mind算法

Ⅰ 学习人工智能要准备哪些基础知识

人工智能的定义可以分为两部分，即“人工”和“智能”。“人工”比较好理解，争议性也不大。有时我们会要考虑什么是人力所能及制造的，或着人自身的智能程度有没有高到可以创造人工智能的地步，等等。但总的来说，“人工系统”就是通常意义下的人工系统。

关于什么是“智能”，就问题多多了。这涉及到其它诸如意识(consciousness)、自我(self)、思维(mind)(包括无意识的思维(unconscious_mind)等等问题。人唯一了解的智能是人本身的智能，这是普遍认同的观点。但是我们对我们自身智能的理解都非常有限，对构成人的智能的必要元素也了解有限，所以就很难定义什么是“人工”制造的“智能”了。因此人工智能的研究往往涉及对人的智能本身的研究。其它关于动物或其它人造系统的智能也普遍被认为是人工智能相关的研究课题。

人工智能目前在计算机领域内，得到了愈加广泛的重视。并在机器人，经济政治决策，控制系统，仿真系统中得到应用--机器视觉:指纹识别，人脸识别，视网膜识别，虹膜识别，掌纹识别，专家系统等。

人工智能(Artificial Intelligence)是研究解释和模拟人类智能、智能行为及其规律的一门学科。其主要任务是建立智能信息处理理论，进而设计可以展现某些近似于人类智能行为的计算系统。AI作为计算机科学的一个重要分支和计算机应用的一个广阔的新领域，它同原子能技术，空间技术一起被称为20世纪三大尖端科技。

人工智能学科研究的主要内容包括：知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面。

知识表示是人工智能的基本问题之一，推理和搜索都与表示方法密切相关。常用的知识表示方法有：逻辑表示法、产生式表示法、语义网络表示法和框架表示法等。

常识，自然为人们所关注，已提出多种方法，如非单调推理、定性推理就是从不同角度来表达常识和处理常识的。

问题求解中的自动推理是知识的使用过程，由于有多种知识表示方法，相应地有多种推理方法。推理过程一般可分为演绎推理和非演绎推理。谓词逻辑是演绎推理的基础。结构化表示下的继承性能推理是非演绎性的。由于知识处理的需要，近几年来提出了多种非演泽的推理方法，如连接机制推理、类比推理、基于示例的推理、反绎推理和受限推理等。

搜索是人工智能的一种问题求解方法，搜索策略决定着问题求解的一个推理步骤中知识被使用的优先关系。可分为无信息导引的盲目搜索和利用经验知识导引的启发式搜索。启发式知识常由启发式函数来表示，启发式知识利用得越充分，求解问题的搜索空间就越小。典型的启发式搜索方法有A*、AO*算法等。近几年搜索方法研究开始注意那些具有百万节点的超大规模的搜索问题。

机器学习是人工智能的另一重要课题。机器学习是指在一定的知识表示意义下获取新知识的过程，按照学习机制的不同，主要有归纳学习、分析学习、连接机制学习和遗传学习等。

知识处理系统主要由知识库和推理机组成。知识库存储系统所需要的知识，当知识量较大而又有多种表示方法时，知识的合理组织与管理是重要的。推理机在问题求解时，规定使用知识的基本方法和策略，推理过程中为记录结果或通信需设数据库或采用黑板机制。如果在知识库中存储的是某一领域(如医疗诊断)的专家知识，则这样的知识系统称为专家系统。为适应复杂问题的求解需要，单一的专家系统向多主体的分布式人工智能系统发展，这时知识共享、主体间的协作、矛盾的出现和处理将是研究的关键问题。

需要数学基础：高等数学，线性代数，概率论数理统计和随机过程，离散数学，数值分析。

需要算法的积累：人工神经网络，支持向量机，遗传算法等等算法;当然还有各个领域需要的算法，比如要让机器人自己在位置环境导航和建图就需要研究SLAM;总之算法很多需要时间的积累。

需要掌握至少一门编程语言，毕竟算法的实现还是要编程的;如果深入到硬件的话，一些电类基础课必不可少。

Ⅱ 急求！请问如何用最小堆实现prim算法来求最小生成树权值

用邻接矩阵存储图。
#include<iostream>
#include<sstream>
using namespace std;
typedef pair<int,int>P;//无序对，堆中存的是无序对，第一个表示节点，第二个表示节点对应的最短路径值
const int MAX=100;
int mind[MAX];//最短距离
const int MAXN=1000000;
int path[MAX];//路径
int s,t,n,m;
int vis[MAX];//是否已经遍历过
int g[MAX][MAX];
class Heap
{
public:
P elem[MAX];
int n;
Heap(){n=0;}
void ins(P e);
P del();
int num();

};
void Heap::ins(P e)
{
int p;
for(p=++n;p>1&&e.second<elem[p>>1].second;elem[p]=elem[p>>1],p>>=1);//与父结点比较，父结点大的话交换
elem[p]=e;
}
P Heap::del()//删除一个元素，并保持最小堆的性质
{
int i=1,j;
P e=elem[1];
for(j=2;j<n;j<<=1)
{
if(j<n-1&&elem[j].second>elem[j+1].second) j=j+1;//删第一个，较小的孩子成为新的根
if(elem[n].second>elem[j].second)
{
elem[i]=elem[j];
i=j;
}
else break;
}
elem[i]=elem[n--];
return e;
}
int Heap::num()
{
return n;
}
int main()
{

while(cin>>n>>m)
{//分别是边的个数和顶点的个数
vector<vector<Edge> >v(m);//保存各个点的连接情况，每个一维向量是与该点的各个相连的边
int i,j;
for(i=0;i<m;i++)
for(j=0;j<m;j++)
g[i][j]=MAXN;
for(i=0;i<n;i++)
{
int a,b,c;
cin>>a>>b>>c;
g[a][b]=c;
g[b][a]=c;
}
Heap h;
h.n=0;
P e;
for(i=0;i<m;i++)
{
mind[i]=MAXN;
vis[i]=0;
path[i]=-1;
}
s=0;
mind[e.first=s]=e.second=0;
h.ins(e);
int res=0;
while(h.num())
{
e=h.del();
int j=e.first;
if(!vis[j])
{
vis[j]=1;
res+=e.second;
for(i=0;i<m;i++)
{//relax（）
if(i!=j&&!vis[i]&&mind[i]>g[j][i])
{
mind[i]=g[j][i];
path[i]=j;
e.first=i;
e.second=mind[i];
h.ins(e);
}
}
}
}
cout<<"最小生成树权值："<<res<<endl;
}
}

