蝙蝠演算法

Ⅰ 蝙蝠演算法中不滿足第二個判定條件，維持的原解是x（t）還是x(t-1)

解：(1)∵f(x)是定義在(-1，1)上的奇函數，
∴，即，
∴b=-b，b=0，
，
∴，∴a=1，
∴函數的解析式為。
(2)證明：任取x1，x2∈(-1，1)，且x1＜x2，
，
，
∴，
∴，即，
∴f(x)為(-1，1)上為增函數。
(3)∵f(t-1)+f(t)＜0，
∴f(t-1)＜-f(t)，
∵f(-t)=-f(t)，
∴f(t-1)＜f(-t)，
∵f(x)為(-1，1)上的增函數，
∴，解得，
∴不等式的解集為。

Ⅱ 有看過凱文.凱利寫的《失控》一書的朋友嗎

著作權歸作者所有。
商業轉載請聯系作者獲得授權，非商業轉載請註明出處。
作者：宮亭
鏈接：http://www.hu.com/question/19604629/answer/31775980
來源：知乎

《失控》的副標題是全人類的最終命運和結局，咋一看像是科幻小說，但是翻開一看就知道這是一本足以放在身邊一輩子的書。書在1990年就已經出版，然而在二十年後的今天，裡面的理論仍然新穎無比。
凱文凱利在二十歲那年用在一家貨運中心打工掙的錢買了一張從新澤西到亞洲的機票。在接下來的8年裡，他走遍了亞洲的許多國家，這影響他一生。所以在書中常常會感到他對中國文化的親近。比如他引用的老子的《道德經》：道生一，一生二，二生三，三生萬物。
《失控》中的內容涉獵廣泛，很難一條一條羅列，我就闡述其中幾點吧。
在工業初期，人們發明了蒸汽機，然而人們卻無法駕馭這種力量。瓦特增加了一個一個速度調節器來緩和這種機械力，他的蒸汽機就自己掐住了自己動力的喉嚨。這樣就帶來了革命。瓦特獲取了蒸汽在膨脹時如同火山般爆裂的力量，然後用信息來馴服它。一輛汽車和一個爆炸的汽油罐之間的區別就在於，汽車的信息——也就是他的設計——馴服了汽油那種殘暴粗野的力量。要是沒有那個安安分分轉動著的調控器所構成的主控迴路，蒸汽機根本就是不可想像的裝置。蒸汽機所釋放出的能量，不僅取代了奴隸，還引發了工業革命。要不是有迅速推廣開來的自動反饋系統所引起的信息革命與之並行，工業革命也就不成其革命了。所以說是信息，而不是煤炭，是機器的力量變得有用，進而予取予求。
實習自動控制的效果還不止於此。在1948年以前，鋼鐵行業中的一代又一代技術人員想要生產出厚度統一的薄板，卻都失敗了。他們發現，影響軋鋼機炸出的鋼板厚度的因素不下六七個，他們花費了很多年的時間不遺餘力的一項項的調整，然後又花了更多的時間進行同步協調，卻沒有任何效果。控制住一個因素會不經意的影響其他因素。比如速度減慢會升高溫度，降低溫度會增加壓力，增加壓力又降低了速度，等等，等等。然而《控制論》發表後，工程師用了一個簡單的迴路就理順了整個過程。實施過程中，以一個厚薄規測量出新軋出的金屬板的厚度（輸出），然後把這個信號傳送回控制拉力變數的伺服電動機上，這信號在鋼材進入軋輥之前，一直維持它對鋼材的影響。最終出來的將會是厚度均勻的鋼板。因為所有的因素都是關聯的，所以只要你控制住其中一個對產品的厚度直接起作用的因素，那麼你就等於間接的控制住了所有的因素。所以對於產品，沒有必要把所有的因素都緊緊拽在手上，讓它「失控」會更好
在《蝙蝠俠歸來》中有一個場景，一大群黑蝙蝠一窩蜂的穿越水淹的隧道湧向紐約市中心。這些蝙蝠是由電腦製作的。動畫繪制者先製作出一隻蝙蝠，並賦予他一定的空間以使之能自動的扇動翅膀；然後在復制出幾十個蝙蝠，直至成群。之後，讓每隻蝙蝠獨自在屏幕上四處飛動，但要遵循演算法中的幾條簡單的准則：不要撞上其他的蝙蝠，跟上自己旁邊的蝙蝠，離隊不要太遠。當這些「演算法蝙蝠」在屏幕上運行起來的時候，就如同真的蝙蝠一樣成群結隊而行了。凱文稱這是群氓的集體智慧。十七世紀的一位無名詩人寫道：「成千上萬條魚如一頭巨獸般游動，破浪前進。他們如同一個整體，似乎受到不可抗拒的共同命運的約束。這種一致從何而來？」看看「蝙蝠演算法」就知道了，只遵循簡單的規則，就足以構成一個分布式系統。生物學家們斷定，真實的魚類和鳥類的群體行為必然源自於一套相似的簡單規則。
