AI人工智能的幾種常用算法概念

1、一、粒子群算法粒子群算法，也稱粒子群優(yōu)化算法(ParticleSwarmOptimization),縮寫為PSO,是近年來發(fā)展起來的一種新的進(jìn)化算法(Evolu2tionaryAlgorithm-EA)。PSO算法屬于進(jìn)化算法的一種，和遺傳算法相似，它也是從隨機(jī)解出發(fā)，通過迭代尋找最優(yōu)解，它也是通過適應(yīng)度來評價(jià)解的品質(zhì)，但它比遺傳算法規(guī)則更為簡單，它沒有遺傳算法的交叉(Crossover)和變異(Mutation)操作，它通過追隨當(dāng)前搜索到的最優(yōu)值來尋找全局最優(yōu)。這種算法以其實(shí)現(xiàn)容易、精度高、收斂快等優(yōu)點(diǎn)引起了學(xué)術(shù)界的重視，并且在解決實(shí)際問題中展示了其優(yōu)越性。優(yōu)化問題是工業(yè)設(shè)計(jì)中經(jīng)常遇到的問題

2、，許多問題最后都可以歸結(jié)為優(yōu)化問題為了解決各種各樣的優(yōu)化問題，人們提出了許多優(yōu)化算法，比較著名的有爬山法、遺傳算法等優(yōu)化問題有兩個(gè)主要問題：一是要求尋找全局最小點(diǎn)，二是要求有較高的收斂速度爬山法精度較高，但是易于陷入局部極小遺傳算法屬于進(jìn)化算法(EvolutionaryAlgorithms)的一種，它通過模仿自然界的選擇與遺傳的機(jī)理來尋找最優(yōu)解.遺傳算法有三個(gè)基本算子:選擇、交叉和變異.但是遺傳算法的編程實(shí)現(xiàn)比較復(fù)雜，首先需要對問題進(jìn)行編碼，找到最優(yōu)解之后還需要對問題進(jìn)行解碼，另外三個(gè)算子的實(shí)現(xiàn)也有許多參數(shù)，如交叉率和變異率，并且這些參數(shù)的選擇嚴(yán)重影響解的品質(zhì),而目前這些參數(shù)的選擇大部分是依靠

3、經(jīng)驗(yàn).1995年Eberhart博士和kennedy博士提出了一種新的算法；粒子群優(yōu)化(ParticalSwarmOptimization-PSO)算法.這種算法以其實(shí)現(xiàn)容易、精度高、收斂快等優(yōu)點(diǎn)引起了學(xué)術(shù)界的重視,并且在解決實(shí)際問題中展示了其優(yōu)越性.粒子群優(yōu)化(ParticalSwarmOptimization-PSO)算法是近年來發(fā)展起來的一種新的進(jìn)化算法(Evolu2tionaryAlgorithm-EA).PSO算法屬于進(jìn)化算法的一種,和遺傳算法相似，它也是從隨機(jī)解出發(fā),通過迭代尋找最優(yōu)解，它也是通過適應(yīng)度來評價(jià)解的品質(zhì)但是它比遺傳算法規(guī)則更為簡單，它沒有遺傳算法的交叉（Crossov

4、er）和變異（Mutation）操作它通過追隨當(dāng)前搜索到的最優(yōu)值來尋找全局最優(yōu)二、遺傳算法遺傳算法是計(jì)算數(shù)學(xué)中用于解決最佳化的，是進(jìn)化算法的一種。進(jìn)化算法最初是借鑒了進(jìn)化生物學(xué)中的一些現(xiàn)象而發(fā)展起來的，這些現(xiàn)象包括遺傳、突變、自然選擇以及雜交等。遺傳算法通常實(shí)現(xiàn)方式為一種模擬。對于一個(gè)最優(yōu)化問題，一定數(shù)量的候選解（稱為個(gè)體）的抽象表示（稱為染色體）的種群向更好的解進(jìn)化。傳統(tǒng)上，解用表示（即0和1的串），但也可以用其他表示方法。進(jìn)化從完全隨機(jī)個(gè)體的種群開始，之后一代一代發(fā)生。在每一代中，整個(gè)種群的適應(yīng)度被評價(jià)，從當(dāng)前種群中隨機(jī)地選擇多個(gè)個(gè)體（基于它們的適應(yīng)度），通過自然選擇和突變產(chǎn)生新的生命種群

5、，該種群在算法的下一次迭代中成為當(dāng)前種群。主要特點(diǎn)遺傳算法是解決搜索問題的一種通用算法，對于各種通用問題都可以使用。的共同特征為： 首先組成一組候選解 依據(jù)某些適應(yīng)性條件測算這些候選解的適應(yīng)度 根據(jù)適應(yīng)度保留某些候選解，放棄其他候選解 對保留的候選解進(jìn)行某些操作，生成新的候選解。在遺傳算法中，上述幾個(gè)特征以一種特殊的方式組合在一起：基于染色體群的并行搜索，帶有猜測性質(zhì)的選擇操作、交換操作和突變操作。這種特殊的組合方式將遺傳算法與其它搜索算法區(qū)別開來。遺傳算法還具有以下幾方面的特點(diǎn)：（1）遺傳算法從問題解的串集開始搜索，而不是從單個(gè)解開始。這是遺傳算法與傳統(tǒng)優(yōu)化算法的極大區(qū)別。傳統(tǒng)優(yōu)化算法是從單

