智能算法综述.docxVIP

智能算法综述 摘要：随着计算机技术的飞速发展，智 能计算方法的应用领域也越来越广泛， 本文 介绍了当前存在的一些智能计算方法， 阐述 了其工作原理和特点，同时对智能计算方法 的发展进行了展望。 关键词：人工神经网络遗传算法模拟退火算 法群集智能蚁群算法粒子群算 1什么是智能算法 智能计算也有人称之为“软计算”，是们受 自然规律的启迪，根据其原理，模仿求解问 题的算法。从自然界得到启迪，模仿其结构 进行发明创造，这就是仿生学。这是我们向 自然界学习的一个方面。另一方面，我们还 可以利用仿生原理进行设计（包括设计算 法），这就是智能计算的思想。这方面的内 容很多，如人工神经网络技术、遗传算法、 模拟退火算法、模拟退火技术和群集智能技 术等。 2人工神经网络算法 “人工神经网 络力(ARTIFICIALNEURALNETWQ哦称 ANN) 是在对人脑组织结构和运行机制的认识理 解基础之上模拟其结构和智能行为的一种 工程系统。早在本世纪 40年代初期，心理 学家McCulloch、数学家Pitts就提出了人 工神经网络的第一个数学模型，从此开创了 神经科学理论的研究时代。其后， FRosenblatt、Widrow 和 J.J.Hopfield 等学 者又先后提出了感知模型， 使得人工神经网 络技术得以蓬勃发展。 神经系统的基本构造是神经元（神经细胞）, 它是处理人体内各部分之间相互信息传递 的基本单元。据神经生物学家研究的结果表 明，人的一个大脑一般有 1010?1011个神 经元。每个神经元都由一个细胞体，一个连 接其他神经元的轴突和一些向外伸出的其 它较短分支一一树突组成。轴突的功能是将 本神经元的输出信号（兴奋）传递给别的神 经元。其末端的许多神经末梢使得兴奋可以 同时传送给多个神经元。 树突的功能是接受 来自其它神经元的兴奋。 神经元细胞体将接 受到的所有信号进行简单处理（如：加权求 和，即对所有的输入信号都加以考虑且对每 个信号的重视程度——体现在权值上—— 有所不同）后由轴突输出。神经元的树突与 另外的神经元的神经末梢相连的部分称为 突触。 人工神经网络的特点 人工神经网络是由大量的神经元广泛互连 而成的系统，它的这一结构特点决定着人工 神经网络具有高速信息处理的能力。人脑的 每个神经元大约有103?104个树突及相应 的突触，一个人的大脑总计约形成 1014? 1015个突触。用神经网络的术语来说， 即是 人脑具有1014?1015个互相连接的存储潜 力。虽然每个神经元的运算功能十分简单， 且信号传输速率也较低（大约100次/秒）， 但由于各神经元之间的极度并行互连功能， 最终使得一个普通人的大脑在约 1秒内就能 完成现行计算机至少需要数 10亿次处理步 骤才能完成的任务。 人工神经网络的知识存储容量很大。 在神经 网络中，知识与信息的存储表现为神经元之 间分布式的物理联系。它分散地表示和存储 于整个网络内的各神经元及其连线上。每个 神经元及其连线只表示一部分信息，而不是 一个完整具体概念。只有通过各神经元的分 布式综合效果才能表达出特定的概念和知 识。 由于人工神经网络中神经元个数众多以及 整个网络存储信息容量的巨大， 使得它具有 很强的不确定性信息处理能力。 即使输入信 息不完全、不准确或模糊不清，神经网络仍 然能够联想思维存在于记忆中的事物的完 整图象。只要输入的模式接近于训练样本， 系统就能给出正确的推理结论。 正是因为人工神经网络的结构特点和其信 息存储的分布式特点，使得它相对于其它的 判断识别系统，如：专家系统等，具有另一 个显着的优点：健壮性。生物神经网络不会 因为个别神经元的损失而失去对原有模式 的记忆。最有力的证明是，当一个人的大脑 因意外事故受轻微损伤之后，并不会失去原 有事物的全部记忆。 人工神经网络也有类似 的情况。因某些原因，无论是网络的硬件实 现还是软件实现中的某个或某些神经元失 效，整个网络仍然能继续工作。 人工神经网络是一种非线性的处理单元。 只 有当神经元对所有的输入信号的综合处理 结果超过某一门限值后才输出一个信号。 因 此神经网络是一种具有高度非线性的超大 规模连续时间动力学系统。它突破了传统的 以线性处理为基础的数字电子计算机的局 限，标志着人们智能信息处理能力和模拟人 脑智能行为能力的一大飞跃。 几种典型神经网络简介 多层感知网络（误差逆传播神经网络） 在 1986 年以 Rumelhart 和 McCelland 为首 的科学家出版的 ? ParallelDistributedProcessing ? 一书 中，完整地提出了误差逆传播学习算法，并 被广泛接受。多层感知网络是一种具有三层 或三层以上的阶层型神经网络。 典型的多层 感知网络是三层、前馈的阶层网络，即：输 入层I、