智能计算几种经典算法解析.ppt

智能计算几种经典算法解析 制作人 吴燕慧指导老师 张丽杰班级 电自09102学号 40309216 2 智能计算几种经典算法解析 人工神经网络算法 模糊系统算法 遗传算法 退火算法 展望 智能计算几种经典算法解析 随着计算机技术的飞速发展 智能计算方法的应用领域也越来越广泛 本文介绍了当前存在的一些智能计算方法 阐述了其工作原理和特点 同时对智能计算方法的发展进行了展望 4 智能计算几种经典算法解析 引言智能算法也称作为 背影算法 是人们从现实的生活中的各种现象总结出来的算法 它是从自然界得到启发 模仿它的原理而得到的算法 这样我们可以利用仿生原理进行设计我们的解决问题的路径 这就是智能计算的思想 这方面的内容很多 如人工神经网络技术 遗传算法 模拟退火算法等 下面分别对其进行分析 智能计算几种经典算法解析 一 人工神经网络算法 人工神经网络人工神经网络是在对人脑组织结构和运行机制的认识理解基础之上模拟其结构和智能行为的一种工程系统 早在本世纪40年代初期 心理学家McCulloch 数学家Pitts就提出了人工神经网络的第一个数学模型 从此开创了神经科学理论的研究时代 其后 FRosenblatt Widrow和J J Hopfield等学者又先后提出了感知模型 使得人工神经网络技术得以蓬勃发展 智能计算几种经典算法解析 一 人工神经网络算法 人工神经网络的特点1 人工神经网络的知识存储容量很大 2 具有很强的不确定性信息处理能力 3 健壮性 生物神经网络不会因为个别神经元的损失而失去对原有模式的记忆 4 神经网络是一种具有高度非线性的超大规模连续时间动力学系统 智能计算几种经典算法解析 一 人工神经网络算法 BP人工神经网络模型的构造 8 智能计算几种经典算法解析 二 模糊系统算法 模糊系统算法模糊概念在生活中普遍存在 如 高 大 等 这些模糊概念蕴含了许多了许多不确定信息 人脑可以很容易的通过这些不完整不精确信息做出判断和决策 然而 对于精确的电子计算机而言 处理含糊不清的信息却是相当困难的 基于这个原因 美国控制论专家扎德 Zadeh L A 于1965年提出了模糊集合的概念 9 智能计算几种经典算法解析 二 模糊系统算法 模糊系统特点基于模糊数学理论包括迷糊集合 模糊逻辑 模糊规则 模糊推理和隶属度等 在模糊系统中 元素与模糊集合之间的关系是不确定的 即在传统集合论中元素与集合 非此即彼 的关系不确定 元素与模糊集合的隶属关系是通过隶属度函数来度量的 当一个元素确定属于某个模糊集合 则这个元素对该迷糊集合的隶属度为1 当这个元素确定不属于该模糊集合时 则此时的隶属度值为0 当无法确定该元素是属于某个模糊集合时 隶属度值为一个属于0到1之间的连续数值 在迷糊系统中 知识是以模糊规则的形式存储的 10 智能计算几种经典算法解析 二 模糊系统算法 自校正模糊控制针对普遍控制器参数和控制规则在系统运动时无法在线调整 自适应能力差的缺陷 自校正模糊控制器可以在线修正模糊控制器的参数或控制规则 从而增强模糊控制器的自适应能力 提高了控制系统的动静态性能和鲁棒性 11 智能计算几种经典算法解析 二 模糊系统算法 模糊系统的应用模糊系统能够很好的处理人们生活中的模糊概念 清晰地表达知识 而且善于利用学科领域的知识 具有很强的推理能力 模糊系统主要应用在自动控制 模式识别和故障诊断等领域并且取得了令人振奋的成果 但是大多数迷糊系统都是利用已有的专家知识 缺乏自学习能力 无法对自动提取模糊规则和生成隶属度函数 针对这一问题 可以通过与神经网络算法 遗传算法等自学习能力强的算法融合来解决 目前 很多学者正在研究模糊神经网络和神经模糊系统 