《人工智能》教案 第11课 计算智能概述与进化计算

j24f

课题计算智能概述与进化计算

课时2课时(90min)

知识技能目标：

(1)熟悉计算智能的概念

(2)熟悉计算智能的分类.

(3)理解弃掌握遗传算法的基本思想和算法流程

教学目标

思政育人目标：

(1)学习工匠精神，培养专注敬业精神

(2)关心国家大事，抓住机遇，展现新作为，增强爱党、爱国情感

(3)感受科技力量，增强民族自豪感，加强"科技改变生活”的理念

教学重点：计算智能的概念和分类

教学重难点

教学难点：遗传算法的基本思想和算法流程

教学方法讲授法、讨论法、问答法

教学用具计算机、投影仪、多媒体课件、教材

课前任^一*考勤(2min)一问题导入(3min)一传授新知(20min)一新知导入(3min)―

教学设计

传授新知(50min)-♦课堂练习(7min)一课堂小结(3min)—＞作业布置(2min)

教学过程主要教学内容及步骤设计意图

【教师】布置课前任务，和学生负责人取得联系，让其提醒同学通过APP通过课前

或其他学习软件，完成课前任务任务，使学生

了解本次课

课前任务请大家嗖索了解一下鲁班根据茅草发现锯子的故事，想一想这故事蕴含

程懒增

了怎样的思想?

加学生的学

【学生】完成课前任务习池

培养学生

【教师】通过APP让学生签到

考勤的组织纪律

(2min)性，掌握学生

【学生】签到，班干部交假条

的出勤情况

【教师】提出以下问题，并遨请学生回答

什么是计算智能？

通过问题

【学生】讨论、举手回答导入的方法，

问题导入引导学生主

(3min)【教师】通过学生的回答引入要讲的知识，并板书：计算智能Q动思考，激发

学生的学习

综合大家的讨论，总结。

兴趣

本节课主要介绍计算智能的相关知识.

【学生】聆听

传授新知

(20min)

6.1计算智能概述

6.1.1什么是计算智能

【教师】讲解新知

计算智能(computationalintelligence#Cl)是人们受自然规律和生物智

能机制的启迪，根据其原理模仿设计的一组算法，用于解决复杂的现实世界

通过教师

问题。目前，计算智能还没有统一的定义，下面列举部分学者对计算智能的

的讲解和课

不同描述。

堂互动，使学

(I)计算智能主要是借鉴仿生学的思想，基7人们对生物体智能机制

生理解计算

和自然规律的认识，采用数值计算的方法去模拟和实现人类智能、生物智能

智能的概念

和自然规律。

(2)计算智能是依靠生产者提供的数值数据进行加工处理，而不是依

赖于知识。

(3)计算智能是一种智力方式的彳氐层认知，只处理数值数据，而人工

智能是一种智力方式的中级认知，可以处理符号形式的知识。

(4)如果一个系统仅处理底层的数值数据，含有的模式识别部分，没

有使用人工智能意义上的知识，且具有计算适应性.计算容错性、接近人的

计算速度和近乎人的误差率这4个特性，则该系统是智能计算系统。

(5)计算智能是一种以模型(包括数字模型和计算模型)为基础，以

分布和并行计算为特征的自然智能模拟方法。

6.1.2计算智能分类

【教师】展示表格“计算智能分类”，并讲解

计算智能的研究与发展反映了当代科学技术多学科交叉融合发展的重

要趋势。根据算法设计依据的原理不同，可将计算智能分为进化计算、群体

智能、神经计算、模糊计算、免疫计算和人工生命等，它们的简介如表所示。

【学生】聆听记录

【教师】讲解大国工匠相关内容

什么是人工智能？北京大学的谭教授(人工智能专家)这样说："让机

器去做需要人类智能才可以做的那些事情。其最终目的是要把相关技术应用

于生产过程和社会经济生活或者来提高人们的生活质量，来为我们人类服

务。”

作为北京大学计算智能实验室创建人、烟花算法发明人，谭教授已经在

人工智能领域走过了整整30年。在这30年中，他在神经网络、进化计算、

群体智能、人工免疫系统、机器学习与数据挖掘等领域做出了骄人成绩和贡

献，并把研究方向拓展到模式识别、计算机安全和金融预测等领域。

对于30年的坚持，谭教授这样说："我的研究工作能对社会经济发展

或者对某些行业的发展起到作用，我就满足了。"可见，他始终不忘初心，

调："我们还有烟花算法的开放性论坛，相关算法及其源码都是公开的，我

让学生感受

希望更多的人能够学会，并且将烟花算法应用到更广的领域。”

科技力量，增

强民族自豪

除了做科研，谭教授非常看近培养学生。不墨守成规，崇尚新思想，是

感，加强”科

谭教授的工作方式。他常这样教导学生："不要迷信权威，要尊重事实。”

