《2015年《計算智能》復(fù)習資料》由會員分享，可在線閱讀，更多相關(guān)《2015年《計算智能》復(fù)習資料（7頁珍藏版）》請在裝配圖網(wǎng)上搜索。
1、2015年計算智能復(fù)習資料一、 填空題1. 主流學派把人工智能分成：（邏輯主義）、（連結(jié)主義）和（行為主義）三大學派。計算智能有：（神經(jīng)網(wǎng)絡(luò)）、（進化算法）和(群體智能)三個分支學派。神經(jīng)網(wǎng)絡(luò)根據(jù)網(wǎng)絡(luò)學習方法可分為（有監(jiān)督學習）、（無監(jiān)督學習）和（再勵學習）三種形式。BP網(wǎng)絡(luò)模型的分為三層包括（輸入層）、（隱藏層） 和（輸出層）。人工神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程可歸結(jié)為（萌芽期）、（ 低潮反思期）、（復(fù)興發(fā)展時期和（高速發(fā)展時期）四個時期。遺傳算法借用生物遺傳學的觀點，是一種全局優(yōu)化算法，（選擇算子）、（ 交叉算子）和（變異算子）被認為是遺傳算法的三種基本操作算子。人工神經(jīng)網(wǎng)絡(luò)有：M-P感知機、BP神經(jīng)
2、網(wǎng)絡(luò)、前饋內(nèi)層互聯(lián)網(wǎng)絡(luò)、反饋網(wǎng)絡(luò)、全互聯(lián)網(wǎng)絡(luò)等幾種模型。人工神經(jīng)元之間通過互相聯(lián)接形成網(wǎng)絡(luò)，稱為人工神經(jīng)網(wǎng)絡(luò)。2. 遺傳算法的實現(xiàn)主要包括7個方面，染色體編碼、群體的初始化、適應(yīng)值評價、種群選擇、交叉、變異和算法流程；3. 免疫算法的七個要素:識別抗體，生成初始化的抗體，計算親和度，記憶細胞分化，抗體促進和抑制，產(chǎn)生新的抗體，結(jié)束條件。4. 遺傳算法的基本原理：A、編碼與譯碼：將問題結(jié)構(gòu)變換為位串形式編碼表示的過程叫編碼；反之，將位串形式編碼表示變換為原問題結(jié)構(gòu)的過程叫譯碼。B、適應(yīng)度函數(shù)：為了體現(xiàn)個體的適應(yīng)能力，引入了對問題中的每一個個體都能進行度量的函數(shù)，稱為適應(yīng)度函數(shù)。C、遺傳操作：主要
3、有三種（選擇、交叉、變異）選擇操作也叫復(fù)制操作，根據(jù)個體的適應(yīng)度函數(shù)值所度量的優(yōu)劣程度決定它在下一代是被淘汰還是被遺傳。交叉操作：它的簡單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行交換。變異操作：它的簡單方式是改變數(shù)碼串的某個位置上的數(shù)碼。5. 模擬退火算法的來源：模擬退火算法來源于固體退火原理，將固體加熱至充分高的溫度，再讓其徐徐冷卻，加溫時，固體內(nèi)部粒子隨溫度的升高而變?yōu)闊o序狀態(tài)，內(nèi)能增大，而徐徐冷卻時粒子漸趨有序，在每個溫度都達到平衡態(tài)，最后在常溫時達到基態(tài)，內(nèi)能減為最小。模擬退火算法分解為三個部分：解空間、目標函數(shù)、初始解.二、簡答題1、生物神經(jīng)元的六個基本
