什么是
启发式算法转自：p://blogcsdnnet/aris_zzy/archive/2006/05/27/757156aspx引言：解决实际的问题，要建模型，在求解。求解要选择算法，只有我们对各种算法的优缺点都很熟悉后才能根据实际问题选出有效的算法。但是对各种算法都了如指掌是不现实的，但多知道一些，会使你的选择集更大，找出最好算法的概率越大。现在研一，要开题了些点文献综述，愿与大家分享。大自然是神奇的，它造就了很多巧妙的手段和运行机制。受大自然的启发，人们从大自然的运行规律中找到了许多解决实际问题的方法。对于那些受大自然的运行规律或者面向具体问题的经验、规则启发出来的方法，人们常常称之为启发式算法（Heuristic Algorithm）。现在的启发式算法也不是全部来自然的规律，也有来自人类积累的工作经验。启发式算法的发展：启发式算法的计算量都比较大，所以启发式算法伴随着计算机技术的发展，取得了巨大的成就。40年代：由于实际需要，提出了启发式算法（快速有效）。50年代：逐步繁荣，其中 贪婪算法和局部搜索 等到人们的关注。60年代: 反思，发现以前提出的启发式算法速度很快，但是解得质量不能保证，而且对大规 模的问题仍然无能为力（收敛速度慢）。启发式算法的不足和如何解决方法：（水平有限 仅仅提出6点）启发式算法目前缺乏统一、完整的理论体系。很难解决！ 启发式算法的提出就是根据经验提出，没有什么坚实的理论基础。由于NP理论，启发式算法就解得全局最优性无法保证。等NP？=P有结果了再说吧，不知道这个世纪能不能行。各种启发式算法都有个自优点如何，完美结合。如果你没有实际经验，你就别去干这个，相结合就要做大量尝试，或许会有意外的收获。启发式算法中的参数对算法的效果起着至关重要的作用，如何有效设置参数。还是那句话，这是经验活但还要悟性，只有try again………启发算法缺乏有效的迭代停止条件。还是经验，迭代次数100不行，就200，还不行就1000…………还不行估计就是算法有问题，或者你把它用错地方了………启发式算法收敛速度的研究等。你会发现，没有完美的东西，要快你就要付出代价，就是越快你得到的解也就远差。其中（４）集中反映了超启发式算法的克服局部最优的能力。虽然人们研究对启发式算法的研究将近５０年，但它还有很多不足：1启发式算法目前缺乏统一、完整的理论体系。2由于NP理论，各种启发式算法都不可避免的遭遇到局部最优的问题，如何判断3各种启发式算法都有个自优点如何，完美结合。4启发式算法中的参数对算法的效果起着至关重要的作用，如何有效设置参数。5启发算法缺乏有效的迭代停止条件。6启发式算法收敛速度的研究等。70年代：计算复杂性理论的提出，NP问题。许多实际问题不可能在合理的时间范围内找到全局最优解。发现贪婪算法和局部搜索算法速度快，但解不好的原因主要是他们只是在局部的区域内找解，等到的解没有全局最优性。 由此必须引入新的搜索机制和策略……… Holland的遗传算法出现了（Genetic Algorithm）再次引发了人们研究启发式算法的 兴趣。80年代以后： 模拟退火算法（Simulated Annealing Algorithm），人工神经网络（Artificial Neural Network），禁忌搜索（Tabu Search）相继出现。 最近比较热或刚热过去的：演化算法（Evolutionary Algorithm）, 蚁群算法（Ant Algorithms）， 拟人拟物算法，量子算法等。各个算法的思想这就不再详细给出（以后会给出一些，关注我的blog） ，为什么要引出启发式算法，因为NP问题，一般的经典算法是无法求解，或求解时间过长，我们无法接受。这里要说明的是：启发式算法得到的解只是近似最优解（近似到什么程度，只有根据具体问题才能给出） 二十一世纪的最大的数学难题NP？