启发式

启发式是一种更容易构造的简单推理方法，以便人们在因时间或信息不足而无法做出理性判断，或不需要系统、理性判断的情况下快速使用它们。

在解决问题时，遇到复杂问题时，一开始采用启发式方法简化任务，然后采用规范性决策规则，而在任务简单的情况下，从开始到最终决策都采用规范性规则试图用它来解决这个问题的假设始于Herbert A.Simon 倡导的“有限理性”，并由Allen Newell 等人共同参与。减少到认知限制内可以处理的程度，并且规范规则仅用于简化任务的执行。

启发式一词源自拉丁语“heuristicus”和希腊语“heuriskein”，意思是“发现”和“发现”。

启发式是一种尝试松散地应用解决或控制人类和机器问题所需的信息的策略。它特别用于获得最佳可能答案或快速接近最佳解决方案的方法。这是一条规则拇指。启发法是解决问题的最常见方法之一。

为了做出决策，必须考虑多种变量，但实际上，由于信息的缺乏和时间的限制，无法做出完美的决策。考虑到信息的有限和时间的限制，需要一个切实可行的解决方案。相反，它是为了找到一个现实上令人满意的解决方案。

因此，当出现问题时，当问题的解决方案尚不可用或实际上不可能时，或当解决问题的信息未完全给出时，或当问题定义不够明确而无法根据已建立的程序，使用发现的方法。可以移动

特别是在启发式中，通过使用经验或直觉，或者通过努力的试错来获得足够有效的解决方案或知识，通过过程开发出越来越令人满意的设计的过程也可以被视为启发式。

Polyya 1945 年出版的《How to Solve Problems》一书（原书名：Howtosolveit）给出了以下常用的启发式示例。

• 如果您无法理解某个问题，请尝试将其画出来。
• 如果找不到解决方案，请假设存在解决方案以及从中可以得出什么结果。
• 如果问题很抽象，请给出具体示例。
• 首先解决一般问题。

参考点和调整启发法是消费者用他们知道的数字设定任意基线，然后根据他们认为合适的方式做出决定的方法。就像一艘停泊在锚地并仅在一定范围内移动的船一样，消费者的推理似乎也围绕设定的基线移动。消费者的选择取决于如何设定任意的决策基线。这种有限信息对决策影响很大的现象，锚定启发式）”（Mussweiler & ；斯特拉克，1999）。

关于Tversky & Kahneman (1974)的参考点和调整启发式，进行了如下实验，首先，两组受试者分别为8×7×6×5×4×3×2×1和1×2 × 3 × 4 × 5 × 6 × 7 × 8 被要求立即回答，结果第一组回答的平均值是 2250，第二组答案的平均值是 512 这表明当只改变提问时数字的顺序，参考点设置不同，响应值的平均值不同。进行了调整，按数字递增顺序相乘的组从1到8都用低标准调整，因为设置了第一个标准低的。

可用性启发式是指根据内存的可用性来估计事件发生概率的方法。

可用性启发法通过以下方式影响人类思维：

存在一种现象，即对容易回忆的物体给予较高的评价，但对反复暴露的物体却有一种熟悉的感觉，这种感觉被误解为该物体本身具有很多优点。一件事件越熟悉、越舒服、越容易，而且越近，就越容易回忆起来，因此就会出现认为该事件极有可能发生的偏见判断(Slovic et al, 1982)。

另一方面，记忆中最强烈、最生动的形象也会造成放大恐惧的效果，由于形象很容易被回忆起来，即使是很少发生的负面事件也会引起恐惧。

Tversky & Kahneman (1973) 进行了以下与可用性启发式相关的实验：向受试者展示一本四页的小说一分钟，并提出以下问题：

• 小说中的 7 个字母单词中，有多少个以 -ing 结尾？
• 小说中有多少个第七个字母的单词的第六个字母是 n？

实验结果显示，受试者对问题 1 平均回答了 13.4 个问题，对问题 2 平均回答了 4.7 个问题。受访者的预测不符合逻辑。以 ing 结尾的单词很容易回忆，第六个是 n。由于单词比较少见，很容易认为前者较多，但七个字母的单词中，以ing结尾的单词的第六个字母一定是n，因此，如果理性判断，问题①的答案是与问题②的答案相同，由于包含在 中，因此问题①的答案必然等于或小于问题②的答案。

