搜索
计算智能随着时代的发展,目前的一些计算方法已不能满足人们处理复杂问题时想要达到的效果。人们从生命现象中受到启示,发明了模拟生命系统的某些行为、功能和特性的智能计算方法。计算智能主要有三个分支：进化计算是一种对人类智能的演化模拟方法，它是通过对生物遗传和演化过程的认识，用进化算法去模拟人类智能的进化规律的；神经网络是一种对人类智能的结构模拟方法，它是通过对大量人工神经元的广泛并行互联，构造人工神经网络系统去模拟生物神经系统的智能机理的；模糊计算是一种对人类智能的逻辑模拟方法，它是通过对人类处理模糊现象的认知能力的认识，用模糊逻辑去模拟人类的智能行为的。其中遗传算法的原理大致是这样，在自然界,由于组成生物群体中各个体之间的差异,对所处环境有不同的适应和生存能力,遵照自然界生物进化的基本原则,适者生存、优胜劣汰,将要淘汰那些最差个体,通过交配将父本优秀的染色体和基因遗传给子代,通过染色体核基因的重新组合产生生命力更强的新的个体与由它们组成的新群体。在特定的条件下,基因会发生突变,产生新基因和生命力更强的新个体;但突变是非遗传的,随着个体不断更新,群体不断朝着最优方向进化,遗传算法是真实模拟自然界生物进化机制进行寻优的。在此算法中,被研究的体系的响应曲面看作为一个群体,相应曲面上的每一个点作为群体中的一个个体,个体用多维向量或矩阵来描述,组成矩阵和向量的参数相应于生物物种组成染色体的基因,染色体用固定长度的二进制串表述,通过交换、突变等遗传操作,在参数的一定范围内进行随机搜索,不断改善数据结构,构造出不同的向量,相当于得到了被研究的不同的解,目标函数值较优的点被保留,目标函数值较差的点被淘汰。能跳出局部较优点,到达全局最优点。遗传算法是一种迭代算法,它在每一次迭代时都拥有一组解,这组解最初是随机生成的,在每次迭代时又有一组新的解由模拟进化和继承的遗传操作生成,每个解都有一目标函数给与评判,一次迭代成为一代。遗传算法提供了一种求解复杂系统问题的通用框架，它不依赖于问题的具体领域，对问题的种类有很强的鲁棒性，所以广泛应用于很多学科，如工程结构优化、计算数学、制造系统、航空航天、交通、计算机科学、通信、电子学、材料科学等。粒子群优化算法是一种新型的仿生算法，该算法是基于群体智能的优化算法，其功能与遗传算法非常相似。粒子群优化算法因其需要调节的参数少，具有简单且易于实现的优点，因此越来越多地被应用于函数优化、神经网络训练、模式分类以及其他领域。粒子群优化算法无交叉和变异运算，仅依靠粒子速度完成搜索空间；有记忆性，每个粒子和群体的历史最优位置可以记忆并传递给其他粒子，而且需要调整的参数少，结构简单，易于实现；跟遗传算法采用的二进制编码不同，粒子群优化算法采用实数编码，直接由问题的解决定，问题解的变量数作为粒子的维数；收敛速度快，在迭代过程中只有最优的粒子把信息传递给其他粒子，属于单向的信息流动，整个搜索更新过程是跟随当前最优解的寻优迭代过程。与进化算法比较，粒子群优化算法保留了基于种群的全局搜索策略，但是其采用的“速度—位移”模型操作简单，避免了复杂的遗传操作。其特有的记忆使其可以动态跟踪当前的搜索情况调整其搜索策略。与进化算法比较，粒子群优化算法是一种更高效的并行搜索算法。粒子群优化算法与其他进化算法一样，可以解决几乎所有的优化问题，或者是可以转化为优化问题进行求解的问题。其中最具应用前景的领域包括多目标问题的优化、系统设计、分类、模式识别、生物系统建模、规划、信号处理、决策和模拟等等。BP网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层、隐层和输出层。ＢＰ神经网络算法是在ＢＰ神经网络现有算法的基础上提出的，是通过任意选定一组权值，将给定的目标输出直接作为线性方程的代数和来建立线性方程组，解得待求权，不存在传统方法的局部极小及收敛速度慢的问题，且更易理解。BP算法是一种有监督式的学习算法，其主要思想是：输入学习样本，使用反向传播算法对网络的权值和偏差进行反复的调整训练，使输出的向量与期望向量尽可能地接近，当网络输出层的误差平方和小于指定的误差时训练完成，保存网络的权值和偏差。传统的BP算法，实质上是把一组样本输入/输出问题转化为一个非线性优化问题，并通过负梯度下降算法，利用迭代运算求解权值问题的一种学习方法，但其收敛速度慢且容易陷入局部极小，为此提出了一种新的算法，即高斯消元法。此前有人提出：任意选定一组自由权，通过对传递函数建立线性方程组，解得待求权。本文在此基础上将给定的目标输出直接作为线性方程等式代数和来建立线性方程组，不再通过对传递函数求逆来计算神经元的净输出，简化了运算步骤。没有采用误差反馈原理，因此用此法训练出来的神经网络结果与传统算法是等效的。其基本思想是：由所给的输入、输出模式对通过作用于神经网络来建立线性方程组，运用高斯消元法解线性方程组来求得未知权值，而未采用传统ＢＰ网络的非线性函数误差反馈寻优的思想。给定的样本模式对，随机选定一组自由权，作为输出层和隐含层之间固定权值，通过传递函数计算隐层的实际输出，再将输出层与隐层间的权值作为待求量，直接将目标输出作为等式的右边建立方程组来求解。蚁群算法是一种新型的模拟自然界蚁群行为的进化算法，该算法采用了分布式并行计算机制，易于与其他优化算法相结合，而且具有鲁棒性较强、正反馈等许多优点，具有无中心控制和分布式个体之间间接通信的特征，被广泛的应用于求解复杂的优化问题。通过从局部搜索策略、蚂蚁内部状态、信息素更新策略及选择策略四个方面进行改进。如自适应蚁群算法、基于信息素扩散的蚁群算法、多态蚁群算法、基于信息熵的改进蚁群算法、基于网格划分策略的连续域蚁群算法、基于交叉变异操作的连续域蚁群算法等，都取得了较好的效果。蚁群算法还能与其他优化算法相融合，从而相互取长补短，改善算法的性能。目前这方面的研究有蚁群算法与遗传算法、人工神经网络、粒子群算法及人工免疫算法等算法之间的融合。这些融合了的算法在解决某些特定问题时，表现出了比较优异的性能，因此，设计新的融合策略结合其他优化算法进一步改善蚁群算法的性能是非常有意义的研究方向。经过一学期的学习，了解了计算智能的基本方法和意义发展应用前景。就个人而言，不管以后用不用的到这门学问，都受益匪浅。通过学习这门课程，发现没有任何一样是单独存在的，事物与事物之间有着千丝万缕的联系，我们可以从一种或者几种自然规律中发现一些规律或者受到一些启发，去应用到自己所在的领域，有时候更加的是事半功倍，这对我们在之后的创新实践与发展中有良好的启示作用。