启发式算法遗传算法属于启发式算法还是智能计算？

Python 有什么启发式算法的包吗

Python 有什么启发式算法的包 Pip 是安装python包的工具，提供了安装包，列出已经安装的包，升级包以及卸载包的功能。

如果你用的是windows系统作为开发环境，使用的是cocos2d-x3.2最新版的，你在一开始安装cocos2d-x的时候，会要求输入 NDK_ROOT ANDROID_SDK_ROOT ANT_ROOT 最新版的cocos2d-x使用了python来进行安装和编译程序的Pip 是对easy_install的取代，提供了和easy_install相同的查找包的功能，因此可以使用easy_install安装的包也同样可以使用pip进行安装。

启发式算法的概括内容

计算机科学的两大基础目标，就是发现可证明其执行效率良好且可得最佳解或次佳解的算法。

而启发式算法则试图一次提供一或全部目标。

例如它常能发现很不错的解，但也没办法证明它不会得到较坏的解；它通常可在合理时间解出答案，但也没办法知道它是否每次都可以这样的速度求解。

有时候人们会发现在某些特殊情况下，启发式算法会得到很坏的答案或效率极差，然而造成那些特殊情况的数据组合，也许永远不会在现实世界出现。

因此现实世界中启发式算法常用来解决问题。

启发式算法处理许多实际问题时通常可以在合理时间内得到不错的答案。

有一类的通用启发式策略称为元启发式算法（metaheuristic），通常使用乱数搜寻技巧。

他们可以应用在非常广泛的问题上，但不能保证效率。

近年来随着智能计算领域的发展，出现了一类被称为超启发式算法（Hyper-Heuristic Algorithm）的新算法类型。

最近几年，智能计算领域的著名国际会议（GECCO 2009, CEC 2010，PPSN 2010）[1]分别举办了专门针对超启发式算法的workshop或session。

从GECCO 2011开始，超启发式算法的相关研究正式成为该会议的一个领域（self* search-new frontier track）。

国际智能计算领域的两大著名期刊Journal of Heuristics和Evolutionary Computation也在2010年和2012年分别安排了专刊，着重介绍与超启发式算法有关的研究进展。

启发式的什么是启发式

Heuristic(启发式技术=启发式扫描+启发式监控) 重点在于特征值识别技术上的更新、解决单一特征码比对的缺陷。

目的不在于检测所有的未知病毒，只是对特征值扫描技术的补充。

启发式技术是基于特征值扫描技术上的升级，与传统反病毒特征值扫描技术相比，优点在于对未知病毒的防御。

是特征值识别技术质的飞跃。

　启发式查毒技术属于主动防御的一种，是当前对付未知病毒的主要手段，从工作原理上可分为静态启发和动态启发两种。

启发式指 “自我发现的能力”或“运用某种方式或方法去判定事物的知识和技能”， 是杀毒软件能够分析文件代码的逻辑结构是否含有恶意程序特征，或者通过在一个虚拟的安全环境中前摄性的执行代码来判断其是否有恶意行为。

在业界前者被称为静态代码分析，后者被成为动态虚拟机。

　静态启发技术指的是在静止状态下通过病毒的典型指令特征识别病毒的方法，是对传统特征码扫描的一种补充。

由于病毒程序与正常的应用程序在启动时有很多区别。

　通常一个应用程序在最初的指令，是检查命令行输入有无参数项、清屏和保存原来屏幕显示等，而病毒程序则通常是最初的指令是直接写盘操作、解码指令，或搜索某路径下的可执行程序等相关操作指令序列。

静态启发式就是通过简单的反编译，在不运行病毒程序的情况下，核对病毒头静态指令从而确定病毒的一种技术。

　而相比静态启发技术，动态启发技术要复杂和先进很多。

动态启发式通过杀软内置的虚拟机技术，给病毒构建一个仿真的运行环境，诱使病毒在杀软的模拟缓冲区中运行，如运行过程中检测到可疑的动作，则判定为危险程序并进行拦截。

这种方法更有助于识别未知病毒，对加壳病毒依然有效，但如果控制得不好，会出现较多误报的情况。

　动态启发因为考虑资源占用的问题，因此只能使用比较保守的虚拟机。

管如此，由于动态启发式判断技术具有许多不可替代的优势，因此仍然是目前检测未知病毒最有效、最可靠的方法之一，并在各大杀软产品中得到了广泛的应用。

　由于诸多传统技术无法企及的强大优势，必将得到普遍的应用和迅速的发展。

纯粹的启发式代码分析技术的应用(不借助任何事先的对于被测目标病毒样本的研究和了解)，已能达到80%以上的病毒检出率，而其误报率极易控制在0.1%之下，这对于仅仅使用传统的基于对已知病毒的研究而抽取“特征字串”的特征扫描技术的查毒软件来说，是不可想象的.　启发式杀毒技术代表着未来反病毒技术发展的必然趋势，具备某种人工智能特点的反病毒技术，向我们展示了一种通用的、不依赖于升级的病毒检测技术和产品的可能性。

遗传算法属于启发式算法还是智能计算？

遗传算法，退火算法 ，神经网络算法,贪心算法，都属于数学计算方法范畴。

到底它们属于启发式算法还是智能计算，尚无标准的统一的定义。

神经网络的研究有许多地方涉及到全局最优化计算问题。

但是在寻优过程中往往导致局部极限或收敛速度慢。

为此采用退火算法（确切是模拟退火算法）或遗传算法加以改进。

因为这些算法建立的仿真模型可应用于模式识别、图象处理、控制、优化、预测等等，能够模仿人脑结构以及对信息的记忆和处理功能，具有一定的人类智能，所以有的书上认为这些算法是智能计算。

不过，人工神经网络只是对大脑的粗略而简单的模仿，与人的智能差得很远，而且神经网络算法实质是解决一种非线性问题算法，因而在实际研究中不把神经网络算法看作智能计算，而认为只是启发式的一种算法。

至于贪心算法是梯度下降优化的一种算法，遗传算法是模仿生物进化过程的一种寻优算法。