Ⅲ 如何巧妙运用XMind 6制作流程图

流程图是以特定的图形符号加上说明，表示算法的图，所谓千言万语不如一张图。对于电商甚至是企业的运营管理来说，任何环节都需要量化，量化才能改进，才有成效。而量化需要从理念、流程、时间节点和质量控制四个方面进行。因此Xmind流程图是电商管理的一大利器。

xmind 8 win 版

http://wm.makeding.com/iclk/?zoneid=14073

xmind 8mac 版

http://wm.makeding.com/iclk/?zoneid=14074

XMind 绿色便携版：

http://wm.makeding.com/iclk/?zoneid=16413

一个公司的正常运转，依赖流程，流程的优劣，决定运转的顺畅；流程的繁简，决定工作的效率。好的流程往往能够成为公司的核心竞争力。岗位、内容、节点和产出物构成了这张专题活动内部流程图，流程图可以很好的理顺各个工作流，明确每个岗位对应的上游和下游的工作职责，提升上下游之间的自主沟通，提高工 作效率。电商非常流行一句话“不上erp等死，上了erp找死”，这句话非常形象的阐述了流程的重要性。

Xmind虽然没有直接提供流程图结构，但是在XMind中绘制流程图，依然是快速而形象直观的，各种操作一目了然，所以今天就来看看如何快速地在XMind中绘制流程图。

注释：双击联系线即可在上面添加字；图中标出的线条联系形状为“Z形线”。

步骤四、调整主题之间的距离。注意一定要按住Shift键，然后使用鼠标摆放自由主题的位置；将主题摆放整齐，选中目标主题，譬如主线上的六个自由主题，然后从菜单选择“修改 -- 排列自由主题 -- 水平居中”，竖列的自由主题就选择 “ 修改 -- 排列自由主题 -- 垂直居中 ”。

就这样简单的几个步骤，一个简单的流程图就完工了。当然还可以为每个主题添加不同的图标，设置不同的字体、颜色，使用特殊的线条箭头、外形等等。从而更好地满足个人偏好或者使用场景的需求。XMind还为用户提供了流程图思维导图的经典模板，你也可以直接修改使用。

相比于微软的Visio工具来说，XMind并不是最专业的流程图制作软件。但是好在XMind还是一个思维导图软件，画流程图可能仅仅是我们思考的一部分，更多的时候我们需要的还是一个可以帮助思考的工具，一个记录思想火花的地方。

Ⅳ 关于图的最短路径问题

医院选址
1.
代码如下

#include <iostream>
using namespace std;
#define MAXV 50
#define INF 32767
typedef int InfoType;
//邻接矩阵存储方法
typedef struct
{
int no;
InfoType info;
} VertexType;
typedef struct
{
int edges[MAXV][MAXV];
int n,e;
VertexType vexs[MAXV];
} MGraph;
//狄克斯特拉算法
void Ppath(int path[],int i,int v)
{
int k;
k=path[i];
if(k==v) return;
Ppath(path,k,v);
cout<<k;
}
int biaoji1=0,biaoji2=0;
void Dispath(int dist[],int path[],int s[],int n,int v)
{
int i;
for(i=0;i<n;i++)
{
if(i==v) continue;
if(s[i]==1)
{
cout<<"从"<<v<<"到"<<i<<"的最短路径为："<<dist[i]<<" ";
cout<<v;
Ppath(path,i,v);
cout<<i<<endl;
if(biaoji1!=5)
{biaoji2+=dist[i];biaoji1++;}
else
{
cout<<"和为："<<" "<<biaoji2;
biaoji1=0;biaoji2=0;
}
}
else
cout<<"从"<<v<<"到"<<i<<"不存在的路径"<<endl;
}
}
void Dijkstra(MGraph g,int v)
{
int dist[MAXV],path[MAXV];
int s[MAXV];
int mindis,i,j,u;
for(i=0;i<g.n;i++)
{
dist[i]=g.edges[v][i];
s[i]=0;
if(g.edges[v][i]<INF) path[i]=v;
else path[i]=-1;
}
s[v]=1;path[v]=0;
for(i=0;i<g.n;i++)
{
mindis=INF;
for(j=0;j<g.n;j++)
{
if(s[j]==0&&dist[j]<mindis)
{
u=j;
mindis=dist[j];
}
}
s[u]=1;
for(j=0;j<g.n;j++)
{
if(s[j]==0)
{
if(g.edges[u][j]<INF&&dist[u]+g.edges[u][j]<dist[j])
{
dist[j]=dist[u]+g.edges[u][j];
path[j]=u;
}
}
}
}
Dispath(dist,path,s,g.n,v);
}
//弗洛伊德算法
void Ppath1(int path[][MAXV],int i,int j)
{
int k;
k=path[i][j];
if(k==-1) return;
Ppath1(path,i,k);
cout<<k;
Ppath1(path,k,j);
}
void Dispath1(int A[][MAXV],int path[][MAXV],int n)
{
int i,j;
for(i=0;i<n;i++)
{
for(j=0;j<n;j++)
{
if(i==j) continue;
if(A[i][j]==INF)
{
if(i!=j)
cout<<"从"<<i<<"到"<<j<<"不存在路径"<<endl;
}
else
{
cout<<"从"<<i<<"到"<<j<<"的最短路径长度为:"<<A[i][j]<<" ";
cout<<i;
Ppath1(path,i,j);
cout<<j<<endl;
}
}
}
}
void Floyd(MGraph g)
{
int A[MAXV][MAXV],path[MAXV][MAXV];
int i,j,k;
for(i=0;i<g.n;i++)
{
for(j=0;j<g.n;j++)
{
A[i][j]=g.edges[i][j];
path[i][j]=-1;
}
}
for(k=0;k<g.n;k++)
{
for(i=0;i<g.n;i++)
{
for(j=0;j<g.n;j++)
{
if(A[i][j]>A[i][k]+A[k][j])
{
A[i][j]=A[i][k]+A[k][j];
path[i][j]=k;
}
}
}
}
Dispath1(A,path,g.n);
}