=P，如果NP=P启发式算法就不在有存在的意义。 优胜劣汰是大自然的普遍规律，它主要通过选择和变异来实现。选择是优化的基本思想，变异（多样化）是随机搜索或非确定搜索的基本思想。“优胜劣汰”是算法搜索的核心，根据“优胜劣汰”策略的不同，可以获得不分类；数据挖掘 分类是数据挖掘的重要任务之一，分类在实际应用中有广泛的应用，如医疗事业、信用等级等。近年来，分类方法得到了发展，本文对这些方法进行了归纳分析，总结了今后分类方法发展的方向。 1引言 分类是学会一个分类函数或分类模型，该模型能把数据库中的数据项映射到给定类别中的某一个。分类可用于提取描述重要数据类的模型或预测未来的数据趋势。分类可描述如下：输入数据，或称训练集是一条条记录组成的。每一条记录包含若干条属性，组成一个特征向量。训练集的每条记录还有一个特定的类标签与之对应。该类标签是系统的输入，通常是以往的一些经验数据。一个具体样本的形式可为样本向量：。在这里vi表示字段值，c表示类别。 分类作为数据挖掘的一个重要分支，在商业、医学、军事、体育等领域都有广泛的应用，在过去的十多年中引起很多来自不同领域学者的关注和研究。除了基本的统计分析方法外，数据挖掘技术主要有：神经网络、决策树、粗糙集、模糊集、贝叶斯网络、遗传算法、k近邻分类算法与支持向量机等。 不同的分类器有不同的特点，目前有三种分类器评价或比较尺度：1)预测准确度。预测准确度是用得最多的一种比较尺度，特别是对于预测型分类任务，目前公认的方法是10折分层交叉验证法；2)计算复杂度。计算复杂度依赖于具体的实现细节和硬件环境，空间和时间的复杂度问题将是非常重要的一个环节；3)模型描述的简洁度。模型描述越简洁越受欢迎，如采用规则表示的分类器结果就较容易理解，而神经网络方法产生的结果就难以理解。不同的算法有不同的特点，充分认识各算法的优点和存在的缺陷，掌握其适应的环境，方便研究者明确算法的改进和研究，本文主要对算法的研究现状进行分析和比较。2分类方法的发展 21决策树的分类方法 ID3算法是较早的决策树归纳算法。当前最有影响的决策树算法是Quinlan于1986年提出的ID3和1993年提出的C45。ID3选择增益值最大的属性划分训练样本，其目的是进行分裂时系统的熵最小，从而提高算法的运算速度和精确度。这种方法的优点是描述简单、分类速度快和产生的分类规则易于理解；但缺点是抗噪性差、训练正例和反例较难控制以及是非递增学习算法。C45是ID3的改进算法，不仅可以处理离散值属性，还能处理连续值属性，但是也不能进行增量学习。 SLIQ是一个能够处理连续及离散属性的决策树分类器。该算法针对C45分类算法产生的样本反复扫描和排序低效问题，采用了预排序和宽度优先两项技术。预排序技术消除了结点数据集排序，宽度优先为决策树中每个叶结点找到了最优分裂标准。这些技术结合使SLIQ能够处理大规模的数据集，并能对具有大量的类、属性与样本的数据集分类；并且该算法代价不高且生成紧凑精确的树。缺点是内存驻留数据会随着输入纪录数线性正比增大，限制了分类训练的数据量。 SPRINT方法完全不受内存的限制，并且处理速度很快，且可扩展。为了减少驻留于内存的数据量，该算法进一步改进了决策树算法的数据结构，去掉了SLIQ中需要驻留于内存的类别列表，将类别合并到每个属性列表中。但是对非分裂属性的属性列表进行分裂却比较困难，因此该算法的可扩展性较差。 22贝叶斯分类方法 贝叶斯分类是统计学分类方法，是利用Bayes定理来预测一个未知类别的样本可能属性，选择其可能性最大的类别作为样本的类别。朴素贝叶斯网络作为一种快速而高效的算法而受到人们的关注，但是其属性独立性并不符合现实世界，这样的假设降低了朴素贝叶斯网络的性能；但是如果考虑所有属性之间的依赖关系，使其表示依赖关系的能力增强，允许属性之间可以形成任意的有向图，由于其结构的任意性，这样使得贝叶斯网络的结构难以学习，然而，贝叶斯网络的学习是一个NP-Complete问题。 