安全生產智能化保障技術 第2版 課件 第二章 現(xiàn)代智能技術

第二章現(xiàn)代智能技術安全生產智能保障技術

主要內容2.1概述2.2遺傳算法2.3神經網絡2.4粒子群算法2.5蟻群算法2.6免疫算法2.7應用概述

人工智能的成就與生物有著密切的關系，不論是結構模擬的人工神經網絡、功能模擬的模糊邏輯系統(tǒng)，還是著眼于生物進化微觀機理和宏觀行為的進化算法，都有仿生的痕跡。也正是由于模仿生物智能行為，借鑒其智能機理，許多解決復雜問題的新方法不斷涌現(xiàn)，豐富了人工智能的研究領域。背景：生物進化基本循環(huán)圖

依據生物進化論的“適者生存”規(guī)律而提出：遺傳算法群體競爭變異種群婚配子群淘汰的群體遺傳算法基本思想：

通過隨機方式產生若干個所求解問題的編碼，形成初始種群；通過適應度函數(shù)給每個個體一個數(shù)值評價，淘汰低適應度的個體，選擇高適應度的個體參加遺傳操作，經過遺傳操作后的個體集合形成下一代新的種群。再對這個新種群進行下一輪的進化。遺傳操作可使問題的解一代一代地優(yōu)化，并逼近最優(yōu)解。遺傳算法構成要素：問題的每個有效解被稱為一個“染色體”，對應于群體中的每個生物個體。染色體的具體形式是一個使用特定編碼方式生成的編碼串，其等位基因是由二值符號集{0,1}遺傳算法通過比較適應值區(qū)分染色體的優(yōu)劣，適應值越大的染色體越優(yōu)秀。評估函數(shù)用來計算并確定染色體對應的適應值。遺傳算法構成要素：選擇算子按照一定的規(guī)則對群體的染色體進行選擇，得到父代種群。一般情況下，越優(yōu)秀的染色體被選中的次數(shù)越多。交叉算子作用于每兩個成功交配的父代染色體，染色體交換各自的部分基因，產生兩個子代染色體。子代染色體取代父代染色體進入新種群，而沒有交配的染色體則直接進入新種群。變異算子使新種群進行小概率的變異。染色體發(fā)生變異的基因改變數(shù)值，得到新的染色體。經過變異的新種群替代原有群體進入下一次進化。遺傳算法遺傳算法實現(xiàn)：個體適應度評價：適應度函數(shù)是根據目標函數(shù)確定的用于區(qū)分群體中個體好壞的標準，總是非負的，希望它的值越大越好。比例選擇算子：也叫做賭盤選擇，指個體被選中并遺傳到下一代群體中的概率與該個體的適應度大小成正比。