技改变生活”

作为导师，谭教授更多的是充当一个引导者，给学生们建议。当学生遇到疑

难问题，他会单独面对面交流，当有一些新想法的时候，他会召集学生们一的理念

起讨论。科研应该培养学生的独立思维一这是谭教授所秉持的。

【学生】聆听、记录、理解

【教师】讲解新的知识

达尔文的生物进化论大家耳熟能详，主要讲的是生物群体的生存过程普

通过导入

遍遵循达尔文的进化准则，即物竞天择、适者生存。生物通过个体间的婚配、

新知导入

交叉、变异和竞争来适应大自然的环境。人工智能也有类似于这种生物进化环节，激发学

(3min)的进化”算的思想，接下来咱们一起看一下。牛的学习兴

趣

【学生】聆听

【教师】导入新的知识点：进化计算

6.2进化计算

【教师】讲解进化计算的概念

6.2.1叶么是进化计算通过老师

讲解，让学生

【教师】展示“生物进化过程”图片，并提问了解什么是

进计算

什么是进化计算？

【学生】讨论、举手回答

生物群体的生存过程普遍遵循达尔文的进化准则，即物竞天择、适者生

存。生物通过个体间的婚配、交叉、变异和竞争来适应大自然的环境，如图

传授新知

标

(50min)

进化计算又称演化计算，是一类模拟生物进化机制设计的成熟的具有高

鲁棒性和广泛性的全局优化方法，具有自组织.自适应.自学习的特性，能

够不受问题性质的限制，有效地处理传统优化算法难以解决的复杂问题。

进化计算是采用简单的编码技术来表示各种复杂的结构，并通过简单的

遗传操作和优胜劣汰的自然选择来指导学习和确定搜索的方向。

进化计算是一个“算法簇"，包括遗传算法、遗传规划、进化策略和进

化规划等。其中，遗传算法是最初形成的一种最具影响力的模拟生物进化的

优化算法。

6.2.2遗传算法的基本术语

遗传算法(geneticalgorithm,GA)是模/生物遗传学和自然选择机理

而设计的计算模型，是人工构造的一种搜索最优解的方法。它常用于处理传

统方法难以解决的复杂^非线性优化问题。

【教师】展示表格“基本术语”，讲解一些遗传算法涉及的基本术语

遗传算法涉及的基本术语如表所示。

6.2.3遗传算法的基本思想

遗传算法的基本思想是从初始种群出发，采用优胜劣汰、适者生存的

自然法则选择适应度高的个体，并通过交叉、变异来产生新T弋种群，新

的种群既继承了上T弋的基因，又优于上一代。如此迭代进化，群体中个

体的适应度不断提高，直到满足目标条件为止。

6.2.4遗传算法流程

【教师】用PPT展示“遗传算法流程”图片，进行讲解

遗传算法流程可用图描述其中主要包含了5人基本要素，即参数编码、

群体设定、适应度函数、遗传操作(选择、交叉和变异)和控制参数。

【学生】聆听、理解

【教师】提醒：

在遗传算法运行过程中，对其性能产生重大影响的一组参数称为控制参

数,主要包括二进制串长度L、群体规模N、选择概率Pr、交叉概率Pc和

变异概率Pm.

(1)确定实际问题的参数集。在实际的应用卬，遗传算法是从问题的

有限解中寻找最优解或次优解，因此，构造算法之前首先要确定包含问题最

优解或次优解的解空间，然后确定问题的参数集。

(2)参数编码，采用某一编码方法将问题参数表示成遗传空间的个体。

【教师】提醒：

遗传算法不能直接处理问题空间的参数，因此，须通过编码将要求解的

问题表示成遗传空间的染色体或个体。常用的编码方法有二进制编码、格雷

码编码、实数编码和排列编码等。同时，还要根据编码方法确定解码的方法。

用遗传算法求解问题时，必须建立目标问题的实际表示与遗传算法染色

体结构之间的对应关系，以便于编码与解码。

遗传算法中包含两个数据转换操作，分别为编码和解码。

①编码是指从表现型到基因型的转化，即将搜索空间中的参数或解转

化成遗传空间中的染色体或个体的过程。

②解码是指从基因型到表现型的转化，即将染色体或个体转化成参数

的过程。

(3)设定初始种群，即使用随机方法或其他方法，产生一个个体数量为

N的初始种群。

【教师】提醒：

遗传算法的操作对象是种群，所以必须为遗传算法设定一个初始种群。

设定种群时主要考虑两方面内容，一是初始种群的产生，二是种群规模的确

定。

遗传算法初始种群中的个体可以采用随机方式产生，也可以采用某种策

略设定。例如，从问题最优解所在的范围内设定初始种群；先随机产生一些

个体，然后从中挑选最好的个体加入初始种群中。

种群规噗是指种群中个体的数量N,种群规模一般取值为20~100.

