智能計算考試復(fù)習(xí)資料

第_章緒論1、 智能計算一一智能計算是信息科學(xué)、生命科學(xué)、認(rèn)知科學(xué)等不同學(xué)科相互交叉的產(chǎn)物。它主要借鑒仿生學(xué)和擬物的思想，基于人們對生物體智能機(jī)理和某些自然規(guī)律的認(rèn)識，采用數(shù)值計算的方法去模擬和實現(xiàn)人類的智能、生物智能、其它社會和自然規(guī)律。2、 智能計算的應(yīng)用領(lǐng)域一一圖像處理、數(shù)學(xué)計算、調(diào)度管理、市場營銷、模式識別，另外，還應(yīng)用于設(shè)備維修、更新和可靠性分析，項目的選擇與評價，工程優(yōu)化設(shè)計等。第二章演化計算1、 演化計算——演化計算是采用二進(jìn)制編碼或?qū)崝?shù)編碼技術(shù)來表示各種復(fù)雜問題的結(jié)構(gòu)，并通過對這些編碼進(jìn)行交叉和變異操作來實現(xiàn)優(yōu)勝劣汰的自然選擇，進(jìn)而指導(dǎo)學(xué)習(xí)和確定搜索的方向。2、 演化計算基本概念：1、 種群(poputation)：由若干個個體組成個體的集合，稱為種群(population)2、 迭代步(或演化代)3、 種群規(guī)模(poputationsize)：種群中含有的個體的數(shù)量叫做種群的規(guī)模(populationsize)。4、 個體(individual):—個二進(jìn)制串叫做一個個體(individual)05、 父代(parent)6、 后代(offspring)7、 問題空間：待求解問題的所有解8、 基因空間：所有編碼組合9、 染色體：問題解的編碼串10、 基因(gene):染色體的每一位11、 基因位(locus)：基因在染色體中所處的位置12、 等位基因(allele)：基因的取值13、 基因型(genetype):編碼空間中的點14、 表現(xiàn)型(phenotype):演化算法通常要將問題的解進(jìn)行編碼，即通過變換將問題空間映射到編碼空間，這個變換要求是可逆的，稱為解碼變換，被稱為表現(xiàn)型15、模式：表示 中的一些特定的子集。如果用*表示一個通配符，即在該位置既可以取0又可以取1，則空間 表示所有模式全體，如l=5時，模式H=01**1表示集合{01001，01101，01011，0111}o16、 模式的階：出現(xiàn)在模式中取確定值位置的數(shù)目，如H=01**1的階為317、 模式的長度：模式中第一個取確定值位置與最后一個取確定值位置之間的距離。3、 遺傳算法基本思路(會畫流程圖)適應(yīng)度函數(shù)的選取方式4、 演化計算的編碼設(shè)計的方法（1） 二進(jìn)制編碼（2） 格雷（Gray）編碼（3） 動態(tài)編碼（4） 實數(shù)編碼（5） 有序串編碼（6） 結(jié)構(gòu)式編碼5、 遺傳算法可以在哪些方面做改進(jìn)？（1）控制參數(shù)的調(diào)整（2）遺傳算子的改進(jìn)（3）與其它啟發(fā)式搜索技術(shù)結(jié)合構(gòu)成的基本遺傳算法的混合搜索算法6、 演化計算的主要特征一一1、智能性2、并行性3、處理對象的多樣性4、群體搜索性5、穩(wěn)健性6、隨機(jī)性7、挑戰(zhàn)性第三章蟻群算法1、應(yīng)用領(lǐng)域——這種方法能夠被用于解決大多數(shù)優(yōu)化問題或者能夠轉(zhuǎn)化為優(yōu)化求解的問題?，F(xiàn)在其應(yīng)用領(lǐng)域已擴(kuò)展到多目標(biāo)優(yōu)化、數(shù)據(jù)分類、數(shù)據(jù)聚類、模式識別、電信QoS管理、生物系統(tǒng)建模、流程規(guī)劃、信號處理、機(jī)器人控制、決策支持以及仿真和系統(tǒng)辯識等方面，群智能理論和方法為解決這類應(yīng)用問題提供了新的途徑。2、算法實現(xiàn)步驟（下載蟻群算法求解TSP的流程圖）3、蟻群算法的數(shù)學(xué)建模模型（29）