这是对传统算法研究和应用的创新 12 智能计算几种经典算法解析 三 遗传算法 遗传算法的原理遗传算法 GA 是模拟生物在自然环境下的遗传和进化过程而形成的一种自适应全局优化概率搜索方法 其采纳了自然进化模型 从代表问题可能潜在解集的一个种群开始 种群由经过基因编码的一定数目的个体组成 每个个体实际上是染色体带有特征的实体 初始种群产生后 按照适者生存和优胜劣汰的原理 逐代演化产生出越来越好的解 在每一代 概据问题域中个体的适应度大小挑选个体 并借助遗传算子进行组合交叉和主客观变异 产生出代表新的解集的种群 这一过程循环执行 直到满足优化准则为止 最后 末代个体经解码 生成近似最优解 13 智能计算几种经典算法解析 三 遗传算法 遗传算法的特点遗传算法是解决搜索问题的一种通用算法 搜索算法的共同特征为 1 首先组成一组候选解 2 依据某些适应性条件测算这些候选解的适应度 3 根据适应度保留某些候选解 放弃其他候选解 4 对保留的候选解进行某些操作 生成新的候选解 在遗传算法中 上述几个特征以一种特殊的方式组合在一起 基于染色体群的并行搜索 带有猜测性质的选择操作 交换操作和突变操作 这种特殊的组合方式将遗传算法与其它搜索算法区别开来 14 智能计算几种经典算法解析 三 遗传算法 遗传算法的应用 1 优化 遗传算法可用于各种优化问题 既包括数量优化问题 也包括组合优化问题 2 程序设计 遗传算法可以用于某些特殊任务的计算机程序设计 3 机器学习 遗传算法可用于许多机器学习的应用 包括分类问题和预测问题等 智能计算几种经典算法解析 四 退火算法 模拟退火算法的原理模拟退火算法的依据是固体物质退火过程和组合优化问题之间的相似性 物质在加热的时候 粒子间的布朗运动增强 到达一定强度后 固体物质转化为液态 这个时候再进行退火 粒子热运动减弱 并逐渐趋于有序 最后达到稳定 模拟退火的解不再像局部搜索那样最后的结果依赖初始点 智能计算几种经典算法解析 四 退火算法 SA算法的基本思想它引入了一个接受概率p 如果新的点 设为pn 的目标函数f pn 更好 则p 1 表示选取新点 否则 接受概率p是当前点 设为pc 的目标函数f pc 新点的目标函数f pn 以及另一个控制参数 温度 T的函数 也就是说 模拟退火没有像局部搜索那样每次都贪婪地寻找比现在好的点 目标函数差一点的点也有可能接受进来 随着算法的执行 系统温度T逐渐降低 最后终止于某个低温 在该温度下 系统不再接受变化 智能计算几种经典算法解析 四 退火算法 模拟退火算法的特点模拟退火的典型特征是除了接受目标函数的改进外 还接受一个衰减极限 当T较大时 接受较大的衰减 当T逐渐变小时 接受较小的衰减 当T为0时 就不再接受衰减 这一特征意味着模拟退火与局部搜索相反 它能避开局部极小 并且还保持了局部搜索的通用性和简单性 值得注意的是 当T为0时 模拟退火就成为局部搜索的一个特例 智能计算几种经典算法解析 四 退火算法 SA算法的优缺点优点 高效 灵活 通用 初值鲁棒性强 适用于并行处理 可用于求解复杂的非线性优化问题 缺点 由于要求较高的初始温度 较慢的降温速率 较低的终止温度 以及各温度下足够多次的抽样 因此其收敛速度慢 执行时间长 算法性能与初始值有关及参数敏感等缺点 19 智能计算几种经典算法解析 展望目前的智能计算研究水平暂时还很难使 智能机器 真正具备人类的常识 但智能计算将在21世纪蓬勃发展 不仅仅只是功能模仿要持有信息机理一致的观点 即人工脑与生物脑将不只是功能模仿 而是具有相同的特性 这两者的结合将开辟一个全新的领域 开辟很多新的研究方向 智能计算将探索智能的新概念 新理论 新方法和新技术 而这一切将在以后的发展中取得重大成就 谢谢