《高级人工智能计算智能.pptx》由会员分享，可在线阅读，更多相关《高级人工智能计算智能.pptx（82页珍藏版）》请在第壹文秘上搜索。
1、人工智能人工智能本章内容本章内容 概述概述 演化计算演化计算 模糊模糊计算计算本章内容本章内容 概述概述 演化计算演化计算 模糊模糊计算计算 计算计算智能智能（Computational Intelligence，CI） 计算计算智能是在智能是在神经网络（神经网络（Neural Networks,NN）、演化计算、演化计算（Evolutionary Computation,EC）及模糊系统（）及模糊系统（Fuzzy System,FS）这这3个领域发展相对成熟的基础上形成的一个统一个领域发展相对成熟的基础上形成的一个统一的学科概念的学科概念。 什么什么是计算智能是计算智能如果一个系统仅处理低层
2、的数值数据，含有模式识别部件，如果一个系统仅处理低层的数值数据，含有模式识别部件，没有使用人没有使用人工智能意义上的知识工智能意义上的知识，且具有，且具有计算适应性、计算容错力、接近人的计算计算适应性、计算容错力、接近人的计算速度速度和和近似于人的误差率近似于人的误差率这这4 4个特性，则它是计算智能的。个特性，则它是计算智能的。 神经网络神经网络是一种对人类智能的是一种对人类智能的结构模拟结构模拟方法，它是通过方法，它是通过对大量人工神经元的广泛并行互联，构造人工神经网络对大量人工神经元的广泛并行互联，构造人工神经网络系统去模拟生物神经系统的智能机理。系统去模拟生物神经系统的智能机理。 演化
3、演化计算计算是一种对人类智能的是一种对人类智能的演化模拟演化模拟方法，它是通过方法，它是通过对生物遗传和演化过程的认识，用进化算法去模拟人类对生物遗传和演化过程的认识，用进化算法去模拟人类智能的进化规律的。智能的进化规律的。 模糊模糊计算计算是一种对人类智能的是一种对人类智能的逻辑模拟逻辑模拟方法，它是通过方法，它是通过对人类处理模糊现象的认知能力的认识，用模糊逻辑去对人类处理模糊现象的认知能力的认识，用模糊逻辑去模拟人类的智能行为的。模拟人类的智能行为的。本章内容本章内容 概述概述 演化计算演化计算 模糊模糊计算计算7演化计算（演化计算（Evolutionary Evolutionary C
4、omputation,ECComputation,EC）：）：在在基因和种群层次上模拟自然界生物进化过程与机制的问题基因和种群层次上模拟自然界生物进化过程与机制的问题求解技术和计算模型求解技术和计算模型。思想思想源于源于生物遗传学生物遗传学和和适者生存适者生存的的自然规律自然规律基于基于达尔文（达尔文（DarwinDarwin）的进化论和孟德尔（）的进化论和孟德尔（MendelMendel）的遗传）的遗传变异理论变异理论典型代表：典型代表：遗传遗传算法（算法（Genetic AlgorithmGenetic Algorithm，GAGA）进化进化策略（策略（Evolutionary Evolu
5、tionary Strategy,ESStrategy,ES）进化进化规划（规划（Evolutionary Evolutionary Programming,EPProgramming,EP）遗传遗传规划（规划（Genetic Genetic Programming,GPProgramming,GP）演化演化计算计算 达尔文的达尔文的自然选择学说自然选择学说是一种被人们广泛接受的生物进是一种被人们广泛接受的生物进化化学说：学说：生物要生存下去，就必须进行生存斗争。具有有利变异的个体容易存活有利变异的个体容易存活下来，并且有更多的机会将有利变异传给后代；具有不利变异的个体就容易不利变异的个体就容
