2015年《計算智能》復習資料

《2015年《計算智能》復習資料》由會員分享，可在線閱讀，更多相關(guān)《2015年《計算智能》復習資料（8頁珍藏版）》請在裝配圖網(wǎng)上搜索。

1、2015 年《計算智能》復習資料 一、 填空題 1. 主流學派把人工智能分成：（邏輯主義）、（連結(jié)主義）和（行為主義）三大學派。 計算智能有：（神經(jīng)網(wǎng)絡(luò)）、（進化算法）和（群體智能）三個分支學派。神經(jīng)網(wǎng)絡(luò)根據(jù)網(wǎng)絡(luò)學 習方法可分為（有監(jiān)督學習）、（無監(jiān)督學習）和（再勵學習）三種形式。BP網(wǎng)絡(luò)模型的 分為三層包括（輸入層）、（隱藏層） 和（輸出層）。人工神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程可歸結(jié)為（萌 芽期）、（ 低潮反思期）、（復興發(fā)展時期和（高速發(fā)展時期）四個時期。遺傳算法借用生 物遺傳學的觀點，是一種全局優(yōu)化算法，（選擇算子）、（ 交叉算子）和（變異算子）被認 為是遺傳算法的三種基本操作算子。人工神經(jīng)網(wǎng)絡(luò)

2、有：M-P感知機、BP神經(jīng)網(wǎng)絡(luò)、前饋內(nèi) 層互聯(lián)網(wǎng)絡(luò)、反饋網(wǎng)絡(luò)、全互聯(lián)網(wǎng)絡(luò)等幾種模型。人工神經(jīng)元之間通過互相聯(lián)接形成網(wǎng)絡(luò)， 稱為人工神經(jīng)網(wǎng)絡(luò)。 2. 遺傳算法的實現(xiàn)主要包括7 個方面，染色體編碼、群體的初始化、適應值評價、 種群選擇、交叉、變異和算法流程； 3. 免疫算法的七個要素:識別抗體，生成初始化的抗體，計算親和度，記憶細胞分 化，抗體促進和抑制，產(chǎn)生新的抗體，結(jié)束條件。 4. 遺傳算法的基本原理：A、編碼與譯碼：將問題結(jié)構(gòu)變換為位串形式編碼表示的 過程叫編碼；反之，將位串形式編碼表示變換為原問題結(jié)構(gòu)的過程叫譯碼。B、適應度函 數(shù)：為了體現(xiàn)個體的適應能力，引入了對問題中的每一個個體都

3、能進行度量的函數(shù)，稱為 適應度函數(shù)。C、遺傳操作：主要有三種（選擇、交叉、變異）選擇操作也叫復制操作， 根據(jù)個體的適應度函數(shù)值所度量的優(yōu)劣程度決定它在下一代是被淘汰還是被遺傳。交叉操 作：它的簡單方式是將被選擇出的兩個個體P1和P2作為父母個體，將兩者的部分碼值進 行交換。變異操作：它的簡單方式是改變數(shù)碼串的某個位置上的數(shù)碼。 5. 模擬退火算法的來源：模擬退火算法來源于固體退火原理，將固體加熱至充分 高的溫度，再讓其徐徐冷卻，加溫時，固體內(nèi)部粒子隨溫度的升高而變?yōu)闊o序狀態(tài)，內(nèi)能 增大，而徐徐冷卻時粒子漸趨有序，在每個溫度都達到平衡態(tài)，最后在常溫時達到基態(tài)， 內(nèi)能減為最小。模擬退火算法分解為

4、三個部分：解空間、目標函數(shù)、初始解. 二、簡答題 1、 生物神經(jīng)元的六個基本特征。 1、神經(jīng)元及其聯(lián)結(jié)2、聯(lián)結(jié)強度決定信號傳遞的強弱3、聯(lián)結(jié)強度可以隨訓練而改變 4、信號可以是刺激作用的，也可以是抑制的 5、一個神經(jīng)元接受的信號的累積效果決定該 神經(jīng)元的狀態(tài) 6、每個神經(jīng)元可以有一個“閾值” 2、 智能是指人認識客觀事物并運用知識解決實際問題，它集中表現(xiàn)在反映客觀事物的深 刻、正確、完全的程度上，以及應用知識解決實際問題的速度和質(zhì)量上，往往通過觀察、 記憶、判斷、聯(lián)想和創(chuàng)造等表現(xiàn)出來，簡單說，智能就是認識事物，解決問題。 3、 機器智能：假設(shè)一個人在房間一臺機器，另一個房間有一個人，

