非有机算法
⑴ 化学大π键的算法大招是什么
化学大π键的算法大招是H2C=CH-CH=CH2。在多原子分子中如有相互平行的p轨道，它们连贯重叠在一起构成一个整体，p电子在多个原子间运动形成π型化学键，这种不局限在两个原子之间的π键称为离域π键，或共轭大π键，简称大π键，大π键是3个或3个以上原子彼此平行的p轨道从侧面相互重叠形成的π键。
化学大π键的内容
在多原子分子中如有相互平行的p轨道，它们连贯重叠在一起构成一个整体，p电子在多个原子间运动形成π型化学键，这种不局限在两个原子之间的π键称为离域π键，或共轭大π键，简称大π键，在这类分子中，参与共轭体系的所有π电子的游动不局限在两个碳原子之间，而是扩展到组成共轭体系的所有碳原子之间，这种现象叫做离域。
共轭π键也叫离域键或非定域键，由于共轭π键的离域作用，当分子中任何一个组成共轭体系的原子受外界试剂作用时，它会立即影响到体系的其它部分，共轭分子的共轭π键或离域键是化学反应的核心部位。
定域π键，有机分子中只包含 σ 键和孤立π 键的分子称为非共轭分子，这些σ 键和孤立π 键，习惯地被看成是定域键，即组成σ 键的一对σ 电子和孤立π 键中一对π 电子近似于成对地固定在成键原子之间，这样的键叫做定域键。
⑵ 公钥和私钥加密主要算法有哪些，其基本思想是什么
加密算法nbsp;nbsp;nbsp;nbsp;加密技术是对信息进行编码和解码的技术，编码是把原来可读信息（又称明文）译成代码形式（又称密文），其逆过程就是解码（解密）。加密技术的要点是加密算法，加密算法可以分为对称加密、不对称加密和不可逆加密三类算法。nbsp;nbsp;nbsp;nbsp;对称加密算法nbsp;nbsp;对称加密算法是应用较早的加密算法，技术成熟。在对称加密算法中，数据发信方将明文（原始数据）和加密密钥一起经过特殊加密算法处理后，使其变成复杂的加密密文发送出去。收信方收到密文后，若想解读原文，则需要使用加密用过的密钥及相同算法的逆算法对密文进行解密，才能使其恢复成可读明文。在对称加密算法中，使用的密钥只有一个，发收信双方都使用这个密钥对数据进行加密和解密，这就要求解密方事先必须知道加密密钥。对称加密算法的特点是算法公开、计算量小、加密速度快、加密效率高。不足之处是，交易双方都使用同样钥匙，安全性得不到保证。此外，每对用户每次使用对称加密算法时，都需要使用其他人不知道的惟一钥匙，这会使得发收信双方所拥有的钥匙数量成几何级数增长，密钥管理成为用户的负担。对称加密算法在分布式网络系统上使用较为困难，主要是因为密钥管理困难，使用成本较高。在计算机专网系统中广泛使用的对称加密算法有DES和IDEA等。美国国家标准局倡导的AES即将作为新标准取代DES。nbsp;nbsp;nbsp;nbsp;不对称加密算法不对称加密算法使用两把完全不同但又是完全匹配的一对钥匙—公钥和私钥。在使用不对称加密算法加密文件时，只有使用匹配的一对公钥和私钥，才能完成对明文的加密和解密过程。加密明文时采用公钥加密，解密密文时使用私钥才能完成，而且发信方（加密者）知道收信方的公钥，只有收信方（解密者）才是唯一知道自己私钥的人。不对称加密算法的基本原理是，如果发信方想发送只有收信方才能解读的加密信息，发信方必须首先知道收信方的公钥，然后利用收信方的公钥来加密原文；收信方收到加密密文后，使用自己的私钥才能解密密文。显然，采用不对称加密算法，收发信双方在通信之前，收信方必须将自己早已随机生成的公钥送给发信方，而自己保留私钥。由于不对称算法拥有两个密钥，因而特别适用于分布式系统中的数据加密。广泛应用的不对称加密算法有RSA算法和美国国家标准局提出的DSA。以不对称加密算法为基础的加密技术应用非常广泛。nbsp;nbsp;nbsp;nbsp;不可逆加密算法nbsp;nbsp;不可逆加密算法的特征是加密过程中不需要使用密钥，输入明文后由系统直接经过加密算法处理成密文，这种加密后的数据是无法被解密的，只有重新输入明文，并再次经过同样不可逆的加密算法处理，得到相同的加密密文并被系统重新识别后，才能真正解密。显然，在这类加密过程中，加密是自己，解密还得是自己，而所谓解密，实际上就是重新加一次密，所应用的“密码”也就是输入的明文。不可逆加密算法不存在密钥保管和分发问题，非常适合在分布式网络系统上使用，但因加密计算复杂，工作量相当繁重，通常只在数据量有限的情形下使用，如广泛应用在计算机系统中的口令加密，利用的就是不可逆加密算法。近年来，随着计算机系统性能的不断提高，不可逆加密的应用领域正在逐渐增大。在计算机网络中应用较多不可逆加密算法的有RSA公司发明的MD5算法和由美国国家标准局建议的不可逆加密标准SHS(Securenbsp;Hashnbsp;Standard:安全杂乱信息标准)等。加密技术nbsp;nbsp;nbsp;nbsp;加密算法是加密技术的基础，任何一种成熟的加密技术都是建立多种加密算法组合，或者加密算法和其他应用软件有机结合的基础之上的。下面我们介绍几种在计算机网络应用领域广泛应用的加密技术。nbsp;nbsp;nbsp;nbsp;非否认（Non-repudiation）技术nbsp;nbsp;该技术的核心是不对称加密算法的公钥技术，通过产生一个与用户认证数据有关的数字签名来完成。当用户执行某一交易时，这种签名能够保证用户今后无法否认该交易发生的事实。由于非否认技术的操作过程简单，而且直接包含在用户的某类正常的电子交易中，因而成为当前用户进行电子商务、取得商务信任的重要保证。nbsp;nbsp;nbsp;nbsp;PGP（Prettynbsp;Goodnbsp;Privacy）技术nbsp;nbsp;PGP技术是一个基于不对称加密算法RSA公钥体系的邮件加密技术，也是一种操作简单、使用方便、普及程度较高的加密软件。PGP技术不但可以对电子邮件加密，防止非授权者阅读信件；还能对电子邮件附加数字签名，使收信人能明确了解发信人的真实身份；也可以在不
⑶ 改进计算方法
在早期油气资源评价中，通常应用评价模型，对各参数仅取一个固定值进行简单的运算，所得结果也是一个值。实际上，对于地下评价对象，其大多数参数具有时空变化性，用一个固定值，不管是统计所得均值还是其他值，都很难代表该参数，更无法准确刻画该参数的时空非均质性。在这种情况下，很显然应用单值运算得到的结果很难反映地下评价对象的客观实际。因此，为提高评价质量和结果可信性，必须改进计算方法。
14.4.1 应用网格化方法逼近资源分布
这种方法的基本思路是：
（1）根据大量观测点数据，编制各单一参数的平面分布图，通常为平面等值线图，如生油岩等厚图等，个别为分区等级图，如演化程度图。以这些平面分布图简化表示各参数空间变化，主要是把各参数的垂向变化，用平均值简化为非变化的固定值，如所谓生油岩有机质丰度等值线图，即是把各点垂向上有机质丰度变化简化为非变化的固定值。（2）在平面上建立固定的网格，其网格一般是按均匀法设置，但也可用非均匀网格，网格的多少视各变量平面变化快慢、计算机速度和容量而定。原则上是网格越多、越细就越准确地刻画参数平面变化情况。
（3）以同一网格在各参数分布图上读取网格结点（或网格中点）上参数具体数值。
（4）针对每一个网格结点（或网格中点），按照资源评价模型，分别计算生烃量、排烃量等，然后编制生烃量、排烃量等值线图。
