自适应算法和学习算法的区别

自适应算法和学习算法的区别
自适应算法和学习算法有着非常相似的数学表达式，都是通
过优化决策参数去实现目标（如最大化效能，最小化误差），两
类算法都具备对不同环境的适应能力。然而这两类算法却有着本
质的区别，注意是本质的区别。
为了表述清楚自适应和学习算法的区别，可以引用一个简单
的生活例子，煮饭。首先我们先将这个问题表述为一个优化问题。
目标：软硬合适的米饭
环境：煮饭用的锅（锅有砂锅，铁锅，电饭锅，高压锅）
决策：添加多少水（假设每次放的米是一定的）
很明显，对于不同的锅，用水量肯定是不一样的，那么要煮
出软硬合适的米饭，我们可以分别用两种算法来实现。
自适应：不管现在用的是什么锅，我先大致按照估计添加一
定的水量，待饭煮好了以后，尝一下，发现硬了，第二次煮饭多
加些水，反之减少加水，只要每次的调整量足够小，经过多次尝
试，就能使得米饭软硬合适，那么这个就是最佳的用水量。假如
这个时候把锅换掉，最佳的水量肯定也变化了，所以按照上一次
所用锅的最佳水量煮出的饭，不一定软硬合适，不过没有关系，
可以继续调整，如果软了就再少些水，硬了就在多些水，多次调
整以后，就重新得到了最佳用水量。这样加水的决策就对不同的
锅过实现了自适应。
学习：在煮饭前，我需要确定当前给的是什么锅，假如是电
饭锅，然后最初也是按照估计用水量加水，同样可以是硬了多加
些水，软了少加些水，然后不断尝试。如果在调整的过程中换成
高压锅，对于学习者他会非常关注这个环境的变化，此时他会做
两件事情：1）记录下电饭锅加水量的尝试情况（如该记录可以
是：【电饭锅 ；1000mL 水；软硬程度：8 分软】 备以后使用；
2）然后查询自己的资料中是否有针对高压锅煮饭的尝试情况，
如果有那么就在这个资料的基础上继续尝试，没有就估计一个用
水量。随着环境的不断变化（不断的换锅）和不断的尝试，学习
者最终就会掌握各种锅所需的用水量，而使得饭的软硬合适。
相似点：1）两种算法都采用不断尝试用水量的方式实现目
标;2）两种算法对环境都有一定的适应能力，并且在一定条件下
都能够获得各种锅的最佳用水量
区别： 自适应算法虽然考虑了锅可能会发生变化，但是并
不去主动了解当前的到底是用了什么锅，而学习算法则非常关注
当前使用的 是哪一种锅，从而可以建立对应的资料库。
在两种算法都收敛后，对于自适应算法，如果换掉锅，那么
接下来又是一系列调整，直到用水量合适。而对于学习算法，一
查资料库，就能得到最佳的用水量。所以从这一点看，学习算法
才是真正学会了如何去煮饭，而自适应则只会机械的尝试。另外
自适应算法要达到收敛还有一个要求，就是换锅不能太频繁，假
如每次锅都会换掉，那么自适应算法则无法工作，因此对于自适
应算法需要保证一个相对稳定的环境。但是对于学习算法，只要
锅的数量是有限个，且学习者能够充分的做记录，那么锅怎么换
都没问题（包括学习阶段）。