人工智能

ArtificialIntelligence

6/3/20251安徽大學計算機科學與技術(shù)學院第四章計算智能4.1概述4.2神經(jīng)計算4.3模糊計算4.4粗糙集理論4.5遺傳算法4.6進化策略4.7進化編程4.8人工生命4.9粒群優(yōu)化4.10螞群算法4.11自然計算4.12免疫算法6/3/20252安徽大學計算機科學與技術(shù)學院4.1 概述信息科學與生命科學的相互交叉、相互滲透和相互促進是現(xiàn)代科學技術(shù)發(fā)展的一個顯著特點。計算智能涉及神經(jīng)網(wǎng)絡、模糊邏輯、進化計算和人工生命等領域，它的研究和發(fā)展正反映了當代科學技術(shù)多學科交叉與集成的重要發(fā)展趨勢。6/3/20253安徽大學計算機科學與技術(shù)學院什么是計算智能把神經(jīng)網(wǎng)絡（NN）歸類于傳統(tǒng)人工智能（AI）可能不大合適，而歸類于計算智能（CI）更能說明問題實質(zhì)。進化計算、人工生命和模糊邏輯系統(tǒng)的某些課題，也都歸類于計算智能。計算智能取決于制造者（manufacturers）提供的數(shù)值數(shù)據(jù)，不依賴于知識；另一方面，傳統(tǒng)人工智能應用知識精品（knowledgetidbits）。人工神經(jīng)網(wǎng)絡應當稱為計算神經(jīng)網(wǎng)絡。6/3/20254安徽大學計算機科學與技術(shù)學院計算智能與人工智能的區(qū)別和關(guān)系A－Artificial，表示人工的（非生物的）；B－Biological，表示物理的＋化學的＋（？）＝生物的；C－Computational，表示數(shù)學＋計算機計算智能是一種智力方式的低層認知，它與傳統(tǒng)人工智能的區(qū)別只是認知層次從中層下降至低層而已。中層系統(tǒng)含有知識（精品），低層系統(tǒng)則沒有。6/3/20255安徽大學計算機科學與技術(shù)學院計算智能與人工智能的區(qū)別和關(guān)系輸入人類知識(＋)傳感輸入知識(＋)傳感數(shù)據(jù)計算(＋)傳感器C－數(shù)值的A－符號的B－生物的層次復雜性復雜性BNNBPRBIANNAPRAICNNCPRCI6/3/20256安徽大學計算機科學與技術(shù)學院當一個系統(tǒng)只涉及數(shù)值（低層）數(shù)據(jù)，含有模式識別部分，不應用人工智能意義上的知識，而且能夠呈現(xiàn)出：（1）計算適應性；（2）計算容錯性；（3）接近人的速度；（4）誤差率與人相近，則該系統(tǒng)就是計算智能系統(tǒng)。當一個智能計算系統(tǒng)以非數(shù)值方式加上知識（精品）值，即成為人工智能系統(tǒng)。6/3/20257安徽大學計算機科學與技術(shù)學院1960年威德羅和霍夫率先把神經(jīng)網(wǎng)絡用于自動控制研究。60年代末期至80年代中期，神經(jīng)網(wǎng)絡控制與整個神經(jīng)網(wǎng)絡研究一樣，處于低潮。80年代后期以來，隨著人工神經(jīng)網(wǎng)絡研究的復蘇和發(fā)展，對神經(jīng)網(wǎng)絡控制的研究也十分活躍。這方面的研究進展主要在神經(jīng)網(wǎng)絡自適應控制和模糊神經(jīng)網(wǎng)絡控制及其在機器人控制中的應用上。4.2神經(jīng)計算

4.2.1人工神經(jīng)網(wǎng)絡研究的進展6/3/20258安徽大學計算機科學與技術(shù)學院人工神經(jīng)網(wǎng)絡的特性并行分布處理非線性映射通過訓練進行學習適應與集成硬件實現(xiàn)6/3/20259安徽大學計算機科學與技術(shù)學院4.2.2人工神經(jīng)網(wǎng)絡的結(jié)構(gòu)-1

Wj1X1X2Wj2XnWjn···Σ

()Yi圖4.2神經(jīng)元模型6/3/202510安徽大學計算機科學與技術(shù)學院

圖4.2中的神經(jīng)元單元由多個輸入xi，i=1,2,...,n和一個輸出y組成。中間狀態(tài)由輸入信號的權(quán)和表示，而輸出為 （4.1）式中，

j為神經(jīng)元單元的偏置，wji為連接權(quán)系數(shù)。n為輸入信號數(shù)目，yj為神經(jīng)元輸出，t為時間，f()為輸出變換函數(shù)，如圖4.3。

