《智能算法及应用》课程作业
作业一:模拟退火和遗传算法
在 TSPLIB(http://comopt.ifi.uni-heidelberg.de/software/TSPLIB95/,多个地址有
备份;其他网站还可以找到有趣的 art TSP 和 national TSP)中选一个大于 100 个城
市数的 TSP 问题,
1. 采用多种邻域操作的局部搜索 local search 策略求解;
2. 在局部搜索策略的基础上,加入模拟退火 simulated annealing 策略,并比较两者的效果;
3. 要求求得的解不要超过最优值的 10%,并能够提供可视化图形界面,观察路径的
变化和交叉程度。
用遗传算法求解 TSP 问题(问题规模等和模拟退火求解 TSP 实验同),要求:
1.设计较好的交叉操作,并且引入多种局部搜索操作(可替换通常遗传算法的变异
操作)
2.和之前的模拟退火算法(采用相同的局部搜索操作)进行比较
3.得出设计高效遗传算法的一些经验,并比较单点搜索和多点搜索的优缺点。
作业二:用深度学习做文本情感分类
本次作业是 Kaggle 上的一个影评文本情感分析的赛题,属于 5 分类的文本分类任务。文本
情感分析是指对文本所表达的情感作情感极性的分类,本题将文本分类为消极、有点消极、中
性、有点积极、积极 5 个类别。
请大家按要求注册账号,运用所学知识独立完成。 交作业的时候需要交一份报告(PDF 格
式)、代码和最终版本的结果文件。
注意:我们鼓励互相讨论,但是作业必须独立完成,不允许抄袭,更不允许直接使用他人的
运行结果交到 Kaggle 上。
题目:Sentiment Analysis on Movie Reviews
网址:https://www.kaggle.com/c/sentiment-analysis-on-movie-reviews
作业要求 :
使用深度学习方法,编程语言不限,工具平台不限。推荐使用 PyTorch 或者 Keras 来实
现。
禁止直接抄袭网上代码,禁止直接使用他人的结果文件交到 Kaggle 上。
作业包含一份报告(PDF 格式)、代码和最终版本的结果文件。
报告里面必须包含算法详细说明、Leaderboard 的分数以及排名。
参考实现方案主要流程:
1) 分词(本赛题的英文数据集已经作好了分词,跳过)