(4)根据适应度函数/计算种群中个体的适应度。

【教师】提醒：

适应度函数是区分个体好坏的标准，是进行自然选择的唯一依据。适应

度函数的设计要结合问题自身的要求而定.

一般而言，适应度函数是由目标函数变换得到的。常用的变换方法是直

接将目标函数作为适应度函数，并采用线性变换或^线性变换方法将目标函

数的值域映射到适应度函数的值域。

(6)判断个体是否满足终止条件，若满足，则将个体转化为参数(即

解码)，输出最优解，算法终止。若不满足，则转向(6)。

【教师】提醒：

由于遗专算法的许多控制转移规则是随机的，在进化过程中，无法确定

个体在解空间的位置，从而也无法通过传统的方法(即判断算法的收敛性)

来终止算法.因此，可用以下3种方法来确定终止条件。

①预先规定最大进化代数，进化代数达到规定值时，终止算法。

②连续进化多代后，解的适应度没有明显改进时，终止算法.

③达到明确的解目标时，终止算法。

(7)根据选择概率只和选择方法选择个体。其中,适应度高的个体更

容易被选中，适应度低的个体易被淘汰。

【教师】提醒：

选择也可称为复制，是指先根据个体的适应度确定选择它的概率，计算

个体选择概率常用的方法有适应度比例方法和排序方法；然后根据个体的选

择概率确定造择哪些个体进行交叉、变异等操作，常用的方法有轮盘赌选择

方法、锦标赛选择方法、最佳个体保存法等。

(8)按照一定的交叉概率几和交叉方法进行交叉，产生新的个体，得

到新的种群.

【教师】提醒：

交叉也可称为重组，是:旨按照某种方式对选择的父代个体的染色体的部

分基因进行交叉重组，从而形成新的个体.一般情况下，交叉概率

R=[0,6J0L交叉方法可分为两种类型，即二进制交叉和实数交叉。

二进制交叉包括单点交叉、两点交叉、多点交叉和均匀交叉等方法；实

数交叉主要包括离散交叉和算数交叉等方法。

(8)按照一定的变异概率片和变异方法，使个体染色体的一个基因发

生变异，产生新的染色体，得到新的种群，转向(4)。

【教师】提醒：

变异是指对选中个体的染色体中的某些基因进行随机变化，以形成新的

个体。一股情况下，变异概率^=r00005,0-0，，o主要的变异方法有位点

变异、逆转变异、插入变异、互换变异和移动变异等。

6.2.5遗传算法的主要特点

遗传算法是一种基于空间搜索的算法，它通过选择、交叉、变异等操作

模拟生物进化过程寻找所求问题的答案，可见，遗传算法的求解过程是优化

的过程。遗传算法的特点有以下几点。

(I)遗传算法从多个问题解开始搜索，而不是从单个解开始。这是遗

传算法与传统优化算法的极大区别.传统优化算法是从单个初始值迭代求最

优解的，因此容易得到局部最优解。遗传算法从多个问题解开始搜索，覆盖

面大，利于全局择优.

