计算智能复习

12015年《计算智能》复习资料一、填空题1.BP网络模型的分为三层包括（输入层）、（隐藏层）和（输出层）。人工神经网络的发展历程可归结为（萌芽期）、（低潮反思期）、（复兴发展时期和（高速发展时期）四个时期。遗传算法借用生物遗传学的观点，是一种全局优化算法，（选择算子）、（交叉算子）和（变异算子）被认为是遗传算法的三种基本操作算子。人工神经网络有：M-P感知机、BP神经网络、前馈内层互联网络、反馈网络、全互联网络等几种模型。人工神经元之间通过互相联接形成网络，称为人工神经网络。2.遗传算法的实现主要包括7个方面，染色体编码、群体的初始化、适应值评价、种群选择、交叉、变异和算法流程；3.免疫算法的七个要素:识别抗体，生成初始化的抗体，计算亲和度，记忆细胞分化，抗体促进和抑制，产生新的抗体，结束条件。4.遗传算法的基本原理：A、编码与译码：将问题结构变换为位串形式编码表示的过程叫编码；反之，将位串形式编码表示变换为原问题结构的过程叫译码。B、适应度函数：为了体现个体的适应能力，引入了对问题中的每一个个体都能进行度量的函数，称为适应度函数。C、遗传操作：主要有三种（选择、交叉、变异）选择操作也叫复制操作，根据个体的适应度函数值所度量的优劣程度决定它在下一代是被淘汰还是被遗传。交叉操作：它的简单方式是将被选择出的两个个体P1和P2作为父母个体，将两者的部分码值进行交换。变异操作：它的简单方式是改变数码串的某个位置上的数码。5.模拟退火算法的来源：模拟退火算法来源于固体退火原理，将固体加热至充分高的温度，再让其徐徐冷却，加温时，固体内部粒子随温度的升高而变为无序状态，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。模拟退火算法分解为三个部分：解空间、目标函数、初始解.二、简答题1、生物神经元的六个基本特征。1、神经元及其联结2、联结强度决定信号传递的强弱3、联结强度可以随训练而改变4、信号可以是刺激作用的，也可以是抑制的5、一个神经元接受的信号的累积效果决定该神经元的状态6、每个神经元可以有一个“阈值”2、智能是指人认识客观事物并运用知识解决实际问题，它集中表现在反映客观事物的深刻、正确、完全的程度上，以及应用知识解决实际问题的速度和质量上，往往通过观察、记忆、判断、联想和创造等表现出来，简单说，智能就是认识事物，解决问题。3、机器智能：假设一个人在房间一台机器，另一个房间有一个人，当人们提出问题让他们分别作答，而提问的人分辨不出是哪个人回答，哪个是机器回答的就认为机器有了智能。4、人工智能:就是利用计算机来表示或执行人类的智能活动，例如用计算机判断、学习、决策、识别、理解、求解问题等。三、简述题1、简述人工神经网络的特点。（4个）1、复杂非线性函数的逼近：人工神经网络是高度非线性动力学系统，非线性函数可以是连续的、也可以是离散的，结构可以是单层的、也可以是多层的。2、具有分布式信息存储特点、可塑性：所有定量、定性的信息都等势分布于网络内的各个神经元，大量神经元之间通过不同连接方式和权值分布来表征特定的信息。个别神经元或局部网络受损时，神经网络可以依靠现有的存储实现对数据的联想记忆功能。3、具有巨量信息并行处理和大规模平行计算能力：每个神经元对所接受的信息作相对独立的处理，但各个神经元之间可以并行、协同地工作；人脑每个神经元很简单，但由于大脑总计形成10E14-15个突触，使得人脑1s内可完成计算机至少需要10亿处理步骤才能完成的任务。4、具有自组织、自学习功能：人工神经网络可以根据所在的环境去改变它的行为，2可以按要求产生从未遇到的模式—“抽象”功能；神经网络间的连接网络权值可以通过自学习过程不断地修正；能在某些输入不确定或默认情况下，根据一定的学习规则自主地从样本中学习，达到自适应不知道或不确定的系统。2、简要地描述BP算法过程和用MATLAB软件进行仿真的总体步骤，并列出五个仿真过程中必不可少的函数。