5、當人們提出問題讓他 們分別作答，而提問的人分辨不出是哪個人回答，哪個是機器回答的就認為機器有了智能。 4、 人工智能:就是利用計算機來表示或執(zhí)行人類的智能活動，例如用計算機判斷、學習、 決策、識別、理解、求解問題等。 三、簡述題 1、簡述人工神經(jīng)網(wǎng)絡(luò)的特點。（4個） 1、復雜非線性函數(shù)的逼近：人工神經(jīng)網(wǎng)絡(luò)是高度非線性動力學系統(tǒng)，非線性函數(shù)可 以是連續(xù)的、也可以是離散的，結(jié)構(gòu)可以是單層的、也可以是多層的。 2、具有分布式信 息存儲特點、可塑性：所有定量、定性的信息都等勢分布于網(wǎng)絡(luò)內(nèi)的各個神經(jīng)元，大量 神經(jīng)元之間通過不同連接方式和權(quán)值分布來表征特定的信息。個別神經(jīng)元或局部網(wǎng)絡(luò)受 損時，神經(jīng)

6、網(wǎng)絡(luò)可以依靠現(xiàn)有的存儲實現(xiàn)對數(shù)據(jù)的聯(lián)想記憶功能。 3、具有巨量信息并行 處理和大規(guī)模平行計算能力：每個神經(jīng)元對所接受的信息作相對獨立的處理，但各個神 經(jīng)元之間可以并行、協(xié)同地工作；人腦每個神經(jīng)元很簡單，但由于大腦總計形成 10E14-15 個突觸，使得人腦1s內(nèi)可完成計算機至少需要10億處理步驟才能完成的任務(wù)。4、具有 自組織、自學習功能：人工神經(jīng)網(wǎng)絡(luò)可以根據(jù)所在的環(huán)境去改變它的行為，可以按要求 產(chǎn)生從未遇到的模式—“抽象”功能；神經(jīng)網(wǎng)絡(luò)間的連接網(wǎng)絡(luò)權(quán)值可以通過自學習過程不斷 地修正；能在某些輸入不確定或默認情況下，根據(jù)一定的學習規(guī)則自主地從樣本中學習 達到自適應不知道或不確定的系統(tǒng)。 2

7、、簡要地描述BP算法過程和用MATLAB軟件進行仿真的總體步驟，并列出五個仿 真過程中必不可少的函數(shù)。 答：BP算法是一種ANN的誤差反向傳播訓練算法，這種網(wǎng)絡(luò)不僅有輸入節(jié)點、輸出 節(jié)點，還有一層或多層隱含節(jié)點。對于輸入信息要先向前傳播到隱含層的節(jié)點上，經(jīng)過各 單元的特性為 SIGMOID 型的激活函數(shù)運算后，把隱含節(jié)點的輸出信息傳播到輸出節(jié)點，最 后給出輸出結(jié)結(jié)果。網(wǎng)絡(luò)學習過程由正向和反向傳播兩部分組成。在正向傳播過程中，每 一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元網(wǎng)絡(luò)。如果輸出層不能得到期望輸出，就是實際輸 出值與期望輸出值之間有誤差，那么轉(zhuǎn)入反向傳播過程，將誤差信號沿原來的連接通路返 回，通