//主函数
int main()
{
int i,j,n;
MGraph g;
cout<<"请输入带权有向图的顶点个数：";//6
while(scanf("%d",&n)!=EOF/*cin>>n,n!=EOF*/)
{
cout<<"请输入带权有向图的邻接矩阵："<<endl;
/*
0 5 32767 7 32767 32767
32767 0 4 32767 32767 32767
8 32767 0 32767 32767 9
32767 32767 5 0 32767 6
32767 32767 32767 5 0 32767
3 32767 32767 32767 1 0
*/

for(i=0;i<n;i++)
{
for(j=0;j<n;j++)
{
//scanf("%d",&g.edges[i][j]);
cin>>g.edges[i][j];
}
}
g.n=n;
cout<<"采用狄克斯特拉算法得到的最短路径为："<<endl;
for(i=0;i<n;i++) Dijkstra(g,i);
cout<<endl;
cout<<"采用弗洛伊德算法得到的最短路径为："<<endl;
Floyd(g);
cout<<endl;
cout<<"请输入带权无向图的顶点个数：";
}
return 0;
}

2.代码如下

#include <iostream>
using namespace std;
int INFTY=32767;
template<class T>
class Graph
{
public:
virtual void Insert(int u,int v,T& w)=0;
virtual void Remove(int u,int v)=0;
virtual bool Exist(int u,int v)=0;
virtual int Vertices()const {return n;}
protected:
int n,e;

};
template <class T>
class MGraph:public Graph<T>//邻接矩阵存储图
{
public:
MGraph();
~MGraph();
void Build_Graph();
void Insert(int u,int v,T& w);
void Remove(int u,int v);
bool Exist(int u,int v);
void Floyd(T**&d,int**&path);
int num;
protected:
T**a;
T noEdge;
};
template <class T>
void MGraph<T>::Build_Graph()//建图
{
cout<<"请输入顶点的个数："<<endl;
int C_num;
cin>>C_num;
num=n=C_num;e=0;noEdge=INFTY;
a=new T*[n];
for(int k=0;k<n;k++){
a[k]=new T [n];
for(int j=0;j<n;j++)a[k][j]=noEdge;
a[k][k]=0;
}
cout<<"建立村庄编号为1--"<<C_num<<"的图"<<endl;
for(int i=0;i!=C_num;i++)
for(int j=i+1;j!=C_num;j++)
{
int w;
cout<<"请输入村庄"<<i+1<<"与村庄"<<j+1<<"之间的权值：";
cin>>w;
Insert(i,j,w); //向图中添加权值为W的边
cout<<i<<"--->"<<j<<":"<<a[i][j]<<endl;
}
cout<<"*********************************************************************"<<endl;
cout<<"已建立村庄编号为1--"<<C_num<<"的图:"<<endl;
cout<<"**********************************"<<endl;
cout<<" \t\t";
for(int b=1;b<=C_num;b++){

cout<<b<<"\t";
}
cout<<endl;
}

template <class T>
MGraph<T>::MGraph()
{
Build_Graph();
}

template <class T>
MGraph<T>::~MGraph()
{
for(int i=0;i<n;i++)delete[]a[i];
delete[]a;
}

template <class T>
bool MGraph<T>::Exist(int u,int v)
{
if(u<0||v<0||u>n-1||v>n-1||u==v||a[u][v]==noEdge) return false;
return true;
}
template <class T>
void MGraph<T>::Insert(int u,int v,T &w)
{
a[u][v]=w;a[v][u]=w;e++;
}
template <class T>
void MGraph<T>::Remove(int u,int v)
{
a[u][v]=noEdge;e--;
}

template <class T>
void MGraph<T>::Floyd(T**&d,int**&path)//所有顶点之间的最短路径
{
int i,j,k;
d=new T*[n];path=new int*[n];
for(i=0;i<n;i++){
d[i]=new T[n];path[i]=new int[n];
for(j=0;j<n;j++){
d[i][j]=a[i][j];
if(i!=j&& a[i][j]<INFTY)path[i][j]=i;
else path[i][j]=-1;
}
}
for(k=0;k<n;k++)
for(i=0;i<n;i++)
for(j=0;j<n;j++)
if(d[i][k]+d[k][j]<a[i][j]){
d[i][j]=d[i][k]+d[k][j];
path[i][j]=path[k][j];
}
}
int main()
{
MGraph<int> Hospital;
int **d,**path;
int i,j,n;
n=Hospital.num;
Hospital.Floyd(d,path);
int *sum=new int[n];
cout<<endl;
for(i=0;i!=n;i++)//输出矩阵
{
cout<<i+1<<"\t\t";
sum[i]=0;
for(j=0;j!=n;j++)
{
sum[i]+=d[i][j];
cout<<d[i][j]<<"\t";
}
cout<<endl;
}
cout<<"*********************************************************************"<<endl;
int min=0;
for(i=0;i!=n;i++)
{
cout<<i+1<<"村庄："<<sum[i]<<endl;
if(sum[min]>sum[i])//判断最短路径
min=i;
}
cout<<"医院应在编号为"<<min+1<<"的村庄"<<endl;
for(i=0;i<n;i++)
{
delete[]d[i];
delete[]path[i];
}
delete[]d;
delete[]path;
return 0;
}

