第13章智能优化计算简介 本章对目前常用的几种智能优化计算 算法作简单介绍,以使读者对它们有个基本 认识。内容包括神经网络、遗传算法、模拟 退火算法和神经网络混合优化学习策略
第13章 智能优化计算简介 本章对目前常用的几种智能优化计算 算法作简单介绍，以使读者对它们有个基本 认识。内容包括神经网络、遗传算法、模拟 退火算法和神经网络混合优化学习策略
13.1人工神经网络与神经网络优化算法 ●人工神经网络是近年来得到迅速发展的 个前沿课题。神经网络由于其大规模并行 处理、容错性、自组织和自适应能力和联 想功能强等特点,已成为解决很多问题的 有力工具。本节首先对神经网络作简单介 绍,然后介绍几种常用的神经网络,包括 前向神经网络、 Hopfield网络
13.1人工神经网络与神经网络优化算法 ⚫ 人工神经网络是近年来得到迅速发展的一 个前沿课题。神经网络由于其大规模并行 处理、容错性、自组织和自适应能力和联 想功能强等特点，已成为解决很多问题的 有力工具。本节首先对神经网络作简单介 绍，然后介绍几种常用的神经网络，包括 前向神经网络、Hopfield网络
13.1人工神经网络与神经网络优化算法 1人工神经网络发展简史 ●最早的研究可以追溯到20世纪40年代。1943年, 心理学家 McCulloch和数学家Pt合作提出了形式 神经元的数学模型。这一模型一般被简称为MP 神经网络模型,至今仍在应用,可以说,人工神 经网络的研究时代,就由此开始了 ●1949年,心理学家Hebb提出神经系统的学习规则 为神经网络的学习算法奠定了基础。现在,这个 规则被称为Hebb规则,许多人工神经网络的学习 还遵循这一规则
13.1人工神经网络与神经网络优化算法 1.人工神经网络发展简史 ⚫ 最早的研究可以追溯到20世纪40年代。1943年， 心理学家McCulloch和数学家Pitts合作提出了形式 神经元的数学模型。这一模型一般被简称为M-P 神经网络模型，至今仍在应用，可以说，人工神 经网络的研究时代，就由此开始了。 ⚫ 1949年，心理学家Hebb提出神经系统的学习规则， 为神经网络的学习算法奠定了基础。现在，这个 规则被称为Hebb规则，许多人工神经网络的学习 还遵循这一规则
13.1人工神经网络与神经网络优化算法 ●1957年, F Rosenblat提出“感知器”( Perceptron) 模型,第一次把神经网络的研究从纯理论的探讨 付诸于工程实践,掀起了人工神经网络研究的第 次高潮 ●20世纪60年代以后,数字计算机的发展达到全盛 时期,人们误以为数字计算机可以解决人工智能、 专家系统、模式识别问题,从而放松了对“感知 器”的研究。于是,从20世纪60年代末起,人工 神经网络的研究进入了低潮
13.1人工神经网络与神经网络优化算法 ⚫ 1957年，F.Rosenblatt提出“感知器”(Perceptron) 模型，第一次把神经网络的研究从纯理论的探讨 付诸于工程实践，掀起了人工神经网络研究的第 一次高潮。 ⚫ 20世纪60年代以后，数字计算机的发展达到全盛 时期，人们误以为数字计算机可以解决人工智能、 专家系统、模式识别问题，从而放松了对“感知 器”的研究。于是，从20世纪60年代末起，人工 神经网络的研究进入了低潮
13.1人工神经网络与神经网络优化算法 ●1982年,美国加州工学院物理学家 Hopfield提出 了离散的神经网络模型,标志着神经网络的研究 又进入了一个新高潮。1984年, Hopfield又提出 连续神经网络模型,开拓了计算机应用神经网络 的新途径。 1986年, Rumelia和 Mcclelland提出多层网络的 误差反传( Back-propagation)学习算法,简称BP算 法。BP算法是目前最为重要、应用最广的人工神 经网络算法之一
13.1人工神经网络与神经网络优化算法 ⚫ 1982年，美国加州工学院物理学家Hopfield提出 了离散的神经网络模型，标志着神经网络的研究 又进入了一个新高潮。1984年，Hopfield又提出 连续神经网络模型，开拓了计算机应用神经网络 的新途径。 ⚫ 1986年，Rumelhart和Meclelland提出多层网络的 误差反传(Back-propagation)学习算法，简称BP算 法。BP算法是目前最为重要、应用最广的人工神 经网络算法之一
13.1人工神经网络与神经网络优化算法 ●自20世纪80年代中期以来,世界上许多国 家掀起了神经网络的研究热潮,可以说神 经网络已成为国际上的一个研究热点
13.1人工神经网络与神经网络优化算法 ⚫ 自20世纪80年代中期以来，世界上许多国 家掀起了神经网络的研究热潮，可以说神 经网络已成为国际上的一个研究热点
13.1人工神经网络与神经网络优化算法 2人工神经元模型与人工神经网络模型 ●人工神经元是一个多输入、单输出的非线 性元件,如图11-1所示。 ●其输入、输出关系可描述为
13.1人工神经网络与神经网络优化算法 2.人工神经元模型与人工神经网络模型 ⚫ 人工神经元是一个多输入、单输出的非线 性元件，如图11-1所示。 ⚫ 其输入、输出关系可描述为
13.1人工神经网络与神经网络优化算法 X1=∑an1x1- i=1 y,=f( ●式中,x(=12…川)是从其他神经元传来 的输入信号:是阈值:表示从神经元 到神经元的连接权值为传递函数
13.1人工神经网络与神经网络优化算法 ⚫ ⚫ (1) ⚫ 式中， 是从其他神经元传来 的输入信号； 是阈值； 表示从神经元 到神经元 的连接权值； 为传递函数。 = = − = ( ) 1 j j n i j i j i j y f X X x x (i 1,2, ,n) i = j ij i j f (•)
131人工神经网络与神经网络优化算法 ∑f y 图11-1
13.1 人工神经网络与神经网络优化算法 yj θj x0=1 ∑ f ωnj x1 x2 . . . xn ω2j ω1j 图11-1
13.1人工神经网络与神经网络优化算法 ●人工神经网络是由大量的神经元互联而成的网络, 按其拓扑结构来分,可以分成两大类:层次网络 模型和互联网络模型。层次网络模型是神经元分 成若干层顺序连接,在输入层上加上输入信息 通过中间各层,加权后传递到输出层后输出,其 中有的在同一层中的各神经元相互之间有连接, 有的从输出层到输入层有反馈;互联网络模型中, 任意两个神经元之间都有相互连接的关系,在连 接中,有的神经元之间是双向的,有的是单向的, 按实际情况决定
13.1 人工神经网络与神经网络优化算法 ⚫ 人工神经网络是由大量的神经元互联而成的网络， 按其拓扑结构来分，可以分成两大类：层次网络 模型和互联网络模型。层次网络模型是神经元分 成若干层顺序连接，在输入层上加上输入信息， 通过中间各层，加权后传递到输出层后输出，其 中有的在同一层中的各神经元相互之间有连接， 有的从输出层到输入层有反馈；互联网络模型中， 任意两个神经元之间都有相互连接的关系，在连 接中，有的神经元之间是双向的，有的是单向的， 按实际情况决定
