本课程是关于人工智能和 Python 元启发式的基本概念。这个话题现在变得非常热门，因为这些学习算法可以用于从软件工程到投资银行的多个领域。例如，学习算法可以识别有助于检测癌症的模式。我们可以构建算法来很好地猜测市场中的股票价格走势。
关键词：图算法、遗传算法、模拟退火算法Simulated Annealing、群体智能、启发式和元启发式
类型：电子学习 | MP4 | 视频：h264, 1280×720 | 音频：AAC，44.1 KHz
语言：英语 | 大小：3.61 GB | 时长：13h 6m
你会学到什么
- 了解为什么人工智能很重要
- 了解寻路算法（BFS、DFS 和 A* 搜索）
- 理解启发式和元启发式
- 了解遗传算法
- 了解粒子群优化
- 了解模拟退火
描述
### 寻路算法###
第 1 节 – 广度优先搜索 (BFS)
- 什么是广度优先搜索算法
- 为什么要在 AI 中使用图算法
第 2 节 – 深度优先搜索 (DFS)
- 什么是深度优先搜索算法
- 迭代和递归实现
- 深度优先搜索堆栈内存可视化
- 迷宫逃生应用
第 3 节 – A* 搜索算法
- 什么是 A* 搜索算法
- Dijkstra 算法和 A* 搜索有什么区别
- 什么是启发式
- 曼哈顿距离和欧几里得距离
### 元启发式###
第 4 节 – 模拟退火Simulated Annealing
- 什么是模拟退火Simulated Annealing
- 如何找到函数的极值
- 如何解决组合优化问题
- 旅行商问题（TSP）
- 用模拟退火解决数独问题
第 5 节 – 遗传算法
- 什么是遗传算法
- 人工进化和自然选择
- 交叉和突变
- 解决背包问题和 N 皇后问题
第 6 节 – 粒子群优化 (PSO)
- 什么是群体智能
- 什么是粒子群优化算法
### Python 编程速成课程###
- Python 编程基础
- 基本数据结构
- 内存管理基础
- 面向对象编程（OOP）
- 数字货币
在第一章中，我们将讨论基本的图算法——广度优先搜索 (BFS)、深度优先搜索 (DFS) 和 A* 搜索算法。一些高级算法可以借助图来解决，所以在我看来这些算法是至关重要的。
下一章是关于启发式和元启发式的。我们将考虑理论以及模拟退火、遗传算法和粒子群优化的实现——包括著名的 N 皇后问题、旅行商问题 (TSP) 等几个问题。
感谢您加入课程，让我们开始吧！
本课程适用于谁
对人工智能和组合优化感到好奇的初级 Python 程序员
延伸阅读
模拟退火算法来源于固体退火原理，是一种基于概率的算法，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。
模拟退火算法(Simulated Annealing，SA)最早的思想是由N. Metropolis [1] 等人于1953年提出。1983 年,S. Kirkpatrick 等成功地将退火思想引入到组合优化领域。它是基于Monte-Carlo迭代求解策略的一种随机寻优算法，其出发点是基于物理中固体物质的退火过程与一般组合优化问题之间的相似性。模拟退火算法从某一较高初温出发，伴随温度参数的不断下降,结合概率突跳特性在解空间中随机寻找目标函数的全局最优解，即在局部最优解能概率性地跳出并最终趋于全局最优。模拟退火算法是一种通用的优化算法，理论上算法具有概率的全局优化性能,目前已在工程中得到了广泛应用，诸如VLSI、生产调度、控制工程、机器学习、神经网络、信号处理等领域。
模拟退火算法是通过赋予搜索过程一种时变且最终趋于零的概率突跳性，从而可有效避免陷入局部极小并最终趋于全局最优的串行结构的优化算法。
