人工智能及其应用第4章计算机智能.pptVIP

x0到h0、h1和h2的权值分别为0.6、0.4和0.8； x1到h0、h1和h2的权值分别为0.1、0.3和0.5。 h0到y0和y1的权值分别为0.22和0.66； h1到y0和y1的权值分别为0.11和0.33； h2到y0和y1的权值分别为0.44和0.55。 X0 X1 y0 h0 h2 h1 y1 设有如下图所示的BP神经网络，隐层和输出层各节点的激励函数采用sigmoid函数，学习速率为1。且已知： 作业 试完成以下工作： （1）若某样本输入(x0,x1)=(1,2)，求隐层节点h0的激励函数输入值和节点h0的输出值（对输出值可以仅给出表达式）。 （2）在完成第一次正向传播后，若节点h0、h1和h2的输出值分别为0.69、0.73和 0.86，y0和y1的误差项分别为0.2和0.3，求经过第一次反向传播后h0的误差项，以及x0和x1到隐层节点h0的新权值。 * 这一方法下的合成结果B也是模糊关系，表示评判对象对于等级集V中各等级的隶属度。也即：该教师教学情况对于“很好”“较好”“中等”和“较差”这4个等级的隶属程度分别为0.30,0.30,0.17和0.17。采用最大隶属度法，该教师教学等级确定为等级“很好”或“较好” 。 4.2 模糊计算 4.2.4 基于模糊关系合成的模糊计算 4.3 遗传算法 遗传算法是仿真生物遗传学和自然选择机理，通过人工方式所构造的一类搜索算法。 从某种程度上说遗传算法是对生物进化过程进行的数学方式仿真。 4.3 遗传算法 例：旅行商问题(TSP)：设有n个城市，城市i和城市j之间的距离为d(i，j)（ i, j=1,...,n．）该问题是要找遍访每个域市恰好一次的一条回路，且其路径总长度为最短。 4.3.1 遗传算法的几个概念 1）编码与译码 编码——将问题结构变换为位串形式。 译码——将位串形式变换为原问题结构。 把位串形式编码表示叫染色体，有时也叫个体。 4.3.1 遗传算法的几个概念 1）编码与译码 对TSP，有如下编码表示： c0 ,c1, …… ,cn-1 其中ci表示第i个城市，ci+1=ci+1 由于是回路，记cn-1+1= c0。它其实是0，……，n-1的一个循环排列。 4.3.1 遗传算法的几个概念 2）适应度函数 适应度函数——为了体现染色体的适应能力，所引入的对问题中每一个染色体都能进行度量的函数。 例如，TSP的目标是路径总长度为最短，路径总长度就可以作为TSP的适应度函数： 4.3.1 遗传算法的几个概念 3）遗传操作 简单遗传算法的遗传操作主要有三种: （1）选择(selection） （2）交叉(crossover) （3）变异(mutation) 4.3.1 遗传算法的几个概念 3）遗传操作 （1）选择操作（复制操作）——根据个体的适应度函数值所度量的优劣程度决定它在下一代是被淘汰还是被遗传。 一般使适应度较大(优良)个体有较大的存在机会，而适应度较小（低劣）的个体继续存在的机会也较小。 4.3.1 遗传算法的几个概念 3）遗传操作 （2）交叉操作——一种简单方式是将被选择出的两个个体P1和P2作为父母个体，将两者的部分码值进行交换。 4.3.1 遗传算法的几个概念 3）遗传操作 （3）变异操作——一种简单方式是改变数码串的某个位置上的数码。 4.3.1 遗传算法的几个概念 4）控制参数 （1）实施交叉、变异操作的概率 并非所有被选择了的染色体都要进行交叉操作和变异操作，而是按一定的概率进行。一般在程序设计中选择： 交叉操作概率变异操作概率 （2）种群规模 4.3.2 遗传算法的基本原理 初始化种群 变异操作 计算适应度值 选择操作 交叉操作 适应度最优个体 终止条件 开始 产生初始群体 是否满足停止准则 计算每个个体的适应值 i=M? GEN:=GEN+1 依概率选择遗传操作 执行复制 选择一个个体 i:=i+1 选择两个个体 选择一个个体 执行变异 i:=0 GEN:=0 复制到新群体 i:=i+1 将两个后代插入新群体 插入到新群体 执行杂交 指定结果 结束 是 否 是 否 变异 复制 交叉 4.3.3 遗传算法的收敛性 一般的遗传算法不一定收敛。 促使遗传算法收敛的措施之一——优秀个体保护法： 将每代中的最优个体，直接进入子代，相应淘汰其子代中适应度最差的个体，使种群规模不变。 4.3.3 遗传算法的收敛性 当遗传算法收敛时，求到的解通常只是所要解决问题的最优解的一个近似解，或者叫满意解。 近似解与问题真正