第五章計算智能(2)

教學內容：遺傳算法的基本機理和求解步驟；進化策略的算法模型、進化策略和遺傳算法的區別；進化編程的機理與表示和算法步驟；人工生命的起源、發展、定義和研究意義，及其研究內容和方法。

教學重點：遺傳算法的基本機理和求解步驟；進化策略的算法模型；進化編程表示和算法步驟；人工生命的定義、研究內容和方法。

教學難點：遺傳算法的交叉和變異機制；進化編程的表示。

教學方法：課堂教學為主，結合適當提問，收集學生學習情況。

教學要求：通過對本章的學習，使學生了解三種進化算法和人工生命是如何工作的，并初步了解這些算法研究的進展和應用情況，以及它們的研究意義，掌握主要算法的求解步驟。

　

　　生物群體的生存過程普遍遵循達爾文的物競天擇、適者生存的進化準則；生物通過個體間的選擇、交叉、變異來適應大自然環境。生物染色體用數學方式或計算機方式來體現就是一串數碼，仍叫染色體，有時也叫個體；適應能力用對應一個染色體的數值來衡量；染色體的選擇或淘汰問題是按求最大還是最小問題來進行。

　　20世紀60年代以來，如何模仿生物來建立功能強大的算法，進而將它們運用于復雜的優化問題，越來越成為一個研究熱點。進化計算(evolutionary computation)正是在這一背景下蘊育而生的。進化計算包括遺傳算法(genetic algorithms，GA)，進化策略(evolution strategies) 、進化編程(evolutionary programming) 和遺傳編程(genetic programming)。

　　人類不滿足于模仿生物進化行為，希望能夠建立具有自然生命特征的人造生命和人造生命系統。對人工生命(Artificial Life，ALife)的研究，自1987年起取得了重要進展。這是人工智能和計算智能的一個新的研究熱點。

5.1 遺傳算法

教學內容：介紹遺傳算法的基本機理和求解步驟，評介遺傳算法研究進展和應用情況。

教學重點：遺傳算法的基本機理。

教學難點：遺傳算法的交叉和變異機制。

教學方法：課堂教學為主，并通過演示程序sga.exe加深對遺傳算法的理解。

教學要求：理解遺傳算法的基本機理，了解遺傳算法的框圖，掌握一般遺傳算法的主要步驟，初步了解遺傳算法研究的進展和應用情況。

　

　　遺傳算法是模仿生物遺傳學和自然選擇機理，通過人工方式構造的一類優化搜索算法，是對生物進化過程進行的一種數學仿真，是進化計算的一種最重要形式。

5.1.1 遺傳算法的基本機理

　　霍蘭德提出的遺傳算法通常稱為簡單遺傳算法（SGA）。現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構和機理。在討論中會結合銷售員旅行問題（TSP）來說明。

　

1、編碼與解碼

　　許多應用問題的結構很復雜，但可以化為簡單的位串形式編碼表示。將問題結構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構的過程叫解碼或譯碼。把位串形式編碼表示叫染色體，有時也叫個體。

　　GA的算法過程簡述如下。首先在解空間中取一群點，作為遺傳開始的第一代。每個點（基因）用一個二進制數字串表示，其優劣程度用一目標函數棗適應度函數（fitness function）來衡量。

　　遺傳算法最常用的編碼方法是二進制編碼。

　　二進制編碼的最大缺點之一是長度較大，對很多問題用其他主編碼方法可能更有利。其他編碼方法主要有：浮點數編碼方法、格雷碼、符號編碼方法、多參數編碼方法等。

　　舉例：對于銷售員旅行問題，按一條回路中城市的次序進行編碼。從城市w₁開始，依次經過城市w₂，……，w_n，最后回到城市w₁，我們就有如下編碼表示：

　　w₁ w₂ …… w_n

　　由于是回路，記w_n+1=w₁。它其實是1，……，n的一個循環排列。要注意w₁，w₂，……，w_n是互不相同的。

提問：二進制編碼存在的缺點是什么?