Ⅳ 人工智能需要什么基础

1人工智能需要什么基础
首先你需要数学基础：
高等数学，线性代数，概率论数理统计和随机过程，离散数学，数值分析

其次需要算法的积累：人工神经网络，支持向量机，遗传算法等等算法；
当然还有各个领域需要的算法，比如你要让机器人自己在位置环境导航和建图就需要研究SLAM；总之算法很多需要时间的积累；

然后，需要掌握至少一门编程语言，毕竟算法的实现还是要编程的；如果深入到硬件的话，一些电类基础课必不可少；

人工智能一般要到研究生才会去学，本科也就是蜻蜓点水看看而已，毕竟需要的基础课过于庞大。

2人工智能专业课程
从课程体系结构来看，主要分成四大部分：

第一部分是基础学科部分，主要涉及到数学和物理相关课程；

第二部分是计算机基础课程，涉及到编程语言、操作系统、算法设计等课程；

第三部分是人工智能基础课程，涉及到人工智能基础、机器学习、控制学基础、神经科学、语言学基础等内容；

第四部分涉及到人工智能平台相关知识。

3人工智能就业情况
人工智能专业可从事的岗位有：分析类，分析工程师、算法工程师；研发类，架构工程师、开发工程师、运维工程师；管理类，产品经理、运营经理。

目前国内人工智能相关岗位的应届毕业生的起薪基本都在10k—20k之间，毕业三年后人工智能岗位的技术人员，平均月薪在25k以上，基本实现薪酬翻番，薪资水平、就业满意度都优于全国平均水平的专业。

Ⅵ 如何设计算法

设计一个正确的算法是一件困难的工作，因为它需要创新，从以太真空中发掘出一个解方案来解决问题。算法设计比对现有的方案进行改良要难得多，因为算法设计的可选择空间太，过多的自由反而成了一种约束。 This book is designed to make you a better algorithm designer. The techniques presented in Part I of this book provide the basic ideas underlying all combinatorial algorithms. The problem catalog of Part II will help you with modeling your application and point you in the right direction of an algorithm or implementation. However, being a successful algorithm designer requires more than book knowledge; it requires a certain attitude, the right problem-solving approach. It is difficult to teach this mindset in a book; yet getting it is essential to become a successful designer. 本书的设计目标是让你成为一个更好的算法设计者。本书第一部分展示有关组合算法的基本原理和基本思想；第二部分的问题清单帮助你为你的问题建模，并且为你指明实现正确算法的方向。尽管如此，要成为一个成功的算法设计者光有书本知识是不够的，面对问题的态度（attitude）和选择正确的方法更重要。书本容易传授知识，很难传授人的心态（mindset)和思考方式；而这种心态和思考却是成为成功的算法设计者的根本条件。 The key to algorithm design (or any other problem-solving task) is to proceed by asking yourself a sequence of questions to guide your thought process. What if we do this? What if we do that? Should you get stuck on the problem, the best thing to do is move onto the next question. In any group brainstorming session, the most useful person in the room is the one who keeps asking, ``Why can't we do it this way?'' not the person who later tells them why. Because eventually she will stumble on an approach that can't be shot down. 算法设计（或其它问题解决任务）的关键是一系列持续的自我反问，这些反问引导我们思维的前进。“如果这样做会怎样？”，“如果那样做又会怎样？”……如果 你被一个问题掐住了，最好的办法就是先搁一下，换一个问题换一个前进的方向试试。在每组头脑风暴会议中，最有价值的人是不断提出为什么的人，不是尔后解说为什么的人。因为我们常常被一些习以为常的东西所拌倒，掉进自己设置的陷阱。 kemin：如果问题解决是一种思考过程，那么思考的形式（过程的严谨性、细致性和正确性）很重要，而思考的内容也不容忽视。因为引导我们思考前进的方式 除反问本身外，反问的内容也很重。就比如参加头脑风暴的材料一样。人大脑的思维功能是硬编码的，人与人之间没有思维规律——质的区别，只是思维的清晰度和 灵敏度——量的差别。人与人之间智力的差别更多体现在思维内容的量上，体现在对外部世界的事实掌握的广度和深度上。 Towards this end, we provide below a sequence of questions to guide your search for the right algorithm for your problem. To use it effectively, you must not only ask the questions, but answer them. The key is working through the answers carefully, by writing them down in a log. The correct answer to, ``Can I do it this way?'' is never ``no,'' but ``no, because ....'' By clearly articulating（明确有力地表达） your reasoning as to why something doesn't work, you can check if it really holds up or whether you have just glossed（掩盖） over a possibility that you didn't want to think hard enough about. You will be surprised how often the reason you can't find a convincing（使人信服的） explanation for something is because your conclusion is wrong. 在末尾我们提供一个反问问题的列表，你不但要反问自己这些问题，更重要是仔细回答这些问题，最好把答案写下来。回答诸如问题“我可以使用这种方式吗？”的 不是一个“不能”就完了，而是“不能，因为……”。通过仔细明确的回答“为什么不能”时，你会发现到底是“真的不能“，还是只是你自己不愿意去深入思考掩 盖了”能“。如果你不曾训练出严谨的思考方式，当你这样做时你会惊讶的发现，为了说明某些东西但却找不到一个令人信服的解释的原因常常是因为你的结论本身 是错的。 An important distinction to keep aware of ring any design process is the difference between strategy and tactics（战略）. Strategy represents the quest for the big picture, the framework around which we construct our path to the goal. Tactics are used to win the minor battles we must fight along the way. In problem solving, it is important to check repeatedly whether you are thinking on the right level. If you do not have a global strategy of how you are going to attack your problem, it is pointless to worry about the tactics. 在设计过程中特别重要区分策略和战略的概念。策略是对全局的一个探索，一个构筑通向目标路径的指导框架。战略则是用来解决通向大目标过程的较小的问题。如果你对关于如何对付所面临的问题没有一个全局的策略，那关心战略是不得要领的，予事无补的。在解题领域，不断修正思维的层次（thinking on the right level）是很重要战略。（--莱布尼兹曾经将人的解题思考过程比喻成晃筛子，把脑袋里面的东西都给抖落出来，然后正在搜索的注意力会抓住一切细微的、与问题有关的东西。事实上，要做到能够令注意力抓住这些有关的东西，就必须时刻将问题放在注意力层面，否则即使关键的东西抖落出来了也可能没注意到。） An example of a strategic question is, ``How best can I model my application as a graph algorithm problem?'' A tactical question might be, ``Should I use an adjacency邻接 list or adjacency matrix data structure to represent my graph?'' Of course, such tactical decisions are critical to the ultimate quality of the solution, but they can be properly evaluated only in light of a successful strategy. 一个策略问题的例子是：“我如何才能更好地把我的问题建模成图问题？”。而一个战略问题可能是这样：“我是用邻接列表还是邻接矩阵来实现我的图结构？”。当然，这种战略选择是对解决方案的最终质量起着重要作用；不过战略价值的体现还是基于正确的策略的选择。 When faced with a design problem, too many people freeze up in their thinking. After reading or hearing the problem, they sit down and realize that they don't know what to do next. They stare（凝视） into space, then panic（惊惶）, and finally end up settling（沉淀; 决定） for the first thing that comes to mind. Avoid this fate（天数; 运气; 命运 ）. Follow the sequence of questions provided below and in most of the catalog problem sections. We'll tell you what to do next! 初学者在面对问题时常常表现出思维凝滞、手足无措和盲目解题。参考以下的反问问题列表和本书的问题清单，我们告诉你应该怎么做。 Obviously, the more experience you have with algorithm design techniques such as dynamic programming, graph algorithms, intractability, and data structures, the more successful you will be at working through the list of questions. Part I of this book has been designed to strengthen this technical background. However, it pays to work through these questions regardless of how strong your technical skills are. The earliest and most important questions on the list focus on obtaining a detailed understanding of the problem and do not require specific expertise. 当然本反问问题列表对读者有背景要求，要求读者对算法设计技术（动态规划、图算法、难解性和数据结构）的熟悉程度。本书第一部分的目标就是对这些技术背景进行强化。不过，不管你的技术背景怎样，通读这些问题对你解题还是很有裨益的。

