人工智能第五章9

人工智能原理

ArtificialIntelligencePrinciple信息工程學(xué)院張永梅第5章計算智能(2)進化計算人工生命第五章計算智能(2)5.1遺傳算法5.2進化戰(zhàn)略5.3進化編程5.4人工生命第五章計算智能(2)作業(yè)：5-2，5-7，5-9答疑時間及地點答疑時間：每周四5、6節(jié)答疑地點：三教2604電子郵件：zhangym@聯(lián)絡(luò)方式：10842037第四章計算智能(1)4.1概述4.2神經(jīng)計算4.3模糊計算計算智能涉及神經(jīng)網(wǎng)絡(luò)、模糊邏輯、進化計算和人工生命等領(lǐng)域，它的研討和開展反映了當(dāng)代科學(xué)技術(shù)多學(xué)科交叉與集成的重要開展趨勢。計算智能是自創(chuàng)仿生學(xué)的思想，基于人們對生物體智能機理的認識，采用數(shù)值計算的方法去模擬和實現(xiàn)人類的智能。計算智能是一種以模型〔計算模型、數(shù)學(xué)模型〕為根底，以分布、并行計算為特征的自然智能模擬方法。進化計算〔EvolutionaryComputation,EC〕包括：遺傳算法(geneticalgorithms，GA)進化戰(zhàn)略(evolutionstrategies)進化編程(evolutionaryprogramming)遺傳編程(geneticprogramming)人類不滿足于模擬生物進化行為，希望可以建立具有自然生命特征的人造生命和人造生命系統(tǒng)。人工生命是人工智能和計算智能的一個新的研討熱點。進化計算是一種對人類智能的演化模擬方法，它是經(jīng)過對生物遺傳和演化過程的認識，用進化算法去模擬人類智能的進化規(guī)律的。人工生命(Artificiallife，AL)是經(jīng)過人工模擬生命系統(tǒng)，來研討生命的領(lǐng)域。人工生命的概念，包括兩個方面內(nèi)容：〔1〕屬于計算機科學(xué)領(lǐng)域的虛擬生命系統(tǒng)，涉及計算機軟件工程與人工智能技術(shù)；〔2〕基因工程技術(shù)人工改造生物的工程生物系統(tǒng)，涉及合成生物學(xué)技術(shù)。AL是首先由計算機科學(xué)家ChristopherLangton于1987年在LosAlamosNationalLaboratory召開的"生成以及模擬生命系統(tǒng)的國際會議"上提出。世界首個人工生命構(gòu)造誕生中新網(wǎng)2021年5月22日電綜合媒體報道，美國克萊格.文特爾研討所一個有華人參與的研討團隊宣布，在實驗中制造出世界首個完全由人造基因指令控制的人造生命，使人類的才干拓展到可以支配自然世界，未來可制造有特殊功能的生物，在消費疫苗及干凈能源等領(lǐng)域大派用場。由美國生物學(xué)家文特爾指點的研討團隊，重塑“絲狀支原體絲狀亞種〞(Mycoplasmamycoides)這種微生物的DNA，并將新DNA片段“黏〞在一同，植入另一種山羊支原體中。新生命于2021年4月誕生，昵稱“Synthia〞(合成體)，這種微生物由藍色細胞組成，可以生長、繁衍，細胞分裂了逾10億次，產(chǎn)生一代又一代的人造生命。植入的DNA片段包含約850個基因，而人類DNA圖譜上共有約2萬個基因。

進化計算〔EvolutionaryComputation,EC〕包括：遺傳算法(geneticalgorithms，GA)進化戰(zhàn)略(evolutionstrategies)進化編程(evolutionaryprogramming)遺傳編程(geneticprogramming)其中，遺傳算法是進化計算中最初構(gòu)成的一種具有普遍影響的模擬進化優(yōu)化算法。因此我們主要討論遺傳算法。進化計算是一種模擬自然界生物進化過程與機制進展問題求解的自組織、自順應(yīng)的隨機搜索技術(shù)。它將生物進化過程中的繁衍〔Reproduction〕變異〔Mutation〕競爭〔Competition〕選擇〔Selection〕引入到了算法中。什么是進化計算進化計算的生物學(xué)根底自然界生物進化過程是進化計算的生物學(xué)根底，它主要包括:遺傳(Heredity)變異(Mutation)進化(Evolution)實際

