自适应算法

自适应算法是一种在运行时根据可用信息和先验定义的奖励机制（或标准）来改变其行为的算法。这种信息可以是最近收到的数据的故事，可用计算资源的信息，或其他运行时获得的（或先验已知的）与它所处环境有关的信息。最常用的自适应算法是Widrow-Hoff的最小平均数（LMS），它代表了一类用于自适应过滤和机器学习的随机梯度修正算法。在自适应滤波中，LMS是通过寻找与产生误差信号（所需信号和实际信号之间的差异）的最小均方有关的滤波器系数来模仿所需的滤波器。

正如C++标准库所实现的那样，stable_partition是自适应的，因此它获取尽可能多的内存（最多需要多少），并使用这些可用的内存应用算法。另一个例子是自适应排序，它的行为在其输入的预排序时发生变化。雷达系统中自适应算法的一个例子是恒定误报率（CFAR）检测器。在机器学习和优化中，许多算法是自适应的或有自适应的变体，这通常意味着算法的参数，如学习率，会根据迄今为止的优化的统计数据（如收敛率）自动调整。

在数据压缩中，自适应编码算法，如自适应哈夫曼编码或部分匹配的预测，可以把数据流作为输入，并根据已经遇到的符号来调整其压缩技术。在信号处理中，MiniDisc录音机中使用的自适应变换声学编码（ATRAC）编解码器被称为自适应，因为窗口长度（一个音频块的大小）可以根据被压缩的声音的性质而改变，以尝试实现最佳听觉的压缩策略。