Ⅶ 自主学习算法和机器学习的区别

自主学习算法和机器学习的区别？
一、指代不同
1、机器学习算法：是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。
2、深度学习：是机器学习(ML, Machine Learning)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标人工智能。
二、学习过程不同
1、机器学习算法：学习系统的基本结构。环境向系统的学习部分提供某些信息，学习部分利用这些信息修改知识库，以增进系统执行部分完成任务的效能，执行部分根据知识库完成任务，同时把获得的信息反馈给学习部分。
2、深度学习：通过设计建立适量的神经元计算节点和多层运算层次结构，选择合适的输人层和输出层，通过网络的学习和调优，建立起从输入到输出的函数关系，虽然不能100%找到输入与输出的函数关系，但是可以尽可能的逼近现实的关联关系。三、应用不同
1、机器学习算法：：数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、DNA序列测序、语音和手写识别、战略游戏和机器人运用。
2、深度学习：计算机视觉、语音识别、自然语言处理等其他领域。

Ⅷ Prim算法c语言表示，求源程序。。。。。。。。。

我原来自己写的模板

//朴素prim算法
//复杂度 O(n^2)
//flag[SIZE] 顶点标记
//mindis[SIZE] 当前最短距离
//dis[SIZE][SIZE] 任意两点间距离 邻接矩阵表示

int prim()
{
memset(flag,false,sizeof(bool)*(n+1));
flag[0] = true;
for(int i=1;i<n;i++)
mindis[i] = dis[0][i];
int ans = 0;
for(int i=1;i<n;i++)
{
int min = 10000;
int pos;
for(int j=1;j<n;j++)
{
if(!flag[j] && min > mindis[j])
{
min = mindis[j];
pos = j;
}
}
ans+=min;
flag[pos] = true;
for(int j=1;j<n;j++)
{
if(!flag[j] && mindis[j] > dis[pos][j])
mindis[j] = dis[pos][j];
}
}
return ans;
}

Ⅸ 学习人工智能AI需要哪些知识

需要数学基础：高等数学，线性代数，概率论数理统计和随机过程，离散数学，数值分析。数学基础知识蕴含着处理智能问题的基本思想与方法，也是理解复杂算法的必备要素。今天的种种人工智能技术归根到底都建立在数学模型之上，要了解人工智能，首先要掌握必备的数学基础知识。线性代数将研究对象形式化，概率论描述统计规律。

需要算法的积累：人工神经网络，支持向量机，遗传算法等等算法；当然还有各个领域需要的算法，比如要让机器人自己在位置环境导航和建图就需要研究SLAM；总之算法很多需要时间的积累。

需要掌握至少一门编程语言，比如C语言，MATLAB之类。毕竟算法的实现还是要编程的；如果深入到硬件的话，一些电类基础课必不可少。

拓展资料：

人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。

人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。2017年12月，人工智能入选“2017年度中国媒体十大流行语”。

