1.2.6

null Artificial Intelligence 1.2.6 Evolutionary computation,or learning by doing Artificial Intelligence 1.2.6 Evolutionary computation,or learning by doing陈娇 文月null前言自然智能Natural intelligence 指人类和一些动物所具有的智力和行为能力。自然智能更关注在大自然、户外这样特定环境中的各种生命形式自然智能Natural intelligence 是一个进化的产物。因此，通过模拟生物的进化过程，我们可能会发现生命系统是如何向高层次的智力推动。生物系统不知道如何去适应一个特定的环境，他们只是为生存而竞争。适者生存的品种有更大的机会繁殖，从而把它们的遗传物质传递到下一代。形成期（early1970s-late1980s） 知识应用期null前言例如，英国有一种桦尺蛾，在1850年前都是灰色类型。1850年在曼彻斯特发现了黑色的突变体。19世纪后半叶，随着工业化的发展，废气中的HS杀死了树皮上的灰色地衣，煤烟又把树干熏成黑色。结果，原先歇息在地衣上得到保护的灰色类型，这时在黑色树干上却易被鸟类捕食；而黑色类型则因煤烟的掩护免遭鸟类捕食反而得到生存和发展。于是黑色类型的频率迅速提高，灰色类型的频率则不断下降。到19世纪末，前者已由不到1%上升至90%以上；后者则从90%以上下降为不到5%。这种情形就是人们所能看到的自然选择。null人工智能Artificial Intelligence的进化是基于自然选择和遗传学上的计算模型，进化计算Evolutionary Computation的工作原理是模拟个体组成的种群，评估它们的表现，生成一个新的种群，并多次重复这个过程。达尔文《自然选择学说》认为，生物在面临自然选择与在生存 斗争中，具有有利变异的个体，容易在生存斗争中获胜而生存 下去。反之，具有不利变异的个体，则容易在生存斗争中失败 而死亡。这就是说，凡是生存下来的生物都是适应环境的，而 被淘汰的生物都是对环境不适应的，这就是适者生存。 null* 达尔文把在生存斗争中，适者生存、不适者被淘汰的过程叫做自然选择。达尔文认为，自然选择过程是一个长期的、缓慢的、连续的过程。由于生存斗争不断地进行，因而自然选择也是不断地进行，通过一代代的生存环境的选择作用，物种变异被定向地向着一个方向积累，于是性状逐渐和原来的祖先不同了，这样，新的物种就形成了。达尔文描绘的加拉帕哥斯群岛的各种燕雀： 它们具有各种不同的头和鸟喙 在加拉帕哥斯群岛他特别对一系列燕雀（现在叫做达尔文雀）感到惊奇，这些燕雀生活在相隔遥远的岛屿上，在许多方面都与大陆上的燕雀不同。13种不同的燕雀，大小和颜色类似，却发展了不同的鸟喙形状，显然是为了适应其独特的饲料环境。食种子的，鸟喙要便于破裂种子外壳。在另一个找不到种子的岛上，另一种燕雀鸟喙长而尖，为的是便于吃昆虫。还有一种素食的燕雀，鸟喙短而胖，便于采摘蓓蕾和树叶，等等。null进化计算结合了三种主要技术：遗传算法强调染色体的操作。模仿生物遗传学和自然选择机理，通过人工方式构造的一类优化搜索算法，是对生物进化过程进行的一种数学仿真，是进化计算的一种最重要的形式.进化策略强调了个体级的行为变化.模仿自然进化原理以求解参数优化问的算法。 遗传编程 遗传模型的应用程序的学习编程null遗传算法GA遗传算法(Genetic Algorithm)的概念是由约翰·荷兰John Holland在20世纪70年代初(1975年)首次介绍的。他开发了一种算法来处理人工染色体，使用选择(selection)，交叉(crossover)和变异(mutation)等遗传操作通过个体结构重组,形成一代代新群体（populations) 。遗传算法是基于坚实的理论基础的模式定理。 遗传算法null*进化策略ES在20世纪60年代初，柏林技术大学的学生英戈雷切伯格Ingo-Rechenburg和汉斯·保罗·Hans-Schwefel，提出了一种独立于荷兰的遗传算法。这种新的优化方法，叫做进化策略Evolutionary Strategy。进化策略是专为解决中的参数优化问题而的。Rechenberg和Schwefel建议使用随机变化的参数，如发生自然突变。事实上，进化策略的方法可以被视为工程师直觉的替代。进化策略使用的数值优化过程，类似集中的蒙特卡罗探究分析。（蒙特卡洛分析为随机分析）。 遗传算法和进化策略都可以解决各种各样的问题。对于以前所不能解决的非常复杂的、非线性的搜索和优化问题，他们提供了强大和可靠的解决。null*它们都是一类模仿自然进化原理的算法。 进化策略(evalutivn strategies，简称ES)是一类模仿自然进化原理以求解参数优化问题的算法。 遗传算法是模仿生物遗传学和自然选择机理，通过人工方式构造的一类优化搜索算法，是对生物进化过程进行的一种数学仿真，是进化计算的一种最重要的形式. 进化计算和遗传算法借鉴了生物科学中的某些知识，从而体现了人工智能这一交叉学科的特点。 遗传算法和进化策略基本的区别是它们的研究方法和领域不同： 进化策略是一种数值优化的方法。它采用的是一个具有自适应步长σ，和倾角θ的特定爬山方法。直到最近，进化策略才被应用于离散型优化问题。 遗传算法从厂义是一种自适应搜索技术，决定着如何分配在高于平均规划的情况下呈指数增长的试验数据，参数优化是它的应用领域之一。相似性差异性 借助当今技术的发展使得进化策略和遗传算法区别不再明显，可以相互结合，互补互进。 null*遗传编程Genetic Programming或称基因编程,代表一个遗传模型的应用程序的学习编程。它的发展目标不是一些问题的编码，而是可以解决问题的计算机代码。也就是说，遗传编程生成计算机程序的解决方案。 遗传编程是一种从生物进化过程得到灵感的自动化生成和选择计算机程序来完成用户定义的任务的技术。从理论上讲，人类用遗传编程只需要告诉计算机"需要完成什么"，而不用告诉它"如何去完成",最终可能实现真正意义上的人工智能：自动化的发明机器。 在20世纪90年代约翰·科赞极大地刺激了遗传编程的同行。他用遗传操作来操纵符号的代码，代表LISP程序的解决方案。遗传编程为计算机科学面临的主要挑战 - 让计算机解决问题，而无需显式编程,提供了一个解决方案。 遗传算法，进化策略和遗传规划代表着AI的快速增长领域，有很大的潜力。遗传编程GP null请在此输入标题标题信息进化策略遗传编程GP遗传算法遗传算法，进化策略和遗传规划代表着AI的快速增长领域，有很大的潜力。谢谢聆听谢谢聆听nullppt模板下载 http://www.pptbz.com/ PPT素材下载 http://www.pptbz.com/pptshucai/ PPT背景图片 http://www.pptbz.com/pptpic/ PPT课件下载 http://www.pptbz.com/kejian/