计算智能算法的研究现状报告方案.doc

计算智能算法的研究现状 1 引言 计算智能是什么？它是建立在神经计算、模糊计算、进化计算三大智能算法分支发展相对成熟的基础上，通过不同算法之间的有机融合而形成的新的科学算法，是智能理论和技术发展的崭新阶段。高效的优化性能、无需问题特殊信息等优点使得智能优化算法广泛应用于工程优化、模式识别、智能控制、网络智能自动化等领域。 随着计算机的飞速发展，一系列新的计算方法，如神经网络、模拟退火、遗传算法、演化算法和禁忌有哪些信誉好的足球投注网站算法等应运而生。它们能较好的解决大规模复杂系统中出现的组合爆炸问题，不仅具有通用、稳健、简单、便于并行处理等优点，而且有望成为将数值计算与语义表达、形象思维等高级智能行为联系的桥梁。因而，它们被认为是对21世纪的计算技术有重大影响的关键技术。 2几种算法的特点 各种智能计算方法有一些共同的特点：（1）它们大都引人了随机因素, 因此具有不确定性。不少 计算过程实际上是在计算机上作随机过程的模拟。（2）它们大都具有自适应机制的动力体系或随机 动力体系，有时在计算过程中体系结构还在不断调整。（3）这些算法都是针对通用的一般目标而设 计的, 它们不同于针对特殊问题而设计的算法。（4）其中不少算法在低维或简单的情况下显得很笨, 但是到了高维复杂情形具有很强的竞争力。 各种智能计算方法大都是20世纪60年代末开始流行起来的，如人工神经网络、遗传算法、模拟退火算法和禁忌有哪些信誉好的足球投注网站算法等。开始时是人们从自然过程和生物的生存竞争与遗传变异等过程的模仿和简化而来的。各种智能计算方法强调数值计算； 又往往不是通过公理和公式来描述, 而是以数据及其分布来描述对象。 模拟退火算法（SA）包括三函数两准则, 即状态产生函数、状态接受函数、温度更新函数、内循环终止准则和外循环终止准则,这些环节的设计将决定SA算法的优化性能。此外,初温的选择对SA算法性能也有很大的影响。特点如下：(l)理论上,SA算法的参数只有满足算法的收敛条件,才能保证实现的算法以概率l收敛到全局最优解。然而,由SA算法的收敛条件理论知,某些收敛条件无法严格实现,如时齐马氏链的内循环终止准则,即使某些收敛条件可以实现,如非时齐马氏链的更新函数,但也常常会因为实际应用的效果不理想而不被采用。因此,至今SA算法的参数选择依然是一个难题,通常只能依据一定的启发式准则或大量的实验加以选取。(2)SA算法的状态产生和接受操作每一时刻仅保留一个解,缺乏冗余和历史有哪些信誉好的足球投注网站信息,并行性较差。 禁忌有哪些信誉好的足球投注网站算法的主要特点如下:( l) 在有哪些信誉好的足球投注网站过程中可以接受劣解, 因此具有较强的“爬山”能力; （2）新解不是在当前解的邻域中随机产生 , 而或是优于“bset so for”的解,或是非禁忌的最佳解,因此选取优良解的概率远远大于其他解;(3 ) 由于T S 算法具有灵活的记忆功能和藐视准则, 并且在有哪些信誉好的足球投注网站过程中可以接受劣解, 所以具有较强的“ 爬山” 能力, 有哪些信誉好的足球投注网站时能够跳出局部最优解,转向解空间的其他区域, 从而增强获得更好的全局最优解的概率, 所以T S 算法是一种局部有哪些信誉好的足球投注网站能力很强的全局迭代寻优算法。 遗传算法的特点如下:(l)遗传算法是以决策变量的编码作为运算对象。在优化过程中借鉴生物学中染色体和基因等概念, 模拟自然界中生物的遗传和进化等机理, 应用遗传操作, 求解无数值概念或很难有数值概念的优化问题;(2) 遗传算法直接以目标函数作为有哪些信誉好的足球投注网站信息。它仅使用由目标函数变换来的适应度函数值就可确定进一步有哪些信誉好的足球投注网站的方向和范围, 而不需要目标函数的导数值等信息;(3)遗传算法同时在多点进行信息有哪些信誉好的足球投注网站,具有天生的并行性,由多个个体组成一个初始群体开始有哪些信誉好的足球投注网站,对群体进行选择、交叉、变异等运算,产生出新一代的群体, 继续有哪些信誉好的足球投注网站;(4)遗传算法使用概率有哪些信誉好的足球投注网站技术.它属于一种自适应概率有哪些信誉好的足球投注网站技术, 其选择、交叉、变异等运算都是以一定的概率进行的,增加了其有哪些信誉好的足球投注网站过程的灵活性。实践和理论证明了在一定条件下传算法总是以概率1收敛于问题的最优解。 神经网络特点：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巨大, 使得它具有很强的不确定性信息处理能力。即使输人信息不完全、不准确或模糊不清, 神经网络仍然能够联想思维存在于记忆中的事物的完整图像。只要输人的模式接近于训练样本, 系统就能给出正确的推理结论。正是因为人工神经网络的结构特点和其信息存储的分布式特点, 使得它相对于其它的判断识别系统,如: 专家统等, 具有另一个显著的优点: 健壮性。生物神经网络不会因为个别神经元的损失而失去对原有模式的记忆。最有力的证明是, 当一个人的大脑因意外事故受轻微损伤之后, 并不会失去原有事物的全部记忆。人工神经网络也有类似的情况。因某些原因, 无论是网络的硬件实现还是软件实现中的某个或某些神经元失效, 整个网络仍然能继续工作。人工神经网络是一种非线性的处理单