生物進化與遺傳算法群體種群子群選擇婚配變異遭淘汰的群體遺傳算法(GeneticAlgorithm)達爾文進化論：“物競天擇、適者生存〞。70年代由美國的密執(zhí)根大學(xué)的Holland在他的著作<AdaptationinNaturalandArtificialSystems>初次提出遺傳算法，并主要由他和他的學(xué)生開展起來。近年來，遺傳算法作為一種有效的工具，已廣泛地運用于最優(yōu)化問題求解之中。第五章計算智能(2)5.1遺傳算法5.2進化戰(zhàn)略5.3進化編程5.4人工生命5.1遺傳算法遺傳算法是模擬生物遺傳學(xué)和自然選擇機理，經(jīng)過人工方式所構(gòu)造的一類優(yōu)化搜索算法，是對生物進化過程進展的一種數(shù)學(xué)仿真，是進化計算的最重要的方式。遺傳算法為那些難以找到傳統(tǒng)數(shù)學(xué)模型的難題指出了一個處理方法。進化計算和遺傳算法自創(chuàng)了生物科學(xué)中的某些知識，這也表達了人工智能這一交叉學(xué)科的特點。5.1遺傳算法遺傳算法的來源自然界所提供的答案是經(jīng)過漫長的自順應(yīng)——遺傳過程獲得的結(jié)果。我們也可以利用這一過程本身去處理一些復(fù)雜的問題。遺傳算法的研討主要集中在以下幾個方面：函數(shù)優(yōu)化、組合優(yōu)化消費調(diào)度、自動控制、機器人學(xué)、圖像處置、人工生命、演化編程和機器學(xué)習(xí)。5.1.1遺傳算法的根本機理霍蘭德的遺傳算法通常稱為簡單遺傳算法〔SimpleGeneticAlgorithm,SGA〕?，F(xiàn)以此作為討論主要對象，加上順應(yīng)的改良，來分析遺傳算法的構(gòu)造和機理。5.1遺傳算法編碼與解碼順應(yīng)度函數(shù)遺傳操作5.1.1遺傳算法的根本機理5.1遺傳算法根本思想是從初始種群出發(fā)，采用優(yōu)勝劣汰、適者生存的自然法那么選擇個體，并經(jīng)過雜交、變異來產(chǎn)生新一代種群，如此逐代進化，直到滿足目的為止。遺傳算法的根本概念遺傳算法〔GeneticAlgorithm〕是模擬達爾文的遺傳選擇和自然淘汰的生物進化過程的計算模型，是一種經(jīng)過模擬自然進化過程搜索最優(yōu)解的方法。5.1.1遺傳算法的根本機理5.1遺傳算法遺傳算法的根本概念遺傳算法是從代表問題能夠潛在的解集的一個種群〔population〕開場的，而一個種群那么由經(jīng)過基因〔gene〕編碼的一定數(shù)目的個體〔individual〕組成。初代種群產(chǎn)生之后，按照適者生存和優(yōu)勝劣汰的原理，逐代〔generation〕演化產(chǎn)生出越來越好的近似解，在每一代，根據(jù)問題域中個體的順應(yīng)度〔fitness〕大小挑選〔selection〕個體，并借助于自然遺傳學(xué)的遺傳算子〔geneticoperators〕進展組合交叉〔crossover〕和變異〔mutation〕，產(chǎn)生出代表新的解集的種群。這個過程將導(dǎo)致種群像自然進化一樣的后生代種群比前代更加順應(yīng)于環(huán)境，末代種群中的最優(yōu)個體經(jīng)過解碼〔decoding〕，可以作為問題近似最優(yōu)解。5.1.1遺傳算法的根本機理5.1遺傳算法遺傳算法的根本概念遺傳算法是一類可用于復(fù)雜系統(tǒng)優(yōu)化的具有魯棒性的搜索算法，與傳統(tǒng)的優(yōu)化算法相比，主要有以下特點：1、遺傳算法以決策變量的編碼作為運算對象。傳統(tǒng)的優(yōu)化算法往往直接決策變量的實踐值本身，而遺傳算法處置決策變量的某種編碼方式，使得我們可以自創(chuàng)生物學(xué)中的染色體和基因的概念，可以模擬自然界生物的遺傳和進化機理，也使得我們可以方便地運用遺傳操作算子。

