第九周是胡小兵老师的课，主题是swarm intelligence。计算机的发展使优化突破了传统的限制，由此出现了各种智能算法。通过蚁群、大雁的行为创造出蚁群算法和pso（粒子群优化算法），这也算是大自然对人类的启发吧。
由于我对这方面较感兴趣，具体阐释放在这篇文章的后面一部分。
王坤老师针对我们的问题进行解答，主要是介绍了信息与计算科学专业的研究方向，对我们想继续深造的有一定的指导意义。不过往哪个方向走还是看自己的兴趣所在，开心地学习是最好的选择。
李声杰老师很强势，主要介绍了向量集值优化与向量变分不等式问题的某些理论及进展。虽然没听懂什么内容，但能听出来***和他的老板陈光亚院士在这方面做出了很大的成果。rockafellar、auslander、mountain pass定理……很多名词我们都没听说过，上这两次课也只是感受一下学术的魅力。
最后三周是曾理老师讲的关于图像处理的内容，重点有三个，分别是ct、三维显示和三维图像处理。第一，ct，即断层成像。（未知）图像经过物理过程转化为信号，信号通过数学变换完成图像重建，这是图像和信号的互相转换过程。
若是射线穿过被探测物体，则信号强度变化，有公式如下：
其中为光穿过介质后的光强，为穿过介质之前的光强，为线性衰减系数，为介质的厚度。fourier变换也在ct中起着重要的作用，时空域通过fourier变换（ft）转换成频域，频域可通过逆fourier变换（ift）转换成时空域。代数重建法就是在反投影过程中将数据平均分配回去，也正是因为“平均”分配，反投影效果不明显，图像可能不清晰。
因此出现了新的图像重建方法fbp—滤波反投影，但是它的要求较高，要求投影数据必须完整。第二，三维显示，也称立体显示。分为两种，分别是面绘制和体绘制。
其中，体绘制又称直接绘制，顾名思义，它是通过计算机采集三维数据集然后对三维数据的每个像素进行绘制。着重讲了光线投射算法。计算机的存储单位是字节，灰度的1像素占1字节，彩图的1像素则至少占3字节，若色深是32位，则说明有8位代表透明度。
在光照模型中有漫反射、完全镜面反射，而一般情况下都是非完全镜面反射。具体过程当时没听太懂，只知道方法中用到的梯度都是通过中心差分来求的。第三，三维图像处理。
它在医学上的应用尤其广泛。如由ct、mr等设备扫描得二维切片数据，然后经过三维图像处理可得到组织或器官的三维形状，其实也就是重建的过程。三维重建相比于体绘制而言，硬件要求低、处理速度快，很适合应用于医学。
图像处理、重建需要计算机的帮助，曾老师介绍了两个算法：marching squares算法和marching cubes算法。其中，前者的主要手段是阈值分割，目的是找出目标，通过灰度直方图和确定阈值得到新的二值图。
marching cubes算法也称等值面提取或移动立方体算法。稍高深的内容没听懂，在此也不展开叙述。老师还总结了图像编程三层次：
（1）ps，三维软件如vgd med；（2）matlab（自带三维显示）（3）c/c++是基础，在此基础上通过运算平台cuda进行体显示，通过open gl进行面显示，通过open cv对图像进行二维处理。
以上是六位老师讲的大体内容，由于我对胡小兵老师的智能算法较感兴趣，因此听课之后看了老师给的一些材料，将内容总结如下。
蚁群算法（aco）是受蚁群集体行为的启发而提出的、基于种群的模拟进化算法，属于随机搜索算法。其中一个重要名词是“信息素”。蚁群在寻找食物或寻找回巢路径的行动中，会在它们经过的地方留下一些“信息素”，这种物质使后到的蚂蚁最大可能地选择具有该物质的路径，而且后到者留下的“信息素”会对原有的“信息素”加强，如此循环下去，经过蚂蚁越多的路径，在后到蚂蚁的选择中被选中的可能性就越大。
该过程进行下去一直到所有蚂蚁都走最短路径为止。蚁群算法的主要优点是采用了正反馈机制。
蚁群算法的应用也很广，主要是很多组合优化问题。它通常被用于解决（1）调度问题，如车间作业调度问题（jsp）、车间组调度问题（gsp）（2）车辆路径问题，如限量车辆路径问题（cvrp）、分批配送车辆路径问题（sdvrp）、装货配送的车辆路径问题（vrppd）等（3）分配问题，如二次分配问题（qap）（4）设置问题，如覆盖设置问题（scp）、多背包问题（mkp）（5）其他如图像处理、系统识别等等。还有一些常用的变异蚁群算法：
（1）精英蚂蚁系统（2）最大最小蚂蚁系统（mmas）（3）蚁群系统（4）基于排序的蚂蚁系统（asrank）（5）连续正交蚁群（coac）。