假設一個具有N

個扇區(qū)的輪盤，每個扇區(qū)對應群體中的一個染色體，扇區(qū)的大小與對應染色體的Pi值成正比。遺傳算法遺傳算法實現(xiàn)：單點交叉算子：在個體串中隨機設定一個交叉點，實行交叉時，該點前或后的兩個個體的部分結構進行互換，并生成兩個新個體?；疚蛔儺愃阕樱簩€體的每一個基因座，依變異概率指定其為變異點；對每一個指定的變異點，對其基因值做取反運算或用其他等位基因值來代替，從而產生出一個新的個體。遺傳算法遺傳算法實現(xiàn)：終止條件：當最優(yōu)個體的適應度達到給定的閾值，或者最優(yōu)個體的適應度和群體適應度不再上升時，或者迭代算次數(shù)達到預設的代數(shù)時，算法終止。在實際應用中，兩種終止準則通常同時使用，滿足其中一條準則時算法即終止。遺傳算法遺傳算法的特點遺傳算法以決策變量的編碼作為運算對象遺傳算法直接以目標函數(shù)值作為搜索信息遺傳算法同時使用多個搜索點的搜索信息，即對搜索空間中的多個解進行評估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)則來指導它的搜索方向。遺傳算法遺傳算法的應用函數(shù)優(yōu)化組合優(yōu)化總體方案設計反求工程可靠性分析生產調度問題神經網絡神經網絡概述神經網絡是一種模擬動物神經網絡行為特征，進行分布式并行信息處理的算法。這種網絡依靠系統(tǒng)的復雜程度，通過調整內部大量節(jié)點之間相互連接的關系，從而達到處理信息的目的。神經網絡神經網絡概述構成：大量簡單的基本元件——神經元相互連接工作原理：模擬生物的神經處理信息的方式功能：進行信息的并行處理和非線性轉化特點：比較輕松地實現(xiàn)非線性映射過程具有大規(guī)模的計算能力神經網絡神經網絡概述神經網絡的本質就是利用計算機語言模擬人類大腦做決定的過程做決定距離味道價格神經網絡神經網絡概述樹突細胞核細胞體軸突突觸神經末梢大腦可視作為1000多億神經元組成的神經網絡神經元的解剖圖神經網絡神經網絡的結構神經元模型按一定規(guī)則將神經元連接成神經網絡，并使網絡中各神經元的連接權按一定規(guī)則變化。人工神經網絡中的神經元常稱為節(jié)點或處理單元，每個節(jié)點均具有相同的結構，其動作在時間和空間上均同步。神經網絡神經網絡的結構前饋網絡單層前饋網絡多層前饋網絡神經網絡神經網絡的結構反饋網絡神經網絡神經網絡的學習有導師學習——也稱為有監(jiān)督學習，這種學習模式采用的是糾錯規(guī)則。無導師學習——無監(jiān)督學習，學習過程中，需要不斷地給網絡提供動態(tài)輸入信息，網絡能根據特有的內部結構和學習規(guī)則，在輸入信息流中發(fā)現(xiàn)任何可能存在的模式和規(guī)律灌輸式學習——將網絡設計成能記憶特別的例子，以后當給定有關該例子的輸入信息時，例子便被回憶起來。神經網絡神經網絡的特點結構特點——信息處理的并行性、信息存儲的分布性、信息處理單元的互聯(lián)性、結構的可塑性。性能特點——高度的非線性、良好的容錯性和計算的非精確性。能力特征——自學習、自組織與自適應性。神經生物類比性——神經網絡的設計是由與人腦的類比引發(fā)的，人腦是一個容錯的并行處理的實例，說明這種處理不僅在物理上是可實現(xiàn)的，而且是快速高效的。神經網絡神經網絡的應用自動控制——漏鋼預報系統(tǒng)系統(tǒng)由時間序列神經網絡和空間神經網絡構成多級神經網絡。時間序列神經網絡用于識別溫度的上升和下降模式，空間神經網絡用于識別結晶器內溫度移動的模式。當輸出層的輸出值超出預定閾值時輸出漏鋼預報。神經網絡神經網絡的應用智能檢測以神經網絡作為智能檢測中的信息處理元件便于對多個傳感器的相關信息（如溫度、濕度、風向和風速等）進行復合、集成、融合、聯(lián)想等數(shù)據融合處理，實現(xiàn)單一傳感器所不具備的功能。汽車工程自動換擋、剎車自動控制水利工程水力發(fā)電過程辨識和控制、河川徑流預測、河流水質分類、水資源規(guī)劃、混凝土性能預估、拱壩優(yōu)化設計、頂應力混凝土樁基等結構損傷診斷、砂土液化預測、巖體可爆破性分級及爆破效應預測、巖土類型識別、地下工程圍巖分類、大壩等工程結構安全監(jiān)測等許多實際問題中。鳥食鳥優(yōu)化策略為兩個動作的合成：（1）鳥群向距離食物最近的那只鳥的方向飛行（2）每只鳥向自身的最優(yōu)方向飛行已知：（1）鳥的位置；（2）距離食物最近

的那只鳥求解：這群鳥在最短時間搜尋到這塊食物的飛行策略模擬群鳥覓食過程：

粒子群算法鳥群：

假設一個區(qū)域，所有的鳥都不知道食物的位置，但是它們知道當前位置離食物的遠近程度。粒子群算法

每個解看作一只鳥，稱為“粒子(particle)”，所有的粒子都有一個適應值（離食物的遠近程度），每個粒子都有一個速度決定它們的飛翔方向和距離，粒子們追隨當前最優(yōu)粒子在解空間中搜索。粒子群算法的生物學特征