（5）依据各等值线间距所占面积，计算该间距所占的生烃量、排烃量等，再累加得全区生烃量、排烃量。乘以相应运聚系数即得全区资源量。
14.4.2 蒙特卡洛法
所谓蒙特卡洛法是一种数值计算方法，其含义是利用随机抽样方法在各参数分布曲线取定数值，然后根据评价模型进行运算，结果得到一定值，反复如上过程成千上万次，结果就有成千上万个定值，再将这些定值进行统计，得到结果分布曲线。该方法已广泛应用于油气资源评价，其优点是：以一个分布曲线来逼近地下评价对象及较可能值、最可能值。这更加符合人们对地下评价对象的认识过程和局限性、不确定性。
该方法的计算步骤如下：
（1）通过资料处理解释、分析化验、图件读取等方法，产生和采集、整理各参数的数据，原则上是越多越好。同时剔除奇异点。
（2）根据整理的数据，统计建立各参数概率分布曲线。当数据较多，如多于几十个时，统计分布曲线代表性强、可靠性高。但当数据少到只几个或十余个时，可依据该参数的分布概型（一般是经验已知的分布模型，如正态分布、对数正态分布等），构造实际的分布曲线。但当数据少到只几个且其分布概型也不确定时，最好用均匀分布或三角分布代替其分布。
（3）利用计算机产生随机数，其中最简单最基本的是均匀分布随机数。要求随机数产生后必须经过严格的检验（如均匀性检验、独立性检验、组合规律性检验、连续性检验等），性质符合要求时方可投入使用。随机数个数越多越好，最好成千上万。随机数值区间为0～1。
（4）以随机数值为概率入口值，用插值法在某一参数分布取该概率所对应的参数值（图14-1）。再用另一个随机数值在另一参数分布曲线上求取该参数值（图14-2）。以此类推。再将所求取的各参数的值（一个参数只一个值）按评价模型相乘除或加减，得到一个结果（图14-3）。反复此过程，得到成千上万个结果。
图14-1 抽样计算过程示意图
（5）再将所得结果进行数理统计，得到结果概率分布图（图14-3）。一般而言，蒙特卡洛计算所用参数概率分布可以是各种各样，但其结果分布一般都是正态分布或对数正态分布。
图14-2 多参数抽样计算过程示意图
图14-3 蒙特卡洛计算过程示意图
14.4.3 模糊数学计算方法
在一些研究对象中，不同事物的界线是截然不同的，如水可以有冰、水、汽三种形态，其界限一般是明确的；而在某些对象，不同事物之间的界限是不明确的，例如在石油地质中，储层的“渗透性好”和“渗透性差”是两个截然不同的概念，但有时对于某个具体的对象，要把它归到“渗透性好”或“渗透性差”却不容易。模糊数学用隶属度来描述这种情况，即用数值来表示某对象属于某事物的程度，一个对象可以“属于”两类甚至两类以上事物，分别以两个隶属度描述它属于这两类事物的程度，这样，较合理地解决了这类问题。
当用模糊数学评价圈闭的含油气性时，即用一个向量来表示一个圈闭：
油气资源评价方法与实践
研究对象含k个圈闭，则用集合Ui来表示这个圈闭群：
油气资源评价方法与实践
n个地质因素在评价圈闭的含油气性中起的作用不同，各因素用一个权ai值表示其在评价中的作用大小：
油气资源评价方法与实践
每个地质因素用m个级别来表示其有利程度：
油气资源评价方法与实践
Ci是用整数表示的一种属性，其具体值依m不同而异。
当m=3时，C=［-1 0 1］
当m=5时，C=［-2-1 0 1 2］
当m=7时，C=［-3-2-1 0 1 2 3］
一个圈闭的某个地质因素用它对各属性的隶属度来表示（如表14-1）。
表14-1 地质因素各属性的隶属度表
对一个圈闭用n个变量来描述，每个变量的表述将转变为一个向量，而一个圈闭原来用一个向量表示，将变为用综合评价变换矩阵R表示：
油气资源评价方法与实践
用各地质因素的权和各圈闭的综合评价变换矩阵算出各圈闭的综合评价，这个计算过程称为合成：
油气资源评价方法与实践
式中h是样品号，Rh是第h号样品的综合评价变换矩阵，Bh是n（变量数）个数构成的向量，其各元素为
油气资源评价方法与实践
这里，○表示某种算法，这些算法都是由下列4种基本算法演化出来的（假设a、r为模糊集合中的两元素）。
1）a∨r=max（1，r）
2）a∧r=min（a，r）
3）a·r=ar
4）a⊕r=min（a，1+r）
按照这样合成得出一个样品向量，然后计算综合评价值（综合得分）D：
油气资源评价方法与实践
结果为一个数。各圈闭按其D值排队，就是这些圈闭的优劣排队。每采用一个合成法，就有一个B，相应有一个D值，就有一个排队，因为B的产生方法不同，各变量值所起作用不尽相同，同样的原始数据会有不同的排队结果。
14.4.4 神经网络计算方法
人工神经网络是指由大量与自然神经系统的神经细胞相类似的（人工）神经元互联而成的网络。
神经网络的结构和特性是由神经元的特性和它们之间的连接方式决定的。人工神经元之间通过互联形成网络。互联的方式称为连接模式。神经元之间的连接强度为连接权。当网络的连接权矩阵确定后，网络的连接模式也就确定了。
在人工神经网络中，信息处理过程或存贮知识的改变是通过修改神经元间的连接模式来完成的。这一修改过程称做神经网络的训练或学习。不同的权矩阵调整方式，就是不同的学习方式。
神经网络的学习和神经网络的结构没有一一对应的关系。不同的神经网络可以采用相同的学习算法进行训练；同一神经网络也可以采用不同的学习算法进行训练。
一般采用多层前向神经网络，用误差反传（BP）算法。
对于一个由3层组成的神经网络模型，第一层为输入层，第二层为中间层，第三层为输出层。第一层的神经元数为n，中间层的神经元数为1，第三层的神经元数为1。
第1层为输入层，由M个样品的n个神经元组成，约定第k个样品（圈闭）的输入，即第1层神经元为：xk1，xk2，…，xkn，相应的输出为Tk，其中，k为样品号，k=1，2，3，…，M，n为神经元数，在此可理解为自变量数。
第2层为隐层，其神经元数1是用户设定的，由x与权系数矩阵W2相乘算出，第k个样品的中间层为
油气资源评价方法与实践
F（t）采用S型（Signmoid）压缩函数：
油气资源评价方法与实践
为了能控制u的取值，把第一式改为：x0=-1，w0j=ξ，记
油气资源评价方法与实践
则第二式成为
t的值除与Wij，xi有关外，还与变量数n有关，为了让的值在0～1的范围内，就需要
油气资源评价方法与实践
给一个适当的ξ值。
中间层到输出层的计算与此相仿。只是它用另外一个W（矩阵）。
如果找到合适的W（两个W阵），则由输入的各样品的X算出各样品的y值应与原样品的输出值T相同或很接近。我们的任务就是要求这两个W阵。
油气资源评价方法与实践
开始的W阵是随机产生的。当然它算出各样品的y不会等于T。我们用E（W）来衡量它的偏差：
油气资源评价方法与实践
当E（W）＜ε时，学习完成。当E（W）＞ε时，就要修改两个W阵，让E（W）逐渐变小，就现在的这个模型（一共有3层，输出层只有一元）来说，修改W分两步，第一步修改由u计算y的W，第二步修改由x计算u的W。
油气资源评价方法与实践
油气资源评价方法与实践
这样，每次根据算出的y来指导修改两层的W阵，直至E（W）＜ε，学习完成。
学习完成后，得到两个W阵，把待判样品的x向量按既定的模式计算可得各样品的y值，为具体对象的评价。
⑷ 计算机学习的分类
大概就是这几个专业：计算机科学与技术（计算机科学）软件工程、电信工程、网络工程、物联网工程、通信工程，不同学校可能会有细微差异。