答：BP算法是一种ANN的误差反向传播训练算法，这种网络不仅有输入节点、输出节点，还有一层或多层隐含节点。对于输入信息要先向前传播到隐含层的节点上，经过各单元的特性为SIGMOID型的激活函数运算后，把隐含节点的输出信息传播到输出节点，最后给出输出结结果。网络学习过程由正向和反向传播两部分组成。在正向传播过程中，每一层神经元的状态只影响下一层神经元网络。如果输出层不能得到期望输出，就是实际输出值与期望输出值之间有误差，那么转入反向传播过程，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，逐次地向输入层传播去进行计算，再经过正向传播过程，这两个过程的反复运用，使得误差信号最小，实际上，误差达到所希望的要求时，网络的学习过程就结束。应用MATLAB进行仿真时，有五个必要过程：问题描述，数据标准化、网络初始化，网络训练，网络测试。相关函数：newff:生成一个前馈BP网络；logsig:sigmoid传递函数；initff:前向网络初始化；trainbp:利用BP算法训练前向网络；learnbp:反向传播学习规则;errsurf:计算误差曲面函数；人工智能的研究发展阶段：第一阶段：50年代人工智能的兴起和冷落：人工智能概念首次提出后，相继出现了一批显著的成果，如机器定理证明、跳棋程序、通用问题s求解程序、LISP表处理语言等。但由于消解法推理能力的有限，以及机器翻译等的失败，使人工智能走入了低谷。第二阶段：60年代末到70年代，专家系统出现，使人工智能研究出现新高潮。DENDRAL化学质谱分析系统、MYCIN疾病诊断和治疗系统、PROSPECTIOR探矿系统、Hearsay-II语音理解系统等专家系统的研究和开发，将人工智能引向了实用化。并且，1969年成立了国际人工智能联合会议。第三阶段：80年代，随着第五代计算机的研制，人工智能得到了很大发展。日本1982年开始了”第五代计算机研制计划”，即”知识信息处理计算机系统KIPS”，其目的是使逻辑推理达到数值运算那么快。第四阶段：80年代末，神经网络飞速发展。1987年，美国召开第一次神经网络国际会议，宣告了这一新学科的诞生。此后，各国在神经网络方面的投资逐渐增加，神经网络迅速发展起来。3、简述模拟退火算法的基本流程。34、结合实际模拟退火算法4初始化群体选择交配变异适应值评价，保存最优染色体重新评价适应值，更新最优染色体满足终止条件/*P(t)表示某一代的群体，t为当前进化代数Best表示目前已找到的最优解*/ProcedureGAbegint←0;initialize(P(t));//初始化群体evaluate(P(t));//适应值评价keep_best(P(t));//保存最优染色体while(不满足终止条件)dobeginP(t)←selection(P(t));//选择算子P(t)←crossover(P(t));//交配算子P(t)←mutation(P(t));//变异算子t←t+1;P(t)←P(t-1);evaluate(P(t));if(P(t)的最优适应值大于Best的适应值)//以P(t)的最优染色体替代Bestreplace(Best);endifendend是否开始结束5、画出简单遗传算法的基本流程图。a)初始化：设置进化代数计数器t=0，设置最大进化代数T，随机生成M个个体作为初始群体P(0)。b)个体评价：计算群体P(t)中各个个体的适应度。c)选择运算:将选择算子作用于群体。选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的。d)交叉运算：将交叉算子作用于群体。遗传算法中起核心作用的就是交叉算子。e)变异运算：将变异算子作用于群体。即是对群体中的个体串的某些基因座上的基因值作变动。群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t+1)。