粒子群算法算法流程

粒子群算法(1)屬仿生算法：PSO主要模擬鳥類覓食；GA主借用生物進化的規(guī)律。(2)屬全局優(yōu)化方法：在解空間中都隨機產生初始種群，因而算法在全局的

解空間中進行搜索，且將搜索重點集中在性能高的部分。(3)屬隨機搜索算法：PSO中個體認知項和社會認知項前都加有隨機數(shù)；GA的遺傳操作均屬隨機操作。(4)隱含并行性：搜索過程是從問題解的一個集合開始的，而不是從單個個

體開始，具有隱含并行搜索特性，從而減小了陷入局部極小的可能性。

由于這種并行性，易在并行計算機上實現(xiàn)，以提高算法性能和效率。(5)不受函數(shù)約束條件的限制，如連續(xù)性、可導性等。(6)對高維復雜問題，往往會遇到早熟收斂和收斂性能差的缺點，都無法保

證收斂到最優(yōu)點。

遺傳算法與粒子去算法共性粒子群算法(1)PSO沒有交叉和變異，根據自己的速度來決定搜索。(2)PSO的信息共享機制與遺傳算法不同。在遺傳算法中，染色體(chromosomes)互相共享信息，所以整個種群的移動是比較均勻的向最優(yōu)區(qū)域移動在PSO中,只有gbest給出信息給其他的粒子，這是單向的信息流動，整個搜索更新過程是跟隨當前最優(yōu)解的過程。(3)與遺傳算法比較,在大多數(shù)的情況下，所有的粒子可能更快的收斂于最優(yōu)解。(4)PSO算法相對于GA，對種群大小不十分敏感，即

種群數(shù)目下降時性能下降不是很明顯。粒子群算法遺傳算法與粒子去算法不同點概述蟻群算法蟻群算法的核心內容是螞蟻在運動的過程中依靠一種外激素來同其他的個體進行交流、通訊。螞蟻經過的地方都會留下一種特殊的激素，并且可以識別這種物質存在，感知該物質濃度的強弱，螞蟻趨于向這種物質濃度高的路徑前進。這種搜索過程可以用兩個基本階段來報述自身調整階段——個體根據積累的信息不斷調整自身結構和群體協(xié)作階段——個體之間通過信息交流，以期產生性能更好的解基本原理蟻群算法在蟻群尋找食物時，它們總能找到一條從食物到巢穴之間的最優(yōu)路徑。這是因為螞蟻在尋找路徑時在它所經過的路徑上釋放出一種特殊的激素，并以此指導自己的運動方向。當它們碰到一個還沒有走過的路時，就隨機地挑選一條路徑前行，與此同時釋放出相應的激素，路徑越長，相同時間經過的螞蟻數(shù)越少，釋放的激素濃度越低。當后來的螞蟻再次碰到這個路口的時候，選擇激素濃度較高路徑概率就會相對較大，這樣形成一個正反饋。最優(yōu)路徑上的激素濃越來越大，而其他的路徑上激素濃度卻會隨著時間的流逝而消減。螞蟻個體之間就是通過這種信息交流達到搜索食物的目的?；驹硐伻核惴ㄋ形浵佊龅秸系K物時按照等概率選擇路徑，并留下信息素隨著時間的推移，較短路徑的信息素濃度升高螞蟻再次遇到障礙物時，會選擇信息素濃度高的路徑較短路徑的信息素濃度繼續(xù)升高，最終最優(yōu)路徑被選擇出來算法流程蟻群算法算法特點蟻群算法蟻群算法是一種自組織的算法蟻群算法是一種本質上并行的算法蟻群算法是一種正反饋的算法蟻群算法是一種通用性隨機方法蟻群算法具有較強的魯棒性算法應用蟻群算法車輛路徑問題（VehicleRoutingProblem，VRP）車間作業(yè)調度問題（Job-ShopSchedulingProblem，JSP）二次分配問題（Quadraticassignmentproblem,QAP）網絡路由（NetworkRouting）其他……子集問題（SetProblem）ACO圖像處理數(shù)據挖掘二維格模型蛋白質折疊問題最短公共超序列問題概述免疫算法