⑸ 孤对电子数计算公式
孤对电子数=1/2*(a-xb)
其中，a为中心原子的价电子数，x为与中心原子结合的原子数，b为中心原子结合的原子最多能接受的电子数。
例如：H₂O的中心原子是氧，a是氧的最外层电子数6，x是配对原子个数2，b是配对原子还可以容纳的电子数为1。根据计算公式，1/2*(6-2×1)=2，孤对电子数为2。(5)非有机算法扩展阅读
孤对电子的判断：孤对电子是指分子中除了用于形成共价键的键合电子外，在原子最外电子层中还经常存在未用于形成共价键的非键合电子。这些未成键的价电子对叫做孤对电子。
所谓“孤”是因为它未成键，而“对”是因为两个自旋相反的电子会配对。孤对电子是分子或离子未共享价层的电子对。
孤对电子在分子中的存在和分配影响分子的形状、偶极矩、键长、键能等，对轻原子组成的分子影响尤为显着。路易斯碱(Lewis)的碱性，配体通过配位原子与中心体的键合，亲核反应的发生等均通过孤对电子。
⑹ 智能算法的算法分类
模拟退火算法的依据是固体物质退火过程和组合优化问题之间的相似性。物质在加热的时候，粒子间的布朗运动增强，到达一定强度后，固体物质转化为液态，这个时候再进行退火，粒子热运动减弱，并逐渐趋于有序，最后达到稳定。
模拟退火的解不再像局部搜索那样最后的结果依赖初始点。它引入了一个接受概率p。如果新的点（设为pn）的目标函数f（pn）更好，则p=1，表示选取新点；否则，接受概率p是当前点（设为pc）的目标函数f（pc），新点的目标函数f（pn）以及另一个控制参数“温度”T的函数。也就是说，模拟退火没有像局部搜索那样每次都贪婪地寻找比现在好的点，目标函数差一点的点也有可能接受进来。随着算法的执行，系统温度T逐渐降低，最后终止于某个低温，在该温度下，系统不再接受变化。
模拟退火的典型特征是除了接受目标函数的改进外，还接受一个衰减极限，当T较大时，接受较大的衰减，当T逐渐变小时，接受较小的衰减，当T为0时，就不再接受衰减。这一特征意味着模拟退火与局部搜索相反，它能避开局部极小，并且还保持了局部搜索的通用性和简单性。
在物理上，先加热，让分子间互相碰撞，变成无序状态，内能加大，然后降温，最后的分子次序反而会更有序，内能比没有加热前更小。就像那只兔子，它喝醉后，对比较近的山峰视而不见，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，当T为0时，模拟退火就成为局部搜索的一个特例。
模拟退火的伪码表达：
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，关键的是(1)新状态产生函数，(2)新状态接受函数，(3)抽样稳定准则，(4)退温函数，(5)退火结束准则（简称三函数两准则）是直接影响优化结果的主要环节。虽然实验结果证明初始值对于最后的结果没有影响，但是初温越高，得到高质量解的概率越大。所以，应该尽量选取比较高的初温。
上面关键环节的选取策略：
（1）状态产生函数：候选解由当前解的邻域函数决定，可以取互换，插入，逆序等操作产生，然后根据概率分布方式选取新的解，概率可以取均匀分布、正态分布、高斯分布、柯西分布等。
（2）状态接受函数：这个环节最关键，但是，实验表明，何种接受函数对于最后结果影响不大。所以，一般选取min [1, exp ((f (vn)-f (vc))/T)]。
（3）抽样稳定准则：一般常用的有：检验目标函数的均值是否稳定；连续若干步的目标值变化较小；规定一定的步数；
（4）退温函数：如果要求温度必须按照一定的比率下降，SA算法可以采用，但是温度下降很慢；快速SA中，一般采用 。目前，经常用的是 ，是一个不断变化的值。
（5）退火结束准则：一般有：设置终止温度；设置迭代次数；搜索到的最优值连续多次保持不变；检验系统熵是否稳定。
为了保证有比较优的解，算法往往采取慢降温、多抽样、以及把“终止温度”设的比较低等方式，导致算法运行时间比较长，这也是模拟退火的最大缺点。人喝醉了酒办起事来都不利索，何况兔子？ “物竞天择，适者生存”，是进化论的基本思想。遗传算法就是模拟自然界想做的事。遗传算法可以很好地用于优化问题，若把它看作对自然过程高度理想化的模拟，更能显出它本身的优雅——虽然生存竞争是残酷的。
遗传算法以一种群体中的所有个体为对象，并利用随机化技术指导对一个被编码的参数空间进行高效搜索。其中，选择、交叉和变异构成了遗传算法的遗传操作；参数编码、初始群体的设定、适应度函数的设计、遗传操作设计、控制参数设定五个要素组成了遗传算法的核心内容。作为一种新的全局优化搜索算法，遗传算法以其简单通用、健壮性强、适于并行处理以及高效、实用等显着特点，在各个领域得到了广泛应用，取得了良好效果，并逐渐成为重要的智能算法之一。
遗传算法的伪码：
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
上述程序中有五个重要的环节：
（1）编码和初始群体的生成：GA在进行搜索之前先将解空间的解数据表示成遗传空间的基因型串结构数据，这些串结构数据的不同组合便构成了不同的点。然后随机产生N个初始串结构数据，每个串结构数据称为一个个体， N个体构成了一个群体。GA以这N个串结构数据作为初始点开始迭代。
比如，旅行商问题中，可以把商人走过的路径进行编码，也可以对整个图矩阵进行编码。编码方式依赖于问题怎样描述比较好解决。初始群体也应该选取适当，如果选取的过小则杂交优势不明显，算法性能很差（数量上占了优势的老鼠进化能力比老虎强），群体选取太大则计算量太大。
（2）检查算法收敛准则是否满足，控制算法是否结束。可以采用判断与最优解的适配度或者定一个迭代次数来达到。
（3）适应性值评估检测和选择：适应性函数表明个体或解的优劣性，在程序的开始也应该评价适应性，以便和以后的做比较。不同的问题，适应性函数的定义方式也不同。根据适应性的好坏，进行选择。选择的目的是为了从当前群体中选出优良的个体，使它们有机会作为父代为下一代繁殖子孙。遗传算法通过选择过程体现这一思想，进行选择的原则是适应性强的个体为下一代贡献一个或多个后代的概率大。选择实现了达尔文的适者生存原则。
（4）杂交：按照杂交概率（pc）进行杂交。杂交操作是遗传算法中最主要的遗传操作。通过杂交操作可以得到新一代个体，新个体组合了其父辈个体的特性。杂交体现了信息交换的思想。
可以选定一个点对染色体串进行互换，插入，逆序等杂交，也可以随机选取几个点杂交。杂交概率如果太大，种群更新快，但是高适应性的个体很容易被淹没，概率小了搜索会停滞。
（5）变异：按照变异概率（pm）进行变异。变异首先在群体中随机选择一个个体，对于选中的个体以一定的概率随机地改变串结构数据中某个串的值。同生物界一样，GA中变异发生的概率很低。变异为新个体的产生提供了机会。
变异可以防止有效基因的缺损造成的进化停滞。比较低的变异概率就已经可以让基因不断变更，太大了会陷入随机搜索。想一下，生物界每一代都和上一代差距很大，会是怎样的可怕情形。
