高级人工智能-计算智能.pptx

人工智能;本章内容;本章内容;计算智能（Computational Intelligence，CI） 计算智能是在神经网络（Neural Networks,NN）、演化计算（Evolutionary Computation,EC）及模糊系统（Fuzzy System,FS）这3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。 ;神经网络是一种对人类智能的结构模拟方法，它是通过对大量人工神经元的广泛并行互联，构造人工神经网络系统去模拟生物神经系统的智能机理。 演化计算是一种对人类智能的演化模拟方法，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智能的进化规律的。 模糊计算是一种对人类智能的逻辑模拟方法，它是通过对人类处理模糊现象的认知能力的认识，用模糊逻辑去模拟人类的智能行为的。;本章内容;7;达尔文的自然选择学说是一种被人们广泛接受的生物进化学说： 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被淘汰，产生后代的机会也少的多。 适者生存，不适者淘汰：自然选择。 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）;9;10;遗传算法的基本思想是从初始种群出发，采用优胜劣汰、适者生存的自然法则选择个体，并通过杂交、变异来产生新一代种群，如此逐代进化，直到满足目标为止 基本概念： 种群（Population）：多个备选解的集合。 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（Chromos）：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。;基本概念： 适应度（Fitness）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（Genetic Operator）：作用于种群而产生新的种群的操作。 选择（Selection） 交叉（Cross-over） 变异（Mutation） ;遗传算法主要由染色体编码、初始种群设定、适应度函数设定、遗传操作设计等几大部分所组成， 算法基本步骤： 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； 定义遗传策略，包括种群规模N，交叉、变异方法，以及选择概率Pr、交叉概率Pc、变异概率Pm等遗传参数； 令t=0，随机选择N个染色体初始化种群P(0)； 定义适应度函数f； 计算P(t)中每个染色体的适应值； t=t+1； 运用选择算子，从P(t-1)中得到P(t)； 对P(t)中的每个染色体，按概率Pc参与交叉； 对染色体中的基因，以概率Pm参与变异运算； 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 生物进化 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;二进制编码（Binary encoding） 二进制编码是将原问题的结构变换为染色体的位串结构。假设某一参数的取值范围是[A，B]，AB。用长度为L的二进制编码串来表示该参数，将[A，B]等分成2L-1个子部分，记每一个等分的长度为δ。 例：假设变量x的定义域为[5，10)，要求的计算精度为10-5，则需要将[5，10)至少分为1000000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20，原因是： 524288=2191000000220=1048576 这样，对应于区间[5，10)内满足精度要求的每个值x，都可用一个20位编码的二进制串b19,b18,…,b0来表示。 优点：易于理解和实现，可表示的模式数最多 主要缺点: 海明悬崖。 例如，7和8的二进制数分别为0111和1000，当算法从7改进到8时，就必须改变所有的位。 ;;符号编码（Symbol encoding） 个体染色体编码串中的基因值取自一个无数值含义、而只有代码含义的符号集。;适应度函数是一个用于对个体的适应性进行度量的函数。个体的适应度值越大，它被遗传到下一代种群中的概率越大 常用的适