時間：2023-02-04 21:30:32
開篇：寫作不僅是一種記錄，更是一種創(chuàng)造，它讓我們能夠捕捉那些稍縱即逝的靈感，將它們永久地定格在紙上。下面是小編精心整理的12篇遺傳算法論文，希望這些內(nèi)容能成為您創(chuàng)作過程中的良師益友，陪伴您不斷探索和進(jìn)步。
影響抄板落料特性的主要因素有:抄板的幾何尺寸a和b、圓筒半徑R、圓筒的轉(zhuǎn)速n、抄板安裝角β以及折彎抄板間的夾角θ等［4，9］。在不同的參數(shù)a、β、θ下，抄板的安裝會出現(xiàn)如圖1所示的情況。圖1描述了不同參數(shù)組合下抄板的落料特性橫截面示意圖。其中，圖1(a)與圖1(b)、圖1(c)、圖1(d)的區(qū)別在于其安裝角為鈍角。當(dāng)安裝角不為鈍角且OB與OC的夾角σ不小于OD與OC夾角ψ時(即σ≥ψ)，會出現(xiàn)圖1(b)所示的安裝情況;當(dāng)σ＜ψ時，又會出現(xiàn)圖1(c)與圖1(d)所示的情況，而兩者區(qū)別在于，η+θ是否超過180°，若不超過，則為圖1(c)情況，反之則為圖1(d)情況。其中，點(diǎn)A為抄板上物料表面與筒壁的接觸點(diǎn)或為物料表面與抄板橫向長度b邊的交點(diǎn);點(diǎn)B為抄板的頂點(diǎn);點(diǎn)C為抄板折彎點(diǎn);點(diǎn)D為抄板邊與筒壁的交點(diǎn);點(diǎn)E為OB連線與圓筒內(nèi)壁面的交點(diǎn);點(diǎn)F為OC連線與圓筒內(nèi)壁面的交點(diǎn)。
1．1動力學(xué)休止角(γ)［4，10］抄板上的物料表面在初始狀態(tài)時保持穩(wěn)定，直到物料表面與水平面的夾角大于物料的休止角(最大穩(wěn)定角)時才發(fā)生落料情況。隨著轉(zhuǎn)筒的轉(zhuǎn)動，抄板上物料的坡度會一直發(fā)生改變。當(dāng)物料的坡度大于最大穩(wěn)定角時，物料開始掉落。此時，由于物料的下落，物料表面重新達(dá)到最大穩(wěn)定角開始停止掉落。然而，抄板一直隨著轉(zhuǎn)筒轉(zhuǎn)動，使得抄板內(nèi)物料的坡度一直發(fā)生改變，物料坡度又超過最大休止角。這個過程一直持續(xù)到抄板轉(zhuǎn)動到一定位置(即抄板位置處于最大落料角δL時)，此時抄板內(nèi)的物料落空。通常，在計算抄板持有量時，會采用動力學(xué)休止角來作為物料發(fā)生掉落的依據(jù)，即抄板內(nèi)的物料坡度超過γ時，物料開始掉落。該角主要與抄板在滾筒中的位置δ、動摩擦因數(shù)μ和弗勞德數(shù)Fr等有關(guān)。
1．2抄板持有量的計算
隨著抄板的轉(zhuǎn)動，一般可以將落料過程劃分為3部分(R－1，R－2，R－3)，如圖1(a)所示。在轉(zhuǎn)動過程中，當(dāng)抄板轉(zhuǎn)角δ超過動力學(xué)休止角γ時，落料過程從R－1區(qū)域轉(zhuǎn)變到R－2區(qū)域，在這兩個區(qū)域內(nèi)，物料不僅受到抄板的作用還受到滾筒壁面的作用。當(dāng)物料表面上的A點(diǎn)與D點(diǎn)重合時，從R－2區(qū)域轉(zhuǎn)變到R－3區(qū)域，在該區(qū)域內(nèi)，物料僅受抄板作用［4］。然而，抄板情況為圖1(c)、圖1(d)時只會經(jīng)歷R－1、R－3區(qū)域。因為在運(yùn)轉(zhuǎn)過程中，抄板上物料的A點(diǎn)與D點(diǎn)重合時抄板的轉(zhuǎn)角不會超過動力學(xué)休止角γ，所以不會經(jīng)歷R－2區(qū)域;但是，當(dāng)物料的休止角足夠小時，由于物料表面只會與抄板接觸(即A點(diǎn)不會超出D點(diǎn))，圖1(c)、圖1(d)的抄板落料過程只會經(jīng)歷R－3區(qū)域。以下根據(jù)不同的區(qū)域建立了不同組合下抄板持料量的數(shù)學(xué)模型。
2研究結(jié)果與分析
2．1最大落料角結(jié)果分析
