智能决策支持系统概括.ppt

GA的应用领域 近年,GA在各应用领域中得到极大重视,并广泛应用于各领域的优化、搜索、问题求解中 其它应用领域：如函数优化、生产调度、模式识别、NN、图像处理、机器学习、工业优化控制、自适应控制、生物科学、社会科学等方面. 遗传算法的改进研究方向 参数的选择(N=30-100,Pc=0.6-0.95,Pm=0.001-0.1) 编码方法 各种算子 和其它算法的融合 免疫遗传算法 传统遗传算法中，交叉、变异等是按一定概率随机地、无指导的进行 引入免疫系统的工作原理：将问题的最优解抽象为抗原，候选解抽象为抗体，将某些较好的路径片断作为疫苗 蚁群优化算法 昆虫群体，可以看成一个分布式系统。系统中个体非常简单，但整个系统呈现出一种高度结构化的群体结构，得以完成远超出单只蚂蚁个体能力负荷的复杂工作。 计算蚂蚁的不同行为，已有若干种蚂蚁算法： 觅食、孵化分类、劳动分配、协作运输 实验中的蚂蚁依靠信息素来传递信息 信息素越浓的路径被蚂蚁选择的概率越大 信息素随着时间的推移而“挥发” 1 2 3 4 5 6 Sample calculations for learning by the backpropagation algorithm X={1,0,1},class label=1,l=0.9 Initial input, weight, and bias values x1 x2 x3 w14 w15 w24 w25 w34 w35 w46 w56 1 0 1 0.2 -0.3 0.4 0.1 -0.5 0.2 -0.3 -0.2 -0.4 0.2 0.1 The net input and output calculations Unit j Net input, Ij Output, Oj 4 0.2+0-0.5-0.4=-0.7 1/(1+e0.7)=0.332 5 -0.3+0+0.2+0.2=0.1 1/(1+e-0.1)=0.525 6 (-0.3)(0.332)-(0.2)(0.525)+0.1=-0.105 1/(1+e0.105)=0.474 Calculation of the error at each node Unit j Errj 6 (0.474)(1-0.474)(1-0.474)=0.1311 5 (0.525)(1- 0.525)(0.1311)(-0.2)=-0.0065 4 (0.332)(1-0.332)(0.1311)(-0.3)=-0.0087 Calculations for weight and bias updating Weight or bias New value w46 -0.3+(0.9)(0.1311)(0.332)=-0.261 w56 -0.2+(0.9)(0.1311)(0.525)=-0.138 w14 0.2+(0.9)(-0.0087)(1)=0.192 w15 -0.3+(0.9)(-0.0065)(1)=-0.306 w24 0.4+(0.9)(-0.0087)(0)=0.4 w25 0.1+(0.9)(-0.0065)(0)=0.1 w34 -0.5 +(0.9)(-0.0087)(1)=-0.508 w35 0.2+(0.9)(-0.0065)(1)=0.194 0.1+(0.9)(0.1311)=0.218 0.2+(0.9)(-0.0065)=0.194 -0.4+(0.9)(-0.0087)=-0.408 comments Disadvantages: Involve long training times Require a number of parameters that are typically best determined empirically. Poor interpretability Advantages: High tolerance to noisy data Ability to classify patterns on which they have not been trained 遗传算法（Genetic Algorithms） 物竞天择，适者生存 遗传算法（GA）根据适者生存，优胜劣汰等自然进化规则来进行搜索计算和问题求解。 全局优化算法，适合于具有很大搜索空间的优化问题 遗传算法的搜索机制 遗传算法模拟自然选择和自然遗传过程中发生的繁殖、交叉和基因突变现象，在每次迭代中都保留一组候选解，并按某种指标从解群中选取较优的个体，利用遗传算子(选择、交叉和变异)对这些个体进行组合，产生新一代的候选解群，重复此过程，直到满足某种收敛