高级人工智能之进化理论(-)课件

2024/7/29史忠植 高级人工智能1第十五章 进化计算 史忠植 中科院计算所2024/7/29史忠植 高级人工智能2内 容15.1 概述15.2 进化系统理论的形式模型15.3 达尔文进化算法15.4 遗传算法15.5 遗传算法的理论基础15.6 遗传算法的改进15.7 遗传机器学习分类器系统15.8 桶链算法15.9 规则发现系统15.10 进化策略15.11 进化规划2024/7/29史忠植 高级人工智能315.1 概述 进化计算是通过模拟自然界中生物进化机制进行搜索的一种算法。2024/7/29史忠植 高级人工智能4发展历史进化计算的研究起源于20世纪50年代。1965年，Holland首次提出了人工遗传操作的重要性，并把这些应用于自然系统和人工系统中。大约在同一时期：Rechenberg和Schwefel提出了进化策略。Fogel提出了进化规划。2024/7/29史忠植 高级人工智能5发展历史 1967年，Bagley在他的论文中首次提出了遗传算法这一术语，并讨论了遗传算法在自动博弈中的应用。1970年，Cavicchio把遗传算法应用于模式识别中。第一个把遗传算法应用于函数优化的是Hollstien。2024/7/29史忠植 高级人工智能6发展历史1975年是遗传算法研究的历史上十分重要的一年。这一年，Holland出版了他的著名专著自然系统和人工系统的适应性该书系统地阐述了遗传算法的基本理论和方法，并提出了对遗传算法的理论研究和发展极为重要的模式理论（schemata theory），该理论首次确认了结构重组遗传操作对于获得隐并行性的重要性。同年，DeJong完成了他的重要论文遗传自适应系统的行为分析。他在该论文中所做的研究工作可看作是遗传算法发展过程中的一个里程碑，这是因为他把Holland的模式理论与他的计算使用结合起来。2024/7/29史忠植 高级人工智能7发展历史1989 Goldberg对遗传算法从理论上，方法上和应用上作了系统的总结。1990年，Koza提出了遗传程序设计（Genetic Programming）的概念。（用于搜索解决特定问题的最适计算机程序）2024/7/29史忠植 高级人工智能8遗传算法与自然进化的比较自然界染色体基因等位基因(allele)染色体位置(locus)基因型(genotype)表型(phenotype)遗传算法字符串字符,特征特征值字符串位置结构参数集,译码结构2024/7/29史忠植 高级人工智能9新达尔文五进化理论的主要论点1)个体是基本的选择目标;2)随机过程在进化中起重大作用,遗传变异大部分是偶然现象;3)基因型变异大部分是重组的产物,特别是突变;4)逐渐进化可能与表型不连续有关;5)不是所有表型变化都是自然选择的必然结果;6)进化是在适应中变化的,形式多样,不仅是基因的变化;7)选择是概率型的,而不是决定型的。2024/7/29史忠植 高级人工智能10进化计算的三大主流板块Holland提出的遗传算法(Genetic Algorithm)。Rechenberg和Schwefel提出的进化策略(Evolutionary Strategies)。Fogel提出的进化规划(Evolutionary Programming)，又称为进化程序设计。本章将着重介绍遗传算法，对进化策略和进化规划只作简单介绍。2024/7/29史忠植 高级人工智能1115.2 进化系统理论的形式模型 进化在个体群体中起作用。瓦铤顿(Waddington)指出基因型和表型之间关系的重要性(Waddington 1974)。群体禁止异构环境。但是“后生环境”是多维空间。表型是基因型和环境的产物。然后表型通过异构“选择环境发生作用。注意，这种多维选择环境与后生环境空间是不同的。现在，适应性是表型空间和选择环境空间的产物。它经常被取作一维，表示多少子孙对下一代作出贡献。基于这种想法，莫楞贝(Muhlenbein)和肯德曼(Kindermann)提出了一种称为进化系统理论的形式模型(Muhlenbein 1989)。2024/7/29史忠植 高级人工智能12 进化系统理论的形式模型进化的主要过程后生环境遗传操作符选择环境gp2024/7/29史忠植 高级人工智能13进化系统理论的形式模型 其中，g 是基因型 p 是表型。基因gi的可能值称为等位基因。在门德尔(Mendel)遗传学中，假设每个基因有有限数的等位基因。2024/7/29史忠植 高级人工智能14进化系统理论的形式模型这个变换函数给出了模型，说明表型的发展是通过基因与环境的交互作用。变换过程是高度非线性的。2024/7/29史忠植 高级人工智能15进化系统理论的形式模型质量函数q给出了具体选择环境ESi下表型的质量，其定义如下：质量定义适应度，用于达尔文选择。至今已有三种具体范例的通用模型，即 门德尔遗传学 遗传生态学 进化配子2024/7/29史忠植 高级人工智能16 门德尔遗传学在门德尔遗传学中，基因型被详细模型化，而表型和环境几乎被忽略。在遗传生态学中恰好相反。进化配子论是从社会生物学导出的模型。首先让我们讨论门德尔遗传学的选择模型。为了简单起见，我们假设一个基因具有n 等位基因a1,an。