第一篇：遺傳算法學(xué)習(xí)心得體會(huì)

遺傳算法

概念

遺傳算法是模仿自然界生物進(jìn)化機(jī)制發(fā)展起來(lái)的隨機(jī)全局搜索和優(yōu)化方法，它借鑒了達(dá)爾文的進(jìn)化論和孟德?tīng)柕倪z傳學(xué)說(shuō)。其本質(zhì)是一種高效、并行、全局搜索的方法，它既能在搜索中自動(dòng)獲取和積累有關(guān)空間知識(shí)，并自適應(yīng)地控制搜索過(guò)程以求得最優(yōu)解遺傳算法操作使用適者生存的原則，在潛在的解決方案種群中逐次產(chǎn)生一個(gè)近視最優(yōu)方案。在遺傳算法的每一代中，根據(jù)個(gè)體在問(wèn)題域中的適應(yīng)度值和從自然遺傳學(xué)中借鑒來(lái)的再造方法進(jìn)行個(gè)體選擇，產(chǎn)生一個(gè)新的近視解。這個(gè)過(guò)程導(dǎo)致種群中個(gè)體的進(jìn)化，得到的新個(gè)體比原個(gè)體更適應(yīng)環(huán)境，就像自然界中的改造一樣。

應(yīng)用

遺傳算法在人工智能的眾多領(lǐng)域具有廣泛應(yīng)用。例如，機(jī)器學(xué)習(xí)、聚類(lèi)、控制（如煤氣管道控制）、規(guī)劃（如生產(chǎn)任務(wù)規(guī)劃）、設(shè)計(jì)（如通信網(wǎng)絡(luò)設(shè)計(jì)、布局設(shè)計(jì)）、調(diào)度（如作業(yè)車(chē)間調(diào)度、機(jī)器調(diào)度、運(yùn)輸問(wèn)題）、配置（機(jī)器配置、分配問(wèn)題）、組合優(yōu)化（如tsp、背包問(wèn)題）、函數(shù)的最大值以及圖像處理和信號(hào)處理等等。遺傳算法多用應(yīng)與復(fù)雜函數(shù)的優(yōu)化問(wèn)題中。原理

遺傳算法模擬了自然選擇和遺傳中發(fā)生的復(fù)制、交叉、和變異等現(xiàn)象，從任一初始種群出發(fā)，通過(guò)隨機(jī)選擇、交叉、變異操作，產(chǎn)生一群更適合環(huán)境的個(gè)體，使群體進(jìn)行到搜索空間中越來(lái)越好的區(qū)域，這樣一代一代地不斷繁衍進(jìn)化，最后收斂到一群最適合環(huán)境的個(gè)體求得問(wèn)題的最優(yōu)解。

算法流程 1.編碼：解空間中的解數(shù)據(jù)x，作為作為遺傳算法的表現(xiàn)型形式。從表現(xiàn)

型到基本型的映射稱(chēng)為編碼。遺傳算法在進(jìn)行搜索之前先將解空間的解數(shù)據(jù)表示成遺傳空間的基本型串結(jié)構(gòu)數(shù)據(jù)，這些串結(jié)構(gòu)數(shù)據(jù)的不同的組合就構(gòu)成了不同的點(diǎn)。2.初始種群的形成：隨機(jī)產(chǎn)生n個(gè)初始串?dāng)?shù)據(jù)，每個(gè)串?dāng)?shù)據(jù)稱(chēng)為一個(gè)個(gè)體，n個(gè)串?dāng)?shù)據(jù)構(gòu)成了一個(gè)群體。遺傳算法以這n個(gè)串結(jié)構(gòu)作為初始點(diǎn)開(kāi)始迭代。設(shè)置進(jìn)化代數(shù)計(jì)數(shù)器t 0;設(shè)置最大進(jìn)行代數(shù)t；隨機(jī)生成m個(gè)個(gè)體作為初始群體p(0)。3.適應(yīng)度檢測(cè)：適應(yīng)度就是借鑒生物個(gè)體對(duì)環(huán)境的適應(yīng)程度,適應(yīng)度函數(shù) 就是對(duì)問(wèn)題中的個(gè)體對(duì)象所設(shè)計(jì)的表征其優(yōu)劣的一種測(cè)度。根據(jù)具體問(wèn)題計(jì)算p(t)的適應(yīng)度。

4.選擇：將選擇算子作用于群體。選擇的目的是把優(yōu)化的個(gè)體直接遺傳到

下一代或通過(guò)配對(duì)交叉產(chǎn)生新的個(gè)體再遺傳到下一代。選擇操作是建立在群體中個(gè)體的適應(yīng)度評(píng)估基礎(chǔ)上的。

5.交叉：將交叉算子作用于群體。所謂交叉是指把兩個(gè)父代個(gè)體的部分結(jié)

構(gòu)加以替換重組而生成新個(gè)體的操作。遺傳算法中起核心作用的就是交叉算子。6.變異：將變異算子作用于群體。即是對(duì)群體中的個(gè)體串的某些基因座上的基因值作變動(dòng)。

群體p(t)經(jīng)過(guò)選擇、交叉、變異運(yùn)算之后得到下一代群體p(t+1)。7.終止條件判斷:若t<=t,則t=t+1，轉(zhuǎn)到第3步，否則以進(jìn)化過(guò)程中所得

到的具有最大適應(yīng)度個(gè)體作為最優(yōu)解輸出，終止計(jì)算。

遺傳算法流程圖如下圖所示： 遺傳算法

下幾種：適應(yīng)度比例方法、隨機(jī)遍歷抽樣法、局部選擇法。

其中輪盤(pán)賭選擇法是最簡(jiǎn)單也是最常用的選擇方法。在該方法中，各個(gè)個(gè)體的選擇概率和其適應(yīng)度值成比例。設(shè)群體大小為n，其中個(gè)體i的適應(yīng)度為，則i 被選擇的概率，為遺傳算法

2、交叉：在自然界生物進(jìn)化過(guò)程中起核心作用的是生物遺傳基因的重組(加上變異)。同樣，遺傳算法中起核心作用的是遺傳操作的交叉算子。所謂交叉是指把兩個(gè)父代個(gè)體的部分結(jié)構(gòu)加以替換重組而生成新個(gè)體的操作。通過(guò)交叉，遺傳算法的搜索能力得以飛躍提高。

交叉算子根據(jù)交叉率將種群中的兩個(gè)個(gè)體隨機(jī)地交換某些基因，能夠產(chǎn)生新的基因組合，期望將有益基因組合在一起。根據(jù)編碼表示方法的不同，可以有以下的算法： b)二進(jìn)制交叉（binary valued crossover）1)單點(diǎn)交叉（single-point crossover）2)多點(diǎn)交叉（multiple-point crossover）3)均勻交叉（uniform crossover）4)洗牌交叉（shuffle crossover）5)縮小代理交叉（crossover with reduced surrogate）。

3、變異

變異算子的基本內(nèi)容是對(duì)群體中的個(gè)體串的某些基因座上的基因值作變動(dòng)。依據(jù)個(gè)體編碼表示方法的不同，可以有以下的算法： a)實(shí)值變異 b)二進(jìn)制變異。

一般來(lái)說(shuō)，變異算子操作的基本步驟如下： a)對(duì)群中所有個(gè)體以事先設(shè)定的編譯概率判斷是否進(jìn)行變異 b)對(duì)進(jìn)行變異的個(gè)體隨機(jī)選擇變異位進(jìn)行變異。

例：簡(jiǎn)單一元函數(shù)優(yōu)化

求下面函數(shù)的最大值：

f(x)=xsin(10*pi*x)+2.0,-1<=x<=2;程序： figure(1);fplot(variable.*sin(10*pi*variable)+2.0,[-1,2]);%畫(huà)出函數(shù)曲線 %定義遺傳算法參數(shù)

nind=40;%個(gè)體數(shù)目(number of individuals)maxgen=25;%最大遺傳代數(shù)(maximum number of generations)preci=20;%變量的二進(jìn)制位數(shù)(precision of variables)ggap=0.9;%代溝(generation gap)trace=zeros(2, maxgen);%尋優(yōu)結(jié)果的初始值 fieldd=[20;-1;2;1;0;1;1];%區(qū)域描述器(build field descriptor)chrom=crtbp(nind, preci);%初始種群 gen=0;%代計(jì)數(shù)器 variable=bs2rv(chrom, fieldd);

%計(jì)算初始種群的十進(jìn)制轉(zhuǎn)換

objv=variable.*sin(10*pi*variable)+2.0;%計(jì)算目標(biāo)函數(shù)值 while gen

基本概念

遺傳算法(genetic algorithms, ga)是一類(lèi)借鑒生物界自然選擇和自然遺傳機(jī)制的隨機(jī)化搜索算法。

它模擬自然選擇和自然遺傳過(guò)程中發(fā)生的繁殖、交叉和基因突變現(xiàn)象，在每次迭代中都保留一組候選解，并按某種指標(biāo)從解群中選取較優(yōu)的個(gè)體，利用遺傳算子(選擇、交叉和變異)對(duì)這些個(gè)體進(jìn)行組合，產(chǎn)生新一代的候選解群，重復(fù)此過(guò)程，直到滿(mǎn)足某種收斂指標(biāo)為止。ga的組成:（1）編碼（產(chǎn)生初始種群）

（2）適應(yīng)度函數(shù)

（3）遺傳算子（選擇、交叉、變異）

（4）運(yùn)行參數(shù)

編碼

基因在一定能夠意義上包含了它所代表的問(wèn)題的解。基因的編碼方式有很多，這也取決于要解決的問(wèn)題本身。常見(jiàn)的編碼方式有：

（1）二進(jìn)制編碼，基因用0或1表示（常用于解決01背包問(wèn)題）如：基因a：00100011010(代表一個(gè)個(gè)體的染色體)（2）互換編碼（用于解決排序問(wèn)題，如旅行商問(wèn)題和調(diào)度問(wèn)題）

如旅行商問(wèn)題中，一串基因編碼用來(lái)表示遍歷的城市順序，如：234517986，表示九個(gè)城市中，先經(jīng)過(guò)城市2，再經(jīng)過(guò)城市3，依此類(lèi)推。

（3）樹(shù)形編碼（用于遺傳規(guī)劃中的演化編程或者表示）

如,問(wèn)題：給定了很多組輸入和輸出。請(qǐng)你為這些輸入輸出選擇一個(gè)函數(shù)，使得這個(gè)函數(shù)把每個(gè)輸入盡可能近地映射為輸出。

編碼方法：基因就是樹(shù)形結(jié)構(gòu)中的一些函數(shù)。

（4）值編碼（二進(jìn)制編碼不好用時(shí)，解決復(fù)雜的數(shù)值問(wèn)題）

在值編碼中，每個(gè)基因就是一串取值。這些取值可以是與問(wèn)題有關(guān)任何值：整數(shù)，實(shí)數(shù)，字符或者其他一些更復(fù)雜的東西。

適應(yīng)度函數(shù)

遺傳算法對(duì)一個(gè)個(gè)體（解）的好壞用適應(yīng)度函數(shù)值來(lái)評(píng)價(jià)，適應(yīng)度函數(shù)值越大，解的質(zhì)量越好。適應(yīng)度函數(shù)是遺傳算法進(jìn)化過(guò)程的驅(qū)動(dòng)力，也是進(jìn)行自然選擇的唯一標(biāo)準(zhǔn)，它的設(shè)計(jì)應(yīng)結(jié)合求解問(wèn)題本身的要求而定。

如tsp問(wèn)題，遍歷各城市路徑之和越小越好，這樣可以用可能的最大路徑長(zhǎng)度減去實(shí)際經(jīng)過(guò)的路徑長(zhǎng)度，作為該問(wèn)題的適應(yīng)度函數(shù)。

