2019年高级人工智能第十三章.ppt

精品文档 模式定理 假定模式s在交叉后不被破坏的概率为ps，则： 若交叉概率为pc,则s不被破坏的概率为 精品文档 模式定理 （5） 所以，再考虑交叉时，(3)式可表示为 最后，考虑变异算子对模式的影响。变异算子以概率pm随机地改变个体某一位的值。只有当o(s)个确定位的值不被破坏时，模式s才不被破坏。 精品文档 模式定理 模式s在变异后不被破坏的概率： Pm1,可近似地表示为 精品文档 模式定理 （6） 因此，考虑交叉和变异时，(3)式可表示为 精品文档 模式定理 由(6)我们得到一个重要的定理。 [定理1] 模式定理(Schema Theorem) 适应值在群体适应值之上的、长度较短的、低阶的模式在GA的迭代中将按指数增长方式被复制。 精品文档 积木块假设 Holland和Goldberg在模式定理的基础上提出了“积木块假设”(Building Block Hypothesis): 低阶、长度较短、高于平均适应度的模式(积木块)在遗传算子的作用下，相互结合，能生成高阶、长度较长、适应度较高的模式，并得到全局最优解。 精品文档 遗传算法的收敛性分析 算法的收敛性可以定义如下： 定义： 若算法在t时刻的种群xt满足 则称算法收敛到x0。 关于遗传算法的收敛性，Michalewicz证明了基于压缩原理的收敛性定理。而Rudolph证明了基于Markov链的收敛性定理。 精品文档 遗传算法的改进 遗传算法的局限性： 遗传算法得到了广泛应用，但也暴露了一些问题，如：遗传算法在解决某些问题时速度较慢；遗传算法对编码方案的依赖性较强，算法的鲁棒性不够好等。 这些问题主要归结为： （1）上位(epistasis)效应 上位效应包括两个方面：多基因性和基因多效性。 精品文档 遗传算法的改进 （2）编码方案 最初使用最多的是二进制位串，但此类编码并不适合一些实际问题。现在人们已经探索了许多其它方案，如浮点表示、树形表示等等。 （3）积木块假设 积木块假设是否成立，是否一定存在短的、低阶的、高适应值的积木块？若构成问题最优解的所有低阶模式的适应值都较低，这是GA很难收敛到最优解，此类问题称为“欺骗问题”。 精品文档 遗传算法的改进 （4）早熟收敛 即GA收敛到一个局部最优解。 Schraudolph和Belew提出“动态参数编码”方案来解决早熟收敛问题。 关于遗传算法的一些改进措施，有兴趣的同学可查找相关资料。 精品文档 遗传机器学习－分类器系统 机器学习是人工智能的一个重要研究领域，也是人工智能的一个重要的应用领域。 遗传机器学习(Genetics Based Machine Learning, GBML)时将遗传算法与机器学习系统相结合的产物。 精品文档 遗传机器学习系统的一般框架 任务子系统 学习子系统 任务检测器 … … 任务效应器 执行效应器 执行检测器 精品文档 匹兹堡方法和密西根方法 遗传机器学习有两种重要的实现方法： 一种是由匹兹堡(Pittsburgh)大学的De Jong和他的学生Smith提出的。该方法用整个规则集合表示一个个体，GAs维护一个包含一定数目的候选规则集的种群。这种方法称为匹兹堡方法。 精品文档 匹兹堡方法和密西根方法 另一种方法是由密西根(Michigan)大学的Holland和他的学生Reitman提出的。该方法每个个体表示一条规则，而整个种群就是规则集。这种方法称为密西根方法。 Holland提出的分类器系统采用的是密西根方法。 精品文档 分类器系统 Holland和他的同事提出了一种分类器系统的认知模型,其中的规则不是规则集, 而是遗传算法操纵的内部实体。 图11.3给出了分类器系统的一般结构, 从分类器系统看学习, 它由三层动作构成,即执行子系统、信用赋值子系统和发现子系统。 精品文档 分类器系统 发现 [遗传算法] 信用赋值 [桶链] 执行 [分类器系统] 消息来自 输入接口 支付 消息送出 输出接口 （目标） 来自内部监控器的消息 图 11.3 分类器系统的一般结构 精品文档 分类器系统 执行子系统处在最低层, 直接与环境进行交互。它与 专家系统相同,由产生式规则构成。但是, 它们是消息传送, 高度平行。这类规则称作分类器。 ? 分类器系统中的学习, 要求环境提供反馈, 确认所希望 的状态是否达到。系统将评价这些规则的有效性, 这些活动 常常称作信用赋值。有些特定算法专门用来实现信用赋值, 例如, 桶链算法。 ? 最后一层是发现子系统, 该系统必须产生新的规则, 取代当前用处不大的规则。通过系统累积的经验产生规则。系统根据适应值, 使用遗传算法选择、重组和取代规则。 精品文档 分类器系统 分