18、理论计算机科学中的计算模型与复杂度类

理论计算机科学中的计算模型与复杂度类

在计算机科学的理论研究中,对于计算的本质和效率的探索是核心问题。理论计算机科学在这方面有着独特的地位,尤其是在量子计算的研究上。早期,图灵等先驱在实际计算机诞生之前就对形式计算进行了深入研究,如今虽然大规模量子计算机尚未成为现实,但对量子可计算性和复杂度的理论分析已取得了显著进展。

1. 确定性和非确定性计算

理论计算机科学探讨的基本问题是“什么是可计算的”,但这需要明确是依据哪种计算模型。在不考虑效率的情况下,足够复杂的形式计算模型可以相互模拟。为了便于研究,我们选择图灵机模型。

1.1 确定性图灵机

确定性图灵机是一个 6 元组 $M = (Q, \Sigma, q_{start}, q_{accept}, q_{reject}, \delta)$,其中:
- $Q$ 是有限状态集;
- $\Sigma$ 是包含空白符号 # 的非空有限字母表;
- $q_{start}$、$q_{accept}$、$q_{reject}$ 是 $Q$ 中的元素;
- 转移函数 $\delta : Q \times \Sigma \to Q \times \Sigma \times {L, R}$。

对于给定的 $q \in Q$ 和 $\sigma \in \Sigma$,若 $\delta(q, \sigma) = (q’, \sigma’, D)$,表示图灵机在状态 $q$ 遇到符号 $\sigma$ 时,将符号 $\sigma$ 替换为 $\sigma’$,向 $D$(左或右)移动一格,并进入状态 $q’$。也可以将 $\delta$ 重写为 $\delta’ :

先展示下效果 https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值