人工智能基础03--搜索技术.ppt

与遗传算法比较 遗传算法是一种具有生成+检测 (generate and test)的迭代过程的搜索算法。从理论上分析，迭代过程中，在保留上一代最佳个体的前提下，遗传算法是全局收敛的。然而，在对算法的实施过程中不难发现两个主要遗传算子都是在一定发生概率的条件下，随机地、没有指导地迭代搜索，因此它们在为群体中的个体提供了进化机会的同时，也无可避免地产生了退化的可能。在某些情况下，这种退化现象还相当明显。另外，每一个待求的实际问题都会有自身一些基本的、显而易见的特征信息或知识。然而遗传算法的交叉和变异算子却相对固定，在求解问题时，可变的灵活程度较小。 3.6 免疫算法 与遗传算法比较 免疫算法将免疫概念及其理论应用于遗传算法，在保留原算法优良特性的前提下，力图有选择、有目的地利用待求问题中的一些特征信息或知识来抑制其优化过程中出现的退化现象。 3.6 免疫算法 搜索问题是一个优化问题。优化就是从各种方案中选取一个最好的。从数学角度看，优化理论就是研究如何在状态空间中寻找到全局最优点。优化算法可分为两类： 局部优化算法（经典优化算法）：如线性规划、整数规划、0–1规划、非线性规划、排队论、决策论。已经得到了人们广泛深入的研究。 全局性优化算法（现代优化算法）主要包括禁忌搜索、模拟退火、遗传算法、神经网络等，是20世纪8