6/3/202511安徽大學計算機科學與技術(shù)學院(a)xf(x)1x00圖4.3神經(jīng)元中的某些變換（激發(fā)）函數(shù)(a)二值函數(shù) (b)S形函數(shù)(c)雙曲正切函數(shù)(c)xf(x)1-1

(b)f(x)x1

06/3/202512安徽大學計算機科學與技術(shù)學院人工神經(jīng)網(wǎng)絡的基本特性和結(jié)構(gòu)人工神經(jīng)網(wǎng)絡是具有下列特性的有向圖：對于每個節(jié)點i存在一個狀態(tài)變量xi；從節(jié)點j至節(jié)點i，存在一個連接權(quán)系統(tǒng)數(shù)wij；對于每個節(jié)點i，存在一個閾值

i；對于每個節(jié)點i，定義一個變換函數(shù)fi；對于最一般的情況，此函數(shù)取形式。6/3/202513安徽大學計算機科學與技術(shù)學院遞歸（反饋）網(wǎng)絡:在遞歸網(wǎng)絡中，多個神經(jīng)元互連以組織一個互連神經(jīng)網(wǎng)絡，如圖4.4。圖4.4反饋網(wǎng)絡x1x2xnV1V2Vn輸入輸出x1’x2’xn’6/3/202514安徽大學計算機科學與技術(shù)學院前饋網(wǎng)絡:前饋網(wǎng)絡具有遞階分層結(jié)構(gòu)，由同層神經(jīng)元間不存在互連的層級組成，如圖4.5。x1x2輸入層輸出層隱層y1ynw11w1m圖4.5前饋網(wǎng)絡反向傳播6/3/202515安徽大學計算機科學與技術(shù)學院人工神經(jīng)網(wǎng)絡的主要學習算法有師學習算法：能夠根據(jù)期望的和實際的網(wǎng)絡輸出（對應于給定輸入）間的差來調(diào)整神經(jīng)元間連接的強度或權(quán)。無師學習算法：不需要知道期望輸出。強化學習算法：采用一個“評論員”來評價與給定輸入相對應的神經(jīng)網(wǎng)絡輸出的優(yōu)度（質(zhì)量因數(shù)）。強化學習算法的一個例子是遺傳算法（GA）。6/3/202516安徽大學計算機科學與技術(shù)學院人工神經(jīng)網(wǎng)絡的典型模型6/3/202517安徽大學計算機科學與技術(shù)學院續(xù)前表：6/3/202518安徽大學計算機科學與技術(shù)學院4.2.5基于神經(jīng)網(wǎng)絡的知識表示與推理基于神經(jīng)網(wǎng)絡的知識表示在這里，知識并不像在產(chǎn)生式系統(tǒng)中那樣獨立地表示為每一條規(guī)則，而是將某一問題的若干知識在同一網(wǎng)絡中表示。例如，在有些神經(jīng)網(wǎng)絡系統(tǒng)中，知識是用神經(jīng)網(wǎng)絡所對應的有向權(quán)圖的鄰接矩陣及閾值向量表示的。6/3/202519安徽大學計算機科學與技術(shù)學院基于神經(jīng)網(wǎng)絡的推理基于神經(jīng)網(wǎng)絡的推理是通過網(wǎng)絡計算實現(xiàn)的。把用戶提供的初始證據(jù)用作網(wǎng)絡的輸入，通過網(wǎng)絡計算最終得到輸出結(jié)果。一般來說，正向網(wǎng)絡推理的步驟如下：把已知數(shù)據(jù)輸入網(wǎng)絡輸入層的各個節(jié)點。利用特性函數(shù)分別計算網(wǎng)絡中各層的輸出。用閾值函數(shù)對輸出層的輸出進行判定，從而得到輸出結(jié)果。6/3/202520安徽大學計算機科學與技術(shù)學院定義4.1模糊集合(FuzzySets)論域U到[0,1]區(qū)間的任一映射，即，都確定U的一個模糊子集F；稱為F的隸屬函數(shù)或隸屬度。在論域U中，可把模糊子集表示為元素u與其隸屬函數(shù)的序偶集合，記為： (4.12)4.3模糊計算

4.3.1模糊集合、模糊邏輯及其運算6/3/202521安徽大學計算機科學與技術(shù)學院定義4.2模糊集的截集、支集和核若模糊集是論域U中所有滿足μF(u)≥λ的元素u構(gòu)成的集合，則稱該集合為模糊集F的截集。若模糊集是論域U中所有滿足μF(u)>0的元素u構(gòu)成的集合，則稱該集合為模糊集F的支集。當u滿足μF(u)

=1，稱為核。也就是λ=1的截集。1λ核支集λ截集6/3/202522安徽大學計算機科學與技術(shù)學院定義4.3模糊集的運算設A和B為論域U中的兩個模糊集，其隸屬函數(shù)分別為μA和μB，則對于所有u

U，存在下列運算：A與B的并（邏輯或）記為A∪B，其隸屬函數(shù)定義為：

μA∪B(u)=μA(u)

μB(u)=max{μA(u),μB(u)} (4.15)A與B的交（邏輯與）記為A∩B，其隸屬函數(shù)定義為：

μA∩B(u)=μA(u)

μB(u)=min{μA(u),μB(u)} (4.16)A的補（邏輯非）記為?，其傳遞函數(shù)定義為：

μ?

