遗传算法与智能算法综述
经典人工智能算法综述
经典人工智能算法综述一、专家系统专家系统是人工智能领域最早的知识工程技术之一，该技术首次在20世纪70年代末提出。
专家系统利用专家知识来解决特定问题，主要包括知识表示、知识推理和知识获取等方面。
专家系统常常包括知识库、推理机、用户接口等组成部分，通过模拟专家的经验和知识，来完成推理和决策。
专家系统在医疗、金融、制造等领域得到了广泛的应用，例如Dendral系统是一个专家系统，用于分析气相色谱质谱仪的输出数据以确定化合物的结构。
二、遗传算法遗传算法是一种模仿自然进化过程的搜索优化算法，它通过模拟自然选择、交叉和变异等进化过程来搜索问题的最优解。
遗传算法最早是由美国的约翰·霍兰德于20世纪60年代提出的。
遗传算法主要包括编码、选择、交叉、变异等操作，通过不断进化生成适应度更高的解，从而找到问题的最优解。
遗传算法在优化问题、机器学习、数据挖掘等领域得到了广泛的应用，例如在大规模旅行商问题、神经网络权值优化等问题上展现出了优势。
三、模糊逻辑模糊逻辑是一种用于表示不确定性、模糊性信息的逻辑系统，它在20世纪70年代被提出。
模糊逻辑将传统的逻辑二元关系扩展到了模糊的多值逻辑关系，使得不确定性、模糊性信息能够得到有效的处理。
模糊逻辑主要包括模糊集合理论、模糊关系、模糊推理等内容，被广泛应用于人工智能、控制系统、信息检索等领域。
例如在智能控制系统中，模糊逻辑被用于建模、推理，实现了对复杂系统的精确控制。
四、人工神经网络人工神经网络是一种模仿生物神经网络结构和功能的计算模型，它借鉴了大脑中的神经元和突触结构。
人工神经网络可以通过学习来自动地调整网络的连接权值，从而实现对信息的处理和识别。
人工神经网络于20世纪50年代被提出，并在之后得到了不断的改进和发展。
人工神经网络在模式识别、控制系统、金融预测等领域展现出了优势，例如AlphaGo就是基于深度神经网络的围棋程序，击败了世界冠军。
五、规则学习规则学习是指利用训练数据自动学习出数据中的规则并进行预测和决策的技术。
人工智能算法综述范文
人工智能算法综述范文人工智能（Artificial intelligence, AI）是一门研究如何使机器能够展示出与人类智能相仿的智能行为的学科。
人工智能算法是实现人工智能的关键技术之一，目前已经涌现出了众多不同的人工智能算法，为解决各种问题提供了有效的工具和方法。
本文将综述部分常见的人工智能算法，以便读者对此有一个基本的了解。
首先是最常见的机器学习算法。
机器学习是人工智能的核心内容之一，它通过让机器从数据中归纳出模式和规律，从而使机器能够做出预测和判断。
机器学习算法可以分为监督学习、无监督学习和强化学习三类。
在监督学习中，机器学习算法通过学习带有标签的训练数据来预测未知数据的标签。
常见的监督学习算法包括线性回归、决策树、支持向量机等。
在无监督学习中，机器学习算法在没有标签的情况下分析数据，寻找数据中的内在结构和模式。
常见的无监督学习算法包括聚类、降维等。
在强化学习中，机器学习算法通过与环境的交互来学习优化策略。
强化学习的经典算法包括Q-learning和深度强化学习等。
其次是常见的深度学习算法。
深度学习是机器学习的一个分支，它通过构建多层神经网络来提取高层次的特征，并实现对大规模数据的处理和分析。
深度学习算法可以解决传统机器学习算法难以解决的高维数据和复杂模式识别问题。
常见的深度学习算法包括卷积神经网络、循环神经网络等。
深度学习算法在图像识别、自然语言处理等领域取得了显著成果。
此外，还有一些其他的人工智能算法。
例如，遗传算法是一种模拟达尔文进化论的算法，通过模拟基因变异和适应度选择来寻找问题的最优解。
模糊逻辑是一种处理模糊信息的数学方法，可以用于模糊推理和决策。
贝叶斯网络是一种用于处理不确定性和概率推理的图模型。
