比較新的數(shù)據(jù)分類算法和研究方向是什么？

在工程實(shí)踐中，經(jīng)常會(huì)接觸到一些比較“新穎”的算法或理論，比如模擬退火，遺傳算法，禁忌搜索，神經(jīng)網(wǎng)絡(luò)等。這些算法或理論都有一些共同的特性（比如模擬自然過程），通稱為“智能算法”。它們?cè)诮鉀Q一些復(fù)雜的工程問題時(shí)大有用武之地。

這些算法都有什么含義？首先給出個(gè)局部搜索，模擬退火， 遺傳算法，禁忌搜索的形象比喻：

為了找出地球上最高的山，一群有志氣的兔子們開始想辦法。

1．兔子朝著比現(xiàn)在高的地方跳去。他們找到了不遠(yuǎn)處的最高山峰。但是這座山不一定是珠穆朗瑪峰。這就是局部搜索，它不能保證局部最優(yōu)值就是全局最優(yōu)值。

2．兔子喝醉了。他隨機(jī)地跳了很長(zhǎng)時(shí)間。這期間，它可能走向高處，也可能踏入平地。但是，他漸漸清醒了并朝最高方向跳去。這就是模擬退火。

3．兔子們吃了失憶藥片，并被發(fā)射到太空，然后隨機(jī)落到了地球上的某些地方。他們不知道自己的使命是什么。但是，如果你過幾年就殺死一部分海拔低的兔子，多產(chǎn)的兔子們自己就會(huì)找到珠穆朗瑪峰。這就是 遺傳算法。

4.兔子們知道一個(gè)兔的力量是渺小的。他們互相轉(zhuǎn)告著，哪里的山已經(jīng)找過，并且找過的每一座山他們都留下一只兔子做記號(hào)。他們制定了下一步去哪里尋找的策略。這就是 禁忌搜索。

智能優(yōu)化算法要解決的一般是最優(yōu)化問題。 最優(yōu)化問題可以分為（1）求解一個(gè) 函數(shù)中，使得 函數(shù)值最小的自變量取值的函數(shù)優(yōu)化問題和（2）在一個(gè)解空間里面，尋找最優(yōu)解，使目標(biāo)函數(shù)值最小的組合優(yōu)化問題。典型的組合優(yōu)化問題有： 旅行商問題（Traveling Salesman Problem，TSP），加工調(diào)度問題（Scheduling Problem），0－1背包問題（Knapsack Problem），以及 裝箱問題（Bin Packing Problem）等。

優(yōu)化算法有很多，經(jīng)典算法包括：有線性規(guī)劃，動(dòng)態(tài)規(guī)劃等；改進(jìn)型局部搜索算法包括 爬山法， 最速下降法等，本文介紹的 模擬退火、 遺傳算法以及 禁忌搜索稱作指導(dǎo)性搜索法。而神經(jīng)網(wǎng)絡(luò)，混沌搜索則屬于系統(tǒng)動(dòng)態(tài)演化方法。

優(yōu)化思想里面經(jīng)常提到鄰域函數(shù)，它的作用是指出如何由當(dāng)前解得到一個(gè)（組）新解。其具體實(shí)現(xiàn)方式要根據(jù)具體問題分析來定。

一般而言，局部搜索就是基于貪婪思想利用 鄰域函數(shù)進(jìn)行搜索，若找到一個(gè)比現(xiàn)有值更優(yōu)的解就棄前者而取后者。但是，它一般只可以得到“局部極小解”，就是說，可能這只兔子登“登泰山而小天下”，但是卻沒有找到珠穆朗瑪峰。而 模擬退火，遺傳算法， 禁忌搜索，神經(jīng)網(wǎng)絡(luò)等從不同的角度和策略實(shí)現(xiàn)了改進(jìn)，取得較好的“全局最小解”。