6、易被淘汰被淘汰，产生后代的机会也少的多。：自然选择。遗传和变异遗传和变异是决定生物进化的内在因素。（相对稳定+新的物种）演化演化计算计算9 孟德尔基因遗传原理孟德尔基因遗传原理遗传以密码方式存在细胞中，并以基因基因形式包含在染色染色体体内。每个基因有特殊的位置并控制某种特殊性质；所以，每个基因产生的个体对环境具有某种适应性。基因突变和基因杂交基因突变和基因杂交可产生更适应于环境的后代。演化演化计算计算10一一种模拟自然界生物进化过程与机制进行种模拟自然界生物进化过程与机制进行问题求解的自组织、自适应的问题求解的自组织、自适应的随机搜索随机搜索技术技术。 演化规则：演化规则：“物竞天择、适者生存
7、物竞天择、适者生存” 演化操作：演化操作：演化计算及其生物学基础演化计算及其生物学基础 遗传遗传算法的基本思想是算法的基本思想是从初始种群出发，采用优胜劣汰、适从初始种群出发，采用优胜劣汰、适者生存的自然法则选择个体，并通过杂交、变异来产生新一者生存的自然法则选择个体，并通过杂交、变异来产生新一代种群，如此逐代进化，直到满足目标代种群，如此逐代进化，直到满足目标为止为止 基本概念：基本概念：种群种群（Population）：多个备选解的集合。个体（个体（Individual）：）：种群中的单个元素，通常由一个用于描述其基本遗传结构的数据结构来表示。例如，长度为L 的0、1串染色体染色体（Chr
8、omos）：对个体仿照基因编码进行编码后所得到的编码串。染色体中的每一位称为基因，染色体上由若干个基因构成的一个有效信息段称为基因组。遗传算法遗传算法 基本概念：基本概念：适应度（适应度（Fitness）函数）函数：用来对种群中各个个体的环境适应性进行度量的函数，函数值是遗传算法实现优胜劣汰的主要依据遗传操作（遗传操作（Genetic Operator）：作用于种群而产生新的种群的操作。 选择选择（Selection） 交叉交叉（Cross-over） 变异变异（Mutation） 遗传算法遗传算法遗传遗传算法主要由算法主要由染色体编码、初始种群设定、适应度函数设定、遗传操作染色体编码、初始种
9、群设定、适应度函数设定、遗传操作设计设计等几大部分所组成等几大部分所组成，算法基本步骤：算法基本步骤： 1. 选择编码策略，将问题搜索空间中每个可能的点用相应的编码策略表示出来，即形成染色体；2.2. 定义定义遗传策略遗传策略，包括种群规模包括种群规模N N，交叉、变异方法，以及选择概，交叉、变异方法，以及选择概率率PrPr、交叉概率、交叉概率PcPc、变异概率、变异概率PmPm等遗传参数；等遗传参数；3. 令t=0，随机选择N个染色体初始化种群P(0)；4.4. 定义定义适应度函数适应度函数f f；5. 计算P(t)中每个染色体的适应值；6. t=t+1；7. 运用选择算子，从P(t-1)中
10、得到P(t)；8. 对P(t)中的每个染色体，按概率Pc参与交叉；9. 对染色体中的基因，以概率Pm参与变异运算；10. 判断群体性能是否满足预先设定的终止标准，若不满足返回(5)。遗传算法遗传算法计算种群中各个个体的适应度，并进行评价满足终止条件吗？终止选择交叉变异Y编码和生成初始种群N选择遗传算法遗传算法适应函数 环境适应函数值 适应性适应函数值最大的解被保留的概率最大 适者生存问题的一个解 个体解的编码 染色体编码的元素 基因被选定的一组解 群体根据适应函数选择的一组解（以编码形式表示） 种群以一定的方式由双亲产生后代的过程 繁殖编码的某些分量发生变化的过程 变异遗传遗传算法与生物进化之
11、间对应关系算法与生物进化之间对应关系 二进制编码二进制编码（Binary encodingBinary encoding） 二进制编码二进制编码是将原问题的结构变换为染色体的位串结构。是将原问题的结构变换为染色体的位串结构。假设某一假设某一参数的取值范围是参数的取值范围是AA，BB，ABAB。用长度为用长度为L L的二进制编码的二进制编码串来表示该参串来表示该参数，将数，将AA，BB等分成等分成2 2L L- -1 1个子部分，记每一个等分的长度为个子部分，记每一个等分的长度为。例：假设例：假设变量变量x x的定义域的定义域为为 5 5，10)10)，要求的计算精度为要求的计算精度为1010-