(u)=1-μA(u) (4.17)6/3/202523安徽大學計算機科學與技術(shù)學院定義4.4直積（笛卡兒乘積，代數(shù)積）若A1,A2,…,An分別為論域U1,U2,…,Un中的模糊集合，則這些集合的直積是乘積空間U1,U2,…,Un中一個模糊集合，其隸屬函數(shù)為：定義4.5模糊關(guān)系若U，V是兩個非空模糊集合，則其直積U×V中的模糊子集R稱為從U到V的模糊關(guān)系，表示為： (4.19)(4.18)6/3/202524安徽大學計算機科學與技術(shù)學院4.3.2模糊邏輯推理模糊邏輯推理是建立在模糊邏輯基礎上的不確定性推理方法，是在二值邏輯三段論基礎上發(fā)展起來的。這種推理方法以模糊判斷為前提，動用模糊語言規(guī)則，推導出一個近似的模糊判斷結(jié)論。廣義取式(肯定前提)假言推理法(GMP)推理規(guī)則可表示為： 前提1：x為A’

前提2：若x為A，則y為B 結(jié)論：y為B’6/3/202525安徽大學計算機科學與技術(shù)學院廣義拒式(否定結(jié)論)假言推理法(GMT,GeneralizedModusTollens)的推理規(guī)則可表示為： 前提1：y為B

前提2：若x為A，則y為B 結(jié)論：x為A’模糊變量的隱含函數(shù)基本上可分為三類，即模糊合取、模糊析取和模糊蘊涵。6/3/202526安徽大學計算機科學與技術(shù)學院4.3.3模糊判決方法在推理得到的模糊集合中取一個相對最能代表這個模糊集合的單值的過程就稱作解模糊或模糊判決（Defuzzification）。模糊判決可以采用不同的方法：重心法、最大隸屬度方法、加權(quán)平均法、隸屬度限幅元素平均法。下面介紹各種模糊判決方法，并以“水溫適中”為例，說明不同方法的計算過程。這里假設“水溫適中”的隸屬函數(shù)為：={X:0.0/0+0.0/10+0.33/20+0.67/30+1.0/40+1.0/50+0.75/60+0.5/70+0.25/80+0.0/90+0.0/100}6/3/202527安徽大學計算機科學與技術(shù)學院重心法就是取模糊隸屬函數(shù)曲線與橫坐標軸圍成面積的重心作為代表點。理論上應該計算輸出范圍內(nèi)一系列連續(xù)點的重心，即 (4.40)但實際上是計算輸出范圍內(nèi)整個采樣點的重心，用足夠小的取樣間隔來提供所需要的精度，即：=48.21.重心法6/3/202528安徽大學計算機科學與技術(shù)學院這種方法最簡單，只要在推理結(jié)論的模糊集合中取隸屬度最大的那個元素作為輸出量即可。要求這種情況下其隸屬函數(shù)曲線一定是正規(guī)凸模糊集合（即其曲線只能是單峰曲線）。例如，對于“水溫適中”，按最大隸屬度原則，有兩個元素40和50具有最大隸屬度1.0，那就對所有取最大隸屬度的元素40和50求平均值，執(zhí)行量應?。?.最大隸屬度法6/3/202529安徽大學計算機科學與技術(shù)學院3.系數(shù)加權(quán)平均法系數(shù)加權(quán)平均法的輸出執(zhí)行量由下式?jīng)Q定：

(4.41)式中，系數(shù)的選擇要根據(jù)實際情況而定，不同的系統(tǒng)就決定系統(tǒng)有不同的響應特性。ki=μN(xi)就是重心法。6/3/202530安徽大學計算機科學與技術(shù)學院4.4

粗糙集理論粗糙集理論(RoughSettheory)是1982年由波蘭數(shù)學家Z.Pawlak提出的，當時沒有引起國際計算機學界和數(shù)學界的重視，研究僅限于東歐的一些國家，直到20世紀80年代末才逐漸引起各國學者的注意。