那麼，一個蜂群是該看作群體，還是直接看作生命體呢？一個蜂巢的機體，將工蜂、雄蜂以及花粉和蜂窩組成了一個統一的整體。一個重達五十磅的蜂巢機構，是從蜜蜂的個體部分涌現出來的。蜂巢擁有大量其任何組成部分所沒有的東西。一個斑點大的蜜蜂大腦，只有六天的記憶，而作為整體的蜂巢所擁有的記憶時間是三個月，是一隻蜜蜂平均壽命的兩倍。
「蜂巢思維」的神奇在於，沒有一隻蜜蜂控制他但是有一隻看不見的手，控制著整個群體。他的神奇還在於，量變引起質變。要想從單個蟲子的機體過渡到集群機體，只需要增加蟲子的數量，使大量的蟲子聚集在一起，使他們能夠互相交流。他們互相之間構成了一個網路，網路的節點與網路本身構成了新個體，這個個體擁有了強大的力量。
我們也可以離開書本遐想一下，如今計算機一直朝著智能的方向發展。網際網路把全世界的計算機連結在了一起。如果把計算機看作蜜蜂，計算機與網路所擁有的力量將遠遠超過計算機本身。凱文預測2020年，網際網路的節點數將超過一個人大腦的節點數；2050年，網際網路的節點數將超過全世界大腦節點數。到時候，網際網路所擁有的智力，會與人類平起平坐。我終於明白了為什麼《終結者》里的反派是天網了。
————————
前幾天我在寫分析網路的受攻擊能力的作業，老師問了一個問題：網路的分布是否越均勻越好？我一下子就想到了《失控》，於是就這么答了：
在凱文凱利的書中是這樣描述網路的：當一個節點斷開，數據會自動選擇別的路徑，使整個網路不受影響。而由於不停的有新的節點加入進來，或者一些舊有的節點之間產生了新的連接，網路看起來就像是自我修復了一樣。
這樣看起來，網路最好還是均勻分布，也就是說，網路的連接是個體與個體之間的自由連接。這樣當網路受到攻擊時，基本不會遭受大的影響，甚至可以說，這樣的網路無法擊垮。（聽起來像天網）
但是以上是基於理想的狀態下的，就目前而言，互聯網並不是那麼的發達，可以讓一個個體（小集體中心亦是）產生如此多的連接。
其次，均勻分布的網路使得個體訪問一個節點的路徑贈長。如果網路不夠發達（比如現在），網路的響應就會很慢。
反向看來，網路如果集中在某些大節點上，只要保護好這些大節點，網路的穩定性就不會受太大影響。在個體看來，就是只要我上的去谷歌、網路，網路對我而言就沒有癱瘓。
不過，去中心化的趨勢會一直在。網路會從目前的幾百個大節點變成幾百萬個大節點，把每個小網路看作一個節點，節點之間的連接將四通八達。比如中國與美國這兩個大網路之間的連接將不再是可以數得清的海底光纜，而是無數的鏈路，是計算不出來的拓撲，到時候牆恐怕就做不起來了。
————————
《失控》里的內容很多，很多時候會感覺互相沒有關聯，我讀完之後，基本上就全忘了。偶爾，你會感覺其中的某一個章節特別值得玩味，比如那篇博客是我在大學的時候寫的，當時我極力反對學校對學生的控制，就對其中的自動控制特別感興趣，並以此反駁身邊的「不管不行」的言論。
後來我參加了一個機器人足球大賽，大家都在想著把所有的可能性都窮盡，然後按照既定的套路出牌，那樣的程序冗長，效率低下而且bug極多。那個時候我就對其中的團隊協作很感興趣，一個個簡單的節點，通過一些簡單的規則，就可以創造出復雜的集體。於是我就去想，有沒有可能給五個人稍許不同的功能，然後一些基本的規則，就打造成一支強大的球隊呢？就像蜜蜂和螞蟻一樣。繼續發散思維，控制機器蜈蚣的腿，幾百個iRobot的協作。（世界好大，好多事情值得去做。＝＝）
————————
其實我跑題了，我到現在也不知道該怎麼解讀《失控》，因為它太大了，所涉及的東西太寬泛了，如果僅僅就「失控」這一中心思想去評判，實在是有點狹隘。
《失控》可以看作一本已經分好類、梳理好時間線的科技史。
所以題主，這種問題其實沒有什麼意義，讀完一本書，大部分內容肯定記不得了，但是會有一種思緒或者邏輯在心裡，當思考一個問題，回去翻閱相關章節，然後繼續思考，能得出自己的結論當然更好。
它當然不可能都是對的。