遺傳算子——選擇

遺傳算法使用選擇運(yùn)算來(lái)實(shí)現(xiàn)對(duì)群體中的個(gè)體進(jìn)行優(yōu)勝劣汰操作：適應(yīng)度高的個(gè)體被遺傳到下一代群體中的概率大；適應(yīng)度低的個(gè)體，被遺傳到下一代群體中的概率小。選擇操作的任務(wù)就是按某種方法從父代群體中選取一些個(gè)體，遺傳到下一代群體。sga（基本遺傳算法）中采用輪盤(pán)賭選擇方法。

輪盤(pán)賭選擇又稱(chēng)比例選擇算子，基本思想：各個(gè)個(gè)體被選中的概率與其適應(yīng)度函數(shù)值大小成正比。設(shè)群體大小為n，個(gè)體i 的適應(yīng)度為 fi，則個(gè)體i 被選中遺傳到下一代群體的概率為：

遺傳算子——交叉

所謂交叉運(yùn)算，是指對(duì)兩個(gè)相互配對(duì)的染色體依據(jù)交叉概率按某種方式相互交換其部分基因，從而形成兩個(gè)新的個(gè)體。交叉運(yùn)算在ga中起關(guān)鍵作用，是產(chǎn)生新個(gè)體的主要方法。1.單交叉點(diǎn)法（用于二進(jìn)制編碼）

選擇一個(gè)交叉點(diǎn),子代在交叉點(diǎn)前面的基因從一個(gè)父代基因那里得到,后面的部分從另外一個(gè)父代基因那里得到。

如：交叉前：

00000|***00 11100|***01 交叉后：

00000|***01 11100|***00 2.雙交叉點(diǎn)法（用于二進(jìn)制編碼）

選擇兩個(gè)交叉點(diǎn),子代基因在兩個(gè)交叉點(diǎn)間部分來(lái)自一個(gè)父代基因,其余部分來(lái)自于另外一個(gè)父代基因.如：交叉前： 01 |0010| 11 11 |0111| 01 交叉后： 11 |0010| 01 01 |0111| 11 3.基于“ 與/或 ”交叉法（用于二進(jìn)制編碼）對(duì)父代按位與”邏輯運(yùn)算產(chǎn)生一子代a;按位”或”邏輯運(yùn)算產(chǎn)生另一子代b。該交叉策略在解背包問(wèn)題中效果較好.如：交叉前： 01001011 11011101 交叉后： 01001001 11011111 4.單交叉點(diǎn)法（用于互換編碼）

選擇一個(gè)交叉點(diǎn)，子代的從初始位置出發(fā)的部分從一個(gè)基因復(fù)制，然后在另一個(gè)基因中掃描，如果某個(gè)位點(diǎn)在子代中沒(méi)有，就把它添加進(jìn)去。如：交叉前： 87213 | 09546 98356 | 71420 交叉后：

87213 | 95640 98356 | 72104 5.部分匹配交叉（pmx）法（用于互換編碼）先隨機(jī)產(chǎn)生兩個(gè)交叉點(diǎn)，定義這兩點(diǎn)間的區(qū)域?yàn)槠ヅ鋮^(qū)域，并用交換兩個(gè)父代的匹配區(qū)域。

父代a：872 | 130 | 9546 父代b：983 | 567 | 1420 變?yōu)椋? temp a: 872 | 567 | 9546 temp b: 983 | 130 | 1420 對(duì)于 temp a、temp ｂ中匹配區(qū)域以外出現(xiàn)的數(shù)碼重復(fù)，要依據(jù)匹配區(qū)域內(nèi)的位置逐一進(jìn)行替換。匹配關(guān)系：1<——>５ ３<——>６ ７<——>０ 子代ａ：802 | 567 | 9143 子代ｂ：986 | 130 | 5427 6.順序交叉法(ox)（用于互換編碼）

從父代ａ隨機(jī)選一個(gè)編碼子串，放到子代ａ的對(duì)應(yīng)位置；子代ａ空余的位置從父代ｂ中按ｂ的順序選取（與己有編碼不重復(fù)）。同理可得子代ｂ。父代a: 872 | 139 | 0546 父代b: 983 | 567 | 1420 交叉后：

子代a: 856 | 139 | 7420 子代b: 821 | 567 | 3904 7.循環(huán)交叉（cx）法（用于互換編碼）cx同ox交叉都是從一個(gè)親代中取一些城市，而其它城市來(lái)自另外一個(gè)親代，但是二者不同之處在于：ox中來(lái)自第一個(gè)親代的編碼子串是隨機(jī)產(chǎn)生的，而cx卻不是，它是根據(jù)兩個(gè)雙親相應(yīng)位置的編碼而確定的。

父代ａ：1 2 3 4 5 6 7 8 9 | | | | | 父代ａ：5 4 6 9 2 3 7 8 1 可得循環(huán)基因：1->5->2->4->9->1 用循環(huán)的基因構(gòu)成子代ａ，順序與父代ａ一樣 1 2 4 5 9 用父代ｂ剩余的基因填滿(mǎn)子代ａ： 1 2 6 4 5 3 7 8 9 子代ｂ的編碼同理。（循環(huán)基因 5->1->9->4->2->5）

遺傳算子——變異 變異是指依據(jù)變異概率將個(gè)體編碼串中的某些基因值用其它基因值來(lái)替換，從而形成一個(gè)新的個(gè)體。ga中的變異運(yùn)算是產(chǎn)生新個(gè)體的輔助方法，它決定了ga的局部搜索能力，同時(shí)保持種群的多樣性。交叉運(yùn)算和變異運(yùn)算的相互配合，共同完成對(duì)搜索空間的全局搜索和局部搜索。

注：變異概率pm不能太小，這樣降低全局搜索能力；也不能太大，pm > 0.5，這時(shí)ga退化為隨機(jī)搜索。篇三：計(jì)算智能學(xué)習(xí)心得體會(huì)

計(jì)算智能學(xué)習(xí)心得體會(huì)

本學(xué)期我們水利水電專(zhuān)業(yè)開(kāi)了“計(jì)算智能概論”這門(mén)課，有我們學(xué)院的金菊良教授給我們授課，據(jù)說(shuō)這門(mén)課相當(dāng)難理解，我們課下做了充分的準(zhǔn)備，借了計(jì)算智能和人工智能相關(guān)方面的書(shū)籍，并提前了解了一點(diǎn)相關(guān)知識(shí)，我感覺(jué)看著有點(diǎn)先進(jìn)，給我們以往學(xué)的課程有很大區(qū)別，是一種全新的概念和理論，里面的遺傳算法、模糊集理論、神經(jīng)網(wǎng)絡(luò)更是聞所未聞，由于課前讀了一些書(shū)籍，我以為課堂上應(yīng)該能容易理解一點(diǎn)，想不到課堂上聽(tīng)著還是相當(dāng)玄奧，遺傳算法還好一點(diǎn)，因?yàn)楦咧袑W(xué)過(guò)生物遺傳，遺傳算法還能理解一點(diǎn)。像模糊集理論神經(jīng)網(wǎng)絡(luò)便不知所云了。雖然金老師講課生動(dòng)形象，幽默風(fēng)趣，而且舉了好多實(shí)際的例子，但有一些理論有點(diǎn)偏難。

多關(guān)于ci的解釋。

雖然有好多計(jì)算智能理論還不太清楚，但是我對(duì)新知識(shí)還是相當(dāng)渴望的，因?yàn)槲冶旧肀容^愛(ài)學(xué)習(xí)，且喜歡讀書(shū)。我感覺(jué)學(xué)到了許多知識(shí)：計(jì)算智能是一門(mén)經(jīng)驗(yàn)科學(xué)，它研究自然的或人工的智能行為形成之原理以“推理即計(jì)算”為基本假設(shè)，開(kāi)發(fā)某種理論、說(shuō)明某項(xiàng)智能可以算法化，從而可以用機(jī)器模擬和實(shí)現(xiàn)；尋求和接受自然智能之啟迪，但不企圖完全仿制人類(lèi)智能，其中心工程目標(biāo)是研究設(shè)計(jì)和建立智能計(jì)算系統(tǒng)的方法。

由于我們只有16課時(shí)，所以我們學(xué)的面并不廣，金老師主要教了一些計(jì)算智能方面的經(jīng)典理論，我們所學(xué)的計(jì)算智能所涉及的領(lǐng)域主要包括以下三方面：遺傳算法、人工神經(jīng)網(wǎng)絡(luò)方法和模糊集理論。

遺傳算法最早由美國(guó)michigan大學(xué)john h.holland教授提出，按照生物進(jìn)化過(guò)程中的自然選擇（selection）、父代雜交（crossover）和子代變異（mutation）的自然進(jìn)化（natural evolution）方式，編制的計(jì)算機(jī)程序，能夠解決許多復(fù)雜的優(yōu)化問(wèn)題，這類(lèi)新的優(yōu)化方法稱(chēng)之為遺傳算法（genetic algorithm，ga）[7]。ga模擬生物進(jìn)化過(guò)程中的主要特征有：（1）生物個(gè)體的染色體（chromosomes）的結(jié)構(gòu)特征，即基因碼序列（series of genetic code）決定了該個(gè)體對(duì)其生存環(huán)境的適應(yīng)能力。（2）自然選擇在生物群體（population）進(jìn)化過(guò)程中起著主導(dǎo)作用，它決定了群體中那些適應(yīng)能力（adaptability）強(qiáng)的個(gè)體能夠生存下來(lái)并傳宗接代，體現(xiàn)了“優(yōu)勝劣汰”的進(jìn)化規(guī)律。（3）個(gè)體繁殖（雜交）是通過(guò)父代個(gè)體間交換基因材料來(lái)實(shí)現(xiàn)的，生成的子代個(gè)體的染色體特征可能與父代的相似，也可能與父代的有顯著差異，從而有可能改變個(gè)體適應(yīng)環(huán)境的能力。

（4）變異使子代個(gè)體的染色體有別于其父代個(gè)體的染色體，從而也改變了子代個(gè)體對(duì)其環(huán)境的適應(yīng)能力。（5）生物的進(jìn)化過(guò)程，從微觀上看是生物個(gè)體的染色體特征不斷改善的過(guò)程，從宏觀上看則是生物個(gè)體的適應(yīng)能力不斷提高的過(guò)程。作為利用自然選擇和群體遺傳機(jī)制進(jìn)行高維非線性空間尋優(yōu)的一類(lèi)通用方法，遺傳算法（ga）不一定能尋得最優(yōu)（optimal）點(diǎn)，但是它可以找到更優(yōu)（superior）點(diǎn)，這種思路與人類(lèi)行為中成功的標(biāo)志是相似的。例如不必要求某個(gè)圍棋高手是最優(yōu)的，要戰(zhàn)勝對(duì)手只需他（她）比其對(duì)手更強(qiáng)即可。因此，ga可能會(huì)暫時(shí)停留在某些非最優(yōu)點(diǎn)上，直到變異發(fā)生使它遷移到另一更優(yōu)點(diǎn)上。遺傳算法隨編碼

