【正文】 因為 2097152=221＜ 3000000≤2 22=4194304，每個染色體由 22位字節(jié)的二進制矢量表示。 (3) 按由個體適應度值所決定的某個規(guī)則選擇將進入下一代的個體 。它對算法的性能也有影響。＝ 1111111111 當然，并非所有選中的串對都會發(fā)生交換。 遺傳算法的基本機理 三 .遺傳操作 簡單遺傳算法的遺傳操作主要有三種 :選擇 (selection)、交叉 (crossover)、變異 (mutation)。 對于一些多維、高精度要求的連續(xù)函數(shù)優(yōu)化問題采用此法會有益 ⑶ .格雷碼 連續(xù)的兩個整數(shù)所對應的編碼值之間只有一個碼位是不相同的，其余碼位都完全相同。 遺傳算法 遺傳算法的基本步驟： 第 1步 根據(jù)由問題確定的編碼規(guī)則 ， 隨即產(chǎn)生初始群體； 第 2步 .計算群體中每個個體的適應度值； 第 3步 .如果解滿足要求或遺傳代數(shù)超過指定代數(shù) ， 則結(jié)束；否則繼續(xù)執(zhí)行第 4步； 第 4步 .根據(jù)適應值進行選擇復制產(chǎn)生新一代； 第 5步 .根據(jù)事先確定的交叉和變異概率選擇部分個體進行交叉和變異，轉(zhuǎn)第 2步； 167。 模糊系統(tǒng) F將輸入 x映射到輸出 F(x)的步驟 一將輸入 x并聯(lián)地匹配到所有 “ 如果部分 ” 的模糊集合 ， 這一步依據(jù)輸入 x屬于每一個 “ 如果部分 ” 集合 A的程度來 “ 激活 ” 或 “ 啟動 ” 模糊規(guī)則 。 (1)模糊推理系統(tǒng)的基本結(jié)構 由四個重要部件組成：知識庫 、 推理機制 、 模糊化輸入接口與去模糊化輸出接口 。如果該曲線是梯形平頂，那么具有最大隸屬度的元素就可能不只一個，這時就要對所有取最大隸屬度的元素求其平均值。H) ， AP， AH可表示 為矩陣 。最后對 μ1(y)和 μ2(y)作max操作，得到模糊推理結(jié)果 (記為模糊集 H)μH(y)＝μ1(y)∨ μ2(y)。模糊規(guī)則的前提是模糊命題的邏輯組合（經(jīng)由合取、析取和取反操作），作為推理的條件；結(jié)論是表示推理結(jié)果的模糊命題。 2模糊集的運算 設 A和 B為論域 U中的兩個模糊集，其隸屬函數(shù)分別為 μA和 μB ，則對于所有 u∈ U ，存在下列運算： （ 1） A與 B的并（邏輯或）記為 A∪ B ，其隸屬函數(shù)定義為 (2） A與 B的交（邏輯與）記為 A∩B ，其隸屬函數(shù)定義為： （ 3） A的補（邏輯非）記為 A ，其傳遞函數(shù)定義為 167。 定性值是一種形式的數(shù)據(jù)壓縮 （ 年齡只有三個定性值 ） 。 通過網(wǎng)絡計算實現(xiàn)的，把用戶提供的初始證據(jù)用作網(wǎng)絡的輸入，通過網(wǎng)絡計算最終得到輸出結(jié)果。 其中，對 “ 有 ” 、 “ 無 ” 、 “ 沒有記錄 ” 分別用 + 0表示。缺點是耗用結(jié)點及互連多，參數(shù)多且難選。在訓練過程中， 只要向神經(jīng)網(wǎng)絡提供輸入模式，神經(jīng) 網(wǎng)絡就能夠自動適應連接權，以便按 相似特征把輸入模式分組聚集。如圖：實線指明實際信號流通，虛線表示反向傳播。 激發(fā)函數(shù)一般具有非線性特性，常用的非線性特性如下圖所示，分述于下： ① 閾值型 對于這種模型，神經(jīng)元沒有內(nèi)部狀態(tài)，激發(fā)函數(shù)為一階躍函數(shù)，如圖 (a)所示。 167。軸突的末端與樹突進行信號傳遞的界面稱為突觸 (synapse)，通過突觸向其它神經(jīng)元發(fā)送信息。 ?80年代后，傳統(tǒng)的 Von Neumann數(shù)字計算機在模擬視聽覺的人工智能方面遇到了物理上不可逾越的極限。中層系統(tǒng)含有知識 (精品 )，低層系統(tǒng)則沒有。 