# 高级人工智能知识点复习大纲

> 知识主线：计算智能 -> 模拟退火 -> 遗传算法 -> 粒子群 -> 蚁群 -> 群智能总结

## 使用说明

- 每个知识点后都标注了对应课件位置。
- PDF 课件用页码定位；PPT/PPTX 或旧版 PPT 用幻灯片范围/讲次定位。
- 后续如果提供考试重点，可直接按这些标题或位置做高亮。

## 1. 第一章：计算智能方法概述

**来源位置：** 第一章计算智能方法概述.pdf，第1-80页

**总结：** 计算智能强调用启发式、随机性、群体协作和适应度评价，在复杂搜索空间中寻找足够好的解。

**重要知识点：**

- 问题表示、参数编码和评价函数是算法落地三件套（位置：第一章，第1-30页）。
- 局部搜索和全局搜索需要在探索与开发之间平衡（位置：第一章，第30-55页）。
- 群智能方法常通过个体更新和群体信息共享推动解演化（位置：第一章，第55-80页）。

**难点拆解：** 这类算法通常不保证每次都严格全局最优，而是在可接受时间内用启发式机制逼近好解。

**通俗例子：** 走迷宫时让一群探索者不断分享和改进路线，比单人穷举更现实。

## 2. 第二章：模拟退火法及其局限性

**来源位置：** 第二章模拟退火法及其局限性.pdf，第1-36页

**总结：** 模拟退火借鉴物理退火，高温时允许接受较差解以跳出局部最优，降温后逐渐稳定。

**重要知识点：**

- 状态对应候选解，能量对应目标函数或代价（位置：第二章，第1-10页）。
- Metropolis 接受准则控制是否接受较差解（位置：第二章，第10-20页）。
- 初温、降温策略和终止条件影响收敛速度与解质量（位置：第二章，第20-36页）。

**难点拆解：** 模拟退火不是随机乱走，核心是早期敢试错、后期趋稳定；降温太快会退化成普通贪心。

**通俗例子：** 找山谷最低点时，偶尔允许爬上小坡，可能越过山脊找到更低山谷。

## 3. 第三章：遗传算法

**来源位置：** 第三章遗传算法.pdf，第1-66页

**总结：** 遗传算法把候选解编码为个体，通过适应度评价、选择、交叉和变异生成新一代解。

**重要知识点：**

- 编码方式决定搜索空间如何被算法操作（位置：第三章，第1-18页）。
- 适应度函数决定优化方向，选择算子决定优秀基因保留概率（位置：第三章，第18-35页）。
- 交叉组合已有信息，变异维持多样性，避免早熟收敛（位置：第三章，第35-66页）。

**难点拆解：** 遗传算法容易早熟收敛：选择压力太大时，多样性过早丢失，群体会围着局部好解打转。

**通俗例子：** 不断选拔、配对和微调方案，保留好结构，同时偶尔尝试新变化。

## 4. 第四章：粒子群算法

**来源位置：** 第四章（粒子群算法）.pdf，第1-45页

**总结：** 粒子群算法把可行解看成粒子，粒子根据自身历史最优和群体历史最优调整速度与位置。

**重要知识点：**

- 位置表示候选解，速度表示搜索方向和步长（位置：第四章，第1-12页）。
- 个体最优体现自我认知，全局最优体现社会认知（位置：第四章，第12-30页）。
- 惯性权重、学习因子和随机项影响探索/开发平衡（位置：第四章，第30-45页）。

**难点拆解：** 只有个体经验会缺少共享，只有群体经验会过快跟随局部最好点；二者平衡才是 PSO 重点。

**通俗例子：** 一队人找出口，每个人记住自己走过最好的路，也参考全队目前发现的最好路。

## 5. 第五章：蚁群算法

**来源位置：** 第五章（蚁群算法）.pdf，第1-30页

**总结：** 蚁群算法用信息素正反馈和启发函数共同影响路径选择，常用于路径、排序和组合优化问题。

**重要知识点：**

- 图建模和路径构造是应用蚁群算法的前提（位置：第五章，第1-8页）。
- 信息素挥发和增量更新决定历史经验如何保留（位置：第五章，第8-20页）。
- 启发函数与信息素共同影响下一步选择概率（位置：第五章，第20-30页）。

**难点拆解：** 强处是正反馈，风险也是正反馈；早期错误路径若信息素过强，会造成搜索偏置。

**通俗例子：** 走的人越多的路越明显，但也要让错误路线逐渐淡出。

## 6. 第六章：其它群智能算法及总结

**来源位置：** 第六章其它群智能算法及总结.pdf，第1-24页

**总结：** 其它群智能算法继续围绕群体、多样性、适应度和更新机制展开，复习时应抓共同框架而非只背算法名字。

**重要知识点：**

- 克隆选择算法用亲和度、克隆扩增和变异搜索解空间（位置：第六章，第1-10页）。
- 蜂群等算法强调角色分工、信息共享和局部/全局搜索切换（位置：第六章，第10-18页）。
- 群智能算法常见局限包括参数敏感、理论分析困难和局部最优（位置：第六章，第18-24页）。

**难点拆解：** 不要把算法背成名字清单；每种方法都要回答：解怎么表示、怎么评价、怎么产生新解、怎么保留经验。

**通俗例子：** 不同算法像不同团队协作方式，但都要说明谁更好、怎么改、保留谁。