方式、遺傳操作算子的不同而表現(xiàn)為不同形式，因此難以象傳統(tǒng)的共軛梯度法那樣從形式上給以明確定義，它的識(shí)別標(biāo)志在于它是否具有模擬生物的自然選擇和群體遺傳機(jī)理這一內(nèi)在特征。目前國(guó)內(nèi)外普遍應(yīng)用的實(shí)施方案是標(biāo)準(zhǔn)遺傳算法（simple genetic algorithm，sga）。bp神經(jīng)網(wǎng)絡(luò) bp神經(jīng)網(wǎng)絡(luò)是用反向傳播學(xué)習(xí)算法（back-propagation algorithm，bp算法）訓(xùn)練的一種多層前饋型非線性映射網(wǎng)絡(luò)，網(wǎng)絡(luò)中各神經(jīng)元接受前一級(jí)的輸入，并輸出到下一級(jí)，網(wǎng)絡(luò)中沒(méi)有反饋聯(lián)接。bp神經(jīng)網(wǎng)絡(luò)通?？梢苑譃椴煌膶樱?jí)），第j層的輸入僅與第j–1層的輸出聯(lián)接。由于輸入層節(jié)點(diǎn)和輸出層節(jié)點(diǎn)可與外界相連，直接接受環(huán)境的影響，所以稱(chēng)為可見(jiàn)層，而其它中間層則稱(chēng)為隱層（hidden layer）。決定一個(gè)bp神經(jīng)網(wǎng)絡(luò)性質(zhì)的要素有三個(gè)：網(wǎng)絡(luò)結(jié)構(gòu)、神經(jīng)元作用函數(shù)和學(xué)習(xí)算法，對(duì)這三個(gè)要素的研究構(gòu)成了豐富多彩的內(nèi)容，尤其是后者被研究得最多。bp算法是目前應(yīng)用最為廣泛且較成功的一種算法，它解決了多層前饋網(wǎng)絡(luò)的學(xué)習(xí)問(wèn)題，從而使該網(wǎng)絡(luò)在各方面獲得了廣泛應(yīng)用。它利用梯度搜索技術(shù)（gradient search technique）使代價(jià)函數(shù)（cost function）最小化。bp算法把一組樣本的輸入輸出問(wèn)題歸納為一非線性?xún)?yōu)化問(wèn)題，它使用了最優(yōu)化方法中最常用的負(fù)梯度下降算法。用迭代運(yùn)算求解網(wǎng)絡(luò)權(quán)重和閾值對(duì)應(yīng)于網(wǎng)絡(luò)的學(xué)習(xí)記憶過(guò)程，加入隱層節(jié)點(diǎn)使得優(yōu)化問(wèn)題的可調(diào)參數(shù)增加，從而可得到更精確的解。

模糊集理論

模糊集理論（又稱(chēng)模糊數(shù)學(xué)，fuzzy mathematics）就是應(yīng)用模糊集這一模擬人腦模糊思維的數(shù)學(xué)工具，來(lái)描述、分析、識(shí)別、分類(lèi)、判斷、推理、決策和控制各種模糊事物所形成的一門(mén)現(xiàn)代應(yīng)用數(shù)學(xué)分支學(xué)科。經(jīng)典數(shù)學(xué)僅考慮現(xiàn)實(shí)世界的數(shù)量而拋棄現(xiàn)實(shí)世界的質(zhì)量，而模糊集理論則反映了現(xiàn)實(shí)世界數(shù)量與質(zhì)量的統(tǒng)一性，是對(duì)經(jīng)典數(shù)學(xué)的一種補(bǔ)充和完善。定義模糊集、模糊關(guān)系的不同運(yùn)算（目前主要是代數(shù)運(yùn)算），就可得到相應(yīng)的不同模糊數(shù)學(xué)方法。目前已研究成熟并廣為應(yīng)用的模糊數(shù)學(xué)方法主要有模糊模式識(shí)別、模糊聚類(lèi)分析、模糊綜合評(píng)價(jià)、模糊推理、模糊控制等方法。在現(xiàn)代科學(xué)技術(shù)體系中定性因素和主觀因素定量化處理的方法至今仍很少，而模糊數(shù)學(xué)方法正是其中的典型代表，目前已在各科學(xué)和工程領(lǐng)域得到了廣泛的成功應(yīng)用，其主要原因在于它異于其它方法的一些顯著特點(diǎn)：（1）模糊集的引入改善了二值邏輯中硬性的分類(lèi)方法，是普通集合的推廣，使模糊數(shù)學(xué)方法更加接近于廣泛存在模糊性和不精確性的現(xiàn)實(shí)世界，也更加接近于人類(lèi)思維方式。這些真實(shí)性使得模糊數(shù)學(xué)方法能很好地平衡系統(tǒng)的復(fù)雜性與描述系統(tǒng)的精確性，也有助于模糊數(shù)學(xué)方法充分提取各種專(zhuān)家經(jīng)驗(yàn)信息和其它人類(lèi)語(yǔ)言信息。（2）當(dāng)系統(tǒng)為多輸入多輸出、強(qiáng)非線性、定性信息與定量信息混雜的動(dòng)態(tài)系統(tǒng)時(shí)，系統(tǒng)的數(shù)學(xué)模型非常復(fù)雜或根本就不存在確定性數(shù)學(xué)模型，常規(guī)方法難以或不能有效處理這樣的復(fù)雜系統(tǒng)，而模糊數(shù)學(xué)方法可以用建立在語(yǔ)言型經(jīng)驗(yàn)之上的模糊集及其運(yùn)算就可以簡(jiǎn)便有效地處理，有時(shí)甚至不需要輔以確定的數(shù)學(xué)模型。（3）模糊數(shù)學(xué)方法可以直接利用人類(lèi)語(yǔ)言型概念及其運(yùn)算，篇四：遺傳算法總結(jié)

遺傳算法總結(jié)

遺傳算法是借鑒生物的自然選擇和遺傳進(jìn)化機(jī)制而開(kāi)發(fā)出的一種全局自適應(yīng)概率搜索算法。

一、遺傳算法流程圖

圖1 遺傳算法流程圖

二、遺傳算法的原理和方法 1）染色體編碼

把一個(gè)問(wèn)題的可行解從其解空間轉(zhuǎn)換到遺傳算法所能處理的搜索空間的轉(zhuǎn)換方法就稱(chēng)為編碼。de jong曾提出了兩條操作性較強(qiáng)的實(shí)用編碼原則：編碼原則一：應(yīng)使用能易于產(chǎn)生與所求問(wèn)題相關(guān)的且具有低階、短定義長(zhǎng)度模式的編碼方案；編碼原則二：應(yīng)使用能使問(wèn)題得到自然表示或描述的具有最小編碼字符集的編碼方案。

編碼方法主要有以下幾種：二進(jìn)制編碼方法、格雷碼編碼方法、浮點(diǎn)數(shù)編碼方法、符號(hào)編碼方法、參數(shù)級(jí)聯(lián)編碼方法、多參數(shù)交叉編碼方法。2）適應(yīng)值計(jì)算

由解空間中某一點(diǎn)的目標(biāo)函數(shù)值f(x)到搜索空間中對(duì)應(yīng)個(gè)體的適應(yīng)度函數(shù)值 fit(f(x))的轉(zhuǎn)換方法基本上有一下三種： a． 直接以待解的目標(biāo)函數(shù)值f(x)轉(zhuǎn)化為適應(yīng)度函數(shù)值fit(f(x))，令 ?f(x)目標(biāo)函數(shù)為最大化函數(shù) fit(fx())= ? ??f(x)目標(biāo)函數(shù)為最小化函數(shù) ?cmax?f(x)f(x)?cmax b． 對(duì)于最小值的問(wèn)題，做下列轉(zhuǎn)化fit(f(x))??，其中cmax是 0 其他? f(x)的最大輸入值。

c． 若目標(biāo)函數(shù)為最小值問(wèn)題，fit(f(x))? 1 , c?0, c?f(x)?0 1?c?f(x)1 , c?0, c?f(x)?0 1?c?f(x)若目標(biāo)函數(shù)為最大值問(wèn)題，fit(f(x))?3）選擇、交叉、變異

遺傳算法使用選擇算子來(lái)對(duì)群體中的個(gè)體進(jìn)行優(yōu)勝劣汰操作：根據(jù)每個(gè)個(gè)體的適應(yīng)度值大小選擇。適應(yīng)度較高的個(gè)體被遺傳到下一代群體中的概率較大；適應(yīng)度較低的個(gè)體的被遺傳到下一代群體中的概率較小。其中選擇的方法有：輪盤(pán)賭選擇、隨機(jī)競(jìng)爭(zhēng)選擇、最佳保留選擇、無(wú)回放隨機(jī)選擇、確定式選擇等。

遺傳算法中的所謂交叉運(yùn)算，是指對(duì)兩個(gè)相互配對(duì)的染色體按某種方式相互交換其部分基因，從而形成兩個(gè)新的個(gè)體。交叉操作主要有單點(diǎn)交叉、兩點(diǎn)交叉與多點(diǎn)交叉、均勻交叉和算數(shù)交叉四種。

遺傳算法中的變異運(yùn)算，是指將個(gè)體染色體編碼串中的某些基因座上的基因值用該基因座的其他基因來(lái)替換，從而形成一個(gè)新的個(gè)體。主要有基本位變異、均勻變異、邊界變異等幾種變異操作方法。4）控制參數(shù)選擇

交叉概率pcpm

三、算例

min f(x1,x2)?(x1?3)2?(x2?2)2 2 ?g1(x1,x2)?x12?x2?5? s.t.?h1(x1,x2)?x1?2x2?4?0?x,x?10，x?n 121?(1)1）三種不同的遺傳方法

方法一：原模型中x1、x2均為決策變量，操作如下。a.采用混合整數(shù)編碼，對(duì)x1進(jìn)行十進(jìn)制編碼，x2進(jìn)行二進(jìn)制編碼； b.適應(yīng)度函數(shù)值采用fit(f(x1,x2))? 1 計(jì)算，其中 c?f(x1,x2)c???max{0,g1(x1,x2)?5}???max{0,|h1(x1,x2)?4|}，?=?=10000； c.采用賭輪盤(pán)選擇、單點(diǎn)交叉和基本位變異； d.pc=0.8，pm=0.1，遺傳代數(shù)為200，種群中個(gè)體數(shù)100； e.終止條件為連續(xù)十次最優(yōu)個(gè)體保持不變或遺傳代數(shù)到達(dá)200。方法二：已知等式約束h1(x1,x2)，可得x2?(4?x1)/2，則原問(wèn)題可化為 min f(x1)?(x1?3)2?((4?x1)?2)22（2）4?x12?2 g(x)?x?()?5111? 2?s..t?0?x1?10，x1?n?4?x1?0??10 2? x min f(x1)?(x1?3)2?(1)2 2 即等式約束簡(jiǎn)化后的模型為 4?x12?2 g(x)?x?()?5?1 s..t?112??0?x1?4，x1?n 其中a~b的操作如下，而c~e的操作同方法一。a.對(duì)x1進(jìn)行十進(jìn)制編碼； b.適應(yīng)度函數(shù)值采用fit(f(x1,x2))?（3）1 計(jì)算，其中 c?f(x1,x2)c???max{0,g1(x1,x2)?5}，?=10000 方法三：在方法二的基礎(chǔ)上，改變x1的編碼方法，對(duì)x1進(jìn)行二進(jìn)制編碼。由于0?x1?4，且為自然數(shù)，則二進(jìn)制編碼至少為3位，但3位的二進(jìn)制可以表示0~7的整數(shù)，所以存在冗余編碼。則通過(guò)懲罰來(lái)排除冗余編碼，即適應(yīng)度函數(shù)值采用 fit(f(x1,x2))? 1 計(jì)算。c?f(x1,x2)其中c???max{0,g1(x1,x2)?5}???max{0,x1(i)?4}，?=10000。x1(i)表示個(gè)體解碼后的x1。

2）三種方法的計(jì)算結(jié)果

方法一可得到三個(gè)不同的解：

解1：x1?2,x2?1, fit(f(x1,x2))?0.4646, f(x)?2.0000，適應(yīng)度趨勢(shì)圖如下： 圖2 方法一解1的適應(yīng)度趨勢(shì)圖

解2：x1?0,x2?2, fit(f(x1,x2))?0.1075, f(x)?9.0000，適應(yīng)度趨勢(shì)圖如下： 篇五：遺傳算法學(xué)習(xí)作業(yè)