3.2.4蟻群算法與TSP問題1/3TSP問題表示為一個N個城市的有向^G=（N;A）,其中N={1,2,…刀}A={（i,j）NjeV}城市之間距離（日^）…目標(biāo)函數(shù)為 f3）=文d心山，1=1W二其中 y="為城市1????「的4、公式（34）用如下公式對W路徑上的信息素痕跡加強(qiáng)，對其他路徑上的信息素進(jìn)行揮發(fā)。 \ \（i,j）為W上的一條孤（i,j）不是W上的一條孤JT(k)=(1-P )T(k-1)+海ij k-1ij |w|k-1ij、T(k)=(1-P )T(k-1) k-1ijij得到新的 號k），k：=k+15、 會寫算法6、 優(yōu)缺點優(yōu)點：1、無集中控制約束，不會因個別個體的故障影響整個問題的求解，確保了系統(tǒng)具備更強(qiáng)的魯棒性2、以非直接的信息交流方式確保了系統(tǒng)的擴(kuò)展性3、并行分布式算法模型，可充分利用多處理器4、對問題定義的連續(xù)性無特殊要求5、算法實現(xiàn)簡單缺點：1、搜索時間長2、易陷于局部最優(yōu)解3、收斂速度慢7、 改進(jìn)（為什么、如何）（1） 狀態(tài)轉(zhuǎn)移規(guī)則為更好更合理地利用新路徑和利用關(guān)于問題的先驗知識提供了方法（2） 全局更新規(guī)則應(yīng)用于最優(yōu)的螞蟻路徑上（3） 在建立問題解決方案的過程中，應(yīng)用局部信息素更新規(guī)則第四章模擬退火算法1、基本思想和步驟（14）（三個函數(shù)、兩個準(zhǔn)則）415 必退北募注狗基本忌恩剝步驟,影響優(yōu)化結(jié)果的主要因素給定初溫仁°隨機(jī)產(chǎn)生初始狀態(tài)$=%,令40；RepeatRepeat產(chǎn)生新狀態(tài)鏟Genete($)；ifmin [0J]$=虧;Until拙程穩(wěn)定準(zhǔn)則滿足；退溫4+亍叩曲龍傀)并令A(yù)^fc+i； 二函數(shù)兩準(zhǔn)MP準(zhǔn)則 一出Metropolis準(zhǔn)則(1953) 以概率接受新狀態(tài)溫度固體在恒定溫度下達(dá)到熱平衡的過程可以用MonteCarlo方法(計算機(jī)隨機(jī)模擬方法)加以模擬，雖然該方法簡單，但必須大量采樣才能得到比較精確的結(jié)果，計算量很大。?Metropolis出Metropolis準(zhǔn)則(1953) 以概率接受新狀態(tài)溫度固體在恒定溫度下達(dá)到熱平衡的過程可以用MonteCarlo方法(計算機(jī)隨機(jī)模擬方法)加以模擬，雖然該方法簡單，但必須大量采樣才能得到比較精確的結(jié)果，計算量很大。固體在恒定溫度下i?….若在溫度乙當(dāng)前狀態(tài)i一新狀態(tài)j若與＜瓦，則接受j為當(dāng)前狀態(tài)；否則，若概率p=exp[-(Ej-Ei)/kBT]大于[0,1)區(qū)間的隨機(jī)數(shù)，則仍接受狀態(tài)j為當(dāng)前狀態(tài)；若不成立則保留狀態(tài)i為當(dāng)前狀態(tài)。p=exp[-(E/-Ei)/kBT]在高溫下，可接受與當(dāng)前狀態(tài)能量差較大的新狀態(tài);在低溫下，只接受與當(dāng)前狀態(tài)能量差較小的新狀態(tài)。第五章神經(jīng)網(wǎng)絡(luò)1、工作原理(圖、能想到的函數(shù)(5))OutputArtivsticnfunctjQO(moreonthislater)Output激活函數(shù)：S形函數(shù)2、2種神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)(1)感知器：W-H激活函數(shù)：S形函數(shù)2、2種神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)(1)感知器：W-H學(xué)習(xí)規(guī)則(2)BP網(wǎng)：構(gòu)造一個函數(shù)E(W，B)=1/2(wx-B)3、 例子(數(shù)字)思路：1、2、3、4、5……4、 學(xué)習(xí)規(guī)則(12)感知器學(xué)習(xí)規(guī)則的實質(zhì)為：權(quán)值的變化量等于正負(fù)輸入矢量。對于所有的i和j，i=l，2，…，s；j=1，2，…，r，感知器修正權(quán)值公式為:AW.=(o.-y.)*尤Ab.=(o-y.)*15、 異或問題一一一個只有兩個輸入和一個輸出，且輸入輸出都只取1和0兩個值的問題。線性不可分問題一一單層感知器不能表達(dá)的問題被稱為線性不可分問題。