【正文】 利用 GA中的遺傳算子，產(chǎn)生其 “后代 ”n 用產(chǎn)生的 “后代 ”取代分類器中適應(yīng)值小者。遺傳算法（ Geicfitness?fitness。信任分配算法n 實(shí)質(zhì)對(duì)各條規(guī)則作用于環(huán)境的有效性進(jìn)行評(píng)價(jià)，而本系統(tǒng)中的環(huán)境就是訓(xùn)練子集。n 當(dāng)執(zhí)行完精練分類器規(guī)則后，其結(jié)論部分 yi就被賦值成與消息Mi完全一樣形式，即 分類器（ Classifier）n 所獲得的規(guī)則中包含通配符 ，如： 10， 1110是一致的。檢測(cè)器 這便于遺傳算子的處理。THEN遺傳算法結(jié)果n 計(jì)算結(jié)果表明：n n個(gè)城市的最佳路徑接近一個(gè)外圈無(wú)交叉的環(huán)路。3變異為：6如：A，＝，＝ 9 8 5 |4 10 3| 1 7 2 6 B，＝，＝ 8 3 1 |5 6 7| 2 9 10 4變異 518273隨機(jī)地從種群中選出要交叉的 兩個(gè)不同個(gè)體 ，隨機(jī)地選取一個(gè)交叉段。沿個(gè)體標(biāo)示的城市序列的所經(jīng)過(guò)的沿個(gè)體標(biāo)示的城市序列的所經(jīng)過(guò)的距離距離 :交叉 210828　 顯然，在這一代種群中已經(jīng)出現(xiàn)了適應(yīng)度最高的染色體 s1=11111。 s1’’=11111（ 31） , 1s4=10000 144 適應(yīng)度 選擇概率 積累概率 s2=01100（ 12）s3’’=11011（ 27） ,分 別 交 換 后兩 位基因，得新染色體：1于是，經(jīng)復(fù)制得群體：s1’ =11000（ 24） , 64 1s2=11000 ==其計(jì)算公式為 ? 　 ① =選擇概率的計(jì)算公式為 由此可求得 P(s1)s4=s2=這樣 ,原問(wèn)題可轉(zhuǎn)化為在區(qū)間［ 0,將群體 S3作為新一代種群，即用 S3代替 S， t按選擇概率 P(xi)所決定的選中機(jī)會(huì)，每次從 S中隨機(jī)選定 1個(gè)個(gè)體并將其染色體復(fù)制，共做 N次，然后將復(fù)制所得的 N個(gè)染色體組成群體 S1； sN}，置代數(shù)計(jì)數(shù)器 t=1；步 3步 1用遺傳算法求解這些帶約束的問(wèn)題，需要進(jìn)行一些處理。優(yōu)化模型的遺傳算法求解 優(yōu)化模型的遺傳算法處理 實(shí)例適應(yīng)值函數(shù)優(yōu)化n 遺傳算法在進(jìn)化搜索中用目標(biāo)函數(shù)即適應(yīng)值函數(shù)為依據(jù)。遺傳算法的基本特征 n 遺傳算法是在 求解問(wèn)題的編碼串 上進(jìn)行操作，從中找出高適應(yīng)值的位串，而不是對(duì)問(wèn)題目標(biāo)函數(shù)和它們的參數(shù)直接操作。n n 模式定理是遺傳算法的理論基礎(chǔ)n 它說(shuō)明 高適應(yīng)值、長(zhǎng)度短、階數(shù)低 的模式在后代中至少以指數(shù)增長(zhǎng)包含該模式 H的位串的數(shù)目。n 一個(gè)模式 (Schema)就是一個(gè)描述種群中在位串的某些確定位置上具有 相似性 的位串子集的 相似性模板 (Similarity交換其后 4位基因 ,這里的選擇概率 P(xi)的計(jì)算公式為（一）選擇（一）選擇 (Selection)算子算子（二）交叉（二）交叉 (crossover)算子算子n 它又稱 重組 (rebination)n 選擇是從種群中選擇生命力強(qiáng)的染色體產(chǎn)生 新種群的過(guò)程 。如果目標(biāo)函數(shù)不是取最大值時(shí)，需要將它映射成適應(yīng)值函數(shù)。群體中個(gè)體的編碼n 如何將問(wèn)題描述成位串的形式，即問(wèn)題編碼。首先將問(wèn)題的每個(gè)可能的解按某種形式編碼，編碼后的解稱作染色體（個(gè)體）。n 個(gè)體就是模擬生物個(gè)體而對(duì)問(wèn)題中的對(duì)象（一般就是問(wèn)題的解）的一種稱呼，一個(gè)個(gè)體也就是搜索空間中的一個(gè)點(diǎn)。