2、遺傳算法直接以順應(yīng)度作為搜索信息，無需導(dǎo)數(shù)等其它輔助信息。

3、遺傳算法運用多個點的搜索信息，具有隱含并行性。4、遺傳算法運用概率搜索技術(shù)，而非確定性規(guī)那么。5.1.1遺傳算法的根本機理5.1遺傳算法根本思想是從初始種群出發(fā)，采用優(yōu)勝劣汰、適者生存的自然法那么選擇個體，并經(jīng)過雜交、變異來產(chǎn)生新一代種群，如此逐代進化，直到滿足目的為止。遺傳算法的根本概念種群〔Population〕：種群是初始給定的多個解的集合。它普通是整個搜索空間的一個很小的子集。個體〔Individual〕：個體是指種群中的單個元素。一個個體也就是搜索空間中的一個點。染色體〔Chromos〕：由多個基因組成，表示一個個體。染色體是指對個體進展編碼后所得到的編碼串。染色體中的每1位稱為基因，染色體上由假設(shè)干個基因構(gòu)成的一個有效信息段稱為基因組。順應(yīng)度〔Fitness〕函數(shù)：順應(yīng)度函數(shù)是一種用來對種群中各個個體的環(huán)境順應(yīng)性進展度量的函數(shù)。其函數(shù)值是遺傳算法實現(xiàn)優(yōu)勝劣汰的主要根據(jù)。5.1.1遺傳算法的根本機理5.1遺傳算法遺傳算法的根本概念順應(yīng)度(fitness)自創(chuàng)生物個體對環(huán)境的順應(yīng)程度，而對問題中的個體對象所設(shè)計的表征其優(yōu)劣的一種測度順應(yīng)度函數(shù)(fitnessfunction)問題中的全體個體與其順應(yīng)度之間的一個對應(yīng)關(guān)系普通是一個實值函數(shù)該函數(shù)就是遺傳算法中指點搜索的評價函數(shù)5.1.1遺傳算法的根本機理5.1遺傳算法遺傳算法的根本概念染色體(chromosome)染色體是由假設(shè)干基因組成的位串〔生物學(xué)〕個體對象由假設(shè)干字符串組成來表示〔遺傳算法〕個體染色體9----1001〔2，5，6〕----010101110遺傳算法(geneticalgorithm)染色體就是問題中個體的某種字符串方式的編碼表示染色體以字符串來表示基因是字符串中的一個個字符5.1.1遺傳算法的根本機理5.1遺傳算法遺傳算法的根本概念編碼與解碼將問題構(gòu)造變換為位串方式編碼表示的過程叫編碼；將位串方式編碼表示變換為原問題構(gòu)造的過程叫解碼或譯碼。Huffman編碼方法是一種效率高、方法簡單的編碼。信源中符號出現(xiàn)的概率相差越大，Huffman編碼效果越好。哈夫曼〔Huffman〕編碼Huffman編碼普通可將數(shù)據(jù)緊縮20%至90%，其緊縮效率取決于被緊縮數(shù)據(jù)的特征。〔1〕把信源符號xi(i=1,2,…,N)按出現(xiàn)概率的值由小到大的順序陳列；Huffman編碼步驟〔2〕對兩個概率最小的符號分別分配以“0〞和“1〞，然后把這兩個概率相加作為一個新的輔助符號的概率；〔3〕將這個新的輔助符號與其他符號一同重新按概率大小順序陳列；〔4〕跳到第2步，直到出現(xiàn)概率相加為1為止；Huffman編碼步驟〔5〕用線將符號銜接起來，從而得到一個碼樹，樹的N個端點對應(yīng)N個信源符號；

〔6〕從最后一個概率為1的節(jié)點開場，沿著到達信源的每個符號，將一路遇到的二進制碼“0〞或“1〞順序陳列起來，就是端點所對應(yīng)的信源符號的碼字。Huffman編碼方法例如：信源符號分布為：a:4/22b:3/22c:2/22d:1/22e:5/22f:7/22排序為：d,c,b,a,e,f1/222/223/224/225/227/22Huffman編碼方法cbafe7/225/224/222/2210f=11e=01a=00b=101c=1001d=1000d1/223/226/2222/2213/229/223/2210101010哈夫曼解碼在通訊中，假設(shè)將字符用哈夫曼編碼方式發(fā)送出去，對方接納到編碼后，將編碼復(fù)原成字符的過程，稱為哈夫曼解〔譯〕碼。解碼:從根結(jié)點起，每輸入一個數(shù)碼即沿二叉樹下移一層，數(shù)碼為0時移向左分支，數(shù)碼為1時移向右分支，待到達葉子結(jié)點時即譯出一個字符，再輸入的數(shù)碼又從根結(jié)點開場重新做起。反復(fù)由根出發(fā)，直到譯碼完成。5.1.1遺傳算法的根本機理5.1遺傳算法遺傳算法的根本概念遺傳操作〔GeneticOperator〕：遺傳操作是指作用于種群而產(chǎn)生新的種群的操作。包括以下3種根本方式：選擇〔Selection〕交叉〔Crosssover〕變異〔Mutation〕5.1.1遺傳算法的根本機理5.1遺傳算法遺傳算法的根本概念遺傳操作選擇操作也叫復(fù)制〔reproduction〕操作，根據(jù)個體的順應(yīng)度函數(shù)值所度量的優(yōu)劣程度決議它在下一代是被淘汰還是被遺傳。交叉操作的簡一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展交換。變異操作的簡一方式是改動數(shù)碼串的某個位置上的數(shù)碼。二進制編碼表示的簡單變異操作是將0與1互換：0變異為1，1變異為0。選擇算子模擬生物界優(yōu)勝劣汰的自然選擇法那么的一種染色體運算從種群中選擇順應(yīng)度較高的染色體進展復(fù)制，以生成下一代種群算法：個體順應(yīng)度計算在被選集中每個個體具有一個選擇概率選擇概率取決于種群中個體的順應(yīng)度及其分布個體順應(yīng)度計算，即個體選擇概率計算個體選擇方法按照順應(yīng)度進展父代個體的選擇交叉算子交換、交配、雜交互換兩個染色體某些位上的基因隨機化算子，生成新個體變異算子突變改動染色體某個/些位上的基因隨機化算子，生成新個體次要算子，但在恢復(fù)群體中失去的多樣性方面具有潛在的作用生物進化與遺傳算法之間的對應(yīng)關(guān)系生物進化中的概念遺傳算法中的作用環(huán)境適應(yīng)性適者生存?zhèn)€體染色體基因種群(群體)交叉變異生物進化與遺傳算法之間的對應(yīng)關(guān)系生物進化中的概念遺傳算法中的作用環(huán)境適應(yīng)函數(shù)適應(yīng)性函數(shù)適應(yīng)值適者生存適應(yīng)函數(shù)值最大的解被保留的概率最大個體問題的一個解染色體解的編碼基因編碼的元素種群(群體)根據(jù)適應(yīng)函數(shù)選擇的一組解交叉以一定的方式由雙親產(chǎn)生后代的過程變異編碼的某些分量發(fā)生變化的過程5.1.2遺傳算法的求解步驟遺傳算法的主要特點5.1遺傳算法(1)

