人工智能AI-113.pptVIP

Agenda 神经网络概述 感知机 前馈神经网络 Hopfield网络 随机神经网络 遗传算法 人工生命 遗传算法(1) 遗传算法是在生物进化的启示下得到的一种搜索和自适应算法(以字符串表示状态空间)。 遗传算法模拟了生物的繁殖、交配和变异现象，从任意一初始种群出发，产生一群新的更适应环境的后代。这样一代一代不断繁殖、进化，最后收敛到一个最适应环境的个体上。 遗传算法对于复杂的优化问题无需建模和进行复杂运算，只需要利用遗传算法的算子就能寻找到问题的最优解或满意解。 遗传算法(2) 需要说明的是，虽然遗传算法的早期研究从生物进化理论中得到了不少启示，并且生物学家和遗传学家发现会继续在某种程度上影响这一领域，但是这种影响多半是单向的。 至今遗传算法没有应用在遗传领域中，并且遗传算法似乎类似于神经网络和模拟退火算法。因为两种算法也是基于对自然界的有效类比，这些算法从自然现象中抽象出来，但研究这些自然现象的科学家们到目前为止还没有受到算法抽象概念的很大影响，经过类比启示的开始阶段后，遗传算法、神经网络以及模拟退火算法已成为沿自身道路发展下去的学科，它们距给它们以启示的学科越来越远。 遗传算法(3) 遗传算法(4) 遗传算法的研究内容 性能分析。遗传算法的性能分析一直都是遗传算法研究领域中最重要的主题之一。在遗传算法中，群体规模、杂交和变异算子的概率等控制参数的选取是非常困难的，同时它们又是必不可少的实验参数。遗传算法还存在一个过早收敛问题，也就是说遗传算法的最后结果并不总是达到最优解，怎样阻止过早收敛问题是人们感兴趣的问题之一。另外，为了拓广遗传算法的应用范围，人们在不断研究新的遗传染色体表示法和新的遗传算子。 并行遗传算法。遗抟算法在操作上具有高度的并行性，只要通过保持多个群体和恰当地控制群体间的相互作用来模拟并行执行过程，即使不使用并行计算机，我们也能提高算法的执行效率。 分类系统。分类系统属于基于遗传算法的机器学习中的一类型，它包括一个简单的基于串规则的并行生成子系统、规则评价子系统和遗传算法子系统。目前，分类系统是遗传算法研究中的一个非常活跃的领域 遗传算法(5) 遗传算法先将搜索结构编码为字符串形式, 每个字符串结构被称为个体。 然后对一组字符串结构(被称为一个群体)进行循环操作。每次循环被称作一代,包括一个保存字符串中较优结构的过程和一个有结构的、随机的字符串间的信息交换过程。 与自然界相似，遗传算法对求解问题的本身一无所知，它所需要的仅是对算法所产生的每个染色体进行评价，并基于适应值来选择染色体，使适应性好的染色体有更多的繁殖机会。 在遗传算法中，位字符串扮演染色体的作用，单个位扮演了基因的作用，随机产生一个体字符串的初始群体，每个个体给予一个数值评价，称为适应度，取消低适应度的个体，选择高适应度的个体参加操作。 常用的遗传算子有复制、杂交、变异和反转。 遗传算法(6) 遗传算法的准备工作： 确定表示方案; 确定适应值的度量; 确定控制该算法的参数和变量; 确定怎样指定结果及程序运行结束的标准。 遗传算法(7) 遗传算法(8) 简单遗传算法的描述： 随机产生一个由固定长度字符串组成的初始群体; 对于字符串群体，迭代地执行下述步骤，直到选种标准被满足为止： 计算群体中的每个个体字符串的适应值; 应用下述三种操作(至少前两种)来产生新的群体: 复制: 把现有的个体字符串复制到新的群体中。 杂交: 通过遗传重组随机选择两个现有的子字符串, 产生新的字符串。 变异: 将现有字符串中某一位的字符随机变异。 把在后代中出现的最高适应值的个体字符串指定为遗传算法运行的结果。这一结果可以是问题的解(或近似解)。 遗传算法(9) 对简单遗传算法来说，主要涉及的内容有： 编码和初始群体生成 群体的评价 个体选择 交换和变异 遗传算法(10) 编码和初始群体生成 初始群体中个体的选择具有随机性 编码一般采用固定长度字符串表示 个体选择 选择操作是对“适者生存”的模拟 一种方法是按比例选择： 即若个体i 的适应值为fi，则个体i在下一代群体中 复制（再生）的子代个数在群体中的比例为： fi/ ?fi ?fi： 所有个体适应值之和 遗传算法(11) 简单遗传算法一般采用的是旋转盘方法来产生个体的再生数： 每一个个体对应于旋转盘中的一个以圆心为中心的扇形区域，区域角度为：2?fi/ ?fi 然后随机产生一个0到2?的值，根据该值所对应的区域，再生一个个体，知道产生的个体数目到达所需要的数目，从而生成下一代的群体。 遗传算法(12) 变换： 是GA中最主要的遗传操作，工作于选择过程结束后的下一代群体 变异： 它一般在交换