n 1980年 Smith教授將遺傳算法應(yīng)用于機(jī)器學(xué)習(xí)領(lǐng)域，研制出了一個(gè)著名的分類器 (Classifier)系統(tǒng)。遺傳算法原理n 遺傳算法 (Geic M12）圖 專家系統(tǒng)應(yīng)用現(xiàn)有一個(gè)彈簧，滿足如下特性：E？？ C1B1建模專家系統(tǒng) F（ X） /M＝ F（ T） /MM7： X″+（ C1/M） X′+DSS作為推理機(jī)，受 ES的推理機(jī)控制；圖 解決問(wèn)題的特點(diǎn) 體現(xiàn)以定量分析為主，結(jié)果定性分析解決問(wèn)題的特點(diǎn)。集成特點(diǎn)，具有調(diào)用和集成 DSS和 ES的能力。 專家系統(tǒng)與決策支持系統(tǒng)集成 當(dāng)調(diào)用此規(guī)則時(shí)，把它壓入棧內(nèi)（相當(dāng)于對(duì)樹(shù)的搜索），當(dāng)此規(guī)則的結(jié)論已求出（ yes或 no）時(shí)，需要將此規(guī)則退棧（相當(dāng)于對(duì)樹(shù)的回溯）。N1 7 982GA B CJI K L M E4 5Y X F Z P Q1011 123Y WY Y YN6逆向推理過(guò)逆向推理過(guò)程在推理樹(shù)程在推理樹(shù)中的反映為中的反映為推理樹(shù)的深推理樹(shù)的深度優(yōu)先搜索度優(yōu)先搜索過(guò)程。? (結(jié)論 )前提 J畫出畫出 “與或與或 ”推理樹(shù)推理樹(shù)A BI J KW Z P Q 用規(guī)則的前提和結(jié)論形式畫出逆向推理樹(shù)形式為： n 按 逆向推理 思想把知識(shí)庫(kù)所含的 總目標(biāo) （它是某些規(guī)則的結(jié)論）作為根結(jié)點(diǎn)，按規(guī)則的前提和結(jié)論展開(kāi)成一棵樹(shù)的形式。 A→ B 產(chǎn)生式規(guī)則n 產(chǎn)生式規(guī)則知識(shí)表示允許有如下的特點(diǎn)：n ⒈ 相同的條件可以得出不同的結(jié)論。產(chǎn)生式規(guī)則n 匹配需要找事實(shí) ,這個(gè)事實(shí)一是來(lái)自于規(guī)則庫(kù)中別的規(guī)則，一是來(lái)自向用戶提問(wèn)。專家系統(tǒng)可以概括為： （ D）能得出 未知 的事實(shí)（如推導(dǎo)出新的微分公式）。n 如果把數(shù)據(jù)看成是知識(shí)，算法看成推理的話，它也是一種知識(shí)推理。? 這個(gè)推理過(guò)程是一個(gè)不固定形式的推理，即前后用哪個(gè)公式，調(diào)用多少次這些公式都隨問(wèn)題變化而變化。專家系統(tǒng)與 DSS的集成n 如果是精確值 ,就不是啟發(fā)式函數(shù)。因?yàn)樯疃扔?，?fù)數(shù)愈大，搜索法總向深度發(fā)展。h（ x）是從當(dāng)前狀態(tài)到目標(biāo)狀態(tài)的耗費(fèi)。這要求在 已擴(kuò)展 的結(jié)點(diǎn)中取最佳路徑。h（ x） 表示當(dāng)前狀態(tài)到目標(biāo)狀態(tài)的耗費(fèi)。n （ 2）朝一個(gè)方向 前進(jìn)一大步 （按某方向深度優(yōu)先搜索多次），走出平頂區(qū)，按別方向進(jìn)行爬山。n 2步。這種生成測(cè)試法就是 廣度優(yōu)先 搜索法。但是， 如果目標(biāo)節(jié)點(diǎn)不在此分支上，而該分支又是一個(gè)無(wú)窮分支，則就不能得到解。 3)把 OPEN表的第一個(gè)節(jié)點(diǎn) (記為節(jié)點(diǎn) n)取出放入 CLOSED表。n 當(dāng)它仍不是目標(biāo)狀態(tài) G時(shí)，回溯到上一層結(jié)果，取另一可能擴(kuò)展搜索的分支。 6) 擴(kuò)展節(jié)點(diǎn) n，將其子節(jié)點(diǎn)放入 OPEN表的尾部，并為每一個(gè)子節(jié)點(diǎn)都配置指向父節(jié)點(diǎn)的指針，然后轉(zhuǎn)第 2)步。 