2012计算智能-1.概述.ppt

* * * * 用精确的数学的东西去描述模糊的东西，必然会出现问题 还有一个经典的例子，就是“沙堆悖论” * 比如，比较年轻、高个、大胖子、好、漂亮、善、热、远……。在人们的工作经验中，往往也有许多模糊的东西。 * * 主要集中在工程控制方面 * 进化计算（演化计算） 人倾向于线性地思考问题，而进化（Evolution） 则常常以人们意象不到的方式解决问题。 ——弗格《什么是进化计算》 进化计算（演化计算） 人倾向于线性地思考问题，而进化（Evolution） 则常常以人们意象不到的方式解决问题。 ——弗格《什么是进化计算》 进化计算（演化计算） 旅行商问题（Travelling Salesman Problem） 设有n个城市，任意两个城市之间的距离如矩阵D=(dij)n*n (i,j=1,2,…,n)所示，其中dij表示从城市i到城市j的距离。 寻找这样一种周游方案：周游路线从某个城市开始，经过每个城市一次且仅一次，最后回到出发城市，使得周游路线的总长度最短。 π(1)为周游序列中第i个城市的编号，且π(n+1)=π(1) 如果使用枚举法，复杂度将随着城市数目的增加急剧增加。 进化计算（演化计算） 函数优化问题 进化计算（演化计算）--思考 优化问题求解，能否借助这种方法呢？ 低级、简单 高级、复杂 进化 进化计算的概念： （Evolutionary Computation,EC）是在达尔文（Darwin）的进化论和孟德尔（Mendel）的遗传变异理论的基础上产生的一种在基因和种群层次上模拟自然界生物进化过程与机制，进行问题求解的自组织、自适应的随机有哪些信誉好的足球投注网站技术。它以达尔文进化论的“物竟天择、适者生存”作为算法的进化规则，并结合孟德尔的遗传变异理论，将生物进化过程中的繁殖、变异、竞争和选择引入到了算法中，是一种对人类智能的进化模拟方法。 进化计算（演化计算） 进化计算的主要分支：遗传算法、进化策略、进化规划三大分支。其中，遗传算法是进化计算中最初形成的一种具有普遍影响的模拟进化优化算法。 进化计算的发展史 20世纪60-70年代：萌芽阶段 体系建立、计算量大、未受重视 20世纪80年代：发展阶段 体系完善、计算机的发展、人工智能瓶颈 20世纪80以后：成熟阶段 众多研究机构和学者的高度重视、研究热点 进化计算（演化计算） 遗传算法（Genetic Algorithm）模拟达尔文的遗传选择和自然淘汰的生物进化过程 1975 年首先由Holland提出用于自然和人工系统的自适应行为研究(Adaptation in Natural and Artificial Systems) 组成：个体与群体、适应值函数、遗传操作、终止条件 特点：隐含并行性、过程性、非确定性、群体性、内在学习、统计性、稳健性、整体优化 T=0,随机初始化群体P(t) 计算P(t)中每一个个体的适应值 满足终止条件 计算群体P(t)中每个个体的选择概率 根据选择概率从群体中选择适当的个体进行杂交、变异产生新个体 输出结果 结束 神经网络（神经计算） 应该属于哪一类？ 已经学习猫狗图像 是猫是狗？ 神经网络（神经计算） 虽然上述问题对于计算机来说很难，但对于人类而言却是轻而易举的事情。因此，考虑用计算机模拟人脑，是否能完成上述工作呢？ 人脑的基础是生物神经系统。生物神经系统是由神经元构成。如果要模拟人脑，必须首先模拟神经元。 神经末梢 突触 轴突 树突 细胞核 细胞体 神经网络（神经计算） 神经元具有的特性： 1）多个输入 2）一个输出 3）输出只有抑制、兴奋两种状态 神经元工作过程： 累加各部分的加权输入，然后比较累加和是否超过阈值，如果超过，输出为兴奋状态，否则，输出为抑制状态。 θ … x1 x2 xn w1 w2 wn y 可见，输入权值和阈值对于输出状态影响巨大。 输入权值和阈值是神经元学习的基础，权值和阈值调整的过程就是学习的过程。 神经网络（神经计算） θ … x1 x2 xn w1 w2 wn y 神经元的学习—学习识别模式A和模式B 假定遇到模式A输出为0，模式B输出为1 2）如果输入的是模式A，输出为1，调整权值，使之输出为0 1）随机化输入权值和阈值 3）如果输入的是模式B，输出为0，调整权值，使之输出为1 4）重复步骤2,、3，直到训练完成 可以确定的是：如果此时输入的是模式A中的一个新样本，即使没有学过，也会有很大的概率判为模式A。 神经网络（神经计算） 神经网络的特点: 1）信息是通过神经元上的兴奋模式分布储在网络上; 2）信息处理是通过神经元之间同时相互作用的动态过程来完成的。 这就是人工智能研究的“结构（联接）主义。 神经网络 1）可