人工智慧導論——智慧計算（進化演算法+群智慧優化）

前言

CSDN好迷啊，前一段時間的貼上圖片自動居中已經取消了，現在還得手動居中QAQ。不過沖就完事了。
PS：此章節的考察內容比較迷惑，記得在網上找些習題幫助複習！

“你可以嗎！”
“可以”
衝鴨！

0. 智慧計算概述

進化演算法與群智慧演算法是智慧優化方法的兩大類，下面這張圖整挺好。

其中，我們所熟知的遺傳、模擬退火、人工神經忘了都屬於進化演算法；蟻群、粒子群演算法則屬於群智慧演算法。

進化演算法：主要通過選擇、重組、變異（模擬生物進化過程）實現優化問題的求解。
群智慧演算法：受動物群體智慧啟發的演算法

1. 遺傳演算法（GA）

GA：求解問題時，從多個解開始，通過一定的法則迭代產生新的解。

遺傳演算法要經過如下步驟：

遺傳演算法具有如下優點：

• 沒有太多數學要求
• 高效率搜尋
• 易於並行
• 個體間進行資訊交換

人工生命：具有生命特徵的人造系統。

2. 粒子群優化演算法

粒子群優化演算法流程如下:

3. 蟻群演算法

蟻群演算法在解決離散組合優化方面具有良好效能。在學習之前，需要掌握如下概念：

• 資訊素跟蹤：按照一定概率沿著資訊素較強的路徑覓食
• 資訊素遺留：在走過的路上釋放資訊素。
• 資訊素啟發因子α：反映蟻群在路徑搜尋中隨機性因素作用強度。α過大可能陷入區域性最優。
• 期望值啟發式因子β：反映先驗性、確定性因素作用強度。搜尋速度加快，過大陷入區域性最優

根據蟻群資訊素濃度的更新規則，可分為三種不同的模型：

1. 螞蟻圈系統：利用全域性資訊，螞蟻完成一個迴圈後，更新所有路徑上資訊。效果最好
2. 螞蟻數量系統：利用區域性資訊，螞蟻每走一步都更新
3. 螞蟻密度系統：同上

4. 問題解析

• 問題1
  

錯，當適應度函式選擇不當時，遺傳演算法確實可能陷入區域性最優值，

• 問題2
  遺傳演算法結束條件：

計算結構收斂到最優解或者演算法達到了規定的迭代次數。

• 問題3
  什麼時候適用進化演算法？

對於問題的解決沒有現成演算法或執行緒演算法複雜度太高時，使用進化演算法。