就像自然界的变异适和任何物种一样，对变量进行了编码的遗传算法没有考虑函数本身是否可导，是否连续等性质，所以适用性很强；并且，它开始就对一个种群进行操作，隐含了并行性，也容易找到“全局最优解”。 为了找到“全局最优解”，就不应该执着于某一个特定的区域。局部搜索的缺点就是太贪婪地对某一个局部区域以及其邻域搜索，导致一叶障目，不见泰山。禁忌搜索就是对于找到的一部分局部最优解，有意识地避开它（但不是完全隔绝），从而获得更多的搜索区间。兔子们找到了泰山，它们之中的一只就会留守在这里，其他的再去别的地方寻找。就这样，一大圈后，把找到的几个山峰一比较，珠穆朗玛峰脱颖而出。
当兔子们再寻找的时候，一般地会有意识地避开泰山，因为他们知道，这里已经找过，并且有一只兔子在那里看着了。这就是禁忌搜索中“禁忌表（tabu list）”的含义。那只留在泰山的兔子一般不会就安家在那里了，它会在一定时间后重新回到找最高峰的大军，因为这个时候已经有了许多新的消息，泰山毕竟也有一个不错的高度，需要重新考虑，这个归队时间，在禁忌搜索里面叫做“禁忌长度（tabu length）”；如果在搜索的过程中，留守泰山的兔子还没有归队，但是找到的地方全是华北平原等比较低的地方，兔子们就不得不再次考虑选中泰山，也就是说，当一个有兔子留守的地方优越性太突出，超过了“best to far”的状态，就可以不顾及有没有兔子留守，都把这个地方考虑进来，这就叫“特赦准则（aspiration criterion）”。这三个概念是禁忌搜索和一般搜索准则最不同的地方，算法的优化也关键在这里。
伪码表达：
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;
以上程序中有关键的几点：
（1）禁忌对象：可以选取当前的值（cur）作为禁忌对象放进tabu list，也可以把和当然值在同一“等高线”上的都放进tabu list。
（2）为了降低计算量，禁忌长度和禁忌表的集合不宜太大，但是禁忌长度太小容易循环搜索，禁忌表太小容易陷入“局部极优解”。
（3）上述程序段中对best_to_far的操作是直接赋值为最优的“解禁候选解”，但是有时候会出现没有大于best_to_far的，候选解也全部被禁的“死锁”状态，这个时候，就应该对候选解中最佳的进行解禁，以能够继续下去。
（4）终止准则：和模拟退火，遗传算法差不多，常用的有：给定一个迭代步数；设定与估计的最优解的距离小于某个范围时，就终止搜索；当与最优解的距离连续若干步保持不变时，终止搜索；
禁忌搜索是对人类思维过程本身的一种模拟，它通过对一些局部最优解的禁忌（也可以说是记忆）达到接纳一部分较差解，从而跳出局部搜索的目的。 人工神经网络（Artificial Neural Network，ANN）
神经网络从名字就知道是对人脑的模拟。它的神经元结构，它的构成与作用方式都是在模仿人脑，但是也仅仅是粗糙的模仿，远没有达到完美的地步。和冯·诺依曼机不同，神经网络计算非数字，非精确，高度并行，并且有自学习功能。
生命科学中，神经细胞一般称作神经元，它是整个神经结构的最基本单位。每个神经细胞就像一条胳膊，其中像手掌的地方含有细胞核，称作细胞体，像手指的称作树突，是信息的输入通路，像手臂的称作轴突，是信息的输出通路；神经元之间错综复杂地连在一起，互相之间传递信号，而传递的信号可以导致神经元电位的变化，一旦电位高出一定值，就会引起神经元的激发，此神经元就会通过轴突传出电信号。
而如果要用计算机模仿生物神经，就需要人工的神经网络有三个要素：（1）形式定义人工神经元；（2）给出人工神经元的连接方式，或者说给出网络结构；（3）给出人工神经元之间信号强度的定义。
历史上第一个人工神经网络模型称作M－P模型，非常简单：
其中，表示神经元i在t时刻的状态，为1表示激发态，为0表示抑制态；是神经元i和j之间的连接强度；表示神经元i的阈值，超过这个值神经元才能激发。
这个模型是最简单的神经元模型。但是功能已经非常强大：此模型的发明人McCulloch和Pitts已经证明，不考虑速度和实现的复杂性，它可以完成当前数字计算机的任何工作。
以上这个M－P模型仅仅是一层的网络，如果从对一个平面进行分割的方面来考虑的话，M－P网络只能把一个平面分成个半平面，却不能够选取特定的一部分。而解决的办法就是“多层前向网路”。
为了让这种网络有合适的权值，必须给网络一定的激励，让它自己学习，调整。一种方法称作“向后传播算法（Back Propagation，BP）”，其基本思想是考察最后输出解和理想解的差异，调整权值，并把这种调整从输出层开始向后推演，经过中间层，达到输入层。
可见，神经网络是通过学习来达到解决问题的目的，学习没有改变单个神经元的结构和工作方式，单个神经元的特性和要解决的问题之间也没有直接联系，这里学习的作用是根据神经元之间激励与抑制的关系，改变它们的作用强度。学习样本中的任何样品的信息都包含在网络的每个权值之中。
BP算法中有考察输出解和理想解差异的过程，假设差距为w，则调整权值的目的就是为了使得w最小化。这就又包含了前文所说的“最小值”问题。一般的BP算法采用的是局部搜索，比如最速下降法，牛顿法等，当然如果想要得到全局最优解，可以采用模拟退火，遗传算法等。当前向网络采用模拟退火算法作为学习方法的时候，一般成为“波尔兹曼网络”，属于随机性神经网络。
在学习BP算法学习的过程中，需要已经有一部分确定的值作为理想输出，这就好像中学生在学习的时候，有老师的监督。如果没有了监督，人工神经网络该怎么学习？
就像没有了宏观调控，自由的市场引入了竞争一样，有一种学习方法称作“无监督有竞争的学习”。在输入神经元i的若干个神经元之间开展竞争，竞争之后，只有一个神经元为1，其他均为0，而对于失败的神经元，调整使得向对竞争有利的方向移动，则最终也可能在一次竞争中胜利；
人工神经网络还有反馈网络如Hopfield网络，它的神经元的信号传递方向是双向的，并且引入一个能量函数，通过神经元之间不断地相互影响，能量函数值不断下降，最后能给出一个能量比较低的解。这个思想和模拟退火差不多。
人工神经网络应用到算法上时，其正确率和速度与软件的实现联系不大，关键的是它自身的不断学习。这种思想已经和冯·诺依曼模型很不一样。 粒子群优化算法(PSO)是一种进化计算技术(evolutionary computation)，1995 年由Eberhart 博士和kennedy 博士提出，源于对鸟群捕食的行为研究 。该算法最初是受到飞鸟集群活动的规律性启发，进而利用群体智能建立的一个简化模型。粒子群算法在对动物集群活动行为观察基础上，利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得最优解。
PSO同遗传算法类似，是一种基于迭代的优化算法。系统初始化为一组随机解，通过迭代搜寻最优值。但是它没有遗传算法用的交叉(crossover)以及变异(mutation)，而是粒子在解空间追随最优的粒子进行搜索。同遗传算法比较，PSO的优势在于简单容易实现并且没有许多参数需要调整。目前已广泛应用于函数优化，神经网络训练，模糊系统控制以及其他遗传算法的应用领域。
PSO模拟鸟群的捕食行为。设想这样一个场景：一群鸟在随机搜索食物。在这个区域里只有一块食物。所有的鸟都不知道食物在那里。但是他们知道当前的位置离食物还有多远。那么找到食物的最优策略是什么呢。最简单有效的就是搜寻目前离食物最近的鸟的周围区域。
