人工智能9章.ppt

9.3 演化计算(Evolutionary Computation) 遗传算法(Genetic Algorithms，简称GA) 演化策略(Evolution Strategies, 简称ES) 演化规划(Evolutionary Programming, 简称EP) 遗传程序设计（遗传规划）(Genetic Programming, GP) 9.3.1遗传算法 遗传算法可描述如下: (1) 定义问题与目标函数F。 (2) 选择候选解作为初始种群，每个解用一个二进制位串X表示，称为个体。 (3) 根据目标函数，对每个染色体Xi，i=1,...P，计算适值F(Xi)。 (4) 为每个染色体指定一个与其适值成正比的繁殖概率pi,i=1,...,P。 (5) 根据概率pi选择染色体，所选染色体通过交叉和变异等操作产生新一代染色体种群。 (6) 如果找到了满意的解或达到了预定的计算时间，则过程结束。否则返回(3)。 第九章 模拟生物智能 模拟生物演化：演化计算 模拟人的大脑：连接计算 模拟生物免疫：免疫计算 摸拟群居动物：群体智能 9.1群体智能 9.1.1 蚁群算法(Ant algorithms) TSP问题：已知一组n个城市和每两个城市之间的距离dij，寻找一条访问每个城市且仅访问一次的最短长度闭环路径。 假设每个蚂蚁有以下特性： 它依据以连接边上外激素数量为变量的概率函数选择下一个城市； 通过禁忌表控制蚂蚁走合法路线，直到周游完成； 它周游完成后，在访问过的每一条边上留下外激素。 基本的蚁群算法: 1．初始化：将m只蚂蚁放置在不同的城市，每一条边都有一个初始外激素强度值?ij(0)。每一只蚂蚁的禁忌表的第一个元素置为它的开始城市。 2．周游：每一只蚂蚁从城市i移动到城市j，依据概率函数选择移动的城市。在n次循环后，所有蚂蚁都完成了一次周游，同时它们的禁忌表被填满。 基本的蚁群算法: 3．更新：计算每一只蚂蚁k的路径长度，更新外激素强度值?ijk。保存蚂蚁找到的最短路径(即min Lk,k=1,…,m)，置空所有的禁忌表。 4.重复：执行步骤2和3直到周游计数器达到用户定义的最大周游数(NCMAX)，或所有蚂蚁都走同一路线(称为停滞状态)。如果算法在NC次循环后结束，则算法复杂度为O(NC.n2.m)。 外激素强度更新公式： ?ij(t+1) = ?.?ij(t) + ??ij 其中??(0,1)，(1-?)表示外激素强度随时间衰减的程度。 其中??kij是时刻t和时刻t+1之间第k个蚂蚁在边e(i,j)留下的外激素强度 9.1.2 微粒群算法 1. 算法原理 微粒群算法(Particle Swarm Optimization, PSO)是由Kennedy和Eberhart于1995年提出来的。所谓微粒是指不考虑群体中的成员的质量和体积，只考虑速度和加速状态。 设第i个微粒表示为Xi = (xi1,xi2,…,xiD)，有最好适应值的位置记为Pi = (pi1, pi2,…, piD)，也称为Pbest。设符号g表示群体中所有微粒经历过的最好位置的序号，也称为gbest。设Vi = (vi1, vi2,…, viD)表示微粒i的速度。在每一代，微粒i的第d维(1?d?D)根据如下方程变化： vid = w.vid + c1rand1() (pid - xid) + c2rand2() (pgd - xid) xid = xid + vid 其中w为惯性权重，c1和c2为加速常数, rand1()和rand2()为在[0,1]内选取的随机函数。此外，微粒的速度vid的上限为Vmax。 2. 算法流程 (1) 初始化：随机生成一群规模为m的微粒，包括位置和速度； (2) 评价：计算每个微粒的适应度； (3) 更新Pbest：对每个微粒，将其适应值与其经历过的最好位置做比较，如果较好，则将其位置作为该微粒的当前最好位置Pbest； (4) 更新gbest：对每个微粒，将其适应值与全局最好位置做比较，如果较好，则将其位置序号置换gbest； (5) 更新vid和xid：根据上述公式改变微粒的速度和位置； (6) 如达到满意的适应值或预设的最大代数Gmax，则结束，否则转(2)。 3. 参数设置 (1) 最大速度Vmax：决定了空间搜索的粒度，通常设为每维变化范围的10%到20%。 (2) 惯性权重w：使微粒保持运动惯性，使其具有扩展搜索空间的趋势，有能力探索新的区域。为了使算法在前期有较高的搜索能力，在后期有较快的收敛速度，可令w随时间线性减小，如由1.4到0，由0.9到0.4，由0.95到0.