目前对于贝叶斯网络的改进主要包括了：1)基于属性选择的方法，保证选择的属性之间具有最大的属性独立性，其中代表算法是由Langley提出SBC；2)扩展朴素贝叶斯网络的结构，考虑属性之间的依赖关系，降低属性独立性假设，其中代表算法是由Friedman提出树扩展的贝叶斯网络TAN；3)基于实例的学习算法。 其中1)、2)的算法是根据训练集合构造一个分类器，是一种积极的学习算法，3)的方法是一种消极的学习算法。 23粗糙集分类方法 粗糙集理论是一种刻划不完整和不确定性数据的数学工具，不需要先验知识，能有效处理各种不完备，从中发现隐含的知识，并和各种分类技术相结合建立起能够对不完备数据进行分类的算法。粗糙集理论包含求取数据中最小不变集和最小规则集的理论，即约简算法，这也是粗糙集理论在分类中的主要应用。 24神经网络 神经网络是分类技术中重要方法之一，是大量的简单神经元按一定规则连接构成的网络系统。它能够模拟人类大脑的结构和功能，采用某种学习算法从训练样本中学习，并将获取的知识存储在网络各单元之间的连接权中。神经网络主要有前向神经网络、后向神经网络和自组织网络。目前神经网络分类算法研究较多集中在以BP为代表的神经网络上。文献提出了粒子群优化算法用于神经网络训练，在训练权值同时删除冗余连接，与BP结果比较表明算法的有效性。文献提出旋转曲面变换粒子群优化算法的神经网络，使待优化函数跳出局部极值点，提高训练权值的效率。 25K近邻分类算法 K近邻分类算法是最简单有效的分类方法之一，是在多维空间中找到与未知样本最近邻的K个点，并根据这K个点的类别判断未知样本的类别。但是有两个最大缺点：1)由于要存储所有的训练数据，所以对大规模数据集进行分类是低效的；2)分类的效果在很大程度上依赖于K值选择的好坏。文献提出一种有效的K近邻分类算法，利用向量方差和小波逼近系数得出两个不等式，根据这两个不等式，分类效率得到了提高。文献提出用粒子群优化算法对训练样本进行有指导的全局随机搜索，掠过大量不可能的K向量，该算法比KNN方法计算时间降低了70%。 26基于关联规则挖掘的分类方法 关联分类方法一般由两部组成：第一步用关联规则挖掘算法从训练数据集中挖掘出所有满足指定支持度和置信度的类关联规则，支持度用于衡量关联规则在整个数据集中的统计重要性，而置信度用于衡量关联规则的可信程度；第二步使用启发式方法从挖掘出的类关联规则中挑选出一组高质量的规则用于分类。 Agrawal等人于1993年提出了算法AIS和SETM，1994年又提出了Apriori和AprioriTid，后两个算法和前两个算法的不同之处在于：在对数据库的一次遍历中，那些候选数据项目被计数以及产生候选数据项目集的方法。但前两者方法的缺点是会导致许多不必要的数据项目集的生成和计数。由于目前日常生活中如附加邮递、目录设计、追加销售、仓储规划都用到了关联规则，因此首先要考虑关联规则的高效更新问题，Dwcheung提出了增量式更新算法FUP，它的基本框架和Apriori是一致的；接着冯玉才等提出了两种高效的增量式更新算法IUA和PIUA，主要考虑当最小支持度和最小可信度发生变化时，当前交易数据库中关联规则的更新问题。 27支持向量机方法的发展 支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础之上的。根据有限样本、在模型的复杂性和学习能力之间寻求折衷，以期获得最好推广能力。它非常适合于处理非线性问题。分类问题是支持向量机最为成熟和应用最广的算法。但是由于SVM的训练时间会随着数据集的增大而增加，所以在处理大规模数据集时，SVM往往需要较长的训练时间。 文献提出了一种多分类问题的改进支持向量机，将GA和SVM相结合，构造了一种参数优化GA-SVM，该方法在多分类非平衡问题上，提高了分类正确率，也提高了学习时间。