《计算智能与深度学习》_1引言.pptVIP

*①遗传算法遗传算法是一类通过模拟生物界自然选择和自然遗传机制的随机化搜索算法，由美国J.Holand教授于1975年首次提出。它是利用某种编码技术作用于称为染色体的二进制数串，其基本思想是模拟由这些串组成的种群的进化过程，通过有组织地然而是随机地信息交换来重新组合那些适应性好的串。遗传算法对求解问题的本身一无所知，它所需要的仅是对算法所产生的每个染色体进行评价，并根据适应性来选择染色体，使适应性好的染色体比适应性差的染色体有更多的繁殖机会。*遗传算法尤其适用于处理传统搜索方法难于解决的复杂的非线性问题，可广泛用于组合优化、机器学习、自适应控制、规划设计和人工生命等领域,是21世纪有关智能计算中的关键技术之一。②进化策略1964年，由德国柏林工业大学的I.Rechenberg等人提出。在求解流体动力学柔性弯曲管的形状优化问题时，用传统的方法很难优化设计中描述物体形状的参数，从而利用生物变异的思想来随机地改变参数值并获得了较好的结果。随后，他们便对这种方法进行了深入的研究和发展，形成了进化计算的另一个分支――进化策略。*进化策略与遗传算法的不同之处在于：进化策略直接在解空间上进行操作，强调进化过程中从父体到后代行为的自适应性和多样性，强调进化过程中搜索步长的自适应性调节；而遗传算法是将原问题的解空间映射到位串空间之中，然后再施行遗传操作，它强调个体基因结构的变化对其适应度的影响。 进化策略主要用于求解数值优化问题。*③进化规划进化规划的方法最初是由美国人L.J.Fogel等人在20世纪60年代提出的。他们在人工智能的研究中发现，智能行为要具有能预测其所处环境的状态，并按照给定的目标作出适当的响应的能力。在研究中，他们将模拟环境描述成是由有限字符集中符号组成的序列。*1.4.3进化计算的主要特点进化算法与传统的算法具有很多不同之处，但其最主要的特点体现在下述两个方面：①?智能性进化计算的智能性包括自组织、自适应和自学习性等。应用进化计算求解问题时，在确定了编码方案、适应值函数及遗传算子以后，算法将根据“适者生存、不适应者淘汰”的策略，利用进化过程中获得的信息自行组织搜索，从而不断地向最佳解方向逼近。*自然选择消除了传统算法设计过程中的一个最大障碍：即需要事先描述问题的全部特点，并说明针对问题的不同特点算法应采取的措施。于是，利用进化计算的方法可以解决那些结构尚无人能理解的复杂问题。②本质并行性进化计算的本质并行性表现在两个方面：一是进化计算是内在并行的，即进化计算本身非常适合大规模并行。二是进化计算的内含并行性，由于进化计算采用种群的方式组织搜索，从而它可以同时搜索解空间内的多个区域，并相互交流信息，这种搜索方式使得进化计算能以较少的计算获得较大的收益。*1.5人工神经网络、模糊系统

进化计算的相互融合人工神经网络能够通过学习和训练获得用数据表达的知识，除了可以记忆已知的信息之外，神经网络还具有较强的概括能力和联想记忆能力。但神经网络的推理知识表示体现在网络连接权值上，表达比较难以理解，这是它的一个缺点。模糊系统的显著特点是能够直接地表示逻辑，适于直接的或高级的知识表达，具有较强的逻辑功能。但它没有本质的获取知识的能力，模糊规则的确定也比较困难，通常需要领域专家知识的指导。因此如何构造可自动处理模糊信息的模糊系统，即实现模糊规则的自动提取和模糊变量隶属度函数的自动生成及优化，一直是困扰模糊信息处理技术进一步推广的难题。*进化计算模拟生物进化的过程，依据适者生存、优胜劣汰的进化规则，对包含可能解的种群反复进行基于遗传的操作，不断生成新的种群并使种群不断进化，同时以全局并行搜索方式来搜索优化种群中的最优个体，以求得满足要求的最优解。其主要优点是简单、鲁棒性强、搜索空间大。随着对模糊系统和神经网络研究的深入，两个领域间相互独立的关系逐渐改变。如果将它们进行综合，即将符号逻辑推理方法与联接机制方法进行结合，将数值方法和模糊逻辑方法进行结合，其优势将远远高于单项研究。模糊系统和神经网络的融合导致了模糊神经网络的产生，许多学者已对此进行了尝试。*神经网络的网络结构的设计和权值的训练是一个十分重要而困难的问题，传统的方法多是凭经验或启发知识来设计网络，用梯度法来确定其中的权值，常常需要进行反复试验而且还很难找到最优的网络结构和权值。而进化计算为神经网络的自动设计和训练提供了一种新的途径，这就是进化神经网络。神经网络、模糊系