二倍基因型以元组(ai,aj)为特征。我们定义 pi,j 为总群体中基因型(ai,aj)的频度。假设基因型与表型相等。质量函数给每个表型赋值。q(ai,aj)=qi,j qi,j 可以被解释为出生率减去死亡率 2024/7/29史忠植 高级人工智能17 门德尔遗传学假设 pi,j是下一代表型(ai,aj)的频度。然后达尔文选择根据选择方程调整表型的分布:是群体的平均适应度。2024/7/29史忠植 高级人工智能18 门德尔遗传学设 pi 是群体中等位基因的频率。如果 pi,j =pi pj那么，我们得到在 GS中的一个选择方程为 2024/7/29史忠植 高级人工智能19 门德尔遗传学这个离散的选择方程可以用连续方程近似:如果 qi,j=qj,i,那么2024/7/29史忠植 高级人工智能20 门德尔遗传学这个方程很容易被证明:这个结果称作菲希尔(Fisher)基本定理。它说明平均适应度随适应度的差别呈正比例增加。实际上，全部可能的基因型仅有一部分实现。这就是遗传操纵子探索基因型空间的任务，其个体数目相当小。这些操纵子是群体遗传变异性的来源。最重要的操纵子是突变和重组。2024/7/29史忠植 高级人工智能2115.3 达尔文进化算法根据定量遗传学，达尔文进化算法采用简单的突变/选择动力学。达尔文算法的一般形式可以描述如下：是一代的双亲数目，为子孙数目。整数 称作“混杂”数。如果两个双亲混合他们的基因，则 =2。仅 是最好的个体才允许产生子孙。逗号表示双亲们没有选择，加号表示双亲有选择。2024/7/29史忠植 高级人工智能2215.3 达尔文进化算法1)建立原始种体。2)通过突变建立子孙。3)选择：4)返回到步骤(1)。2024/7/29史忠植 高级人工智能23 遗传算法思想来源于生物进化过程,它是基于进化过程中的信息遗传机制和优胜劣汰的自然选择原则的搜索算法(以字符串表示状态空间)。遗传算法用概率搜索过程在该状态空间中搜索，产生新的样本。15.4 遗传算法2024/7/29史忠植 高级人工智能24遗传算法的特点特点：通用鲁棒次优解、满意解遗传算法能解决的问题：优化NP完全NP难高度复杂的非线性问题2024/7/29史忠植 高级人工智能25遗传算法遗传算法先将搜索结构编码为字符串形式,每个字符串结构被称为个体。然后对一组字符串结构(被称为一个群体)进行循环操作。每次循环被称作一代,包括一个保存字符串中较优结构的过程和一个有结构的、随机的字符串间的信息交换过程。类似于自然进化，遗传算法通过作用于染色体上的基因寻找好的染色体来求解问题。2024/7/29史忠植 高级人工智能26 遗传算法与自然界相似，遗传算法对求解问题的本身一无所知，它所需要的仅是对算法所产生的每个染色体进行评价，并基于适应值来选择染色体，使适应性好的染色体有更多的繁殖机会。在遗传算法中，位字符串扮演染色体的作用，单个位扮演了基因的作用，随机产生一个体字符串的初始群体，每个个体给予一个数值评价，称为适应度，取消低适应度的个体，选择高适应度的个体参加操作。常用的遗传算子有复制、杂交、变异和反转。2024/7/29史忠植 高级人工智能27遗传算法与传统优化算法的主要不同1)遗传算法不是直接作用在参变量集上,而是利用参变量集的某种编码;2)遗传算法不是从单个点,而是在群体中从一个点开始搜索;3)遗传算法利用适应值信息,无需导数或其它辅助信息;4)遗传算法利用概率转移规则,而非确定性规则。2024/7/29史忠植 高级人工智能28遗传算法的准备工作1)确定表示方案;2)确定适应值的度量;3)确定控制该算法的参数和变量;4)确定怎样指定结果及程序运行结束的标准。2024/7/29史忠植 高级人工智能29基本遗传算法基本遗传算法(Simple Genetic Algorithm:SGA)又称为简单遗传算法，只使用选择算子、交叉算子和变异算子这三种基本的遗传算子。其遗传操作简单、容易理解，是其它遗传算法的雏形和基础。基本遗传算法的构成要素：1、染色体编码方法：首先必须对问题的解空间进行编码，使之能用遗传算法进行操作。较常用的是二进制编码方法，现在使用非二进制编码的也逐渐增多。2、适应度函数（fitness function，又称为适应值适值函数）用来评价一个染色体的好坏。2024/7/29史忠植 高级人工智能30基本遗传算法的构成要素3、遗传算子 选择算子(selection)：又称为复制算子。按照某种策略从父代中挑选个体进入下一代，如使用比例选择、轮盘式选择。交叉算子(crossover)：又称为杂交算子。将从群体中选择的两个个体，按照某种策略使两个个体相互交换部分染色体，从而形成两个新的个体。如使用单点一致交叉。变异算子(mutation)：按照一定的概率（一般较小），改变染色体中某些基因的值。2024/7/29史忠植 高级人工智能31杂交操作举例10220201No OffspringPt.of interchangeCrossoverParentsOffspring1110#0#1#0111#0001#11#010#1000#00#110#01#10#100100100#011161711110#11#0001#0#0001#11#00#11#00#110#01#10#000#01111#01#10#2024/7/29史忠植 高级人工智能32变异操作简单的变异操作过程如下:每个位置的字符变量都有一个变异概率,各位置互相独立。