综上所述，人工智能算法是实现人工智能的关键技术之一，包括机器学习算法、深度学习算法以及其他一些算法。
随着技术的发展和应用场景的增加，人工智能算法将继续得到广泛的应用和研究。
智能优化算法综述
智能优化算法综述智能优化算法（Intelligent Optimization Algorithms）是一类基于智能计算的优化算法，它们通过模拟生物进化、群体行为等自然现象，在空间中寻找最优解。
智能优化算法被广泛应用于工程优化、机器学习、数据挖掘等领域，具有全局能力、适应性强、鲁棒性好等特点。
目前，智能优化算法主要分为传统数值优化算法和进化算法两大类。
传统数值优化算法包括梯度法、牛顿法等，它们适用于连续可导的优化问题，但在处理非线性、非光滑、多模态等复杂问题时表现不佳。
而进化算法则通过模拟生物进化过程，以群体中个体之间的竞争、合作、适应度等概念来进行。
常见的进化算法包括遗传算法(GA)、粒子群优化(PSO)、人工蜂群算法(ABC)等。
下面将分别介绍这些算法的特点和应用领域。
遗传算法(Genetic Algorithm，GA)是模拟自然进化过程的一种优化算法。
它通过定义适应度函数，以染色体编码候选解，通过选择、交叉、变异等操作来最优解。
GA适用于空间巨大、多峰问题，如参数优化、组合优化等。
它具有全局能力、适应性强、并行计算等优点，但收敛速度较慢。
粒子群优化(Particle Swarm Optimization，PSO)是受鸟群觅食行为启发的优化算法。
它通过模拟成群的鸟或鱼在空间中的相互合作和个体局部来找到最优解。
PSO具有全局能力强、适应性强、收敛速度快等特点，适用于连续优化问题，如函数拟合、机器学习模型参数优化等。
人工蜂群算法(Artificial Bee Colony，ABC)是模拟蜜蜂觅食行为的一种优化算法。
ABC通过模拟蜜蜂在资源的与做决策过程，包括采蜜、跳舞等行为，以找到最优解。
ABC具有全局能力强、适应性强、收敛速度快等特点，适用于连续优化问题，如函数优化、机器学习模型参数优化等。
除了上述三种算法，还有模拟退火算法(Simulated Annealing，SA)、蚁群算法(Ant Colony Optimization，ACO)、混沌优化算法等等。
基于智能计算几种经典算法解析
基于智能计算几种经典算法解析智能计算是一种利用智能算法和技术解决问题的方法。
在智能计算领域，有许多经典的算法被广泛应用于数据分析、机器学习、优化问题等各种领域。
本文将介绍几种经典算法的基本原理和应用。
一、遗传算法（Genetic Algorithm，GA）遗传算法是一种受到生物进化理论启发的随机优化算法。
它模拟了生物进化的过程，通过遗传操作（交叉、变异）和选择操作，迭代地最优解。
遗传算法有广泛的应用领域，如函数优化、旅行商问题、机器学习等。
其基本原理是通过不断迭代的过程，逐步改进种群中个体的适应度，最终找到最优解。
二、粒子群优化算法（Particle Swarm Optimization，PSO）粒子群优化算法是一种模拟鸟群或鱼群行为的优化算法。
它参考了个体在群体中互相协作的行为方式，通过模拟每个个体的速度和位置的变化，来寻找最优解。
粒子群优化算法具有全局和局部的能力，被广泛应用于函数优化、模型参数选择等问题中。
三、模拟退火算法（Simulated Annealing，SA）模拟退火算法是一种模拟固体物质退火过程的随机优化算法。
它通过模拟固体退火过程中原子热运动的规律，来优化问题的最优解。
模拟退火算法具有一定的随机性，在过程中可以跳出局部最优解。
它在组合优化问题、图形划分、神经网络训练等领域得到了广泛的应用。
四、人工神经网络（Artificial Neural Network，ANN）人工神经网络是一种通过模拟人脑神经元之间的连接和传递信息的方式来解决问题的技术。