遺傳算法學(xué)習(xí)總結(jié) 1.1 概述 遺傳算法是一類(lèi)借鑒生物界的進(jìn)化規(guī)律（適者生存，優(yōu)勝劣汰遺傳機(jī)制）演化而來(lái)的自適應(yīng)概率性隨機(jī)化迭代搜索算法。1962年霍蘭德(holland)教授首次提出了ga算法的思想，它的基本思想是基于darwin進(jìn)化論和mendel的遺傳演說(shuō)。darwin進(jìn)化論最重要的是適者生存的原理，它認(rèn)為每一代種群總是向著前進(jìn)方向發(fā)展，越來(lái)越適應(yīng)環(huán)境。每一個(gè)個(gè)體都有繼承前代的特性，但不是完全繼承，會(huì)產(chǎn)生一些新特性。最終只有適應(yīng)環(huán)境的特征才能被保留下來(lái)。mendel遺傳學(xué)說(shuō)最重要的是基因遺傳原理，它認(rèn)為遺傳以密碼方式存在細(xì)胞中，并以基因形式包含在染色體內(nèi)。一條染色體中存在很多基因，每個(gè)基因有自己的位置并控制著外部特征；基因的產(chǎn)生和變異直接影響到個(gè)體的特性是否能適應(yīng)環(huán)境。經(jīng)過(guò)存優(yōu)去劣的自然淘汰，適應(yīng)性高的基因結(jié)構(gòu)得以保存下來(lái)。

遺傳算法正是借用了仿真生物遺傳學(xué)和自然選擇機(jī)理，通過(guò)自然選擇、遺傳、變異等作用機(jī)制，實(shí)現(xiàn)各個(gè)個(gè)體的適應(yīng)性的提高。

與自然界相似，遺傳算法對(duì)求解問(wèn)題的本身一無(wú)所知，從代表問(wèn)題可能潛在解集的一個(gè)種群(population)開(kāi)始，每一個(gè)種群則由經(jīng)過(guò)基因(gene)編碼(coding)的一定數(shù)目的個(gè)體(individual)構(gòu)成。每個(gè)個(gè)體實(shí)際上是染色體(chromosome)帶有特征的實(shí)體。把問(wèn)題的解表示成染色體，并基于適應(yīng)值來(lái)選擇染色體，遺傳算法所需要的僅是對(duì)算法所產(chǎn)生的每個(gè)染色體進(jìn)行評(píng)價(jià)，使適應(yīng)性好的染色體有更多的繁殖機(jī)會(huì)。在算法中也就是以二進(jìn)制編碼的串。并且，在執(zhí)行遺傳算法之前，給出一群染色體，也就是假設(shè)解。然后，把這些假設(shè)解置于問(wèn)題的“環(huán)境”中，也即在一個(gè)適應(yīng)度函數(shù)中來(lái)評(píng)價(jià)。并按適者生存的原則，從中選擇出較適應(yīng)環(huán)境的染色體進(jìn)行復(fù)制，淘汰低適應(yīng)度的個(gè)體，再通過(guò)交叉，變異過(guò)程產(chǎn)生更適應(yīng)環(huán)境的新一代染色體群。對(duì)這個(gè)新種群進(jìn)行下一輪進(jìn)化，直到最適合環(huán)境的值。1.2遺傳算法的基本原理和特點(diǎn) 1.2.1 算法原理

在遺傳算法中，通過(guò)隨機(jī)方式產(chǎn)生若干個(gè)所求解問(wèn)題的數(shù)字編碼，即染色體，形成初始種群；通過(guò)適應(yīng)度函數(shù)給每個(gè)個(gè)體一個(gè)數(shù)值評(píng)價(jià)，淘汰低適應(yīng)度的個(gè)體，選擇高適應(yīng)度的個(gè)體參加遺傳操作，經(jīng)過(guò)遺傳操作后的個(gè)體集合形成下一代新的種群，再對(duì)這個(gè)新種群進(jìn)行下一輪進(jìn)化，這就是遺傳算法的基本原理。

遺傳算法的主要步驟如下： 1)隨機(jī)產(chǎn)生一個(gè)由確定長(zhǎng)度的特征串組成的初始群體； 2)對(duì)串群體迭代地執(zhí)行步驟(1)和(2)，直到滿(mǎn)足停止準(zhǔn)則：(1)計(jì)算群體中每個(gè)個(gè)體的適應(yīng)值。(2)應(yīng)用復(fù)制、雜交和變異算子產(chǎn)生下一代群體。3)把在任一代中出現(xiàn)的最好的個(gè)體串指定為遺傳算法的執(zhí)行結(jié)果。這個(gè)結(jié)果可以表示問(wèn)題的一個(gè)解(或近似解)?；具z傳算法的流程圖如圖 1-1，其中g(shù)en是當(dāng)前代數(shù)，m為每代種群中最大個(gè)體數(shù)。

圖1-1 基本遺傳算法的流程圖 1.2.2 算法特點(diǎn)

遺傳算法的特點(diǎn)如下： 1)遺傳算法中不包含待解決問(wèn)題所持有的形態(tài)。它是從改變基因的配置來(lái)實(shí)現(xiàn)問(wèn)題的整體優(yōu)化的，因而屬于自下而上的優(yōu)化方法； 2)類(lèi)似于生物的進(jìn)化過(guò)程，遺傳算法處理的是變量集合的編碼而非變量本身。它直接 對(duì)結(jié)構(gòu)對(duì)象進(jìn)行操作，不存在求導(dǎo)和函數(shù)連續(xù)性的限定； 3)遺傳算法具有內(nèi)在的隱并行性和更好的全局尋優(yōu)能力； 4)遺傳算法采用概率化的尋優(yōu)方法，能自動(dòng)獲取和指導(dǎo)優(yōu)化的搜索空間，自適應(yīng)地調(diào)整搜索方向，不需要確定的規(guī)則。

遺傳算法的這些特點(diǎn)已被人們廣泛地應(yīng)用于組合優(yōu)化、機(jī)器學(xué)習(xí)、信號(hào)處理、自適應(yīng)控制和人工生命等領(lǐng)域。它是現(xiàn)代有關(guān)智能計(jì)算中的關(guān)鍵技術(shù)之一。1.3 基本遺傳算法的步驟

1.3.1 染色體編碼（chromosome coding）與解碼(decode)基本遺傳算法使用固定長(zhǎng)度的二進(jìn)制符號(hào)串來(lái)表示群體中的個(gè)體，其等位基因由二值{0，1}所組成。初始群體中各個(gè)個(gè)體的基因可用均勻分布的隨機(jī)數(shù)來(lái)生成。例如：x=***101就可表示一個(gè)個(gè)體，該個(gè)體的染色體長(zhǎng)度是n=18。（1）編碼：變量x作為實(shí)數(shù)，可以視為遺傳算法的表現(xiàn)型形式。從表現(xiàn)型到基因型的映射稱(chēng)為編碼。設(shè)某一參數(shù)的取值范圍為[u1，u2]，我們用長(zhǎng)度為k的二進(jìn)制編碼符號(hào)來(lái)表示該參數(shù)，則它總共產(chǎn)生2k種不同的編碼，可使參數(shù)編碼時(shí)的對(duì)應(yīng)關(guān)系為：

000000?0000=0→u1 000000?0001=1→u1+? 000000?0010=2→u1+2? ? 111111?1111=2k-1→u2 u?u其中，?=2 k1。2?1（2）解碼：假設(shè)某一個(gè)體的編碼為bkbk-1bk-2?b2b1,則對(duì)應(yīng)的解碼公式為 x?u1?(?bi?2i?1)? i?1ku2?u1 ① k2?1 例如：設(shè)有參數(shù)x∈[2，4]，現(xiàn)用5位二進(jìn)制編碼對(duì)x進(jìn)行編碼，得25=32個(gè)二進(jìn)制串（染色體）：

00000,00001,00010,00011,00100,00101,00110,00111 01000,01001,01010,01011,01100,01101,01110,01111 10000,10001,10010,10011,10100,10101,10110,10111 11000,11001,11010,11011,11100,11101,11110,11111 對(duì)于任一個(gè)二進(jìn)制串，只要代入公式①，就可得到相應(yīng)的解碼，如x22=10101,它對(duì)應(yīng)的十進(jìn)制為?bi?2i?1=1+0*2+1*22+0*23+1*24=21,則對(duì)應(yīng)參數(shù) i?15 x的值為2+21*(4-2)/(25-1)=3.3548。1.3.2 個(gè)體適應(yīng)度的檢測(cè)評(píng)估

基本遺傳算法按與個(gè)體適應(yīng)度成正比的概率來(lái)決定當(dāng)前群體中各個(gè)個(gè)體遺傳到下一代群體中的機(jī)會(huì)多少。為了正確估計(jì)這個(gè)概率，要求所有個(gè)體的適應(yīng)度

必須為非負(fù)數(shù)。所以，根據(jù)不同種類(lèi)的問(wèn)題，需要預(yù)先確定好由目標(biāo)函數(shù)值到個(gè)體適應(yīng)度之間的轉(zhuǎn)換規(guī)律，特別是要預(yù)先確定好當(dāng)目標(biāo)函數(shù)值為負(fù)數(shù)時(shí)的處理方法。例如，可選取一個(gè)適當(dāng)大的正數(shù)c，使個(gè)體的適應(yīng)度為目標(biāo)函數(shù)值加上正數(shù)c。1.3.3 遺傳算子

基本遺傳算法使用下列三種遺傳算子：

（1）選擇運(yùn)算使用比例選擇算子。比例選擇因子是利用比例于各個(gè)個(gè)體適應(yīng)度的概率決定其子孫的遺傳可能性。若設(shè)種群數(shù)為m，個(gè)體i的適應(yīng)度為fi,則個(gè)體i被選取的概率為 pi?fi/?fk k?1m 當(dāng)個(gè)體選擇的概率給定后，產(chǎn)生[0，1]之間的均勻隨機(jī)數(shù)來(lái)決定哪個(gè)個(gè)體參加交配。若個(gè)體的選擇概率大，則能被多次選中，它的遺傳基因就會(huì)在種群中擴(kuò)大；若個(gè)體的選擇概率小，則被淘汰。

我們經(jīng)常采用的是輪盤(pán)賭的原理，個(gè)體的選擇概率是基于它們的性能進(jìn)行的一些計(jì)算。實(shí)值范圍——總和是所有個(gè)體期望的選擇概率的總和或當(dāng)前種群中所有個(gè)體原始適應(yīng)度值的總和。個(gè)體采用一對(duì)一方式

映像到范圍[0，sum]的一連續(xù)區(qū)間，每一個(gè)體區(qū)間的 大小與對(duì)應(yīng)個(gè)體的適應(yīng)度值相匹配。如圖1所示，輪

盤(pán)賭輪的周長(zhǎng)是6個(gè)個(gè)體適應(yīng)度值的總和，個(gè)體5 是最大適應(yīng)度個(gè)體，它占有最大的區(qū)間。選擇一個(gè)個(gè)

體，用在[0，sum]間產(chǎn)生隨機(jī)數(shù)，看此隨機(jī)數(shù)在哪個(gè)

個(gè)體的區(qū)間上，則此個(gè)體被選中。重復(fù)此過(guò)程，直到

所需數(shù)量個(gè)體被選中為止。

（2）交叉運(yùn)算使用單點(diǎn)交叉算子。只有一個(gè)交叉點(diǎn)位置，任意挑選經(jīng)過(guò)選擇操作后種群中兩個(gè)個(gè)體作為交叉對(duì)象，隨機(jī)產(chǎn)生一個(gè)交叉點(diǎn)位置，兩個(gè)個(gè)體在交叉點(diǎn)位置互換部分基因碼，形成兩個(gè)子個(gè)體，如圖2所示。