圖 n 啟發(fā)式搜索。 搜索技術(shù)n 人工智能中發(fā)展了一種稱為啟發(fā)式搜索方法，基本思想可用一個(gè)實(shí)例來(lái)說(shuō)明：n 一個(gè)外地人到某城市出差，他想到書店看看，又不知書店在何處，如果采取盲目搜索，從住地出發(fā)沿任一方向走，在分叉路口又任選一分支走，他可能走幾天幾夜也找不到n 如果采用啟發(fā)式方法，他會(huì)問(wèn)路上的人，到書店怎樣走。B,C,E產(chǎn)生式規(guī)則庫(kù) C∧ D→AG A D EB C事實(shí)庫(kù)產(chǎn)生式規(guī)則庫(kù)和事實(shí)庫(kù)的初始狀態(tài)為： 產(chǎn)生式規(guī)則n 逆 (反 )向推理 2.n 前提條件中各子項(xiàng)，若在事實(shí)庫(kù)中 不是全部存在 ，放棄該條規(guī)則。產(chǎn)生式規(guī)則n 演繹推理只能解釋一般規(guī)律中的個(gè)別現(xiàn)象針對(duì)這種情況，馮燦的律師羅文錦取出口袋的金懷表，高聲問(wèn)法官： “請(qǐng)問(wèn)這是什么表？ ”法官答道： “這是金表，可是這與本案有什么關(guān)系？ ”羅文錦高舉金表，面對(duì)法庭上所有的人說(shuō)： “有關(guān)系。A事物有 abcd屬性 ,B事物有 abc屬性（或 a,b,c相似屬性 ）所以， B事物也可能有 d屬性（或 d相似屬性） 類比推理的結(jié)論帶有或然性，它的可靠性和相類比事物屬性之間的聯(lián)系程度有關(guān) 。1） 演繹推理 專家系統(tǒng)的研究基本上屬于演繹推理范疇。（ 3）推理： 從一個(gè)或多個(gè)判斷推出一個(gè)新判斷的過(guò)程。知識(shí)庫(kù) 圖 智能決策支持系統(tǒng)結(jié)構(gòu)人工智能基本原理n 2．智能決策支持系統(tǒng)結(jié)構(gòu)形式．智能決策支持系統(tǒng)結(jié)構(gòu)形式 n 1）基本結(jié)構(gòu)n 智能決策支持系統(tǒng)（ IDSS）＝?jīng)Q策支持系統(tǒng)（ DSS）＋人工智能（ AI）技術(shù) n 人工智能基本原理問(wèn)題綜合與交互系統(tǒng)知識(shí)庫(kù)數(shù)據(jù)庫(kù)人工智能技術(shù)可以概括為：推理機(jī)＋知識(shí)庫(kù)人工智能技術(shù)可以概括為：推理機(jī)＋知識(shí)庫(kù) 演繹推理的核心是假言推理。邏輯推理枚舉歸納推理實(shí)例 如觀察到 鐵受熱膨脹 、 銅受熱膨脹 等事實(shí)而不知其所以然，由此推出 “所有金屬受熱膨脹 ”的結(jié)論就是簡(jiǎn)單枚舉歸納推理。這是金表，沒(méi)有人懷疑是吧？但是，請(qǐng)問(wèn)，這塊 金表除表面鍍金之外，內(nèi)部的機(jī)制都是金制嗎 ？ ”旁聽(tīng)者同聲議論： “當(dāng)然不是。 歸納推理和類比推理中前提和結(jié)論，不能保證有必然聯(lián)系，具有或然性。語(yǔ)義網(wǎng)絡(luò)n 若在事實(shí)庫(kù)中 全部存在 ，則執(zhí)行該條規(guī)則，把 結(jié)論 放入 事實(shí)庫(kù) 中。C∧ D→AB,C,E城市中的大部分人對(duì)書店不知道，問(wèn)不出來(lái)。n 博弈算法。廣度優(yōu)先搜索示意圖 廣度優(yōu)先搜索過(guò)程開(kāi)始把 n的后繼節(jié)點(diǎn)放入 OPEN表的末端，提供返回節(jié)點(diǎn) n的指針把 S放入 OPEN表OPEN表為空表？ 是 失敗否把第一個(gè)節(jié)點(diǎn)（ n）從 OPEN移至 CLOSED表n為目標(biāo)節(jié)點(diǎn)？ 是 成功否n能否擴(kuò)展是否有任何后繼節(jié)點(diǎn)為目標(biāo)節(jié)點(diǎn)否是是否例子 1(八數(shù)碼難題 由圖 2可以看出，解的路徑是：生成新?tīng)顟B(tài)節(jié)點(diǎn)。 4)考察節(jié)點(diǎn) n是否為目標(biāo)節(jié)點(diǎn)。 所以深度優(yōu)先搜索是不完備的，即使問(wèn)題有解，它也不一定能求得解。