文献提出了一种新的支持向量机增量算法，提出了一种误分点回溯增量算法，先找出新增样本中误分的样本，然后在原样本集寻找距误分点最近的样本作为训练集的一部分，重新构建分类器，有效保留样本的分类，结果表明比传统的SVM有更高的分类精度。 28基于群的分类方法 这种方法可以看作是进化算法的一个新的分支，它模拟了生物界中蚁群、鱼群和鸟群在觅食或者逃避敌人时的行为，对基于群的分类方法研究，可以将这种方法分为两类：一类是蚁群算法，另一类称为微粒群算法。 文献提出了一种基于蚁群算法的分类规则挖掘算法，针对蚁群算法计算时间长的缺点，提出了一种变异算子，用公用数据作试验将其结果与C45和Ant-Miner比较，显示变异算子节省了计算时间。 PSO是进化计算的一个新的分支，它模拟了鸟群或鱼群的行为。在优化领域中，PSO可以与遗传算法相媲美。文献提出了基于粒子群优化算法的模式分类规则获取，算法用于Iris数据集进行分类规则的提取，与其他算法比较显示不仅提高了正确率，而且较少了计算时间。文献将PSO运用于分类规则提取，对PSO进行了改进，改进的算法与C45算法比较，试验结果表明，在预测精度和运行速度上都占优势。 由于PSO算法用于分类问题还处于初期，因此要将其运用到大规模的应用中还要大量的研究。3总结 分类是数据挖掘的主要研究内容之一，本文对分类算法进行了分析，从而便于对已有算法进行改进。未来的数据分类方法研究更多地集中在智能群分类领域，如蚁群算法、遗传算法、微粒群算法等分类研究上以及混合算法来进行分类。总之，分类方法将朝着更高级、更多样化和更加综合化的方向发展。参考文献： 邵峰晶，于忠清．数据挖掘原理与算法．中国水利水电出版社，2003 陈文伟，黄金才．数据仓库与数据挖掘．人民邮电出版社，2004 LJiang，HZhang，ZCaiandJSu，EvolutionalNaiveBayes，Proceedingsofthe2005InternationalSymposiumonIntelligentComputationanditsApplication，ISICA2005，pp344-350，ChinaUniversityofGeosciencesPress Langley，P，Sage，S，InductionofselectiveBayesianclassifiers，inProceedingsoftheTenthConferenceonUncertaintyinArtificialIntelligence，pp339-406 Friedman，N，Greiger，D，Goldszmidt，M，BayesianNetworkClassifiers，MachineLearning29103-130 TMitchellMachineLearningNewYork:McGraw-HillPress，1997 曾黄麟．粗糙理论以及应用．重庆大学出版社，1996 高海兵、高亮等．基于粒子群优化的神经网络训练算法研究．电子学报，2004，9 熊勇，陈德钊，胡上序．基于旋转曲面变换PSO算法的神经网络用于胺类有机物毒性分类．分析化学研究报告，2006，3 乔玉龙，潘正祥，孙圣和．一种改进的快速K近邻分类算法．电子学报，2005，6 张国英，沙芸，江惠娜．基于粒子群优化的快速KNN分类算法．山东大学学报，2006，6 黄景涛，马龙华，钱积新．一种用于多分类问题的改进支持向量机．浙江大学学报，2004，12 毛建洋，黄道．一种新的支持向量机增量算法．华东理工大学学报，2006，8 吴正龙，王儒敬等．基于蚁群算法的分类规则挖掘算法．计算机工程与应用，2004 高亮，高海兵等．基于粒子群优化算法的模式分类规则获取．华中科技大学学报．2004，11 延丽萍，曾建潮．利用多群体PSO生成分类规则．计算机工程与科学，2007，2
