进化计算的进展和应用.docVIP

1.进化计算相关概念 2 1.1 进化计算 2 1.2 进化计算应用 3 2 进化计算内涵 4 2.1 进化计算的研究现状 4 2.2 进化算法 5 2.2.1 遗传算法 5 2.2.2遗传编程 5 2.2.3 进化策略和进化规划 6 2.2.4 进化策略 6 2.2.5 进化规划 6 2.2.6 进化策略与进化规划的关系 6 2.2.7进化策略与进化规划的差别 7 2.2.8学习分类系统 7 2.3 群智能 7 2.3.1蚁群优化 8 2.3.2 粒子群优化 8 2.3.3蜂群算法 9 2.4 自组织理论 10 2.4.1 竞争神经网络 10 2.4.2自组织映射 10 2.4.3神经气体 10 2.4.4增长型神经气体 11 2.5人工免疫系统 11 2.6其他算法 11 2.6.1差分进化 11 2.6.2文化算法 12 2.6.3和谐搜索算法 12 2.7 人工生命 12 3 进化计算在智能控制中的应用 12 参考文献 15 综述题——进化计算的进展和应用 1.进化计算相关概念 1.1 进化计算 人的智能归根结蒂是从生物进化中得到的,反映在遗传基因中,脑的结构变化也是通过基因的变化一代一代遗传下来,每一种基因产生的生物个体(看成一种结构)对环境有一定的适应性,或叫适合度(Fitness),杂交和基因突变可能产生对环境适应性强的后代,通过优胜劣汰的自然选择,适合度高的结构被保存下来。因此，从进化的观点来看,结构是适合度的结果。在这种观点启发下,60年代Fogol等提出了进化程序(EvolutionalProgramming)思想,70年代Hoxzand提出了遗传算法(oenetse^lgorithm,简称eA)。 如同神经网络研究一样,经过20年的沉寂,到80年代后期,由于在经济预测等应用领域获得成功,进化计算成为十分热门的研究课题。进化计算实质上是自适应的机器学习方法,它的核心思想是利用进化历史中获得的信息指导搜索或计算。常用的进化计算包括遗传算法、遗传程序(Geneticprogram-ming)、进化程序、爬山法(即局部搜索)、人工神经网络、决策树的归纳以及模拟退火等等。这些不同的方法具有以下几项共同的要素:自适应结构、随机产生的或指定的初始结构、适合度的评测函数或判据、修改结构的操作、每一步中系统的状态即存储器、终止计算的条件、指示结果的方法、控制过程的参数。上述几种进化计算方法中,只有遗传算法与遗传程序是一组结构同时进化,其它方法是一个结构的进化。 所谓遗传程序与通常的遗传算法的主要区别在于采用的“结构”(即问题的表示)不同。最初的遗传算法的自适应结构为定长的二进制字符串;而遗传程序的结构是分层的树,表示LlsP语言中的s表达式,即一个解决指定定理的程序。遗传程序的目标是自动生成程序。不同进化计算方法采用不同的结构,实质是不同的问题表示。一个问题的复杂性决定于它的问题表示,因为一种表示限制了系统观察世界的窗口。因此进化计算应从问题表示入手,即选择表示能力强又操作方便的结构。与通常的遗传算法的主要区别在于采用的“结构”(即问题的表示)不同。最初的遗传算法的自适应结构为定长的二进制字符串;而遗传程序的结构是分层的树,表示LlsP语言中的s表达式,即一个解决指定定理的程序。遗传程序的目标是自动生成程序。不同进化计算方法采用不同的结构,实质是不同的问题表示。一个问题的复杂性决定于它的问题表示,因为一种表示限制了系统观察世界的窗口。因此进化计算应从问题表示入手,即选择表示能力强又操作方便的结构。 众所周知,任何一种传统的科学或工程方法都具有正确性、一致性、可验证性、确定性、次序性及简洁性等特点。进化计算是模拟自然界的进化过程,自然界是靠适应性而不是靠简洁性解决问题,常常采用间接的复杂的方法。与自然进化类似,进化计算一般不提供简洁的求解方法。在进化计算中,随机选择是关键的因素,因此往往具有不确定性,甚至同时支持用不一致的相互予盾的途径去求解。进化计算一般不采用严格同步控制。与传统算法最大的不同是计算不是自动终止,往往是人为限制进化多少代结束,或通过控制进化结果的一致性程度设定终止条件。在进化过程中即使达到了最优解或要求的目标,程序本身并不知道(除非设置一个全局监视器)。许多从事神经网络求解优化问题和进化计算的学者都深有体会,常常无法判断自己得到的结果好坏如何。进化计算的这些新特点给我们带来许多新的研究课题。 1.2 进化计算应用 在计算机科学中,进化计算是人工智能的一个分支。它采用迭代的方法,使得解朝着最优解的方向前进。一般这种处理步骤均与进化的机制密切相关,因此统称为“进化计算”。 进化计算的主要优点是简单、通用、鲁棒性强和适于并行处理。目前进化计算已广泛用于最优控制、符号回归、自动生成程序、发现博奕策略、符号和积分微