通過MatLab編制以上推導(dǎo)公式的計算程序，模擬計算了120種不同組合(β、θ、a不同)下抄板的最大落料角。其中，物料動摩擦因數(shù)為0．53［8］，轉(zhuǎn)筒干燥機(jī)半徑為300mm，且其抄板安裝角為10°、30°、50°、70°、90°、110°，抄板間夾角為90°、110°、130°、150°，抄板縱向長度a為30、45、60、75、90mm，橫向長度b為60mm。并且，根據(jù)Kelly和O＇Donnell通過驗證得出的公式(1)只適用于Fr小于0．4的情況［4］，此次模擬的轉(zhuǎn)筒干燥機(jī)角速度為0．84rad/s。表1給出了模擬結(jié)果中較為典型的數(shù)據(jù)。從模擬結(jié)果中可以得出，當(dāng)a、θ不變時，δL隨著安裝角β的增大而增大;當(dāng)a、β不變時，δL隨著θ的增大而減小。當(dāng)抄板情況如圖1(a)、(b)、(c)時，且β、θ不變時，抄板最大落料角隨著長度a的增大而增大;而圖1(d)情況則反之，并且會出現(xiàn)最大落料角小于0°的情況，這是由于抄板無法抄起物料所導(dǎo)致的結(jié)果。另外，在圖1(d)情況下，抄板的最大落料角非常小，這會使得干燥器的效率很低。因此，在探討抄板優(yōu)化問題上，不考慮圖1(d)這種情況下的抄板。
2．2優(yōu)化目標(biāo)與結(jié)果分析
水平直徑上均勻撒料雖好，但是物料應(yīng)與熱氣均勻接觸，如果在路徑長的地方撒料多些，就可以使熱效率高些。又因為圓筒中心熱氣量比邊緣多以及在圓筒下半部分超出干燥圓的區(qū)域存在物料，所以落料均勻度考慮為物料在干燥圓橫截面積上撒料均勻。評判干燥圓橫截面積上落料均勻的具體方法如下:把干燥圓橫截面積劃分20個等分，以水平直徑為X軸，鉛垂直徑為Y軸，圓心O為原點(diǎn)，采用定積分方法求解每個劃分點(diǎn)的x坐標(biāo)，每個劃分點(diǎn)的鉛垂線與干燥圓壁面(上半部分)有一個交點(diǎn)，連接圓心與每個點(diǎn)，可以得出每條連線與X軸的夾角δi(i=1～21，步長為1，δ1為0°)，如圖2所示。在合理的設(shè)計下，不僅希望落料過程中抄板在干燥圓面積上撒料越均勻越好，δL也應(yīng)越接近180°越好。因此，優(yōu)化函數(shù)為最大落料角和抄板在干燥圓而積上落料的均方差。并且，根據(jù)國內(nèi)外實(shí)際情況，抄板的安裝角一般為90°并且抄板間夾角一般不為銳角，由于機(jī)構(gòu)的限制和不考慮圖1(d)的情況，在研究抄板優(yōu)化問題時只探討安裝角在70°～110°、抄板夾角在90°～130°以及抄板縱向長度在30～90mm之間的情況。其余參數(shù)同上。采用了線性加權(quán)和法來求解此多目標(biāo)優(yōu)化結(jié)果。其中，f1為1/δL的最優(yōu)化值，f2為q的最優(yōu)化值;均方差q=(1n∑ni=1(qi－qa)2)12，每相鄰角度落料面積差qi=A(δi)－A(δi+1)，qa為面積差的平均值。當(dāng)δL≤δi+1－δi2，n=i;反之則n=i+1，且δi+1=δL。s1、s2為權(quán)重系數(shù)，由于干燥器的效率主要與抄板的撒料均勻有關(guān)，但是如果落料角很小、撒料很均勻，干燥器效率也不高，綜合考慮下，取s1、s2分別為0．4、0．6。通過編寫MatLab程序，確定優(yōu)化函數(shù)，然后采用MatLab遺傳算法工具箱進(jìn)行計算，設(shè)置相關(guān)參數(shù):最大代數(shù)為51，種群規(guī)模為20，交叉概率為0．2，選擇概率為0．5。運(yùn)行算法并顯示結(jié)果，β、θ、a較優(yōu)結(jié)果分別為:1．844rad、1．571rad、51．609mm。
3結(jié)論
關(guān)鍵詞:量子遺傳算法;多目標(biāo)分配;最優(yōu)化
中圖分類號:TP18 文獻(xiàn)標(biāo)識碼:A 文章編號:1674-7712 (2012) 12-0176-01
一、引言
