计算智能-遗传算法模板

§1. 概述
总结：
计算智能是一种智力方式的低层认知，它与人工智能的区 别只是认知层次从中层下降到低层而已。中层系统含有知识(精 品)，低层系统则没有。 若一个系统只涉及数值(低层)数据，含有模式识别部分，不 应用人工智能意义上的知识，而且能够呈现出：①计算适应性； ②计算容错性；③接近人的速度；④误差率与人相近，则该系 统就是计算智能系统。 若一个智能计算系统以非数值方式加上知识(精品)值，即成 为人工智能系统。
图灵测试
上述两种对话的区别在于，第一种可明显地感到回答者是从知 识库里提取简单的答案，第二种则具有分析综合的能力，回答 者知道观察者在反复提出同样的问题。
§2. 遗传算法
遗传算法是源于达尔文生物进化理论的“自然选择 ”、“适者生存”法则而提出的一种搜索寻优算法。基 本思想：将每个可能的问题解表示成“染色体”，从而 得到一个由染色体组成的“群体”，这个群体被限制在 问题特定的环境里，根据预定的目标函数对每个个体进 行评价，给出了一个合适度值。开始时总是随即地产生 一些个体，即侯选解，利用遗传算法对这些个体按”适 者”有更多的机会生存的原则进行交叉组合产生后代， 后代由于继承了父代的一些优良性状，因而明显优于上 一代，这样“染色体”的群体将逐步朝着更优解的方向 进化。
计算智能
计算智能涉及神经计算、模糊计算、进化计算和人 工生命等领域，这些研究领域体现出生命科学与信息 科学的紧密结合，也是广义人工智能力图研究和摹仿 人类和动物智能(主要是人类的思维过程和智力行为) 的重要进展。
把计算智能理解为智力的低层认知，它主要取决于 数值数据而不依赖于知识。人工智能是在计算智能的 基础上引入知识而产生的智力中层任知。生物智能， 尤其是人类智能，则是最高层的智能。即CIAIBI。
000……00=0 000……01=1 ∶ ∶ ∶∶ 111……11=2l-1 → B B – A l x=A + ———— .∑xi.2i-1 2l – 1 i=1 → A → A + 其中Bຫໍສະໝຸດ - A = ———— 2l - 1
假设某一个体的编码是：X:xlxl-1xl-2…x2x1 则二进制编码所对应的解码公式为 缺点:长度较大
§2.2 遗传算法的求解步骤
例 ， x 属 于 [0,1023] 用 长 度 为 10 的 二 进 制 进 行 编 码 ， 则 x=0010101111，表示一个个体，对应175，编码精度为1.
3.常用的编码方法： ⑵.浮点数编码 个体的每个染色体用某一范围内的一个浮点数来表示,个 体的编码长度等于其变量的个数。
⑶.格雷码
连续的两个整数所对应的编码值之间只有一个码位是不相
2.交叉
是GA中最主要的遗传操作，其工作于选择过程结束后产生的下一代群体。 交叉操作应用于从这一群体中随机选择的一系列个体对（串对）。 SGA采用的是单点交换。设串长为L，交换操作将随机选择一个交换点 （对应于从1到L-1的某个位置序号），紧接着两串交换点右边的子串互换，从 而产生了两个新串。例如，设Ａ1，Ａ2为要交换的串，交换点被随机选择为7 （串长为10）。 Ａ1＝1000011111 Ａ2＝1111111011 交换得新串Ａ1'，Ａ2'： Ａ1'＝1000011011 Ａ2'＝1111111111 当然，并非所有选中的串对都会发生交换。这些串对发生交换的概率是Pc。 Pc为事先指定的0－1之间的值，称为交换率。
§2.2 遗传算法的求解步骤
一.遗传算法的特点
遗传算法是一种基于空间搜索的算法，它通过自然选择、遗 传、变异等操作以及达尔文适者生存的理论，模拟自然进化过程 来寻找所求问题的解答。遗传算法具有以下特点：
1. 遗传算法是对参数集合的编码而非针对参数本身进行进化；
2. 遗传算法是从问题解的编码组开始而非从单个解开始搜索； 3. 遗传算法利用目标函数的适应度这一信息而非利用导数或其 它辅助信息来指导搜索； 4. 遗传算法利用选择、交叉、变异等算子而不是利用确定性规
§2. 遗传算法
遗传算法的基本过程： begin 1. 选择适当表示，生成初始群体； 2. 评估群体； 3. While 未达到要求的目标 do begin 1. 选择作为下一代群体的各个体； 2. 执行交换和突变操作； 3. 评估群体； end end
§2. 遗传算法
对于一个SGA算法来说主要涉及以下内容： · 编码和初始群体生成； · 群体的评价； · 个体的选择； · 交换； · 突变；
图灵测试
图灵测试一词来源于计算机科学和密码学的先驱阿 兰· 麦席森· 图灵：1950年设计出这个测试，其内容是， 如果电脑能在5分钟内回答由人类测试者提出的一系 列问题，且其超过30%的回答让测试者误认为是人类 所答，则电脑通过测试。 2014 年 6 月 7 日 是 计 算 机 科 学 之 父 阿 兰 · 图 灵 （ Alan Turing ）逝世 60 周年纪念日。这一天，在英国皇家学 会举行的“ 2014 图灵测试”大会上，聊天程序“尤 金· 古斯特曼”（ Eugene Goostman ）首次“通过”了 图灵测试。
例如：10100110 对从右往左的第5位进行变异操作 10110110