它由多个神经元（处理单元）组成，每个神经元接收来自其他神经元的输入，并通过一定的激活函数进行处理，产生输出。
人工神经网络可以通过训练来学习输入与输出之间的映射关系，广泛应用于模式分类、预测等领域。
以上介绍了几种经典的智能计算算法，它们在不同的问题领域中都有不同的应用。
这些算法基于不同的原理和思想，具有不同的特点和适用范围。
在实际应用中，根据问题的性质和要求，选择合适的算法进行求解可以提高效率和准确性。
人工智能中的遗传算法及其应用
人工智能中的遗传算法及其应用随着时代的不断进步和科技的迅猛发展，人工智能已经成为了当今社会中最热门的技术领域之一。
在各种人工智能应用中，遗传算法也被广泛运用，成为了一种非常重要的人工智能算法。
一、遗传算法简介遗传算法在20世纪60年代被首次提出，是计算机科学领域中的一种计算优化算法。
它是一种通过模拟自然进化过程的人工智能算法，其思想是模拟遗传和进化过程，并通过选择、交叉和变异等操作，不断地试错和进化，最终找到最优解。
遗传算法的过程大致包括以下几个步骤：1.初始化：随机生成一定规模的个体群体，这些个体的每个基因（或决策变量）都通过一定的方式表示。
2.适应度函数：给每个个体计算适应度值，作为其被选择的概率。
3.选择：根据适应度值对每个个体进行选择，从而得到下一代的群体。
4.交叉：在新的个体群体中，对两个个体进行交叉，生成新的个体。
5.变异：以一定的概率对新的个体进行基因的突变。
6.终止条件：当满足终止条件时，选择最终的最优解。
二、遗传算法的应用领域1.机器学习机器学习是人工智能领域中的一个重要分支，它通过让机器学习数据并自我调整，来实现智能化。
遗传算法可以用于机器学习的许多方面。
例如，某些机器学习算法需要一个能够优化参数的函数，使用遗传算法可以帮助机器学习算法通过优化参数，得到更好的结果。
2.优化问题优化问题是一类重要的计算问题，遗传算法可以通过不断地尝试，寻找最优解并优化问题。
例如，优化目标函数、机器学习参数优化等问题都可以通过遗传算法来解决。
3.智能控制遗传算法也可以应用于智能控制领域中。
在控制系统中，要不断地进行决策，使用遗传算法优化控制方案，可以实现更加高效的决策和控制。
三、遗传算法的优点与缺点1.优点：(1)全局寻优能力强。
(2)基于种群的方法和概率搜索策略，可以避免陷入局部最小值的问题。
(3)可以应用于各种不同的问题领域，例如问题优化，机器学习，智能控制领域等。
(4)算法简单易实现。
2.缺点：(1)需要大量的计算资源。
常见的群体智能算法
引言：随着技术的发展，群体智能算法正在成为解决复杂问题的有效方法之一。
群体智能算法是一类借鉴自然界群体行为的启发式优化算法，通过多个个体的相互协作与竞争，来求解复杂问题。
本文将介绍常见的群体智能算法，并对其原理、应用、优缺点进行详细阐述，以期帮助读者更好地理解和应用这些算法。
概述：群体智能算法的主要特点是通过模拟群体中个体的行为进行求解。
这种算法中个体之间通过信息交流、竞争和合作等方式实现问题的优化。
常见的群体智能算法包括遗传算法、粒子群优化算法、蚁群算法、人工鱼群算法和蜂群算法等。
下面将对这些算法的原理、应用以及优缺点进行详细介绍。
正文：一、遗传算法1.原理：遗传算法是一种通过模拟自然界的生物进化过程来优化问题的方法。
它通过染色体编码个体，利用交叉、变异等操作新的个体，并通过适应度函数评估个体的适应度。
然后，根据适应度选择优秀个体进行下一代的繁衍。
2.应用：遗传算法广泛应用于优化问题的求解，如函数优化、机器学习、图像处理等领域。
3.优缺点：优点：全局搜索能力强，易于并行化实现。
缺点：对问题的描述要求高，需要预先设定好适应度函数和编码方式。
二、粒子群优化算法1.原理：粒子群优化算法模拟鸟群或鱼群中的群体协作行为。
