智能信息处理读书笔记.docxVIP

智能信息处理读书笔记在上了李兴明老师的通信网络中的智能信息处理这门课后，作为课程补充，我初略的阅读了清华大学出版社，孙红编写《智能信息处理导论》一书。这本书从智能信息处理产生的背景和发展历史、基本理论和方法、应用以及研究现状和发展趋势等方面，介绍了模糊理论及其应用、神经网络信息处理及其应用、云信息处理及其应用、可拓信息处理及其应用、粗集信息处理及其应用，遗传算法、免疫算法、蚁群算法优化处理、量子智能信息处理、多元信息融合和信息融合技术及其应用。从一开始的概述中我了解到，智能信息处理是一种模拟人与自然界其他生物处理信息的行为，建立处理复杂系统信息的理论、算法和系统的方法和技术，面对不确定性系统和不确定性现象的现象处理问题。智能信息处理在复杂系统建模、系统分析、系统决策、系统控制、系统优化和系统设计等领域具有广大的应用前景。对于这样一个有着发展前景的学科，我对这本书进行了进一步阅读。由于时间有限，我仅选取几章内容进行精读。下面我就遗传算法与蚁群算法来做一个读书笔记，谈一些我在读书时的感受与理解。遗传算法（Genetic Algorithm）是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。它是由美国的J.Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术。 下面我根据自己的理解来写一下遗传算法的基本运算过程：第一步：初始化：设置进化代数计数器t=0，设置最大进化代数T，随机生成M个个体作为初始群体P(0)。第二步：个体评价：计算群体P(t)中各个个体的适应度。第三步：选择运算:将选择算子作用于群体。选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的。第四步：交叉运算：将交叉算子作用于群体。遗传算法中起核心作用的就是交叉算子。第五步：变异运算：将变异算子作用于群体。即是对群体中的个体串的某些基因座上的基因值作变动。群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t+1)。第六步：终止条件判断:若t=T,则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算。在了解了遗传算法后，我对遗传算法的有别于传统算法的特点谈一些自己的理解。首先遗传算法是从问题解的串集开始搜索，而不是从单个解开始。我认为这是遗传算法与传统优化算法的最大区别所在。传统优化算法是从单个初始值迭代求最优解的；容易误入局部最优解。遗传算法从串集开始搜索，覆盖面大，利于全局择优。同时处理群体中的多个个体，即对搜索空间中的多个解进行评估，减少了陷入局部最优解的风险，同时算法本身易于实现并行化。其次遗传算法基本上不用搜索空间的知识或其它辅助信息，而仅用适应度函数值来评估个体，在此基础上进行遗传操作。适应度函数不仅不受连续可微的约束，而且其定义域可以任意设定。而且遗传算法不是采用确定性规则，而是采用概率的变迁规则来指导他的搜索方向。我认为这一特点使得遗传算法的应用范围大大扩展。最后遗传算法具有自组织、自适应和自学习性的特点。遗传算法利用进化过程获得的信息自行组织搜索时，适应度大的个体具有较高的生存概率，并获得更适应环境的基因结构。在对遗传算法做了进一步的了解后，可以看出遗传算法也存在一些明显的缺点，比如由于算法本身是在模拟生物界的一个遗传进化过程，那么这样的方式就会让算法在后期由于空间较大，搜索速度会很慢，而且我觉得这样的算法对一开始的种群选择要求比较高，而且存在很大的不确定性，稳定性不佳。对此书中有提到的是可以将遗传算法与一些启发式算法相结合，来解决这些问题。那么由于蚁群算法也是一种启发式算法，所以我下面先阅读蚁群算法。蚁群算法(ant colony optimization, ACO)，又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型算法。它由Marco Dorigo于1992年在他的博士论文中提出，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。这个算法的原理就是蚂蚁在运动过程中，会留下一种称为信息素的东西，并且会随着移动的距离，播散的信息素越来越少，所以往往在家或者食物的周围，信息素的浓度是最强的，而蚂蚁自身会根据信息素去选择方向，当然信息素越浓，被选择的概率也就越大，并且信息素本身具有一定的挥发作用。 蚂蚁的运动的一个规则可以简单归纳如下：1、当周围没有信息素指引时，蚂蚁的运动具有一