人工智能遗传算法.pptx

计算智能;计算智能是信息科学和生命科学相互交叉的前沿领域,是现代科学技术发展的一个重要体现。计算智能涉及神经网络、模糊逻辑、进化计算和人工生命等领域，它的研究和发展反映了当代科学技术多学科交叉与集成的重要发展趋势。;贝兹德克于1994年提出了一种A，B，C智能模型，从而表示ABC与神经网络、模式识别和智能之间的关系：A：Artificial ,表示人工的、符号的（非生物的）B：Biological ,表示生物的C：Computational,表示计算的计算智能是一种智力方式的底层认知，它与人工智能的区别是认知层次从中层下降到底层而已。中层系统含有知识，底层系统没有知识。;计算智能与人工智能的区别与联系;计算智能系统与人工智能系统;神经计算（Neural Computation）;遗传算法; 遗传算法简称GA（Genetic Algorithms）是1975年由美国Michigan(密歇根州)大学的J.Holland教授提出的模拟自然界生物遗传学（孟德尔）和生物进化论（达尔文）通过人工方式所构造的一类并行随机有哪些信誉好的足球投注网站最优化方法，是对生物进化过程进行的一种数学仿真，是进化计算的重要形式。; 在生物系统中，进化被认为是一种成功的自适应方法，具有很好的健壮性。其主要特点是 (1)直接对结构对象进行操作，不存在求导和函数连续性的限定； (2)具有内在的隐含并行性和更好的全局寻优能力； (3)采用概率化的寻优方法，能自动获取和指导优化的有哪些信誉好的足球投注网站空间， 自适应地调整有哪些信誉好的足球投注网站方向，不需要确定的规则。 遗传算法已被广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关计算智能中的关键技术之一。 遗传算法是以达尔文的自然选择学说为基础发展起来的。自然选择学说包括以下三个方面：;（1）遗传：这是生物的普遍特征，亲代把生物信息交给子代，子代总是和亲代具有相同或相似的性状。生物有了这个特征，物种才能稳定存在。 （2）变异：亲代和子代之间以及子代的不同个体之间的差异，称为变异。变异是随机发生的，变异的选择和积累是生命多样性的根源。 （3）生存斗争和适者生存：具有适应性变异的个体被保留下来，不具有适应性变异的个体???淘汰，通过一代代的生存环境的选择作用，性状逐渐逐渐与祖先有所不同，演变为新的物种。; 遗传算法将“优胜劣汰，适者生存”的生物进化原理引入优化参数形成的编码串群体中，按所选择的适应度函数并通过遗传中的复制、交叉及变异对个体进行筛选，适应度高的个体被保留下来，组成新的群体，新的群体既继承了上一代的信息，又优于上一代。这样周而复始，群体中个体适应度不断提高，直到满足一定的条件。遗传算法的算法简单，可并行处理，并能到全局最优解。 如：爱斯基摩人，;2、遗传算法的基本操作为： （1）复制（Reproduction Operator） 复制是从一个旧种群中选择生命力强的个体位串产生新种群的过程。具有高适应度的位串更有可能在下一代中产生一个或多个子孙。 复制操作可以通过随机方法来实现。首先产生0~1之间均匀分布的随机数，若某串的复制概率为40%，则当产生的随机数在0.40~1.0之间时，该串被复制，否则被淘汰。;（2）交叉（Crossover Operator） 复制操作能从旧种群中选择出优秀者，但不能创造新的染色体。而交叉模拟了生物进化过程中的繁殖现象，通过两个染色体的交换组合，来产生新的优良品种。 交叉的过程为：在匹配池中任选两个染色体，随机选择一点或多点交换点位置；交换双亲染色体交换点右边的部分，即可得到两个新的染色体数字串。;交叉体现了自然界中信息交换的思想。交叉有单点交叉、两点交叉、还有一致交叉、顺序交叉和周期交叉。单点交叉是最基本的方法，应用较广。它是指染色体切断点有一处，例：;（3）变异(Mutation Operator) 变异运算用来模拟生物在自然的遗传环境中由于各种偶然因素引起的基因突变，它以很小的概率随机地改变遗传基因（表示染色体的符号串的某一位）的值。在染色体以二进制编码的系统中，它随机地将染色体的某一个基因由1变为0，或由0变为1。; 若只有选择和交叉，而没有变异，则无法在初始基因组合以外的空间进行有哪些信誉好的足球投注网站，使进化过程在早期就陷入局部解而进入终止过程，从而影响解的质量。为了在尽可能大的空间中获得质量较高的优化解，必须采用变异操作。;17;18;19;20;21;22;23;24;25;26;27;28;29;30;31;32;33;34;35;36;37;38;39;40;41;42;43;44;45;46;47;48;49;50;51;52;53;54;55;56;57;58;59;60;7 遗传算法的应用领域 （1）函数优化。 函数优化是遗传算法