计算智能补充.pptVIP

共同特点 基于概率计算的随机搜索进化算法，在结构、研究内容、方法以及步骤上有较大的相似性； 存在的问题 （1）数学理论基础相对薄弱； （2）参数设置没有确切的理论依据，对具体问题和应用环境的依赖性大； 6.4 集群智能优化的特点与不足 存在的问题 （3）比较性研究不足，缺乏用于性能评估的标准测试集； （4）不具备绝对的可信性，存在应用风险； 6.4 集群智能优化的特点与不足 进一步的工作 （3）进一步提高收敛速度，从而解决大规模优化问题； （4）进一步研究各种参数设置问题； （5）研究群智能的并行算法； （6）进一步研究各算法的适用范围； （7）研究与其它算法的混合技术。 6.4 集群智能优化的特点与不足 集群智能算法 6.1 蚁群优化算法的应用 6.1.1 典型应用 6.1.2 医学诊断的数据挖掘 6.2 粒子群算法的基本原理 6.2.1 粒子群算法的提出 6.2.2 粒子群算法的原理描述 6.3 基本粒子群优化算法 6.3.1 基本粒子群算法描述 6.3.2 参数分析 6.3.3 与遗传算法的比较 6.4 集群智能优化的特点与不足 集群智能（ Swarm Intelligence, SI ） 人们把群居昆虫的集体行为称作“群智能”（“群体智能”、“群集智能”、“集群智能”等） 特点 个体的行为很简单，但当它们一起协同工作时，却能够突现出非常复杂（智能）的行为特征。 描述 集群智能作为一种新兴的演化计算技术已成为研究焦点，它与人工生命，特别是进化策略以及遗传算法有着极为特殊的关系。 特性 指无智能的主体通过合作表现出智能行为的特性，在没有集中控制且不提供全局模型的前提下，为寻找复杂的分布式问题求解方案提供了基础。 集群智能算法 优点 灵活性：群体可以适应随时变化的环境；稳健性：即使个体失败，整个群体仍能完成任务； 自我组织：活动既不受中央控制，也不受局部监管。 典型算法 蚁群算法（蚂蚁觅食） 粒子群算法（鸟群捕食） 集群智能算法 如何应用 用蚁群算法解决数据分类（数据挖掘任务中的一种）的问题： 预先定义一组类，然后把数据系中的每一个数据根据该数据的属性，归入这些类中的一个。 当数据量很大时，难以人为判别分类。 6.1 蚁群优化算法的应用 6.1.1 医学诊断的数据挖掘 如何应用 分类的规则： IF term1 AND term2 AND … THEN class 每个term是一个三元组（属性、关系符、属性取值） 希望在一个规则中使用最少的判别语句，采用蚁群优化算法达到最优的选择。 6.1 蚁群优化算法的应用 6.1.1 医学诊断的数据挖掘 例：非典型肺炎 考虑如下因素： 6.1 蚁群优化算法的应用 6.1.1 医学诊断的数据挖掘 属性 发热 职业 胸部阴影 流行病学史 值 （0,1,2,3） （0,1,2） （0,1,2） （0,1,2） 说明 0：不考虑该属性 1：37.5℃以下 2：37.5 ℃ ～38.5 ℃ 3：38.5 ℃以上 0：不考虑该属性 1：医务人员 2：其他人员 0：不考虑该属性 1：无 2：有 0：不考虑该属性 1：无 2：有 例：非典型肺炎 结构图： 一个蚂蚁从始点行走至终点，得到一条路径{0, 2, 1, 0}，其对应的规则为 IF （职业＝其他人员）AND（胸部阴影＝无）THEN （非典型肺炎） 对此路径，应给予非常差的评价。 6.1 蚁群优化算法的应用 6.1.1 医学诊断的数据挖掘 蚁群算法的实现 假设a表示属性的总个数，第i个属性的取值域中可取bi个数值。一只蚂蚁的行走k步的路径可以表示为 route[k]=(y1,y2,…,ya) yi=0表示不包含属性i。 6.1 蚁群优化算法的应用 6.1.1 医学诊断的数据挖掘 评价函数 解的评价函数定义为： Q的数值越接近1，说明对该