每个粒子代表一个潜在解，通过追随当前最优个体和个体之间的信息交流，来寻找最优解。
2.应用：粒子群优化算法广泛应用于连续优化问题的求解，例如参数优化、神经网络训练等。
3.优缺点：优点：收敛速度快，易于实现。
缺点：容易陷入局部最优。
三、蚁群算法1.原理：蚁群算法模拟蚂蚁在寻找食物时的行为。
蚂蚁通过信息素的释放和感知，选择路径并与其他蚂蚁相互交流，最终找到最短路径。
2.应用：蚁群算法广泛应用于路径规划、调度问题等领域。
3.优缺点：优点：适用于离散问题，具有较好的全局搜索能力。
缺点：参数设置较为复杂，易于陷入局部最优。
四、人工鱼群算法1.原理：人工鱼群算法模拟鱼群觅食的行为。
每个鱼代表一个潜在解，通过觅食、追随和扩散等行为寻找最优解。
简述各种人工智能算法和其特点
简述各种人工智能算法和其特点
人工智能算法是指模拟人类智能的计算机程序，它可以自主地学习、推理和执行任务。
目前人工智能算法主要包括以下几种：
1. 机器学习算法
机器学习算法是人工智能的核心算法之一，其主要目的是让机器能够自动从数据中学习，并根据学习结果改进算法。
机器学习算法主要分为监督学习、无监督学习和强化学习三种类型。
2. 深度学习算法
深度学习算法是一种基于多层神经网络的人工智能算法，其主要特点是可以自动提取数据中的特征，并进行分类和预测。
深度学习算法广泛应用于图像识别、语音识别、自然语言处理等领域。
3. 基于规则的推理算法
基于规则的推理算法是一种基于先验知识的人工智能算法，它通过对先验知识的描述和推理，生成新的知识和结论。
基于规则的推理算法广泛应用于专家系统、智能问答等领域。
4. 遗传算法
遗传算法是一种模拟自然选择和遗传机制的人工智能算法，它通过对个体基因的交叉、变异和选择，逐步演化出适应环境的解决方案。
遗传算法广泛应用于优化问题和搜索问题等领域。
5. 神经进化算法
神经进化算法是一种将神经网络和遗传算法结合起来的人工智能算法，它通过基因编码来表示神经网络结构和参数，并通过遗传算法来优化神经网络。
神经进化算法广泛应用于控制问题和模式识别等领域。
总体而言，不同的人工智能算法在应用场景和算法特点上存在很大的差异，我们需要根据具体应用场景选择合适的算法来实现人工智能的目标。
智能算法的TSP算法求解文献综述
文献综述题目：智能算法的TSP算法求解文献综述学生姓名：系别：数学物理系专业年级： 2012级信息与计算科学学号： 20120702015年 6 月 30日智能算法的TSP算法求解1 简介TSP问题为组合优化中的经典问题，已经证明为一NP完全问题，即其最坏情况下的时间复杂性随着问题规模的扩大，按指数方式增长，到目前为止不能找到一个多项式时间的有效算法。
遗传算法是一种进化算法，其基本原理是仿效生物界中的“物竞天择，适者生存”的演化法则。
遗传算法把问题参数编码为染色体，再按照所选择的适应度函数，利用迭代的方式进行选择、交叉、变异以及进化逆转等运算对个体进行筛选和进化，使适应值大的个体被保留，适应值小的个体被淘汰，新的群体继承了上一代的信息，又优于上一代，这样反复循环，直至满足条件，最后留下来的个体集中分布在最优解的周围，筛选出最优个体作为问题的解。
2 基于遗传算法TSP算法2.1 基于遗传算法的TSP算法总体框架TSP问题的遗传算法包括编码设计、种群初始化、适应度函数选择、终止条件设定、选择操作设定、交叉操作设定以及变异操作设定和进化逆转操作.为简化TSP问题的求解，假设每个城市和其它任意一个城市之间都以欧氏距离，直接相连.遗传算法TSP问题的流程图如图1所示。
.N2.2 算法的详细设计2.2.1 解空间的表示方式遗传算法对解空间的表示大多采用二进制编码形式，但是二进制编码方式不适合TSP 问题的解的表示，因为它要求特殊的修补算子来修复变化算子所产生的非法路径（即不可行路径）.给出城市编号，用十进制数编码来表示解更合适，例如：近邻表示、次序表示和路径表示等等.这里采用了最简单的路径表示法.它是最自然、最接近人类思维的表示法。