代表性启发式是一种通过认为属于一个集合的随机特征代表该集合的特征来判断频率和概率的方法(Wang, Kuang, & Wu, 2009)。人们通过情感或社会固定来判断医生。是一种代表想法即兴判断的倾向。现实中，有很多医生穷、热心、不冷静，这与光环效应有关。基于代表性启发式的决策很可能导致决策或选择存在偏见。

首先，基本率忽略偏差，即消费者在做出结论时考虑所选替代方案在多大程度上代表了群体的特征，而不考虑基本率或先验概率；

其次，样本大小忽略偏差，它依赖小数定律而不是大数定律来假设某个特征代表群体属性；

第三，一种偏见，认为某种模式会表现为对机会的错误信念，

第四，当通过分析当前信息来预测未来时，决策来自于基于过去的现在将延续到未来的信念，而不考虑当前信息的准确性或可靠性。

第五，回归均值，

第六，在由于使用冗余信息而导致预测或判断的准确性降低的情况下，人们对预测结果的信心反而增加，产生偏向于有效性的错觉。

情绪启发式是指在对事件或情况做出判断时，根据经验形成的情绪做出不同的评价。Slovic等人根据Ju et al. Lee (2007)的说法，“关于刺激的情绪会唤起直接的情绪体验，影响真实的或想象的刺激会唤起图像，而图像又附加了情感，因此，人们在做出判断时，可以参考与图像相关的情感。根据立即获得的整体情感进行判断，比直接判断的过程更容易、更高效。 “从记忆中检索相关实例并计算利弊。有一个时间。”

Slovic (Solvic, Monahan, & MacGregor, 2000) 的一项实验很好地证明了情绪启发法。首先，在患者出院的决策情况下，向受试者提供了两份书面意见。出院后有 20% 的机会出现暴力行为第二个意见中描述了“从医院出来”，“出院后 100 名与该患者类似的患者中，有 20 名表现出暴力行为。”这两个调查结果实际上暗示了相同的含义，但在看到第一个意见后，21%的受试者反对患者出院，而在第二意见的情况下，有 41% 的人表示反对。

启发式的研究很难根据每个要解决的问题的特点来发展，因此，需要一种适用于各种问题而很大程度上不受特定问题的信息束缚的高级启发式技术，即元启发式技术。可以使用启发式）。

元启发式技术包括遗传算法、浸泡技术、其他部门搜索等，这些技术各有特点，但概念和理论简单，具有优异的空间探索能力，适用于工程、自然科学以及工商管理等领域的优化共同点就是可以应用于领域或者决策领域，这些技术既可以独立应用于各个领域，也可以综合运用，取长补短。例如，遗传算法可以结合其他部门的空间搜索能力和局部最优解搜索能力来使用。有。

这些解决方案是从各个领域获得解决实际问题的想法的结果，这些问题被解释为组合优化问题。它是基于人类记忆过程的，其他搜索也是如此。

使用启发式判断事物时会出现许多错误，这些错误被称为“认知偏差”。

对比效应，也称“对比效应”，是指在感知一个物体时，通过与它在视觉上和空间上相邻的物体进行比较来判断一个物体，而不是独立地感知一个物体，因此夸大或夸大了要感知的物体的特征。比实际减少的多。这让我思考

2005年，戈登·莫斯科维茨教授发表了一项研究，其中只要求两组参与者中的一组想到希特勒，然后评价他们对一个人的印象。实验的结果是，想到希特勒的那组参与者没有。他们对这个物体的评价比参与者更积极。这是因为他们认为这个物体与希特勒形成鲜明对比。

