人工智能之进化计算

进化计算

为什么需要进化计算

进化计算概述

遗传算法

遗传算法(GA)原理:遗传算法基于达尔文进化论的观点，依照适者生存，优胜劣汰等自然进化法则，通过计算机来模拟生命进化的机制，进行智能优化计算和问题搜索求解。
遗传算法目的:
通过它的研究来进一步解释自然界的适应过程;
为了将自然生物系统的重要机理运用到人工系统的设计中。
算法过程

1.编码
2.随机生成初始种群(通过适应度函数计算适应值)
3.选择适应度高的染色体
4.交叉
5.变异

校正条件(结束条件):
1.可以是迭代次数(50代左右)
2.也可以判断是否收敛，收敛后不再迭代。

应用举例

计算适应值

特点:
每经次一遗传算法步骤,问题解答便向着最优方向前进了一步;若该过程一直进行下去,就将最终走向全局的最优解。

遗传算法的每一步操作简单,并且系统的求解过程是依照计算方法与规律来决定,与本源问题自身的特性很少相关。

经典遗传算法的改进方向
1.精英保护法
为了保护每代种群中最优秀的个体，可以把种群中最优秀的个体挑选出来，直接复制到下- -代中去，故这种方法又称为精英选择法。
精英选择策略成功地改善了遗传算法的局部搜索特性,可以防止优秀个体由于复制、交叉或变异中的偶然因素而被破坏掉，是一种增强算法稳定性和收敛性的有效方法。

注意:实施精英选择法时,应避免使进化计算陷入局部极值,以致于丧失了算法从全局范围中搜索得到最优解的机会。

2.自适应变异概率选择法
若双亲基因十分接近，则生成的后代相对于双亲也必然很相似,导致了群体基因模式的单- -性，称之为“近亲繁殖”.近亲繁殖现象,将使进化历程减慢,甚至将导致过早收敛于局部极值解。

Darrel Wnitly提出了一种自适应变异概率选择方法:在进行交叉操作之前，首先以海明(Hamming)距离测定双亲基因码的差异，再根据测定值决定后代的变异概率Pm。
例如，当双亲差异较小时，则选取较大的变异概率Pm;反之，减小变异率。采用自适应变异概率选择法，增强算
法自身维持全局的搜索能力。

群智能算法

群智能优化算法原理

自然界中的昆虫、鸟群、鱼群等一些生物具有群体性的行为特征，计算机图形学家雷诺兹(C.Reynolds）认为以群落形式生存的生物在觅食时一般遵循以下三个规则。
1）分隔规则:尽可能避免与周边生物个体距离太近，造成拥挤;
2）对准规则:尽可能与周边生物个体的平均移动方向保持一致，向目标方向移动;
3）内聚规则:尽可能向周边生物个体的中心移动。

群智能优化算法在迭代过程中不断利用个体最优值与群体最优值进行寻优搜索，完成个体信息与群体信息的交互。在群智能优化算法中，个体最优值的随机性使得算法搜索方向具有多样性，能够避免算法收敛过早陷入局部最优;群体最优值能够把握全局寻优方向，提高算法的全局寻优能力，及时收敛。

算法特点
群智能优化算法主要用来求解一些复杂的、难以用传统算法解决的问题。与传统优化算法不同，群智能优化算法是一种概率搜索算法，具有以下几个特点。

具有较强的鲁棒性，群体中相互作用的个体是分布式的，没有直接的
控制中心，不会因少数个体出现故障而影响对问题的求解。
结构简单，易于实现，每个个体只能感知局部信息，个体遵循的规则
简单。
〉易于扩充，开销较少。
〉具有自组织性，群体表现出的智能复杂行为由简单个体交互而来。