除了蚁群算法，胡老师还介绍了粒子群优化算法（pso），它是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法，属于群集智能（si）。pso模拟鸟群的捕食行为，具体如下：一群鸟在随机搜索食物，在这个区域里只有一块食物，所有的鸟都不知道食物在**，但是他们知道当前的位置离食物还有多远，那么最优策略又是最简单有效的方法就是搜索目前离食物最近的鸟的周围区域。
在此算法中，适应值（fitnessvalue）很重要。所有粒子都有一个由被优化的函数决定的fitnessvalue，粒子们追随当前的最优粒子在解空间中搜索。pso初始化为一群随机粒子，然后通过迭代找到最优解，在每一次的迭代中，粒子通过跟踪两个极值来更新自己。
第一个就是粒子本身所找到的最优解，称为个体极值pbest，另一个是整个种群目前找到的最优解，是全局极值gbest.也可以不用整个种群而只是用其中一部分最优粒子的邻居极值，它是局部极值。
算法流程如下：
1. 初始化一群微粒，包括随机的位置和速度；
2. 评价每个微粒的fitnessvalue；
3. 对每个微粒，将它的适应值和它经历过的最好位置pbest作比较，如果较好则将其作为当前的最好位置gbest；
4. 对每个微粒，将它的fitnessvalue和全局所经历的最好位置gbest作比较，如果较好则重新设置gbest的索引号；
5. 根据定义的方程变化微粒的速度和位置；
6. 如未达到结束条件（可为足够好的fitnessvalue或达到一个预设的最大代数）回到第2步。
随着pso的不断发展，其应用范围也在不断扩大。如利用pso实现对卫星无线网络路由的自适应调整、解决互联网络服务质量路由问题，除此之外，pso算法还在多峰值函数优化、多目标优化和约束优化等方面取得了很好的效果。
由于知识所限，很多专有名词没有弄懂，知识还需以后深入学习。笔记就整理到这里，还是来说一下我的感想吧。
曾经偶然间在cnki上看到李寒宇老师的一篇文章《爱上这个美丽的错——让我沉迷的信息与计算科学专业》，他抱着大学不学数学的心态阴错阳差地进了这个专业，意想不到的是数学和计算机是个令人着迷的世界，无法自拔。毕达哥拉斯说世界是由数组成的，也许只有像我们这样天天生活在数学世界里的人才能真正体会这句话。与***不同的是，我没有犯这个“错”，我不是阴错阳差，而是我主动报了这个专业，并且填的是第一志愿。
从小我就对数学有一种特殊的感情，数字是可以让我兴奋的事物。现在，我很享受大学生活，重要原因之一就是我在学数学。现在，听了这几位老师的讲座，深刻地体会到范围之广、内容之深，在数学的路上，我们也只算是刚刚过起跑线而已，不断努力、不断成长才能继续向前。
读了本科，再读研，即使再读博士，所懂的也只是数学的冰山一角。数学就像宇宙一样，无人知道尽头在哪，但是总有无数的人去探索，包括你我。
看了电影《美丽心灵》，纳什太天才了，我们普通人肯定达不到那种境界。我们所能做的就是用心、努力。为自己喜欢的东西尽可能地去付出，不管结果怎样都是快乐的。
而且事实证明，如果用心了，结果也往往很好。
这周三晚上shreey gong来学院楼作报告，由于是全英文的而且我对expander graph也不太了解，内容几乎没听懂，但她的一个想法给我印象很深。她说从不感觉数学和计算机是boring的，因为她觉得通过计算机编程去实现自己的目的是一件让人感觉很自由的事情，就好像能control everything。控制一切，有一种放逐心灵、自由追求的快感，然后伴着这种感觉在学术路上愈走愈远，在现在的我看来，快乐的人生也不过如此。
听专家讲座，体验一种学术的氛围，对自己学了两年的专业多一层认识。听不懂内容不重要，重要的是我们能在这个过程中更清晰地了解自己，那便达到了目的，我觉得这也是我听讲座的最大收获所在。
专家讲座心得体会
壮岗中小鲁守凡。正月十一日我们临港开发区迎来了 百名专家进临港 听取了四位专家的报告，我陷入了深深地思考中 四位专家的报告，我们不但收获了思想，开阔了视野而且开启了智慧。百名专家进临港，一定会让临港的教育有一个大的发展，临港的教师一定会有丰硕的收获。在讲座中让我感触最深的是如何爱学生。常把爱孩子，教...
专家讲座心得体会
2017年12月份，作为一名在读博士研究生，我有幸参加了几位光电领域专家的精彩讲座，他们从容不迫的教学风格和随机应变的驾驭课堂的潜质，愉快的课堂气氛，严谨的教学语言，绚丽的教学情景，给我留下了深刻的印象，使我颇受震撼。给我印象最深的是王家骐院士，王家骐院士长期从事大型光学精密仪器设计 空间对地图像信...
专家讲座心得体会
专家讲座心得体会2篇 是一篇好的范文，好的范文应该跟大家分享，希望有用。今天我们学校组织全体教师到xx中学听专家讲座，专家老师讲的内容非常符合我们教师的教学实际，他着重讲了 教师研究什么？其一，教师要研究学生 其二，教师要研究新课标，新教材 其三，教师要研究课堂，其四，面对课程改革我们应该如何做。他...