PSO从这种模型中得到启示并用于解决优化问题。PSO中，每个优化问题的解都是搜索空间中的一只鸟。我们称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应值(fitness value)，每个粒子还有一个速度决定他们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。
PSO 初始化为一群随机粒子(随机解)。然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个极值来更新自己。第一个就是粒子本身所找到的最优解，这个解叫做个体极值pBest。另一个极值是整个种群目前找到的最优解，这个极值是全局极值gBest。另外也可以不用整个种群而只是用其中一部分作为粒子的邻居，那么在所有邻居中的极值就是局部极值。 模拟退火，遗传算法，禁忌搜索，神经网络在解决全局最优解的问题上有着独到的优点，并且，它们有一个共同的特点：都是模拟了自然过程。模拟退火思路源于物理学中固体物质的退火过程，遗传算法借鉴了自然界优胜劣汰的进化思想，禁忌搜索模拟了人类有记忆过程的智力过程，神经网络更是直接模拟了人脑。
它们之间的联系也非常紧密，比如模拟退火和遗传算法为神经网络提供更优良的学习算法提供了思路。把它们有机地综合在一起，取长补短，性能将更加优良。
这几种智能算法有别于一般的按照图灵机进行精确计算的程序，尤其是人工神经网络，是对计算机模型的一种新的诠释，跳出了冯·诺依曼机的圈子，按照这种思想来设计的计算机有着广阔的发展前景
⑺ 怎么看图写有机物结构式
你好，
简单有机物的C、O、N、Cl等都非常好数。如果是用键线式表示，就是拐点（节点）和始末端。
H原子数一般都不是数，而是算，算法是H=2C+2-2Ω+N-Cl
其中Ω表示不饱和度一个环，一个双键是一个不饱和度，三键是两个不饱和度（这个你们教材上应该有，或者你们老师也应该讲过）。N表示氮原子数，Cl表示像Cl、Br、I等一价原子（非氢）。
希望对你有所帮助！
不懂请追问！
望采纳！
⑻ 简述tcp 的aimd 算法 14，路有器有哪三种交换结构，各有什么特点 15，以太网是如
要正确理解交换机的工作原理以及其优越性，就不能不提到交换机的一些主流交换技术，正是在这些交换技术基础上，交换机才实现了比集线器更好地性能，为此本篇介绍几个主流的交换技术，随后在本篇最后将介绍交换机选购时的一些注意事项，帮助大家正确选购。
一、交换机的交换方式
目前交换机在传送源和目的端口的数据包时通常采用直通式交换、存储转发式和碎片隔离方式三种数据包交换方式，下面分别简述。>
1、直通交换方式
采用直通交换方式的以太网交换机可以理解为在各端口间是纵横交*的线路矩阵电话交换机。它在输入端口检测到一个数据包时，检查该包的包头，获取包的目的地址，启动内部的动态查找表转换成相应的输出端口，在输入与输出交*处接通，把数据包直通到相应的端口，实现交换功能。由于它只检查数据包的包头（通常只检查14个字节），不需要存储，所以切入方式具有延迟小，交换速度快的优点（所谓延迟（Latency）是指数据包进入一个网络设备到离开该设备所花的时间）。
它的缺点主要有三个方面：一是因为数据包内容并没有被以太网交换机保存下来，所以无法检查所传送的数据包是否有误，不能提供错误检测能力；第二，由于没有缓存，不能将具有不同速率的输入／输出端口直接接通，而且容易丢包。如果要连到高速网络上，如提供快速以太网（100BASE－T）、fddi或atm连接，就不能简单地将输入／输出端口“接通”，因为输入／输出端口间有速度上的差异，必须提供缓存；第三，当以太网交换机的端口增加时，交换矩阵变得越来越复杂，实现起来就越困难。
2、存储转发方式
存储转发（Store and Forward）是计算机网络领域使用得最为广泛的技术之一，以太网交换机的控制器先将输入端口到来的数据包缓存起来，先检查数据包是否正确，并过滤掉冲突包错误。确定包正确后，取出目的地址，通过查找表找到想要发送的输出端口地址，然后将该包发送出去。正因如此，存储转发方式在数据处理时延时大，这是它的不足，但是它可以对进入交换机的数据包进行错误检测，并且能支持不同速度的输入／输出端口间的交换，可有效地改善网络性能。它的另一优点就是这种交换方式支持不同速度端口间的转换，保持高速端口和低速端口间协同工作。实现的办法是将10Mbps低速包存储起来，再通过100Mbps速率转发到端口上。
3、碎片隔离式（Fragment Free）
这是介于直通式和存储转发式之间的一种解决方案。它在转发前先检查数据包的长度是否够64个字节（512 bit），如果小于64字节，说明是假包（或称残帧），则丢弃该包；如果大于64字节，则发送该包。该方式的数据处理速度比存储转发方式快，但比直通式慢，但由于能够避免残帧的转发，所以被广泛应用于低档交换机中。
使用这类交换技术的交换机一般是使用了一种特殊的缓存。这种缓存是一种先进先出的fifo（First In First Out），比特从一端进入然后再以同样的顺序从另一端出来。当帧被接收时，它被保存在fifo中。如果帧以小于512比特的长度结束，那么fifo中的内容（残帧）就会被丢弃。因此，不存在普通直通转发交换机存在的残帧转发问题，是一个非常好的解决方案。数据包在转发之前将被缓存保存下来，从而确保碰撞碎片不通过网络传播，能够在很大程度上提高网络传输效率。
二、主流堆栈交换技术
通过我们前面的介绍已经知道，按交换机工作在OSI／RM堆栈协议层来分的话，目前的交换机主要有第二层、第三层和第四层交换机，它们都有其对应的主流交换技术，下面分别予以介绍。
1、第二层交换技术
90年代初，在网络系统集成模式中大量引入了局域网交换机。局域网交换机是一种第二层网络设备，交换机在操作过程中不断地收集资料去建立它本身的地址表，这个表相当简单，主要标明某个mac地址是在哪个端口上被发现的。当交换机接收到一个数据封包时，它检查该封包的目的mac地址，核对一下自己的地址表以决定从哪个端口发送出去。而不是象集线器那样，任何一个发送方数据都会出现在集线器的所有端口上（不管是否为你所需）。这时的交换机因为其只能工作在OSI／RM的第二层，所以也就称之为第二层交换机，所采用的技术也就称之为“第二层交换技术”。
“第二层交换”是指OSI第二层或称mac层的交换。第二层交换机的引入，使得网络站点间可独享带宽，消除了无谓的碰撞检测和出错重发，提高了传输效率，在交换机中可并行的维护几个独立的、互不影响的通信进程。在交换网络环境下，用户信息只在源节点与目的节点之间进行传送，其他节点是不可见的。但有一点例外，当某一节点在网上发送广播或多目广播时，或某一节点发送了一个交换机不认识的mac地址封包时，交换机上的所有节点都将收到这一广播信息。整个交换环境构成一个大的广播域。也就是说第二层交换机仍可能存在“广播风暴”，广播风暴会使网络的效率大打折扣，但出现情况的情形的比率比起集线器来说要少许多。
第二层交换仍存在“广播风暴”的弱点，同时，使用第二层交换并不能给路由器的功能带来什么进步。这样的结果是，第二层交换只能在本地不含任何路由器的工作组中取得性能的提高。在使用第二层交换的工作组之间，通过路由器的端到端性能会因为路由器阻塞而掉包，从而导致实质上的性能下降。正因如此，其于路由方式的第三交换技术顺应时代的需要而产生了。
2．第三层交换技术