遺傳算法不同于傳統(tǒng)尋優(yōu)算法的特點(diǎn)在于:遺傳算法在尋優(yōu)過程中,僅需要得到適應(yīng)度函數(shù)的值作為尋優(yōu)的依據(jù);同時使用概率性的變換規(guī)則,而不是確定性的變換規(guī)則;遺傳算法適應(yīng)度函數(shù)的計算相對于尋優(yōu)過程是獨(dú)立的;算法面對的是參數(shù)的編碼集合,而并非參數(shù)集合本身,通用性強(qiáng)。它尤其適用于處理傳統(tǒng)優(yōu)化算法難于解決的復(fù)雜和非線性問題。[1]
目前,GA已經(jīng)在很多領(lǐng)域得到成功應(yīng)用,但隨著問題規(guī)模的不斷擴(kuò)大和搜索空間的更加復(fù)雜,GA在求解很多具體問題時往往并不能表現(xiàn)出其優(yōu)越性。于是,近年來便出現(xiàn)了遺傳算法與其它理論相結(jié)合的實(shí)踐,其中遺傳算法與量子理論的結(jié)合是一個嶄新的、極富前景和創(chuàng)意的嘗試。
量子遺傳算法QGA是量子計算特性與遺傳算法相結(jié)合的產(chǎn)物?；诹孔颖忍氐寞B加性和相干性,在遺傳算法中借鑒量子比特的概念,引入了量子比特染色體。由于量子比特染色體能夠表征疊加態(tài),比傳統(tǒng)GA具有更好的種群多樣性,同時QGA也會具有更好的收斂性,因此在求解優(yōu)化問題時,QGA在收斂速度、尋優(yōu)能力方面比GA都將有較大的提高。QGA的出現(xiàn)結(jié)合了量子計算和遺傳算法各自的優(yōu)勢,具有很高的理論價值和發(fā)展?jié)摿Α?/p>
本論文提出用量子遺傳算法處理和解決多目標(biāo)分配問題,為多目標(biāo)問題的解決提供一種新的思路。
二、量子遺傳算法
在傳統(tǒng)計算機(jī)中,信息存儲是以二進(jìn)制來表示,不是“0”就是“1”態(tài),但是在量子計算機(jī)中,充當(dāng)信息存儲單元的物質(zhì)是一個雙態(tài)量子系統(tǒng),稱為量子比特(qubit),量子比特與比特不同之就在于它可以同時處在兩個量子態(tài)的疊加態(tài),量子進(jìn)化算法建立在量子的態(tài)矢量表述基礎(chǔ)上,將量子比幾率幅表示應(yīng)用于染色體的編碼,使得一條染色體可以表示個態(tài)的疊加,并利用量子旋轉(zhuǎn)門更新染色體,從而使個體進(jìn)達(dá)到優(yōu)化目標(biāo)的目的。
一個 位的量子位染色體就是一個量子位串,其表示如下:
其中 。在多目標(biāo)優(yōu)化中,一個量子染色體代表一個決策向量,在量子態(tài)中一個 位的量子染色體可以表達(dá) 個態(tài),采用這種編碼方式使得一個染色體可以同時表達(dá)多個態(tài)的疊加,使得量子進(jìn)化算法比傳統(tǒng)遺傳算法擁有更好的多樣性特征。
為了實(shí)現(xiàn)個體的進(jìn)化,經(jīng)典進(jìn)化算法中通過染色體的交叉、變異操作推進(jìn)種群的演化,而對量子進(jìn)化算法而言,量子染色體的調(diào)整主要是通過量子旋轉(zhuǎn)門實(shí)現(xiàn)的,算法流程如下:
(1)進(jìn)化代數(shù)初始化: ;
(2)初始化種群 ,生成并評價 ;
(3)保存 中的最優(yōu)解 ;
(4) ;
(5)由 生成 ;
(6)個體交叉、變異等操作,生成新的 (此步可省評價);
(7)評價 ,得到當(dāng)前代的最優(yōu)解 ;
(8)比較 與 得到量子概率門 ,保存最優(yōu)解于 ;
(9)停機(jī)條件 當(dāng)滿足停機(jī)條件時,輸出當(dāng)前最優(yōu)個體,算法結(jié)束,否則繼續(xù);
(10)以 更新 ,轉(zhuǎn)到4)。
三、基于量子遺傳算法的多目標(biāo)分配應(yīng)用
如今為了滿足市場的需要,很多工廠的生產(chǎn)種類多、生產(chǎn)量大,從而設(shè)置了不同的生產(chǎn)車間,根據(jù)產(chǎn)品的性質(zhì)分配生產(chǎn)車間合理與否直接影響工廠的經(jīng)濟(jì)收益,這同樣可采用遺傳算法的目標(biāo)分配方法進(jìn)行分配。