(2)遗传算法同时处理群体中的多个个体，即对搜索空间中的多个解

进行评估，减少了陷入局部最优解的风险，同时算法本身易于实现并行化。

(3)遗传算法基本上不用搜索空间的知识或其他辅助信息，而仅用适

应度来评估个体，并在此基础上进行遗传操作.适应度函数不仅不受连续可

微的约束，而且其定义域可以任意设定。这一特点使得遗传算法的应用范围

大幅度扩大。

(4)遗传算法是采用概率的变迁规则来指导它的搜索方向，而不是采

用确定性规则。

【教师】提醒：

在实际应用中，遗传算法找到的解不一定就是最优解，但是可采用一定

的方法将解的误差控制在一定的范围内，得到次优解。

6.2.6遗传算法的应用

【教师】用PPT展示"蚂蚊搬家”表格，进行举例说明

遗传算法是解决搜索问题的一种通用算法，它不仅在困数优化、组合优

化、车间调度等传统领域有着较好的应用，还在人工智能和大数据计算等领

域得到了广泛应用，其具体的应用领域举例如表所示。

【学生】聆听、理解

【教师】讲解创新强国相关内容

2021年11月，第十一届国际空间轨道设计大赛落下帷幕，清华大学航天

超学院与上海卫星工程研究腌队摘得桂冠,该团队对8万多颗4桁星进行

优化筛选，使用人工智能遗传算法解决轨ii设计娃题，给出了建造发电站的最

佳方案，最终以明显优势领先第二名欧洲空间局联队限

领衔该团队的辘表示，薜探测是f国家科技实力的综合体现。薜

探测已成为假竞争的制高点。清华联队力压群捱痂冠髀大学科W攻坚、

立德树人的重大成果，I凡固了我国在该领域的领先地位，体现了中国航天技术

的稳步提升，代表着我国在深空任务优化领域的科技竞争中已处于国际领先水

平.课堂思政，

加强学生的

作为本届戢的般情，清华大学航天动力暮验室将负责出题并组织下

国球誉感

一届竞赛。

6.2.7案例：函数求解

【教师】安排学生扫描二维码"函数求解"，了解函数求解的过程

现有函数f(x)=f-2x+1,其中xe[-15,15]且X取整数,

求函数/(*的最小值。

【学生】扫码观看、了解案例

【教师】提醒：

该问题可转化为在〔一15,15]中寻找使最小的点x,其中区间

[-15,151是解空间，*为个体，函数/*)=9-2"+1可作为适应度函数。

(I)确定问题的参数集。分析题意可知，问题的解空间为自变量.V的

取值范围[-15,15],则问题的参数集为[-15,15].

(2)参数编码。针对参数集[-15,15],考虑采用二进制数对其编码.

由于24=16且参数集中含有负数，所以使用5位有符号二进制数表示个体x

的染色体，用于求解问题.其中，二进制数的首位是符号位，若符号位取0

表示该参数为正数，如00001表示1；符号位取1表示该参数为负数，如

10001表示

(3)确定初始种群.设定种群规模N=4,并随机产生4个个体，构成

初始种群｛4=11001,42=IOIOO,&二0°°II，£4

【教师】用PPT展示表格“个体适应度“，进行知识讲解

【学生】聆听、理解

(4)根据适应度困数,/(X)=X2-2X+1L算种群中个体的适应度，如

表6-4所示。

(5)判断个体是否满足终止条件，个体中没有明确的目标解00001。

【教师】用PPT展示表格”个体选择概率、累计概率和估计选中次数”，

进行知识讲解

【学生】聆听、理解

(6)根据选择概率凡和选择方法选择个体。其中，采用适应度比例方

法计算选择概率，即％=4一，其中)=100+25+4+81=210，计

Ez，=，

r=l

算每个个体的选择概率,同时计算个体的累计概率，如表所示。

采用轮盘赌选择方法选择个体。设采用轮盘赌选择方法产生的随机数分

别为5=0.823、4=0.600、4=0.456、〃=0.942，查看累计概率值，

发现随机数耳=0.823落在个体/与当之间，则个体起被选中。同理分析，

之后选中的个体依次是七、百、.％,每个个体被选中的总次数如表所示。

(8)按照一定的交叉概率P和交叉方法进行交叉，产生新的个体，得

到新的种群。设交叉概率4=100%，即选择的全部个体染色体都参与交叉。

交叉方法是交换染色体的后两位基因，则将-v4与.q交叉，王与x4交叉可

得到的新种群为％=俯=01011,々=00010,

X,=11010,x4=01001}.

(9)按照一定的变异概率Pm和变异方法，使个体染色体的一个基因发

生变异，产生新的染色体，得到新的种群，转向(4)。

设变异概率q=o.ooi,种群变异基因位数为

匕乂LxN=0.D0Ix5x4=0.02,0.02v1,可见，种群变异基因位数不

足1位，所以本轮进化染色体不变异。

接着计算新种群的适应度，判断发现没有满足终止条件的个体，因此开

始第二轮进化。

第二轮中，种群为

X,={^=0101l,x2=00010,x3=11010,x4=01()01),且在进化过程中

采用轮盘赌选择方法产生的随机数分别为10.352、4=0.988、

6=0.780.<,=0.230。经过此轮进化后，得到的新种群为

X2={.rj=00001,x2=01010,^=0101l,x4=01001}.其中，个体

%=00001满足终止条件。

因此，进化结束，并将个体$=00001的染色体解码得到最优解1.将

x=l代入函数j(x)=W-2x+1中，得至IJf(x)的最小值0.

【教师】提问

上文中已给出遗传算法中第二轮进化涉及的关耀数据，请写出第二轮进

化的具体过程。

【学生】讨论、举手回答

【教师】安排学生完成以下题目

让学生完成简答题

通过课堂

课堂练习

(1)简述什么是计算智能。练习，了解学

(7min)

(2)简述遗传算法的基本思想。生学情

【学生】完成练习

课堂小结总结知识

(3min)【教师】简要总结本节课的要点点，巩固学生

*

(1)计算智能是人们借助自然界规律和生物界智能机制的启迪，根据对相关知识的

其原理模仿没计的一组算法，用于解决复杂的现实世界问题0根据算法设计印象

依据的原理不同，可将计算智能分为进化计算、群体智能、神经计算、模糊

计算、免疫计算和人工生命等。

(2)