2.2.2 种群初始化种群的规模选择应适当，盲目的增大种群规模不能使算法得到改进，反而大大增加了计算的开销。
2.2.3 适应度函数适应度表明个体或解的优劣性，不同的问题，适应度函数的定义方式也不同，优化的目标就是选择适应度函数值尽可能大的染色体，适应度函数值越大的染色体越优质，反之越劣质.求得种群中所有个体的适应值后，将适应值最大的个体保存起来，到演化完毕时，这个个体就是最后要求的最优解。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
遗传算法与智能算法综述摘要：随着计算机技术的飞速开展，智能计算方法的运用范围也越来越普遍，本文引见了以后存在的一些智能计算方法，论述了其任务原理和特点，同时对智能计算方法的开展停止了展望。
关键词：人工神经网络遗传算法模拟退火算法群集智能蚁群算法粒子群算1 什么是智能算法智能计算也有人称之为〝软计算〞，是们受自然〔生物界〕规律的启迪，依据其原理，模拟求解效果的算法。
从自然界失掉启迪，模拟其结构停止发明发明，这就是仿生学。
这是我们向自然界学习的一个方面。
另一方面，我们还可以应用仿生原理停止设计(包括设计算法)，这就是智能计算的思想。
这方面的内容很多，如人工神经网络技术、遗传算法、模拟退火算法、模拟退火技术和群集智能技术等。
2 人工神经网络算法〝人工神经网络〞(ARTIFICIAL NEURAL NETWORK，简称ANN)是在对人脑组织结构和运转机制的看法了解基础之上模拟其结构和智能行为的一种工程系统。
早在本世纪40年代初期，心思学家McCulloch、数学家Pitts就提出了人工神经网络的第一个数学模型，从此开创了神经迷信实际的研讨时代。
其后，F Rosenblatt、Widrow和J. J .Hopfield等学者又先后提出了感知模型，使得人工神经网络技术得以蓬勃开展。
神经系统的基本结构是神经元(神经细胞)，它是处置人体内各局部之间相互信息传递的基本单元。
据神经生物学家研讨的结果说明，人的一个大脑普通有1010～1011个神经元。
每个神经元都由一个细胞体，一个衔接其他神经元的轴突和一些向外伸出的其它较短分支——树突组成。
轴突的功用是将本神经元的输入信号(兴奋)传递给别的神经元。
其末端的许多神经末梢使得兴奋可以同时传送给多个神经元。
树突的功用是接受来自其它神经元的兴奋。
神经元细胞体将接遭到的一切信号停止复杂处置(如：加权求和，即对一切的输入信号都加以思索且对每个信号的注重水平——表达在权值上——有所不同)后由轴突输入。
神经元的树突与另外的神经元的神经末梢相连的局部称为突触。
2.1 人工神经网络的特点人工神经网络是由少量的神经元普遍互连而成的系统，它的这一结构特点决议着人工神经网络具有高速信息处置的才干。
人脑的每个神经元大约有103～104个树突及相应的突触，一团体的大脑总计约构成1014～1015个突触。
用神经网络的术语来说，即是人脑具有1014～1015个相互衔接的存储潜力。
虽然每个神经元的运算功用十分复杂，且信号传输速率也较低(大约100次/秒)，但由于各神经元之间的极度并行互连功用，最终使得一个普通人的大脑在约1秒内就能完成现行计算机至少需求数10亿次处置步骤才干完成的义务。
人工神经网络的知识存储容量很大。
在神经网络中，知识与信息的存储表现为神经元之间散布式的物理联络。
它分散地表示和存储于整个网络内的各神经元及其连线上。
每个神经元及其连线只表示一局部信息，而不是一个完整详细概念。
只要经过各神经元的散布式综合效果才干表达出特定的概念和知识。