第 5章 計算智能 167。 167。 167。 三、 基本功能 聯(lián)想記憶功能 167。越來越明顯的證據(jù)表明，學習發(fā)生在突觸附近，而且突觸把經(jīng)過一個神經(jīng)元軸突的脈沖轉(zhuǎn)化為下一個神經(jīng)元的興奮或抑制。把所有總和與閾值電平比較。 167。 決定人工神經(jīng)網(wǎng)絡整體性能 ? 節(jié)點本身的信息處理能力 (數(shù)學模型 ) ? 節(jié)點與節(jié)點之間連接 (拓撲結(jié)構 ) ? 相互連接的強度 (通過學習來調(diào)整 ) 167。 感知器神經(jīng)網(wǎng)絡： (Perceptron)是最 “ 古老 ” 的網(wǎng)絡 (Rosenblatt，于 1975年提出 )，是一組可訓練的線性分類器，目前已很少使用。建立在 Hopfield網(wǎng)絡基礎上，具有學習能力，能夠通過一個模擬退火過程尋求解答。 說明： ⑴這是一個帶正負權值 wij的前向網(wǎng)絡，有 wij可構成相應的學習矩陣。計算中，前一層的輸出作為后一層有關節(jié)點的輸入，逐層進行計算，直到計算出輸出層的輸出值為止。 167?？梢允÷员幻枋龅膶ο?，則模糊命題可表示為“＜語言變量＞＜定性值＞” 形式。 167。 模糊關系 R可形式地定義為 注：尚未建立一致的理論去指導模糊關系的構造 。在推理得到的模糊集合中取一個相對最能代表這個模糊集合的單值的過程就稱為解模糊或 模糊判決 （ defuzzification）。因而這種方法具有一定的靈活性。 例如 “ if H 很適應 then 結(jié)構 很合理 ” 這樣一條模糊規(guī)則中 ， 建筑高度 “ H”與 “ 結(jié)構 ” 都是語言變量 ， 而“ 很適應 ” 與 “ 很合理 ” 分別是它們的語言值 ， 在數(shù)據(jù)庫中都有相應的隸屬函數(shù)加以定義 。 這可以通過引入查表法來改進 。個體的選擇； 舉例：對于銷售員旅行問題，按一條回路中城市的次序進行編碼。簡單遺傳算法采用賭輪選擇機制，令 Σfi表示群體的適應度值之總和， fi表示種群中第 i個染色體的適應度值，它產(chǎn)生后代的能力正好為其適應度值所占份額 fi／ Σfi。突變操作的對象是個體（即串），旨在改變串中的某些位的值，即由 0變?yōu)?1，或由 1變?yōu)?0。遺傳算法具有以下特點： 1. 遺傳算法是對參數(shù)集合的編碼而非針對參數(shù)本身進行進化； 2. 遺傳算法是從問題解的編碼組開始而非從單個解開始搜索； 3. 遺傳算法利用目標函數(shù)的適應度這一信息而非利用導數(shù)或其它輔助信息來指導搜索； 4. 遺傳算法利用選擇、交叉、變異等算子而不是利用確定性規(guī)則進行隨機操作。 算法的停止條件最簡單的有如下二種：（ 1）完成了預先給定的進化代數(shù)則停止；（ 2）群體中的最優(yōu)個體在連續(xù)若干代沒有改進或平均適應度在連續(xù)若干代基本沒有改進時停止。同上面介紹。 遺傳算法的求解步驟 三 .遺傳算法求解舉例 用遺傳算法求解函數(shù) f(x)=(10?.x)+ 的最大值，其中 x?[1,2]。二是進化算法的內(nèi)含并行性，由于進化算法采用種群的方式組織搜索，因而它可以搜索解空間內(nèi)的多個區(qū)域，并相互交流信息。 例如： 10100110 對從右往左的第 5位進行變異操作 10110110 167。例如，設 Ａ 1， Ａ 2為要交換的串，交換點被隨機選擇為 7（串長為 10）。 通過適應度函數(shù)來決定染色體的優(yōu)、劣程度，它體現(xiàn)了自然進化中的優(yōu)利劣汰原則 。 :將問題結(jié)構變換為位串形式編碼表示的過程； (或譯碼 ):而相反將位串形式編碼表示變換為原問題結(jié)構的過程。 如： 167。 