基于遗传算法的人工智能分析.pdfVIP

计算机光盘软件与应用 软件设计开发 ComputerCDSoftwareandApplications 2013年第 Ol期 基于遗传算法的人工智能分析 李文蕙，刘嵩 (武汉软件工程职业学院，武汉 430205) 摘要 ：本文对遗传算法在人工智能方面的应用进行介绍 ，通过遗传算法对全局运动估计 的解决方案进行分 析 ，最后就人工智能在算法的发展方向方面进行 了展望和总结。 关键词 ：遗传算法；人工智能；全局运动估计 ；应用分析 中图分类号：TP18 文献标识码：A 文章编号：1007—9599(2013)01—0240—02 所谓人工智能，就是人工的方法通过计算机实现智能 1．2 遗传算法缺点。首先，传统的遗传算法编码和 化功能，或者说是人们使用机器模拟人类的智能。由于人 解码 比较复杂，因为传统的遗传算法的染色体是用二进制 工智能是在机器上实现的，所 以又称为机器智能。从另一 编制的，一个染色体就是一串0和 1组成的位串或是字符 个角度来看，人工智能是研究怎样使计算机来模仿人脑从 串，在进化前需要做复杂的编码工作，而在得到最优解后 事的推理、证明、识别、理解、设计、学习、思考、规划 还要做复杂的解码工作，比较繁琐和复杂，在遗传操作过 及问题求解等思维活动，来解决人类专家才能处理的复杂 程中也不易掌控，容易出错；其次，算法对初始种群的选 问题。人工智能的算法很多，包括遗传算法、进化算法、 择有一定的依赖性。 蚁群算法和专家系统、神经网络等。 2 遗传算法在人工智能领域的应用 1 遗传算法 遗传算法在人工智能的众多领域便得到了广泛应用 遗传算法的思想是先确定编码方案，对待寻优的缺陷 J。 例如，机器学习、聚类、控制 (如煤气管道控制)、 特征参数进行编码，按一定规模初始化种群，种群中的每 规划 (如生产任务规划)、设计 (如通信网络设计、布局 一 个各体就代表了一个可能的解；然后根据适应度值函数 设计)、调度 (如作业车间调度、机器调度、运输问题)、 计算每一个各体的适应度值并依此决定遗传操作。根据预 配置 (机器配置、分配问题)、组合优化 (如 TSP、背包 先确定好的种群选择方案，按一定的概率对种群进行交 问题)、函数的最大值 以及图像处理和信号处理等等。 叉、变异得到下一代，直到遗传算法的终止条件得到满足。 另一方面，人们又将遗传算法与其他智能算法和技术 与传统的优化算法相 比，具有的优缺点如下： 相结合，使其 问题求解能力得到进一步扩展和提高。例如， 1．1 遗传算法优点。不是从单个点，而是从多个点 将遗传算法与模糊技术、神经网络相结合，已取得了不少 构成的群体开始搜索。之所以说是从多点而不是从单点出 成果 。 发，那是因为整个算法的开始是从一个初始种群开始搜索 因为遗传算法是模拟生物的进化过程的一类人工智 演练最优解，是从多个点开始搜索进化寻找，这样的做的 能算法，所 以，在算法的初始阶段，应该给一个初始种群 一 个好处是避免局部寻找最优解，从任一解出发，按照某 给算法来进化演练。 种机制，以一定的概率在整个求解空间中探索最优解。由 因此，第一步是初始化种群，在初始化种群时，种群 于它们可 以把搜索空间扩展到整个 问题空间，因而具有全 的大小要设计科学，这样才能最大力度的发挥遗传算法的 局优化性能。同时也缩短了整个搜寻额时间，整体上效率