1991年，Pawlak發(fā)表了專著《RoughSet：TheoreticalAspectsofReasoningaboutData》，奠定了粗糙集理論的基礎。1992年，在波蘭召開了第一屆國際粗糙集研討會，這次會議著重討論了集合近似的基本思想及其應用，其中粗糙環(huán)境下的機器學習的基礎研究是這次會議的四個專題之一。1993年在加拿大召開了第二屆國際粗糙集與知識發(fā)現(xiàn)研討會，這次會議積極推動了國際上對粗糙集應用的研究。由于這次會議正值知識發(fā)現(xiàn)成為熱門研究話題，一些著名的知識發(fā)現(xiàn)學者參加了這次會議，并且介紹了許多應用擴展粗糙集理論的數(shù)據(jù)挖掘的方法與系統(tǒng)。1996年在日本東京召開了第五屆國際粗糙集研討會以及2001年在我國舉行的研討會推動了亞洲地區(qū)和我國對粗糙集理論與應用的研究?，F(xiàn)在，美國、加拿大、波蘭、日本都有粗糙集研究的專門機構(gòu)。6/3/202531安徽大學計算機科學與技術(shù)學院4.4

粗糙集理論1.粗糙集理論的基本概念Rough集的基礎概念有一個表示文獻資料的對象集合U和U上的等價關(guān)系R，R是由對象的屬性(這里是指標引詞)集Ω派生的U集合的劃分，R={X1,X2,…,Xn}。我們稱<U,R>為近似空間(Approximationspace)。對于P

R并且P≠φ，這是指P是由Ω的子集派生的，那么∩P(所有P中等價關(guān)系的交集)也是一種等價關(guān)系，在Rough集中，我們常稱∩P為P上的不可分辨關(guān)系(Indiscernibilityrelation)，記作Ind(P)。按照形狀分類4.4.1

粗糙集理論的基本概念和特點6/3/202532安徽大學計算機科學與技術(shù)學院4.4

粗糙集理論按照大小分類按照顏色分類6/3/202533安徽大學計算機科學與技術(shù)學院4.4

粗糙集理論按照“形狀”和“大小”分類按照“顏色”和“大小”分類6/3/202534安徽大學計算機科學與技術(shù)學院4.4.1粗糙集理論的基本概念和特點定義4.17對于每個集合X

U和一個等價關(guān)系R，A=(U,R)稱為知識庫，定義兩個子集:

X=∪{[x]|[x]

X}={x

U|[x]

X}為X的下近似空間(Lowerapproximation)。

X=∪{[x]|[x]∩X≠φ}={x

U|[x]∩X≠φ}為X的上近似空間(Upperapproximation)

。BN(X)=

6/3/202535安徽大學計算機科學與技術(shù)學院4.4.1粗糙集理論的基本概念和特點甲甲甲甲甲甲甲按照“形狀”和“大小”分類甲甲甲甲甲甲甲6/3/202536安徽大學計算機科學與技術(shù)學院4.4.1粗糙集理論的基本概念和特點

6/3/202537安徽大學計算機科學與技術(shù)學院4.4.1粗糙集理論的基本概念和特點

定義4.18X關(guān)于A的近似質(zhì)量，定義為:

定義4.19X關(guān)于A的粗糙性測度，定義為:

0≤ρA(X)≤1；ρA(X)=0時，X是可以確定的；ρA(X)>0時，X是可以粗糙的，ρA(X)是粗糙程度。6/3/202538安徽大學計算機科學與技術(shù)學院4.4.1粗糙集理論的基本概念和特點

定義4.20設F={X1,X2,…,Xn}，XiU，則F關(guān)于近似空間A的下近似和上近似，定義為:

定義4.21F關(guān)于A的近似精度αA(X)和近似質(zhì)量γA(X)分別定義為:

6/3/202539安徽大學計算機科學與技術(shù)學院4.4.1粗糙集理論的基本概念和特點

2.粗糙集理論的特點不需要先驗知識強大的數(shù)據(jù)分析和約簡能力：求知識的最小表達；識別數(shù)據(jù)之間的依賴關(guān)系粗糙集側(cè)重分類；模糊集側(cè)重個體的含糊性6/3/202540安徽大學計算機科學與技術(shù)學院4.5遺傳算法遺傳算法是模仿生物遺傳學和自然選擇機理，通過人工方式所構(gòu)造的一類優(yōu)化搜索算法，是對生物進化過程進行的一種數(shù)學仿真，是進化計算的最重要的形式。遺傳算法為那些難以找到傳統(tǒng)數(shù)學模型的難題指出了一個解決方法。進化計算和遺傳算法借鑒了生物科學中的某些知識，這也體現(xiàn)了人工智能這一交叉學科的特點。

6/3/202541安徽大學計算機科學與技術(shù)學院4.5.1遺傳算法的基本機理霍蘭德的遺傳算法通常稱為簡單遺傳算法(SGA)?，F(xiàn)以此作為討論主要對象，加上適應的改進，來分析遺傳算法的結(jié)構(gòu)和機理。