由于人工神经网络中神经元个数众多以及整个网络存储信息容量的庞大，使得它具有很强的不确定性信息处置才干。
即使输入信息不完全、不准确或模糊不清，神经网络依然可以联想思想存在于记忆中的事物的完整图象。
只需输入的形式接近于训练样本，系统就能给出正确的推理结论。
正是由于人工神经网络的结构特点和其信息存储的散布式特点，使得它相关于其它的判别识别系统，如：专家系统等，具有另一个清楚的优点：强健性。
生物神经网络不会由于一般神经元的损失而失掉对原有形式的记忆。
最有力的证明是，当一团体的大脑因不测事故受细微损伤之后，并不会失掉原有事物的全部记忆。
人工神经网络也有相似的状况。
因某些缘由，无论是网络的硬件完成还是软件完成中的某个或某些神经元失效，整个网络依然能继续任务。
人工神经网络是一种非线性的处置单元。
只要当神经元对一切的输入信号的综合处置结果超越某一门限值后才输入一个信号。
因此神经网络是一种具有高度非线性的超大规模延续时间动力学系统。
它打破了传统的以线性处置为基础的数字电子计算机的局限，标志着人们智能信息处置才干和模拟人脑智能行为才干的一大飞跃。
2.2 几种典型神经网络简介2.2.1 多层感知网络(误差逆传达神经网络)在1986年以Rumelhart和McCelland为首的迷信家出版的«Parallel Distributed Processing»一书中，完整地提出了误差逆传达学习算法，并被普遍接受。
多层感知网络是一种具有三层或三层以上的阶级型神经网络。
典型的多层感知网络是三层、前馈的阶级网络，即：输入层I、隐含层(也称中间层)J 和输入层K。
相邻层之间的各神经元完成全衔接，即下一层的每一个神经元与上一层的每个神经元都完成全衔接，而且每层各神经元之间无衔接。
但BP网并不是十分的完善，它存在以下一些主要缺陷：学习收敛速度太慢、网络的学习记忆具有不动摇性，即：当给一个训练好的网提供新的学习记忆形式时，将使已有的衔接权值被打乱，招致已记忆的学习形式的信息的消逝。
2.2.2 竞争型(KOHONEN)神经网络它是基于人的视网膜及大脑皮层对剌激的反响而引出的。
神经生物学的研讨结果说明：生物视网膜中，有许多特定的细胞，对特定的图形(输入形式)比拟敏感，并使得大脑皮层中的特定细胞发生大的兴奋，而其相邻的神经细胞的兴奋水平被抑制。
关于某一个输入形式，经过竞争在输入层中只激活一个相应的输入神经元。
许多输入形式，在输入层中将激活许多个神经元，从而构成一个反映输入数据的〝特征图形〞。
竞争型神经网络是一种以无教员方式停止网络训练的网络。
它经过自身训练，自动对输入形式停止分类。
竞争型神经网络及其学习规那么与其它类型的神经网络和学习规那么相比，有其自己的鲜明特点。
在网络结构上，它既不象阶级型神经网络那样各层神经元之间只要单向衔接，也不象全衔接型网络那样在网络结构上没有清楚的层次界限。
它普通是由输入层(模拟视网膜神经元)和竞争层(模拟大脑皮层神经元，也叫输入层)构成的两层网络。
两层之间的各神经元完成双向全衔接，而且网络中没有隐含层。
有时竞争层各神经元之间还存在横向衔接。
竞争型神经网络的基本思想是网络竞争层各神经元竞争对输入形式的照应时机，最后仅有一个神经元成为竞争的胜者，并且只将与获胜神经元有关的各衔接权值停止修正，使之朝着更有利于它竞争的方向调整。
神经网络任务时，关于某一输入形式，网络中与该形式最相近的学习输入形式相对应的竞争层神经元将有最大的输入值，即以竞争层获胜神经元来表示分类结果。
这是经过竞争得以完成的，实践上也就是网络回想联想的进程。
除了竞争的方法外，还有经过抑制手腕获取成功的方法，即网络竞争层各神经元抑制一切其它神经元对输入形式的照应时机，从而使自己〝崭露头角〞，成为获胜神经元。
除此之外还有一种称为侧抑制的方法，即每个神经元只抑制与自己临近的神经元，而对远离自己的神经元不抑制。