6、個(gè)初始值求最優(yōu)解的；容易誤入局部最優(yōu)解。遺傳算法從串集開始搜索，覆蓋面大，利于全局擇優(yōu)。(2) 遺傳算法同時(shí)處理群體中的多個(gè)個(gè)體，即對搜索空間中的多個(gè)解進(jìn)行評估，減少了陷入局部最優(yōu)解的風(fēng)險(xiǎn)，同時(shí)算法本身易于實(shí)現(xiàn)并行化。(3) 遺傳算法基本上不用搜索空間的知識或其他輔助信息，而僅用適應(yīng)度函數(shù)值來評估個(gè)體，在此基礎(chǔ)上進(jìn)行遺傳操作。適應(yīng)度函數(shù)不僅不受連續(xù)可微的約束，而且其定義域可以任意設(shè)定。這一特點(diǎn)使得遺傳算法的應(yīng)用范圍大大擴(kuò)展。(4) 遺傳算法不是采用確定性規(guī)則，而是采用概率的變遷規(guī)則來指導(dǎo)他的搜索方向。(5) 具有自組織、自適應(yīng)和自學(xué)習(xí)性。遺傳算法利用進(jìn)化過程獲得的信息自行組織搜索時(shí)，適應(yīng)度大的

7、個(gè)體具有較高的生存概率，并獲得更適應(yīng)的基因結(jié)構(gòu)。三、貪婪算法概念：貪婪算法是一種不追求最優(yōu)解，只希望得到較為滿意解的方法。貪婪算法一般可以快速得到滿意的解，因?yàn)樗∪チ藶檎易顑?yōu)解要窮盡所有可能而必須耗費(fèi)的大量時(shí)間。貪婪算法常以當(dāng)前情況為基礎(chǔ)作最優(yōu)選擇，而不考慮各種可能的整體情況。例如平時(shí)購物找錢時(shí)，為使找回的零錢的硬幣數(shù)最少，不考慮找零錢的所有各種發(fā)表方案，而是從最大面值的幣種開始，按遞減的順序考慮各幣種，先盡量用大面值的幣種，當(dāng)不足大面值幣種的金額時(shí)才去考慮下一種較小面值的幣種。這就是在使用貪婪算法。這種方法在這里總是最優(yōu)，是因?yàn)殂y行對其發(fā)行的硬幣種類和硬幣面值的巧妙安排。如只有面值分別為1

8、、5和11單位的硬幣，而希望找回總額為15單位的硬幣。按貪婪算法，應(yīng)找1個(gè)11單位面值的硬幣和4個(gè)1單位面值的硬幣，共找回5個(gè)硬幣。但最優(yōu)的解應(yīng)是3個(gè)5單位面值的硬幣。四、蟻群算法蟻群算法(antcolonyoptimization,ACO)，又稱螞蟻算法，是一種用來在圖中尋找優(yōu)化路徑的機(jī)率型技術(shù)。它由MarcoDorigo于1992年在他的博士論文中引入，其靈感來源于螞蟻在尋找食物過程中發(fā)現(xiàn)路徑的行為。自然界的種群相當(dāng)廣泛，但大部分都有以下的能力：螞蟻們總能找到食物源和螞蟻窩之間的最短路徑.一旦這條最短路徑被發(fā)現(xiàn)，螞蟻們就能在這條路上排成一行，在食物源和螞蟻窩之間搬運(yùn)食物.螞蟻們是怎么做到的

9、呢？我們知道,2點(diǎn)間直線距離最短但螞蟻們顯然不具備這樣的視力和智慧.它們無法從遠(yuǎn)處看到食物源，也無法計(jì)劃一個(gè)合適的路徑來搬運(yùn)食物.螞蟻們采用的方法是全體在老窩的周圍區(qū)域進(jìn)行地毯式搜索而他們之間的是通過分泌化學(xué)物質(zhì)在爬過的路徑上，這種化學(xué)物質(zhì)叫(Pheromone).螞蟻們習(xí)慣選擇信息素濃度高的路徑.下面的圖解釋了螞蟻們的工作原理.剛開始離開窩的時(shí)候，螞蟻們有兩條路徑選擇：R1和R2.這兩者機(jī)會相當(dāng).螞蟻們在爬過R1和R2的時(shí)候都留下了信息素但是，由于R2的距離短，所需要的時(shí)間就少，而信息素會揮發(fā)，所以螞蟻們留在R2上的信息素濃度就高.于是,越來越多的螞蟻選擇R2作為最佳路徑，即使它們是從R1來到食物源，也將選擇R2返回螞蟻窩.而從老巢里出發(fā)的螞蟻們也越來越傾向于R2.在這樣的趨勢下,R1漸漸變的無人問津了根據(jù)螞蟻們選擇路徑的方法而得到的啟發(fā)，Dr.Dorigo在1991年發(fā)表了(Antalgorithm).十多年來，螞蟻算