参考资料：网络—人工智能：计算机科学的一个分支

Ⅹ 1 人工智能的研究领域具体包含哪些是机器人和算法吗还有没有其他

人工智能(Artificial Intelligence) ，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。“人工智能”一词最初是在1956 年Dartmouth学会上提出的。从那以后,研究者们发展了众多理论和原理,人工智能的概念也随之扩展。人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。例如繁重的科学和工程计算本来是要人脑来承担的，现在计算机不但能完成这种计算, 而且能够比人脑做得更快、更准确，因之当代人已不再把这种计算看作是“需要人类智能才能完成的复杂任务”, 可见复杂工作的定义是随着时代的发展和技术的进步而变化的, 人工智能这门科学的具体目标也自然随着时代的变化而发展。它一方面不断获得新的进展，一方面又转向更有意义、更加困难的目标。目前能够用来研究人工智能的主要物质手段以及能够实现人工智能技术的机器就是计算机, 人工智能的发展历史是和计算机科学与技术的发展史联系在一起的。除了计算机科学以外, 人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。人工智能学科研究的主要内容包括：知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面。
[编辑本段]【人工和智能】
人工智能的定义可以分为两部分，即“人工”和“智能”。“人工”比较好理解，争议性也不大。有时我们会要考虑什么是人力所能及制造的，或着人自身的智能程度有没有高到可以创造人工智能的地步，等等。但总的来说，“人工系统”就是通常意义下的人工系统。
关于什么是“智能”，就问题多多了。这涉及到其它诸如意识（consciousness）、自我（self）、思维（mind）（包括无意识的思维（unconscious_mind）等等问题。人唯一了解的智能是人本身的智能，这是普遍认同的观点。但是我们对我们自身智能的理解都非常有限，对构成人的智能的必要元素也了解有限，所以就很难定义什么是“人工”制造的“智能”了。因此人工智能的研究往往涉及对人的智能本身的研究。其它关于动物或其它人造系统的智能也普遍被认为是人工智能相关的研究课题。
人工智能目前在计算机领域内，得到了愈加广泛的重视。并在机器人，经济政治决策，控制系统，仿真系统中得到应用。
[编辑本段]【人工智能的定义】
着名的美国斯坦福大学人工智能研究中心尼尔逊教授对人工智能下了这样一个定义：“人工智能是关于知识的学科――怎样表示知识以及怎样获得知识并使用知识的科学。”而另一个美国麻省理工学院的温斯顿教授认为：“人工智能就是研究如何使计算机去做过去只有人才能做的智能工作。”这些说法反映了人工智能学科的基本思想和基本内容。即人工智能是研究人类智能活动的规律，构造具有一定智能的人工系统，研究如何让计算机去完成以往需要人的智力才能胜任的工作，也就是研究如何应用计算机的软硬件来模拟人类某些智能行为的基本理论、方法和技术。
人工智能（Artificial Intelligence，简称AI）是计算机学科的一个分支，二十世纪七十年代以来被称为世界三大尖端技术之一（空间技术、能源技术、人工智能）。也被认为是二十一世纪（基因工程、纳米科学、人工智能）三大尖端技术之一。这是因为近三十年来它获得了迅速的发展，在很多学科领域都获得了广泛应用，并取得了丰硕的成果，人工智能已逐步成为一个独立的分支，无论在理论和实践上都已自成一个系统。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。人工智能将涉及到计算机科学、心理学、哲学和语言学等学科。可以说几乎是自然科学和社会科学的所有学科，其范围已远远超出了计算机科学的范畴，人工智能与思维科学的关系是实践和理论的关系，人工智能是处于思维科学的技术应用层次，是它的一个应用分支。从思维观点看，人工智能不仅限于逻辑思维，要考虑形象思维、灵感思维才能促进人工智能的突破性的发展，数学常被认为是多种学科的基础科学，数学也进入语言、思维领域，人工智能学科也必须借用数学工具，数学不仅在标准逻辑、模糊数学等范围发挥作用，数学进入人工智能学科，它们将互相促进而更快地发展。
[编辑本段]【实际应用】
机器视觉:指纹识别，人脸识别，视网膜识别，虹膜识别，掌纹识别，专家系统,智能搜索，定理证明，博弈，自动程序设计，还有航天应用等。
[编辑本段]【学科范畴】
人工智能是一门边沿学科，属于自然科学和社会科学的交叉。
[编辑本段]【涉及学科】
哲学和认知科学，数学，神经生理学，心理学，计算机科学，信息论，控制论，不定性论，仿生学，
[编辑本段]【研究范畴】
自然语言处理，知识表现，智能搜索，推理，规划，机器学习，知识获取，组合调度问题，感知问题，模式识别，逻辑程序设计，软计算，不精确和不确定的管理，人工生命，神经网络，复杂系统，遗传算法
[编辑本段]【应用领域】
智能控制，机器人学，语言和图像理解，遗传编程
[编辑本段]【意识和人工智能的区别】
人工智能就其本质而言，是对人的思维的信息过程的模拟。
对于人的思维模拟可以从两条道路进行，一是结构模拟，仿照人脑的结构机制，制造出“类人脑”的机器；二是功能模拟，暂时撇开人脑的内部结构，而从其功能过程进行模拟。现代电子计算机的产生便是对人脑思维功能的模拟，是对人脑思维的信息过程的模拟。
人工智能不是人的智能，更不会超过人的智能。
“机器思维”同人类思维的本质区别：
1.人工智能纯系无意识的机械的物理的过程，人类智能主要是生理和心理的过程。
2.人工智能没有社会性。
3.人工智能没有人类的意识所特有的能动的创造能力。
4.两者总是人脑的思维在前，电脑的功能在后。