人工免疫算法將優(yōu)化問題中待優(yōu)化的問題對應免疫應答中的抗原，可行解對應抗體（B細胞），可行解質量對應免疫細胞與抗原的親和度，如此則可以將優(yōu)化問題的尋優(yōu)過程與生物免疫系統(tǒng)識別抗原并實現(xiàn)抗體進化的過程對應起來。

將生物免疫應答中的進化鏈（抗體群→免疫選擇→細胞克隆→高頻變異→克隆抑制→產生新抗體→新抗體群）抽象為數(shù)學上的進化尋優(yōu)過程，形成智能優(yōu)化算法。概述免疫算法生物免疫系統(tǒng)概念人工免疫算法的概念抗原要解決的問題抗體（B細胞）最優(yōu)候選解抗原識別確定問題類型從記憶細胞產生抗體聯(lián)想過去成功解淋巴細胞分化優(yōu)化解記憶細胞抑制剩余候選解的消除細胞克隆利用遺傳算子產生新抗體免疫系統(tǒng)概念人工免疫算法概念抗原優(yōu)化問題抗體（B細胞）優(yōu)化問題的可行解親和度可行解質量生物免疫系統(tǒng)概念與人工免疫算法概念對應得關系免疫算法分類免疫算法1、模仿免疫系統(tǒng)抗體與抗原識別，結合抗體產生過程而抽象出來的免疫算法2、基于免疫系統(tǒng)中的其他特殊機制抽象出的算法，例如克隆選擇算法3、與遺傳算法等其他計算智能融合產生的新算法，例如免疫遺傳算法算法流程免疫算法算法特點免疫算法不依賴于問題本身的嚴格數(shù)學性質（如連續(xù)性和可導性等），不需要建立關于問題本身的精確數(shù)學描述或邏輯模型具有分布式、并行件、自學習、自適應、自組織、魯棒性等優(yōu)良特性具有噪聲忍耐、無教師學習、自組織等進化學習機理具有潛在的并行性，并且易于并行化易于與其他智能計算方法相結合算法應用免疫算法柔性車間調度問題物流配送問題生產批量計劃問題現(xiàn)代智能技術在油田安全中的應用1、基于遺傳算法的地層壓力實時監(jiān)測

地層壓力是油氣安全鉆井的一項重要基礎參數(shù)。根據地層壓力的變化，合理選擇鉆井液密度將有利于鉆井安全及井身結構和套管柱的合理設計。遺傳算法可以綜合利用欠壓實、流體膨脹和源異常引起的異常地層壓力參數(shù)，利用鉆井參數(shù)數(shù)據，實時地從鉆速中分離出井底壓力變化信息，實現(xiàn)地層壓力的實時計算。根據鉆井液密度和地層水的密度可計算出初始的井底壓差。如果根據實鉆數(shù)據提取得到的井底壓差系數(shù)在異常壓力層段比正常壓力井段呈現(xiàn)出下降趨勢，而且壓力越高，下降越大，則可把地層壓力信息從鉆速中直接分離出來。再用遺傳算法可計算得到機械鉆速，機械鉆速除以實測機械鉆速可直接得到壓力計算模型應用遺傳算法預測地層壓力不受壓力形成因素和巖性限制，應用前景廣闊。現(xiàn)代智能技術在油田安全中的應用2、基于神經網絡的鉆進過程安全監(jiān)控專家系統(tǒng)

采用神經網絡作為鉆進過程安全監(jiān)控與事故診斷智能系統(tǒng)知識獲取的工具。若鉆進過程能夠獲取的鉆井參數(shù)有m個，則可以構造一個有m個輸入節(jié)點的神經網絡用于監(jiān)控，鉆進過程的運行狀況可以通過這m個量反映出來，輸出節(jié)點的輸出量分別對應鉆進過程中的n個事故類型