选择性感知是指不按原样接受和处理外部信息，而是选择性地只接受和处理符合自己价值观或对自己有利的信息，尽量根据其主观价值来选择信息。

选择性迟到的一个例子是，两支球队的拉拉队队员在观看同一场体育赛事时互相指责对方偏心。

与其他认知偏差不同，后见之明偏差是一种不会在认知过程中发生、而是在认知过程之后发生的偏差，也称为“后认知偏差”或“后解释偏差”。发生这种情况是因为您将记忆重建为如果你知道的话。它涉及扭曲事件实际发生的概率以及扭曲你对该事件的判断的记忆的过程。

耦合谬误是指您认为两个事件同时发生的概率较高，而实际上单个事件发生的概率较高。组合错误也称为“连接错误”和“关联错误”。

忽略基准率是指在估计事件发生的概率时，基本上是基于现有信息的统计概率，而不考虑事件的相对频率（即基准率）以及与判断或决策所必需的事件的优先关系出现这种现象的原因是人们忽略了基准率，高估了特定事件发生的可能性，在计算考虑基准率的事件概率时，使用了贝叶斯定理。

关于忽略基本费率，Kahneman和Tversky在1983年做了一个实验，有两家出租车公司，根据车的颜色分别称为蓝色和绿色。一辆出租车在半夜发生了事故，目击者称出租车是绿色出租车。当目击者的颜色辨别准确度为80%时，这是一个实验，询问造成事故的出租车是绿色公司出租车的可能性有多大。人们说80%。我回答，但实际可能性约为41%，人们在判断可能性时，忽略了蓝色85%、绿色15%的基准率。

忽略均值回归是指在得到好的结果后，期望相同的结果会相同的现象，如果结果与预期不同，人们试图用人为的理由来解释结果，它忽略了一个事实：不会持续并返回到平均值。

如果一名棒球运动员在出道的第一年表现很好，但在第二年表现不佳，就会试图用其他人为变量来解释，例如棒球运动员有精神问题或紧张感下降。 ，这是第一年。第二年表现太好了，回到平均水平似乎是一种回归。

方面排除是指当任务复杂时，只考虑对自己重要的几个属性而不是查看对象的所有属性来做出决定，这经常被遗忘，在执行任务时，没有绝对的属性选择最佳替代方案，因此选择的结果可能会因个人或情况而异。

人们在购买某样东西时，虽然需要综合考虑多种因素再进行购买，但只评估了自身情况下需要考虑的属性后才做出决定，这就是一个侧面排除法的例子。

概率忽略是指在不确定的情况下做出决策时完全忽视概率或违反与预期概率相关的处理规则的现象，人们的认知在出现积极结果时很容易忽视概率。

概率忽略的一个例子是美国宾夕法尼亚大学乔纳森·巴伦教授于1993年进行的一项实验。当研究人员告诉孩子们“苏珊必须系安全带，詹妮弗不能”的场景时，他们并没有系安全带。我说我必须系安全带，但后来詹妮弗说：“我记得听到消息说我出了事故，车进水或着火了，我因为安全带而无法出去” 詹妮弗说。随着故事的讲述，孩子们不断改变他们的观点。这是一个实验，表明孩子们在做出判断时根本没有考虑概率本身。

其他偏见包括确认偏见、自我归因偏见和赌徒谬误。

作为与启发式相关的理论，我们将学习前景理论和元启发式。

前景理论是一种风险情境下的决策理论，心理学家丹尼尔·卡尼曼（Daniel Kahneman）和阿莫斯·特沃斯基（Amos Tversky）批评了预期效用理论所表现出的理论与实际情况的矛盾，并发展了一种新的替代理论——前景理论。他们的论文于1979年发表在《计量经济学》上是前景理论发展的开端，前景理论作为一种批评预期效用理论所解释的选择的合理性和一致性的理论而被社会科学领域广泛接受。