工业互联网的未来是什么？我认为是工业智能。人工智能起源于1956年，但直到最近才爆发，这期间核心在于互联网的发展，催生的大数据。工业互联网的发展，千万台设备的互联，边缘计算植入，都将催生更高级的智能。可能单个机械臂所具有的计算处理能力有限，但是互联之后，这些庞大群体就有可能产生所谓的群体智能。
所谓群体智能，是指无智能或仅具简单智能的个体通过分布式、自组织式的群体协作，涌现出高级宏观智能行为的特性一只蚂蚁智力水平有限，当你把它单独拿出来时，就会看到它漫无目的四处乱串，不知道去哪，不知道从出口在哪里。然而蚁群有数百万只蚂蚁，他们就能建造起一座城市，他们能成群穿过街道，并以最短的路径找到食物。当大量智愚个体聚集在一起，并通过某种规则相互协作，他们就能产生不可思议的智能。
人脑其实也是无数智愚部分相互连接，而出现的高级智能。大脑皮层每一个不同部位，控制人体不同功能，有的部位专门控制视觉、有的部位专门控制听觉，同样要是只把某一部分拿出来，它的智慧不会和一只蚂蚁有太大区别，正式由于神经网络的互联，才出现了意识、记忆、逻辑判断等高级智慧行为工业互联网通过将全球所有设备互联，每一台设备、每一个边缘计算器，它所拥有的智慧及其有限，但当他们实现互联，实现大规模协作后，它们也必将实现某种智能；此外还有很重要的一点，人类的智慧是不可以遗传的。
你小时学会了1+1=2，你的孩子任然需要从零还是学习，你的毕生所学不会遗传给你的孩子。但机器不一样，它可以遗传得到上一代的经验。当然现有人工智能也在不断的进化，通过工业互联产生的海量数据，不断喂食，现有小学水平的人工智能，也将很快进化到大学、研究生水平……
工业互联也是我国的国家战略，也已经出台了《工业互联网发展白皮书》。但作为企业来说，不能为了互联而互联，互联不是目的，降本、增收才是目的。
蚂蚁的特点和本领
蚂蚁的特点和本领，在我们的生活周边总是可以看见很多的小动物，这些小动物对于我们的生活其实影响忽大忽小，但基本很少人去真正的了解这些小动物们，以下了解蚂蚁的特点和本领。
蚂蚁的特点和本领1
蚂蚁特点：不会冬眠、群集而居、靠触角辨别气味、寿命长。不会冬眠，在15-40℃之内都可正常生长，冬季低于10℃会进入洞穴，不会冬眠。群集而居，蚂蚁是群集而居的社会性昆虫，恋巢性很强，且食性杂，工蚁数量最多。靠触角辨别气味，通过触角收集和传递信息。
本领为：蚂蚁有建巢、分工明确、识路、团队协作、拥有自己的语言沟通。
蚂蚁（ant）是一种昆虫，别名蚁、玄驹、昆蜉、蚍蜉蚂，属节肢动物门，昆虫纲，膜翅目，蚁科。蚂蚁的种类繁多，世界上已知有11700多种，有21亚科283属，中国境内已确定的蚂蚁种类有600多种。
蚂蚁外形特征
蚂蚁有21亚科283属〈主流沿用的是16亚科的分类系统和21亚科的系统相比，新的系统从猛蚁（ponerine）中分出了若干亚科〉。一般体形小，颜色有黑、褐、黄、红等，体壁具d性，且光滑或有微毛。口器咀嚼式，上颚发达。触角膝状，柄节很长，末端2~3节膨大，全触角分4~13节。
腹部呈结状，分有翅或无翅。前足的距离大，梳状，为净角器（清理触角用）。蚂蚁的外部形态分头、胸、腹三部分，有六条腿。蚂蚁卵约05毫米长，呈不规则的椭圆形，乳白色，幼虫蠕虫状半透明。工蚁体形细小，身体长约28毫米，全身棕黄，单个蚂蚁要细看才易发现。
蚂蚁的特点和本领2
蚂蚁有哪些本领？
蚂蚁绝对是建筑专家，蚁穴内有许多分室，这些分室各有用处。其中蚁后的分室最大。在沙漠中有一种蚂蚁，建的窝远看就如一座城堡，有45米之高。那些窝废弃之后，就会被一些动物拿来当自己的窝了。蚁穴的底部是给蚁后住的，蚁后的任务就是吃东西，交，生孩子。
蚁窝牢固、安全、舒服，道路四通八达。蚂蚁窝外面还有一圈土，还有一些储备食物的地方，里面通风、凉快、冬暖夏凉，食物不易坏掉。
