第14讲--计算机地质学---免疫遗传算法与地质应用(40页).ppt

14 免疫遗传算法与地质应用 西安科技大学 薛喜成 计算机地质学 主要内容 14.1 免疫遗传算法概述 14.2 免疫遗传算法基本原理 14.3 免疫遗传算法的算法设计 14.4 免疫遗传算法地质应用 14.1 免疫遗传算法概述 传统的BP神经网络，隐层结构至今没有一个完整的理论、公式确定，而BP神经网络的核心就在于隐层、隐单元数目及其连接权。其中隐单元不仅对建立的神经网络模型的性能影响很大，而且是训练时出现“过拟合”的直接原因，若隐单元数太少，网络可能根本不能训练或网络性能很差；若隐单元数太多，虽然可使网络的系统误差减小，但一方面使网络训练时间延长，另一方面，训练容易陷入局部极小点而得不到最优点，也是训练时出现“过拟合”的内在原因。 通常情况下BP神经网络的泛化能力随着网路的学习能力提高而提高，而过拟合是指随着学习能力的提高，网络的泛化能力反而下降的现象。通常隐单元采用修剪法或增长法来确定，采用这种方法常出现网络泛化能力差、收敛速度慢、易陷入局部极小，导致预测结果的误差增加。遗传算法较以往传统的搜索算法具有使用方便，鲁棒性强、便于并行处理等优点，因而广泛应用于组合算法、结构设计、人工智能等领域。 动物三大支柱系统中的神经网络系统、遗传进化系统已被人们广泛研究，这里还将引入第三大系统——免疫系统，基于免疫原理的遗传算法可有效地改善遗传算法的未成熟收敛缺陷，提高遗传算法的全局和局部搜索能力。 [名词] 鲁棒性：鲁棒性（robustness）就是系统的健壮性。它是在异常和危险情况下系统生存的关键。比如说，计算机软件在输入错误、磁盘故障、网络过载或有意攻击情况下，能否不死机、不崩溃，就是该软件的鲁棒性。所谓“鲁棒性”，是指控制系统在一定（结构，大小）的参数摄动下，维持某些性能的特性。根据对性能的不同定义，可分为稳定鲁棒性和性能鲁棒性。 14.2 免疫遗传算法基本原理 （1）免疫遗传算法概述 基本遗传算法（Simple Genetic Algorithm，简称SGA）是一种借鉴生物界自然选择和自然遗传机制的随机化搜索算法，它是美国密执根大学的霍勒德（J.H.Holland）于1975年首先提出来的。遗传算法具有简单通用、鲁棒性强、全局并发搜索等特点。它是一种全局化搜索算法，尤其适用于传统搜索算法难于解决的复杂和非线性问题。在理论上已经形成了一套较为完善的算法体系，然而在实际使用中，还有许多问题有待于进一步研究探讨。例如，对于单调函数或单峰函数，在初始时很快向最优值逼近，但是在最优值附近收敛较慢； 而对于多峰函数的优化问题，它往往会出现“早熟”，即收敛于局部极值。为此，人们正对基本遗传算法（SGA）作不断的改进和提高，生物体的免疫系统具有很强的自适应性，而实际问题的求解过程与生物免疫机制十分类似。基于免疫原理的遗传算法（Immunity Genetic Algorithm，简称IGA）就是一种对传统遗传算法的改进。通过对TSP问题（又称商旅问题）求解的实验表明，基于免疫原理的遗传算法可有效改善未成熟收敛缺陷，提高遗传算法的全局和局部搜索能力。 （2）免疫遗传算法基本原理 免疫算法将实际求解问题的目标函数对应为抗原，而问题的解对应为抗体。由生物免疫原理可知，生物免疫系统对入侵生命体的抗原通过细胞的分裂和分化作用，自动产生相应的抗体来抵御，这一过程被称为免疫应答。在免疫应答过程中，部分抗体作为记忆细胞保存下来，当同类抗原再次侵入时，记忆细胞被激活并迅速产生大量抗体，使再次应答比初次应答更快更强烈，体现了免疫系统的记忆功能。抗体与抗原结合后，会通过一系列的反应而破坏抗原。同时，抗体与抗体之间也相互促进和抑制，以维持抗体的多样性及免疫平衡，这种平衡是根据浓度机制进行的，即抗体的浓度越高，则越受抑制；浓度越低，则越受促进，体现了免疫系统的自我调节功能。 与生物免疫系统的功能相对应，基于免疫原理的遗传算法与标准遗传算法相比，具有如下显著特点：具有免疫记忆功能，该功能可以加快搜索速度，提高遗传算法的总体搜索能力；具有抗体的多样性保持功能，利用该功能可以提高遗传算法的局部搜索能力；具有自我调节功能，这种功能可用于提高遗传算法的全局搜索能力，避免陷入局部解。总之，免疫遗传算法既保留了遗传算法随机全局并行搜索的特点，又在相当大程度上避免未成熟收敛，确保快速收敛于全局最优解。 14.3 免疫遗传算法的算法设计 14.3.1 免疫算子 免疫算子的设计思想：引入信息熵来判断抗体的多样性，即等位基因概率的变化过程。设免疫系统有N个抗体组成，每个抗体有M位基因。每个抗体的每位可供