遗传算法在人工智能领域中的应用.docx

遗传算法在人工智能领域中的应用作者：王辉来源：《电脑知识与技术?学术交流》2008年第27期 摘要：该文介绍了遗传算法的基本概念、基本遗传算法的特点和基本遗传算法的求解步骤，同时也介绍了遗传算法在机器学习、并行处理、人工生命以及遗传算法与进化规则及进化策略的结合的发展动向，最后讨论了基于遗传算法的人工神经网络学习中的应用研究，具体论述了遗传算法在学习神经网络权重和学习神经网络拓扑结构的应用方法。 关键字：遗传算法；机器学习；人工生命；人工神经网络；神经网络拓扑结构 中图分类号：TP183文献标识码：A文章编号：1009-3044(2008)27-2040-03 TheApplicationofGeneticAlgorithmtotheArtificialIntelligence WANGHui (XinjiangPetroleumInstitute,Urumqi830000,China) Abstract:Inthispapertheauthorintroducesthebasicconceptionofgeneticalgorithm(GAforshort),thefeatureofGAandthecalculationsteps.Wecanalsogetageneralideaofthedevelopmentinthemachinelearning,ParallelProcessing,artificialLife,andtheintegrationofevolutionaryrulesandstrategies.Atlast,theapplicationofGAtoartificialneuralnetworksisdiscussed,especiallytheapplicationofGAtothestudyofneuralnetworksweightandtheneuralnetworktopology. Keywords:geneticalgorithm;machinelearning;artificiallife;artificialneuralnetworks;neuralnetworktopology 1遗传算法简介 遗传算法是模仿生物遗传学和自然选择机理，通过人工方式构造的一类优化搜索算法，与传统数学模型截然不同，它为那些难以找到传统数学模型的难题找出了一个解决方法。遗传算法借鉴了生物科学中达尔文的物竞天择、适者生存的进化准则，1975年，Michigan大学Holland教授根据这一规律首次提出了遗传算法（geneticalgorithm，简称GA），其基本思想是力求充分模仿这一自然寻优过程的随机性、鲁棒性和全局性。这是一种新型的全局优化搜索算法，因为其直接对结构对象进行操作，不存在求导和函数连续性的限定等数学问题，鲁棒性强、随机性、全局性以及适于并行处理，已广泛应用于神经网络、计算机科学、优化调度、运输问题、组合优化、机器学习、信号处理、自适应控制和人工生命等领域，并且遗传算法在实际应用中也取得了巨大成功。 2基本遗传算法 遗传算法的工作过程本质上就是模拟生物的进化过程。首先，要规定一种编码方法，使得你的问题的任何一个潜在可行解都能表示成为一个嗷字”染色体。然后，创建一个由随机的染色体组成的初始群体（每个染色体代表了一个不同的候选解），并在一段时期中，以培育适应性最强的个体的办法，让它们进化，在此期间，染色体的某些位置上要加入少量的变异。 遗传算法是一种基于空间搜索的算法，它的求解可以看成是最优化过程。遗传算法的最大优点就是，你不需要知道怎么去解决一个问题，你需要知道的仅仅是用什么样的方式对可行解进行编码，使得它能被遗传算法机制所利用。遗传算法并不能保证所得到的解是最优解，但可以将误差控制在容许的范围内。遗传算法具有以下特点： 1）遗传算法是对参数集合的编码而非针对参数本身进行优化； 2）遗传算法是从问题解的编码组开始而非从单个解开始搜索； 3）遗传算法利用目标函数的适应度这一信息而非利用导数或其他辅助信息来指导搜索； 4）遗传算法利用选择、交叉、变异等算子而不是利用确定性规则进行随机操作。 那么下面对基本遗传算法给出一个求解步骤： 1）定义一个目标函数； 2）将可行解群体在一定的约束条件下初始化，每一个可行解用一个向量x来编码，称为一条染色体，向量的分量代表基因，它对应可行解的某一决策变量； 3）计算群体中每条染色体xi（i=1，2,…，n）所对应的目标函数值，并以此计算适应值Fi，按Fi的大小来评价该可行解的好坏； 4）以优胜劣汰的机制，将适应值差的染色体淘汰掉，对幸存的染色体根据其适应值的好坏，按概率随机选择，进行繁殖，形成新的群体； 5）通过杂交和变异的操作，产生子代。杂交是随机选择两条染色体（