【正文】 編碼 將 x1,x2分別表示的兩個 10位長的二進制編碼串連接在一起，組成一個 20位長的二進制編碼串，它就構(gòu)成了這個函數(shù)優(yōu)化問題的染色體編碼方法。 （ 2） 組合優(yōu)化 。 其一 , 最常用的終止方法是規(guī)定遺傳（迭代）的代次。對應(yīng)每個字符，依次產(chǎn)生 [ 0， 1 ]區(qū)間均勻分布的隨機數(shù) 12個。此外還有 多點交換 ，即對長字符串實行多段交換。 （ 3） 復制 50 選擇復制個體的隨機方法還有別的形式，不過輪盤選擇法是最常用的方法。= a*f + b 利用這種縮放技術(shù)，縮?。ǚ糯螅┰瓉碜畲螅ㄗ钚。┑倪m應(yīng)度，從而可以減弱離散現(xiàn)象。為了使遺傳算法有通用性，這種最大、最小值問題宜統(tǒng)一表達。如果所描述性質(zhì)的最小值不是 0時，即性質(zhì)介于 Umin～ Umax之間，為了減小字符串長度，可以采用映射的方法，用 2L個二進制數(shù)表示 [ Umin， Umax ]。 變異率 Pm 是指發(fā)生變異的基因位數(shù)所占全體染色體的基因總位數(shù)的比例，記為 Pm，取值范圍一般為 ～ 。 字符串由一系列字符組成，每個字符都有特定的含義，反應(yīng)所解決問題的某個特征，這就相當于基因，即染色體 DNA的片段。利用適應(yīng)度，使遺傳算法逐步逼近目標值。再利用隨機定位的方法，確定這兩對母體交叉換位的位置分別從字符長度的第 4位及第 3位開始。 本例中適應(yīng)度比較簡單，用 x2計算。 交叉的過程為：在匹配池中任選兩個染色體 ， 隨機選擇一點或多點交換點位置；交換雙親染色體交換點右邊的部分 ，即可得到兩個新的染色體數(shù)字串 。 它是現(xiàn)代有關(guān)計算智能中的關(guān)鍵技術(shù)之一 。 關(guān)于 A， B， C智能 計算智能與人工智能的區(qū)別與聯(lián)系 NN Neural Network 神經(jīng)網(wǎng)絡(luò) PR Pattern Recognition 模式識別 計算智能系統(tǒng)與人工智能系統(tǒng) 當一個系統(tǒng)只涉及數(shù)值（底層）數(shù)據(jù)，含有模式識別部分，不應(yīng)用于人工智能意義上的知識，而且系統(tǒng)能夠呈現(xiàn)出： （ 1）計算適應(yīng)性 （ 2）計算容錯性 （ 3）接近人的計算速度 （ 4）計算誤差率與人接近 則該系統(tǒng)就是計算智能系統(tǒng)。 遺傳算法的算法簡單 ， 可并行處理 ， 并能到全局最優(yōu)解 ?，F(xiàn)在改用遺傳算法求解，遺傳算法通常包括下述內(nèi)容： 18 （ 1）編碼 遺傳算法首先要對實際問題進行編碼，用字符串表達問題。造成平均適應(yīng)度增加的原因有二： 1）淘汰原來最差的個體。 遺傳算法中，個體是否進行突變以及在哪個部位突變，都由事先給定的概率決定。因此，遺傳算法通用性強，可應(yīng)用于離散問題及函數(shù)關(guān)系不明確的復雜問題，有人稱遺傳算法是一種 框架型算法 ，它只有一些簡單的原則要求，在實施過程中可以賦予更多的含義。 序號 生物學 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)的字符 字符的位置 字符串結(jié)構(gòu) 字符串含義 遺傳算法的生物學含義 35 根據(jù)前面所講的示例，可以看出遺傳算法的實施過程中包括編碼、產(chǎn)生群體、計算適應(yīng)度、復制、交換、突變等操作。 遺傳算法關(guān)鍵問題 （ 1） 編碼 遺傳算法常常用二進制的 0/1字符編碼。 （ 1） 編碼 41 在遺傳算法中，衡量個體優(yōu)劣的尺度是 適應(yīng)度 。對于個別適應(yīng)度很高的個體，會連續(xù)多次被復制；對于適應(yīng)度很低的個體，會過早被舍棄。 上述選擇過程，可描述如下： （ 3） 復制 48 因此，適應(yīng)度 fi越大， △ Si的距離越大，隨機數(shù)落在這個區(qū)間的可能性越大，第 i個個體被選中的機會也越多。 交換點的選擇也是隨機的。 （ 4） 交換 54 突變是遺傳算法中產(chǎn)生新個體的另一種方法，它是將某一個體的某一位字符進行補運算，使 0變?yōu)?1，或使1變?yōu)?0。 序號 舊個體 隨機數(shù) 新字符 新個體 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。 遺傳算法的另一個重要參數(shù)是每代群體中的個體數(shù)。 例如 ， 利用遺傳算法進行控制器參數(shù)的優(yōu)化 、 基于遺傳算法的模糊控制規(guī)則的學習 、 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)值學習等 。 438 440 21 ???? ,xx演講完畢，謝謝觀看！ 。 （ 4） 自動控制 。 | 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。很明顯，后一種突變方法的突變概率僅為前一種方法的 50%。 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，例如動態(tài)規(guī)劃法、個體性態(tài)不能增添，只能在原有的個體群體中擇優(yōu)，從而限制了搜索尋優(yōu)的范圍。這就是說，約 50%～ 80%的個體要執(zhí)行交換。例如，第一個隨機數(shù)是 23，除了 1號、 2號個體外，其余個體的累計適應(yīng)度均大于 23，然而 3號個體累計值為 27，是第一個大于 23的個體，所以它入選。 Cmin ：足夠大的常數(shù)。 從生物學角度看，編碼就相當于選擇遺傳物質(zhì)，它是研究遺傳的基礎(chǔ)。 （ 4） 反復執(zhí)行（ 2）、（ 3）后，一旦達到終止條件， 選擇最佳個體作為遺傳算法的結(jié)果。在遺傳算法中，模仿這種大、小字母表達方式，對顯性基因和隱性基因采取不同的操作。 遺傳算法的基本特征 31 （ 5）通用性強 傳統(tǒng)的優(yōu)化算法，需要將所解決的問題用 數(shù)學式子 表示，常常要求解該數(shù)學函數(shù)的一階導數(shù)或二階導數(shù)。 上述（ 2）～（ 5）反復執(zhí)行，直至得出滿意的最優(yōu)解。 這樣，就產(chǎn)生了下一代群體。 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 。 遺傳算法將 “ 優(yōu)勝劣汰 ， 適者生存 ” 的生物進化原理引入優(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)并通過遺傳中的復制 、 交叉及變異對個體進行篩選 ， 適應(yīng)度高的個體被保留下來 ， 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 。 貝茲德克于 1994年提出了一種 A， B， 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,表示計算的 計算智能是一種智力方式的底層認知，它與人工智能的區(qū)別是認知層次從中層下降到底層而已。 自然選擇學說包括以下三個方面： 遺傳算法 （ 1） 遺傳：這是生物的普遍特征 ， 親代把生物信息交給子代 ， 子代總是和親代具有相同或相似的性狀 。交叉有單點交叉、兩點交叉、還有一致交叉、順序交叉和周期交叉。如 2號個體的 f(xi)/f 值最高（ ），為優(yōu)良個體， 3號個體最低（ ），為不良個體。交換開始的位置稱 交換點 。 遺傳算法的基本特征 30 （ 3）全局最優(yōu)解 遺傳