智能计算复习题1智能计复习题1.doc

PAGE  PAGE 10 《计算智能》复习题 一、填空题 计算智能属于人工智能（Artificial Intelligence， AI）的一个分支，主流学派把人工智能分成：（逻辑主义）、（联结主义）和（行为主义）三大学派。 计算智能算法主要包括：（神经计算）、（进化计算）和模糊模糊计算三个分支，计算智能的主要特征表现在（智能性）、（并行性）和（健壮性）。 神经网络（Neural Network）根据网络学习方法可分为（有监督学习）、（无监督学习）和（再励学习）三种形式。 神经网络中主要使用的激励函数有： 线性函数： 阀值函数： Sigmoid函数: BP网络是目前应用最广泛的 HYPERLINK /view/3406239.htm \t _blank 神经网络模型之一，BP网络模型的拓扑结构包括（输入层）、（隐藏层） 和（输出层）。 BP算法的基本思想是，学习过程由信号的正向传播与误差的反??传播两个过程组成。正向传播时，输入样本从输入层传人，经各隐层逐层处理后，传向输出层。若输出层的实际输出与期望的输出(教师信号)不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传、并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程，是周而复始地进行的。权值不断调整的过程，也就是网络的学习训练过程。此过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止。 人工神经网络的发展历程可归结为（萌芽期）、（ 低潮反思期）、（复兴发展时期和（新的发展时期）四个时期。 神经网络的7个学习规则：Hebb学习规则、Delta学习规则、梯度下降学习规则、Kohonen学习规则、后向传播学习规则、概率式学习规则和竞争式学习规则。 神经网络典型结构：单层感知器网络、前馈型网络、前馈内层互联网络、反馈型网络和全互联网络。 遗传算法借用生物遗传学的观点，是一种全局优化算法，（选择算子）、（ 交叉算子）和（变异算子）被认为是遗传算法的三种基本操作算子。 对遗传算法的改进主要集中在（算子选择）、（参数设置）、（混合遗传算法）和（并行遗传算法）等方向上。 遗传算法的实现主要包括7个方面，染色体编码、群体的初始化、适应值评价、种群选择、交叉、变异和算法流程； 染色体编码常用方法有格雷码、字母编码和多参数交叉编码，常见简单编码有二进制编码和浮点数编码。 遗传算法中的种群选择操作使用轮盘赌选择算法，其基本思想是基于概率的随机选择。 （模拟退火算法）来源于固体退火原理，最早由Kirkpatrick等应用于组合优化领域，它是基于蒙特卡罗迭代求解策略的一种随机寻优算法。 粒子群优化算法（Particle Swarm Optimization，PSO）是进化计算的一个分支，是一种模拟自然界的生物活动的（随机搜索算法）。粒子群优化算法吸收人工生命、鸟群觅食、鱼群学习和群理论的思想，另一方面又具有进化算法的特点，智能搜索和优化的特点。 免疫算法（Immune Algorithm，IA）：是指以在人工免疫系统的理论为基础，实现了类似于生物免疫系统的抗原识别、细胞分化、记忆和自我调节的功能的一类算法。 免疫算法的七个要素:识别抗体，生成初始化的抗体，计算亲和度，记忆细胞分化，抗体促进和抑制，产生新的抗体，结束条件。 禁忌搜索算法（Tabu Search，TS）是 Glover于1986年提出的一种（全局搜索算法），是属于模拟人类智能的一种优化算法，它模仿了人类的记忆功能，在求解问题的过程中，采用了（禁忌技术），对已经搜索过的局部最优解进行标记，并且在迭代中尽量避免重复相同的搜索（但不是完全隔绝），从而获得更广的搜索区间，有利于寻找到全局最优解。 Memetic算法是基于群体的计算智能方法与（局部搜索相结合）的一类算法的总称，从框架上分为动态Memetic算法和静态Memetic算法。 二、判断题 人工神经网络是由人工方式构造的网络，是一个线性动力学系统。（×） 人工神经网络（ANN）的别名包括：人工神经系统（ANS）、神经网络（NN）、自适应系统（Adaptive Systems）、自适应网（Adaptive Networks）、联接模型（Connectionism）和神经计算机（Neurocomputer）。（ √） ANN一般由简单元件分层次组织成大规模的、串行连接构造的网络，意在按照生物神经系统的方式处理真实世界的客观事物。（ × ） 神经网络激活函数中，非线性斜面函数的饱和值，为该神经元的最大输出。（ √ ） 在ANN学习规则中，Hebb规则和△学习规则均为有导师学习规则。（ × ） 在BP神经网