单一的神经元能够学习的函数是有限的，仅仅能学习线性可分的很熟；当学习非线性的复杂函数时，就要用到神经网络。同一层的神经元在两方面是相同：（一）同一层中的神经元连接着相同的源头，即他们的接收的信息是相同的；（二）同一层中的神经元有着相同的动态更新机制。即同一层中的神经元有着相同的连接源头、目的和相同的激活函数。一个神经网络中有两种权重：层内权重(intralayer  weights)(intral

神经网络的概念在此不做过多阐述，其应用领域包括：分类——即预测输入向量的类别；模式匹配——即产生与给定输入向量最佳关联的模式；模式完成——其目的是完成给定输入向量的缺失部分；优化——即找到优化问题中参数的最优值；控制——给定一个输入向量，得到建议的合适行为；函数拟合 / 时间序列模型——学习输入与输出之间的函数关系；数据挖掘——挖掘数据背后的模式（信息）.....................一

基本定义卷积神经网络(convolutional neural network, CNN)，是一类包含卷积计算且具有深度结构的前馈神经网络。卷积神经网络是受生物学上感受野（Receptive Field）的机制而提出的。卷积神经网络专门用来处理具有类似网格结构的数据的神经网络。例如，时间序列数据（可以认为是在时间轴上有规律地采样形成的一维网格） 和图像数据（可以看作是二维的像素网格）。1.卷积层（

遗传规划（Genetic Programming，GP）其他的进化算法（如，GA、ES、EP）都是将的单个结构（参数）定义为一个串（二进制串或实数串），但GP是将计算机程序以树结构表示，从而进行处理，每个染色体代表一个程序（树结构）。此外，其他进化算法的个体结构都是固定长度的，但通过GP进化的程序在大小、形状和复杂度上都是不同的。GP可以看做是遗传算法GA在执行程序进化时的特例，但它和一般的GA算

进化规划（Evolutionary programming，EP）EP同GA的不同之处在于，EP的种群进化集中于自上而下的适应性行为，它 的重点是开发行为模型，即可观测系统与环境交互的模型。自然进化理论对EP的原理和范式有着重要影响。EP源于对进化的适应性行为的模拟描述，而GA源于对基因的模拟；GA是在信息编码的基因空间起作用，而EP却强调可观测行为的表现型空间，因此，EP直接利用表现型行为进化来

进化计算（Evolutionary Computation， EC）传统优化方法利用确定性的规则（如，求导）进行优秀解的搜寻，容易达到局部最优；而EC算法利用一个分布在解空间各处的点群进行搜索，每一代都会产生新的点，这些不同的点的搜索可以搜寻更大的空间，降低了陷入局部最优的可能性，而交叉、变异这些遗传操作有效提升了并行搜索能力，使得搜索点可以直接从一个高位空间区域跳转到另一个区域。事实上，EC使用

遗传规划（Genetic Programming，GP）其他的进化算法（如，GA、ES、EP）都是将的单个结构（参数）定义为一个串（二进制串或实数串），但GP是将计算机程序以树结构表示，从而进行处理，每个染色体代表一个程序（树结构）。此外，其他进化算法的个体结构都是固定长度的，但通过GP进化的程序在大小、形状和复杂度上都是不同的。GP可以看做是遗传算法GA在执行程序进化时的特例，但它和一般的GA算

聚类（Clustering）的基本概念聚类属于无监督学习，在聚类前数据没有分类或分组信息。聚类是寻找数据之间内在结构，按照特定标准(如距离准则、相似性系数)把全体数据样本组织成一些相似簇；使得处于相同簇中的数据样本彼此相似性尽可能大，处于不同簇中的样本彼此差异性尽可能地大。聚类的结果在很大程度上取决于事先设定的参数（如类别，初始点等），例如：聚类性能好坏的度量类内相似度高，类间相似度低。度量聚类结

PSO的算法配置粒子的速度更新公式：vi(t+1)=vi(t)+c1⋅r1(t)⋅[yi(t)−xi(t)]+c2⋅r2(t)⋅[y^i(t)−xi(t)]\mathbf v_{i}(t+1)=\mathbf v_{i}(t)+c_1\cdot \mathbf r_{1}(t)\cdot [\mathbf y_{i}(t)-\mathbf x_{i}(t)]+c_2\cdot \mathbf r_

二、变量2.1 变量基本概述变量是程序的基本组成单位，变量相当于内存中一个数据存储空间的表示，你可以把变量看做是一个房间的门牌号，通过门牌号我们可以找到房间，从而通过变量名可以访问到变量(值)。变量应该有名字，并在内存中占据一定的存储单元；变量名和变量值有不同的含义；变量名实为一个符号地址2.1.1 变量的使用步骤：//（1）声明变量：int num;//（2）赋值：num = 60;// (3)