遺傳算法利用目的函數(shù)的順應(yīng)度這一信息而非利用導(dǎo)數(shù)或其它輔助信息來指點搜索；(2)

遺傳算法利用選擇、交叉、變異等算子而不是利用確定性規(guī)那么進展隨機操作。遺傳算法對種群中的染色體反復(fù)做三種遺傳操作使其朝著順應(yīng)度增高的方向不斷更新?lián)Q代，直至出現(xiàn)了順應(yīng)度滿足目的條件的染色體為止遺傳算法參數(shù)種群規(guī)模種群的大小，用染色體個數(shù)表示最大換代數(shù)種群更新?lián)Q代的上限，也是算法終止一個條件交叉率Pc參與交叉運算的染色體個數(shù)占全體染色體總數(shù)的比例取值范圍：0.4-0.99變異率Pm發(fā)生變異的基因位數(shù)占全體染色體的基因總位數(shù)的比例取值范圍：0.0001-0.1染色體編碼長度L

遺傳算法流程圖(1)初始化群體;5.1遺傳算法(2)計算群體上每個個體的順應(yīng)度值;(3)按由個體順應(yīng)度值所決議的某個規(guī)那么選擇將進入下一代的個體;(4)按概率Pc進展交叉操作;

(5)按概率Pc進展變異操作;

(6)假設(shè)沒有滿足某種停頓條件，那么轉(zhuǎn)第(2)步，否那么進入下一步。(7)輸出群體中順應(yīng)度值最優(yōu)的染色體作為問題的稱心解或最優(yōu)解。GA算法框圖普通遺傳算法的主要步驟如下：(1)隨機產(chǎn)生一個由確定長度的特征字符串組成的初始群體。5.1遺傳算法(2)

對該字符串群體迭代地執(zhí)行下面的步驟①和②，直到滿足停頓規(guī)范：①計算群體中每個個體字符串的順應(yīng)值；②運用選擇、交叉、變異等遺傳算子產(chǎn)生下一代群體。(3)