[编辑本段]【强人工智能和弱人工智能】
人工智能的一个比较流行的定义，也是该领域较早的定义，是由约翰·麦卡锡（John McCarthy|）在1956年的达特矛斯会议（Dartmouth Conference）上提出的：人工智能就是要让机器的行为看起来就象是人所表现出的智能行为一样。但是这个定义似乎忽略了强人工智能的可能性（见下）。另一个定义指人工智能是人造机器所表现出来的智能性。总体来讲，目前对人工智能的定义大多可划分为四类，即机器“像人一样思考”、“像人一样行动”、“理性地思考”和“理性地行动”。这里“行动”应广义地理解为采取行动，或制定行动的决策，而不是肢体动作。
强人工智能
强人工智能观点认为有可能制造出真正能推理（Reasoning）和解决问题（Problem_solving）的智能机器，并且，这样的机器能将被认为是有知觉的，有自我意识的。强人工智能可以有两类：
类人的人工智能，即机器的思考和推理就像人的思维一样。
非类人的人工智能，即机器产生了和人完全不一样的知觉和意识，使用和人完全不一样的推理方式。
弱人工智能
弱人工智能观点认为不可能制造出能真正地推理（Reasoning）和解决问题（Problem_solving）的智能机器，这些机器只不过看起来像是智能的，但是并不真正拥有智能，也不会有自主意识。
主流科研集中在弱人工智能上，并且一般认为这一研究领域已经取得可观的成就。强人工智能的研究则出于停滞不前的状态下。
对强人工智能的哲学争论
“强人工智能”一词最初是约翰·罗杰斯·希尔勒针对计算机和其它信息处理机器创造的，其定义为：
“强人工智能观点认为计算机不仅是用来研究人的思维的一种工具；相反，只要运行适当的程序，计算机本身就是有思维的。”（J Searle in Minds Brains and Programs. The Behavioral and Brain Sciences, vol. 3, 1980）这是指使计算机从事智能的活动。在这里智能的涵义是多义的、不确定的，象下面所提到的就是其中的例子。利用计算机解决问题时，必须知道明确的程序。可是，人即使在不清楚程序时，根据发现（heu- ristic）法而设法巧妙地解决了问题的情况是不少的。如识别书写的文字、图形、声音等，所谓认识模型就是一例。再有，能力因学习而得到的提高和归纳推理、依据类推而进行的推理等，也是其例。此外，解决的程序虽然是清楚的，但是实行起来需要很长时间，对于这样的问题，人能在很短的时间内找出相当好的解决方法，如竞技的比赛等就是其例。还有，计算机在没有给予充分的合乎逻辑的正确信息时，就不能理解它的意义，而人在仅是被给予不充分、不正确的信息的情况下，根据适当的补充信息，也能抓住它的意义。自然语言就是例子。用计算机处理自然语言，称为自然语言处理。
关于强人工智能的争论不同于更广义的一元论和二元论（alism）的争论。其争论要点是：如果一台机器的唯一工作原理就是对编码数据进行转换，那么这台机器是不是有思维的？希尔勒认为这是不可能的。他举了个中文房间的例子来说明，如果机器仅仅是对数据进行转换，而数据本身是对某些事情的一种编码表现，那么在不理解这一编码和这实际事情之间的对应关系的前提下，机器不可能对其处理的数据有任何理解。基于这一论点，希尔勒认为即使有机器通过了图灵测试，也不一定说明机器就真的像人一样有思维和意识。
也有哲学家持不同的观点。Daniel C. Dennett 在其着作 Consciousness Explained 里认为，人也不过是一台有灵魂的机器而已，为什么我们认为人可以有智能而普通机器就不能呢？他认为像上述的数据转换机器是有可能有思维和意识的。
有的哲学家认为如果弱人工智能是可实现的，那么强人工智能也是可实现的。比如Simon Blackburn在其哲学入门教材 Think 里说道，一个人的看起来是“智能”的行动并不能真正说明这个人就真的是智能的。我永远不可能知道另一个人是否真的像我一样是智能的，还是说她／他仅仅是看起来是智能的。基于这个论点，既然弱人工智能认为可以令机器看起来像是智能的，那就不能完全否定这机器是真的有智能的。Blackburn 认为这是一个主观认定的问题。
需要要指出的是，弱人工智能并非和强人工智能完全对立，也就是说，即使强人工智能是可能的，弱人工智能仍然是有意义的。至少，今日的计算机能做的事，像算术运算等，在百多年前是被认为很需要智能的。
[编辑本段]【人工智能简史】
人工智能的传说可以追溯到古埃及，但随着1941年以来电子计算机的发展，技术已最终可以创造出机器智能，“人工智能”(Artificial Intelligence)一词最初是在1956年Dartmouth学会上提出的，从那以后,研究者们发展了众多理论和原理，人工智能的概念也随之扩展，在它还不长的历史中，人工智能的发展比预想的要慢，但一直在前进，从40年前出现到现在，已经出现了许多AI程序，并且它们也影响到了其它 技术的发展。
计算机时代
1941年的一项发明使信息存储和处理的各个方面都发生了革命.这项同时在美国和德国出现的 发明就是电子计算机.第一台计算机要占用几间装空调的大房间,对程序员来说是场恶梦:仅仅为运行一 个程序就要设置成千的线路.1949年改进后的能存储程序的计算机使得输入程序变得简单些,而且计算机 理论的发展产生了计算机科学,并最终促使了人工智能的出现.计算机这个用电子方式处理数据的发明, 为人工智能的可能实现提供了一种媒介.
AI的开端
虽然计算机为AI提供了必要的技术基础,但直到50年代早期人们才注意到人类智能与机器之间 的联系. Norbert Wiener是最早研究反馈理论的美国人之一.最熟悉的反馈控制的例子是自动调温器.它 将收集到的房间温度与希望的温度比较,并做出反应将加热器开大或关小,从而控制环境温度.这项对反馈 回路的研究重要性在于: Wiener从理论上指出,所有的智能活动都是反馈机制的结果.而反馈机制是有可 能用机器模拟的.这项发现对早期AI的发展影响很大.