在网络系统集成的技术中，直接面向用户的第一层接口和第二层交换技术方面已得到令人满意的答案。但是，作为网络核心、起到网间互连作用的路由器技术却没有质的突破。传统的路由器基于软件，协议复杂，与局域网速度相比，其数据传输的效率较低。但同时它又作为网段（子网，虚拟网）互连的枢纽，这就使传统的路由器技术面临严峻的挑战。随着Internet、Intranet的迅猛发展和B／S（浏览器／服务器）计算模式的广泛应用，跨地域、跨网络的业务急剧增长，业界和用户深感传统的路由器在网络中的瓶颈效应，改进传统的路由技术已迫在眉睫。在这种情况下，一种新的路由技术应运而生，这就是第三层交换技术。说它是路由器，因为它可操作在网络协议的第三层，是一种路由理解设备并可起到路由决定的作用；说它是交换器，是因为它的速度极快，几乎达到第二层交换的速度。
一个具有第三层交换功能的设备是一个带有第三层路由功能的第二层交换机，但它是二者的有机结合，并不是简单的把路由器设备的硬件及软件简单地叠加在局域网交换机上。从硬件的实现上看，目前，第二层交换机的接口模块都是通过高速背板／总线（速率可高达几十Gbit／s）交换数据的。在第三层交换机中，与路由器有关的第三层路由硬件模块也插接在高速背板／总线上，这种方式使得路由模块可以与需要路由的其他模块间高速的交换数据，从而突破了传统的外接路由器接口速率的限制（10Mbit／s——100Mbit／s）。在软件方面，第三层交换机也有重大的举措，它将传统的基于软件的路由器软件进行了界定。目前基于第三层交换技术的第三层交换机得到了广泛的应用，并得到了用户一致的赞同。
3、第四层交换
虽然第三层交换技术使得用户可在工作组之间获得无失真的100Mbps、1000Mbps的数据交换速率。但这一切还得有一个先决条件，那就是只有当用户和服务器本身都能跟上网络中的带宽增长，包的传输可以达到系统的极限，即达到cpu能够处理的最大速度，才是真正的成功。目前的主要问题在于提高服务器的能力，因为越来越多功能强大的工作站连到Ethernet交换的桌面上，用户桌面的能力并没有得到充分的发挥。
如果服务器容量能够满足需求，问题解决起来就相当简单。不幸的是，即使是最简单的对称多处理服务器的cpu升级也需要大量的时间，而且需要冗长繁杂的计划和管理。当一个网络的基础结构建立在G比特速率的第二层和第三层交换上，有高速WAN接入，服务器问题就将成为随之而来的瓶颈。也就是说如果服务器速度跟不上，即使是具有最快速交换的网络也不能完全确保端到端的性能。可以想象高优先权的业务在这种QoS使能的网络中会因服务器中低优先权的业务队列而阻塞。在更糟的情况下，服务器甚至会丧失循环处理业务的能力。在这样的需求背景下，第四层交换技术也就设计产生了，基于服务器设计的第四层交换扩展了服务器、第二层、第三层交换的性能和业务流的管理功能。
第四层交换功能就像是虚IP，直接指向物理服务器。它传输的业务服从的协议多种多样，有http、ftp、nfs、Telnet或其他协议。这些业务在物理服务器基础上，需要复杂的载量平衡算法。在IP世界，业务类型由终端TCP或UDP端口地址来决定，在第四层交换中的应用区间则由源端和终端IP地址、TCP和UDP端口共同决定。
在第四层交换中为每个供搜寻使用的服务器组设立虚IP地址（VIP），每组服务器支持某种应用。在域名服务器（dns）中存储的每个应用服务器地址是VIP，而不是真实的服务器地址。当某用户申请应用时，一个带有目标服务器组的VIP连接请求（例如一个TCPSYN包）发给服务器交换机。服务器交换机在组中选取最好的服务器，将终端地址中的VIP用实际服务器的IP取代，并将连接请求传给服务器。这样，同一区间所有的包由服务器交换机进行映射，在用户和同一服务器间进行传输。第四层交换技术的优点主要体现在以下几个方面：
（1）、从操作方面来看，第四层交换是稳固的，因为它将包控制在从源端到目的端的区间中。
（2）、另一方面，路由器或第三层交换技术，只针对单一的包进行处理，不清楚上一个包从哪来、也不知道下一个包的情况。它们只是检测包报头中的TCP端口数字，根据应用建立优先级队列。路由器根据链路和网络可用的节点决定包的路由。
（3）、第四层交换使用第三层和第四层信息包的报头信息，根据应用区间识别业务流，将整个区间段的业务流分配到合适的应用服务器进行处理。每个开放的区间与特定的服务器相关，为跟踪服务器，第四层交换使用多个服务器支持的特殊应用，随着服务器的增加而增强网络的整体性能。同时，第四层交换通过减少对任何特定服务器的依赖性而提高应用的可*性。
（4）、第四层交换也要求端到端QoS，提高第二层和第三层交换中一包接一包QoS传输的能力。例如，从级别高用户来的业务或重要应用的网络业务流，可以分配给最快的I／O系统和cpu，而普通的业务就分配给性能较差的机器。
以上介绍了一些基本的第二层、第三层和第四层交换技术，其实还有许多复杂、先进的交换技术，在此就不作详细介绍了。同时要注意，以上所介绍的这些交换技术并不是只能单独存在，也许它们结合使用更具有优势，例如第二层、第三层和第四层交换在校园网络中可以有很好的应用。第二层交换机连接用户和网络，在子网中指引业务流，第三层交换机或路由器将包从一个子网传到另一个子网，第四层交换机将包传到终端服务器。
三、交换机的选购
交换机虽然目前有进入到桌面的趋势，但是对于一些比较高档的交换来说一般只有在较大型的局域网中存在，而且由于交换机历来在人们心中的神秘性决定了在交换机的选购方面多数情况下是商家说了算。
在交换机的选购方面要注意的事项比较多，不再是像集线器一样那么几个简单的参数就可决定的。下面所列的是在交换机选购时要注意的几个主要方面。
1．转发方式
数据包的转发方式在前面已经介绍过，主要分为“直通式转发”（现为准直通式转发）和“存储式转发”。由于不同的转发方式适应于不同的网络环境，因此，应当根据自己的需要作出相应的选择。直通式由于只检查数据包的包头，不需要存储，所以切入方式具有延迟小，交换速度快的优点。但同时它又具有以以上所介绍的三个缺点。
存储转发方式在数据处理时延时大，但它可以对进入交换机的数据包进行错误检测，并且能支持不同速度的输入／输出端口间的交换，有效地改善网络性能。同时这种交换方式支持不同速度端口间的转换，保持高速端口和低速端口间协同工作。
低端交换机通常只拥有一种转发模式，或是存储转发模式，或是直通模式，往往只有中高端产品才兼具两种转发模式，并具有智能转换功能，可根据通信状况自动切换转发模式。通常情况下，如果网络对数据的传输速率要求不是太高，可选择存储转发式交换机；如果网络对数据的传输速率要求较高，可选择直通转发式交换机。
2．延时
交换机的延时（Latency）也称延迟时间，是指从交换机接收到数据包到开始向目的端口发送数据包之间的时间间隔。这主要受所采用的转发技术等因素的影响，延时越小，数据的传输速率越快，网络的效率也就越高。特别是对于多媒体网络而言，较大的数据延迟，往往导致多媒体的短暂中断，所以交换机的延迟时间越小越好，同时要注意的中，延时越小的交换机价格也就越贵。
3．管理功能
