智能计算简介.pptVIP

智能计算 计算智能是以数据为基础，通过训练建立联系，进行问题求解，特点是： 1、 以分布式方式存储信息 2、 以并行方式处理信息 3、 具有自组织、自学习能力 4、计算智能适用于于解决那些难以建立确定性数学／逻辑模型，或不存在可形式化模型的问题． 智能计算 计算智能以连接主义的思想为基础，有众多发展方向。 人工神经网络（ANN）、遗传算法、蚁群算法、人工免疫算法等都可以包括在计算智能中。 遗传算法发展历史 遗传算法发展历史 遗传算法与自然进化的比较 新达尔文进化理论的主要论点 进化计算的三大主流板块 Holland提出的遗传算法(Genetic Algorithm)。 Rechenberg和Schwefel提出的进化策略(Evolutionary Strategies)。 Fogel提出的进化规划(Evolutionary Programming)，又称为进化程序设计。 进化计算的三大主流板块 三种算法既有许多相似之处，同时也有很大的不同 进化规划和进化策略都把 变异作为主要的搜索算子，而在标准遗传算法中，变异只处于次要地位 交叉在标准遗传算法中起着重要作用，而在进化规划中被完全省去，在进化策略中与自适应结合在一起使用非常重要； 标准遗传算法和进化规划都强调 随机选择机制的重要性，而从进化策略的角度看，选择是完全确定的，没有合理的根据表明随机选择原则的重要性； 进化规划和进化策略确定地把某些个体排除在被选择复制之外，而标准遗传算法一般对每个个体都指定一个非零选择概率。 遗传算法的基础：孟德尔遗传学 遗传算法的基础：孟德尔遗传学 遗传算法的基础：孟德尔遗传学 遗传算法的基础：孟德尔遗传学 遗传算法的基础：孟德尔遗传学 遗传算法 遗传算法的特点 遗传算法 遗传算法 遗传算法与传统优化算法的主要不同 遗传算法的准备工作 基本遗传算法 基本遗传算法的构成要素 基本遗传算法的构成要素 基本遗传算法 基本遗传算法流程图 轮盘式选择 首先计算每个个体 i 被选中的概率 然后根据概率的大小将将圆盘分为 n个扇形，每个扇形的大小为 。选择时转动轮盘，参考点r落到扇形i则选择个体i 。 单点一致交叉 首先以概率pc从种群中随机地选择两个个体p1、p2。在{1, 2, . . . ,l}内随机选择一个数i,作为交叉的位置，称为交叉点。然后将两个个体交叉点后面的部分交换。 例如： 0110 101100 0110 011001 1100 011001 1100 101100 一致变异 遗传算法举例 遗传算法的理论基础 11.5.1 模式的定义 遗传算法的理论基础是遗传算法的二进制表达式及模式的含义。模式是能对染色体之间的相似性进行解释的模板。 [定义1] 设GA的个体 ,记集合 则称 为一个模式，其中＊是通配符。 即模式(schema)是含有通配符(*)的一类字符串的通式表达。每个“*”可以取“1”或者“0”。 模式举例 模式 与以下两个字符串匹配： 010101110 110101110 而模式 *1010＊110 与以下四个字符串匹配： 010100110 010101110 110100110 110101110 模式的定义 [定义2] 一个模式s的阶是出现在模式中的“0”和“1”的数目，记为o(s)。 如：模式“0****”的阶为1，模式“10*1*”的阶为3。 [定义3] 一个模式s的长度是出现在模式中第一个确定位置和最后一个确定位置之间的距离，记为 。 如：模式“01***”的长度为1，模式“0**1*”的长度为3。 模式定理 假定在给定的时间步t,一个特定的模式s在群体P(t)中包含有m个代表串，记为m=m(s,t)。首先，我们暂不考虑交叉和变异操作。每个串根据适应值的大小获得不同的复制概率。串i的复制概率为： 模式定理 则在群体P(t+1)中，模式s的代表串的数量的期望值为： 模式定理 若记P(t)中所有个体的适应值的平均值为： 模式定理 (3)式表明，模式s的代表串的数目随时间增长的幅度正比于模式s的适应值与群体平均适应值的比值。即：适应值高于群体平均值的模式在下一代的代表串数目将会增加，而适应值低于群体平均值的模式在下一代的代表串数目将会减少。 假设模式的适应值为 ,其中c是一个常数，则 (3)式可写为： 模式定理 模式定理 模式定理 模式定理 模式定理 模式定理 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