4、特征。1、神經(jīng)元及其聯(lián)結(jié)2、聯(lián)結(jié)強度決定信號傳遞的強弱3、聯(lián)結(jié)強度可以隨訓練而改變4、信號可以是刺激作用的，也可以是抑制的5、一個神經(jīng)元接受的信號的累積效果決定該神經(jīng)元的狀態(tài)6、每個神經(jīng)元可以有一個“閾值”2、智能是指人認識客觀事物并運用知識解決實際問題，它集中表現(xiàn)在反映客觀事物的深刻、正確、完全的程度上，以及應(yīng)用知識解決實際問題的速度和質(zhì)量上，往往通過觀察、記憶、判斷、聯(lián)想和創(chuàng)造等表現(xiàn)出來，簡單說，智能就是認識事物，解決問題。3、機器智能：假設(shè)一個人在房間一臺機器，另一個房間有一個人，當人們提出問題讓他們分別作答，而提問的人分辨不出是哪個人回答，哪個是機器回答的就認為機器有了智能。4、人工智
5、能:就是利用計算機來表示或執(zhí)行人類的智能活動，例如用計算機判斷、學習、決策、識別、理解、求解問題等。三、簡述題1、簡述人工神經(jīng)網(wǎng)絡(luò)的特點。（4個）1、復(fù)雜非線性函數(shù)的逼近：人工神經(jīng)網(wǎng)絡(luò)是高度非線性動力學系統(tǒng)，非線性函數(shù)可以是連續(xù)的、也可以是離散的，結(jié)構(gòu)可以是單層的、也可以是多層的。2、具有分布式信息存儲特點、可塑性：所有定量、定性的信息都等勢分布于網(wǎng)絡(luò)內(nèi)的各個神經(jīng)元，大量神經(jīng)元之間通過不同連接方式和權(quán)值分布來表征特定的信息。個別神經(jīng)元或局部網(wǎng)絡(luò)受損時，神經(jīng)網(wǎng)絡(luò)可以依靠現(xiàn)有的存儲實現(xiàn)對數(shù)據(jù)的聯(lián)想記憶功能。3、具有巨量信息并行處理和大規(guī)模平行計算能力：每個神經(jīng)元對所接受的信息作相對獨立的處理，但各
6、個神經(jīng)元之間可以并行、協(xié)同地工作；人腦每個神經(jīng)元很簡單，但由于大腦總計形成10E14-15個突觸，使得人腦1s內(nèi)可完成計算機至少需要10億處理步驟才能完成的任務(wù)。4、具有自組織、自學習功能：人工神經(jīng)網(wǎng)絡(luò)可以根據(jù)所在的環(huán)境去改變它的行為，可以按要求產(chǎn)生從未遇到的模式“抽象”功能；神經(jīng)網(wǎng)絡(luò)間的連接網(wǎng)絡(luò)權(quán)值可以通過自學習過程不斷地修正；能在某些輸入不確定或默認情況下，根據(jù)一定的學習規(guī)則自主地從樣本中學習，達到自適應(yīng)不知道或不確定的系統(tǒng)。2、簡要地描述BP算法過程和用MATLAB軟件進行仿真的總體步驟，并列出五個仿真過程中必不可少的函數(shù)。答：BP算法是一種ANN的誤差反向傳播訓練算法，這種網(wǎng)絡(luò)不僅有輸
7、入節(jié)點、輸出節(jié)點，還有一層或多層隱含節(jié)點。對于輸入信息要先向前傳播到隱含層的節(jié)點上，經(jīng)過各單元的特性為SIGMOID型的激活函數(shù)運算后，把隱含節(jié)點的輸出信息傳播到輸出節(jié)點，最后給出輸出結(jié)結(jié)果。網(wǎng)絡(luò)學習過程由正向和反向傳播兩部分組成。在正向傳播過程中，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元網(wǎng)絡(luò)。如果輸出層不能得到期望輸出，就是實際輸出值與期望輸出值之間有誤差，那么轉(zhuǎn)入反向傳播過程，將誤差信號沿原來的連接通路返回，通過修改各層神經(jīng)元的權(quán)值，逐次地向輸入層傳播去進行計算，再經(jīng)過正向傳播過程，這兩個過程的反復(fù)運用，使得誤差信號最小，實際上，誤差達到所希望的要求時，網(wǎng)絡(luò)的學習過程就結(jié)束。應(yīng)用MATLAB進