課后查資料：浮點數編碼方法、格雷碼、符號編碼方法、多參數編碼方法

舉例：銷售員旅行問題采用符號編碼方法。

　

2、適應度函數

　　為了體現染色體的適應能力，引入了對問題中的每一個染色體都能進行度量的函數，叫適應度函數（fitness function）。TSP的目標是路徑總長度為最短，自然地，路徑總長度就可作為TSP問題的適應度函數。

　　適應度函數要有效反映每一個染色體與問題的最優解染色體之間的差距。適應度函數的取值大小與求解問題對象的意義有很大的關系。

舉例：TSP問題的適應度函數。

討論：適應度函數如何有效反映每一個染色體與問題的最優解染色體之間的差距？

　

3、遺傳操作

　　簡單遺傳算法的遺傳操作主要有有三種:選擇(selection)、交叉(crossover)、變異(mutation)。改進的遺傳算法大量擴充了遺傳操作，以達到更高的效率。

　　選擇操作也叫復制（reproduction）操作，根據個體的適應度函數值所度量的優劣程度決定它在下一代是被淘汰還是被遺傳。

　　交叉操作的簡單方式是將被選擇出的兩個個體P1和P2作為父母個體，將兩者的部分碼值進行交換。

　　變異操作的簡單方式是改變數碼串的某個位置上的數碼。二進制編碼表示的簡單變異操作是將0與1互換：0變異為1，1變異為0。

5.1.2 遺傳算法的求解步驟

1、遺傳算法的特點

　　遺傳算法是一種基于空間搜索的算法，它通過自然選擇、遺傳、變異等操作以及達爾文適者生存的理論，模擬自然進化過程來尋找所求問題的解答。遺傳算法具有以下特點：

　　(1) 遺傳算法是對參數集合的編碼而非針對參數本身進行進化；

　　(2) 遺傳算法是從問題解的編碼組開始而非從單個解開始搜索；

　　(3)遺傳算法利用目標函數的適應度這一信息而非利用導數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則進行隨機操作。

提問：遺傳算法的主要優點有哪些？

　

2、遺傳算法的框圖

　　簡單遺傳算法框圖如圖5.2所示。

　　算法的停止條件最簡單的有如下二種：（1）完成了預先給定的進化代數則停止；（2）群體中的最優個體在連續若干代沒有改進或平均適應度在連續若干代基本沒有改進時停止。

　　一般遺傳算法的主要步驟如下：

　　(1)　 隨機產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行下面的步(a)和(b)，直到滿足停止標準：

　　　　(a)計算群體中每個個體字符串的適應值；

　　　　(b)應用復制、交叉和變異等遺傳算子產生下一代群體。

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

　　根據遺傳算法思想可以畫出簡單遺傳算法框圖5.2。

演示：看例子的演示，觀察SGA是否收斂，參數對算法有什么影響。

　

　

3、遺傳算法求解舉例

　　為了便于理解，下面通過一個簡單的例子來說明遺傳算法的主要內容及其運行步驟。

　　例：設，用SGA求

　　首先用程序SGA.exe對例2進行實算。

　　其求解步驟如下：

　　(1)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的實數值，每個染色體的每一位二進制數稱為遺傳因子。

　　(2)群體初始化

　　隨機產生一定數量的染色體，每個染色體為22位字節的二進制數。

　　(3)適應度函數

　　適應度函數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。

　　(4)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。變異可根據一定的變異率來改變一個或多個遺傳因子。

　　(5)算法參數

　　遺傳算法的主要參數有群體規模和算法執行的最大代數目，次要參數有復制概率、雜交概率和變異概率等參數。

5.2 進化策略

教學內容：介紹進化策略的算法模型、進化策略和遺傳算法的區別。

教學重點：進化策略的算法模型。

教學難點：沒有要求。

教學方法：課堂教學為主。

教學要求：了解進化策略的算法模型，一般了解進化策略和遺傳算法的區別。

　

　　進化策略是一類模仿自然進化原理以求解參數優化問題的算法。它是由雷切伯格（Rechenberg）、施韋費爾（Schwefel）和彼得·比納特（Peter Bienert）于1964年提出的，并在德國共同建立的。

5.2.1 進化策略的算法模型

　　最簡單形式的進化策略可描述如下：

　　(1) 問題被定義為尋求與函數的極值相關聯的實數n維矢量x，F(x):Rⁿ→R。

　　(2) 從每個可能的范圍內隨機選擇父矢量的初始群體，初始試探的分布具有典型的一致性。

　　(3) 父矢量x_i,i=1,…,p通過加入一個零均方差的高斯隨機變量以及預先選擇x的標準偏差來產生子代矢量x_i。

　　(4) 通過對誤差 (i=1,…,p)排序以選擇和決定保持哪些矢量。那些擁有最小誤差的P矢量成為下一代的新的父代。

　　(5) 產生新的試驗數據以及選擇最小誤差矢量的過程將繼續到找到符合條件的答案或者所有的計算已經全部完成為止。

（舉例說明）

舉例：求一個3維問題的最小值。

　

