2025人工智能受大自然启发的算法课件

人工智能受大自然启发的算法'种群·遗传·群体智能·细胞自动机·人工生命'教学课件依据《2025人工智能受大自然启发的算法》整理·课程导览COURSEMAP01种群、计分和选择02交叉和突变03遗传算法GA04遗传编程GP05物种形成06粒子群优化PSO07蚁群优化ACO08细胞自动机CA09人工生命ALIFE10Kaggle建模实战■群体智能与扩展（第6~10章）■演化计算（第3~5章）■演化基础（第1~2章）01种群、计分和选择POPULATION/SCORING/SELECTION种群：解的一组潜在方法第1章1种群=潜在解的集合每个成员都是问题的一个候选解；初始种群随机生成，规模固定不变（如1000个个体）竞争型种群个体相互竞争成为亲本：遗传算法（GA）、遗传编程（GP）；需精英机制防止最优解丢失合作型种群个体共享信息协同寻优：粒子群优化（PSO）、蚁群优化（ACO）；始终记录全局最优解岛屿种群多个种群彼此独立演化、偶有交流（类比陆桥），天然适配并行/分布式计算，无需同步基因型与表型多数演化算法不区分二者；HyperNEAT等少数算法才会区分计分：适应度函数第1章2适应度函数（FitnessFunction，又称损失函数/目标函数）为每个潜在解打一个数字分数，用于比较优劣。可以追求高分或低分（如高尔夫低分制vs足球高分制）。分数通常随解一起存储，避免重复计算。适应度只要求输出一个可比较的数字计分通常是演化算法的性能瓶颈复杂适应度可用自定义代码评估种群成员变化时需重新计分示例场景：·训练集上“预期输出vs实际输出”的平均差→分数越小越好·路径规划问题的总距离→分数越小越好·公式拟合误差、游戏得分、资源利用率……皆可作为适应度四种选择算法（一）：截断&联赛第1章3图1-1截断选择图1-2联赛选择截断选择按适应度排序，取前1/3作为育种种群再随机抽样；必须持续维护全量排序，难以并行伸缩联赛选择每轮随机挑2个个体，胜者晋级；无需排序、易于并行——作者推荐的通用选择算法轮数设置轮数越多选出越优个体；实验显示轮数=5时平均得分约达第90百分位四种选择算法（二）：轮盘赌&SUS第1章4图1-3适应度比例（轮盘）图1-4随机遍历抽样（SUS）适应度比例（轮盘赌）：按得分占比划分轮盘随机抽取；可能选中最弱个体→保留多样性，但超强个体会主导选择；需全量求和随机遍历抽样SUS：单个随机数＋等间距指针一次抽N个；削弱不公平性；需排序，大数据下并行性差选型建议：默认联赛选择（快且可扩展）；若种群停滞又无物种形成，可尝试SUS引入多样性联赛轮数实验（种群1000）：轮数1→平均分665｜3→799｜5→857｜7→888｜10→915——5为质量与开销的折中点02交叉和突变EVOLUTIONOPERATORS演化算法家族与标准配置第2章5图2-1演化算法谱系五大算法同源：均基于种群、均需计分。GA/GP/HBGA属竞争型（用交叉+突变），PSO/ACO属合作型。种群规模1000精英计数3交叉比例80%突变比例20%这是演化算法的经典起点配置：每代前3名直接复制进入下一代（精英），其余80%由两亲本交叉产生、20%由单亲本突变产生。解编码与拼接交叉第2章6图2-2拼接交叉示意大多数演化算法要求潜在解是固定长度数组：元素可为数值（连续浮点）或分类值（离散类别）。可变长度结构（如GP的树）需自定义算子。拼接交叉（允许重复）父1:[1,2,3,4,5,6,7,8,9,10]父2:[10,9,...,1]→[1,2,3,7,6,5,4,3,2,10]（中间段交换，可能引入重复）无重复拼接交叉用used映射补齐外段缺失元素→[1,9,8,7,6,5,4,2,3,10]（完整且无重复，适合TSP类顺序问题）突变是无性繁殖：仅基于单个亲本产生略作变化的后代（改组突变/扰动突变）。03遗传算法GAGENETICALGORITHM遗传算法：从离散到连续第3章7GA将解编码为定长数组（染色体），通过选择→交叉→突变的循环逐代逼近最优解。离散问题示例：旅行商问题TSP城市数→可能路径数的阶乘爆炸：3城=6条｜5城=120条｜10城=362万条穷举不可行→用无重复编码的GA演化搜索连续问题解为实数向量（如公式参数、权重配置）交叉＝向量片段交换；突变＝加随机扰动可优化神经网络/SVM等模型的参数其他应用：特征选择、超参数搜索、排班调度、组合优化等——凡是能把解表达成定长数组的问题都可尝试GA。04遗传编程GPGENETICPROGRAMMING遗传编程：程序即树第4章8GP的解不再是数组，而是一棵表达式树——程序本身就是被演化的对象。用LISP式s表达式消除运算优先级歧义：add(3,mult(5,2))一目了然。