8、過修改各層神經(jīng)元的權(quán)值，逐次地向輸入層傳播去進行計算，再經(jīng)過正向傳播過程， 這兩個過程的反復運用，使得誤差信號最小，實際上，誤差達到所希望的要求時，網(wǎng)絡(luò)的 學習過程就結(jié)束。應用 MATLAB 進行仿真時，有五個必要過程： 問題描述，數(shù)據(jù)標準化、網(wǎng)絡(luò)初始化，網(wǎng)絡(luò)訓練，網(wǎng)絡(luò)測試。相關(guān)函數(shù)： newff:生成一個前饋BP網(wǎng)絡(luò)；logsig: sigmoid傳遞函數(shù)；nitff:前向網(wǎng)絡(luò)初始化；trainbp: 利用BP算法訓練前向網(wǎng)絡(luò)；learnbp:反向傳播學習規(guī)則;errsurf:計算誤差曲面函數(shù)； 人工智能的研究發(fā)展階段 ： 第一階段：50 年代人工智能的興起和冷落：人工智能概念首次提

9、出后，相繼出現(xiàn)了 一批顯著的成果，如機器定理證明、跳棋程序、通用問題 s 求解程序、 LISP 表處理語言等。 但由于消解法推理能力的有限，以及機器翻譯等的失敗，使人工智能走入了低谷。第二階 段: 60年代末到70年代，專家系統(tǒng)出現(xiàn)，使人工智能研究出現(xiàn)新高潮。DENDRAL化學質(zhì) 譜分析系統(tǒng)、MYCIN疾病診斷和治療系統(tǒng)、PROSPECTIOR探礦系統(tǒng)、Hearsay-ll語音理解系 統(tǒng)等專家系統(tǒng)的研究和開發(fā)，將人工智能引向了實用化。并且， 1969 年成立了國際人工智 能聯(lián)合會議。第三階段：80 年代，隨著第五代計算機的研制，人工智能得到了很大發(fā)展。 日本1982年開始了”第五代計算機研制計

10、劃”，即”知識信息處理計算機系統(tǒng)KIPS”，其 目的是使邏輯推理達到數(shù)值運算那么快。第四階段：80 年代末，神經(jīng)網(wǎng)絡(luò)飛速發(fā)展。1987 年，美國召開第一次神經(jīng)網(wǎng)絡(luò)國際會議，宣告了這一新學科的誕生。此后，各國在神經(jīng)網(wǎng) 絡(luò)方面的投資逐漸增加，神經(jīng)網(wǎng)絡(luò)迅速發(fā)展起來。 3、簡述模擬退火算法的基本流程。 1) 隨機產(chǎn)生一個初始解％,令.?制=曲，并計算目標函數(shù)值￡(曲)； 2) 設(shè)置初始溫度T(0)=ro,迭代次

11、- E(xbes) ° 3) 如果血V0,則％” = %”； 4) 如果Z1E > 0, Mjp = exp(-J￡'/T(0)； 1)如果r = random[0.1] vp, xbest = x”# 否則 ％” =咯加 5) End for 4) i = i + 1； 5) End Do 6) 輸出當前最優(yōu)點，計算結(jié)束" 已知： 物體個數(shù)：n=5 背包容屋：c=8 重量 w = (2,3, 5, 1,4) 價值 2(2,5, & 3,6) 假設(shè)在繼續(xù)運行的時候，

12、從當前解 i=(10110)得到一個新解戶(00111),這 時候的函數(shù)值為"2+3+6=17,這是 一個全局最優(yōu)解?？梢娚厦孢^程屮接 受了劣解是有好處的。 第一步：初始化。假設(shè)初始解為 1=(11001),初始溫度為T=10o計 算矩)=2+5+6=13,最優(yōu)解s=i 第三步：降溫，假設(shè)溫度降為 T=9O如呆沒有達到結(jié)束標準，則 返回第二步繼續(xù)執(zhí)彳 4、結(jié)合實際模擬退火算法 例10.1已知背包的裝載量為c=8,現(xiàn)有”=5個物 品，它們的重量和價值分別是(2, 3, 5, 1,4)和(2, 5, & 3,6)。試使用模擬退火算法求解該背包問題， 寫出關(guān)鍵的步驟。 求解：假設(shè)問

