第4章 系统辨识的人工智能方法.pptVIP

第4章 系统辨识的人工智能方法 4.2 遗传算法(进化计算) ⒈遗传算法的基本概念 ⒉编码方案 ⒊适应度计算 ⒋随机选择(复制) ⒌交换操作 ⒍变异操作 遗传算法的优越性 4.6 神经网络辨识 基于神经网络的系统辨识原理 系统模型及逆模型的辨识⑴ 系统模型及逆模型的辨识⑵ 系统模型及逆模型的辨识⑶ 神经网络辨识的特点 * * 传统辨识方法 给定模型的参数估计 系统辨识问题实际上是一个优化问题 通过观测输入、输出数据对，确定系统的数学模型。 估计是针对函数的，系统的输入输出是函数关系。 估计准则最后体现为目标函数的形式。 因为系统辨识技术涉及最优估计和优化计算， 所以了解和掌握其基本内容和最新发展是重要的。 系统辨识与优化问题 4.1 模拟退火算法 4.2 遗传算法 4.3 蚁群算法 4.4 粒子群优化算法 4.5 模糊逻辑 4.6 神经网络 4.1 模拟退火算法SAA 模拟退火算法(Simulated Annealing Algorithms) 基于热处理中固体物质退火时由高能态向低能态转变的过程与组合优化问题中寻找目标函数最优值过程的相似性而提出的模拟退火算法，是一种通用的 Monte Carlo随机搜索算法，已用于求解制造领域中的组合优化问题。 典型的组合优化问题有旅行商问题（Traveling Salesman Problem－TSP）、加工调度问题（Scheduling Problem，如Flow-Shop，Job-Shop）、0-1背包问题（Knapsack Problem）、装箱问题（Bin Packing Problem）、图着色问题（Graph Coloring Problem）、聚类问题（Clustering Problem）等。 组合优化问题 固体物质的退火过程 模拟退火来源于拉丝玻璃的物理特性。模拟退火的原理类似于以一定的受控率冷却金属时所发生的现象。固体物质的退火过程时，通常先将它加热熔化，使其中粒子可以自由运动。然后逐渐降低温度，粒子的自由运动也逐渐减弱，缓慢下降的温度使融化金属中的原子排成行，并逐渐形成具有高密度低能量的有规则晶体结构。若在凝结点附近温度下降的速度足够慢，则固体物质一定会形成最低能量的基态，即最稳定的结构状态。但是如果温度下降太快，原子没有足够的时间去排成有规则结构，结果就产生了具有较高能量的非晶体材料。实际上，在整个降温过程中，各个粒子都可能经历了由高能态向低能态，有时又暂时由低能态向高能态最终趋向于低能态的变化过程。 退火过程算法步骤 遗传算法(GA)是模拟自然进化的一类随机搜索技术，它模拟由个体组成的群体的集体学习过程。其中每个个体表示给定问题搜索空间中的一点。遗传算法从初始的群体出发，通过随机选择、变异和重组过程，使群体进化到搜索空间中越来越好的区域。选择过程使群体中适应性好的个体比适应性差的个体有更多的复制机会，重组操作将父辈信息结合在一起并将他们传到子代个体，变异在群体中引人新的个体。如果视种群为超空间的一组点，选择、杂交和变异的过程即是在超空间中进行点集之间的某种变换，通过信息交换使种群不断进化。 群体搜索策略和群体中个体之间的信息交换是进化算法的两大特点。 G A 的主要组成部分包括编码方案、适应度计算、父代选择、交换算子和变异算子。 可以选择这样的策略，在每一次生成新种群时，始终保留一定数量的最优个体，这一原理通常称作为精英原则。 使用二进制编码把参数空间的点转换成位串来表示。将每个坐标值编码为一个由二进制位组成的基因。也可以使用其它编码方法。可对负数、浮点数和离散值进行编码，编码方案提供了将问题领域知识直接转化为GA框架的一种方式。因此，对GA的性能起到决定性的作用。此外，诸如交换和变异等遗传算子可以也应该与特定应用领域的编码一起设计。 例如，三维参数空间中的一点(11,6,9)可表示为一个级联的二进制串: 1011 0110 1001 11 6 9 建立一代之后的第一步就是计算种群中每个个体的适应度值。对于最大化的问题，第i个个体的适应度值fi通常就是在此个体（或点）处求得的目标函数值。我们往往需要适应度值是正的。因此，如果目标函数不严格为正，就有必要使用某种单调的尺度和/或变换。另一种方法是采用种群中个体的序别作为它们的适应度值。这样做的好处是不需精确计算目标函数，只要能提供正确的序别信息即可。 求值之后，我们要从当前一代生成一组新的种群。选择操作决定哪些个体参与生成下一代的个体。这类似于自然选择中的适者生存。通常使用与个体适应度值成正比的选择概率来选择参与交换的