通过随机过程选择发生变异的位置：产生一个新结构 ,其中 是从对应位置 的字符变量的值域中随机选择的一个取值。可以同样得到。2024/7/29史忠植 高级人工智能33反转操作简单反转操作的步骤如下:1)从当前群体中随机选择一个结构2)从中随机选择两个数i和j,并定义 i=mini,j,j=maxi,j;3)颠倒a中位置i、j之间的部分,产生新的结构2024/7/29史忠植 高级人工智能34基本遗传算法的构成要素4、运行参数N：群体大小，即群体中包含的个体的数量。T：遗传算法终止的进化代数。Pc：交叉概率，一般取为 0.40.99。Pm：变异概率，一般取为 0.00010.1。2024/7/29史忠植 高级人工智能35基本遗传算法1.随机产生一个由固定长度字符串组成的初始群体;2.对于字符串群体，迭代地执行下述步骤，直到选种标准被满足为止：1)计算群体中的每个个体字符串的适应值;2)应用下述三种操作(至少前两种)来产生新的群体:复制:把现有的个体字符串复制到新的群体中。杂交:通过遗传重组随机选择两个现有的子字符串,产生新的字符串。变异:将现有字符串中某一位的字符随机变异。3.把在后代中出现的最高适应值的个体字符串指定为遗传算法运行的结果。这一结果可以是问题的解(或近似解)。2024/7/29史忠植 高级人工智能36基本遗传算法流程图GEN=0概率地选择遗传操作随机创建初始群体计算群体中每个个体的适应值i:=0显示结果结束GEN:=GEN+1是是否（转下页）i=N?GEN=M？12024/7/29史忠植 高级人工智能37概率地选择遗传操作根据适应值选择一个个体完成交叉i:=i+1i:=i+1复制个体p(r)选择（接上页）基于适应值选择两个个体把新的两个孩子加到群体中p(c)交叉变异p(m)把新的孩子加入到群体中完成变异根据适应值选择一个个体把变异后个体加入到群体中12024/7/29史忠植 高级人工智能38轮盘式选择首先计算每个个体 i 被选中的概率然后根据概率的大小将将圆盘分为 n个扇形，每个扇形的大小为 。选择时转动轮盘，参考点r落到扇形i则选择个体i。.p1p2pir2024/7/29史忠植 高级人工智能39单点一致交叉首先以概率pc从种群中随机地选择两个个体p1、p2。在1,2,.,l内随机选择一个数i,作为交叉的位置，称为交叉点。然后将两个个体交叉点后面的部分交换。例如：0110 101100 0110 011001 1100 011001 1100 1011002024/7/29史忠植 高级人工智能40一致变异以概率pm对种群中所有个体的每一位进行变异。对于个体pi的第j位，在0,1的范围内随机地生成一个数r,如果 r pm,则对第j位取反，否则保持第j位不变。2024/7/29史忠植 高级人工智能41遗传算法举例问题：求（1）编码：此时取均长为5，每个染色体（2）初始群体生成：群体大小视情况而定，此处设置为4，随机产生四个个体：编码：01101，11000，01000，10011 解码：13 24 8 19 适应度：169 576 64 361（3）适应度评价：2024/7/29史忠植 高级人工智能42（4）选择：选择概率 个体：01101，11000，01000，10011 适应度：169 576 64 361 选择概率：0.14 0.49 0.06 0.31选择结果：01101，11000，11000，10011（5）交叉操作：发生交叉的概率较大 哪两个个体配对交叉是随机的 交叉点位置的选取是随机的（单点交叉）0110 1 01100 11 000 11 011 1100 0 11001 10 011 10 0002024/7/29史忠植 高级人工智能43（6）变异：发生变异的概率很小（7）新群体的产生：保留上一代最优个体，一般为10%左右，至少1个 用新个体取代旧个体，随机取代或择优取代。11000，11011，11001，10011（8）重复上述操作：说明：GA的终止条件一般人为设置；GA只能求次优解或满意解。分析：按第二代新群体进行遗传操作，若无变异，永远也找不到最优解择优取代有问题。若随机的将个体01101选入新群体中，有可能找到最优解。2024/7/29史忠植 高级人工智能4415.5 遗传算法的理论基础15.5.1 模式的定义遗传算法的理论基础是遗传算法的二进制表达式及模式的含义。模式是能对染色体之间的相似性进行解释的模板。定义1 设GA的个体 ,记集合则称 为一个模式，其中是通配符。即模式(schema)是含有通配符(*)的一类字符串的通式表达。每个“*”可以取“1”或者“0”。2024/7/29史忠植 高级人工智能45模式举例模式*10101110与以下两个字符串匹配：010101110 110101110而模式 *1010110与以下四个字符串匹配：010100110 010101110110100110 1101011102024/7/29史忠植 高级人工智能46模式的定义定义2 一个模式模式s s的阶的阶是出现在模式中的“0”和“1”的数目，记为o(s)。