计算智能-1.pptVIP

GA的算法原理 自然淘汰原理：适者生存 淘汰：对环境适应度低的 增殖：对环境适应度高的 交叉：性质的混合（染色体的交叉） 突然变异：强制性的稍有变化的个体的生成 GA的算法原理 将对象系统的各种参数的集合用一个染色体表示 生成多个不同的染色体，用上述原理进行计算 虽算法简单，但与以往的数学方法相比，却非常容易得到解 GA的好处 作为解的探索法，历来的方法有 牛顿法、下降法、等 一般是串行求解 GA通过许多个体，并列进行解的探索；特别，通过个体间的选择、交叉等相互作用，更加提高解的探索的效率 应用领域：系统的设计、优化、遗传编程、人工生命 第5节 NN、FS、GA与AI NN：模拟人脑 FS： 模拟人类的主观的信息处理方式 GA：模拟生物的进化方式 共通点：从生物中学习 AI：追求人类智能信息处理的手法的领域 NN、FS、GA的最初的想法，都是在50年代中期及其后10年产生 这也是计算机自诞生、成品上市、语言发表等，逐渐普及的年代 利用计算机，来探索进行智能处理的原理、方法，及新的信息处理方式等的摸索，也是在这一时期活跃起来 结果，AI先发展了起来 进行符号处理的AI，适合于当时性能还不充分的计算机 AI的最初想法，是将智能的机能，利用计算机等来实现 所以，利用计算机解puzzle，game等，进行了各种尝试 这一时期使用的技术手法，是探索 知识的重要性 建立于只有逻辑思维，没有形象思维，适合于数值计算、符号推理、求精确解的计算机基础上的人工智能方法，在用于实际问题时，必然会受到一定的影响 与游戏相比，必须要考虑非常多的因素 人类在知识与经验的基础上进行学习，进行高度的推理、思考、判断等 重要的是知识，需要将知识输入计算机 知识的表示及获取方法 要表示高度的知识，最易于处理的方法是用规则表示。如： IF---THEN---规则的形式 将许多这样的规则输入计算机，由专家进行高水平的推理—专家系统 现在也广泛应用，其需求量年年增长 但专家系统中有一个公认的瓶颈问题，即知识的获取问题，怎样得到专家的经验、知识，以及怎样表示这样的知识 知识本身有时具有模糊性 如：冬天冷：低于多少度可算冷？ 阴天：含云量80%与81%、79%的区别？ 人的思维的特点： 实际生活中，人不总是进行绝对严密的推理，具有模糊性，但不妨碍得出正确的答案。如，找一个中等个子的人 模糊理论可处理主观的 、直观的知识、规则，这是模糊理论的一大特征 对规则不清楚或没有，只有数值的情况怎么办？ 如声音的识别：1秒中，8000~20000个振幅值，所处理的数据是数值 用历来的公式的方法没有效果，也没有可用规则表示的知识 在只有数值数据可利用的情况时可以用神经网络 小结 与传统的人工智能相比，这些算法的最大特点，也是它的潜力所在是： 不需要建立问题本身的精确数学或逻辑模型，而是直接对输入数据进行处理得出结果 更适用于解决那些用传统AI技术难以有效地处理、甚至无法处理的问题 只有数值数据可利用时可以用神经网络 处理具有模糊性的知识，可以使用模糊逻辑 从多个组合中选优，可以使用遗传算法 小孩认妈妈 那是什么？树？ 妈妈！ 返回 大脑功能图 返回 大脑功能区域分布 返回 为骑自行车建模--难！ 返回 车轮半径？ 速度？ 倾斜度？ 体形？ 计算智能（2060140323）第1-8周 每周三5-8节，研408 荣莉莉 大连理工大学系统工程研究所 管理学院516室o） llrong@dlut.edu.cn 计算智能 授课主要内容 神经网络的原理及应用 遗传算法的原理及应用 模糊逻辑的原理及应用 神经网络、模糊逻辑、遗传算法的融合方法及应用 教学内容 第一章 引言 第1节~第5节 第二章 神经网络原理 第1节 神经网络基础 第2节 神经网络算法 Hopfield 网 Boltzmann Machine 用H网或BM网解TSP问题 教学内容 BP算法 算法推导 改进算法 竞争型神经网络 自组织映射神经网络SOM 学习向量量子化神经网络LVQ 神经网络小结 神经网络应用举例 教学内容 第三章 遗传算法 第1节~第4节 遗传算法的原理 遗传算法的应用 教学内容 第四章 模糊推理系统 第1节~第4节 概述 模糊集合 模糊集合的运算 模糊关系及合成 第5节~第7节 模糊逻辑 模糊推理 解模糊判决 模糊原理的应用例 教学内容 第五章 神经网络、模糊逻辑及遗传算法的融合 第1节~第6节 选择的要点 三者的长处与短处 三者的融合关系、两两的融合方式 总结 第一章 引言 第1节 概念 第2节 为什么要研究神经网络 第3节 为什么要研究模糊逻辑 第4节 为什么要研究遗传算法 第5节 神经网络、模糊逻辑、遗传算法与人工智能的关系 第1节 概念 key words