交换机的管理功能（Management）是指交换机如何控制用户访问交换机，以及系统管理人员通过软件对交换机的可管理程度如何。如果需要以上配置和管理，则须选择网管型交换机，否则只需选择非网管型的。目前几乎所有中、高档交换机都是可网管的，一般来说所有的厂商都会随机提供一份本公司开发的交换机管理软件，所有的交换机都能被第三方管理软件所管理。低档的交换机来通常不具有网管功能，属“傻瓜”型的，只需接上电源、插好网线即可正常工作。网管型价格要贵许多。
4．mac地址数
通常前面的介绍，我们知道交换机之所以能够直接对目的节点发送数据包，而不是像集线器一样以广播方式对所有节点发送数据包，最关键的技术就是交换机可以识别连在网络上的节点的网卡mac地址，形成一个mac地址表。这个mac地址表存放于交换机的缓存中，并记住这些地址，这样一来当需要向目的地址发送数据时，交换机就可在mac地址表中查找这个mac地址的节点位置，然后直接向这个位置的节点发送。
但是不同档次的交换机每个端口所能够支持的mac数量不同。在交换机的每个端口，都需要足够的缓存来记忆这些mac地址，所以Buffer容量的大小就决定了相应交换机所能记忆的mac地址数多少。通常交换机只要能够记忆1024个mac地址基本上就可以了，而一般的交换机通常都能做到这一点，所以如果对网络规模不是很大的情况下，这参数无需太多考虑。当然越是高档的交换机能记住的mac地址数就越多，这在选择时要视所连网络的规模而定了。
5．背板带宽
现在越来越多的100M交换到桌面方案是以实现VOD（视频点播）为目的，如果您有同样需求，在选购交换器时应注意交换机背板带宽，当然是越宽越好，它将为您的交换器在高负荷下提供高速交换。由于所有端口间的通讯都需要通过背板完成，所以背板所能够提供的带宽就成为端口间并发通讯时的总带宽。带宽越大，能够给各通讯端口提供的可用带宽越大，数据交换速度越快；带宽越小，则能够给各通讯端口提供的可用带宽越小，数据交换速度也就越慢。因此，在端口带宽、延迟时间相同的情况下，背板带宽越大，交换机的传输速率则越快。
6．端口
交换机也与集线器一样，也有端口带宽之分，但这里所指的带宽与集线器的端口带宽不一样，因为这里交换机上所指的端口带宽是独享的，而集线器上端口的带宽是共享的。交换机的端口带宽目前主要包括10M、100M和1000M三种，但就这三种带宽又有不同的组合形式，以满足不同类型网络的需要。最常见的组合形式包括n＊100M＋m＊10M、n＊10／100M、n＊1000M＋m＊100M和n＊1000M四种。
n＊100M＋m＊10M就是在一个交换机上同时有“n”个100Mbps带宽的端口和“m”个10Mbps带宽的端口，这“n＋m”就是交换机的端口总和。当然这“n”与“m”可以是相同的，也可以是不同的，一般来说这“n”数要远比“m”数小。这种组合的交换机既可以作为小型廉价网络的中心节点，也可以用于大、中型网络中的工作组交换机。因为它也具有100Mbps带宽的端口，适合于大型网络的连接，100M端口一般用于服务器或主干网段的连接，或者用于级联至另一台交换机，10M端口则用于直接连接工作站计算机，从而实现不同交换机端口之间的高速连接，并满足网络内所有计算机对服务器高速连接的需求。该类交换机的最大特点就是价格低廉，且基本能够满足网络的所有需求。
n＊10／100M，这种组合的交换机相比前面那种又要先进一些，因为它的每个端口都可以自适应地达到10Mbps或100Mbps的带宽，这比固定几个100Mbps带宽的交换机当然是方便许多，在性能方面也肯定要好许多。目前这种组合方式的交换机是当前市场上的主流产品，能够自动适应10Mbps或100Mbps的速率，可以无缝连接以太网和快速以太网。该类型的交换机既可以作为工作组交换机直接连接客户机，实现100Mbps到桌面的高速交换，也可以作为小型网络中心节点。当直接连接至计算机时，在全双工状态下收发各占100Mbps带宽，从而能够实现200Mbps的带宽。当与n＊100M＋m＊10M类型的交换机连接时，为连接至不同端口的交换机提供较快链路，满足多个端口间同时传输数据的需要。
n＊1000M＋m＊100M与上面所介绍的“n＊100M＋m＊10M”组合形式的交换组合方式类似，只不过这里所指的带宽是“1000Mbps 与100Mbps”带宽，而不是“10Mbps与100Mbps”带宽的。这种端口配置的含义也是这种交换机同时具有n个1000Mbps带宽的端口和m个100Mbps带宽的端口，这里的“n＋m”也一般是交换机的端口总数，但一般来说“n”值要远小于“m”值。目前这种配置的交换机已经逐渐由中心交换机和骨干交换机，慢慢地向大中型网络普及。也可作为小型网络中的中心交换机或骨干交换机，对上可直接连接至服务器，对下可连接各组交换机。千兆的带宽不仅能够很好地解决多用户对服务器突发性地访问问题，消除了服务器的瓶颈问题，而且还能够很好地解决高速交换机之间的互联问题，消除了级联端口的带宽瓶颈。当然这种交换机目前来说对于中、小型的单位来说还是有点贵。
n＊1000M，这种交换机是目前很先进的一种，当然价格也是很贵的，因为它提供了全部都是1000Mbps的端口带宽，这种交换机目前一般是充当在大中型网络中心交换机或骨干交换机的角色。在中、小型企业单位局域网中一般来说还是很产见的，因为它实在太贵了，而且对于中、小型个、事业单位的局域网也根本用不上这1000Mbps的带宽。
7．光纤解决方案
最后要谈一点就是光纤的选择了，如果你的布线中必须选用光纤，则在您的交换机选择方案中可以有以下三种方案：其一选择具有光纤接口的交换机；另外还可以在模块结构的交换机中加装光纤模块；最后一种就是加装光纤与双绞线的转发器。第一种性能最好，但不够灵活，而且价格较贵；第二种方案具有较强的灵活配置能力，性能也较好，但价格最贵；最后一种方案价格最便宜，但性能受影响较大。
⑼ 人类的情商是否遭受人工智能的挑战
即使人工智能（AI）接管所有需要记忆和逻辑推理能力的任务之后，情商仍然是人类的核心优势之一。但是人类的情商也确实面临着科技的巨大挑战。我们可能很快就会看到，人类与AI的角色发生转换，AI可能将人类作为有机机器人来帮助其实现目标。
然而在过去几年里，阿拉萨雷拉的注意力始终集中在情商算法上，因为这是其初创公司Inbot的主要业务。随着对这些算法的研究越多，他就越确信这样一个事实，在情商方面，人们不再优于AI。耶路撒冷希伯来大学历史教授尤瓦尔·赫拉利（Yuval Noah Harari）在他的畅销书《Homo Deus》中写道，人类本质上是由数百万年进化而成的生物算法的集合体。他还声称，没有理由认为非有机算法无法复制并超越有机算法所能做到的一切。
麻省理工学院物理学教授马克斯·泰格马克 (Max Tegmark)在其书中《人生3.0：生活在AI时代的我们》（Life 3.0: Being Human in the Age of Artificial Intelligence）也表达了同样的意思。他给出了一个令人信服的理由，即几乎所有的智力都是独立的。
人类的情绪和感觉是对环境作出反应的有机算法。算法是由我们的文化历史、成长经历以及生活经历所塑造的，它们可以被逆向推导。如果我们同意赫拉利与泰格马克的观点，就要相信计算机最终将会比人类更擅长操纵人类情感。
人类情商普遍不高
在现实生活中，我们实际上在情商方面的表现很差。大多数人都对自己在别人身上触发的最基本情感因素一无所知。我们最终会陷入毫无意义的争吵，摒弃良好的论点，因为它们与我们的偏见不符，更多基于成见来评判别人。我们不理解文化背景、家庭教育或当前伴侣个人生活状况的影响。从总体上说，我们很少站在别人的立场上考虑问题。如果违背了我们的世界观，我们就不会去理解他们的推理。我们不想挑战自己的偏见或成见。
