智能计算1.pptVIP

* 遗传算法尤其适用于处理传统搜索方法难于解决的复杂的非线性问题，可广泛用于组合优化、机器学习、自适应控制、规划设计和人工生命等领域,是21世纪有关智能计算中的关键技术之一。 进化计算 * 2、进化策略 1964年，由德国柏林工业大学的I. Rechenberg等人提出。 在求解流体动力学柔性弯曲管的形状优化问题时，用传统的方法很难优化设计中描述物体形状的参数，从而利用生物变异的思想来随机地改变参数值并获得了较好的结果。 随后，他们便对这种方法进行了深入的研究和发展，形成了进化计算的另一个分支――进化策略。 进化计算 * 进化策略与遗传算法的不同之处在于： 进化策略直接在解空间上进行操作，强调进化过程中从父体到后代行为的自适应性和多样性，强调进化过程中搜索步长的自适应性调节； 而遗传算法是将原问题的解空间映射到位串空间之中，然后再施行遗传操作，它强调个体基因结构的变化对其适应度的影响。 进化策略主要用于求解数值优化问题。 进化计算 * 3、进化规划 进化规划的方法最初是由美国人L.J.Fogel等人在20世纪60年代提出的。 他们在人工智能的研究中发现，智能行为要具有能预测其所处环境的状态，并按照给定的目标作出适当的响应的能力。 在研究中，他们将模拟环境描述成是由有限字符集中符号组成的序列。 进化计算 * 4、进化算法的特点： 智能性 进化计算的智能性包括自组织、自适应和自学习性等。应用进化计算求解问题时，在确定了编码方案、适应值函数及遗传算子以后，算法将根据“适者生存、不适应者淘汰”的策略，利用进化过程中获得的信息自行组织搜索，从而不断地向最佳解方向逼近。 自然选择消除了传统算法设计过程中的一个最大障碍：即需要事先描述问题的全部特点，并说明针对问题的不同特点算法应采取的措施。于是，利用进化计算的方法可以解决那些结构尚无人能理解的复杂问题。 进化计算 * 本质并行性。进化计算的本质并行性表现在两个方面： 一是进化计算是内在并行的，即进化计算本身非常适合大规模并行。 二是进化计算的内含并行性，由于进化计算采用种群的方式组织搜索，从而它可以同时搜索解空间内的多个区域，并相互交流信息，这种搜索方式使得进化计算能以较少的计算获得较大的收益。 进化计算 * 进化计算与传统搜索算法相比较的不同点： 进化算法不是直接作用在解空间上，而是利用解的某种编码表示。 进化算法从一个群体即多个点开始搜索，这是它能以较大的概率找到整体最优解的主要原因之一。 进化算法只使用解的适应性信息（即目标函数），并在增加收益和减小开销之间进行权衡，而传统的搜索算法一般要使用导数等其它辅助信息。 进化算法使用随机转移规则而不是确定性的转移规则。 * 模拟退火算法（SA） 模拟退火算法(Simulated Annealing,简称SA)的思想最早是由Metropolis等(1953)提出的，1983年Kirkpatrick等将其用于组合优化，引起重视。 SA算法是基于Monte Carlo迭代求解策略的一种随机寻优算法，其出发点是基于物理中固体物质的退火过程与一般组合优化问题之间的相似性。 模拟退火算法在某一初温下，伴随温度参数的不断下降，结合概率突跳特性在解空间中随机寻找目标函数的全局最优解，即在局部优解能概率性地跳出并最终趋于全局最优解。模拟退火算法是一种通用的优化算法，目前已在工程中得到了广泛应用。 模拟退火算法 * 1983年Kirkpatrick等意识到组合优化与物理退火的相似性，并受到Metropolis准则的启迪，提出了模拟退火算法。 模拟退火算法是基于Monte Carlo 迭代求解策略的一种随机寻优算法，其出发点是基于物理退火过程与组合优化之间的相似性，SA由某一较高初温开始，利用具有概率突跳特性的Metropolis抽样策略在解空间中进行随机搜索，伴随温度的不断下降重复抽样过程，最终得到问题的全局最优解。 模拟退火算法 * 人工神经网络能够通过学习和训练获得用数据表达的知识，除了可以记忆已知的信息之外，神经网络还具有较强的概括能力和联想记忆能力。但神经网络的推理知识表示体现在网络连接权值上，表达比较难以理解，这是它的一个缺点。 进化计算模拟生物进化的过程，依据适者生存、优胜劣汰的进化规则，对包含可能解的种群反复进行基于遗传的操作，不断生成新的种群并使种群不断进化，同时以全局并行搜索方式来搜索优化种群中的最优个体，以求得满足要求的最优解。其主要优点是简单、鲁棒性强、搜索空间大。 智能算法融合 * 神经网络的网络结构的设计和权值的训练是一个十分重要而困难的问题，传统的方法多是凭经验或启发知识来设计网络，用梯度法来确定其中的权值，常常需要进行反复试验而且还很难找到最优的网络结构和权值。而进化计算为神经网络的