把在后代中出現(xiàn)的最好的個體字符串指定為遺傳算法的執(zhí)行結(jié)果，這個結(jié)果可以表示問題的一個解。產(chǎn)生初始群體能否滿足停頓準(zhǔn)那么計算每個個體的順應(yīng)值i=M?GEN:=GEN+1依概率選擇遺傳操作執(zhí)行復(fù)制選擇一個個體i:=i+1選擇兩個個體選擇一個個體執(zhí)行變異i:=0GEN:=0復(fù)制到新群體i:=i+1將兩個后代插入新群體插入到新群體執(zhí)行雜交指定結(jié)果終了是否是否變異復(fù)制交叉5.1遺傳算法流程圖例：求函數(shù)的最大值例：求函數(shù)的最大值其中x為[0,31]間的整數(shù)編碼：采用二進制方式編碼由于x的定義域是[0,31]間的整數(shù)，剛好可以用5位二進制數(shù)表示，因此可以用5位二進制數(shù)表示該問題的解，即染色體。如00000表示x＝0，10101表示x＝21，11111表示x＝31等問題：求〔1〕編碼：此時取均長為5，每個染色體〔2〕初始群體生成：群體大小視情況而定，此處設(shè)置為4，隨機產(chǎn)生四個個體：編碼：01101，11000，01000，10011解碼：1324819順應(yīng)度：16957664361〔3〕順應(yīng)度評價：〔4〕選擇：選擇概率個體：01101，11000，01000，10011順應(yīng)度：16957664361選擇概率：0.140.490.060.31選擇結(jié)果：01101，11000，11000，10011〔5〕交叉操作：發(fā)生交叉的概率較大，變異概率很小。哪兩個個體配對交叉是隨機的。交叉點位置的選取是隨機的〔單點交叉〕0110101100110001101111000110011001110000假設(shè)采用輪盤式選擇個體，四個個體依次選中次數(shù)為1，2，0，1。染色體11001在種群中出現(xiàn)了2次，而原染色體01000那么因順應(yīng)值太小而被淘汰。輪盤式選擇首先計算每個個體i被選中的概率然后根據(jù)概率的大小將圓盤分為n個扇形。選擇時轉(zhuǎn)動輪盤，參考點r落到扇形i，那么選擇個體i。......p1p2pir從統(tǒng)計角度看，個體的順應(yīng)度值越大，其對應(yīng)的扇區(qū)的面積越大，被選中的能夠性也越大。這種方法有點類似于發(fā)放獎品運用的輪盤，并帶有某種賭博的意思，因此亦被稱為賭輪選擇。交叉操作交叉〔Crossover〕操作是指按照某種方式對選擇的父代個體的染色體的部分基因進展交配重組，從而構(gòu)成新的個體。交配重組是自然界中生物遺傳進化的一個主要環(huán)節(jié)，也是遺傳算法中產(chǎn)生新的個體的最主要方法。

根本遺傳操作單點交叉單點交叉也稱簡單交叉，它是先在兩個父代個體的編碼串中隨機設(shè)定一個交叉點，然后對這兩個父代個體交叉點前面或后面部分的基因進展交換，并生成子代中的兩個新的個體。假設(shè)兩個父代的個體串分別是：X=x1x2…xkxk+1…xnY=y1y2…ykyk+1…yn隨機選擇第k位為交叉點，假設(shè)采用對交叉點后面的基因進展交換的方法，交叉后生成的兩個新的個體是：X’=x1x2…xkyk+1…ynY’=y1y2…ykxk+1…xn

