hill-climbing

1열

1답변

R의 인공 신경망에 대한 사용자 지정 학습 기능을 사용하는 방법이 있습니까?

backpropagation 대신 맞춤 학습 기능을 사용하여 ANN 알고리즘을 구현하는 방법 (R 프로그래밍 언어 만 사용)이 있습니까? 내가 테스트 한 R 패키지 (nnet, neuralnet, AMORE)에는 모두 가중치를 훈련하는 함수를 학습하는 옵션이있는 것 같지만, 그 중 어느 것도 사용자 정의 함수를 플러그인하는 옵션을 포함하지 않는 것 같습니다

-1열

1답변

Hill Climbing 알고리즘은 어떻게 작동합니까?

저는 인공 지능을 책에서 배우고 있습니다.이 책은 내가 여기에 게시하려고하는 코드를 막연하게 설명합니다. 저자는 모든 사람들이 전에 등산 알고리즘을 경험했기 때문에 추측합니다. 개념은 다소 간단하지만 아래 코드 중 몇 가지를 이해하지 못하고 앞으로 나아 가기 전에이 알고리즘을 조금 더 명확하게 이해할 수있는 사람을 원합니다. 내가 가장 혼란스런 부분 옆에

1열

2답변

n 차원 공간에서의 언덕 오르기 : 이웃 찾기

1 차원 언덕 등반에서 나는 현재의 포인트의 왼쪽과 오른쪽에있는 작은 델타와 다음에있는 작은 델타를 시도합니다. 목적 함수의 높은 값. 어떻게 그것을 n 차원 공간으로 확장합니까? n 차원 공간에 대한 이웃을 어떻게 정의합니까? 2^n 이웃 (델타가 각 차원에 적용됨)을 시도해야합니까?

0열

1답변

글로벌 최적화 알고리즘을 찾기위한 다중 로컬 검색 알고리즘

전 진화론과 유전 알고리즘 세계에 상당히 익숙합니다. 이제는 배열을 최적화하고 최선의 해결책을 제시하는 글쓰기 과정에 있습니다. . 시뮬레이션 알고리즘을 통해 알고리즘이 최적화되었습니다. 냉각 속도와 시작 온도를 변경하여 인구의 압력과 다양성을 변경하여 다양한 결과를 얻을 수 있습니다. 내 질문은 하나의 알고리즘에서 두 가지 종류의 로컬 검색을 사용할 수

1열

1답변

스토캐스틱 힐 클라이밍과 첫 번째 선택 힐 클라이밍의 차이점은 무엇입니까?

두 알고리즘은 모두 임의의 이웃을 계속 생성하고 현재보다 나은 상태의 이웃을 발견하면 선택합니다. 그래서 차이점은 무엇입니까? 어디에서나 언급되는 First Choice Hill Climbing은 후임이 많은 경우에 적합합니다. 그러나 실제로, 차이는 무엇입니까? 링크도 는 : Stochastic hill climbing vs first-choice hil

-1열

1답변

동일한 출력을 출력하지 않음

단순히 위의 출력과 동일한 출력을 인쇄하지 않고이 문제가 발생한 이유를 알아낼 수 없습니다. 입력 한 내용에 관계없이 마지막 N 개의 숫자가 뒤에서 인쇄됩니다. 매개 변수는 해당 양을 다시 인쇄합니다. 00101001010101101011001011010101101001011010001011010010101101001001011010010 01011010

0열

1답변

Scheme - Hill-climbing/min-conflict 방법을 사용하여 NQueens를 해결합니다

저는 무작위로 보드에 여왕벌을 채워서 Scheme에서 N-Queens 문제를 해결하려고합니다. 그들의 열 내의 여왕을 가장 적은 수의 왕비가 공격하는 행으로 이동시킨다. 내 알고리즘은 6보다 작은 모든 크기의 보드에서 작동합니다. 6 이상의 보드 크기를 매개 변수로 사용하면 프로그램이 무한 반복되는 것처럼 보입니다. 내가 여기에 모든 코드를 추가하려고하지만

2열

1답변

가까운 언덕에서 안정 될 수있는 빠른 언덕 등반 알고리즘

부동 소수점 수 x에서 [1, 500]의 이진수 y을 1으로 생성하는 확률이 p입니다. 그리고 나는 1을 생성 할 수 있거나 가장 높은 p을 가지고있는 x을 찾고 있습니다. 단 하나의 최대치가 있다고 가정합니다. p이있는 x으로 빠르게 수렴 할 수있는 알고리즘이 있고 e.x에서 달성 된 후에 너무 많이 뛰어 오르지 않는 알고리즘이 있습니까? 최적의 0.1

0열

2답변

확률 적 언덕 오르기와 첫 번째 선택 언덕 오르기 알고리즘

확률 적 언덕 오르기와 첫 번째 선택 언덕 오르기 알고리즘의 차이점은 무엇입니까?

3열

3답변

벨 모양의 값 목록에서 최대 값을 찾는 빠른 알고리즘

최대 값으로 증가한 다음 다시 감소하는 값의 목록이 있습니다 (관찰 된 가우스/종 모양 분포). values = [0, 4, 5, 15, 30, 20, 10, 5, 0]; 그러나 분배는 이동 될 수 있습니다 values = [0, 0, 0, 1, 2, 3, 8, 15, 30]; 또는 유사 : 특정 인덱스에 값을 결정 values = [30, 20,