如：模式“0*”的阶为1，模式“10*1*”的阶为3。定义3 一个模式模式s s的长度的长度是出现在模式中第一个确定位置和最后一个确定位置之间的距离，记为 。如：模式“01*”的长度为1，模式“0*1”的长度为3。2024/7/29史忠植 高级人工智能4715.5.2 模式定理假定在给定的时间步t,一个特定的模式s在群体P(t)中包含由m个代表串，记为m=m(s,t)。首先，我们暂不考虑交叉和变异操作。每个串根据适应值的大小获得不同的复制概率。串i的复制概率为：（1)2024/7/29史忠植 高级人工智能4815.5.2 模式定理则在群体P(t+1)中，模式s的代表串的数量的期望值为：其中，表示模式s在t时刻的所有代表串的适应值的均值，称为模式s的适应值。（2）2024/7/29史忠植 高级人工智能4915.5.2 模式定理若记P(t)中所有个体的适应值的平均值为：（3）则(2)式可以表示为：2024/7/29史忠植 高级人工智能5015.5.2 模式定理(3)式表明，模式s的代表串的数目随时间增长的幅度正比于模式s的适应值与群体平均适应值的比值。即：适应值高于群体平均值的模式在下一代的代表串数目将会增加，而适应值低于群体平均值的模式在下一代的代表串数目将会减少。假设模式的适应值为 ,其中c是一个常数，则(3)式可写为：2024/7/29史忠植 高级人工智能5115.5.2 模式定理（4）上式表明，在平均适应值之上（之下）的模式，将会按指数增长（衰减）的方式被复制。2024/7/29史忠植 高级人工智能5215.5.2 模式定理复制的结果并没有生成新的模式。因而，为了探索搜索空间中的未搜索部分，需要利用交叉和变异操作。下面先探索交叉对模式的影响。模式s1=“*1*0”和s2=“*10*”交叉会改变模式的一部分，模式的长度越长，被破坏的概率越大。2024/7/29史忠植 高级人工智能5315.5.2 模式定理假定模式s在交叉后不被破坏的概率为ps，则：若交叉概率为pc,则s不被破坏的概率为2024/7/29史忠植 高级人工智能5415.5.2 模式定理（5）所以，再考虑交叉时，(3)式可表示为最后，考虑变异算子对模式的影响。变异算子以概率pm随机地改变个体某一位的值。只有当o(s)个确定位的值不被破坏时，模式s才不被破坏。2024/7/29史忠植 高级人工智能5515.5.2 模式定理模式s在变异后不被破坏的概率：Pm1,可近似地表示为2024/7/29史忠植 高级人工智能5615.5.2 模式定理（6）因此，考虑交叉和变异时，(3)式可表示为2024/7/29史忠植 高级人工智能5715.5.2 模式定理由(6)我们得到一个重要的定理。定理1 模式定理(Schema Theorem)适应值在群体适应值之上的、长度较短的、低阶的模式在GA的迭代中将按指数增长方式被复制。2024/7/29史忠植 高级人工智能5815.5.3 积木块假设Holland和Goldberg在模式定理的基础上提出了“积木块假设”(Building Block Hypothesis):低阶、长度较短、高于平均适应度的模式(积木块)在遗传算子的作用下，相互结合，能生成高阶、长度较长、适应度较高的模式，并得到全局最优解。2024/7/29史忠植 高级人工智能5915.5.4 遗传算法的收敛性分析算法的收敛性可以定义如下：定义：若算法在t时刻的种群xt满足则称算法收敛到x0。关于遗传算法的收敛性，Michalewicz证明了基于压缩原理的收敛性定理。而Rudolph证明了基于Markov链的收敛性定理。2024/7/29史忠植 高级人工智能6015.6 遗传算法的改进遗传算法的局限性：遗传算法得到了广泛应用，但也暴露了一些问题，如：遗传算法在解决某些问题时速度较慢；遗传算法对编码方案的依赖性较强，算法的鲁棒性不够好等。这些问题主要归结为：（1）上位(epistasis)效应上位效应包括两个方面：多基因性和基因多效性。2024/7/29史忠植 高级人工智能6115.6 遗传算法的改进（2）编码方案最初使用最多的是二进制位串，但此类编码并不适合一些实际问题。现在人们已经探索了许多其它方案，如浮点表示、树形表示等等。（3）积木块假设积木块假设是否成立，是否一定存在短的、低阶的、高适应值的积木块？若构成问题最优解的所有低阶模式的适应值都较低，这是GA很难收敛到最优解，此类问题称为“欺骗问题”。2024/7/29史忠植 高级人工智能6215.6 遗传算法的改进（4）早熟收敛即GA收敛到一个局部最优解。Schraudolph和Belew提出“动态参数编码”方案来解决早熟收敛问题。关于遗传算法的一些改进措施，有兴趣的同学可查找相关资料。2024/7/29史忠植 高级人工智能6315.7 遗传机器学习分类器系统机器学习是人工智能的一个重要研究领域，也是人工智能的一个重要的应用领域。遗传机器学习(Genetics Based Machine Learning,GBML)时将遗传算法与机器学习系统相结合的产物。