模糊系統(tǒng) F將輸入 x映射到輸出 F(x)的步驟 一將輸入 x并聯(lián)地匹配到所有 “ 如果部分 ” 的模糊集合 ， 這一步依據(jù)輸入 x屬于每一個 “ 如果部分 ” 集合 A的程度來 “ 激活 ” 或 “ 啟動 ” 模糊規(guī)則 。 167。即 167。 設模糊規(guī)則形如 P?H ,模糊命題 P和 H相應的模糊集 AP和 AH分別建立在論域 UP和 UH上（相應的元素變量為 xP， xH）。描述溫差 θ、溫度變化率 dθ和燃料流量修正量 y這三個論域的語言變量具有相同的定性值和隸屬函數(shù)，且這三個論域均歸化到實數(shù)域［ 1,1］上。 令析取和合取隱含著 max和 min操作 ， 則此二式可簡寫為 其中，不同的模糊命題可以面向同一論域，即使用相同的語言變量，但取用的定性值不同，隸屬函數(shù)也不同。 一 .模糊集合及其運算 (fuzzy sets) 在論域 U中，可以把模糊子集表示為元素 u與其隸屬函數(shù) μA 的序偶集合，記為 A={(u, μA (u))|u∈ U} 若為連續(xù)，則模糊集 A可記作 若 U為離散，則模糊集 A可記為： 167。 學習資源 中南大學國家精品課程 《 人工智能 》 ng/ 167。 x1 x7 2 輸入層 0 1 2 1 2 0 3 3 x2 x3 x4 x5 x6 x8 xa xb xc x11 x9 x10 2 3 3 3 3 4 4 3 2 4 1 1 4 2 2 3 1 1 3 3 3 中間層 輸出層 附加層 輸出層 167。 0 0 x1 x2 y 鄰接矩陣為： 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 該網(wǎng)絡代表下列 4條規(guī)則： IF x1=0 AND x2=0 THEN y=0 IF x1=0 AND x2=1 THEN y=1 IF x1=1 AND x2=0 THEN y=1 IF x1=1 AND x2=1 THEN y=0 167。能形成簇與簇之間的連續(xù)映射，起向量量化器的作用 無師學習 競爭律 正向 自組織映射 (Counter Propagation Network)由 R Hecht和 Nielsen于 1987年提出，亦稱對流網(wǎng)，將 Kohonen 特征映射網(wǎng)絡與 Grossberg 基本競爭型網(wǎng)絡相結(jié)合，充分發(fā)揮了它們各自的特長：無導師訓練解決網(wǎng)絡隱含層的理想輸出未知問題，有導師訓練解決輸出層按系統(tǒng)要求給出指定輸出結(jié)果的問題。 167。 j 167。那么本神經(jīng)元的輸入為 xi為第 i個元素的輸入， wi為第 i個元素與本處理單元的互聯(lián)權重。 ?神經(jīng)纖維傳導速度 ：神經(jīng)沖動沿神經(jīng)纖維傳導的速度在 1150m/s之間。 一、 生理神經(jīng)元的結(jié)構與功能 大多數(shù)神經(jīng)元由一個細胞體 (cell body或 soma)和突 (process)兩部分組成。 167。 AArtificial, 表示人工的 (非生物的 )，即人造的 BBiological, 表示物理的 +化學的 +(??)=生物的 CComputational, 表示數(shù)學 +計算機 NN神經(jīng)網(wǎng)絡 PR模式識別 I智能 167。第 5章 計算智能 ? 計算智能涉及神經(jīng)計算、模糊計算、進化計算和人工生命等領域，這些研究領域體現(xiàn)出生命科學與信息科學的緊密結(jié)合，也是廣義人工智能力圖研究和摹仿人類和動物智能 (主要是人類的思維過程和智力行為 )的重要進展。 167。 167。 總之，神經(jīng)網(wǎng)絡具有學習和適應、自組織、函數(shù)逼近和大規(guī)模并行處理能力 神經(jīng)網(wǎng)絡在模式識別、信號處理、系統(tǒng)辨識和優(yōu)化等方面廣泛應用 167。 ? 脈沖與電位轉(zhuǎn)換 ：突觸界面具有脈沖 /電位信號轉(zhuǎn)換功能。 2. ANN的數(shù)學描述