父?jìng)€(gè)體1 父?jìng)€(gè)體2 110 11 011 00 單點(diǎn)交叉 子個(gè)體1 子個(gè)體2 圖2 單點(diǎn)交叉示意圖

（3）變異運(yùn)算使用基本位變異算子或均勻變異算子。為了避免問(wèn)題 過(guò)早收斂，對(duì)于二進(jìn)制的基因碼組成的個(gè)體種群，實(shí)現(xiàn)基因碼的小概率翻轉(zhuǎn)，即0變?yōu)?，而1變?yōu)?，如圖3所示。

變異

圖3 變異操作示意圖 1.3.4 基本遺傳算法的運(yùn)行參數(shù) 基本遺傳算法有下列4個(gè)運(yùn)行參數(shù)需要預(yù)先設(shè)定，即m,t,pc,pm。m為群體大小，即群體中所含個(gè)體的數(shù)量，一般取為20~100； t為遺傳算法的終止進(jìn)化代數(shù)，一般取為100~500； pc為交叉概率，一般取為0.4~0.99;pm為變異概率，一般取為0.0001~0.1。1.4遺傳算法的應(yīng)用 進(jìn)入90年代后，遺傳算法迎來(lái)了興盛發(fā)展時(shí)期，無(wú)論是理論研究還是應(yīng)用研究都成了十分熱門(mén)的課題。尤其是遺傳算法的應(yīng)用研究顯得格外活躍，不但它的應(yīng)用領(lǐng)域擴(kuò)大，而且利用遺傳進(jìn)行優(yōu)化和規(guī)則學(xué)習(xí)的能力也顯著提高，同時(shí)產(chǎn)業(yè)應(yīng)用方面的研究也在摸索之中。

遺傳算法提供了一種求解復(fù)雜系統(tǒng)問(wèn)題的通用框架，它不依賴(lài)于問(wèn)題的具體領(lǐng)域，對(duì)問(wèn)題的種類(lèi)有很強(qiáng)的魯棒性，所以廣泛應(yīng)用于很多學(xué)科。如工程結(jié)構(gòu)優(yōu)化、計(jì)算數(shù)學(xué)、制造系統(tǒng)、航空航天、交通、計(jì)算機(jī)科學(xué)、通信、電子學(xué)、材料科學(xué)等。1)ga在數(shù)值優(yōu)化上的應(yīng)用

最優(yōu)化問(wèn)題是遺傳算法經(jīng)典應(yīng)用領(lǐng)域，但采用常規(guī)方法對(duì)于大規(guī)模、多峰態(tài)函數(shù)、含離散變量等問(wèn)題的有效解決往往存在許多障礙。對(duì)全局變化問(wèn)題，目前存在確定性和非確定性?xún)深?lèi)方法。前者以brianin的下降軌線法、levy的隧道法和r.ge的填充函數(shù)為代表。該類(lèi)方法雖然收斂快、計(jì)算效率高，但算法復(fù)雜，求得全局極值的概率不大。遺傳算法作為現(xiàn)代最優(yōu)化的手段，實(shí)踐證明，它應(yīng)用于大規(guī)模、多峰多態(tài)函數(shù)、含離散變量等情況下的全局優(yōu)化問(wèn)題是合適的，在求解速度和質(zhì)量上遠(yuǎn)遠(yuǎn)超過(guò)常規(guī)方法。2)ga 在組合優(yōu)化中的應(yīng)用

3)遺傳算法在機(jī)器學(xué)習(xí)中的應(yīng)用

機(jī)器學(xué)習(xí)系統(tǒng)實(shí)際上是對(duì)人的學(xué)習(xí)機(jī)制的一種抽象和模擬，是一種理想的學(xué)習(xí)模型?；诜?hào)學(xué)習(xí)的機(jī)器學(xué)習(xí)系統(tǒng)如監(jiān)督型學(xué)習(xí)系統(tǒng)、條件反射學(xué)習(xí)系統(tǒng)、類(lèi)比式學(xué)習(xí)系統(tǒng)、推理學(xué)習(xí)系統(tǒng)等，只具備一些較初級(jí)的學(xué)習(xí)能力。近年來(lái)，由于遺傳算法的發(fā)展，基于進(jìn)化機(jī)制遺傳學(xué)習(xí)成為一種新的機(jī)器學(xué)習(xí)方法，它將知識(shí)表達(dá)為另一種符號(hào)形式—遺傳基因型，通過(guò)模擬生物的進(jìn)化過(guò)程，實(shí)現(xiàn)專(zhuān)門(mén)領(lǐng)域知識(shí)的合理增長(zhǎng)型學(xué)習(xí)。4)遺傳算法在并行處理中的應(yīng)用 遺傳算法固有的并行性和大規(guī)模并行機(jī)的快速發(fā)展，促使許多研究者開(kāi)始研究遺傳算法的并行化問(wèn)題，研究數(shù)量更加接近自然界的軟件群體將成為可能。遺傳算法與并行計(jì)算的結(jié)合，能把并行機(jī)的高速性和遺傳算法固有的并行性?xún)烧叩拈L(zhǎng)處彼此結(jié)合起來(lái)，從而也促進(jìn)了并行遺傳算法的研究與發(fā)展。

第二篇：JAVA實(shí)驗(yàn)報(bào)告 心得體會(huì)——密碼攻擊、遺傳算法

JAVA實(shí)驗(yàn)報(bào)告

JAVA實(shí)驗(yàn)報(bào)告

一、JAVA編程模擬密碼攻擊MimaGongji 1.模擬密碼攻擊MimaGongji功能需求分析

編程模擬密碼攻擊的過(guò)程，實(shí)現(xiàn)下述功能：

（1）鍵盤(pán)輸入12位密碼，包括字母和數(shù)字；

（2）采用窮舉法進(jìn)行攻擊，直到破解密碼為止；

（3）屏幕輸出試驗(yàn)的次數(shù)，并輸出獲得的密碼。

2.MimaGongji基本設(shè)計(jì)思路

1）基于對(duì)MimaGongji功能需求的分析，MimaGongji這個(gè)類(lèi)作為主類(lèi)，實(shí)現(xiàn)主要功能，包括密碼的流輸入，密碼的窮舉法破解和破解后密碼的輸出。2）Java.io.*這個(gè)包主要實(shí)現(xiàn)數(shù)據(jù)的流輸入和流輸出。

3）public static void main(String[] args)這個(gè)方法是主要的方法，實(shí)現(xiàn)密碼的鍵盤(pán)輸入，采用窮舉法進(jìn)行攻擊，并屏幕輸出試驗(yàn)的次數(shù)和獲得的密碼。4）.length（）這個(gè)方法主要是計(jì)算一個(gè)字符串的長(zhǎng)度

3.實(shí)驗(yàn)步驟

1）Java程序代碼（*.java）和詳細(xì)的行注釋 //文件名稱(chēng)為“MimaGongji.java” import java.io.*;//加入java的流輸入和流輸出包 class MimaGongji //定義主類(lèi) {

public static void main(String[] args)//引入主要方法 {

String s=“";try{ BufferedReader

mima=

new

BufferedReader(new InputStreamReader(System.in));//定義密碼的流輸入

JAVA實(shí)驗(yàn)報(bào)告

//統(tǒng)計(jì)試驗(yàn)的次數(shù)

}

System.out.print(po);

} //輸出破解之后的密碼

} System.out.println();//換行 System.out.println(”試驗(yàn)次數(shù):“+g);//輸出提示“試驗(yàn)的次數(shù)”

} }//類(lèi)申明的結(jié)束

2)程序的運(yùn)行（包括運(yùn)行的過(guò)程、界面和結(jié)果圖）

首先編寫(xiě)如上所示的源程序，保存文件名稱(chēng)為“MimaGongji.java”，然后編譯源程序，編譯完成后，生成一個(gè)字節(jié)碼文件MimaGongji.class，執(zhí)行這個(gè)程序，得到如下圖所示的窗口：

JAVA實(shí)驗(yàn)報(bào)告

getContentPane().add(pb,BorderLayout.SOUTH);//把面板添加到窗口上

t1=new JTextField(50);//創(chuàng)建文本框

t2=new JTextField(50);//創(chuàng)建文本框

t3=new JTextField(50);//創(chuàng)建文本框 t4=new JTextField(5);//創(chuàng)建文本框 t5=new JTextField(5);//創(chuàng)建文本框 t6=new JTextField(5);//創(chuàng)建文本框

t2.setEditable(false);//定義文本框的不可書(shū)寫(xiě)

t4.setEditable(false);//定義文本框的不可書(shū)寫(xiě)

t5.setEditable(false);//定義文本框的不可書(shū)寫(xiě)

t6.setEditable(false);//定義文本框的不可書(shū)寫(xiě)

p.add(l3,BorderLayout.NORTH);//把標(biāo)簽添加到面板上 p.add(t3,BorderLayout.CENTER);//把文本框添加到面板上 p.add(l1,BorderLayout.NORTH);//把標(biāo)簽添加到面板上 p.add(t1,BorderLayout.CENTER);//把文本框添加到面板上 p.add(l2,BorderLayout.NORTH);//把標(biāo)簽添加到面板上 p.add(t2,BorderLayout.CENTER);//把文本框添加到面板上 p.add(l4,BorderLayout.NORTH);//把標(biāo)簽添加到面板上 p.add(t4,BorderLayout.CENTER);//把文本框添加到面板上 p.add(l5,BorderLayout.NORTH);//把標(biāo)簽添加到面板上 p.add(t5,BorderLayout.CENTER);//把文本框添加到面板上 p.add(l6,BorderLayout.NORTH);//把標(biāo)簽添加到面板上 p.add(t6,BorderLayout.CENTER);//把文本框添加到面板上 b0=new JButton(”生成父母基因“);//創(chuàng)建父母基因生成按鈕 pb.add(b0);//添加到面板上

b1=new JButton(”100次交叉、變異“);//創(chuàng)建交叉、變異按鈕 pb.add(b1);//添加到面板上 b2=new JButton(”200次交叉、變異“);pb.add(b2);b3=new JButton(”500次交叉、變異");

JAVA實(shí)驗(yàn)報(bào)告

Object s=e.getSource();if(s==b0)//監(jiān)聽(tīng)器實(shí)現(xiàn)功能 {

t3.setText(s1);//t3文本框輸出s1

} t1.setText(s2);t4.setText(String.valueOf(H1));t5.setText(String.valueOf(H2));

if(s==b1)time(100);//監(jiān)聽(tīng)器實(shí)現(xiàn)功能

} if(s==b2)time(200);if(s==b3)time(500);

public void time(int r)//定義方法，實(shí)現(xiàn)函數(shù)的調(diào)用

{

int x,y,z,d1=0,d2=0,w,k,H3=0;

c=new int[23];//定義一個(gè)數(shù)組

for(int j=1;j<=r;j++)//基因的交叉 {

x=1+(int)(Math.random()*23);//生成一個(gè)隨機(jī)父親基因位

y=1+(int)(Math.random()*23);//生成一個(gè)隨機(jī)母親基因位

z=f[x-1];f[x-1]=m[y-1];m[y-1]=z;//兩個(gè)基因位的基因調(diào)換 }

for(int j=0;j<23;j++)//分別計(jì)算父母基因總和

{

d1+=f[j];

JAVA實(shí)驗(yàn)報(bào)告

2)程序的運(yùn)行（包括運(yùn)行的過(guò)程、界面和結(jié)果圖）

首先編寫(xiě)如上所示的源程序，保存文件名稱(chēng)為“YichuanSuanfa.java”，然后編譯源程序，編譯完成后，生成一個(gè)字節(jié)碼文件YichuanSuanfa.class，執(zhí)行這個(gè)程序，得到如下圖所示的窗口：