2024/7/29史忠植 高级人工智能64遗传机器学习系统的一般框架任务子系统学习子系统任务检测器任务效应器执行效应器执行检测器2024/7/29史忠植 高级人工智能65匹兹堡方法和密西根方法遗传机器学习有两种重要的实现方法：一种是由匹兹堡(Pittsburgh)大学的De Jong和他的学生Smith提出的。该方法用整个规则集合表示一个个体，GAs维护一个包含一定数目的候选规则集的种群。这种方法称为匹兹堡方法。2024/7/29史忠植 高级人工智能66匹兹堡方法和密西根方法另一种方法是由密西根(Michigan)大学的Holland和他的学生Reitman提出的。该方法每个个体表示一条规则，而整个种群就是规则集。这种方法称为密西根方法。Holland提出的分类器系统采用的是密西根方法。2024/7/29史忠植 高级人工智能67分类器系统Holland和他的同事提出了一种分类器系统的认知模型,其中的规则不是规则集,而是遗传算法操纵的内部实体。图11.3给出了分类器系统的一般结构,从分类器系统看学习,它由三层动作构成,即执行子系统、信用赋值子系统和发现子系统。2024/7/29史忠植 高级人工智能68 分类器系统发现遗传算法信用赋值桶链执行分类器系统消息来自输入接口支付消息送出输出接口（目标）来自内部监控器的消息图 11.3 分类器系统的一般结构2024/7/29史忠植 高级人工智能69 分类器系统 执行子系统处在最低层,直接与环境进行交互。它与专家系统相同,由产生式规则构成。但是,它们是消息传送,高度平行。这类规则称作分类器。分类器系统中的学习,要求环境提供反馈,确认所希望的状态是否达到。系统将评价这些规则的有效性,这些活动常常称作信用赋值。有些特定算法专门用来实现信用赋值,例如,桶链算法。最后一层是发现子系统,该系统必须产生新的规则,取代当前用处不大的规则。通过系统累积的经验产生规则。系统根据适应值,使用遗传算法选择、重组和取代规则。2024/7/29史忠植 高级人工智能70 分类器系统 分类器系统是平行执行、消息传递和基于规则的系统。在简单的方案中,消息采用规定的字母,全部为固定长度。全部规则采用条件/动作形式。每个条件规定必须满足的信息,每个动作规定当条件满足时所发送的消息。为了方便,假设消息采用长度为l的二进制字符串记录,字符采用子集1,0,#。2024/7/29史忠植 高级人工智能71规则与消息产生式规则：IF THEN 约定：条件的长度是固定的，用二进制数表示。定义：If sj=1 or sj=0,then mj=sj If sj=#,then mj can be either 1 or 0.2024/7/29史忠植 高级人工智能72规则与消息 满足要求的全部消息构成子集,即每个子集是在消息空间的一个超平面。分类器系统是由一组分类器 C1,C2,CN、一个消息表、输入接口、输出接口构成。每部分的主要功能如下:(1)输入接口将当前环境状态翻译成标准消息。(2)分类器根据规则,规定系统处理消息的过程。(3)消息表包含当前全部消息。(4)输出接口将结果消息翻译成效应器动作,修改环境状态。2024/7/29史忠植 高级人工智能73分类器系统的基本结构分类器消息表(a)全部消息进行条件测试条件消息规约输出接口送到环境输入接口来自环境(a)(b)(b)选中分类器产生新消息2024/7/29史忠植 高级人工智能74分类器基本算法1)将输入接口全部消息放入消息表。2)将消息表中的全部消息与全部分类器所有条件比较,记录所有匹配。3)满足分类器条件部分的每组匹配,将其动作部分所规定的消息送到新的消息表。4)用新的消息表取代消息表中的全部消息。5)将消息表中的消息翻译成输出接口的要求,产生系统当前的输出。6)返回到步骤(1)。2024/7/29史忠植 高级人工智能75简单的视觉分类器系统视觉向量视野运动向量对象检测器11110消息2024/7/29史忠植 高级人工智能76性质检测器规定的值1，如果移动对象0，其它(0,0)，如果对象在视野的中间(1,0)，如果对象在中心的左边(0,1)，如果对象在中心的右边1，如果系统是对象的近邻0，其它1，如果对象很大0，其它1，如果对象是狭长的0，其它2024/7/29史忠植 高级人工智能77规则表示规则：IF 如果有“捕食(prey)”(small,moving,nonstriped object),处于视野中间(centered),非邻近(nonadjacent),THEN 迅速移向对象(ALIGN),(FAST).可以表示为：00#000001/0100000000000000,ALIGN,FAST.2024/7/29史忠植 高级人工智能78网络图MOVINGSMALL NOT STRIPEDNEARFAR01001ALERT10001TARGET11001PORSUE11010APPROACH11011FLEE11100FREEZE10010DANGER2024/7/29史忠植 高级人工智能79网络图的规则表示MOVING和ALERT之间的箭头：00#1/01001#SMALL，NOT STRIPED and ALERT到TARGET的箭头：00#00#，01001#/10001#2024/7/29史忠植 高级人工智能80学习机制分类器系统使用两个学习机制，桶链(bucket brigade)算法。