四.控制参数
1.交叉概率和变异概率
并不是所有被选择了的染色体都要进行交叉操作和变异操作，而是以一定
的概率进行，一般在程序设计中交叉发生的概率要比变异发生的概率选取得大
若干个数量级，交叉概率取0.6至0.95之间的值；变异概率取0.001至0.01之间的 值。
则进行随机操作。
§2.2 遗传算法的求解步骤
最主要的特点体现在下述两个方面:
.智能性
进化算法的智能性包括自组织、自适应和自学习等。应用进化算法求 解问题时,在确定了编码方案、适应值函数和遗传算子以后，算法将利用进 化过程中获得的信息自行组织搜索。进化算法的这种智能性特征同时赋予 了它具有根据环境的变化自动发现环境的特性和规律的能力。 .本质并行性 进化算法的本质并行性表现在两个方面:一是进化算法是内在并行的， 即进化算法本身非常适合大规模并性。二是进化算法的内含并行性，由于 进化算法采用种群的方式组织搜索，因而它可以搜索解空间内的多个区域， 并相互交流信息。
计算智能
§1. 概述 §2. 遗传算法 §3. 粒子群算法 §4. 神经网络
§1. 概述
什么是计算智能，它与传统的人工智能的区别？
第一个对计算智能的定义是由贝兹德克(Bezdek)于 1992年提出的。他认为，从严格意义上讲，计算智能 取决于制造者提供的数值数据，而不依赖于知识；另 一方面，人工智能则应用知识精品。
同的，其余码位都完全相同。
(4).符号编码 用无实际意义的符号进行编码，如{A，B,C，D}，或{1，2， 3，4，5，6}
二.适应度函数 为了体现染色体的适应能力而引入的对问题中的每一个染色体 都能进行度量的函数。通过适应度函数来决定染色体的优、劣程 度，它体现了自然进化中的优利劣汰原则。
例如：
2.种群规模
指种群的染色体总数，它对算法的效率有明显的影响，规模太小不得于 进化，而规模太大将导致程序运行时间长。对不同的问题可能有各自适合的种 群规模，通常种群规模为30至100。
3.个体长度
有定长和变长两种。它对算法的性能也有影响。
举例：
来说明遗传算法的一个进化循环。设每一串的长度为10，共有4个串组成第一 代群体（POP1），目标函数（适应函数）为各位值之和
3.变异 一般在交换后进行。突变操作的对象是个体（即串），旨在改 变串中的某些位的值，即由0变为1，或由1变为0。并非所有位都 能发生变化，每一位发生变化的概率是Pm。Pm为事先指定的0－ 1之间的某个值，称为变异率。串中每一位的突变是独立的，即某 一位是否发生突变并不影响其它位的变化。变异的作用是引进新 的遗传物质或恢复已失去的遗传物质。例如，若群体的各串中每 一位的值均为0，此时无论如何交换都不能产生有1的位，只有通 过突变。
三.遗传操作
简单遗传算法的遗传操作主要有三种:选择(selection)、交叉(crossover)、变 异(mutation)。改进的遗传算法大量扩充了遗传操作，以达到更高的效率。
1.选择操作
也叫复制操作，对自然界“适者生存”的模拟。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。 一般地说，选择将使适应度较大(优良)个体有较大的存在机会，而适应度较 小（低劣）的个体继续存在的机会也较小。简单遗传算法采用赌轮选择机制， 令Σfi表示群体的适应度值之总和，fi表示种群中第i个染色体的适应度值，它产 生后代的能力正好为其适应度值所占份额fi／Σfi。
实例1：3-PRR并联定位平台的运动学标定
工作空间：±50mm，±10°
PRO/E中的机械设计图
3-PRR并联平台实物样机
实例1：3-PRR并联定位平台运动学模型
由并联平台矢量约束关系
lOP lPCi lOAi l Ai Bi lBiCi
可得到动平台在工作空间内任 意位姿下，三个直线超声电机 的运动学逆解
对优化问题，适应度函数就是目标函数。
TSP的目标是路径总长度为最短，路径总长度的倒数就可以为TSP的适应度函 数：
适应度函数要有效反映每一个染色体与问题的最优解染色体之
间的差距，一个染色体与问题的最优解染色体之间的差距小，则对
应的适应度函数值之差就小，否则就大。遗传算法中的适应度函数 以越大越接近最优解为准，这与他轮盘概率选择下一代相关。
实例1：3-PRR并联定位平台运动学标定
令上式等号左边为Ei，i=1,2,3
选取N组位形，求得相应电机输出，驱动电机 到理论位置测得实际平台位形，基于粒子群算 法求得使J小于一定误差时的
实例1：3-PRR并联定位平台运动学标定
1. Zhang Q, Mills J K, Cleghorn W L, et al. Dynamic model and input shaping control of a flexible link parallel manipulator considering the exact boundary conditions[J]. Robotica, 2015, 33(06): 1201-1230. 2.周丽平, 张泉, 孙志峻. 直线超声电机驱动的平面 3-PRR 并联平台的运动学标定 [J]. 机器人 , 2014, 36(4): 485490.