1数据融合绪论解读.ppt

1.2.3 进化计算技术 遗传算法的发展过程 从20世纪60年代开始，密歇根大学教授Holland开始研究自然和人工系统的自适应行为，开创了与目前类似的复制、交换、突变、显性、倒位等基因操作，提出了重要的模式理论，建议采用二进制编码。 进入80年代，随着以符号系统模拟智能的传统人工智能暂时陷入困境，神经网络、机器学习和遗传算法广泛应用。 进入90年代，以不确定性、非线性等为内涵，遗传算法在许多领域得到了广泛应用。 遗传算法的基本理论研究 遗传算法理论研究内容主要有分析遗传算法的编码策略，全局收敛和有哪些信誉好的足球投注网站效率的数学基础，遗传算法的新结构研究、基因操作策略及其性能研究、遗传算法参数的选择以及与其他算法的综合应用研究。 一般，遗传算法主要采用计算的方法模拟达尔文生物进化优胜劣汰过程。这是个使一个群体经过一代代选择、杂交和变异体现适应性的过程。在此过程中，好的个体具有较大的选择概率，由随机状态向好的状态和更好状态进化。 选择是按个体适应值具有较大概率者被从群体中选择两个。例如： A＝【X1，X2，…Xj-1，Xj，Xj+1，…，Xn】 B＝【Y1，Y2，…Yj-1，Yj，Yj+1，…，Yn】 然后对这两个个体进行杂交。杂交过程是在染色体链中随机地选择杂交j，交换两个父代染色体中的j点以后的基因，杂交后的结果为： A＝【X1，X2，…Xj-1，Xj，Yj+1，…，Yn】 B＝【Y1，Y2，…Yj-1，Yj，Xj+1，…，Xn】 杂交概率一般取Pc=0.6，变异是个体等位基因以一定 的概率变异。变异概率一般取Pm＝0.01。 进化计算与遗传算法的关系 进化计算（EC）体现了生物进化中的4个要素，即：繁殖、变异、竞争和自然选择。目前进化计算包括：遗传算法，进化策略、进化规划等。细分如下： 最具有代表性、最基本的遗传算法 较偏数值分析的进化策略 介于数值分析和人工智能间的进化规划 偏向进化的自组织和系统动力学特性的进化动力学 偏向以程式表现人工智能行为的遗传规划 适应动态环境学习的分类元系统 用以观察复杂系统互动的各种生态模拟系统 研究人工生命（Artifical Life）的细胞自动机 模拟蚂蚁群体行为的蚁元系统 遗传算法参数的选择 遗传算法中需要选择的参数主要有串长L，群体大小n，交换概率Pc，以及突变概率Pm等。 二进制编码时，串长L的选择取决于特定问题解的精度。Goldberg提出了变长度串的概念，并显示了良好性能，为了选择合适的n、Pc、Pm，谢弗（Schaffer）建议的最优参数范围是：n＝20~30，Pc＝0.75~0.95，Pm=0.005~0.01。 目前常用的参数范围是n＝20~200，Pc＝0.5~1.0，Pm=0~0.05，在简单遗传算法（SGA）或标准遗传算法（CGA）中，这些参数是不变的。 遗传算法的应用 遗传算法的应用研究比理论研究更为丰富，已渗透到许多学科。遗传算法的应用按其方式可分为三大部分，即基于遗传的优化计算、基于遗传的优化编程、基于遗传的机器学习。分别简称为： 遗传计算（Genetic Computation） 遗传编程（Genetic Programming） 遗传学习（Genetic Learning） 1.3 智能技术的综合集成 1.3.1 模糊系统与神经网络的结合 1.3.2 神经网络与遗传算法的结合 1.3.3 模糊技术、神经网络和遗传算法的综合集成 1.3.1 模糊系统与神经网络的结合 模糊系统和神经网络相互融合 模糊技术的特长在于逻辑推理能力，容易进行高层的信息处理，将模糊技术引入神经网络可大大地拓宽神经网络处理信息的范围和能力，使其不仅能处理精确信息，也能处理模糊信息和其他不精确性联想映射，特别是模糊联想及模糊映射。 神经网络在学习和自动模式识别方面有极强的优势，采取神经网络技术来进行模糊信息处理，可以让模糊规则自动提取及模糊隶属函数自动生成，使模糊系统成为一种具有自适应、自学习和自组织功能的模糊系统。 1.3.2 神经网络与遗传算法的结合 神经网络和遗传算法相互融合 神经网络（NN）和遗传算法（GA）的结合表现在以下两个方面， 辅助式结合，比较典型的是用GA对信息进行预处理，然后用NN进行求解问题，比如在模式识别中先用GA进行特征提取，而后