遺傳算法與智能算法綜述-wenkub.com
2025-06-26 11:03 本頁面
【正文】 這兩者的結(jié)合將開辟一個全新的領域，開辟很多新的研究方向。研究表明PSO 是一種很有潛力的神經(jīng)網(wǎng)絡算法，同時PSO速度比較快而且可以得到比較好的結(jié)果。在PSO中, 只有g(shù)Best (or lBest) 給出信息給其他的粒子， 這是單向的信息流動。但是，PSO沒有遺傳操作如交叉(crossover)和變異(mutation)，而是根據(jù)自己的速度來決定搜索。 ④ 如果終止條件滿足的話，就停止，否則轉(zhuǎn)步驟 ② 。 PSO算法過程 ① 種群隨機初始化。然后粒子們就追隨當前的最優(yōu)粒子在解空間中搜索。 PSO從這種模型中得到啟示并用于解決優(yōu)化問題。所有的鳥都不知道食物在那里。目前已廣泛應用于函數(shù)優(yōu)化，神經(jīng)網(wǎng)絡訓練，模糊系統(tǒng)控制以及其他遺傳算法的應用領域。系統(tǒng)初始化為一組隨機解，通過疊代搜尋最優(yōu)值。 蟻群優(yōu)化算法對于解決貨郎擔問題并不是目前最好的方法，但首先，它提出了一種解決貨郎擔問題的新思路；其次由于這種算法特有的解決方法，它已經(jīng)被成功用于解決其他組合優(yōu)化問題，例如圖的著色(Graph Coloring)以及最短超串(Shortest Common Supersequence)等問題。 在解決貨郎擔問題時，蟻群優(yōu)化算法設計虛擬的“螞蟻”將摸索不同路線，并留下會隨時間逐漸消失的虛擬“信息素”。因為具有這些優(yōu)點，雖說群集智能的研究還處于初級階段，并且存在許多困難，但是可以預言群集智能的研究代表了以后計算機研究發(fā)展的一個重要方向。 沒有中心的控制與數(shù)據(jù)，這樣的系統(tǒng)更具有魯棒性(Robust)，不會由于某一個或者某幾個個體的故障而影響整個問題的求解。群集智能(Swarm Intelligence)中的群體(Swarm)指的是“一組相互之間可以進行直接通信或者間接通信(通過改變局部環(huán)境)的主體，這組主體能夠合作進行分布問題求解”。根據(jù)Metropolis準則，粒子在溫度T時趨于平衡的概率為eΔE/(kT)，其中E為溫度T時的內(nèi)能，ΔE為其改變量，k為Boltzmann常數(shù)。 ⑤ 免疫系統(tǒng)：應用遺傳算法可以對自然界中免疫系統(tǒng)的多個方面建立模型，研究個體的生命過程中的突變現(xiàn)象以及發(fā)掘進化過程中的基因資源。既包括數(shù)量優(yōu)化問題，也包括組合優(yōu)化問題。 (5)具有自組織、自適應和自學習性。 (3)遺傳算法基本上不用搜索空間的知識或其它輔助信息，而僅用適應度函數(shù)值來評估個體，在此基礎上進行遺傳操作。傳統(tǒng)優(yōu)化算法是從單個初始值迭代求最優(yōu)解的；容易誤入局部最優(yōu)解。在遺傳算法中，上述幾個特征以一種特殊的方式組合在一起：基于染色體群的并行搜索，帶有猜測性質(zhì)的選擇操作、交換操作和突變操作。在發(fā)展過程中，進化策略、進化規(guī)劃和遺傳算法之間差異越來越小。1975年霍蘭教授發(fā)表了第一本比較系統(tǒng)論述遺傳算法的專著《自然系統(tǒng)與人工系統(tǒng)中的適應性》（《Adaptation in Natural and Artificial Systems》）。 Hopfield神經(jīng)網(wǎng)絡的能量函數(shù)是朝著梯度減小的方向變化，但它仍然存在一個問題，那就是一旦能量函數(shù)陷入到局部極小值，它將不能自動跳出局部極小點，到達全局最小點，因而無法求得網(wǎng)絡最優(yōu)解。因此，可以把所需記憶的模式設計成某個確定網(wǎng)絡狀態(tài)的一個穩(wěn)定平衡點。這里的能量函數(shù)不是物理意義上的能量函數(shù)，而是在表達形式上與物理意義上的能量概念一致，表征網(wǎng)絡狀態(tài)的變化趨勢，并可以依據(jù)Hopfield工作運行規(guī)則不斷進行狀態(tài)變化，最終能夠達到的某個極小值的目標函數(shù)。所以Hopfield神經(jīng)網(wǎng)絡是一個反饋型的網(wǎng)絡。他利用非線性動力學系統(tǒng)理論中的能量函數(shù)方法研究反饋人工神經(jīng)網(wǎng)絡的穩(wěn)定性，并利用此方法建立求解優(yōu)化計算問題的系統(tǒng)方程式。這種方法常常用于圖象邊緣處理，解決圖象邊緣的缺陷問題。神經(jīng)網(wǎng)絡工作時，對于某一輸入模式，網(wǎng)絡中與該模式最相近的學習輸入模式相對應的競爭層神經(jīng)元將有最大的輸出值，即以競爭層獲勝神經(jīng)元來表示分類結(jié)果。它一般是由輸入層(模擬視網(wǎng)膜神經(jīng)元)和競爭層(模擬大腦皮層神經(jīng)元，也叫輸出層)構(gòu)成的兩層網(wǎng)絡。競爭型神經(jīng)網(wǎng)絡是一種以無教師方式進行網(wǎng)絡訓練的網(wǎng)絡。 競爭型(KOHONEN)神經(jīng)網(wǎng)絡 它是基于人的視網(wǎng)膜及大腦皮層對剌激的反應而引出的。多層感知網(wǎng)絡是一種具有三層或三層以上的階層型神經(jīng)網(wǎng)絡。只有當神經(jīng)元
環(huán)評公示相關推薦
鄂ICP備17016276號-1