編碼與解碼適應度函數(shù)

遺傳操作

6/3/202542安徽大學計算機科學與技術(shù)學院4.5.1遺傳算法的基本機理編碼與解碼 將問題結(jié)構(gòu)變換為位串形式編碼表示的過程叫編碼；而相反將位串形式編碼表示變換為原問題結(jié)構(gòu)的過程叫解碼或譯碼。 把位串形式編碼表示叫染色體(chromosome)，有時也叫個體。 “甲”的編碼：0100111010100011

染色體的每位稱為基因(gene)。

“甲”染色體的第5個基因取值為1。6/3/202543安徽大學計算機科學與技術(shù)學院4.5.1遺傳算法的基本機理適應度函數(shù)

為了體現(xiàn)染色體的適應能力，引入了對問題中的每一個染色體都能進行度量的函數(shù)，叫適應度函數(shù)(fitnessfunction)。

適應度函數(shù)要有效反映每一個染色體與問題的最優(yōu)解染色體之間的差距。適應度函數(shù)的取值大小與求解問題對象的意義有很大的關(guān)系。 TSP的目標是路徑總長度為最短，自然地，由路徑總長度就可導出TSP問題的適應度函數(shù)。 f(w1,w2,…,wn)=

6/3/202544安徽大學計算機科學與技術(shù)學院4.5.1遺傳算法的基本機理遺傳操作:選擇、交叉、變異1.選擇(selection)適應度較大的個體有較大的生存機會。 賭輪選擇機制：fi/

fj

6/3/202545安徽大學計算機科學與技術(shù)學院4.5.1遺傳算法的基本機理遺傳操作:選擇、交叉、變異2.交叉(crossover)將兩個個體的部分編碼進行交換。

10001110 P1 11011001 P2

10001110 10001001

11011001 110111103.變異(mutation)改變某位的值。

例如：10100110

10100110 101101106/3/202546安徽大學計算機科學與技術(shù)學院4.5.2遺傳算法的求解步驟1.遺傳算法的特點

(1)遺傳算法是對參數(shù)集合的編碼而非針對參數(shù)本身進行進化；(2)

遺傳算法是從問題解的編碼組(群體)開始而非從單個解開始搜索；(3)

遺傳算法利用目標函數(shù)的適應度這一信息而非利用導數(shù)或其它輔助信息來指導搜索；(4)

遺傳算法利用選擇、交叉、變異等算子而不是利用確定性規(guī)則進行隨機操作。6/3/202547安徽大學計算機科學與技術(shù)學院

一般遺傳算法的主要步驟如下：(1)隨機產(chǎn)生一個由確定長度的特征字符串組成的初始群體。(2)

對該字符串群體迭代的執(zhí)行下面的①和②步，直到滿足停止標準：①計算群體中每個個體字符串的適應值；②應用復制、交叉和變異等遺傳算子產(chǎn)生下一代群體。(3)

把在后代中出現(xiàn)的最好的個體字符串指定為遺傳算法的執(zhí)行結(jié)果，這個結(jié)果可以表示問題的一個解。

6/3/202548安徽大學計算機科學與技術(shù)學院2.遺傳算法的流程圖(圖4.18)(1)初始化群體;(2)計算群體上每個個體的適應度值;(3)按由個體適應度值所決定的某個規(guī)則選擇將進入下一代的個體;(4)按概率Pc進行交叉操作;(5)按概率Pm進行突變操作;(6)若沒有滿足某種停止條件，則轉(zhuǎn)第(2)步，否則進入下一步。(7)輸出群體中適應度值最優(yōu)的染色體作為問題的滿意解或最優(yōu)解。6/3/202549安徽大學計算機科學與技術(shù)學院初始化種群變異操作計算適應度值選擇操作交叉操作輸出適應度最優(yōu)個體終止條件開始圖4.18遺傳算法流程圖是否結(jié)束6/3/202550安徽大學計算機科學與技術(shù)學院產(chǎn)生初始群體是否滿足停止準則計算每個個體的適應值i=M?GEN:=GEN+1依概率選擇遺傳操作執(zhí)行復制選擇一個個體選擇交叉位置選擇兩個個體選擇一個個體執(zhí)行變異i:=0GEN:=0復制到新群體i:=i+1將兩個后代插入新群體插入到新群體執(zhí)行雜交指定結(jié)果結(jié)束是否是否變異復制交叉6/3/202551安徽大學計算機科學與技術(shù)學院3.遺傳算法求解舉例設，用SGA求