隨機(jī)生成父母基因，得到如下圖示：

JAVA實(shí)驗(yàn)報(bào)告

500次交叉、變異之后，得到如下圖示：

4.實(shí)驗(yàn)心得

.java文件名要與主類(lèi)名相同，JAVA對(duì)字

1.編寫(xiě)調(diào)試程序要注意程序編寫(xiě)的規(guī)則，母的大小寫(xiě)特別敏感，輸入時(shí)要特捏注意大小寫(xiě)字母的定義，千萬(wàn)別犯主類(lèi)名與.java文件名不同的錯(cuò)誤。

2.在做圖形界面時(shí)，注意設(shè)置圖形界面的大小以及文本框、標(biāo)簽和按鈕的位置。創(chuàng)建文本框的時(shí)候，可以設(shè)置文本框的可寫(xiě)性，以及文本框的顏色等等。在隨機(jī)生成父母基因的時(shí)候，注意生成的隨機(jī)數(shù)是什么范圍，我們實(shí)驗(yàn)要求的范圍是什么。監(jiān)聽(tīng)器的響應(yīng)，在文本框中輸出的是一個(gè)基因整體還是一個(gè)數(shù)，都需要注意，因?yàn)檫@兩種輸出的方法不同。

3.為了簡(jiǎn)化程序，我們應(yīng)該學(xué)會(huì)調(diào)用函數(shù)的方法。一開(kāi)始做程序的時(shí)候，我沒(méi)有注意到這一點(diǎn)，導(dǎo)致我的程序代碼非常繁雜，而且容易出錯(cuò)。在同學(xué)的建議下，我把100次、200次、500次交叉、變異的實(shí)現(xiàn)使用調(diào)用函數(shù)的方法，這樣我的程序代碼變得簡(jiǎn)明多了。因此，在做程序的時(shí)候應(yīng)該考慮到程序代碼的簡(jiǎn)明扼要，不但美觀，還能保證

JAVA實(shí)驗(yàn)報(bào)告

正確性的要求。

4.特別要注意的是一個(gè)變量的使用范圍，在同一個(gè)方法中，同一變量是可以通用的，即不用重復(fù)定義，可以被系統(tǒng)認(rèn)識(shí)，在不同的方法之間，同一變量是不能被對(duì)方所認(rèn)識(shí)的，這就需要我們?cè)诙x變量時(shí)，注意變量的使用范圍，如果需要在不同的方法中被引用，那就需要我們?cè)谒械姆椒ㄖ?，同一?lèi)中進(jìn)行定義。

第三篇：遺傳算法求解TSP問(wèn)題實(shí)驗(yàn)報(bào)告

人工智能實(shí)驗(yàn)報(bào)告

實(shí)驗(yàn)六

遺傳算法實(shí)驗(yàn)II

一、實(shí)驗(yàn)?zāi)康模?/p>

熟悉和掌握遺傳算法的原理、流程和編碼策略，并利用遺傳求解函數(shù)優(yōu)化問(wèn)題，理解求解TSP問(wèn)題的流程并測(cè)試主要參數(shù)對(duì)結(jié)果的影響。

二、實(shí)驗(yàn)原理：

旅行商問(wèn)題，即TSP問(wèn)題（Traveling

Salesman

Problem）是數(shù)學(xué)領(lǐng)域中著名問(wèn)題之一。假設(shè)有一個(gè)旅行商人要拜訪n個(gè)城市，他必須選擇所要走的路徑，路經(jīng)的限制是每個(gè)城市只能拜訪一次，而且最后要回到原來(lái)出發(fā)的城市。路徑的選擇目標(biāo)是要求得的路徑路程為所有路徑之中的最小值。TSP問(wèn)題是一個(gè)組合優(yōu)化問(wèn)題。該問(wèn)題可以被證明具有NPC計(jì)算復(fù)雜性。因此，任何能使該問(wèn)題的求解得以簡(jiǎn)化的方法，都將受到高度的評(píng)價(jià)和關(guān)注。

遺傳算法的基本思想正是基于模仿生物界遺傳學(xué)的遺傳過(guò)程。它把問(wèn)題的參數(shù)用基因代表，把問(wèn)題的解用染色體代表（在計(jì)算機(jī)里用二進(jìn)制碼表示），從而得到一個(gè)由具有不同染色體的個(gè)體組成的群體。這個(gè)群體在問(wèn)題特定的環(huán)境里生存競(jìng)爭(zhēng)，適者有最好的機(jī)會(huì)生存和產(chǎn)生后代。后代隨機(jī)化地繼承了父代的最好特征，并也在生存環(huán)境的控制支配下繼續(xù)這一過(guò)程。群體的染色體都將逐漸適應(yīng)環(huán)境，不斷進(jìn)化，最后收斂到一族最適應(yīng)環(huán)境的類(lèi)似個(gè)體，即得到問(wèn)題最優(yōu)的解。要求利用遺傳算法求解TSP問(wèn)題的最短路徑。

三、實(shí)驗(yàn)內(nèi)容：

1、參考實(shí)驗(yàn)系統(tǒng)給出的遺傳算法核心代碼，用遺傳算法求解TSP的優(yōu)化問(wèn)題，分析遺傳算法求解不同規(guī)模TSP問(wèn)題的算法性能。

2、對(duì)于同一個(gè)TSP問(wèn)題，分析種群規(guī)模、交叉概率和變異概率對(duì)算法結(jié)果的影響。

3、增加1種變異策略和1種個(gè)體選擇概率分配策略，比較求解同一TSP問(wèn)題時(shí)不同變異策略及不同個(gè)體選擇分配策略對(duì)算法結(jié)果的影響。

4、上交源代碼。

四、實(shí)驗(yàn)報(bào)告要求：

1、畫(huà)出遺傳算法求解TSP問(wèn)題的流程圖。

2、分析遺傳算法求解不同規(guī)模的TSP問(wèn)題的算法性能。

規(guī)模越大，算法的性能越差，所用時(shí)間越長(zhǎng)。

3、對(duì)于同一個(gè)TSP問(wèn)題，分析種群規(guī)模、交叉概率和變異概率對(duì)算法結(jié)果的影響。

（1）

種群規(guī)模對(duì)算法結(jié)果的影響

x

0

1.1

3.5

4.5

y

1.1

5.1

4.5

實(shí)驗(yàn)次數(shù)：10

最大迭代步數(shù):100

交叉概率：0.85

變異概率：0.15

種群規(guī)模

平均適應(yīng)度值

最優(yōu)路徑

25.264

4-5-8-7-6-3-1-0-9-2

26.3428

2-9-1-0-3-6-7-5-8-4

25.1652

1-3-6-7-5-8-4-2-9-0

25.1652

0-1-3-6-7-5-8-4-2-9

25.1652

9-0-1-3-6-7-5-8-4-2

25.1652

1-0-9-2-4-8-5-7-6-3

150

25.1652

5-8-4-2-9-0-1-3-6-7

200

25.1652

1-3-6-7-5-8-4-2-9-0

250

25.1652

3-1-0-9-2-4-8-5-7-6

300

25.1652

5-8-4-2-9-0-1-3-6-7

如表所示，顯然最短路徑為25.1652m,最優(yōu)路徑為1-0-9-1-3-6-7-5-8-4-2或3-1-0-9-2-4-8-5-7-6，注意到這是一圈，順時(shí)針或者逆時(shí)針都可以。當(dāng)種群規(guī)模為10，20時(shí)，并沒(méi)有找到最優(yōu)解。因此并不是種群規(guī)模越小越好。

（2）

交叉概率對(duì)算法結(jié)果的影響

x

1.1

3.5

3.5

4.5

y

1.1

5.1

8.5

實(shí)驗(yàn)次數(shù)：15

種群規(guī)模：25

最大迭代步數(shù):100

變異概率：0.15

實(shí)驗(yàn)結(jié)果：

交叉概率

最好適應(yīng)度

最差適應(yīng)度

平均適應(yīng)度

最優(yōu)解

0.001

28.0447

36.6567

32.6002

9-2-6-0-5-4-8-7-3-1

0.01

27.0935

34.9943

32.1495

7-8-3-1-9-2-6-0-5-4

0.1

28.0447

35.3033

31.9372

7-3-1-9-2-6-0-5-4-8

0.15

28.0447

34.1175

31.2183

0-5-4-8-7-3-1-9-2-6

0.2

28.7108

33.9512

30.9035

3-1-9-2-6-5-0-4-7-8

0.25

28.0447

35.1623

30.7456

1-3-7-8-4-5-0-6-2-9

0.3

27.0935

31.9941

29.9428

8-3-1-9-2-6-0-5-4-7

0.35

27.0935

32.8085

30.9945

9-1-3-8-7-4-5-0-6-2

0.4

27.0935

32.5313

30.1534

1-3-8-7-4-5-0-6-2-9

0.45

27.0935

33.2014

30.1757

8-3-1-9-2-6-0-5-4-7

0.5

28.0934

33.6307

30.9026

5-0-2-6-9-1-3-8-7-4

0.55

27.0935

33.5233

29.1304

1-9-2-6-0-5-4-7-8-3

0.6

27.0935

33.2512

30.7836

3-1-9-2-6-0-5-4-7-8

0.65

28.0447

33.7003

30.9371

5-4-8-7-3-1-9-2-6-0

0.7

27.0935

32.0927

29.9502

9-1-3-8-7-4-5-0-6-2

0.75

28.0447

32.4488

30.3699

0-5-4-8-7-3-1-9-2-6

0.8

27.0935

32.1551

29.9382

7-4-5-0-6-2-9-1-3-8

0.85

27.0935

34.5399

30.3594

5-0-6-2-9-1-3-8-7-4

0.9

27.0935

32.6273

30.69

6-0-5-4-7-8-3-1-9-2

0.95

27.0935

32.4672

29.919

6-2-9-1-3-8-7-4-5-0

（注:紅色表示非最優(yōu)解）

在該情況下，交叉概率過(guò)低將使搜索陷入遲鈍狀態(tài)，得不到最優(yōu)解。

（3）

變異概率對(duì)算法結(jié)果的影響

x

1.1

3.5

3.5

4.5

y

1.1

5.1

8.5

實(shí)驗(yàn)次數(shù)：10

種群規(guī)模：25

最大迭代步數(shù):100

交叉概率：0.85

實(shí)驗(yàn)結(jié)果：

變異概率

最好適應(yīng)度

最差適應(yīng)度

平均適應(yīng)度

最優(yōu)解

0.001

29.4717

34.732

32.4911

0-6-2-1-9-3-8-7-4-5

0.01

29.0446

34.6591

32.3714

8-4-5-0-2-6-9-1-3-7

0.1

28.0934

34.011

30.9417

5-0-2-6-9-1-3-8-7-4

0.15

27.0935

32.093

30.2568

6-0-5-4-7-8-3-1-9-2

0.2

27.0935

32.2349

30.3144

8-7-4-5-0-6-2-9-1-3

0.25

27.0935

32.718

30.1572

4-5-0-6-2-9-1-3-8-7

0.3

27.0935

32.4488

30.2854

0-5-4-7-8-3-1-9-2-6

0.35

27.0935

33.3167

30.7748

1-3-8-7-4-5-0-6-2-9

0.4

29.0446

34.3705

31.3041

2-0-5-4-8-7-3-1-9-6

0.45

27.0935

31.374

29.6816

2-6-0-5-4-7-8-3-1-9

0.5

27.0935

32.3752

30.2211

2-9-1-3-8-7-4-5-0-6

0.55

27.0935

33.3819

30.6623

1-3-8-7-4-5-0-6-2-9

0.6

28.0934

33.2512

30.36

1-3-8-7-4-5-0-2-6-9

0.65

27.0935

32.7491

30.0201

3-1-9-2-6-0-5-4-7-8

0.7

28.7108

32.4238

30.785

1-3-8-7-4-0-5-6-2-9

0.75

27.0935

31.8928

30.2451

1-9-2-6-0-5-4-7-8-3

0.8

28.0934

31.6135

30.3471

9-1-3-8-7-4-5-0-2-6

0.85

29.662

33.2392

31.1585

2-9-1-3-7-8-4-0-5-6

0.9

28.0447

32.0387

30.4152

0-5-4-8-7-3-1-9-2-6

0.95

28.0447

31.3036

30.0067

9-1-3-7-8-4-5-0-6-2

從該表可知，當(dāng)變異概率過(guò)大或過(guò)低都將導(dǎo)致無(wú)法得到最優(yōu)解。

4、增加1種變異策略和1種個(gè)體選擇概率分配策略，比較求解同一TSP問(wèn)題時(shí)不同變異策略及不同個(gè)體選擇分配策略對(duì)算法結(jié)果的影響。

