑽ 生物有機化學的概念
有機化學專業(070303)
一、專業介紹：
以天然有機產物和生物活性分子、金屬與元素有機化合物為主要研究對象，從研究有機合成化學和物理有機化學著手，發展有機化學的反應、合成、方法和理論；對有機化合物的分離分析、質譜分析和核磁共振分析研究；以現代有機化學理論為背景，結合計算機技術、研究和解決復雜化學問題的原創性方法和演算法；功能性大分子以及有機功能軟物質材料的結構設計、合成制備、物理化學性能表徵以及應用相關研究。
二、研究方向：
1、天然有機化學：主要從事結構復雜及具有高生理活性的天然產物合成。諸如具有植物生長調節作用的油菜甾醇及其類似物、抗瘧葯物鷹爪素類天然產物、前列腺素類似物、白三烯、昆蟲信息素和具有抗癌活性的埃坡黴素、吡嗪雙甾體等的合成研究和在復雜分子合成中應用改良的Sharpless反應，光氧化反應，反Diels-Alder反應等立體選擇性方法學的研究；以及復雜分子的分離，結構鑒定方法的研究等。
2、生物有機化學：以現代有機合成、結構分析、物理有機化學、分子生物學、細胞生物學、分子葯理學為手段，發展具有重要生物活性的有機小分子並研究其與生物大分子的相互作用。具體研究內容包括：1）對具有抗癌、抗炎、抗菌以及神經活性的生物鹼、環肽、甾體及糖類天然產物進行全合成，結構-活性關系，及其與靶分子的作用機制研究。2）針對在細胞內外信號傳導過程中的一些關鍵因子如G-蛋白偶聯的受體、蛋白激酶以及細胞凋亡過程，發展高活性、高選擇性的小分子調節劑並應用於了解生物大分子功能的研究。3）利用單晶－衍射或NMR 技術，研究生物大分子，以及活性小分子與生物大分子復合物的結構和構象，從而探討活性小分子如葯物分子作用的內在機制。4）研究酶，細胞或微生物催化的新反應，酶催化反應的機理，酶的改性等。研究酶或微生物參與的復雜分子的合成機理。
3、元素有機化學：有機氟化學、有機磷化學、有機硼化學等研究。有機氟化學領域：主要開展有機氟化合物的合成方法學的研究（如將一氟、二氟亞甲基、三氟甲基及全氟烷基引入有機分子），有機氟化學反應的研究（如亞磺化脫鹵反應、電子轉移反應等），含氟生物活性物質的分子設計與合成，含氟功能材料的分子設計與合成，氟化方法（其中包括高價金屬氟化，電化氟化和氣體直接氟化的手段改進和更新）；有機磷化學方面，開展生命有機磷化合物的研究，有機磷化學反應的研究和有機磷萃取劑的研究；有機硼化學方面，開展了過渡金屬及其他元素化合物催化促進下的有機硼的高選擇性新反應的研究。
4、金屬有機化學：主要開展金屬有機化學方面的基礎研究：設計並合成新型的金屬有機化合物，研究其結構及反應性能，研究金屬—碳鍵和金屬—氫鍵等的形成，化學轉化和碳—金屬鍵的淬滅，重點發展導向有機合成反應的金屬有機化學；強調發展高選擇性的催化反應，金屬催化的材料化學。
5、物理有機化學：從事有機分子聚集體、非生物分子折疊和螺旋體、分子識別、納米分子組裝和分子器件、卟啉化學、仿生和超分子催化等方面的研究；在水或極性促簇性溶劑體系中進行疏水親脂相互作用導致的分子簇集或分子自捲曲的研究；生命過程中有機分子的疏水親脂相互作用與其生理作用關系等以及解簇劑的研究等。
6、有機分析化學：色譜與毛細管電泳分析方法、質譜分析方法及其應用。
7、有機計算機化學：以發現生物活性化合物和新型功能材料的先導結構為目的，應用現代信息與計算技術從事計算機輔助波譜數據分析、化學信息學、中葯信息學、計算機輔助分子設計、計算機輔助合成路線設計等方面的方法研究與系統開發；應用先進的化學計算和分子模擬方法研究化學反應機理、發現生物活性化合物的先導結構以及新型功能材料的分子設計。
8、材料化學：導向新型有機小分子、大分子功能新材料的新型結構分子以及單體的分子設計、合成化學，發展高效率、高選擇性的新型大分子聚合反應催化劑以及聚合反應機理（活性自由基聚合、配位聚合反應、生物轉化等）。圍繞環境友好高分子材料（環境生物降解材料）、導電高分子以及有機光電子功能材料（光致發光、電致發光、薄膜顯示、感測器等）、生物功能大分子材料（生物相容性葯物及基因載體、響應性智能材料、仿生軟物質材料）、含氟特種高分子材料等研究方向，進行有機及大分子合成化學、材料物理化學以及應用相關研究。