5.2.2 進化策略和遺傳算法的區別

　　除了研究和應用領域外，進化策略和遺傳算法
　　還有以下區別：

　　(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。

　　(2) 進化策略和遺傳算法的選擇過程不同。

　　(3) 進化策略和遺傳算法的復制參數不同，遺傳算法的復制參數(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。

　　隨著技術的發展，進化策略和遺傳算法以上的差別越來越不明顯。

提問：進化策略和遺傳算法還有什么區別？

　

5.3 進化編程

教學內容：介紹進化編程的機理與表示及算法步驟。

教學重點：進化編程的機理與表示。

教學難點：進化編程的表示。

教學方法：課堂教學為主，充分利用網絡課程中的有關素材及示例程序闡述抽象概念。

教學要求：了解進化編程的機理與表示，一般了解算法步驟。

　

　　進化編程又稱為進化規劃（Evolutionary Planning），是由福格爾（Fogel）在1962年提出的一種模仿人類智能的方法。他們為有限狀態機的演化而提出進化規劃來預測問題。這些狀態機的狀態變換表是通過對應的離散有界集上進行的均勻隨機變異來修改的。進化編程根據正確預測的符號數來度量適應值。通過變異，為父代群體中的每個機器狀態產生一個子代。父代和子代中最好的部分被選擇生存下來。

5.3.1 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。在進化編程中，可能有幾百或幾千個計算機程序參與遺傳進化。

　　進化編程最初由一隨機產生的計算機程序群體開始，這些計算機程序由適合于問題空間領域的函數所組成，這樣的函數可以是標準的算術運算函數、標準的編程操作、邏輯函數或由領域指定的函數。群體中每個計算機程序個體是用適應度來評價的，該適應值與特定的問題領域有關。

5.3.2 進化編程的步驟

　　進化編程可繁殖出新的計算機程序以解決問題，它分為三個步驟：

　　(1) 產生出初始群體，它由關于問題（計算機程序）的函數隨機組合而成。

　　(2) 迭代完成下述子步驟，直至滿足選種標準為止：

　　　　(a)執行群體中的每個程序，根據它解決問題的能力，給它指定一個適應值。

　　　　(b)應用變異等操作創造新的計算機程序群體。

　　(3) 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果。

　　進化編程的基本過程如圖5.6所示。

　　進化計算的三種算法棗遺傳算法、進化策略和進化編程都是模擬生物界自然進化過程而建立的魯棒性計算機算法。在統一框架下對三種算法進行比較，可以發現它們有許多相似之處，同時也存在較大的差別。進化策略和進化編程都把變異作為主要搜索算子，而在標準的遺傳算法中，變異只處于次要位置。交叉在遺傳算法中起著重要作用，而在進化編程中卻被完全省去，在進化策略中與自適應結合使用，起了很重要的作用。標準遺傳算法和進化編程都強調隨機選擇機制的重要性，而從進化策略的角度看，選擇（復制）是完全確定的。進化策略和進化編程確定地把某些個體排除在被選擇（復制）之外，而標準遺傳算法一般都對每個個體指定一個非零的選擇概率。

討論：試考慮進化計算的三種算法棗遺傳算法、進化策略和進化編程的相似之處和存在的差別。

　

5.4 人工生命

教學內容：本節介紹人工生命的起源、發展、定義和研究意義，及其研究內容和方法，并列出幾個人工生命的實例。

教學重點：人工生命的定義、研究內容和方法。

教學難點：人工生命的研究方法。

教學方法：課堂教學為主，并及時提問、收集學生學習情況、調整施教手段。

教學要求：了解人工生命的定義、研究內容和方法，一般了解人工生命的起源和發展。

　

　　人工生命（Artificial Life，AL）試圖通過人工方法建造具有自然生命特征的人造系統。

　　進化計算的主要方法，即遺傳算法、遺傳編程和進化策略，是開發人工生命系統的有效工具。

5.4.1 人工生命研究的起源和發展

　　人類長期以來一直力圖用科學技術方法模擬自然界，包括人腦本身。

　　人工生命的許多早期研究工作也源于人工智能。20世紀60年代羅森布拉特研究感知機，斯塔爾（Stahl）建立細胞活動模型，林登邁耶（Lindenmayer）提出了生長發育中的細胞交互作用數學模型。這些模型支持細胞間的通信和差異。