f)终止条件判断:若t=T,则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算。5开始随机初始化每个粒子评估每个粒子并得到全局最优更新每个粒子的速度和位置评估每个粒子的函数适应值结束否是满足结束条件更新群体的全局最优位置更新每个粒子历史最优位置//功能：粒子群优化算法伪代码//说明：本例以求问题最小值为目标//参数：N为群体规模procedurePSOforeachparticleiInitializevelocityViandpositionXiforparticleiEvaluateparticleiandsetpBesti=XiendforgBest=min{pBesti}whilenotstopfori=1toNUpdatethevelocityandpositionofparticleiEvaluateparticleiiffit(Xi)fit(pBesti)pBesti=Xi;iffit(pBesti)fit(gBest)gBest=pBesti;endforendwhileprintgBestendprocedure抗原识别亲和力计算初始抗体产生抗体产生的促进和抑制群体更新记忆细胞分化满足终止条件结束是否开始6、粒子群算法的基本流程7、免疫算法流程6生物神经元：生物神经元的组织结构:神经元以细胞体为主，由许多向周围延伸的不规则树枝状纤维构成的神经细胞，其形状像一棵枯树的树干，它主要由细胞体、细胞核、树突、轴突、突触组成。8、结合自己的工作或本课程的学习，试叙述可能应用基于BP算法的前向神经网络模型解决某一实际问题的想法。答：在工作中可以对基于BP神经网络的系统级电源管理算法进行应用。在一个功耗可控的系统中，组件可工作在表征不同性能和功耗水平的各个功耗状态。电源管理策略主要根据系统的历史空闲时段、负载及给定性能指标，决定何时进行组件工作状态转换以及转换到哪一个工作状态。不同功耗状态之间进行转换会带来功耗、性能等方面的损失。而人工神经网络具有从大量不完整数据中逐步获取知识并进行复杂目标优化的能力。利用人工神经网络的这一特性，有可能实现在不需要建立系统模型、无需预先获得负载统计特性的前提下，通过从系统正常工作产生的数据中不断自学习进化，使系统具有自适应、高效的电源管理能力，以达到降低系统功耗、提高器件可靠性、延长工作寿命的目的。尝试利用人工神经网络中最基本也是最简单的BP神经网络，进行系统级电源管理算法的研究。9、计算随机生成10个城市距离，设计蚁群算法流程，计算TSP问题。（1）首先初始化，设迭代的次数为NC。初始化NC=0（2）将m个蚂蚁置于n个顶点上（3）m只蚂蚁按概率函数选择下一座城市，完成各自的周游，每个蚂蚁按照状态变化规则逐步地构造一个解，即生成一条回路。蚂蚁的任务是访问所有的城市后返回到起点，生成一条回路。设蚂蚁k当前所在的顶点为i，那么，蚂蚁k由点i向点j移动要遵循规则而不断迁移，按不同概率来选择下一点。（4）记录本次迭代最佳路线（5）全局更新信息素值应用全局信息素更新规则来改变信息素值。当所有m个蚂蚁生成了m个解，其中有一条最短路径是本代最优解，将属于这条路线上的所有弧相关联的信息素值进行更新。全局信息素更新的目的是在最短路线上注入额外的信息素，即只有属于最短路线的弧上的信息素才能得到加强，这是一个正反馈的过程，也是一个强化学习的过程。在图中各弧上，伴随着信息素的挥发，全局最短路线上各弧的信息素值得到增加。（6）终止若终止条件满足，则结束；否则NC=NC+1，转入步骤（2）进行下一代进化。终止条件可指定进化的代数，也可限定运行时间，或设定最短路长的下限。（7）输出结果10、用遗传算法解决一元函数最大值：求解的目标函数Nind:每代种群中的个体数量Lcode:种群中每个个体编码长度FieldD:解码的参数向量组(6个分量)Ps:(代沟)从父代种群中挑选个体的比率Maxg:(终止条件)最大迭代次数vbest:求得的最优解fbest:求得的最优值返回所求目标函数的最优解与最优值。