智能算法课程作业：模拟退火与遗传算法对比及深度学习文本情感分析

本次课程作业包括两部分：模拟退火算法与遗传算法在旅行商问题(TSP)中的应用，以及深度学习在文本情感分类中的实践。 **作业一：模拟退火算法与遗传算法求解TSP问题** 1. **问题背景与方法**： 在TSPLIB提供的多个大于100个城市的TSP问题中，选择一个作为研究对象。任务是利用局部搜索策略，如常见的邻域操作，来解决TSP问题。在此基础上，引入模拟退火算法，这是一种启发式优化技术，通过模拟物理系统冷却过程中的状态变化来寻找全局最优解。模拟退火策略可以增加搜索的随机性和跳出局部最优的能力。 2. **具体要求**： - 解决后的路径长度需控制在最优值的10%以内。 - 要求提供可视化的路径演化和交叉程度，以便于理解和评估算法性能。 - 设计和比较遗传算法，其中需采用创新的交叉操作和局部搜索策略，以替代标准的变异操作，同时与模拟退火算法进行对比。 **作业二：深度学习文本情感分类** 1. **任务概述**： 在Kaggle上的“Sentiment Analysis on Movie Reviews”竞赛中，需要对电影评论进行情感分析，将其分为五个类别：消极、有点消极、中性、有点积极和积极。数据集已预处理，包含英文文本。 2. **实施步骤**： - 需要注册Kaggle账号并使用Python（推荐PyTorch或Keras）进行编程。 - 从预处理的数据中提取特征，如分词、构建词汇表，将文本转换为整数序列（序列化），然后进行向量化处理。 - 应用深度学习模型，如循环神经网络(RNN)或卷积神经网络(CNN)，训练模型进行情感分类。 - 在报告中详细阐述所选模型的架构、训练过程、超参数调整等内容，以及在Kaggle Leaderboard上的得分和排名。 3. **注意事项**： - 作业必须独立完成，严禁抄袭和直接使用他人代码和结果提交。 - 报告应包含算法的理论基础和实验分析，强调自己设计和实现的过程。 通过这两个作业，学生将深入了解模拟退火和遗传算法在优化问题中的应用，以及深度学习在自然语言处理领域的实际操作和性能评估。同时，这也将锻炼他们的编程能力、数据分析技能以及文献理解和批判性思考。