參數(shù)設置二進制編碼種群大小為4染色體長為4位6/3/202552安徽大學計算機科學與技術(shù)學院遺傳算法歸納為五個基本組成部分方案表示用一個二進制矢量表示一個染色體，由染色體來代表變量x的實數(shù)值，每個染色體的每一位二進制數(shù)稱為遺傳因子。群體初始化隨機產(chǎn)生一定數(shù)量的染色體，每個染色體為若干位字節(jié)的二進制數(shù)。適應度函數(shù)適應度函數(shù)必須有能力計算搜索空間中每個確定長度的特征字符串的適應值。遺傳操作采用的遺傳操作分別是復制、交叉和變異。交叉相對于復制和變異的不同之處在于：交叉需要兩個父代染色體配合進行，而復制和變異只需要一個父代染色體即可進行。變異可根據(jù)一定的變異率來改變一個或多個遺傳基因。算法參數(shù)遺傳算法的主要參數(shù)有群體規(guī)模和算法執(zhí)行的最大代數(shù)目，次要參數(shù)有復制概率、雜交概率和變異概率等參數(shù)。6/3/202553安徽大學計算機科學與技術(shù)學院4.6進化策略進化策略(EvolutionStrategies，ES)是一類模仿自然進化原理以求解參數(shù)優(yōu)化問題的算法。它是由雷切伯格（Rechenberg）、施韋費爾（Schwefel）和彼得·比納特（PeterBienert）于1964年提出的，并在德國共同建立的。6/3/202554安徽大學計算機科學與技術(shù)學院4.6.1進化策略的算法模型尋求與函數(shù)極值關(guān)聯(lián)的實數(shù)n維矢量x， F(x):Rn

R。隨機選擇父矢量的初始群體。父矢量xi,i=1,…,p通過算法產(chǎn)生子代矢量xi。對誤差F(xi)(i=1,…,p)排序以選擇和決定保持哪些矢量。擁有最小誤差的P矢量成為下一代的新的父代。

繼續(xù)產(chǎn)生新的試驗數(shù)據(jù)以及選擇最小誤差矢量，找到符合條件的誤差為止。6/3/202555安徽大學計算機科學與技術(shù)學院4.6.2進化策略和遺傳算法的區(qū)別進化策略和遺傳算法有著很強的相似性，它們都是一類模仿自然進化原理的算法。兩者也存在著區(qū)別，其中最基本的區(qū)別是它們的研究領域不同。進化策略是一種數(shù)值優(yōu)化的方法，它采用一個具有自適應步長和傾角的特定爬山方法。遺傳算法從廣義上說是一種自適應搜索技術(shù)。(1)進化策略和遺傳算法表示個體的方式不同，進化策略在浮點矢量上運行，而遺傳算法一般運行在二進制矢量上。GA是對變量的編碼串操作,而ES是對變量本身操作。(2)進化策略和遺傳算法的選擇過程不同。進化策略優(yōu)等個體機會均等(3)進化策略和遺傳算法的復制參數(shù)不同，遺傳算法的復制參數(shù)(交叉和變異的可能性)在進化過程中保持恒定，而進化策略時時改變它們。6/3/202556安徽大學計算機科學與技術(shù)學院4.7進化編程進化編程(EvolutionaryProgramming，EP)，又稱為進化規(guī)劃（EvolutionaryPlanning），是由福格爾（Fogel）在1962年提出的一種模仿人類智能的方法。進化編程根據(jù)正確預測的符號數(shù)來度量適應值。通過變異，為父代群體中的每個機器狀態(tài)產(chǎn)生一個子代。父代和子代中最好的部分被選擇生存下來。它的提出是受自然生物進化機制的啟發(fā)。6/3/202557安徽大學計算機科學與技術(shù)學院4.7.1進化編程的機理與表示進化編程的過程，可理解為從所有可能的計算機程序形成的空間中，搜索具有高的適應度的計算機程序個體。進化編程設計強調(diào)群體行為的變化。進化編程系統(tǒng)的表示自然地面向任務級。一旦選定一種適應性表示，就可以定義依賴于該表示的變異操作，在具體的父輩行為上創(chuàng)建后代。

6/3/202558安徽大學計算機科學與技術(shù)學院4.7.2進化編程的步驟進化編程分為三個步驟：產(chǎn)生出初始群體。迭代完成下述子步驟，直至滿足選種標準為止：執(zhí)行群體中的每個程序。應用變異等操作創(chuàng)造新程序群體。在后代中適應值最高的計算機程序個體被指定為進化編程的結(jié)果。6/3/202559安徽大學計算機科學與技術(shù)學院變異和創(chuàng)造子代評估已存在的FSM用最好的狀態(tài)機預測和添加符號選擇父代初始化觀測順序是否是否預測初始化群體圖5.6進化編程的基本過程有限狀態(tài)機FiniteStateMachineFMS6/3/202560安徽大學計算機科學與技術(shù)學院4.8人工生命自然界是生命之源。自然生命千千萬萬，千姿百態(tài)，千差萬別，巧奪天工，奇妙無窮。人工生命（ArtificialLife，AL）試圖通過人工方法建造具有自然生命特征的人造系統(tǒng)。人工生命是生命科學、信息科學和系統(tǒng)科學等學科交叉研究的產(chǎn)物，其研究成果必將促進人工智能的發(fā)展。

