14.遗传算法.ppt

10.5基于遗传算法的分类学习系统 我们研制的遗传分类学习系统GCLS是一种字符串规则（分类器）的学习系统。 它将规则“条件condition”和“结论action”合并成消息个体，也称分类器。 适应值设计成分类器（规则）覆盖消息的个数，覆盖消息个数越多，规则的有效性愈大。 GCLS系统由五个部件组成 ①检测器 ②消息表 ③分类器 ④测试表 ⑤作用器 分类器系统的详细结构框图如下： 检 测 器 消息表 信任分配算法 工作分类器 遗传算法 测试表 作用器 客观环境 增生操作 精炼分类器 系统的工作流程 1. 初始化所有预置参数。 2. 将环境信息放入消息表中。 3. 对初始种群调用信任分配算法，修改其中规 则的适应值。 4. 对种群进行合并操作，合并后的种群设为种 群M。 系统的工作流程 5. 假如种群M已经收敛，则复制该种群的规则到精炼分类器中，而后跳至步骤（8）。 6. 调用遗传算法，生成新一代种群L，将其与种群M合并后送给种群F，从而形成新的初始种群。 7. 返回步骤（3）。 8. 对测试表[T]调用精炼分类器规则，生成结论部分。 9. 将[T]送往作用器，转换成实际的输出值以作用于环境。 应用实例 这是一个学习识别脑出血和脑血栓两种疾病的诊断规则的应用实例。为了作出判断，应当考虑如下几个方面的特征（属性）： 高 血 压： 00 – 无，01 –有 动 脉 硬 化： 00 – 无，01 –有 起 病 方 式： 00 – 慢，01 –快 偏 瘫： 00 – 否，01 –是 瞳孔不等大： 00 – 否，01 –是 两 便 失 禁： 00 – 否，01 –是 呕 吐： 00 – 否，01 –是 语言障碍： 00 – 否，01 –是 意识障碍： 00 – 无，01 –深度，10 – 轻度 膝腱反射： 00 – 无，01 –活跃，10 – 不活跃 病理反射： 00 – 阴性（-），01 –阳性（+） 病情发展： 00 – 慢，01 –快 类 别： 00 – 脑血栓，01 –脑出血 编码原则 获取知识 1、编码方式 ：每个训练例子是由12个特征和1个 类别组成。 动脉硬化 偏瘫 两便失禁 语言障碍 膝腱反射 病情发展 0 1 0 0 0 1 0 1 0 1 0 1 0 1 0 1 0 1 1 0 0 1 0 1 0 1 高血压 起病方式 瞳孔不等大 呕吐 意识障碍 病理反射 类别 将例子编码成二进制字符串：消息就是一个有24位条件，2位结论组成的二元组。 如上面的例子 M=[(010001010101010101100101),(01)] 识别效果 本试验在对30个训练样本进行学习后，得到如图5.4所示9个规则：学习时间Tm=65m，学习终止于第170代。 获取规则如下： 1、高血压=有∧瞳孔不等大=是∧膝腱反射=不活跃 → 脑出血 （11） 2、瞳孔不等大=是∧语言障碍=是 → 脑出血 （12） 3、高血压=有∧起病方式=快∧意识障碍=深度 → 脑出血 （13） 4、起病方式=快∧瞳孔不等大=是 → 脑出血 （4） 5、膝腱反射=不活跃 → 脑出血 （1） 6、高血压=有∧病情发展=快 → 脑出血 （15） 7、高血压=有∧动脉硬化=有∧起病方式=慢 → 脑血栓 （13） 8、动脉硬化=有∧病情发展=慢 → 脑血栓 （15） 9、动脉硬化=有∧意识障碍=无 → 脑血栓 （12） 附：进化神经网络 遗传算法和神经网络是当前常用的两种优化搜索技术，也是当前研究的一个热点。将遗传算法和神经网络结合，可以充分利用两者的优点，使新算法既有神经网络的学习能力和鲁棒性，又有遗传算法的全局随机搜索能力，从而能更好地解决实际问题。 基于遗传算法的神经网络设计 设计思想： 用遗传算法构造人工神经网络时，我们将网络的误差用来构造适应值函数。 一组以编码形式出现的网络结构和相关参数，则可被认为是神经网络学习问题的一个可能解，在遗传算法中则可视为一条染色体。 利用遗传算法在遗传空间进行全局搜索，找出符合实际应用要求的最佳参数组合，完成人工神经网络设计任务。 遗传算法和神经网络的结合示意图 基于遗传算法的神经网络设计 用遗传算法设计神经