例設(shè)有兩個父代的個體串A=001101和B=110010，假設(shè)隨機交叉點為4，那么交叉后生成的兩個新的個體是：A’=001110B’=110001〔4〕選擇：選擇概率個體：01101，11000，01000，10011順應(yīng)度：16957664361選擇概率：0.140.490.060.31選擇結(jié)果：01101，11000，11000，10011〔5〕交叉操作：發(fā)生交叉的概率較大，變異概率很小。哪兩個個體配對交叉是隨機的。交叉點位置的選取是隨機的〔單點交叉〕0110101100110001101111000110011001110000假設(shè)采用輪盤式選擇個體，四個個體依次選中次數(shù)為1，2，0，1。染色體11001在種群中出現(xiàn)了2次，而原染色體01000那么因順應(yīng)值太小而被淘汰?！?〕變異：發(fā)生變異的概率很小。假設(shè)本次沒有發(fā)生變異，那么變異前的種群即為進化后所得到的第1代種群?！?〕新群體的產(chǎn)生：保管上一代最優(yōu)個體，普通為10%左右，至少1個用新個體取代舊個體，隨機取代或擇優(yōu)取代。11000，11011，11001，10011〔8〕反復(fù)上述操作。闡明：GA的終止條件普通人為設(shè)置；GA只能求次優(yōu)解或稱心解。分析：按第二代新群體進展遺傳操作，假設(shè)無變異，永遠也找不到最優(yōu)解——擇優(yōu)取代有問題。假設(shè)隨機地將個體01101選入新群體中，有能夠找到最優(yōu)解。在經(jīng)過編碼以后，遺傳算法幾乎不需求任何與問題有關(guān)的知識，獨一需求的信息是順應(yīng)值的計算。也不需求運用者對問題有很深化的了解和求解技巧，經(jīng)過選擇、交叉和變異等簡單的操作求解復(fù)雜的問題，是一個比較通用的優(yōu)化算法。收斂性定理假設(shè)在代的進化過程中，遺傳算法每次保管到目前為止的最好解，并且算法以交叉和變異為其隨機化操作，那么對于一個全局最優(yōu)化問題，當(dāng)進化代數(shù)趨于無窮時，遺傳算法找到最優(yōu)解的概率為1。遺傳算法圖搜索解空間搜索問題空間搜索->解隨機搜索、隨機選取初始點集/種群固定初始/目標(biāo)節(jié)點尋找最優(yōu)解/次優(yōu)解尋找解點集->點集、并行計算點->點需適應(yīng)度函數(shù)需先驗知識全局搜索約束較多算法比較遺傳算法的實現(xiàn)5.1遺傳算法遺傳算法是一種自創(chuàng)生物界自然選擇和進化機制開展起來的高度并行、隨機、自順應(yīng)的搜索方法。MATLAB通用遺傳算法工具箱GAOT運用群體搜索技術(shù)，將種群代表一組問題的解，經(jīng)過對當(dāng)前種群施加選擇、交叉和變異等一系列遺傳操作，從而得到新的一代種群，并逐漸使種群進化到包含近似最優(yōu)解形狀。第五章計算智能(2)5.1遺傳算法5.2進化戰(zhàn)略5.3進化編程5.4人工生命5.2進化戰(zhàn)略進化戰(zhàn)略(EvolutionStrategies，ES)是一類模擬自然進化原理以求解參數(shù)優(yōu)化問題的算法。它是由雷切伯格〔Rechenberg〕、施韋費爾〔Schwefel〕和彼得·比納特〔PeterBienert〕于1964年提出的，并在德國共同建立的。5.2.1進化戰(zhàn)略的算法模型尋求與函數(shù)極值關(guān)聯(lián)的實n維矢量x。隨機選擇父矢量的初始群體。〔雙親向量的初始群體〕父矢量xi,i=1,…,p產(chǎn)生子代矢量xi?！沧訉O向量的創(chuàng)建〕對誤差(i=1,…,p)排序以選擇和決議堅持哪些矢量。繼續(xù)產(chǎn)生新的實驗數(shù)據(jù)以及選擇最小誤差矢量。該過程將繼續(xù)到找到符合條件的答案或者一切的計算曾經(jīng)全部完成為止。5.2進化戰(zhàn)略最簡單方式的進化戰(zhàn)略可描畫如下：5.2.2進化戰(zhàn)略和遺傳算法的區(qū)別進化戰(zhàn)略和遺傳算法有著很強的類似性，它們都是一類模擬自然進化原理的算法。5.2進化戰(zhàn)略兩者也存在著區(qū)別，其中最根本的區(qū)別是它們的研討領(lǐng)域不同。進化戰(zhàn)略是一種數(shù)值優(yōu)化的方法，它采用一個具有自順應(yīng)步長和傾角的特定爬山方法。遺傳算法從廣義上說是一種自順應(yīng)搜索技術(shù)。5.2.2進化戰(zhàn)略和遺傳算法的區(qū)別除了研討和運用領(lǐng)域外，進化戰(zhàn)略和遺傳算法還有以下區(qū)別：(1)進化戰(zhàn)略和遺傳算法表示個體的方式不同，