不同變異策略和不同個(gè)體選擇分配策略幾乎不影響算法運(yùn)行的時(shí)間，但會(huì)影響適應(yīng)度。

五、實(shí)驗(yàn)心得與體會(huì)

通過(guò)本實(shí)驗(yàn)，更加深入體會(huì)了參數(shù)設(shè)置對(duì)算法結(jié)果的影響。同一個(gè)算法，參數(shù)值不同，獲得的結(jié)果可能會(huì)完全不同。

同時(shí)通過(guò)本次實(shí)驗(yàn)，使自己對(duì)遺傳算法有了更進(jìn)一步的了解。遺傳算法是一種智能優(yōu)化算法，它能較好的近似求解TSP問(wèn)題，在問(wèn)題規(guī)模比較大的時(shí)候，遺傳算法的優(yōu)勢(shì)就明顯體現(xiàn)出來(lái)，當(dāng)然不能完全保證能得到最優(yōu)解。

第四篇：基于遺傳算法的優(yōu)化設(shè)計(jì)論文

1數(shù)學(xué)模型的建立

影響抄板落料特性的主要因素有:抄板的幾何尺寸a和b、圓筒半徑Ｒ、圓筒的轉(zhuǎn)速n、抄板安裝角β以及折彎抄板間的夾角θ等［4，9］。在不同的參數(shù)a、β、θ下，抄板的安裝會(huì)出現(xiàn)如圖1所示的情況。圖1描述了不同參數(shù)組合下抄板的落料特性橫截面示意圖。其中，圖1(a)與圖1(b)、圖1(c)、圖1(d)的區(qū)別在于其安裝角為鈍角。當(dāng)安裝角不為鈍角且OB與OC的夾角σ不小于OD與OC夾角ψ時(shí)(即σ≥ψ)，會(huì)出現(xiàn)圖1(b)所示的安裝情況;當(dāng)σ＜ψ時(shí)，又會(huì)出現(xiàn)圖1(c)與圖1(d)所示的情況，而兩者區(qū)別在于，η+θ是否超過(guò)180°，若不超過(guò)，則為圖1(c)情況，反之則為圖1(d)情況。其中，點(diǎn)A為抄板上物料表面與筒壁的接觸點(diǎn)或?yàn)槲锪媳砻媾c抄板橫向長(zhǎng)度b邊的交點(diǎn);點(diǎn)B為抄板的頂點(diǎn);點(diǎn)C為抄板折彎點(diǎn);點(diǎn)D為抄板邊與筒壁的交點(diǎn);點(diǎn)E為OB連線與圓筒內(nèi)壁面的交點(diǎn);點(diǎn)F為OC連線與圓筒內(nèi)壁面的交點(diǎn)。

1．1動(dòng)力學(xué)休止角(γ)［4，10］抄板上的物料表面在初始狀態(tài)時(shí)保持穩(wěn)定，直到物料表面與水平面的夾角大于物料的休止角(最大穩(wěn)定角)時(shí)才發(fā)生落料情況。隨著轉(zhuǎn)筒的轉(zhuǎn)動(dòng)，抄板上物料的坡度會(huì)一直發(fā)生改變。當(dāng)物料的坡度大于最大穩(wěn)定角時(shí)，物料開(kāi)始掉落。此時(shí)，由于物料的下落，物料表面重新達(dá)到最大穩(wěn)定角開(kāi)始停止掉落。然而，抄板一直隨著轉(zhuǎn)筒轉(zhuǎn)動(dòng)，使得抄板內(nèi)物料的坡度一直發(fā)生改變，物料坡度又超過(guò)最大休止角。這個(gè)過(guò)程一直持續(xù)到抄板轉(zhuǎn)動(dòng)到一定位置(即抄板位置處于最大落料角δL時(shí))，此時(shí)抄板內(nèi)的物料落空。通常，在計(jì)算抄板持有量時(shí)，會(huì)采用動(dòng)力學(xué)休止角來(lái)作為物料發(fā)生掉落的依據(jù)，即抄板內(nèi)的物料坡度超過(guò)γ時(shí)，物料開(kāi)始掉落。該角主要與抄板在滾筒中的位置δ、動(dòng)摩擦因數(shù)μ和弗勞德數(shù)Fr等有關(guān)。

1．2抄板持有量的計(jì)算

隨著抄板的轉(zhuǎn)動(dòng)，一般可以將落料過(guò)程劃分為3部分(Ｒ－1，Ｒ－2，Ｒ－3)，如圖1(a)所示。在轉(zhuǎn)動(dòng)過(guò)程中，當(dāng)抄板轉(zhuǎn)角δ超過(guò)動(dòng)力學(xué)休止角γ時(shí)，落料過(guò)程從Ｒ－1區(qū)域轉(zhuǎn)變到Ｒ－2區(qū)域，在這兩個(gè)區(qū)域內(nèi)，物料不僅受到抄板的作用還受到滾筒壁面的作用。當(dāng)物料表面上的A點(diǎn)與D點(diǎn)重合時(shí)，從Ｒ－2區(qū)域轉(zhuǎn)變到Ｒ－3區(qū)域，在該區(qū)域內(nèi)，物料僅受抄板作用［4］。然而，抄板情況為圖1(c)、圖1(d)時(shí)只會(huì)經(jīng)歷Ｒ－1、Ｒ－3區(qū)域。因?yàn)樵谶\(yùn)轉(zhuǎn)過(guò)程中，抄板上物料的A點(diǎn)與D點(diǎn)重合時(shí)抄板的轉(zhuǎn)角不會(huì)超過(guò)動(dòng)力學(xué)休止角γ，所以不會(huì)經(jīng)歷Ｒ－2區(qū)域;但是，當(dāng)物料的休止角足夠小時(shí)，由于物料表面只會(huì)與抄板接觸(即A點(diǎn)不會(huì)超出D點(diǎn))，圖1(c)、圖1(d)的抄板落料過(guò)程只會(huì)經(jīng)歷Ｒ－3區(qū)域。以下根據(jù)不同的區(qū)域建立了不同組合下抄板持料量的數(shù)學(xué)模型。

2研究結(jié)果與分析

2．1最大落料角結(jié)果分析

通過(guò)MatLab編制以上推導(dǎo)公式的計(jì)算程序，模擬計(jì)算了120種不同組合(β、θ、a不同)下抄板的最大落料角。其中，物料動(dòng)摩擦因數(shù)為0．53［8］，轉(zhuǎn)筒干燥機(jī)半徑為300mm，且其抄板安裝角為10°、30°、50°、70°、90°、110°，抄板間夾角為90°、110°、130°、150°，抄板縱向長(zhǎng)度a為30、45、60、75、90mm，橫向長(zhǎng)度b為60mm。并且，根據(jù)Kelly和O＇Donnell通過(guò)驗(yàn)證得出的公式(1)只適用于Fr小于0．4的情況［4］，此次模擬的轉(zhuǎn)筒干燥機(jī)角速度為0．84rad/s。表1給出了模擬結(jié)果中較為典型的數(shù)據(jù)。從模擬結(jié)果中可以得出，當(dāng)a、θ不變時(shí)，δL隨著安裝角β的增大而增大;當(dāng)a、β不變時(shí)，δL隨著θ的增大而減小。當(dāng)抄板情況如圖1(a)、(b)、(c)時(shí)，且β、θ不變時(shí)，抄板最大落料角隨著長(zhǎng)度a的增大而增大;而圖1(d)情況則反之，并且會(huì)出現(xiàn)最大落料角小于0°的情況，這是由于抄板無(wú)法抄起物料所導(dǎo)致的結(jié)果。另外，在圖1(d)情況下，抄板的最大落料角非常小，這會(huì)使得干燥器的效率很低。因此，在探討抄板優(yōu)化問(wèn)題上，不考慮圖1(d)這種情況下的抄板。

2．2優(yōu)化目標(biāo)與結(jié)果分析

水平直徑上均勻撒料雖好，但是物料應(yīng)與熱氣均勻接觸，如果在路徑長(zhǎng)的地方撒料多些，就可以使熱效率高些。又因?yàn)閳A筒中心熱氣量比邊緣多以及在圓筒下半部分超出干燥圓的區(qū)域存在物料，所以落料均勻度考慮為物料在干燥圓橫截面積上撒料均勻。評(píng)判干燥圓橫截面積上落料均勻的具體方法如下:把干燥圓橫截面積劃分20個(gè)等分，以水平直徑為X軸，鉛垂直徑為Y軸，圓心O為原點(diǎn)，采用定積分方法求解每個(gè)劃分點(diǎn)的x坐標(biāo)，每個(gè)劃分點(diǎn)的鉛垂線與干燥圓壁面(上半部分)有一個(gè)交點(diǎn)，連接圓心與每個(gè)點(diǎn)，可以得出每條連線與X軸的夾角δi(i=1～21，步長(zhǎng)為1，δ1為0°)，如圖2所示。在合理的設(shè)計(jì)下，不僅希望落料過(guò)程中抄板在干燥圓面積上撒料越均勻越好，δL也應(yīng)越接近180°越好。因此，優(yōu)化函數(shù)為最大落料角和抄板在干燥圓而積上落料的均方差。并且，根據(jù)國(guó)內(nèi)外實(shí)際情況，抄板的安裝角一般為90°并且抄板間夾角一般不為銳角，由于機(jī)構(gòu)的限制和不考慮圖1(d)的情況，在研究抄板優(yōu)化問(wèn)題時(shí)只探討安裝角在70°～110°、抄板夾角在90°～130°以及抄板縱向長(zhǎng)度在30～90mm之間的情況。其余參數(shù)同上。采用了線性加權(quán)和法來(lái)求解此多目標(biāo)優(yōu)化結(jié)果。其中，f1為1/δL的最優(yōu)化值，f2為q的最優(yōu)化值;均方差q=(1n∑ni=1(qi－qa)2)12，每相鄰角度落料面積差qi=A(δi)－A(δi+1)，qa為面積差的平均值。當(dāng)δL≤δi+1－δi2，n=i;反之則n=i+1，且δi+1=δL。s1、s2為權(quán)重系數(shù)，由于干燥器的效率主要與抄板的撒料均勻有關(guān)，但是如果落料角很小、撒料很均勻，干燥器效率也不高，綜合考慮下，取s1、s2分別為0．4、0．6。通過(guò)編寫(xiě)MatLab程序，確定優(yōu)化函數(shù)，然后采用MatLab遺傳算法工具箱進(jìn)行計(jì)算，設(shè)置相關(guān)參數(shù):最大代數(shù)為51，種群規(guī)模為20，交叉概率為0．2，選擇概率為0．5。運(yùn)行算法并顯示結(jié)果，β、θ、a較優(yōu)結(jié)果分別為:1．844rad、1．571rad、51．609mm。

