【正文】 C智能模型，從而表示 ABC與神經(jīng)網(wǎng)絡(luò)、模式識別和智能之間的關(guān)系： A： Artificial ,表示人工的、符號的（非生物的） B： Biological ,表示生物的 C： Computational,表示計(jì)算的 計(jì)算智能是一種智力方式的底層認(rèn)知，它與人工智能的區(qū)別是認(rèn)知層次從中層下降到底層而已。 遺傳算法已被廣泛地應(yīng)用于組合優(yōu)化 、 機(jī)器學(xué)習(xí) 、 信號處理 、 自適應(yīng)控制和人工生命等領(lǐng)域 。 遺傳算法將 “ 優(yōu)勝劣汰 ， 適者生存 ” 的生物進(jìn)化原理引入優(yōu)化參數(shù)形成的編碼串群體中 ， 按所選擇的適應(yīng)度函數(shù)并通過遺傳中的復(fù)制 、 交叉及變異對個(gè)體進(jìn)行篩選 ， 適應(yīng)度高的個(gè)體被保留下來 ， 組成新的群體 ， 新的群體既繼承了上一代的信息 ，又優(yōu)于上一代 。 而交叉模擬了生物進(jìn)化過程中的繁殖現(xiàn)象 ， 通過兩個(gè)染色體的交換組合 ， 來產(chǎn)生新的優(yōu)良品種 。 為了在盡可能大的空間中獲得質(zhì)量較高的優(yōu)化解 ， 必須采用變異操作 。 個(gè)體編號 初始群體 xi 適應(yīng)度 f(xi) f(xi)/∑f(xi) f(xi)/f Mp 1 2 3 4 01101 11000 01000 10011 13 24 8 19 169 576 64 361 1 2 0 1 總計(jì) ∑f(xi) 平均值 f 最大值 最小值 1170 293 576 64 4 1 2 0 19 （ 2）計(jì)算適應(yīng)度 衡量字符串（染色體）好壞的指標(biāo)是 適應(yīng)度 ，它也就是遺傳算法的目標(biāo)函數(shù)。 這樣，就產(chǎn)生了下一代群體。 25 （ 4）交換 本例中，利用隨機(jī)配對的方法，決定 1號和 2號個(gè)體、 3號和 4號個(gè)體分別交換，如表中第 5列。 上述（ 2）～（ 5）反復(fù)執(zhí)行，直至得出滿意的最優(yōu)解。指導(dǎo)遺傳算法執(zhí)行搜索的依據(jù)是 適應(yīng)度 ，也就是它的目標(biāo)函數(shù)。 遺傳算法的基本特征 31 （ 5）通用性強(qiáng) 傳統(tǒng)的優(yōu)化算法，需要將所解決的問題用 數(shù)學(xué)式子 表示，常常要求解該數(shù)學(xué)函數(shù)的一階導(dǎo)數(shù)或二階導(dǎo)數(shù)。 遺傳算法的運(yùn)算基礎(chǔ)是字符串，它就相當(dāng)于生物學(xué)中的染色體。在遺傳算法中，模仿這種大、小字母表達(dá)方式，對顯性基因和隱性基因采取不同的操作。 交叉率 Pc 就是參加交叉運(yùn)算的染色體個(gè)數(shù)占全體染色體總數(shù)的比例，記為 Pc,取值范圍一般為 ～ 。 （ 4） 反復(fù)執(zhí)行（ 2）、（ 3）后，一旦達(dá)到終止條件， 選擇最佳個(gè)體作為遺傳算法的結(jié)果。 根據(jù)排列計(jì)算，長度（位數(shù)）為 L的 0/1字符串，可以表達(dá) 2*2*2‥ ‥ 2 = 2L 種情況。 從生物學(xué)角度看，編碼就相當(dāng)于選擇遺傳物質(zhì)，它是研究遺傳的基礎(chǔ)。 （ 2） 適應(yīng)度 42 1統(tǒng)一表達(dá)形式 在實(shí)際問題中，有時(shí)希望適應(yīng)度越大越好（如贏利、勞動(dòng)生產(chǎn)率），有時(shí)要求適應(yīng)度越小越好（費(fèi)用、方差）。 Cmin ：足夠大的常數(shù)。 f 39。例如，第一個(gè)隨機(jī)數(shù)是 23，除了 1號、 2號個(gè)體外，其余個(gè)體的累計(jì)適應(yīng)度均大于 23，然而 3號個(gè)體累計(jì)值為 27，是第一個(gè)大于 23的個(gè)體，所以它入選。所以，輪盤選擇方法既體現(xiàn)“適者生存”原則，又保持個(gè)體性態(tài)多種多樣。這就是說，約 50%～ 80%的個(gè)體要執(zhí)行交換。當(dāng)字符串長度大時(shí)，常采用兩點(diǎn)交換。 序號 交換前 交換后 1 2 親代 1： 1 1 1 1 1 1 親代 2： 0 0 0 0 0 0 子代 1： 1 1 1 1 0 0 子代 2： 0 0 0 0 1 1 3 4 親代 1： 1 0 1 1 0 1 親代 2： 0 0 1 1 0 0 子代 1： 1 0 1 1 0 0 子代 2： 0 0 1 1 0 1 傳統(tǒng)的優(yōu)化算法，例如動(dòng)態(tài)規(guī)劃法、個(gè)體性態(tài)不能增添，只能在原有的個(gè)體群體中擇優(yōu)，從而限制了搜索尋優(yōu)的范圍。