基于范例推理的进化计算.pdfVIP

．}l 第24卷 第 1期 西 南 师 范 大 学 学 报 (自然科学版) 1999年 2,sl Vo1．24 No．1 JournalofSouthwestChinaNormalUniversity (NaturalScience) Feb．1999 基于范例推理的进化计算 2争、 ，—查●。’．————_塑～ ●．—J。—————————一 (西南师范大学计算机科 学系 ，重庆 400715) 弋 }《 摘要 结合进化计算灵活、并行 的特点，将遗传算法引人 CBR的基本框架 中，提 出了基于遗传算 法的范例修正模式 ，讨论 了GA中重要 的编码 、适应值函数问题 ．井通过具体系统的范例推理原 型进行了验证 ． 关键词 逑篡迄 基于范例的推理；堇 熊塞；范例修正 分类号Ttv311 拖理 C耿 舭 艚 基于范例的推理(CI3R)已成功地应用于设计 、规划、诊断、教育和预测等领域，并且对 知识的获取 ，知识的维护，问题求解的有效性 ，求解的质量等方面都能加以改善 1．而且分 布式信息环境的范例推理，将是 CBR研究的新热点、因此，研究和实现 CBR的理论和技术 显得非常重要 ．EBB．按功能划分为 ：范倒检索 、范例复用 、范例修正、范例保留四个环节 ． (1)CBR首先通过例库检索 出一个或 多个相似 的范例 ，可利用 K-NN算 法和归纳决策算 法L ．范倒的检索是 CBR的关键步骤之一 3 ；(2)相似范例的复用 ，涉及到结果的复用 和方法的复用．结果复用涉及解的转换．而方法的复用更关心源范例 中问题 的求解过程； (3)由于 目标范倒与源范例总是存在差异的，除非能完全匹配 ．否则，对源范倒的修正就极 为重要；(4)新问题解决后，可能形成有利于将来相似情形的处理方法，所以，保存新范例 也是必要的．一般而言，范例修正知识常用产生式规则、神经网络表示 、但有的知识本身比 较复杂，比如预报渔场位置 ，涉及到很多因素，什么因素起作用完全随具体情况而定 ，而且 难于用规则来表示 ；神经网络虽然能解决权值的分配 问题 ，但 同时由于隐单元数不定、可能 收敛于局部极小以及其学习算法的局限性，而使神经网络的应用受到限制 [43．因而．本文拟 采用遗传算法 (GA)不受搜索空间限制性假设的约束的特点，以及具有并发性、抗噪声 的优 点，将GA融入 CBR的基本框架中，形成进化 CBR系统．利用遗传算法简单的编码技术和 遗传机制来解决范例修正这一复杂的问题．本系统的 “进化”一词有两含义，其一。利用了 进化计算 中的遗传算法 ；其二，当新范例通过修正而匹配并存入范例库后 ，系统解决问题的 能力也相应提高 ． 本文 1．1节将给出CBR的基本流程 ，1．2节主要讨论遗传算法 中的编码 、遗传算子以及 适应值函数 ，第 2节讨论进化 CBR系统的框架结构，并详细描述 了范例修正问题 ，第 3节 收稿 日期：1998-08-11 李 莉 ，女， 岁，讲师 20 西南师范大学学报 (自然科学版) 第24卷 给出了应用实例 ，最后是验证结果及今后工作的展望 1 CBR和 GA 1．1 CBR基本框架 ．图 1给出CBR的基本框架结构 ．具体过程 ：用户提交查询 ，CBR对范 例库中的范例进行检索，找出相似范例集 ．为了形成 GA的初始种群，我们采用阈值方法 ， 即找出所有与 目标范例的相似度太于阈值的源范例．接着，进行转换操作 ，以便于范例的复 用 ．如果转换成功，即满足 目标范例的要求 ，就将新的范倒人范例库 ，以备将来之用，否 则．找出源范倒与 目标范例的差别，进行范例修正．修正之后 ，需要重新评价，保证不会产 生与 目标范例完全不相容或无关的范例，当没有可能从源范例库 中找到结果时，CBR转 向勰 释过程 ，进行范例的修补，或者干脆放弃范例库，转 向用户输入 ． 图 1 CBR基本框架 Fig．1 Basicframe~arkofCBR