搜索
1《计算智能》复习题一、填空题1.计算智能属于人工智能（ArtificialIntelligence，AI）的一个分支，主流学派把人工智能分成：（逻辑主义）、（联结主义）和（行为主义）三大学派。2.计算智能算法主要包括：（神经计算）、（进化计算）和模糊模糊计算三个分支，计算智能的主要特征表现在（智能性）、（并行性）和（健壮性）。3.神经网络（NeuralNetwork）根据网络学习方法可分为（有监督学习）、（无监督学习）和（再励学习）三种形式。4.神经网络中主要使用的激励函数有：线性函数：bwxubuaufyinii+=+===1,)(阀值函数：=0001uuybwxuniii+==1Sigmoid函数:bwxuuufyinii+=−+===1,)exp(11)(5.BP网络是目前应用最广泛的神经网络模型之一，BP网络模型的拓扑结构包括（输入层）、（隐藏层）和（输出层）。6.BP算法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传人，经各隐层逐层处理后，传向输出层。若输出层的实际输出与期望的输出(教师信号)不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传、并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程，是周而复始地进行的。权值不断调整的过2程，也就是网络的学习训练过程。此过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止。7.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（新的发展时期）四个时期。8.神经网络的7个学习规则：Hebb学习规则、Delta学习规则、梯度下降学习规则、Kohonen学习规则、后向传播学习规则、概率式学习规则和竞争式学习规则。9.神经网络典型结构：单层感知器网络、前馈型网络、前馈内层互联网络、反馈型网络和全互联网络。10.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。11.对遗传算法的改进主要集中在（算子选择）、（参数设置）、（混合遗传算法）和（并行遗传算法）等方向上。12.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；13.染色体编码常用方法有格雷码、字母编码和多参数交叉编码，常见简单编码有二进制编码和浮点数编码。14.遗传算法中的种群选择操作使用轮盘赌选择算法，其基本思想是基于概率的随机选择。15.（模拟退火算法）来源于固体退火原理，最早由Kirkpatrick等应用于组合优化领域，它是基于蒙特卡罗迭代求解策略的一种随机寻优算法。16.粒子群优化算法（ParticleSwarmOptimization，PSO）是进化计算的一个分3支，是一种模拟自然界的生物活动的（随机搜索算法）。粒子群优化算法吸收人工生命、鸟群觅食、鱼群学习和群理论的思想，另一方面又具有进化算法的特点，智能搜索和优化的特点。17.免疫算法（ImmuneAlgorithm，IA）：是指以在人工免疫系统的理论为基础，实现了类似于生物免疫系统的抗原识别、细胞分化、记忆和自我调节的功能的一类算法。18.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。19.禁忌搜索算法（TabuSearch，TS）是Glover于1986年提出的一种（全局搜索算法），是属于模拟人类智能的一种优化算法，它模仿了人类的记忆功能，在求解问题的过程中，采用了（禁忌技术），对已经搜索过的局部最优解进行标记，并且在迭代中尽量避免重复相同的搜索（但不是完全隔绝），从而获得更广的搜索区间，有利于寻找到全局最优解。20.Memetic算法是基于群体的计算智能方法与（局部搜索相结合）的一类算法的总称，从框架上分为动态Memetic算法和静态Memetic算法。二、判断题1.人工神经网络是由人工方式构造的网络，是一个线性动力学系统。（×）2.人工神经网络（ANN）的别名包括：人工神经系统（ANS）、神经网络（NN）、自适应系统（AdaptiveSystems）、自适应网（AdaptiveNetworks）、联接模型（Connectionism）和神经计算机（Neurocomputer）。（√）3.ANN一般由简单元件分层次组织成大规模的、串行连接构造的网络，意在按照生物神经系统的方式处理真实世界的客观事物。（×）44.神经网络激活函数中，非线性斜面函数的饱和值，为该神经元的最大输出。（√）5.在ANN学习规则中，Hebb规则和△学习规则均为有导师学习规则。（×）6.在BP神经网络中，学习过程由信号的正向传播与误差的反向传播两个过程组成，因而BP神经网络是一种反馈网络。（√）7.BP神经网络的拓扑结构和CPN（CounterpropagationNetworks,CPN）对传网的拓扑结构是不同的。（×）8.在循环网络稳定性分析过程中，我们可以采用著名的Lyapunov函数作为Hopfield网络的能量函数。（√）9.可采用稳定性、存储容量、吸引半径和收敛时间指标来评价一个反馈神经网络的性能。（√）10.遗传算法是由美国的J.Holland教授于1975年在他的专著《自然界和人工系统的适应性》中首先提出的，它是一类借鉴生物界自然选择和自然遗传机制的随机化搜索算法。（√）11.模式定理和积木块假设是保证遗传算法可以快速、有效获得最优解的数学基础。（√）12.目前混合遗传算法实现方法一般体现在引入全局搜索过程和增加编码变换操作过程两个方面。（×）13.在模拟退火算法的运行过程中溶入遗传算法，称为模拟退火遗传算法。采用模拟退火遗传算法可更好跳出局部极值点，收敛到全局最优解。（√）14.简单感知器仅能解决一阶谓词逻辑和线性分类问题，不能解决高阶谓词和非线分类问题。（√）515.BP算法是在无导师作用下，适用于多层神经元的一种学习，它是建立在相关规则的基础上的。（×）16.在误差反传训练算法中，周期性函数已被证明收敛速度比S型函数慢。（×）17.基于BP算法的网络的误差曲面有且仅有一个全局最优解。（×）18.对于前馈网络而言，一旦网络的用途确定了，那么隐含层的数目也就确定了。（×）19.对离散型Hopfield网络而言，如权矩阵为对称阵，而且对角线元素非负，那么网络在异步方式下必收敛于下一个稳定状态。（√）20.对连续Hopfield网络而言，无论网络结构是否对称，都能保证网络稳定。（×）21.竞争学习的实质是一种规律性检测器，即是基于刺激集合和哪个特征是重要的先验概念所构造的装置，发现有用的部特征。（√）22.人工神经元网络和模糊系统的共同之处在于，都需建立对象的精确的数学模型，根据输入采样数据去估计其要求的决策，这是一种有模型的估计。（×）三、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”62、简述人工神经网络的特点。（4个）复杂非线性函数的逼近：NNs可以充分逼近任意复杂的非线性函数，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、具有分布式信息存储特点、具有很强的鲁棒性和容错性。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。（反馈网络）。、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、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，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。3、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一7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；4、简述模拟退火算法的基本流程。8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。9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;endforendwhileprintgBestendprocedure7、粒子群算法的基本流程10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8、免疫算法流程9、利用遗传算法优化一元