3結(jié)論

考慮到安裝角、抄板夾角以及抄板縱向長(zhǎng)度的不同組合情況對(duì)抄板落料均勻度以及最大落料角的影響，建立了轉(zhuǎn)筒干燥器中任意參數(shù)組合下單個(gè)抄板持料量的數(shù)學(xué)模型。通過(guò)對(duì)不同組合下的抄板最大落料角進(jìn)行計(jì)算從而得出結(jié)論:當(dāng)抄板縱向長(zhǎng)度、抄板夾角不變時(shí)，最大落料角隨著安裝角的增大而增大;當(dāng)抄板縱向長(zhǎng)度、安裝角不變時(shí)，最大落料角隨著抄板夾角的增大而減小。最后，根據(jù)優(yōu)化設(shè)計(jì)方法，以抄板最大落料角和抄板在干燥圓面積上落料的均方差為目標(biāo)函數(shù)，采用遺傳算法得出了較優(yōu)的抄板參數(shù):安裝角為1．844rad、夾角為1．571rad、縱向長(zhǎng)度為51．609mm。

第五篇：遺傳算法的應(yīng)用及研究動(dòng)向

遺傳算法的應(yīng)用及研究動(dòng)向

摘要 本文主要介紹了遺傳算法的基本概念和基本原理，分析說(shuō)明了遺傳算法應(yīng)用領(lǐng)域，指出了遺傳算法在應(yīng)用中的幾個(gè)關(guān)鍵問(wèn)題，同時(shí)簡(jiǎn)要介紹了遺傳算法研究新動(dòng)向及存在的問(wèn)題。

關(guān)鍵詞 遺傳算法；編碼機(jī)制；遺傳算子；適應(yīng)度函數(shù)

一、遺傳算法的基本原理

遺傳算法類(lèi)似于自然進(jìn)化，通過(guò)作用于染色體上基因?qū)ふ易詈玫娜旧w來(lái)求解問(wèn)題。與自然界相似，遺傳算法對(duì)求解問(wèn)題的本身一無(wú)所知，它所需要的僅是對(duì)遺傳算法所產(chǎn)生的染色體有更多的繁殖機(jī)會(huì)。在遺傳算法中，通過(guò)隨機(jī)方式產(chǎn)生若干個(gè)所求解問(wèn)題的數(shù)字編碼，即染色體，形成初始種群；通過(guò)適應(yīng)度函數(shù)給每個(gè)個(gè)體一個(gè)數(shù)值評(píng)價(jià)，淘汰低適應(yīng)度的個(gè)體，選擇高適應(yīng)度的個(gè)體參加遺傳操作，經(jīng)過(guò)遺傳操作后的個(gè)體集合成下一代新的種群，對(duì)這個(gè)新種群進(jìn)行下一輪進(jìn)化[1]。

二、遺傳算法的應(yīng)用

遺傳算法在應(yīng)用中最關(guān)鍵的問(wèn)題有如下3 個(gè)[2-3]。

（1）串的編碼方式。本質(zhì)是問(wèn)題編碼。一般把問(wèn)題的各種參數(shù)用二進(jìn)制編碼，構(gòu)成子串；然后把子串拼接構(gòu)成“染色體”串。串長(zhǎng)度及編碼形式對(duì)算法收斂影響極大。

（2）適應(yīng)函數(shù)的確定。適應(yīng)函數(shù)（fitness function）也稱(chēng)對(duì)象函數(shù)（object function），這是問(wèn)題求解品質(zhì)的測(cè)量函數(shù)；往往也稱(chēng)為問(wèn)題的“環(huán)境”。一般可以把問(wèn)題的模型函數(shù)作為對(duì)象函數(shù)；但有時(shí)需要另行構(gòu)造。

（3）遺傳算法自身參數(shù)設(shè)定。遺傳算法自身參數(shù)有3 個(gè)，即群體大小n、交叉概率Pc 和變異概率Pm。群體大小n 太小時(shí)難以求出最優(yōu)解，太大則增長(zhǎng)收斂時(shí)間。一般n＝30-160。交叉概率Pc 太小時(shí)難以向前搜索，太大則容易破壞高適應(yīng)值的結(jié)構(gòu)。一般取Pc=0.25-0.75。變異概率Pm太小時(shí)難以產(chǎn)生新的基因結(jié)構(gòu)，太大使遺傳算法成了單純的隨機(jī)搜索。一般取Pm＝0．01-0．2。

遺傳算法的主要應(yīng)用領(lǐng)域[4-5]在于函數(shù)優(yōu)化（非線性、多模型、多目標(biāo)等），機(jī)器人學(xué)（移動(dòng)機(jī)器人路徑規(guī)劃、關(guān)節(jié)機(jī)器人運(yùn)動(dòng)軌跡規(guī)劃、細(xì)胞機(jī)器人的結(jié)構(gòu)優(yōu)化等），控制（瓦斯管道控制、防避導(dǎo)彈控制、機(jī)器人控制等），規(guī)劃（生產(chǎn)規(guī)劃、并行機(jī)任務(wù)分配等），設(shè)計(jì)（VLSI 布局、通信網(wǎng)絡(luò)設(shè)計(jì)、噴氣發(fā)動(dòng)機(jī)設(shè)計(jì)等），組合優(yōu)化（TSP 問(wèn)題、背包問(wèn)題、圖分劃問(wèn)題等），圖像處理（模式識(shí)別、特征提取、圖像恢復(fù)等），信號(hào)處理（濾波器設(shè)計(jì)等），人工生命（生命的遺傳進(jìn)化等）。

三、遺傳算法的研究新動(dòng)向（1）基于遺傳算法的機(jī)器學(xué)習(xí)

這一新的研究方向把遺傳算法從歷史離散的搜索空間的優(yōu)化搜索算法擴(kuò)展到具有獨(dú)特的規(guī)則生成功能嶄新的機(jī)器學(xué)習(xí)算法。這一新的學(xué)習(xí)機(jī)制對(duì)于解決人工智能中知識(shí)獲取和知識(shí)優(yōu)化精煉的瓶頸難題帶來(lái)了希望。遺傳算法作為一種搜索算法從一開(kāi)始就與機(jī)器學(xué)習(xí)有著密切聯(lián)系。分類(lèi)器系統(tǒng)CS-1 是GA 的創(chuàng)立Holland 教授等實(shí)現(xiàn)的第一個(gè)基于遺傳算法的機(jī)器學(xué)習(xí)系統(tǒng)。分類(lèi)器系統(tǒng)在很多領(lǐng)域都得到了應(yīng)用。例如，分類(lèi)器系統(tǒng)在學(xué)習(xí)式多機(jī)器人路徑規(guī)劃系統(tǒng)中得到了成功應(yīng)用；Goldberg 研究了用分類(lèi)器系統(tǒng)來(lái)學(xué)習(xí)控制一個(gè)煤氣管道仿真系統(tǒng)；Wilson 研究了一種用于協(xié)調(diào)可移動(dòng)式視頻攝像機(jī)的感知運(yùn)動(dòng)的分類(lèi)器系統(tǒng)等。（2）遺傳算法與其他計(jì)算智能方法的相互滲透和結(jié)合

遺傳算法正日益和神經(jīng)網(wǎng)絡(luò)、模糊推理以及混沌理論等其它智能計(jì)算方法相互滲透和結(jié)合，以達(dá)到取長(zhǎng)補(bǔ)短的作用。近年來(lái)在這方面已經(jīng)取得了不少研究成果，并形成了“計(jì)算智能”的研究領(lǐng)域，這對(duì)開(kāi)拓21 世紀(jì)中新的智能計(jì)算技術(shù)具有重要意義。GA 的出現(xiàn)使神經(jīng)網(wǎng)絡(luò)的訓(xùn)練（包括連接權(quán)系數(shù)的優(yōu)化、網(wǎng)絡(luò)空間結(jié)構(gòu)的優(yōu)化和網(wǎng)絡(luò)的學(xué)習(xí)規(guī)劃優(yōu)化）有了一個(gè)嶄新的面貌，目標(biāo)函數(shù)既不要求連續(xù)，也不要求可微，僅要求該問(wèn)題可計(jì)算，而且搜索始終遍及整個(gè)解空間，因此容易得到全局最優(yōu)解。（3）并行處理的遺傳算法

并行處理的遺傳算法的研究不僅是遺傳算法本身的發(fā)展，而且對(duì)于新一代智能計(jì)算機(jī)體系結(jié)構(gòu)的研究都是十分重要的。GA 在操作上具有高度的并行性，許多研究人員都在探索在并行機(jī)上高效執(zhí)行GA 的策略。研究表明，只要通過(guò)保持多個(gè)群體和恰當(dāng)?shù)乜刂迫后w間的相互作用來(lái)模擬并執(zhí)行過(guò)程，即使不使用并行計(jì)算機(jī)，我們也能提高算法的執(zhí)行效率。在并GA 的研究方面，一些并GA 模型已經(jīng)被人們?cè)诰唧w的并行機(jī)上執(zhí)行了；并行GA 可分為兩類(lèi)：一類(lèi)是粗粒度并行GA，主要開(kāi)發(fā)群體間的并行性；另一類(lèi)是細(xì)粒GA，主要開(kāi)發(fā)一個(gè)群體中的并行性。（4）遺傳算法與人工生命的滲透

人工生命是用計(jì)算機(jī)、機(jī)械等人工媒體模擬或構(gòu)造出的具有自然生物系統(tǒng)特有行為的人造系統(tǒng)，人工生命與遺傳算法有著密切的關(guān)系，基于遺傳算法的進(jìn)化模型是研究人工生命現(xiàn)象的重要理論基礎(chǔ)。雖然人工生命的研究尚處于啟蒙階段，但遺傳算法已在其進(jìn)化模型、學(xué)習(xí)模型、行為模型、自組織模型等方面顯示出了初步的應(yīng)用能力，并且必將得到更為深入的應(yīng)用和發(fā)展。人工生命與遺傳算法相輔相成，遺傳算法為人工生命的研究提供了一個(gè)有效的工具，人工生命的研究也必將促進(jìn)遺傳算法的進(jìn)一步發(fā)展。（5）遺傳算法與進(jìn)化規(guī)則及進(jìn)化策略的結(jié)合

遺傳算法、進(jìn)化規(guī)則及進(jìn)化策略是演化計(jì)算的3 個(gè)主要分支，這3 種典型的進(jìn)化算法都以自然界中生物的進(jìn)化過(guò)程為自適應(yīng)全局優(yōu)化搜索過(guò)程的借鑒對(duì)象，所以三者之間有較大的相似性；另一方面，這3 種算法又是從不完全相同的角度出發(fā)來(lái)模擬生物進(jìn)化過(guò)程，分別是依據(jù)不同的生物進(jìn)化背景、不同的生物進(jìn)化機(jī)制而開(kāi)發(fā)出來(lái)的，所以三者之間也有一些差異。隨著各種進(jìn)化計(jì)算方法之間相互交流深入，以及對(duì)各種進(jìn)化算法機(jī)理研究的進(jìn)展，要嚴(yán)格地區(qū)分它們既不可能、也沒(méi)有必要。在進(jìn)化計(jì)算領(lǐng)域內(nèi)更重要的工作是生物進(jìn)化機(jī)制，構(gòu)造性能更加優(yōu)良、適應(yīng)面更加廣泛的進(jìn)化算法。

參考文獻(xiàn)

[1］ 張文修，梁怡.遺傳算法的教學(xué)基礎(chǔ)［M］.西安：西安交通大學(xué)出版社，2000.[2］ 余建坤，張文彬，陸玉昌.遺傳算法及其應(yīng)用［J］.云南民族學(xué)院學(xué)報(bào)，2002（4）.[3] 蔡自興，徐光祐.人工智能及應(yīng)用［M］.北京：清華大學(xué)出版社，2003.[4］蔣騰旭.智能優(yōu)化算法概述［J］.電腦知識(shí)與技術(shù)，2007（8）.[5］任慶生，葉中行.遺傳算法中常用算子的分析［J］.電子學(xué)報(bào)，2005（5）.