《人工智能控制技术》 课件 chap6-进化算法.pptx

《人工智能控制技术》进化算法

进化算法概述智能控制或智能方法研究的最终目标之一是制造出具有人脑功能(如识别、学习、推理、综合、分析、判断和决策等)的机器，诸如学习机、智能计算机、智能机器人等。目前已经比较实用化的智能方法主要有两类:一是基于“符号和逻辑”的传统人工智能派；二是基于“连接主义”神经网络理论派。这些方法的核心都是利用优化技术来解决实际的问题。一般说来，在控制系统的建模与辨识、各类控制系统的设计（从简单的PID调节器设计到复杂的离散事件系统设计）、高级控制算法的实现（如自适应控制、鲁棒控制、容错控制、学习控制等）都需要优化技术。

进化算法概述遗传学习算法是当今随机优化理论中相当活跃的一个分支。它与其他一些进化算法一起构成了随机搜索优化的新理论。应用广泛的进化算法还有粒子群算法、蚁群算法等。粒子群算法是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法，通常认为它是群集智能的一种，它可以被纳入多主体优化系统。蚁群算法是由意大利学者多里戈（Dorigo）、马涅佐（Maniezzo）等人于20世纪90年代首先提出来的。他们在研究蚂蚁觅食的过程中，发现单个蚂蚁的行为比较简单，但是蚁群整体却可以体现一些智能的行为。例如蚁群可以在不同的环境下，寻找最短到达食物源的路径。这是因为蚁群内的蚂蚁可以通过某种信息机制实现信息的传递。后又经进一步研究发现，蚂蚁会在其经过的路径上释放一种可以称之为“信息素”的物质，蚁群内的蚂蚁对“信息素”具有感知能力，它们会沿着“信息素”浓度较高路径行走，而每只路过的蚂蚁都会在路上留下“信息素”，这就形成一种类似正反馈的机制，这样经过一段时间后，整个蚁群就会沿着最短路径到达食物源了。

进化算法概述遗传算法是建立在自然选择和自然遗传学机理基础上的迭代自适应随机搜索算法,其基本思想是由美国密歇根大学霍兰德（Holland）教授在1967年首先提出来的,并在1970年用计算机程序模拟了进化过程。遗传学习算法的正式确立是以1975年霍兰德教授出版的专著《AdaptioninNaturalArtificialSystem》为标志。遗传学习算法是通过机器来模仿生物界自然选择机制的一种方法。它涉及高维空间的优化搜索,虽然它的解并不一定是最优的,但肯定是一个优良的解。此后，大量新的进化算法被提出，如差分进化算法、模拟退火算法、进化策略、进化规划、人工免疫算法等，这些算法的共同点都是从现有存在或自然界的事物出发，观察其规律和内在机理，根据观察到的规律设计算法模拟自然界的过程，达到优化计算的目的。遗传算法等进化算法的优点在于算法简单、鲁棒性强，而且大部分无需知道搜索空间的先验知识。它同神经元网络优化模型一样表现为强大的并行处理性能。因此，它们的执行时间与优化系统的规模是一种线性关系，而不会随着系统复杂程度增加带来计算量猛增的现象。一旦进化算法在某一领域应用成熟，也可利用大规模集成电路芯片来实现。

遗传算法

遗传算法的发展历史1962年,霍兰德的学生巴格利（Bagley）在博士论文中首次提出“遗传算法”一词。此后，霍兰德指导学生完成了多篇有关遗传算法研究的论文。1971年，霍尔斯泰因（Hollstien）在他的博士论文中首次把遗传算法用于函数优化。1975霍兰德出版了他的著名专著《自然系统和人工系统的自适应》，这是第一本系统论述遗传算法的专著，霍兰德在该书中系统地阐述了遗传算法的基本理论和方法，并提出了对遗传算法的理论研究和发展极其重要的模式理论。该理论首次确认了结构重组遗传操作对于获得隐并行性的重要性。同年，德容（K.A.DeJong）完成了他的博士论文《一类遗传自适应系统的行为分析》该论文所做的研究工作，他把霍兰德的模式理论与他的计算实验结合起来。1985年，在美国召开了第一届遗传算法国际会议，并且成立国际遗传算法学会，以后每两年举行一次。

遗传算法的发展历史1989年，霍兰德的学生戈德堡（D.E.Goldberg）出版了专著《搜索、优化和机器学习中的遗传算法》。该书总结了遗传算法研究的主要成果，对遗传算法及其应用作了全面而系统的论述。同年，美国斯坦福大学的科扎（Koza）基于自然选择原则创造性地提出了用层次化的计算机程序来表达问题的遗传程序设计方法，成功地解决了许多问题。1991年，戴维斯（L.Davis）编辑出版了《遗传算法手册》，其中包括了遗传算法在工程技术和社会生活中的大量应用实例。1994年，科扎又出版了《遗传程序设计，第二册:可重用程序的自动发现》深化了遗传程序设计的研究，使程序设计自动化展现了新局面。越来越多的从事不同领域的研究人员已经或正在置身于有关遗传算法的研究或应用之中。进入20世纪90年代，遗传算法迎来了兴盛发展时期，无论是理论研究还是应用研究都成了十分热门的课题。尤其是遗传算法的应