示例如下： （ 5） 突變 55 表中有三個(gè)字符長度為 4的舊個(gè)體。很明顯，后一種突變方法的突變概率僅為前一種方法的 50%。 （ 5） 突變 58 遺傳算法是一種反復(fù)迭代的搜索方法，它通過多次進(jìn)化逐漸逼近最優(yōu)解而不是恰好等于最優(yōu)解，因此需要確定終止條件。 | f(x) – f * | ≤△ （ 6） 終止條件 60 第三種終止方法是檢查適應(yīng)度的變化。 尤其是對非線性 、多模型 、 多目標(biāo)的函數(shù)優(yōu)化問題 ，采用其他優(yōu)化方法較難求解 ， 而遺傳算法卻可以得到較好的結(jié)果 。 （ 4） 自動(dòng)控制 。 從離散點(diǎn) 到離散點(diǎn) ， 分別對應(yīng)于從0000000000(0)到 1111111111(1023)之間的二進(jìn)制編碼 。 438 440 21 ???? ,xx演講完畢，謝謝觀看！ 。使用這種編碼方法，解空間和遺傳算法的搜索空間就具有一一對應(yīng)的關(guān)系。 例如 ， 利用遺傳算法進(jìn)行控制器參數(shù)的優(yōu)化 、 基于遺傳算法的模糊控制規(guī)則的學(xué)習(xí) 、 基于遺傳算法的參數(shù)辨識 、 基于遺傳算法的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化和權(quán)值學(xué)習(xí)等 。 隨著問題的增大 ， 組合優(yōu)化問題的搜索空間也急劇擴(kuò)大 ， 采用傳統(tǒng)的優(yōu)化方法很難得到最優(yōu)解 。 遺傳算法的另一個(gè)重要參數(shù)是每代群體中的個(gè)體數(shù)。剛開始時(shí)，迭代次數(shù)小一些，如規(guī)定 100次。 序號 舊個(gè)體 隨機(jī)數(shù) 新字符 新個(gè)體 1 2 3 1010 1100 0010 0 1 1010 1100 0011 （ 5） 突變 57 還有一種執(zhí)行突變的方法，是根據(jù)給定的概率 Pm1。表中只有 2號個(gè)體的第 3個(gè)字符以及 3號個(gè)體的第 4個(gè)字符需要發(fā)生突變，因?yàn)樗鼈儗?yīng)的隨機(jī)數(shù)小于 。 （ 4） 交換 54 突變是遺傳算法中產(chǎn)生新個(gè)體的另一種方法，它是將某一個(gè)體的某一位字符進(jìn)行補(bǔ)運(yùn)算，使 0變?yōu)?1，或使1變?yōu)?0。 （ 4） 交換 53 通過交換，子代的字符串不同于親代。 交換點(diǎn)的選擇也是隨機(jī)的。 每代群體中，被復(fù)制的個(gè)體數(shù)目由復(fù)制概率 Pt控制， Pt常取 ～ ，也就是說，群體中有 10%個(gè)體被復(fù)制，相應(yīng)地有 10%個(gè)體被淘汰，以保持群體大小。 上述選擇過程，可描述如下： （ 3） 復(fù)制 48 因此，適應(yīng)度 fi越大， △ Si的距離越大，隨機(jī)數(shù)落在這個(gè)區(qū)間的可能性越大，第 i個(gè)個(gè)體被選中的機(jī)會也越多。 （ 2） 適應(yīng)度 45 復(fù)制是遺傳算法的基本算子，它將優(yōu)良個(gè)體在下一代新群體中繁殖，體現(xiàn)了“適者生存”的自然選擇原則。對于個(gè)別適應(yīng)度很高的個(gè)體，會連續(xù)多次被復(fù)制；對于適應(yīng)度很低的個(gè)體，會過早被舍棄。通常都統(tǒng)一按最大值問題處理，而且不允許適應(yīng)度小于 0。 （ 1） 編碼 41 在遺傳算法中，衡量個(gè)體優(yōu)劣的尺度是 適應(yīng)度 。這時(shí)，令 L個(gè) 0表示 Umin ， L個(gè) 1 表示 Umax ，其中 L大小取決于（ Umax — Umin ），其余的數(shù)則用線性插值決定。 遺傳算法關(guān)鍵問題 （ 1） 編碼 遺傳算法常常用二進(jìn)制的 0/1字符編碼。 復(fù)制概率 Pt 用于控制復(fù)制與淘汰的個(gè)體數(shù)目。 序號 生物學(xué) 遺傳算法 1 2 3 4 5 6 染色體（ Chromosome） 基因（ Gene） 等位基因（ Allele） 基因位置（ Locus） 基因型（ Genotype） 表現(xiàn)型（ Phenotype） 字符串 字符 對應(yīng)的字