6/3/202561安徽大學計算機科學與技術(shù)學院4.8.1

人工生命研究的起源和發(fā)展

人類長期以來一直力圖用科學技術(shù)方法模擬自然界，包括人腦本身。1943年麥卡絡奇和皮茨提出了M－P神經(jīng)學網(wǎng)絡模型。人工生命的許多早期研究工作也源于人工智能。20世紀70年代以來，康拉德（Conrad）等提出不斷完善的“人工世界”模型。80年代，人工神經(jīng)網(wǎng)絡再度興起促進人工生命的發(fā)展。正式提出人工生命的概念，建立起人工生命新學科。

90年代，迅速發(fā)展6/3/202562安徽大學計算機科學與技術(shù)學院4.8.2人工生命的定義和研究意義人工生命是一項抽象地提取控制生物現(xiàn)象的基本動態(tài)原理，并且通過物理媒介（如計算機）來模擬生命系統(tǒng)動態(tài)發(fā)展過程的研究工作。通俗地講，人工生命即人造的生命，非自然的生命。然而，要對人工生命做出嚴格的定義，卻需要對問題進行深入研究。6/3/202563安徽大學計算機科學與技術(shù)學院人工生命系統(tǒng)

1987年蘭德提出的人工生命定義為：“人工生命是研究能夠演示出自然生命系統(tǒng)特征行為的人造系統(tǒng)”。通過計算機或其它機器對類似生命的行為進行綜合研究，以便對傳統(tǒng)生物科學起互補作用。蘭德在計算機上演示了他們研制的具有生命特征的軟件系統(tǒng)，并把這類具有生命現(xiàn)象和特征的人造系統(tǒng)稱為人工生命系統(tǒng)。6/3/202564安徽大學計算機科學與技術(shù)學院自然生命的共同特征和現(xiàn)象自繁殖、自進化、自尋優(yōu)自成長、自學習、自組織自穩(wěn)定、自適應、自協(xié)調(diào)物質(zhì)構(gòu)造能量轉(zhuǎn)換信息處理6/3/202565安徽大學計算機科學與技術(shù)學院研究人工生命的意義

人工生命是自然生命的模擬、延伸與擴展，其研究開發(fā)有重大的科學意義和廣泛的應用價值。開發(fā)基于人工生命的工程技術(shù)新方法、新系統(tǒng)、新產(chǎn)品

為自然生命的研究提供新模型、新工具、新環(huán)境

延伸人類壽命、減緩衰老、防治疾病擴展自然生命，人工進化、優(yōu)生優(yōu)育

促進生命、信息、系統(tǒng)科學的交叉與發(fā)展6/3/202566安徽大學計算機科學與技術(shù)學院4.8.3人工生命的研究內(nèi)容和方法

1.人工生命的研究內(nèi)容人工生命的研究內(nèi)容大致可分為兩類：(1)構(gòu)成生物體的內(nèi)部系統(tǒng)，包括腦、神經(jīng)系統(tǒng)、內(nèi)分泌系統(tǒng)、免疫系統(tǒng)、遺傳系統(tǒng)、酶系統(tǒng)、代謝系統(tǒng)等。(2)在生物體及其群體的外部系統(tǒng)，包括環(huán)境適應系統(tǒng)和遺傳進化系統(tǒng)等。6/3/202567安徽大學計算機科學與技術(shù)學院人工生命的科學框架生命現(xiàn)象仿生系統(tǒng)生命現(xiàn)象的建模與仿真

進化動力學

人工生命的計算理論和工具

進化機器人

進化和學習等的結(jié)合

人工生命的應用,機器人6/3/202568安徽大學計算機科學與技術(shù)學院2.人工生命的研究方法（1）信息模型法根據(jù)內(nèi)部和外部系統(tǒng)所表現(xiàn)的生命行為來建造信息模型。（2）工作原理法生命行為所顯示的自律分數(shù)和非線性行為，其工作原理是混沌和分形，以此為基礎研究人工生命的機理。6/3/202569安徽大學計算機科學與技術(shù)學院人工生命的研究技術(shù)途徑

(1)工程技術(shù)途徑利用計算機、自動化、微電子、精密機械、光電通信、人工智能、神經(jīng)網(wǎng)絡等有關(guān)工程技術(shù)方法和途徑，研究開發(fā)、設計制造人工生命。通過計算機屏幕，以三維動畫，虛擬現(xiàn)實的軟件方法或采用光機電一體化的硬件裝置來演示和體現(xiàn)人工生命。