Ⅲ 近年來比較新穎的智能演算法有哪些，比蜂群演算法更新穎的演算法。最好是元啟發式的演算法。

螢火蟲演算法、雜草演算法、蝙蝠演算法。在知網上可搜索到相應論文。

Ⅳ 元啟發式演算法和啟發式演算法有什麼區別

啟發式演算法與元啟發式演算法對區別在於是否存在「隨機因素」。 對一個同樣的問題，啟發式演算法（heuristics）只要給定了一個輸入，那麼演算法執行的步驟就固定下來了，輸出也因此固定，多次運算結果保持一致。

而元啟發式演算法（meta－heuristics）裡麵包括了隨機因素，如GA中的交叉因子，模擬退火中的metropolis准則，這些隨機因素也使得演算法有一定概率跳出局部最優解而去嘗試全局最優解，因此元啟發式演算法在固定的輸入下，而輸出是不固定的。

啟發式演算法(Heuristic Algorigthm)是一種基於直觀或經驗構造的演算法,在可接受的花費(指計算時間、計算空間等)給出待解決優化問題的每一實例的一個可行解，該可行解與與最優解的偏離程度一般不可以事先預計。

啟發式演算法是一種技術,這種演算法可以在可接受的計算費用內找到最好的解,但不一定能保證所得到解的可行性及最優性，甚至大多數情況下無法闡述所得解與最優解之間的近似程度。

元啟發式演算法（MetaHeuristic Algorigthm）是啟發式演算法的改進，它是隨機演算法與局部搜索演算法相結合的產物，常見的啟發式演算法包括遺傳演算法、模擬退火演算法、禁忌搜索演算法及神經網路演算法等。

新興的元啟發式演算法有、粒子群優化演算法、差分進化演算法，蟻群優化演算法、螢火蟲演算法、布穀鳥演算法、和聲搜索演算法、差分進化演算法、隨機蛙跳演算法、細菌覓食演算法、蝙蝠演算法的演算法等。

Ⅳ 求助，有基本蝙蝠演算法的matlab代碼嗎

蝙蝠演算法( bat algorithm，BA) 是 Yang 受微型蝙蝠的回聲定位行為方式與優化目標功能的相關聯性啟發，於 2010 年提出的一種新型的啟發式演算法。

Ⅵ xin-she yang 是誰

應該是 Xin-she Yang，按西方方式吧姓氏 Yang 放在了後面，中文名諸如「楊鑫舍」、「羊欣設」之類。

Ⅶ 蝙蝠演算法中有歷史最優解和全局最優解嗎

蝙蝠演算法(BA) 是Yang教授於2010年基於群體智能提出的啟發式搜索演算法,是一種搜索全局最優解的有效方法。該演算法是一種基於迭代的優化技術,初始化為一組隨機解,然後通過迭代搜尋最優解,且在最優解周圍通過隨機飛行產生局部新解,加強了局部搜索。與其他演算法相比,BA在准確性和有效性方面遠優於其他演算法,且沒有許多參數要進行調整。——定義判斷篇。