8、行仿真時，有五個必要過程：問題描述，數(shù)據(jù)標準化、網(wǎng)絡(luò)初始化，網(wǎng)絡(luò)訓練，網(wǎng)絡(luò)測試。相關(guān)函數(shù)：newff: 生成一個前饋BP網(wǎng)絡(luò)；logsig: sigmoid傳遞函數(shù)；initff: 前向網(wǎng)絡(luò)初始化；trainbp:利用BP算法訓練前向網(wǎng)絡(luò)；learnbp:反向傳播學習規(guī)則;errsurf:計算誤差曲面函數(shù)；人工智能的研究發(fā)展階段：第一階段：50年代人工智能的興起和冷落：人工智能概念首次提出后，相繼出現(xiàn)了一批顯著的成果，如機器定理證明、跳棋程序、通用問題s求解程序、LISP表處理語言等。但由于消解法推理能力的有限，以及機器翻譯等的失敗，使人工智能走入了低谷。第二階段：60年代末到70年代，專家系
9、統(tǒng)出現(xiàn)，使人工智能研究出現(xiàn)新高潮。DENDRAL化學質(zhì)譜分析系統(tǒng)、MYCIN疾病診斷和治療系統(tǒng)、PROSPECTIOR探礦系統(tǒng)、Hearsay-II語音理解系統(tǒng)等專家系統(tǒng)的研究和開發(fā)，將人工智能引向了實用化。并且，1969年成立了國際人工智能聯(lián)合會議。第三階段：80年代，隨著第五代計算機的研制，人工智能得到了很大發(fā)展。日本1982年開始了”第五代計算機研制計劃”，即”知識信息處理計算機系統(tǒng)KIPS”，其目的是使邏輯推理達到數(shù)值運算那么快。第四階段：80年代末，神經(jīng)網(wǎng)絡(luò)飛速發(fā)展。1987年，美國召開第一次神經(jīng)網(wǎng)絡(luò)國際會議，宣告了這一新學科的誕生。此后，各國在神經(jīng)網(wǎng)絡(luò)方面的投資逐漸增加，神經(jīng)網(wǎng)絡(luò)迅
10、速發(fā)展起來。3、簡述模擬退火算法的基本流程。 4、結(jié)合實際模擬退火算法5、畫出簡單遺傳算法的基本流程圖。a)初始化：設(shè)置進化代數(shù)計數(shù)器t=0，設(shè)置最大進化代數(shù)T，隨機生成M個個體作為初始群體P(0)。b)個體評價：計算群體P(t)中各個個體的適應(yīng)度。c)選擇運算:將選擇算子作用于群體。選擇的目的是把優(yōu)化的個體直接遺傳到下一代或通過配對交叉產(chǎn)生新的個體再遺傳到下一代。選擇操作是建立在群體中個體的適應(yīng)度評估基礎(chǔ)上的。d)交叉運算：將交叉算子作用于群體。遺傳算法中起核心作用的就是交叉算子。e)變異運算：將變異算子作用于群體。即是對群體中的個體串的某些基因座上的基因值作變動。群體P(t)經(jīng)過選擇、交叉