13、題的一個可行解用0和1的序列表示 例如歸(1010)表示選擇第1和第3個物品，而不選 擇第2和第4個物品。用模擬退火算法求解例10」 的關(guān)鍵過程如圖所示： 第二步：在瑙度下局部搜索，直到“平衡”， 假設(shè)平 衡條件為執(zhí)行了 3次內(nèi)層循環(huán)。 (2-1)產(chǎn)生當前解i的一個鄰域解/ (如何構(gòu)造鄰域根據(jù)貝? 體的問題而定，這里假設(shè)為隨機改變某一位的()/】值或者交 換某兩位的0/1值)，假SX11100) 要注意產(chǎn)生的新解的合法性，要舍棄那些總蟲量超過背包 裝載;斥的非法解 (2-2) flj) = 2+5+8= 15>13=/(0> 所以接受新觥/ 呵；用M/)=15；而且Q； 要注意求解的

14、是最大值，因此適應值越大越優(yōu) (2-3)返回(2?1)繼續(xù)執(zhí)行。 (a)假設(shè)第二輪得到的新解片(11010),由Vflj) = 2+5+3=10 v 15祕°,所以需耍計算接受概率P(7>exp((/(/)諷))/門= exp(-0.5) = 0.607,假設(shè)random(0J)>P(7),則不接受新解 (b)假設(shè)第三輪得到的新解片(10110),由丁勿=2+8+3=13 v 15審0,所以需耍計算接受概率P(7)=exp((/(/)7(/))/7)= exp(-O3) = 0.741,假設(shè)random(0,l)

15、 (2-4)這時候，T溫度下的“平衡”已達到(即已經(jīng)完成 了3次的鄰域產(chǎn)生)，結(jié)束內(nèi)層循環(huán) 5、畫出簡單遺傳算法的基本流程圖。 度。c)選擇運 a)初始化：設(shè)置進化 代數(shù)計數(shù)器t=0,設(shè)置最 大進化代數(shù)T,隨機生成 初始群體P(0)。b)個體評 體P(t)中各個個體的適應 算:將選擇算子作用于群 嚴 Pt)表示某一代的群體為當前進化代數(shù) Best表示目前已找到的最優(yōu)解 */ ProcedurGA begin t7; initialiZPOY； 初始化群體 evaluatp)); //適應值評價 keep_beSPt)); 保存最優(yōu)染色體 while不滿足終止條件0

16、 begin Pt)—selectiopt)); 選擇算子 Pt)—crossovePt)); 交配算子 P(t)^mutatiOpt)); 變異算子 t_+1; m； evalua(pt)); fPt)的最優(yōu)適應值大于的適應值 以pd的最優(yōu)染色體替Best replac(Bes); end if end end 體。選擇的目的是把優(yōu)化的個體直接遺傳到下一代或通過配對交叉產(chǎn)生新的個體再遺傳到下一代。 選擇操作是建立在群體中個體的適應度評估基礎(chǔ)上的。d)交叉運算：將交叉算子作用于群體。遺傳 算法中起核心作用的就是交叉算子。e)變異運算：將變異算子作用于群體。即是對群體中的個

17、體串 的某些基因座上的基因值作變動。群體P(t)經(jīng)過選擇、交叉、變異運算之后得到下一代群體P(t+1)。 f)終止條件判斷:若t=T，則以進化過程中所得到的具有最大適應度個體作為最優(yōu)解輸出，終止計算。 〃功能：粒子群優(yōu)化算法偽代碼 〃說明：本例以求問題最小值為目標 〃參數(shù)：N為群體規(guī)模 procedure PSO for each particle i Initialize velocity Vi and position Xi for particle i Evaluate particle i and set pBesti = Xi end for gBest = min

18、{pBesti} while not stop for i=1 to N Update the velocity and position of particle i Evaluate particle i if fit (Xi) < fit (pBesti) pBesti = Xi; if fit(pBesti) < fit (gBest) 4 gBest = pBesti; end for end while print gBest end procedure 7、免疫算法流程 生物神經(jīng)元的組織結(jié)構(gòu):神經(jīng)元以細胞體為主，由許多向周圍延伸的不規(guī)則樹枝狀纖維構(gòu) 成的

