为什么我们要学思维模型

这是老锦关于思维模型的第16篇文章

查理芒格说：“一个人只要掌握80到90个思维模型，就能够解决90%的问题。”

芒格为什么这么推崇思维模型呢？

换个说法，就是我们为什么要学习思维模型呢？

成甲在混沌大学关于思维模型的视频课程里有专门论述。听完课后深受启发，特此整理，分享给大家。

解决问题的思维方式有两种。

一是归纳法；二是演绎法。

大多数人采用的是归纳法。

就是用过去所积累的经验和知识来解决问题。

在大多数情况下，归纳法是有用的，但是并不足够好用。

在VUCA时代，世界正变得越来越复杂。

世界具有部分不可知的特性，即不能够完全可知。

人类掌握的知识在“一万”的一般情况下，都是有效的。但是，在“万一”的例外情况就不适用。

复杂系统的某个因素的变化可能会导致整个系统的变动，以致经验失灵。

比如，iPhone智能手机的横空出世就颠覆了诺基亚手机的帝国神话！

诺基亚前创意总监邓肯回忆说，“记得看苹果发布会时，我边看边想：对，就应该这么做，苹果做了一些有趣的权衡和取舍，其中一个是电池寿命，另一个是产品的耐用程度。10年后的今天，我们都能接受我们的手机电池寿命只能使用一天，我们必须经常充电，甚至放在床头充电但是十年前，这确实不允许发生的。”

耐用和电池续航能力是诺基亚手机的成功经验，然而，智能手机一到来，这些曾经铸造辉煌的宝贵经验与优势，瞬间失效！

而演绎法，就是运用已有的客观规律，举一反三地去解决问题。

比如，海底无数个鱼群的游动，看似随机且复杂，其实每个鱼群背后都拥有相同的运动规则；人类掌握了鱼群的运动规律，总结出“人工鱼群算法”；并把这个算法用来预测高速公路上车辆流动的规律。

演绎法和归纳法的区别：

归纳法是用复杂应对复杂，用更多的知识和经验来应对复杂的问题；是零散的知识。

演绎法是用简单应对复杂，是一种“以少御多”的思维哲学。

大千世界，无奇不有，妙不可言。

查理芒格却说，一个人只要掌握100个思维模型便足以应对90%的问题。

这就是指出了思维模型的有效性，可以“以少御多”。

那么，思维模型到底又是什么呢？

运用向前思考的思维：为什么要学习思维模型？

是为了更好地解决问题。

为了解决问题，我们需要知道影响我们正确决策的重要规律都有哪些？

这些重要规律包括两个方面。

一是客观世界的客观规律。物理、化学、生理等重要学科的基本知识。

二是复杂系统的重要特点。多个客观规律互相交织影响，形成复杂的系统。掌握系统的特点，我们可以更好地认知系统。

老子在《道德经》里提到“万物之始，大道至简，演化至繁”。就是表达了这个意思，简单的规律交织影响，形成复杂的系统。

大系统包含众多小系统。小的系统蕴含着奥妙的客观规律和特点。。

正所谓，一花一世界，一草一天堂。麻雀虽小，五脏俱全

真实世界就是由复杂的大大小小系统组成。系统背后存在着共同的规律和特点。

成甲给出的思维模型定义是：

对现实世界复杂系统的某个侧面或局部的规律或近似规律的现象进行表征的工具。

我的理解就是，思维模型就是对真实世界的一种局部还原。我们通过思维模型去还原和认识真实世界。

思维模型的有效性建立在两个假说基础之上。

1 复杂的现象背后有简单的规律；

2 有些规律是普遍适用的，或是在比较广泛的条件下通用。

因此，我们可以通过学习思维模型，学习客观的底层规律，举一反三地运用到类似的场景中。

借助思维模型，我们能够在VUCA时代，实现“以少御多”，游刃有余！

参考资料：

成甲在混沌大学《思维模型》的视频课程

转自：吉勍Personal

>

由于预测的随机性和不确定性，传统的回归分析、数理统计等方法往往难以达到理想的预测效果。BP神经网络(Back一Propagation Network，BP)是人工神经网络(Artificial Neural Network，ANN)中应用最为广泛的神经网络模型之一，具有较强的非线性映射能力、鲁棒性、容错性和自适应、自组织、自学习等许多特性，在水文预测预报中具有广泛应用。

12 BP神经网络的缺点

然而，在实际应用中，BP神经网络的初始连接权值、阂值的选取对于BP神经网络性能具有关键性影响，若初始连接权值、阂值选取不当，则易导致BP神经网络陷入传统固有的缺陷——收敛速度慢和易陷入局部极值。

13 BP神经网络的优化

目前常用于BP神经网络初始连接权值、阂值优化的智能方法主要是遗传算法（Genetic Algorithm，GA）、粒子群优化(Particle Swarm Optimization，PSO)算法及其改进算法。除此之处，一些仿生群体智能算法被用于BP神经网络初始连接权值、阂值的优化，如人工鱼群算法（Artificial Fish Swarm Algorithm，AFSA）、布谷鸟搜寻算法（Cuckoo Search，CS）、蜂群算法（Articficial Bee Colony，ABC）、萤火虫优化算法（Glowworm Swarm Optimization，GSO）以及差分进化算法（Differential Evolution，DE），在提高BP神经网络预测或分类性能上取得了一定的效果。

但由于经网络预测或分类性能上取得了一定的效果。但由于待优化的BP神经网络初始连接权值、阂值维度往往达维度比较高，传统GA等智能算法很难获得更为理想的优化结果。狼群算法（Wolf Pack Algorithm，WPA）是一种模拟狼群分工协作捕猎行为及猎物分配方式的新型仿生群体智能算法，该算法具有较好的鲁棒性和全局搜索能力，在与PSO、AFSA及GA算法的各种测试函数极值寻优比较中，WPA算法显示出较大的性能优势，尤其对于高维、多峰的复杂函数具有更佳的寻优效果。

课题背景用于哪一方面, 研究就向哪一方面深入 研究什么的都有

(智能计算也称为计算智能，包括遗传算法、模拟退火算法、禁忌搜索算法、进化算法、启发式算法、蚁群算法、人工鱼群算法，粒子群算法、混合智能算法、免疫算法、人工智能、神经网络、机器学习、生物计算、DNA计算、量子计算、智能计算与优化、模糊逻辑、模式识别、知识发现、数据挖掘等智能计算就是借用自然界生物界规律的启迪根据其原理模仿设计求解问题的算法。)

以上就是关于为什么我们要学思维模型全部的内容，包括:为什么我们要学思维模型、（转）物流优化算法处理流程及算法服务平台建设、中心点的选择对bp神经网络的性能会有什么影响等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！