基于对系统的贡献,对现有规则分配一个信用值。规则发现算法。这包括遗传算法，该算法可产生新规则，用于改善系统的知识库。2024/7/29史忠植 高级人工智能8115.8 桶链算法 桶链(bucket brigade)算法基于对系统的贡献,对现有规则分配一个信用值。主要解决多条规则同时要求被激活时的竞争问题。例如：下面的情况下应该选择哪条规则。011101#：0000#00：000100#0：11002024/7/29史忠植 高级人工智能82主要问题引入信用值后的两个问题：当多条规则同时要求被激活时，如何解决竞争问题对一规则被激活产生过作用的那些规则如何分配信用2024/7/29史忠植 高级人工智能83桶链算法为解决上述两个问题，引入拍卖行和票据交易所：当有多个分类器获得匹配时，每个分类器要出一个与其强度成正比的叫价B叫价高的分类器被激活并允许发送消息，同时通过票据交易所,将其叫价B提供给激活的分类器。如此继续下去，一条规则可通过消费者获利（增加了强度），通过规则的不断激活形成一条消费者链，直至最终消费者（达到目标）直接从环境中得到补偿。若链中一条规则导致错误结论，则序列上该规则的强度将减弱，并且沿着序列回溯，从而产生新的消费者链2024/7/29史忠植 高级人工智能84举例环境0111，强度为0，叫价系数为0.1。索引号分类器强度 101#：0000200 200#0：1000200 311#：1000200 4#00：00012002024/7/29史忠植 高级人工智能85第一步分类器 强度 消息 匹配 叫价01#：0000 200 E 2000#0：1000 20011#：1000 200#00：0001 2002024/7/29史忠植 高级人工智能86第二步分类器 强度 消息 匹配 叫价01#：0000 180 000000#0：1000 200 1 2011#：1000 200#00：0001 200 1 20两条规则同时激活2024/7/29史忠植 高级人工智能87第三步分类器 强度 消息 匹配 叫价01#：0000 22000#0：1000 180 110011#：1000 200 2 20#00：0001 180 0001 2 182024/7/29史忠植 高级人工智能88第四步分类器 强度 消息 匹配 叫价01#：0000 22000#0：1000 21811#：1000 180 1000#00：0001 162 3 162024/7/29史忠植 高级人工智能89第五步分类器 强度 消息 匹配 叫价 强度01#：0000 220 22000#0：1000 218 21811#：1000 196 196#00：0001 146 0001 206规则4达到目标获得补偿60。2024/7/29史忠植 高级人工智能90投标改变分类器的强度在时间t满足C送去消息的分类器对在t-1作用的分类器投标在时间t对分类器C的支持2024/7/29史忠植 高级人工智能91分类器中的遗传算法遗传算法可产生新规则，用于改善系统的知识库。可以在三种情况下应用GA：1)引入一个参数T（时间间隔），用于控制何时使用GA。2)特殊情况时（如消息的条件都不能匹配）使用GA。3)系统的性能太差。2024/7/29史忠植 高级人工智能92算法步骤1)t=0，随机生成集合Bt，|Bt|=M（大小）；2)计算Bt中全体分类器的平均强度Vt，对每个分类器赋予一个标准强度St(Cj)/Vt；3)给Bt中的每个分类器Cj赋予一个与其标准强度成正比的概率，并根据Bt中的概率分布，从Bt中选取n个分类器，nM；4)对每个分类器应用交叉算子，生成2n个分类器；5)将Bt中的2n个强度最低的分类器用新生成的2n个取代；6)t=t+1，转(2)。2024/7/29史忠植 高级人工智能93算法说明1)算法中S0(Cj)是预知的；2)实现时考虑结束条件；3)该算法是经典GA的变种，其中没有变异算子；4)新分类器的强度是由旧分类器的强度决定的。2024/7/29史忠植 高级人工智能94分类器强度调整算法1)将与所选动作相同的分类器形成子集 M，称作动作集 A。将不在 M中的其它分类器放在集合 NOTA中。2)在A中的全部分类器强度减少一个分数e。3)如果系统决策正确，则将赢利量R分配给A的强度;4)如果系统决策错误，则将赢利量R(其中0RR)分配给 A的强度，从A的强度减少一个分数p。至少R和p中的一个为0。5)从 NOTA中的强度减去一个分数t。2024/7/29史忠植 高级人工智能9515.9 规则发现系统 在规则发现系统中,学习经常是首先评价系统现有的规则质量,然后进行修改。Grefenstette 研制了一种规则发现系统RUDI。问题求解级由简化的分类器系统组成。学习级是对知识结构群体进行遗传算法操作,每一个表示为一组规则表。知识结构的整个行为控制这些结构的复制。在RUDI中,信用赋值方法赢利共享规划(Profit-Sharing Plan,简称PSP)和桶链算法(BBA)对每个规则提供互补的效用信息。根据期望的外部奖励,PSP-强度对规则效用提供更精确的评估。当问题求解时它被用作冲突消解。与此相反,BBA-强度表示规则之间的动态相关性,规则点火依次会聚到相似水平。