11、、變異運算之后得到下一代群體P(t+1)。f)終止條件判斷:若t=T,則以進化過程中所得到的具有最大適應(yīng)度個體作為最優(yōu)解輸出，終止計算。6、粒子群算法的基本流程7、免疫算法流程生物神經(jīng)元：生物神經(jīng)元的組織結(jié)構(gòu):神經(jīng)元以細胞體為主，由許多向周圍延伸的不規(guī)則樹枝狀纖維構(gòu)成的神經(jīng)細胞，其形狀像一棵枯樹的樹干，它主要由細胞體、細胞核、樹突、軸突、突觸組成。8、結(jié)合自己的工作或本課程的學習，試敘述可能應(yīng)用基于BP算法的前向神經(jīng)網(wǎng)絡(luò)模型解決某一實際問題的想法。答：在工作中可以對基于BP神經(jīng)網(wǎng)絡(luò)的系統(tǒng)級電源管理算法進行應(yīng)用。在一個功耗可控的系統(tǒng)中，組件可工作在表征不同性能和功耗水平的各個功耗狀態(tài)。電源管理策
12、略主要根據(jù)系統(tǒng)的歷史空閑時段、負載及給定性能指標，決定何時進行組件工作狀態(tài)轉(zhuǎn)換以及轉(zhuǎn)換到哪一個工作狀態(tài)。不同功耗狀態(tài)之間進行轉(zhuǎn)換會帶來功耗、性能等方面的損失。而人工神經(jīng)網(wǎng)絡(luò)具有從大量不完整數(shù)據(jù)中逐步獲取知識并進行復(fù)雜目標優(yōu)化的能力。利用人工神經(jīng)網(wǎng)絡(luò)的這一特性，有可能實現(xiàn)在不需要建立系統(tǒng)模型、無需預(yù)先獲得負載統(tǒng)計特性的前提下，通過從系統(tǒng)正常工作產(chǎn)生的數(shù)據(jù)中不斷自學習進化，使系統(tǒng)具有自適應(yīng)、高效的電源管理能力，以達到降低系統(tǒng)功耗、提高器件可靠性、延長工作壽命的目的。嘗試利用人工神經(jīng)網(wǎng)絡(luò)中最基本也是最簡單的BP神經(jīng)網(wǎng)絡(luò)，進行系統(tǒng)級電源管理算法的研究。9、計算隨機生成10個城市距離，設(shè)計蟻群算法流程，
13、計算TSP問題。（1）首先初始化，設(shè)迭代的次數(shù)為NC。初始化NC=0（2）將m個螞蟻置于n個頂點上（3）m只螞蟻按概率函數(shù)選擇下一座城市，完成各自的周游，每個螞蟻按照狀態(tài)變化規(guī)則逐步地構(gòu)造一個解，即生成一條回路。螞蟻的任務(wù)是訪問所有的城市后返回到起點，生成一條回路。設(shè)螞蟻k當前所在的頂點為i，那么，螞蟻k由點i向點j移動要遵循規(guī)則而不斷遷移，按不同概率來選擇下一點。（4）記錄本次迭代最佳路線（5）全局更新信息素值應(yīng)用全局信息素更新規(guī)則來改變信息素值。當所有m個螞蟻生成了m個解，其中有一條最短路徑是本代最優(yōu)解，將屬于這條路線上的所有弧相關(guān)聯(lián)的信息素值進行更新。全局信息素更新的目的是在最短路線上注
14、入額外的信息素，即只有屬于最短路線的弧上的信息素才能得到加強，這是一個正反饋的過程，也是一個強化學習的過程。在圖中各弧上，伴隨著信息素的揮發(fā)，全局最短路線上各弧的信息素值得到增加。（6）終止若終止條件滿足，則結(jié)束；否則NC=NC+1，轉(zhuǎn)入步驟（2）進行下一代進化。終止條件可指定進化的代數(shù)，也可限定運行時間，或設(shè)定最短路長的下限。（7）輸出結(jié)果10、用遺傳算法解決一元函數(shù)最大值：求解的目標函數(shù) Nind: 每代種群中的個體數(shù)量 Lcode: 種群中每個個體編碼長度 FieldD: 解碼的參數(shù)向量組(6個分量) Ps: (代溝)從父代種群中挑選個體的比率 Maxg: (終止條件)最大迭代次數(shù) vbest: 求得的最優(yōu)解 fbest: 求得的最優(yōu)值 返回所求目標函數(shù)的最優(yōu)解與最優(yōu)值。7
2015年《計算智能》復(fù)習資料