6/3/202570安徽大學計算機科學與技術(shù)學院(2)生物科學途徑利用生物科學方法和技術(shù)，通過人工合成、基因控制，無性繁殖過程，培育生成人工生命。由于倫理學、社會學、人類學等方面的問題，通過生物科學途徑生成的人工生命，如克隆人引起了不少爭論。需要研究和制訂相應的社會監(jiān)督、國家法律和國際公約。6/3/202571安徽大學計算機科學與技術(shù)學院4.8.4人工生命的實例人工腦波蘭人工智能和心理學教授安奇·布勒（AndrzejBuller）及一些日本學者在日本現(xiàn)代通訊研究所進化系統(tǒng)研究室對人工腦的研究，已取得重要進展。計算機病毒計算機進程細胞自動機人工核苷酸6/3/202572安徽大學計算機科學與技術(shù)學院4.9粒群優(yōu)化

4.9.1群智能和粒群優(yōu)化概述1.群智能(swarmintelligence)概念群智能中的群體指的是“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Agent，這組Agent能夠合作進行分布式的問題求解”，而群智能則是指“無智能的Agent通過合作表現(xiàn)出智能行為的特性”。群智能在沒有集中控制且不提供全局模型的前提下，為尋找復雜的分布式問題求解方案提供了基礎。6/3/202573安徽大學計算機科學與技術(shù)學院4.9粒群優(yōu)化

4.9.1群智能和粒群優(yōu)化概述2.粒群優(yōu)化(particleswarmoptimization)概念群體優(yōu)化算法，微粒群算法也是起源于對簡單社會系統(tǒng)的模擬,最初是模擬鳥群覓食的過程,但后來發(fā)現(xiàn)它是一種很好的優(yōu)化工具。微粒群算法是起源于對簡單社會系統(tǒng)的模擬,現(xiàn)在其應用領域已擴展到多目標優(yōu)化、數(shù)據(jù)分類、數(shù)據(jù)聚類、模式識別、電信管理、生物系統(tǒng)建模、流程規(guī)劃、信號處理、機器人控制、決策支持以及仿真和系統(tǒng)辯識等方面,群智能理論和方法為解決這類應用問題提供了新的途徑。6/3/202574安徽大學計算機科學與技術(shù)學院4.9粒群優(yōu)化

4.9.1群智能和粒群優(yōu)化概述2.粒群優(yōu)化與進化計算的比較

相似：優(yōu)化算法；模擬自然種群適應性；搜索空間。

區(qū)別：粒群優(yōu)化有存儲器；粒子是學習不是進化；粒子是社會交互的整體作用。6/3/202575安徽大學計算機科學與技術(shù)學院4.9粒群優(yōu)化

4.9.2粒群優(yōu)化算法

xi(t)=xi(t-1)+vi(t)

xi(t)表示t時刻Pi粒子在超空間的位置。個體最佳算法初始化粒群P(t)，t=0；Pi

P(t)；xi(t)為隨機由每個粒子的位置xi(t)評價性能F如果F(xi(t))<pbesti，那么pbesti=F(xi(t))；xpbesti

=xi(t)改變每個粒子的速度矢量：vi(t)=vi(t-1)+(xpbesti

-xi(t))每個粒子移到新位置：xi(t)=xi(t-1)+vi(t)；t=t+1轉(zhuǎn)2，重復遞歸到收斂6/3/202576安徽大學計算機科學與技術(shù)學院4.9粒群優(yōu)化

4.9.2粒群優(yōu)化算法全局最佳算法初始化粒群P(t)，t=0；Pi

P(t)；xi(t)為隨機由每個粒子的位置xi(t)評價性能FIFF(xi(t))<pbesti

THENpbesti=F(xi(t))；xpbesti

=xi(t)IFF(xi(t))<gbesti

THENgbesti=F(xi(t))；xgbesti

=xi(t)改變每個粒子的速度：vi(t)=vi(t-1)+

1(xpbesti-xi(t))+2(xpbesti-xi(t))每個粒子移到新位置：xi(t)=xi(t-1)+vi(t)；t=t+1轉(zhuǎn)2，重復遞歸到收斂6/3/202577安徽大學計算機科學與技術(shù)學院4.10蟻群優(yōu)化

4.10.1蟻群算法理論蟻群算法基本原理螞蟻能夠在食物和巢穴之間發(fā)現(xiàn)最短路徑，不是什么可見的線索，而是根據(jù)其釋放的稱為信息素(pheromone)的物質(zhì)。當螞蟻在地面上爬行時，就在其爬行的路徑上釋放信息素。

6/3/202578安徽大學計算機科學與技術(shù)學院4.10蟻群優(yōu)化

4.10.1蟻群算法理論2.蟻群系統(tǒng)模型