这种测度可以用作一组协作规则的聚类。2024/7/29史忠植 高级人工智能96 规则发现系统 Grefenstette 提出一种强度修改方案称作嬴利共享规划PSP。在这种方案中问题求解划分成情节,按所接受的外部奖励区分。如果任何步情节在投标竞争中获胜,则认为该规则在该情节活动。在情节t,PSP 修改每个活动规则Ri的强度 Si(t)如下:Si(t+1)=Si(t)-bSi(t)+bp(t),其中,p(t)称作在情节结束时所获得的外部奖励,即当获得外部奖励,从每个活动规则搜集投标,每个活动规则给出一部分外部奖励。考虑PSP 对给定规则Ri 的影响,它按照方程得到:2024/7/29史忠植 高级人工智能97 规则发现系统其中,t 的范围是在该情节规则 Ri 是活动的,即Si(t)基本上外部奖励的权值平均p(t),(1-b)作为指数衰减因子。如果 b 足够小,那么 S(t)具有 p(t)的平均值。如果外部奖励 p(t)是常数,p*,那么Si 收敛到一个平衡值 Si*:2024/7/29史忠植 高级人工智能98 规则发现系统在常数赢利下,PSP 将以下列速率减少误差 Ei(t)=p*-Si(t)强度每次改变,以因子b减少当前强度与平衡强度之差。2024/7/29史忠植 高级人工智能99 规则发现系统我们看出,奖励相当是常数情况下,在PSP下每个规则强度很快收敛到一个平衡强度,可以预测情节结束时将接收的奖励水平。PSP的一种可能的限制是它取决于这种前提,成功外部奖励区分的情节所对应的合适区间,在这个区间里进行信用赋值。情节的选择非常重要。2024/7/29史忠植 高级人工智能100 规则发现系统在桶链算法BBA中,是基于规则之间单独处理的,可以避免有关情节的假设。假设规则 Ri 在tau 步点火,规则 Rj 在 tau+1点火,那么BBA 按照下面公式修改规则 Ri的强度 Si:第一个改变意味BBA 在给定的情节修改规则强度多于一次。第二个改变导致PSP与BBA基本的不同。PSP强度预测所期望的情节结束获得的外部奖励是在规则点火,BBA的强度预测所期望的内部奖励是在规则的下一步。2024/7/29史忠植 高级人工智能10115.9 规则发现系统RUDI的控制结构问题求解BBA/PSP遗传算法任务执行强度新规则信用奖励2024/7/29史忠植 高级人工智能102PSP与BBA比较奖励：10000300初始状态结束状态2024/7/29史忠植 高级人工智能103不同的强度修改方案规则PSP强度BBA强度1000648299567100064546443003009995313003002024/7/29史忠植 高级人工智能10415.10 进化策略进化策略模仿自然进化原理作为一种求解参数优化问题的方法。最简单的实现方法如下:(1)定义的问题是寻找n维的实数向量x,它使函数(2)双亲向量的初始群体从每维可行范围内随机选择。(3)子孙向量的创建是从每个双亲向量加上零均方差高斯随机变量。(4)根据最小误差选择向量为下一代新的双亲。(5)向量的标准偏差保持不变,或者没有可用的计算方法,那么处理结束。2024/7/29史忠植 高级人工智能10515.11 进化规划 进化规划(evolutionary programming，又译为进化程序设计)的过程,可理解为从所有可能的计算机程序形成的空间中,搜索有高的适应值的计算机程序个体，在进化程序设计中，几百或几千个计算机程序参与遗传进化。2024/7/29史忠植 高级人工智能106进化规划步骤1.产生出初始群体,它由关于问题(计算机程序)的函数随机组合而成。2.迭代完成下述子步骤，直至满足选种标准为止:1)执行群体中的每个程序，根据它解决问题的能力，给它指定一个适应值2)应用变异等操作创造新的计算机程序群体。基于适应值根据概率从群体中选出一个计算机程序个体，然后用合适的操作作用于该计算机程序个体。把现有的计算机程序复制到新的群体中。通过遗传随机重组两个现有的程序,创造出新的计算机程序个体。3.在后代中适应值最高的计算机程序个体被指定为进化程序设计的结果。这一结果可能是问题的解或近似解。2024/7/29史忠植 高级人工智能107谢 谢！（第14讲）考场作文开拓文路能力分解层次(网友来稿)江苏省镇江中学 陈乃香说明：本系列稿共24讲，20XX年1月6日开始在资源上连载【要义解说】文章主旨确立以后，就应该恰当地分解层次，使几个层次构成一个有机的整体，形成一篇完整的文章。如何分解层次主要取决于表现主旨的需要。【策略解读】一般说来，记人叙事的文章常按时间顺序分解层次，写景状物的文章常按时间顺序、空间顺序分解层次；说明文根据说明对象的特点，可按时间顺序、空间顺序或逻辑顺序分解层次；议论文主要根据“提出问题分析问题解决问题”顺序来分解层次。当然，分解层次不是一层不变的固定模式，而应该富于变化。文章的层次，也常常有些外在的形式：1小标题式。即围绕话题把一篇文章划分为几个相对独立的部分，再给它们加上一个简洁、恰当的小标题。如世界改变了模样四个小标题：寿命变“长”了、世界变“小”了、劳动变“轻”了、文明变“绿”了。2序号式。序号式作文与小标题作文有相同的特点。