　　20世紀70年代以來，康拉德（Conrad）等研究人工仿生系統中的自適應、進化和群體動力學，提出不斷完善的“人工世界”模型。

　　80年代，人工神經網絡再度興起促進人工生命的發展。在1987年第一次人工生命研討會上，美國圣塔菲研究所（Santa Fe Institute，SFI）非線性研究組的蘭頓（Langton）正式提出人工生命的概念，建立起人工生命新學科。此后，人工生命研究進入一個蓬勃發展的新時期。

提問：簡述人工生命和人工智能的關系。

　

5.4.2 人工生命的定義和研究意義

　　人工生命研究是一項抽象地提取控制生物現象的基本動態原理，并通過物理媒介（如計算機）模擬生命系統動態發展過程的工作。

1、人工生命的定義

　　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。

　　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特征行為的人造系統”。通過計算機或其它機器對類似生命的行為進行綜合研究，以便對傳統生物科學起互補作用。地球上存在著由進化而來的碳鏈生命，而人工生命則在“生命之所能”（life-as-it-could-be）的廣泛意象中把“生命之所識”（life-as-we-know-it）加以定位，為理論生物學的發展做出貢獻。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，并把這類具有生命現象和特征的人造系統稱為人工生命系統。

　　從各種不同的自然生命的特征和現象中，可以歸納和抽象出自然生命的共同特征和現象，包括但不限于：

　　（1）自繁殖、自進化、自尋優。

　　（2）自成長、自學習、自組織。

　　（3）自穩定、自適應、自協調。

　　（4）物質構造。

　　（5）能量轉換。

　　（6）信息處理。

　　如果把人工生命定義為具有自然生命現象和（或）特征的人造系統，那么，凡是具有上述自然生命現象和（或）特征的人造系統，都可稱為人工生命。

提問：人工生命和自然生命有些什么聯系？

　

2、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，其研究開發有重大的科學意義和廣泛的應用價值。

（1）發基于人工生命的工程技術新方法、新系統、新產品。

（2）為自然生命的研究提供新模型、新工具、新環境。

　　人工生命的研究開發可以為自然生命的研究探索提供新模型、新工具、新環境。

（3）延伸人類壽命、減緩衰老、防治疾病。

（4）擴展自然生命，實現人工進化和優生優育。

（5）促進生命科學、信息科學、系統科學的交叉與發展。

5.4.3 人工生命的研究內容和方法

　　人工生命的研究對象包括人工動物、人工植物和人工人等，而人工人的研究又涉及人工腦和其它人工器官。

1、人工生命的研究內容

　　（1）構成生物體的內部系統，包括腦、神經系統、內分泌系統、免疫系統、遺傳系統、酶系統、代謝系統等。

　　（2）生物體及其群體的外部系統，包括環境適應系統和遺傳進化系統等。

　　人工生命的科學框架可由下列主要內容構成：

（1）生命現象仿生系統

（2）生命現象的建模與仿真

（3）進化動力學

（4）人工生命的計算理論和工具

（5）進化機器人

（6）進化和學習等方面的結合

（7）人工生命的應用

討論：人工生命的研究內容與自然生命有何密切聯系。

2、人工生命的研究方法

　　從生物體內部和外部系統的各種信息出發，可得到人工生命的不同研究方法，主要可分為兩類：

　　（1）信息模型法。（2）工作原理法。

　　人工生命的研究技術途徑也可分為兩種：

　　（1）工程技術途徑。　　　　　　（2）生物科學途徑。

5.4.4 人工生命的實例

　　人工生命的理論可通過有代表性的研究實例來闡述。下面簡要介紹幾個比較成功的研究和應用范例。

　　1、人工腦 2、計算機病毒 3、計算機進程

　　4、細胞自動機 5、人工核苷酸

思考：什么是人工生命？人工生命包括哪些研究內容？其研究方法如何？

　

5.5 小結

　

　from: http://netclass.csu.edu.cn/jpkc2003/rengongzhineng/rengongzhineng/jiaoan/chapter5.htm

總結

以上是生活随笔為你收集整理的人工智能：第五章 计算智能(2)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。