進化戰(zhàn)略在浮點矢量上運轉(zhuǎn)，而遺傳算法普通運轉(zhuǎn)在二進制矢量上。

5.2進化戰(zhàn)略(2)進化戰(zhàn)略和遺傳算法的選擇過程不同。(3)進化戰(zhàn)略和遺傳算法的復(fù)制參數(shù)不同，遺傳算法的復(fù)制參數(shù)(交叉和變異的能夠性)在進化過程中堅持恒定，而進化戰(zhàn)略時時改動它們。隨著技術(shù)的開展，進化戰(zhàn)略和遺傳算法以上的差別越來越不明顯。第五章計算智能(2)5.1遺傳算法5.2進化戰(zhàn)略5.3進化編程5.4人工生命5.3進化編程進化編程(EvolutionaryProgramming，EP)，又稱為進化規(guī)劃〔EvolutionaryPlanning〕，是由福格爾〔Fogel〕在1962年提出的一種模擬人類智能的方法。進化編程根據(jù)正確預(yù)測的符號數(shù)來度量順應(yīng)值。經(jīng)過變異，為父代群體中的每個機器形狀產(chǎn)生一個子代。父代和子代中最好的部分被選擇生存下來。它的提出是受自然生物進化機制的啟發(fā)。5.3.1進化編程的機理與表示進化編程的過程，可了解為從一切能夠的計算機程序構(gòu)成的空間中，搜索具有高的順應(yīng)度的計算機程序個體。在進化程序設(shè)計中，幾百或幾千個計算機程序參與遺傳進化。5.3進化編程進化編程由一隨機產(chǎn)生的計算機程序群體開場，群體中每個計算機程序個體是用順應(yīng)度來評價的，該順應(yīng)值與特定的問題領(lǐng)域有關(guān)。5.3.2進化編程的步驟進化編程分為三個步驟：產(chǎn)生初始群體。它由關(guān)于問題(計算機程序)的函數(shù)隨機組合而成。5.3進化編程迭代完成下述子步驟，直至滿足選中規(guī)范為止：執(zhí)行群體中的每個程序，根據(jù)它處理問題的才干，給它指定一個順應(yīng)值。運用變異等操作發(fā)明新程序群體。基于順應(yīng)值根據(jù)概率從群體中選出一個計算機程序個體，然后用適宜的操作作用于該計算機程序個體。把現(xiàn)有的計算機程序復(fù)制到新的群體中。經(jīng)過遺傳隨機重組兩個現(xiàn)有的程序,發(fā)明出新的計算機程序個體。在后代中順應(yīng)值最高的計算機程序個體被指定為進化編程的結(jié)果。這一結(jié)果能夠是問題的解或近似解。變異和發(fā)明子代評價已存在的FSM用最好的形狀機預(yù)測和添加符號選擇父代初始化觀測順序是否能否預(yù)測初始化群體圖進化編程的根本過程5.3進化編程FSM〔FiniteStateMachine，有限形狀機〕進化計算的三種算法即遺傳算法、進化戰(zhàn)略和進化編程都是模擬生物界自然進化過程而建立的魯棒性計算機算法。在一致框架下對三種算法進展比較，可以發(fā)現(xiàn)它們有許多類似之處，同時也存在較大的差別。進化戰(zhàn)略和進化編程都把變異作為主要搜索算子，而在規(guī)范的遺傳算法中，變異只處于次要位置。交叉在遺傳算法中起著重要作用，而在進化編程中卻被完全省去，在進化戰(zhàn)略中與自順應(yīng)結(jié)合運用，起了很重要的作用。規(guī)范遺傳算法和進化編程都強調(diào)隨機選擇機制的重要性，而從進化戰(zhàn)略的角度看，選擇〔復(fù)制〕是完全確定的。進化戰(zhàn)略和進化編程確定地把某些個體排除在被選擇〔復(fù)制〕之外，而規(guī)范遺傳算法普通都對每個個體指定一個非零的選擇概率。第五章計算智能(2)5.1遺傳算法5.2進化戰(zhàn)略5.3進化編程5.4人工生命5.4人工生命自然界是生命之源。自然生命千千萬萬，千姿百態(tài)，千差萬別，巧奪天工，奇妙無窮。人工生命〔ArtificialLife，AL〕試圖經(jīng)過人工方法建造具有自然生命特征的人造系統(tǒng)。人工生命是生命科學(xué)、信息科學(xué)和系統(tǒng)科學(xué)等學(xué)科交叉研討的產(chǎn)物，其研討成果必將促進人工智能的開展。5.4.1人工生命研討的來源和開展人類長期以來不斷力圖用科學(xué)技術(shù)方法模擬自然界，包括人腦本身。1943年麥卡絡(luò)奇和皮茨提出了M－P神經(jīng)學(xué)網(wǎng)絡(luò)模型。5.4人工生命人工生命的許多早期研討任務(wù)也源于人工智能。20世紀(jì)70年代以來，康拉德〔Conrad〕等提出不斷完善的“人工世界〞模型。20世紀(jì)80年代，人工神經(jīng)網(wǎng)絡(luò)再度興起促進人工生命的開展。在1987年第一次人工生命研討會上，美國圣塔菲研討所〔SantaFeInstitute，SFI〕非線性研討組的蘭頓〔Langton〕正式提出人工生命的概念，建立起人工生命新學(xué)科。以后，人工生命研討進入一個蓬勃開展的新時期。5.4.2人工生命的定義和研討意義人工生命是一項籠統(tǒng)地提取控制生物景象的根本動態(tài)原理，并且經(jīng)過物理媒介〔如計算機〕來模擬生命系統(tǒng)動態(tài)開展過程的研討任務(wù)。5.4人工生命通俗地講，人工生命即人造的生命，非自然的生命。然而，要對人工生命做出嚴(yán)厲的定義，卻需求對問題進展深化研討。人工生命系統(tǒng)1987年蘭德提出的人工生命定義為：“人工生命是研討可以演示出自然生命系統(tǒng)特征行為的人造系統(tǒng)〞。5.4人工生命經(jīng)過計算機或其它機器對類似生命的行為進展綜合研討，以便對傳統(tǒng)生物科學(xué)起互補作用。蘭德在計算機上演示了他們研制的具有生命特征的軟件系統(tǒng)，并把這類具有生命景象和特征的人造系統(tǒng)稱為人工生命系統(tǒng)。自然生命的共同特征和景象自繁衍、自進化、自尋優(yōu)自生長、自學(xué)習(xí)、自組織自穩(wěn)定、自順應(yīng)、自協(xié)調(diào)物質(zhì)構(gòu)造能量轉(zhuǎn)換信息處置5.4人工生命研討人工生命的意義人工生命是自然生命的模擬、延伸與擴展，其研討開發(fā)有艱苦的科學(xué)意義和廣泛的運用價值。5.4人工生命