蚂蚁也是动物世界赫赫有名的建筑师。它们利用颚部在地面上挖洞，通过一粒一粒搬运沙土，建造它们的蚁穴。蚁穴的“房间”将一直保持建造之初的形态，除非土壤严重干化。蚂蚁研究专家沃尔特·奇尔盖尔对蚁穴进行建模。他将液态金属、石腊或者正畸石膏灌入蚁穴，凝固定型之后挖出。
他说： “你可以得到一个深入地下的结构。”根据他的观察，最靠近地表的区域蚁室最多，深度越深，蚁室越少，面积也越小。他说：“为了做到这一点，蚂蚁必须了解它 们相对于地面的深度。”但它们如何“施工”仍旧是一个谜。据奇尔盖尔推测，蚂蚁可能通过感知土壤中的二氧化碳水平测量深度。
蚁群分工
一般有蚁后、雌蚁、雄蚁、工蚁和兵蚁5级。有些种生活在其他种的巢内，其幼虫由宿主的工蚁喂养。
1、蚁后：有生殖能力的雌性，或称母蚁，又称蚁王，在群体中体型最大，特点是腹部大，生殖器官发达，触角短，胸足小，有翅、脱翅或无翅。主要职责是产卵、繁殖后代和统管这个群体大家庭。
2、雌蚁：交尾后有生殖能力的雌性，交尾后脱翅成为新的蚁后，俗称“公主”或“天使”。
3、雄蚁：或称父蚁。头圆小，上颚不发达，触角细长。有发达的生殖
蚂蚁器官和外生殖器，主要职能是与蚁后交，俗称“王子”或“蚊子”。
4、工蚁：又称职蚁。无翅，是不发育的雌性，一般为群体中个头最小，但数量又是最多的。复眼小，单眼极微小或无。上颚、触角和三对足都很发达，善于步行奔走。工蚁没有生殖能力。
工蚁的主要职责是建造和扩大巢穴、采集食物、饲喂幼虫及蚁后等。为了冬眠，蚂蚁们要在秋天吃大量的食物来储存体内的脂肪，而在接下来的整个冬天它们是不进食的。正因为如此，蚁群中的工蚁们几乎每天都在寻找食物，以保证蚁群中的每个成员都能吃到足够的食物来抵御寒冷的冬季。
5、兵蚁：“兵蚁”是对某些蚂蚁种类的大工蚁的俗称，是没有生殖能力的雌蚁。头大，上颚发达，可以粉碎坚硬食物，在保卫群体时即成为战斗的武器。
蚂蚁的特点和本领3
蚂蚁的特点是什么
蚂蚁不会冬眠，在15-40℃之内都可正常生长，冬季低于10℃会进入洞穴；群集而居，蚂蚁是群集而居的社会性昆虫，恋巢性很强，且食性杂，工蚁数量最多；头上一对触角，靠触角辨别气味，通过触角收集和传递信息；寿命偏长，工蚁可生存几星期至3-10年，蚁后则可存活几年甚至十年。
1、蚂蚁发育为完全变态发育。所有的蚁科都过着社会性群体的生活。一般在一个群体里有四种不同的`蚁型。蚂蚁建立群体，也是以通过婚飞方式两性相识结交为起点。
2、蚂蚁的身体分为头、胸、腹三部分，有六足，体壁薄且有d性，有膜翅，硬而易碎。
3、蚂蚁所建的蚁巢有各种形式，大多数种类在地下土中筑巢，挖有隧道、小室和住所，并将掘出的物质及叶片堆积在入口附近，形成小丘状，起保护作用。
4、蚂蚁并没有用骨骼和肌肉支撑身体，而是用自己的身体力量将物体抗起。
5、蚁后主要职责是产卵与繁殖后代，在蚁群群落较小的时候，还会充当保卫蚁巢、取食、照顾卵幼等职能。
6、蚂蚁因食性分为：低等种类，肉食性，以昆虫、小动物乃至病、死的大动物为食；臭蚁亚种，切叶蚁亚科及蚁亚科中的较高等种类，对动植物均能取食，尤喜蚜、蚧虫分泌的“蜜露”；其他大部分蚁类为杂食性，多以种子、果实、虫子等为食。
7、蚂蚁是完全变态型的昆虫，要经过卵、幼虫、蛹（或茧，看具体品种而定）阶段才发展成成虫，蚂蚁的幼虫阶段没有任何能力，它们也不需要觅食，完全由工蚁喂养，工蚁要先把食物吃进去，然后再吐出来喂养幼虫。
扩展资料
据研究数据显示，蚂蚁的大脑只有25万个细胞，相比之下，蜜蜂的大脑只有96万个，而在人类大脑中则多达1000亿个。在地中海沿岸发现的阿根廷蚂蚁，是宽达3,750英里，有人猜想它们可能是靠货船而来回活动的。
在一群蚂蚁中，蚁后具有像“箱子”一样的储存物，储存了它们所需要的所有精子。一般情况下，蚁后一次可以产下30万个卵。澳大利亚的生物学家发现，一些蚂蚁会产生抗生素来控制蚁群中的疾病。蚂蚁产生的抗生素专门针对真菌念珠菌。