1955年末,Newell和Simon做了一个名为"逻辑专家"(Logic Theorist)的程序.这个程序被许多人 认为是第一个AI程序.它将每个问题都表示成一个树形模型,然后选择最可能得到正确结论的那一枝来求解 问题."逻辑专家"对公众和AI研究领域产生的影响使它成为AI发展中一个重要的里程碑.1956年,被认为是 人工智能之父的John McCarthy组织了一次学会,将许多对机器智能感兴趣的专家学者聚集在一起进行了一 个月的讨论.他请他们到 Vermont参加 " Dartmouth人工智能夏季研究会".从那时起,这个领域被命名为 "人工智能".虽然 Dartmouth学会不是非常成功,但它确实集中了AI的创立者们,并为以后的AI研究奠定了基础.
Dartmouth会议后的7年中,AI研究开始快速发展.虽然这个领域还没明确定义,会议中的一些思想 已被重新考虑和使用了. Carnegie Mellon大学和MIT开始组建AI研究中心.研究面临新的挑战: 下一步需 要建立能够更有效解决问题的系统,例如在"逻辑专家"中减少搜索;还有就是建立可以自我学习的系统.
1957年一个新程序,"通用解题机"(GPS)的第一个版本进行了测试.这个程序是由制作"逻辑专家" 的同一个组开发的.GPS扩展了Wiener的反馈原理,可以解决很多常识问题.两年以后,IBM成立了一个AI研 究组.Herbert Gelerneter花3年时间制作了一个解几何定理的程序.
当越来越多的程序涌现时,McCarthy正忙于一个AI史上的突破.1958年McCarthy宣布了他的新成 果: LISP语言. LISP到今天还在用."LISP"的意思是"表处理"(LISt Processing),它很快就为大多数AI开发者采纳.
1963年MIT从美国政府得到一笔220万美元的资助,用于研究机器辅助识别.这笔资助来自国防部 高级研究计划署(ARPA),已保证美国在技术进步上领先于苏联.这个计划吸引了来自全世界的计算机科学家, 加快了AI研究的发展步伐.
大量的程序
以后几年出现了大量程序.其中一个着名的叫"SHRDLU"."SHRDLU"是"微型世界"项目的一部分,包括 在微型世界(例如只有有限数量的几何形体)中的研究与编程.在MIT由Marvin Minsky领导的研究人员发现, 面对小规模的对象,计算机程序可以解决空间和逻辑问题.其它如在60年代末出现的"STUDENT"可以解决代数 问题,"SIR"可以理解简单的英语句子.这些程序的结果对处理语言理解和逻辑有所帮助.
70年代另一个进展是专家系统.专家系统可以预测在一定条件下某种解的概率.由于当时计算机已 有巨大容量,专家系统有可能从数据中得出规律.专家系统的市场应用很广.十年间,专家系统被用于股市预 测,帮助医生诊断疾病,以及指示矿工确定矿藏位置等.这一切都因为专家系统存储规律和信息的能力而成为可能.
70年代许多新方法被用于AI开发,着名的如Minsky的构造理论.另外David Marr提出了机器视觉方 面的新理论,例如,如何通过一副图像的阴影,形状,颜色,边界和纹理等基本信息辨别图像.通过分析这些信 息,可以推断出图像可能是什么.同时期另一项成果是PROLOGE语言,于1972年提出. 80年代期间,AI前进更为迅速,并更多地进入商业领域.1986年,美国AI相关软硬件销售高达4.25亿 美元.专家系统因其效用尤受需求.象数字电气公司这样的公司用XCON专家系统为VAX大型机编程.杜邦,通用 汽车公司和波音公司也大量依赖专家系统.为满足计算机专家的需要,一些生产专家系统辅助制作软件的公 司,如Teknowledge和Intellicorp成立了。为了查找和改正现有专家系统中的错误,又有另外一些专家系统被设计出来.
从实验室到日常生活
人们开始感受到计算机和人工智能技术的影响.计算机技术不再只属于实验室中的一小群研究人员. 个人电脑和众多技术杂志使计算机技术展现在人们面前.有了象美国人工智能协会这样的基金会.因为AI开发 的需要,还出现了一阵研究人员进入私人公司的热潮。150多所像DEC(它雇了700多员工从事AI研究)这样的公司共花了10亿美元在内部的AI开发组上.
其它一些AI领域也在80年代进入市场.其中一项就是机器视觉. Minsky和Marr的成果现在用到了生产线上的相机和计算机中,进行质量控制.尽管还很简陋,这些系统已能够通过黑白区别分辨出物件形状的不同.到1985年美国有一百多个公司生产机器视觉系统,销售额共达8千万美元.
但80年代对AI工业来说也不全是好年景.86-87年对AI系统的需求下降,业界损失了近5亿美元.象 Teknowledge和Intellicorp两家共损失超过6百万美元,大约占利润的三分之一巨大的损失迫使许多研究领 导者削减经费.另一个另人失望的是国防部高级研究计划署支持的所谓"智能卡车".这个项目目的是研制一种能完成许多战地任务的机器人。由于项目缺陷和成功无望,Pentagon停止了项目的经费.
尽管经历了这些受挫的事件,AI仍在慢慢恢复发展.新的技术在日本被开发出来,如在美国首创的模糊逻辑,它可以从不确定的条件作出决策;还有神经网络,被视为实现人工智能的可能途径.总之,80年代AI被引入了市场,并显示出实用价值.可以确信,它将是通向21世纪之匙. 人工智能技术接受检验 在"沙漠风暴"行动中军方的智能设备经受了战争的检验.人工智能技术被用于导弹系统和预警显示以 及其它先进武器.AI技术也进入了家庭.智能电脑的增加吸引了公众兴趣;一些面向苹果机和IBM兼容机的应用 软件例如语音和文字识别已可买到;使用模糊逻辑,AI技术简化了摄像设备.对人工智能相关技术更大的需求促 使新的进步不断出现.人工智能已经并且将继续不可避免地改变我们的生活.