# 高级人工智能考前总复习

> 脱离课件复习版：把知识脉络、必背抓手、便携记忆点和自测题放在一起，考前可以只看这一份。

## 1. 知识脉络

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

1. **第一章：计算智能方法概述**
   - 核心：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。
   - 对应位置：第一章计算智能方法概述.pdf，第1-80页
2. **第二章：模拟退火法及其局限性**
   - 核心：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。
   - 对应位置：第二章模拟退火法及其局限性.pdf，第1-36页
3. **第三章：遗传算法**
   - 核心：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。
   - 对应位置：第三章遗传算法.pdf，第1-66页
4. **第四章：粒子群算法**
   - 核心：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。
   - 对应位置：第四章（粒子群算法）.pdf，第1-45页
5. **第五章：蚁群算法**
   - 核心：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。
   - 对应位置：第五章（蚁群算法）.pdf，第1-30页
6. **第六章：其它群智能算法及总结**
   - 核心：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。
   - 对应位置：第六章其它群智能算法及总结.pdf，第1-24页

## 2. 必背抓手

### 1. 第一章：计算智能方法概述

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

### 2. 第二章：模拟退火法及其局限性

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

### 3. 第三章：遗传算法

- 编码方式决定搜索空间如何被算法操作。
- 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。
- 交叉组合已有信息，变异维持多样性，避免早熟收敛。

### 4. 第四章：粒子群算法

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

### 5. 第五章：蚁群算法

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

### 6. 第六章：其它群智能算法及总结

- 克隆选择算法用亲和度、克隆扩增和变异搜索解空间。
- 蜂群等算法强调角色分工、信息共享和局部/全局搜索切换。
- 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。

## 3. 便携记忆点

- **第一章**：先想“解决什么问题”，再想“靠什么机制”。定位到 `第一章计算智能方法概述.pdf`，用一句话背：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。
- **第二章**：先想“解决什么问题”，再想“靠什么机制”。定位到 `第二章模拟退火法及其局限性.pdf`，用一句话背：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。
- **第三章**：先想“解决什么问题”，再想“靠什么机制”。定位到 `第三章遗传算法.pdf`，用一句话背：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。
- **第四章**：先想“解决什么问题”，再想“靠什么机制”。定位到 `第四章（粒子群算法）.pdf`，用一句话背：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。
- **第五章**：先想“解决什么问题”，再想“靠什么机制”。定位到 `第五章（蚁群算法）.pdf`，用一句话背：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。
- **第六章**：先想“解决什么问题”，再想“靠什么机制”。定位到 `第六章其它群智能算法及总结.pdf`，用一句话背：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。

## 4. 考前自测（题目 + 答案）

### 自测 1: 第一章：计算智能方法概述

**题 1：这个考点的核心问题是什么？**

答案：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。

**题 2：列出这个考点最该背的 3 个抓手。**

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

**题 3：这个考点最容易混淆或出错的地方是什么？**

答案：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。

### 自测 2: 第二章：模拟退火法及其局限性

**题 4：这个考点的核心问题是什么？**

答案：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。

**题 5：列出这个考点最该背的 3 个抓手。**

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

**题 6：这个考点最容易混淆或出错的地方是什么？**

答案：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。

### 自测 3: 第三章：遗传算法

**题 7：这个考点的核心问题是什么？**

答案：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。

**题 8：列出这个考点最该背的 3 个抓手。**

答案：
- 编码方式决定搜索空间如何被算法操作。
- 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。
- 交叉组合已有信息，变异维持多样性，避免早熟收敛。

**题 9：这个考点最容易混淆或出错的地方是什么？**

答案：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。

### 自测 4: 第四章：粒子群算法

**题 10：这个考点的核心问题是什么？**

答案：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。

**题 11：列出这个考点最该背的 3 个抓手。**

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

**题 12：这个考点最容易混淆或出错的地方是什么？**

答案：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。

### 自测 5: 第五章：蚁群算法

**题 13：这个考点的核心问题是什么？**

答案：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。

**题 14：列出这个考点最该背的 3 个抓手。**

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

**题 15：这个考点最容易混淆或出错的地方是什么？**

答案：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。

### 自测 6: 第六章：其它群智能算法及总结

**题 16：这个考点的核心问题是什么？**

答案：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。

**题 17：列出这个考点最该背的 3 个抓手。**

答案：
- 克隆选择算法用亲和度、克隆扩增和变异搜索解空间。
- 蜂群等算法强调角色分工、信息共享和局部/全局搜索切换。
- 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。

**题 18：这个考点最容易混淆或出错的地方是什么？**

答案：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。

## 5. 最后一遍怎么背

1. 先顺着知识脉络背一遍标题，确认自己知道每一章在解决什么问题。
2. 再只看“必背抓手”，能口述就过，卡住就回对应位置。
3. 最后做自测题，答案说不完整的地方就是考前最后要补的点。