序号可以是“一、二、三”，可以是“A、B、C”，也可以是“甲、乙、丙”从全文看，序号式干净、明快；但从题目上看，却看不出文章内容，只是标明了层次与部分。有时序号式作文，也适用于叙述性文章，为故事情节的展开，提供了明晰的层次。3总分式。如高考佳作人生也是一张答卷。开头：“人生就是一张答卷。它上面有选择题、填空题、判断题和问答题，但它又不同于一般的答卷。一般的答卷用手来书写，人生的答卷却要用行动来书写。”主体部分每段首句分别为：选择题是对人生进行正确的取舍，填空题是充实自己的人生，判断题是表明自己的人生态度，问答题是考验自己解决问题的能力。这份“试卷”设计得合理而且实在，每个人的人生都是不同的，这就意味着这份人生试卷的“答案是丰富多彩的”。分解层次，应追求作文美学的三个价值取向：一要匀称美。什么材料在前，什么材料在后，要合理安排；什么材料详写，什么材料略写，要通盘考虑。自然段是构成文章的基本单位，恰当划分自然段，自然就成为分解层次的基本要求。该分段处就分段，不要老是开头、正文、结尾“三段式”，这种老套的层次显得呆板。二要波澜美。文章内容应该有张有弛，有起有伏，如波如澜。只有这样才能使文章起伏错落，一波三折，吸引读者。三要圆合美。文章的开头与结尾要遥相照应，把开头描写的事物或提出的问题，在结尾处用各种方式加以深化或回答，给人首尾圆合的感觉。【例文解剖】话题：忙忙，不亦乐乎 忙，是人生中一个个步骤，每个人所忙的事务不同，但是不能是碌碌无为地白忙，要忙就忙得精彩，忙得不亦乐乎。忙是问号。忙看似简单，但其中却大有学问。忙是人生中不可缺少的一部分，但是怎么才能忙出精彩，忙得不亦乐乎，却并不简单。人生如同一张地图，我们一直在自己的地图上行走，时不时我们眼前就出现一个十字路口，我们该向哪儿，面对那纵轴横轴相交的十字路口，我们该怎样选择?不急，静下心来分析一下，选择适合自己的坐标轴才是最重要的。忙就是如此，选择自己该忙的才能忙得有意义。忙是问号，这个问号一直提醒我们要忙得有意义，忙得不亦乐乎。忙是省略号。四季在有规律地进行着冷暖交替，大自然就一直按照这样的规律不停地忙，人们亦如此。为自己找一个目标，为目标而不停地忙，让这种忙一直忙下去。当目标已达成，那么再找一个目标，继续这样忙，就像省略号一样，毫无休止地忙下去，翻开历史的长卷，我们看到牛顿在忙着他的实验；爱迪生在忙着思考；徐霞客在忙着记载游玩；李时珍在忙着编写本草纲目。再看那位以笔为刀枪的充满着朝气与力量的文学泰斗鲁迅，他正忙着用他独有的刀和枪在不停地奋斗。忙是省略号，确定了一个目标那么就一直忙下去吧!这样的忙一定会忙出生命灵动的色彩。忙是惊叹号。世界上的人都在忙着自己的事，大自然亦如此，小蜜蜂在忙，以蜂蜜为回报。那么人呢?居里夫人的忙，以放射性元素的发现而得到了圆满的休止符；爱因斯坦在忙，以相对论的问世而画上了惊叹号；李白的忙，以那豪放的诗歌而有了很大的成功；张衡的忙，因为那地动仪的问世而让世人仰慕。每个人都应该有效率的忙，而不是整天碌碌无为地白忙。人生是有限的、短暂的，因此，每个人都应该在有限的生命里忙出属于他的惊叹号；都应在有限的生命里忙出他的人生精彩篇章。忙是万物、世界、人生中都不可缺少的一部分。作为这世上最高级动物的我们，我们在忙什么呢?我们要忙得有意义，有价值，我们要忙出属于我们的精彩。我们的忙不能永远是问号，而应是省略号和感叹号。忙就要忙得精彩，忙得不亦乐乎。解剖：本文将生活中的一句口头禅“忙得不亦乐乎”机智翻新，拟作标题，亮出一道美丽的风景。并据此展开述说，让人神清气爽。文章开篇扣题，亮出观点：忙，是人生中一个个步骤，不能碌碌无为地白忙，要忙就忙得精彩，忙得不亦乐乎。然后，作者分别用问号、省略号、惊叹号巧妙设喻，抓住这三种标点符号的特征，摆实事，讲道理，入情入理，入理入心。深刻地阐明人生忙，忙要像问号一样，经常问问自己，不能盲目，不能瞎忙，要忙得有意义；人生如四季一样是有规律的，要选准目标，像省略号一样，毫无休止地忙下去，忙出生命灵动的色彩；而人生有限，每个人都应有限的生命里忙出属于他的惊叹号，忙出人生精彩的篇章。结尾，作者用一个段落总结全文，照应开头，照应题目，有力收束。【精题解析】阅读下面的材料，根据要求作文。在一处地势十分险恶的峡谷，谷底奔腾着咆哮的急流，峡谷间有一座索桥，几根光秃秃、晃悠悠的铁索横在峡谷间，它是通过这个地方的唯一路径，这里经常有人因为失足而跌入深谷。有一天，有三个人来到了这里。一个聋子，一个瞎子，还有一个健康的人。聋子看看这座桥，很害怕，但是他听不到急流的声音，他用眼睛看着脚下步伐，很顺利地过去了。瞎子不知峡谷的险恶，他心平气和，十分稳妥地通过了。第三个人是健康人，一直犹豫不敢走这索桥，可是又没有其他路可走。于是，他十分紧张地硬着头皮走上索桥，到了桥中央，他看到脚下万丈深渊，云雾升腾，听到谷底急流咆哮，早已两腿颤颤，面如土色，一不小心跌下桥去。请就“不要把困难看得太明白”为话题写一篇文章。注意所写内容必须在话题范围之内。试题引用的材料，考生在文章中可用也可不用。立意自定。文体自选。题目自拟。不少于800字。不得抄袭。解析：有时候，把困难看得太明白，分析得太透彻，反而会被困难吓倒以至于阻拦我们前进的脚步。倒是那些未把困难完全看清楚而勇往直前的人，更容易达到终点。作者邮箱：13952865227谢谢观赏谢谢观赏