6、 網(wǎng)絡(luò)模型（可只標(biāo)大小寫）會寫學(xué)習(xí)規(guī)則第六章貪心算法1、 貪心算法一一從問題的某一個初始解出發(fā)逐步逼近給定的目標(biāo)，以盡可能快的地求得更好的解。當(dāng)達(dá)到某算法中的某一步不能再繼續(xù)前進(jìn)時，算法停止。該算法存在問題：-1.不能保證求得的最后解是最佳的；-2.不能用來求最大或最小解問題；-3.只能求滿足某些約束條件的可行解的范圍2、 舉例常見例子，如構(gòu)造哈弗曼樹，求最小生成樹第七章分治法1、 分治一一所謂分治，就字面意思而言，就是分而治之，將一個問題分解成為若干個與原有問題相似但規(guī)模較小的子問題，然后遞歸的求解這些子問題，最后合并這些子問題的結(jié)果就得到原問題的解了。一個問題能否用分治法解決，關(guān)鍵是看該問題是否能將原問題分成n個規(guī)模較小而結(jié)構(gòu)與原問題相似的子問題。遞歸的解決這些子問題，然后合并其結(jié)果就得到原問題的解。2、 二分一一當(dāng)n=2時的分治法又稱二分法。第八章動態(tài)規(guī)劃1、思想一一具有明顯的階段劃分和狀態(tài)轉(zhuǎn)移方程的動態(tài)規(guī)劃稱為標(biāo)準(zhǔn)動態(tài)規(guī)劃，這種標(biāo)準(zhǔn)動態(tài)規(guī)劃是在研究多階段決策問題時推導(dǎo)出來的，具有嚴(yán)格的數(shù)學(xué)形式，適合用于理論上的分析。動態(tài)規(guī)劃的實質(zhì)是分治思想和解決冗余，因此，動態(tài)規(guī)劃是一種將問題實例分解為更小的、相似的子問題，并存儲子問題的解而避免計算重復(fù)的子問題，以解決最優(yōu)化問題的算法策略。動態(tài)規(guī)劃是一種分段最優(yōu)化方法，它既可以用來求解約束條件下的函數(shù)極值問題，也可以用來求解約束條件下的泛函極值問題。它與極小值原理一樣，是處理控制矢量被限制在一定的閉集內(nèi)，求解最優(yōu)控制問題的有效數(shù)學(xué)方法之一。動態(tài)規(guī)劃的核心是最優(yōu)性原理，它首先將一個多段決策問題轉(zhuǎn)化為一系列單段決策問題，然后從最后一段狀態(tài)開始逆向遞推到初始狀態(tài)為止的一套求解最優(yōu)策略的完整方法。動態(tài)規(guī)劃法與分治法和貪心法類似，它們都是將問題實例歸納為更小的、相似的子問題，并通過求解子問題產(chǎn)生一個全局最優(yōu)解。其中貪心法的當(dāng)前選擇可能要依賴已經(jīng)作出的所有選擇，但不依賴于有待于做出的選擇和子問題。貪心法自頂向下，一步一步地作出貪心選擇；而分治法中的各個子問題是獨立的（即不包含公共的子子問題），因此一旦遞歸地求出各子問題的解后，便可自下而上地將子問題的解合并成問題的解。2、設(shè)計一個標(biāo)準(zhǔn)的動態(tài)規(guī)劃算法，通常可按以下幾個步驟進(jìn)行：（1） 劃分階段：按照問題的時間或空間特征，把問題分為若干個階段。注意這若干個階段一定要是有序的或者是可排序的（即無后向性），否則問題就無法用動態(tài)規(guī)劃求解。（2） 選擇狀態(tài)：將問題發(fā)展到各個階段時所處于的各種客觀情況用不同的狀態(tài)表示出來。當(dāng)然，狀態(tài)的選擇要滿足無后效性。第九章灰色預(yù)測1、了解一一灰色理論認(rèn)為系統(tǒng)的行為現(xiàn)象盡管是朦朧的，數(shù)據(jù)是復(fù)雜的，但它畢竟是有序的，是有整體功能的?；覕?shù)的生成，就是從雜亂中尋找出規(guī)律。同時，灰色理論建立的是生成數(shù)據(jù)模型，不是原始數(shù)據(jù)模型，因此，灰色預(yù)測的數(shù)據(jù)是通過生成數(shù)據(jù)的gm（1,1）模型所得到的預(yù)測值的逆處理結(jié)果。第十章專家系統(tǒng)1、專家系統(tǒng)一一專家系統(tǒng)是一種模擬人類專家解決領(lǐng)域問題的計算機(jī)程序系統(tǒng)。-具有大量的專門知識與經(jīng)驗-根據(jù)某領(lǐng)域一個或多個專家提供的知識和經(jīng)驗，進(jìn)行推理和判斷-需要解決的問題要足夠的復(fù)雜2、組成部分、體系結(jié)構(gòu)3、知識表達(dá)的方一一1、基于規(guī)則的表達(dá)方法2、基于框架的表