人工智能--遗传算法的决策支持详解.ppt

* * 遗传算法的决策支持 1 遗传算法原理 2 获取知识的遗传算法 3 应用实例 遗传算法（Genetic Algorithms,GA）是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化有哪些信誉好的足球投注网站算法。 它模拟了生物的繁殖、交配和变异现象，从初始的种群，产生一群更适应环境的后代，适合于复杂的非线性问题。 1 遗传算法 遗传学原理 遗传是作为一种指令码封装在每个染色体(个体) 中，并以基因 (位)的形式包含在染色体(个体)中。 基因杂交和基因突变能产生对环境适应性强的后代，通过优胜劣汰的自然选择，适应值高的基因结构就保存下来。 遗传算法基本思想： 遗传算法将问题的每个可能的解按某种形式进行编码，编码后的解称作染色体（个体）。 随机选取N个染色体（个体）构成初始种群，再根据预定的评价函数对每个染色体计算适应值，使得性能较好的染色体具有较高的适应值。 选择适应值高的染色体进行复制，通过遗传算子：选择、交叉（重组）、变异，来产生一群新的更适应环境的染色体，形成新的种群。 这样一代一代不断繁殖、进化，最后收敛到一个最适应环境的个体上，求得问题的最优解。 初始化初始种群（编码成位串形式） 计算每一个染色体（个体）的适应值 是否满足 优化准则 输出结果 Yes No 选择 交叉 变异 产生新一代种群 遗 传 算 子 遗传算法的处理流程图 控制参数 参数主要有个体编码长度、群体大小M、交叉概率Pc、变异概率Pm、终止代数T等 这些参数对遗传算法的运行影响很大，需要认真选择。 遗传算子 1、选择(Selection)算子 依据每个染色体的适应值大小，适应值越大，被选中的概率就越大，其子孙在下一代产生的个数就越多。 2、交叉(Crossover)算子 通过染色体重组来产生新一代染色体。 如有两个用二进制编码的个体A和B。 交叉前后为： A=a1a2a3│a4a5 A’=a1a2a3│b4b5 B=b1b2b3│b4b5 B’=b1b2b3│a4a5 (父代) (子代) 3、变异(Mutation)算子 变异增加了遗传算法找到接近最优解的能力。 变异就是以很小的概率，随机地改变字符串某个位置上的值。把某一位的内容进行变异。 在二进制编码中，就是将某位0变成1，1变成0。 如：110010的第四位变异成110110 （父代） （子代） 1980年，Smith采用遗传算法研制的分类器系统。 基本思想： 将规则“条件condition”和“结论action”合并成消息个体，适应值设计成分类器（规则）覆盖消息的个数，覆盖消息个数越多，规则的有效性愈大。 2 获取知识的遗传算法 基于遗传分类学习系统 分类器系统结构 检 测 器 消息表 信任分配算法 工作分类器 遗传算法 测试表 作用器 客观环境 1、检测器 一条消息Mi是一个二元组，其形式如下： 将环境信息由重要特征和类别组成的训练例子集编码成二进制字符串的消息。 2、消息表 包含当前所有的消息（训练例子集）。 3、分类器 由当前遗传产生的规则组成，一个规则Ci是一个三元组，形式如下： 4、测试表 由所有测试例子组成，一个测试例子Ti是一个二元组，只是结论部分形式如下： 5、作用器 将测试的判别结果转换成具体问题的真实的输出值，并作用于环境。 应用实例 这是一个学习识别脑出血和脑血栓两种疾病的诊断规则的应用实例。为了作出判断，应当考虑如下几个方面的特征（属性）： 1、应用说明 高 血 压： 00 – 无，01 –有 动 脉 硬 化： 00 – 无，01 –有 起 病 方 式： 00 – 慢，01 –快 偏 瘫： 00 – 否，01 –是 瞳孔不等大： 00 – 否，01 –是 两 便 失 禁： 00 – 否，01 –是 呕 吐： 00 – 否，01 –是 语言障碍： 00 – 否，01 –是 意识障碍： 00 – 无，01 –深度，10 – 轻度 膝腱反射： 00 – 无，01 –活跃，10 – 不活跃 病理反射： 00 – 阴性（-），01 –阳性（+） 病情发展： 00 – 慢，01 –快 类 别： 00 – 脑血栓，01 –脑出血 编码原则 2、获取知识 1、编码方式 ：每个训练例子是由12个特征和1个 类别组成。 动脉硬化 偏瘫 两便失禁 语言障碍 膝腱反射 病情发展 0 1 0 0 0 1 0 1 0 1 0 1 0 1 0 1 0 1 1 0 0 1 0 1 0 1 高血压 起病方式 瞳孔不等大 呕吐 意识障碍 病理反射 类别 将例子编码成二进制字符串：消息