19、神經(jīng)細胞，其形狀像一棵枯樹的樹干，它主要由細胞體、細胞核、樹突、軸突、突觸組 成。 8、結(jié)合自己的工作或本課程的學習，試敘述可能應用基于 BP 算法的前向神經(jīng)網(wǎng)絡(luò)模型 解決某一實際問題的想法。 答：在工作中可以對基于BP神經(jīng)網(wǎng)絡(luò)的系統(tǒng)級電源管理算法進行應用。在一個功耗可控 的系統(tǒng)中，組件可工作在表征不同性能和功耗水平的各個功耗狀態(tài)。電源管理策略主要根據(jù) 系統(tǒng)的歷史空閑時段、負載及給定性能指標，決定何時進行組件工作狀態(tài)轉(zhuǎn)換以及轉(zhuǎn)換到哪 一個工作狀態(tài)。不同功耗狀態(tài)之間進行轉(zhuǎn)換會帶來功耗、性能等方面的損失。而人工神經(jīng)網(wǎng) 絡(luò)具有從大量不完整數(shù)據(jù)中逐步獲取知識并進行復雜目標優(yōu)化的能力。利用人工神經(jīng)網(wǎng)

20、絡(luò)的 這一特性，有可能實現(xiàn)在不需要建立系統(tǒng)模型、無需預先獲得負載統(tǒng)計特性的前提下，通過 從系統(tǒng)正常工作產(chǎn)生的數(shù)據(jù)中不斷自學習進化，使系統(tǒng)具有自適應、高效的電源管理能力， 以達到降低系統(tǒng)功耗、提高器件可靠性、延長工作壽命的目的。嘗試利用人工神經(jīng)網(wǎng)絡(luò)中最 基本也是最簡單的BP神經(jīng)網(wǎng)絡(luò)，進行系統(tǒng)級電源管理算法的研究。 9、 計算隨機生成10個城市距離，設(shè)計蟻群算法流程，計算TSP問題。 （1）首先初始化，設(shè)迭代的次數(shù)為NC。初始化NC=O （2）將m個螞蟻置于n個頂點上（3） m 只螞蟻按概率函數(shù)選擇下一座城市，完成各自的周游，每個螞蟻按照狀態(tài)變化規(guī)則逐步地 構(gòu)造一個解，即生成一條回路。螞蟻的任

21、務(wù)是訪問所有的城市后返回到起點，生成一條回路。 設(shè)螞蟻k當前所在的頂點為i,那么，螞蟻k由點i向點j移動要遵循規(guī)則而不斷遷移，按不同 概率來選擇下一點。 （4）記錄本次迭代最佳路線（5）全局更新信息素值應用全局信息素更 新規(guī)則來改變信息素值。當所有m個螞蟻生成了 m個解，其中有一條最短路徑是本代最優(yōu)解， 將屬于這條路線上的所有弧相關(guān)聯(lián)的信息素值進行更新。 全局信息素更新的目的是在最短路 線上注入額外的信息素，即只有屬于最短路線的弧上的信息素才能得到加強，這是一個正反 饋的過程，也是一個強化學習的過程。在圖中各弧上，伴隨著信息素的揮發(fā)，全局最短路線 上各弧的信息素值得到增加。（6）終止若終止條件滿足，則結(jié)束；否則NC=NC+1，轉(zhuǎn)入步 驟（2）進行下一代進化。終止條件可指定進化的代數(shù)，也可限定運行時間，或設(shè)定最短路長 的下限。 （7）輸出結(jié)果 10、 用遺傳算法解決一元函數(shù)最大值： 求解的目標函數(shù) Nind: 每代種群中的個體數(shù)量 Lcode: 種群中每個個體編碼長度 FieldD: 解 碼的 參數(shù)向 量組（6 個分量） Ps: （代 溝）從父代 種群中 挑選個體的 比率 Maxg: （終止條件）最大迭代次數(shù) vbest: 求得的最優(yōu)解 fbest: 求得的最優(yōu)值 返回所求 目標函數(shù)的最優(yōu)解與最優(yōu)值。