遗传算法与智能算法综述

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