人工智能评价函数，人工智能适应度函数

1，人工智能适应度函数

具体问题具体分析，通俗化说就是一般适应度函数就是指这个个体的成绩、得分、能力、效率

虽然我很聪明，但这么说真的难到我了

人工智能适应度函数

2，ZEMAX的评价函数

建议去：http://www.opticsky.cn/thread-htm-fid-7.html，zemax专业技术论坛交流。

好久没用这个软件了，好想是设置一个常数，建议你在zemax手册上看看

ZEMAX的评价函数

3，电子表格里的评价函数是什么

　在搜索过程中，关键的一步是如何确定要扩展的节点，不同的确定方法就形成不同的搜索策略。如果在确定节点时能充分利用与问题求解有关的特性信息，估计出节点的重要性，就能够在搜索时选择重要性较高的节点进行扩展，从而求得最优解。而启发式搜索正是这种利用问题自身的某些特性信息，指导搜索朝着最有希望有方向前进的一种方法。　　在启发式搜索中，用于评价节点重要性的函数叫做评价函数。评价函数的主要任务就是估计等搜索结点的重要程度，以确定结点的优先级程度。评价函数的一般形式为　　f(x)=g(x) h(x) 　　其中g(x)为初始节点S0到节点x已经实际付出的代价。当希望有较高的搜索效率，且只关心到达目标节点的路径时，g(x)可以忽略，但此时会影响到搜索的完备性。h(x)为节点x到目标节点Sg的最优路径的估计代价，它体现了总是的启发性信息，又称为启发函数，其形式要根据总是的特性而定。启发函数h(x)所携带的启发性的信息越多，搜索时扩展的节点数就越少，搜索的效率就越高。因此在确定f(x)时，要使得g(x)与h(x)各占适当的比率。　　在实际问题求解时，g(x)可以根据已经搜索的节点信息计算出来，而启发函数h(x)依赖于人们的经验。它来源于我们对问题的某些特性的认识。　　构造和选择合适的启发函数h(x)是启发式搜索的关键。在构造h(x) 时，应满足两个方面的要求：首先，启发函数要简单易算；其次，函数要有较高的精确度，能够反应问题的实际情况。而在实际问题中，这两个方面的要求是相互制约的，很难同时得到满足。若将启发函数设计得简单易算，那么此函数的精度往往不会很高，产生的误差也大；若将启发函数设计得有较高的精确度，那么函数会很复杂，计算也需较长时间。所以构造一个好的启发函数，要综合考虑这两个方面的因素。

电子表格里的评价函数是什么