这种方法经常用于图象边缘处置，处置图象边缘的缺陷效果。
竞争型神经网络的缺陷和缺乏：由于它仅以输入层中的单个神经元代表某一类形式。
所以一旦输入层中的某个输入神经元损坏，那么招致该神经元所代表的该形式信息全部丧失。
2.2.3 Hopfield神经网络1986年美国物理学家J.J.Hopfield陆续宣布几篇论文，提出了Hopfield神经网络。
他应用非线性动力学系统实际中的能量函数方法研讨反应人工神经网络的动摇性，并应用此方法树立求解优化计算效果的系统方程式。
基本的Hopfield神经网络是一个由非线性元件构成的全衔接型单层反应系统。
网络中的每一个神经元都将自己的输入经过衔接权传送给一切其它神经元，同时又都接纳一切其它神经元传递过去的信息。
即：网络中的神经元t时辰的输入形状实践上直接地与自己的t-1时辰的输入形状有关。
所以Hopfield神经网络是一个反应型的网络。
其形状变化可以用差分方程来表征。
反应型网络的一个重要特点就是它具有动摇形状。
当网络到达动摇形状的时分，也就是它的能量函数到达最小的时分。
这里的能量函数不是物理意义上的能量函数，而是在表达方式上与物理意义上的能量概念分歧，表征网络形状的变化趋向，并可以依据Hopfield任务运转规那么不时停止形状变化，最终可以到达的某个极小值的目的函数。
网络收敛就是指能量函数到达极小值。
假设把一个最优化效果的目的函数转换成网络的能量函数，把效果的变量对应于网络的形状，那么Hopfield神经网络就可以用于处置优化组分解绩。
关于异样结构的网络，当网络参数(指衔接权值和阀值)有所变化时，网络能量函数的极小点(称为网络的动摇平衡点)的个数和极小值的大小也将变化。
因此，可以把所需记忆的形式设计成某个确定网络形状的一个动摇平衡点。
假定网络有M个平衡点，那么可以记忆M个记忆形式。
当网络从与记忆形式较接近的某个初始形状(相当于发作了某些变形或含有某些噪声的记忆形式，也即：只提供了某个形式的局部信息)动身后，网络按Hopfield任务运转规那么停止形状更新，最后网络的形状将动摇在能量函数的极小点。
这样就完成了由局部信息的联想进程。
Hopfield神经网络的能量函数是朝着梯度减小的方向变化，但它依然存在一个效果，那就是一旦能量函数堕入到局部极小值，它将不能自动跳出局部极小点，抵达全局最小点，因此无法求得网络最优解。
3 遗传算法遗传算法〔Genetic Algorithms〕是基于生物退化实际的原理开展起来的一种广为运用的、高效的随机搜索与优化的方法。
其主要特点是群体搜索战略和群体中集体之间的信息交流，搜索不依赖于梯度信息。
它是在70年代初期由美国密执根〔Michigan〕大学的霍兰〔Holland〕教授开展起来的。
1975年霍兰教授宣布了第一本比拟系统论述遗传算法的专著«自然系统与人工系统中的顺应性»〔«Adaptation in Natural and Artificial Systems»〕。
遗传算法最后被研讨的动身点不是为专门处置最优化效果而设计的，它与退化战略、退化规划共同构成了退化算法的主要框架，都是为事先人工智能的开展效劳的。
迄今为止，遗传算法是退化算法中最广为人知的算法。
近几年来，遗传算法主要在复杂优化效果求解和工业工程范围运用方面，取得了一些令人信服的结果，所以惹起了很多人的关注。
在开展进程中，退化战略、退化规划和遗传算法之间差异越来越小。
遗传算法成功的运用包括：作业调度与排序、牢靠性设计、车辆途径选择与调度、成组技术、设备布置与分配、交通效果等等。
3.1 特点遗传算法是处置搜索效果的一种通用算法，关于各种通用效果都可以运用。
搜索算法的共同特征为：①首先组成一组候选解；②依据某些顺应性条件测算这些候选解的顺应度；③依据顺应度保管某些候选解，坚持其他候选解；④对保管的候选解停止某些操作，生成新的候选解。