開發(fā)基于人工生命的工程技術(shù)新方法、新系統(tǒng)、新產(chǎn)品為自然生命的研討提供新模型、新工具、新環(huán)境延伸人類壽命、減緩衰老、防治疾病擴展自然生命，人工進化、優(yōu)生優(yōu)育促進生命、信息、系統(tǒng)科學(xué)的交叉與開展5.4.3人工生命的研討內(nèi)容和方法

人工生命的研討內(nèi)容人工生命的研討內(nèi)容大致可分為兩類：構(gòu)成生物體的內(nèi)部系統(tǒng)，包括腦、神經(jīng)系統(tǒng)、內(nèi)分泌系統(tǒng)、免疫系統(tǒng)、遺傳系統(tǒng)、酶系統(tǒng)、代謝系統(tǒng)等。5.4人工生命在生物體及其群體的外部系統(tǒng)，包括環(huán)境順應(yīng)系統(tǒng)和遺傳進化系統(tǒng)等。人工生命的科學(xué)框架生命景象仿生系統(tǒng)生命景象的建模與仿真進化動力學(xué)人工生命的計算實際和工具進化機器人進化和學(xué)習(xí)等的結(jié)合人工生命的運用5.4人工生命人工生命的研討方法〔1〕信息模型法根據(jù)內(nèi)部和外部系統(tǒng)所表現(xiàn)的生命行為來建造信息模型。5.4人工生命〔2〕任務(wù)原理法生命行為所顯示的自律分?jǐn)?shù)和非線性行為，其任務(wù)原理是混沌和分形，以此為根底研討人工生命的機理。人工生命的研討技術(shù)途徑

(1)工程技術(shù)途徑利用計算機、自動化、微電子、精細機械、光電通訊、人工智能、神經(jīng)網(wǎng)絡(luò)等有關(guān)工程技術(shù)方法和途徑，研討開發(fā)、設(shè)計制造人工生命。經(jīng)過計算機屏幕，以及三維動畫，虛擬現(xiàn)實的軟件方法或采用光機電一體化的硬件安裝來演示和表達人工生命。5.4人工生命(2)生物科學(xué)途徑利用生物科學(xué)方法和技術(shù)，經(jīng)過人工合成、基因控制，無性繁衍過程，培育生成人工生命。5.4人工生命由于倫理學(xué)、社會學(xué)、人類學(xué)等方面的問題，經(jīng)過生物科學(xué)途徑生成的人工生命，如克隆人引起了不少爭論。需求研討和制定相應(yīng)的社會監(jiān)視、國家法律和國際公約。5.4.4人工生命的實例人工腦波蘭人工智能和心思學(xué)教授安奇·布勒〔AndrzejBuller〕及一些日本學(xué)者在日本現(xiàn)代通訊研討所進化系統(tǒng)研討室對人工腦的研討，已獲得重要進展。5.4人工生命計算機病毒計算機進程細胞自動機人工核苷酸在計算機病毒出現(xiàn)以前，病毒不斷是一個純生物學(xué)的概念。它是指具有一定生物學(xué)構(gòu)造的最小的生命單位，是一團可以自主復(fù)制的遺傳物質(zhì)。自然界的生物病毒有很多種，總共1000多種，是自然界普遍存在的一種生命景象。

普通以為，計算機病毒這一概念是在1983年由美國專家科恩〔FredCohen〕在一次計算機平安學(xué)術(shù)會議上正式提出的，并獲準(zhǔn)進展了實驗演示，從而證明了計算機病毒的存在。世界上最早發(fā)現(xiàn)的計算機病毒是“巴基斯坦〞病毒，時間是1986年1月。1987年和1988年，計算機病毒肆虐歐美，1989年計算機病毒悄然登陸中華大地。截止目前，估計世界上已有的計算機病毒達6000余種，并越來越嚴(yán)重地要挾著計算機系統(tǒng)的平安，使得計算機用戶談毒色變、惶恐不安。于是人們一致地對計算機病毒采取了消滅與預(yù)防的戰(zhàn)略和方針。計算機病毒能夠并非人們通常所以為的那樣只需消極作用、破壞性作用，假設(shè)我們可以哲學(xué)地思索與對待計算機病毒，那么我們就會發(fā)現(xiàn)它所潛在的一些非常有益的作用、建立性的作用。計算機病毒有能夠?qū)θ祟愄角笊膴W妙發(fā)揚非常獨特而積極的作用。

根據(jù)科恩于1983年給計算機病毒下的定義：計算機病毒是一種程序。它用修正其他程序的方法將本身的準(zhǔn)確拷貝或者能夠演化的拷貝放入其他程序，從而感染其