n （ 3）如果搜索過(guò)程中， 有時(shí)利用舊狀態(tài)生成新?tīng)顟B(tài)，有時(shí)利用新?tīng)顟B(tài)生成新?tīng)顟B(tài)， 這就是 無(wú)規(guī)律 的生成測(cè)試法。在爬山法中可能出現(xiàn)以下幾種情況： n （ 3）同時(shí)朝 兩個(gè)或多個(gè)方向 前進(jìn)，即按兩個(gè)或多個(gè)方向爬山。 g（ x）能保證找到 最好解 。取它最小，將會(huì) 加快 搜索速度，但它并 不 保證得到最優(yōu)解。n (3)建模專家系統(tǒng)n n 1） 它與專家系統(tǒng)的不同在于：n （ A）算法（推理過(guò)程）是固定形式的。 專家系統(tǒng)的核心是知識(shí)庫(kù)和推理機(jī)。n 在匹配時(shí)會(huì)出現(xiàn)成功或不成功，對(duì)于不成功的將引起搜索中的回溯和由一個(gè)分枝向另一個(gè)分枝的轉(zhuǎn)移，可見(jiàn)在搜索過(guò)程中包含了回溯。推理樹(shù) (知識(shí)樹(shù) )n n 如： A─→B 　　 A─→C 　　n ⒉ 相同的結(jié)論可以有不同的條件來(lái)得到。這棵樹(shù)一般稱為推理樹(shù)或知識(shí)樹(shù)，它把知識(shí)庫(kù)中的所有規(guī)則都連結(jié)起來(lái)n 由于連結(jié)時(shí)有 “與 ”關(guān)系和 “或 ”關(guān)系，從而構(gòu)成了 “與或”推理樹(shù) 。（知識(shí)樹(shù)）前提 I前提 B前提 P? ?n 該 “ 與或 ” 推理樹(shù)的特點(diǎn)是：n ⒈ 每條規(guī)則對(duì)應(yīng)的節(jié)點(diǎn)分枝有與（ AND）關(guān)系，或（ OR）關(guān)系n ⒉ 樹(shù)的 根結(jié)點(diǎn) 是推理樹(shù)的 總目標(biāo)n ⒊ 相鄰兩層之間是 一條 或 多條 規(guī)則連接n ⒋ 每個(gè)結(jié)點(diǎn)可以是單值，也可以是多值。過(guò)程。 利用規(guī)則棧的壓入和退出的過(guò)程，相當(dāng)于完成了推理樹(shù)的深度優(yōu)先搜索和回溯過(guò)程 。 事實(shí)數(shù)據(jù)庫(kù)和解釋機(jī)制 1. 事實(shí)數(shù)據(jù)庫(kù) (動(dòng)態(tài)數(shù)據(jù)庫(kù) ) 事實(shí) Y,N值 規(guī)則號(hào) 可信度A11 N 0(提問(wèn) ) 0A12 Y 0 n IDSS充分發(fā)揮了專家系統(tǒng)以 知識(shí)推理 形式解決 定性 分析問(wèn)題的特點(diǎn) .n 發(fā)揮了決策支持系統(tǒng)以 模型計(jì)算 為核心的解決 定量 分析問(wèn)題的特點(diǎn) .n 充分做到 定性分析 和 定量分析 的有機(jī)結(jié)合 . 數(shù)據(jù)庫(kù)DBDSS控制系統(tǒng)模型庫(kù)MB問(wèn)題綜合與交互系統(tǒng)動(dòng)態(tài)DB推理機(jī)和解釋器知識(shí)庫(kù)KB集成系統(tǒng)DSS ES 圖 綜合系統(tǒng)1. DSS和和 ES的總體結(jié)的總體結(jié)合。由集成系統(tǒng)把由集成系統(tǒng)把 DSS和和 ES有機(jī)結(jié)合起來(lái)有機(jī)結(jié)合起來(lái)3. 2. DSS的問(wèn)題與人機(jī)交互系統(tǒng)功能，增加對(duì) ES的調(diào)用組合能力DSS與 ES的關(guān)系 ：DSS中 DB與 ES中的動(dòng)態(tài) DB進(jìn)行數(shù)據(jù)交換解決問(wèn)題的特點(diǎn)體現(xiàn)定性分析和定量分析并重解決問(wèn)題的特點(diǎn)。 建模專家系統(tǒng) F（ X） /M＝ 0M8： X″+（ C1/M） X′+E1？DHC1（若振動(dòng)為自發(fā)時(shí)振幅為常數(shù)）Algorithm， GA)n 是模擬 生物進(jìn)化 的自然選擇和遺傳機(jī)制的一種 尋優(yōu)算法。n 這期間許多