高级人工智能-计算智能.pptxVIP

人工智能计算智能罗平 luop@ict.ac.cn2016年秋季本章内容概述 演化计算模糊计算本章内容概述 演化计算模糊计算什么是计算智能计算智能（Computational Intelligence，CI）计算智能是在神经网络（Neural Networks,NN）、演化计算（Evolutionary Computation,EC）及模糊系统（Fuzzy System,FS）这3个领域发展相对成熟的基础上形成的一个统一的学科概念。 如果一个系统仅处理低层的数值数据，含有模式识别部件，没有使用人工智能意义上的知识，且具有计算适应性、计算容错力、接近人的计算速度和近似于人的误差率这4个特性，则它是计算智能的。神经网络是一种对人类智能的结构模拟方法，它是通过对大量人工神经元的广泛并行互联，构造人工神经网络系统去模拟生物神经系统的智能机理。演化计算是一种对人类智能的演化模拟方法，它是通过对生物遗传和演化过程的认识，用进化算法去模拟人类智能的进化规律的。模糊计算是一种对人类智能的逻辑模拟方法，它是通过对人类处理模糊现象的认知能力的认识，用模糊逻辑去模拟人类的智能行为的。本章内容概述 演化计算模糊计算演化计算演化计算（Evolutionary Computation,EC）：在基因和种群层次上模拟自然界生物进化过程与机制的问题求解技术和计算模型。思想源于生物遗传学和适者生存的自然规律基于达尔文（Darwin）的进化论和孟德尔（Mendel）的遗传变异理论典型代表：遗传算法（Genetic Algorithm，GA）进化策略（Evolutionary Strategy,ES）进化规划（Evolutionary Programming,EP）遗传规划（Genetic Programming,GP）演化计算达尔文的自然选择学说是一种被人们广泛接受的生物进化学说：生物要生存下去，就必须进行生存斗争。具有有利变异的个体容易存活下来，并且有更多的机会将有利变异传给后代；具有不利变异的个体就容易被淘汰，产生后代的机会也少的多。适者生存，不适者淘汰：自然选择。遗传和变异是决定生物进化的内在因素。（相对稳定+新的物种）演化计算孟德尔基因遗传原理遗传以密码方式存在细胞中，并以基因形式包含在染色体内。每个基因有特殊的位置并控制某种特殊性质；所以，每个基因产生的个体对环境具有某种适应性。基因突变和基因杂交可产生更适应于环境的后代。经过存优去劣的自然淘汰，适应性高的基因结构得以保存下来。演化计算及其生物学基础演化计算：一种模拟自然界生物进化过程与机制进行问题求解的自组织、自适应的随机搜索技术。演化规则：“物竞天择、适者生存”演化操作： 繁殖（Reproduction） 变异（Mutation） 竞争（Competition） 选择（Selection）遗传算法遗传算法的基本思想是从初始种群出发，采用优胜劣汰、适者生存的自然法则选择个体，并通过杂交、变异来产生新一代种群，如此逐代进化，直到满足目标为止基本概念：种群（Population）：多个备选解的集合。个体（Individual）：种群中的单个元素，通常由一个用于描述其基本遗传结构的数据结构来表示。例如，长度为L 的0、1串染色体（Chromos）：对个体仿照基因编码进行编码后所得到的编码串。染色体中的每一位称为基因，染色体上由若干个基因构成的一个有效信息段称为基因组。遗传算法基本概念：适应度（Fitness）函数：用来对种群中各个个体的环境适应性进行度量的函数，函数值是遗传算法实现优胜劣汰的主要依据遗传操作（Genetic Operator）：作用于种群而产生新的种群的操作。选择（Selection）交叉（Cross-over）变异（Mutation） 遗传算法遗传算法主要由染色体编码、初始种群设定、适应度函数设定、遗传操作设计等几大部分所组成，算法基本步骤： 选择编码策略，将问题搜索空间中每个可能的点用相应的编码策略表示出来，即形成染色体；定义遗传策略，包括种群规模N，交叉、变异方法，以及选择概率Pr、交叉概率Pc、变异概率Pm等遗传参数；令t=0，随机选择N个染色体初始化种群P(0)；定义适应度函数f；计算P(t)中每个染色体的适应值；t=t+1；运用选择算子，从P(t-1)中得到P(t)；对P(t)中的每个染色体，按概率Pc参与交叉；对染色体中的基因，以概率Pm参与变异运算；判断群体性能是否满足预先设定的终止标准，若不满足返回(5)。编码和生成初始种群计算种群中各个个体的适应度，并进行评价Y满足终止条件吗？N终止选择选择交叉变异遗传算法遗传算法与生物进化之间对应关系 遗传算法 生物进化适应函数 环境适应函数值 适应性适应函数值最大的解被保留的概率最大 适者