12、5-5，则需要将，则需要将55，10)10)至少分为至少分为10000001000000个等长小区间，每个小区间用一个二进制串表示。于是，串长个等长小区间，每个小区间用一个二进制串表示。于是，串长至少等于至少等于2020，原因是，原因是： 524288=2524288=2191910000002100000022020=1048576 =1048576 这样这样，对应于区间，对应于区间55，10)10)内内满足精度要求的每个值满足精度要求的每个值x x，都可用一个，都可用一个2020位编码的二进制串位编码的二进制串来表示。来表示。 例如，例如，7 7和和8 8的二进制数分别为的二进制数分别为0
13、1110111和和10001000，当算，当算法从法从7 7改进到改进到8 8时，就必须改变所有的位。时，就必须改变所有的位。 遗传编码遗传编码 格格雷编码（雷编码（Gray encodingGray encoding）要求要求两个连续整数的编码之间只能有一个码位不同，其余码位都是完全两个连续整数的编码之间只能有一个码位不同，其余码位都是完全相同的相同的。有效有效地解决地解决了海明了海明悬崖悬崖问题。问题。基本原理：基本原理：二进制码二进制码-格雷码（编码）：从最右边一位起，依次将每一位与格雷码（编码）：从最右边一位起，依次将每一位与左边一位异或左边一位异或(XOR)(XOR)，作为对应格雷码
14、该位的值，最左边一位不变；，作为对应格雷码该位的值，最左边一位不变；格雷码格雷码- -二进制码（解码）：从左边第二位起，将每位与左边一二进制码（解码）：从左边第二位起，将每位与左边一位位解码后解码后的值异或，作为该位解码后的值，最左边一位依然不变。的值异或，作为该位解码后的值，最左边一位依然不变。遗传编码遗传编码 符号编码（符号编码（Symbol encoding）个体个体染色体编码串中的基因值取自一个无数值含义、而只有代码染色体编码串中的基因值取自一个无数值含义、而只有代码含义的符号集含义的符号集。nwww,.,21由于是回路，记由于是回路，记wn+1= w1。它其实是它其实是1，n的一个循
15、环排列。的一个循环排列。要注意要注意w1， w2， wn是互不相同的是互不相同的。遗传编码遗传编码例如，对于例如，对于TSP问题，采用符号编码方法，按一条回路中城市的次序问题，采用符号编码方法，按一条回路中城市的次序进行编码，一般情况是从城市进行编码，一般情况是从城市w1开始，依次经过城市开始，依次经过城市w2 ， wn，最后回到城市最后回到城市w1，我们就有如下编码表示，我们就有如下编码表示：适应适应度函数度函数是一个用于对个体的适应性进行度量的函数是一个用于对个体的适应性进行度量的函数。个体个体的适的适应度值越大，它被遗传到下一代种群中的应度值越大，它被遗传到下一代种群中的概率越大概率越大
16、常用常用的适应度函数的适应度函数原始原始适应度适应度函数函数: : 直接直接将待求解问题的目标函数将待求解问题的目标函数f(x)f(x)定义为遗传算法定义为遗传算法的适应度函数的适应度函数。 例如：求最大值例如：求最大值 时，时，f(x)f(x)即为即为x x的原始适应度函数的原始适应度函数。：能够直接反映出待求解问题的最初求解目标， 缺点：缺点：有可能出现适应度值为负的情况)(max,xfbax适应度函数适应度函数 TSPTSP的目标是路径总长度为最短，路径总长度的目标是路径总长度为最短，路径总长度可作为可作为TSPTSP问题的适应度函数问题的适应度函数：njjjnwwdwwwf1121),(1).(适应度函数适应度函数标准标准适应度函数适应度函数 在遗传算法中，一般要求适应度函数非负，并其适应度值越大越好。这就往往需要对原始适应函数进行某种变换，将其转换为标准的度量方式，以满足进化操作的要求，这样所得到的适应度函数被称为标准适应度函数fNormal(x)。 例：例：对对极小化问题，其标准适应度函数可定义为极小化问题，其标准适应度函数可定义为其中，其中，f fmaxmax (x)(x