在网络上，情况要糟糕得多。如果我们认为其他人的观点违背了我们的偏见，那么我们就会从那些我们根本不认识的人的评论中得出草率的、往往错误的结论。最后，我们有一种进化特征，即把生命看作“最适者才能生存”。这让我们无法利用他人的优势，专注于提升自我。最成功的人往往通过撒谎以获得优势，通过操纵取得成功，通过欺骗掩饰自己的错误行为等。这是一种不惜一切代价赢得胜利的方式，在这种情况下，也会造成很多情感上的伤害。
AI的情商突飞猛进
当人类继续努力相互理解时，AI的情商正突飞猛进。手机上的摄像头无处不在，面部追踪软件已经足够先进，可以分析我们面部表情的最小细节，最先进的面部识别技术甚至能分辨出虚假情绪。语音识别和自然语言处理算法也越来越善于从音频中找出我们的情绪状态。从面部和语音中分析情感反应的技术已经超越了普通人的能力水平，在许多领域甚至超过了最有能力的人类。
AI可以看着我们的脸，识别出你的性取向、政治倾向或智商等私人品质。虽然AI可以从你的面部或语言中解读出几乎所有的情感，但我们还没有投入大量精力来对AI的情商进行研究。目前，这一领域的进步几乎完全是由商业利益和人类贪婪所驱动的。媒体和娱乐公司需要我们的关注和参与来赚钱。像Facebook和YouTube这样的公司，都有大量的工程师致力于研发让我们沉迷于其内容的更好方式。
这些算法的设计目的是为了触发我们的情绪，让我们保持开心，它们已经非常非常擅长执行这样的任务。然而，这些算法的核心开发人员已经开始害怕这种技术摆脱控制，警告我们大脑可能会被劫持。
大数据为AI情商提供优势
与人类不同，AI可以利用你的整个网络浏览历史。在大多数情况下，它比任何人都能记住更多的信息。Facebook和谷歌开发的一些最先进机器学习算法，已经被应用于数十亿人产生的海量数据中。
基于你的通讯、朋友以及文化背景，这些算法已经了解你的欲望、偏见和情感触发因素。在许多领域，他们比你更了解自己。迄今为止，算法的进步已经让Facebook和谷歌被指责开发出可以影响公众舆论、迅速改变政治格局、影响选举的过滤泡沫。这些算法变得如此复杂，以至于越来越无法完全由人类控制。
Facebook的安全主管亚历克斯·斯塔莫（Alex Stamos）最近在推特上表示，记者们指责他们的操作行为不公平，事实上，目前没有任何解决办法可以让人不指责他们存在偏见。
AI情商的未来
人们有很多偏见，并在影响着我们的判断。我们看到的世界是我们希望看到的，而不是真实的世界。今天的算法是由人类开发的，本身就包含了许多有关人类偏见的暗示。但如果我们想要消除这种偏见，那就相对容易了。
随着AI操控我们的能力越来越强，我看到了这样的未来，即人们乐于将自己的生活交给算法管理。我们已经可以在实践中看到这种趋势。只要在公共场合环顾四周，几乎每个人都在摆弄他们的智能手机。人们每天接触手机的次数平均为2617次，这预示着未来将被科技控制的前景越来越近。
⑽ 生物有机化学的概念
有机化学专业(070303)
一、专业介绍：
以天然有机产物和生物活性分子、金属与元素有机化合物为主要研究对象，从研究有机合成化学和物理有机化学着手，发展有机化学的反应、合成、方法和理论；对有机化合物的分离分析、质谱分析和核磁共振分析研究；以现代有机化学理论为背景，结合计算机技术、研究和解决复杂化学问题的原创性方法和算法；功能性大分子以及有机功能软物质材料的结构设计、合成制备、物理化学性能表征以及应用相关研究。
二、研究方向：
1、天然有机化学：主要从事结构复杂及具有高生理活性的天然产物合成。诸如具有植物生长调节作用的油菜甾醇及其类似物、抗疟药物鹰爪素类天然产物、前列腺素类似物、白三烯、昆虫信息素和具有抗癌活性的埃坡霉素、吡嗪双甾体等的合成研究和在复杂分子合成中应用改良的Sharpless反应，光氧化反应，反Diels-Alder反应等立体选择性方法学的研究；以及复杂分子的分离，结构鉴定方法的研究等。
2、生物有机化学：以现代有机合成、结构分析、物理有机化学、分子生物学、细胞生物学、分子药理学为手段，发展具有重要生物活性的有机小分子并研究其与生物大分子的相互作用。具体研究内容包括：1）对具有抗癌、抗炎、抗菌以及神经活性的生物碱、环肽、甾体及糖类天然产物进行全合成，结构-活性关系，及其与靶分子的作用机制研究。2）针对在细胞内外信号传导过程中的一些关键因子如G-蛋白偶联的受体、蛋白激酶以及细胞凋亡过程，发展高活性、高选择性的小分子调节剂并应用于了解生物大分子功能的研究。3）利用单晶－衍射或NMR 技术，研究生物大分子，以及活性小分子与生物大分子复合物的结构和构象，从而探讨活性小分子如药物分子作用的内在机制。4）研究酶，细胞或微生物催化的新反应，酶催化反应的机理，酶的改性等。研究酶或微生物参与的复杂分子的合成机理。
3、元素有机化学：有机氟化学、有机磷化学、有机硼化学等研究。有机氟化学领域：主要开展有机氟化合物的合成方法学的研究（如将一氟、二氟亚甲基、三氟甲基及全氟烷基引入有机分子），有机氟化学反应的研究（如亚磺化脱卤反应、电子转移反应等），含氟生物活性物质的分子设计与合成，含氟功能材料的分子设计与合成，氟化方法（其中包括高价金属氟化，电化氟化和气体直接氟化的手段改进和更新）；有机磷化学方面，开展生命有机磷化合物的研究，有机磷化学反应的研究和有机磷萃取剂的研究；有机硼化学方面，开展了过渡金属及其他元素化合物催化促进下的有机硼的高选择性新反应的研究。
4、金属有机化学：主要开展金属有机化学方面的基础研究：设计并合成新型的金属有机化合物，研究其结构及反应性能，研究金属—碳键和金属—氢键等的形成，化学转化和碳—金属键的淬灭，重点发展导向有机合成反应的金属有机化学；强调发展高选择性的催化反应，金属催化的材料化学。
5、物理有机化学：从事有机分子聚集体、非生物分子折叠和螺旋体、分子识别、纳米分子组装和分子器件、卟啉化学、仿生和超分子催化等方面的研究；在水或极性促簇性溶剂体系中进行疏水亲脂相互作用导致的分子簇集或分子自卷曲的研究；生命过程中有机分子的疏水亲脂相互作用与其生理作用关系等以及解簇剂的研究等。
6、有机分析化学：色谱与毛细管电泳分析方法、质谱分析方法及其应用。
7、有机计算机化学：以发现生物活性化合物和新型功能材料的先导结构为目的，应用现代信息与计算技术从事计算机辅助波谱数据分析、化学信息学、中药信息学、计算机辅助分子设计、计算机辅助合成路线设计等方面的方法研究与系统开发；应用先进的化学计算和分子模拟方法研究化学反应机理、发现生物活性化合物的先导结构以及新型功能材料的分子设计。
8、材料化学：导向新型有机小分子、大分子功能新材料的新型结构分子以及单体的分子设计、合成化学，发展高效率、高选择性的新型大分子聚合反应催化剂以及聚合反应机理（活性自由基聚合、配位聚合反应、生物转化等）。围绕环境友好高分子材料（环境生物降解材料）、导电高分子以及有机光电子功能材料（光致发光、电致发光、薄膜显示、传感器等）、生物功能大分子材料（生物相容性药物及基因载体、响应性智能材料、仿生软物质材料）、含氟特种高分子材料等研究方向，进行有机及大分子合成化学、材料物理化学以及应用相关研究。