芬兰的研究人员发现， 掘穴蚁感染真菌疾病时，他们会吃一些高过氧化氢的食物来“治病”，比如蚜虫或腐烂的蚂蚁。蚂蚁们也有自己“救护车”。德国科学家发现，非洲马比里蚂蚁被白蚁捕食时，马比里蚂蚁会在“战斗”中失去触角或部分四肢。
蚂蚁也有自己的“蚁导航”，是利用太阳和它们的记忆返回巢穴。蚂蚁每年可以在一平方英里内移动50吨土。在蚂蚁的运动过程中，它们可以使土壤通气，提高植物的生存能力，所以它们在园林中的作用比蚯蚓高。
能。根据蚁群算法的原理与应用了解，蚁群算法能和节约法一起用。蚁群算法是一种用来寻找优化路径的概率型算法。它由MarcoDorigo于1992年在他的博士论文中提出，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。
计算机应用技术专升本要考：政治、英语、高等数学外加一门计算机基础课。
计算机应用技术的特色：
1、计算机应用专业的特色是“厚基础，重方向”。本专业学生可以学到很扎实的计算机应用基础知识，就业面广；同时，在此基础上又强化专业方向，学生们有重点地掌握一个专门化的技能，以便从事专业性较强的计算机岗位工作。
2、本方向着重研究神经网络、模糊逻辑、模糊神经网络、模拟退火技术、蚁群算法等在视频图像处理与编码中的应用，旨在发展快速高效和具有在低码率信道下实现视频图像实时编码潜能的压缩算法。
扩展资料：
专升本的报考条件：
1、选拔对象为列入国家普通高校招生计划、经省招生部门按规定程序正式录取的、本省各类普通高校的专科三年级在籍学生（普通全日制统招入学）。
2、坚持四项基本原则,遵纪守法；具有较高思想道德修养和文化素质，上进心强，品行端正；在校期间未受记过（含）以上处分，无考试作弊记录。
3、分省份要求英语水平，比如上海要求通过大学英语四级考试。
4、具有普通高职（专科）毕业学历的退役士兵，经民政系统等有关单位按照规定和程序审核后，可参加普通专升本。
参考资料来源：百度百科-统招专升本
参考资料来源：百度百科-计算机应用技术
蚁群中一般有四种成员，分工明确。
蚁后：也叫蚁皇，是一族之主，专管产卵繁殖，一般 一群只有一个，体型特大，行动不便，由工蚁侍候。
雄蚁：专与蚁后交配，交配后即死亡，一群中有数十只或数百只，要看蚁群的大小。
工蚁：是蚁群中的主要成员，专司觅食、饲养幼蚁、侍候蚁后、搬家清扫等等杂勤工作。
兵蚁：个头较大，二颚发达，是蚁群中的保卫者，担负着本蚁群的安全，如有外蚁入侵，或争夺食物时，必誓死决斗。
扩展资料：
蚁群分工
一般有蚁后，工蚁2级。在特定的时间出现未受精的雌蚁和雄蚁，有些种类的工蚁头部特化变大变成兵蚁。有些种生活在其他种的巢内，其幼虫由宿主的工蚁餵养。
1．蚁后：有生殖能力的雌性，或称母蚁，在群体中体型最大，特别是胸部大，生殖器官发达，在大部分种类和情况下只有蚁后负责产卵，部分种类，如猛蚁，蚁后可自己捕食。但是蚁后不能掌控整个蚁群。
2．雌蚁：交尾后有生殖能力的雌性，交尾后脱翅成为新的蚁后，俗称“公主”或“天使”，大部分雌蚁在交配后会脱翅，但是极少数不会脱翅。
3．雄蚁：或称父蚁。有翅。头圆小，上颚不发达，触角细长。有发达的生殖器官和外生殖器，主要职能是与蚁后交配，俗称“王子”或“蚊子”。完成交配后不久即死亡。
4．工蚁：又称职蚁。无翅，是不发育的雌性，一般为群体中最小的个体，但数量最多。复眼小，单眼极微小或无。上颚、触角和三对足都很发达，善于步行奔走。工蚁没有生殖能力。工蚁的主要职责是建造和扩大巢穴、采集食物、饲喂幼虫及蚁后等。为了冬眠，蚂蚁们要在秋天吃大量的食物来储存体内的脂肪，而在接下来的整个冬天它们是不进食的。
5．兵蚁：“兵蚁”是对某些蚂蚁种类的大工蚁的俗称，是没有生殖能力的雌蚁。头大，上颚发达，可以粉碎坚硬食物，在保卫群体时即成为战斗的武器。
参考资料：
蚂蚁_百度百科
微信扫一扫
支付宝扫一扫
评论列表（0条）