《人工智能基础》第6章 计算智能.pptVIP

6.2遗传算法遗传算法(GeneticAlgorithm,GA)是根据自然界“物竞天择，适者生存”现象而提出的一种随机搜索算法，它是美国学者Holland于20世纪70年代年首先提出来的。经过几十年的发展，遗传算法已经在神经网络、机器学习等方面获得了长足的发展，成为人工智能的一个重要分支。6.2.1遗传算法的基本概念（1）基因：组成染色体的单元，可以表示为一个二进制位，一个整数或一个字符等。（2）染色体或个体：表示待求解问题的一个可能解，由若干基因组成，是GA操作的基本对象。在遗传算法中，需要把问题的每一个解编码成二进制串，其中每一位代表一个基因。（3）群体：一些个体组成了一个群体，一个群体是若干个个体的集合。由于每个个体代表了问题的一个解，所以一个群体就是问题的一些解的集合。例如，p1={x1,x2,…,x100}就是由100个解（个体）构成的群体。（4）交叉：许多生物体的繁衍是通过染色体的交叉完成的。在遗传算法中使用了这一概念，并把交叉作为遗传算法的一个操作算子。其实现过程如下：对于选中用于繁殖下一代的个体，随机地选择两个个体的相同位置，按交叉概率P，在选中的位置实行交换。这个过程反映了随机信息交换；目的在于产生新的基因组合，也即产生新的个体。交叉时，可实行单点交叉或多点交叉。（5）变异：GA的基本操作之一，即按一定概率随机改变某个体的基因值。根据生物遗传中基因变异的原理，以变异概率Pm对某些个体的某些位执行变异。在变异时，对执行变异的串的对应位求反，即把1变为0，把0变为1。（6）适应度：生物体对环境的适应度的不同而表现出不同的生命力。在这里，每个个体对应于优化问题的一个解xi,每个xi对应于一个函数值fi，fi越大，则表明xi越好，即对环境的适应度越高，所以用每个个体的函数值fi作为它对环境的适应度。（7）选择：选择的目的是为了从当前群体中选出优良的个体，使它们有机会作为父代产生后代个体。判断个体优良与否的准则就是各自的适应度值。显然这一操作是借用了这样一种进化原则，即个体的适用度越高，其被选择的机会就越多。（8）复制：复制算子把当前群体中的个体按与适应度成比例的概率复制到新的群体中。复制算子提高了群体的平均适用度，低适应度的个体趋于被淘汰，而高适应度个体趋于被复制，所以在复制运算中群体的这些改进具有代表性，但是这是以损失群体的多样性为代价的。（9）控制参数：并不是所有被选择了的染色体都要进行交叉操作和变异操作，而是以一定的概率进行，一般在程序设计中交叉发生的概率要比变异发生的概率选取得大若干个数量级，交叉概率取0.6至0.95之间的值；变异概率取0.001至0.01之间的值。6.2.2简单遗传算法霍兰德(Holland)的遗传算法通常被称为“简单遗传算法”(简称SGA)，我们以此作为讨论主要对象，加上适应的改进，分析遗传算法的结构和机理。华信教育资源网

6.1人工神经网络6.2遗传算法6.3计算智能其他技术6.1人工神经网络人工神经网络ANN（ArtificialNeuralNetwork）是集脑科学、神经心理学和信息科学等多学科的交叉研究领域，是近年来高科技领域的一个研究热点。它的研究目标是通过研究人脑的组成机理和思维方式，探索人类智能的奥秘，进而通过模拟人脑的结构和工作模式，使得机器具有类似人类的智能。6.1.1基本原理及学习机理一、神经网络的基本概念从广义上讲，神经网络通常分为生物神经网络和人工神经网络两类。生物神经网络是指由动物的中枢神经系统（脑和脊髓）及周围神经系统所构成的错综复杂的神经网络，它负责对动物肌体的各种活动的管理，其中最重要的就是脑神经系统。而人工神经网络则是指模拟人脑神经系统的结构和功能，运用大量的软、硬件处理单元，经广泛并行互联，由人工方式建立起来的网络系统。（一）、生物神经网络1．生物神经元的结构生物神经元（Neuron）即为神经细胞，它是生物神经系统的最基本单元。从其形状和大小来看，神经元是多种多样的，但从组成结构看，各种神经元又具有共性。神经元由细胞体（Soma）、轴突（Axon）和树突（Dendrite）三个主要部分组成。2．生物神经元的功能与特征（1）时空整合功能（2）兴奋与抑制状态（3）脉冲与电位转换（4）神经元的动态极化性（5）突触延时和不应期（二）、人脑神经系统人脑神经系统具有如下功能与特征：（1）记忆和存储功能人脑神经系统的记忆和处理功能是有机地结合在一起的。神经元既有存储功能，又有处理功能，它在进行回忆时不仅不需要先找到存储地址再调出所存内容，而且还可以由一部分内容恢复全部内容。尤其是当一部分神经元受到损坏（例如脑部受伤等）时，它只会丢失损坏最严重部分的那