实验参与者被要求在以下问题中选择 A 和 B，然后在以下问题中选择 C ​​和 D 问题 1A：赢得 300 万韩元的概率（100%） B：赢得 400 万韩元的概率0.8 问题 2C：损失 300 万韩元的概率 0.25D：损失 400 万韩元的概率 0.2 实验结果，问题 1 中 80% 的人选择了 A，问题 2 中 65% 的人选择了 D。 ，这是因为他们想避免风险。同样，问题3A：赢得300万韩元的概率0.9B：赢得600万韩元的概率0.45问题4C：失去300万韩元的概率0.002D：失去600万韩元的概率0.001 实验结果 86%的参与者A选择了A，73%的参与者选择了D。这也与预期效用理论不符，但在盈利的情况下，优先选择高概率，在亏损的情况下，优先选择低概率在问题1到问题4的情况下，当正向的情况和反向的情况下，都有相互反射的图像，这就是所谓的“反射效应”。

启发式技术有一些困难，必须使用适合每种要解决的情况的经验或直觉来解决。因此，元启发式是一种高级启发式技术，它与特定问题的信息的联系相对较少，可以元启发法包括遗传算法、模拟退火和禁忌搜索。

遗传算法是一种经典的元启发式算法，是多种理论的基础，例如进化算法，由 Holland 于 1975 年提出。遗传算法使用了进化理论中使用的概念和术语，这些概念和术语是通过模仿进化现象而创建的。遗传算法首先形成可能解的集合（簇），评估该集合上与目标函数相关的适应度，然后根据对象的适应度通过随机自然选择来创建新的集合。集合中的对象在领域之间应用遗传操作（杂交、突变）来创建新物种，然后评估该物种的适应度，然后重复通过自然选择形成新群体的过程。通过这个重复的过程，自然界的进化 正如优秀的物种得以生存一样，遗传算法也有望拥有辉煌的岁月。遗传算法在实际应用时，有很多任务需要明确设定，从而增加了应用的灵活性。部分通过图式理论来解释，然而，GA仍然不完全收敛到最优解，尽管如此，人们感兴趣的原因是进化现象很早就在自然界中成功地进行了。

模拟退火 (SA) 是一种使用 Metropolis 算法应用于优化问题的方法，类似于将固体放入热水中，加热变成液体，然后将热水的温度缓慢降低到目的 假设测量后x的状态，并假设当时的能量为目标函数，如果得到最低能级的确定，则认为目标函数最小化。 ，当获得一个优秀的解，即较小的目标值时，移动该解，当获得较大的目标值时，移动到概率expΔ的过程重复L次（足够多次）以使其达到到稳定状态（内循环）。然后，温度实验将T稍微降低一点，重复相同的过程（外循环），直到达到整体最低点。此时，如果温度降低过度，可能会下降成局部极小点，所以要小心，考虑目标值不变化的情况适当调整。SA的优点是参数简单，理论收敛性已被证明，现象与现象之间的关系优化问题总体上是清晰的，此外，许多提高性能的理论也得到了研究，并且它们的有效性已经在CAD等实际问题中得到了认可。

禁忌搜索可以讲述人工智能研究中而不是自然界中的发展过程，TS可以看作是现有元启发方法的综合组合，TS也像​​遗传算法一样固定了V组可能的解决方案，但是在创建新的解决方案时解决方法是有前提条件的。它的特点是，通过维护称为禁忌搜索的存储装置，创建称为愿望条件的存储装置，而不考虑之前的劣年，从而增加出现优秀年份的可能性。这是可能的

在心理学中，它是通过进化或学习形成的图式，描述人类如何做出决策和解决问题。这些机制在大多数情况下运作良好，但也可能引入感知偏差或系统错误。

虽然 Amost Versky 和 ​​Daniel Kahneman 已经做了很多研究，但它最初是由诺贝尔奖获得者 Herbert Simon 提出的。Gerd Gigerenzer 研究启发式如何在不产生角度偏差的情况下做出更精确的判断。