程序树结构树的突变：随机选中树中节点，替换为新的随机子树树的交叉：两棵树各随机剪下一枝，互换嫁接（子树交换）随机节点采样：先序遍历＋蓄水池采样，等概率选中任一节点拟合公式：以观测数据驱动演化出符号回归公式，自动发现数学规律物种形成：给进化划圈子第5章9生物学的物种形成指谱系分裂出新物种。在演化算法中，将种群划分为多个“物种”，把交叉限制在同一物种成员之间——因为亲本差异过大时，交叉失败率极高（类似鲸鱼与浮游生物无法杂交）。阈值物种形成按相似度距离设定阈值，超过阈值的个体归入不同物种聚类物种形成对整个种群聚类，每个簇视为一个物种独立演化价值所在：✓保护新颖但暂时较弱的解不被过早淘汰✓不同方向的特征各自深化，缓解早熟收敛✓使可变长度模型（NEAT系列）的跨结构交叉成为可能✓GA与GP中均可应用（如按树相似度分组）06粒子群优化PSOPARTICLESWARMOPTIMIZATIONPSO：向鸟群学习协作搜索第6章10源自对鸟群群聚（Boids）行为的模拟：分离Separation、看齐Alignment、内聚Cohesion三条规则即可涌现群体行为。Kennedy和Eberhart于1995年将其发展为优化算法。1群聚行为模拟：三个常数控制鸟群的分离、看齐与内聚强度——简单规则涌现复杂群体运动2PSO核心思想：每只“粒子”是一个潜在解，在N维搜索空间中飞行；它记住自己走过的最优位置，也知晓群体的全局最优位置3速度与位置更新：综合“惯性＋飞向个人最优＋飞向全局最优”三种趋势更新速度，进而更新位置4迭代而非换代：合作型种群不做世代更替：每次迭代遍历所有粒子并调整参数，始终跟踪全局最优优势：只需基本算术、无需梯度，即可训练神经网络、贝叶斯网络、SVM等模型参数。07蚁群优化ACOANTCOLONYOPTIMIZATIONACO：蚂蚁的信息素智慧第7章11蚂蚁通过在路径上沉积信息素通信：短路径被反复经过、信息素不断加强，最终群体收敛到优质路径。ACO是典型的合作型算法，信息素就是个体间共享的信息。离散蚁群优化适用于TSP等图上路径问题；蚂蚁依信息素浓度＋启发式距离的概率选择下一跳城市；每轮结束后按路径质量回填信息素（并挥发旧值）连续蚁群优化把连续搜索空间离散化为概率分布区域，蚂蚁按分布采样生成新解，同样以信息素加权引导后续采样与GA的关键区别：·GA通过亲本繁殖传递特征；ACO通过环境（信息素）间接传递经验·合作型算法不贪心：即使种群暂时变差，仍可回溯至已找到的全局最优·典型应用：路由规划、调度分配、网络负载均衡等图结构问题08细胞自动机CACELLULARAUTOMATAECA与康威《生命游戏》第8章12《生命游戏》图案基本细胞自动机ECA一维二值网格＋256条规则编号；部分规则高度重复，部分产生独特图案，甚至可用于生成随机数康威《生命游戏》（1970）二维网格＋4条生死规则，涌现滑翔机、飞船、喷枪、耙子乃至玛士撒拉等复杂图案滑翔机沿对角线飞行的飞船，由4个阶段的循环翻转构成动画Golly工具稀疏二维数组存储活细胞，网格近乎无限大，可探索任意规模的CA实验CA的实用价值远不止动画：可用于模拟、优化与加密；也可存在于更高维空间。合并物理学：用HBGA演化你自己的宇宙第8章13作者自创的细胞自动机：不用0/1开关，而是让每个像素携带RGB向量（−1~1），由16个物理常数向量控制像素向8种关键颜色合并的方式——改变这16个常数就能创造完全不同的宇宙。“红色宇宙”效果图基因组：长度16的物理常数向量，8对限制/百分比对应黑红绿黄蓝紫青白8色运行方式：每时间帧计算像素8邻居均值μ，确定目标关键颜色，按百分比向其移动HBGA人工评分：用户扮演计分函数：目测哪个宇宙更有趣就留下谁，执行交叉与突变多宇宙查看器：多线程并行运行多个宇宙，支持杀死平庸宇宙、交配产生后代宇宙09人工生命ALIFEARTIFICIALLIFE人工生命顶点项目：演化植物第9章14程序绘制的植物里程碑1·绘制植物种子含根/茎/叶细胞属性（叶含量、营养、能量），配合调色板渲染植物形态里程碑2·生长动画逐帧模拟细胞分裂与生长过程，呈现植物从种子萌发到枝繁叶茂里程碑3·演化植物以阳光、水等有限资源的利用效率作为适应度，GA演化出更优的种子基因组综合运用全书技术：CA思想＋演化算法＋可视化10建模实战MODELING·KAGGLEKaggle竞赛三步走第10章15🛠里程碑1·整理数据清洗缺失值、转换格式、构造特征——数据质量决定模型上限📈里程碑2·建立模型训练基线模型并逐步调优；演化算法也可用于超参数搜索🏆里程碑3·提交测试回复生成符合格式的提交文件，根据排行榜反馈迭代改进本章将前九章的算法思维落地到真实数据竞赛：从原始数据到排行榜提交的完整闭环。全书知识地图总结16演化基础种群·计分·选择截断/联赛/轮盘/SUS交叉与突变·精英演化计算GA定长数组GP程序树物种形成防早熟群体智能PSO粒子协