13人工智能與專(zhuān)家系統(tǒng)(xxxx)(參考版)
2025-02-28 12:54本頁(yè)面
【正文】 s function n :1=i 420 .96 87,= 418 .98 29。 – xid = xid + vid。 6. 回到步驟 2. 繼續(xù)執(zhí)行 ， 直到獲得一個(gè)令人滿意的結(jié)果或符合終止條件為止 。 the Gbest： 找出所有 Particle 到目前為止所搜尋到的整體最佳解 ， 此最佳解我們稱(chēng)之為Gbest。 ： 依據(jù) fitness function 計(jì)算出其 fitness value 以作為判斷每一 Particle之好壞 。 ? 每一個(gè) Particle 還有一個(gè)速度以決定飛行的距離與方向。 52 特 點(diǎn) ? 分布式搜尋 ? 具記憶性 ? 組件較少，容易實(shí)現(xiàn) ? 適合在 連續(xù)性 的范圍內(nèi)搜尋 53 演算法 介紹 ? 每個(gè)尋優(yōu)的問(wèn)題解都被想象成一只鳥(niǎo)，我們也稱(chēng)為 “Particle”。所有的例子都有一個(gè)由被優(yōu)化的函數(shù)決定的適應(yīng)值 (fitness value)，每個(gè)粒子還有一個(gè)速度決定他們飛翔的方向和距離。 PSO中，每個(gè)優(yōu)化問(wèn)題的解都是搜索空間中的一只鳥(niǎo)。最簡(jiǎn)單有效的就是搜尋目前離食物最近的鳥(niǎo)的周?chē)鷧^(qū)域。但是他們知道當(dāng)前的位置離食物還有多遠(yuǎn)。在這個(gè)區(qū)域里只有一塊食物。 ? PSO模擬鳥(niǎo)群的捕食行為。 51 粒子群優(yōu)化算法 ? 粒子群優(yōu)化 (Particle Swarm Optimization, PSO)，又稱(chēng)微粒群算法，是由 J. Kennedy和 RC Eberhart等于 1995年開(kāi)發(fā)的一種演化機(jī)制。自組織能力和自學(xué)習(xí)能力是人工生命的兩大重要特征。如何使這些誤差最小是使計(jì)算機(jī)視覺(jué)達(dá)到實(shí)用化的重要要求，遺傳算法在這些圖像處理中的優(yōu)化計(jì)算方面得到了很好的應(yīng)用。 49 圖象處理 ? 圖像處理是計(jì)算機(jī)視覺(jué)中的一個(gè)重要研究領(lǐng)域。 47 自動(dòng)控制 ? 遺傳算法已經(jīng)在自動(dòng)控制領(lǐng)域中得到了很好的應(yīng)用，例如基于遺傳算法的模糊控制器的優(yōu)化設(shè)計(jì)、基于遺傳算法的參數(shù)辨識(shí)、基于遺傳算法的模糊控制規(guī)則的學(xué)習(xí)、利用遺傳算法進(jìn)行人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)化設(shè)計(jì)和權(quán)值學(xué)習(xí)等。 46 生產(chǎn)調(diào)度問(wèn)題 ? 生產(chǎn)調(diào)度問(wèn)題在很多情況下所建立起來(lái)的數(shù)學(xué)模型難以精確求解，即使經(jīng)過(guò)一些簡(jiǎn)化之后可以進(jìn)行求解也會(huì)因簡(jiǎn)化得太多而使求解結(jié)果與實(shí)際相差太遠(yuǎn)。對(duì)于一些非線性、多模型、多目標(biāo)的函數(shù)優(yōu)化問(wèn)題，用其他優(yōu)化方法較難求解，而遺傳算法卻可以方便地得到較好的結(jié)果。下面列舉一些遺傳算法的主要應(yīng)用領(lǐng)域。將 31代入函數(shù) y=x2中，即得原問(wèn)題的解，即函數(shù) y=x2的最大值為 961。 于是 ， 遺傳操作終止 ， 將 染色體 “ 11111” 作為最終結(jié)果輸出 。于是，得第三代種群 S3： s1=11100（ 28） , s2=01001（ 9） , s3=11000（ 24） , s4=10011（ 19） 39 第三代種群 S4中各染色體的情況 染色體 適應(yīng)度 選擇概率 積累概率 估計(jì)被選中次數(shù) s1= 1 1 1 0 0 784 0. 44 0. 44 2 s2= 0 1 0 0 1 81 0 .0 4 0 .4 8 0 s3= 1 1 0 0 0 576 0. 32 0 .8 0 1 s4= 1 0 0 1 1 361 0. 20 1 .0 0 1 40 設(shè)這一輪的選擇 復(fù)制結(jié)果為： s1’ =11100（ 28） , s2’ =11100（ 28） , s3’ =11000（ 24） , s4’ =10011（ 19） 然后，做交叉運(yùn)算，讓 s1’ 與 s4’ ， s2’ 與 s3’ 分別交換后兩位基因，得 s1’’ =11111（ 31） , s2’’ =11100（ 28） , s3’’ =11000（ 24） , s4’’ =10000（ 16） 這一輪仍然不會(huì)發(fā)生變異。 1位 ， 所以本輪遺傳操作不做變異 。 分別交換后兩位基因 ， 得新染色體： s1’’=11001（ 25） , s2’’=01100（ 12） , s3’’=11011（ 27） , s4’’=10000（ 16） 變異 設(shè)變異率 pm=。 36 交叉 設(shè)交叉率 pc=100%， 即 S1中的全體染色體都參加交叉運(yùn)算 。 ?mP34 第一代種群 S1中各染色體的情況 染色體 適應(yīng)度 選擇概率 積累概率 估計(jì)被選中次數(shù) s 1 = 0 1 1 0 1 169 0 .1 4 0 .1 4 1 s 2 = 1 1 0 0 0 576 0 .4 9 0 .6 3 2 s 3 = 0 1 0 0 0 64 0 .0 6 0 .6 9 0 s 4 = 1 0 0 1 1 361 0 .3 1 1 .0 0 1 35 選擇 復(fù)制 設(shè)從區(qū)間［ 0, 1］中產(chǎn)生 4個(gè)隨機(jī)數(shù)如下 : r1=, r2=, r3=, r4= 按賭輪選擇法，染色體 s1, s2, s3, s4的被選中次數(shù)依次為： 1, 2, 0, 1。 分析：按第二代新群體進(jìn)行遺傳操作，若無(wú)變異，永遠(yuǎn)也找不到最優(yōu)解 —— 擇優(yōu)取代有問(wèn)題。 mc ppTM 、30 基本遺傳算法流程圖 引入新個(gè)體 變 異 隨
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1