模型構(gòu)建:設(shè)工廠有i個生產(chǎn)車間。 為在第i個車間生產(chǎn)第j種產(chǎn)品的收益, 為第j種產(chǎn)品的需求量;如果第j種產(chǎn)品被選中,則 為在第i個車間生產(chǎn)該產(chǎn)品的總收益。由題意知為求解 最大問題。
仿真實(shí)例:設(shè)有10個生產(chǎn)車間,要生產(chǎn)15種產(chǎn)品,用Matlab程序編程,設(shè)定40個粒子,迭代200次,代溝0.9。運(yùn)行結(jié)果如下:
此圖表明經(jīng)200次迭代后的目標(biāo)分配方案為:第1種產(chǎn)品由第3個車間生產(chǎn),以此類推,車間5生產(chǎn)第2種產(chǎn)品,車間8生產(chǎn)第3種產(chǎn)品,……。次方案對應(yīng)的車間總收益值為2.7030e+003,成功進(jìn)行了多目標(biāo)分配問題的解決。
四、結(jié)論
基于量子遺傳算法的多目標(biāo)分配,為多目標(biāo)分配突破傳統(tǒng)尋優(yōu)模式找到了一個可行的解決方法。根據(jù)這種方法實(shí)驗,仿真結(jié)果可以看出,基本符合要求,并且能夠在一定的時間內(nèi)得到最優(yōu)的分配方案,因此,本文在探索多目標(biāo)分配問題上找到了一種新的解決思路。
參考文獻(xiàn):
[1]吉根林.遺傳算法研究綜述[J].計算機(jī)應(yīng)用與軟件,2004,21(2):69-73
[2]肖曉偉,肖迪.多目標(biāo)優(yōu)化問題的研究概述[J].計算機(jī)應(yīng)用研究,2011,3,28(3):805-808
[3]原銀忠,韓傳久.用遺傳算法實(shí)現(xiàn)防空導(dǎo)彈體系的目標(biāo)分配[J].火力與指揮控制,2008,3,33(3):80-83
[關(guān)鍵詞] 配送 車輛路徑問題 時間窗 遺傳算法
隨著經(jīng)濟(jì)全球化趨勢的加強(qiáng)，科學(xué)技術(shù)尤其是信息技術(shù)的發(fā)展突飛猛進(jìn)，產(chǎn)品營銷范圍日趨擴(kuò)大，社會生產(chǎn)、物資流通、商品交易及其管理方式正在發(fā)生著深刻的變革，與此相適應(yīng)，被普遍認(rèn)為企業(yè)在降低物資消耗、提高勞動生產(chǎn)率以外的“第三利潤源”的現(xiàn)代物流在世界范圍內(nèi)廣泛興起，目前正在成為全球經(jīng)濟(jì)發(fā)展的一個重要熱點(diǎn)和新的經(jīng)濟(jì)增長點(diǎn)。隨著傳統(tǒng)批發(fā)、交通運(yùn)輸、倉儲業(yè)向現(xiàn)代物流轉(zhuǎn)化，尤其是配送方式的采用，對運(yùn)輸成本和時間的有效控制日漸成為城市配送車輛路徑問題的一項重要目標(biāo)。VRP一直以來都是車輛調(diào)度所重點(diǎn)研究的方向。而在城市內(nèi)采取的配送方式恰恰具備了VRP問題的一般特征和優(yōu)化調(diào)度條件。
一、VRP模型的條件及假設(shè)
VRP問題是指按要求用多個車輛從配送中心對顧客進(jìn)行配給貨物。各顧客點(diǎn)的位置和需求量為己知，各車輛的裝載質(zhì)量己知，力求尋找一個好的配送方案，使得總代價最小(車輛盡量少，行車總距離盡量短，總費(fèi)用盡量低等)，由VRP的定義不難看出，必須滿足以下條件及假設(shè)：
1.僅考慮位置已知的單一配送中心，所有的配送車輛以配送中心為起點(diǎn)，并最終回到配送中心。
2.每條配送路徑上各需求點(diǎn)的需求量之和不超過車輛的裝載質(zhì)量，被配送貨物是可混裝的貨物。
3.每條配送路徑的長度不超過車輛一次允許行駛的最大距離，配送中心有足夠的資源以供配送，并且有足夠的運(yùn)輸能力。
4.各個客戶需求和所在地均已知，每個需求點(diǎn)的需求由且僅由一輛車一次送貨滿足。
5.滿足總時間約束與時間窗口。必須在時間區(qū)間[ei,lj]訪問點(diǎn)i客戶，并允許在i處等待，車輛服務(wù)的總時間不能超過物流中心的時間約束。
6.多個客戶之間存在優(yōu)先關(guān)系，必須在訪問客戶j之前訪問客戶i。
二、帶時間窗VRP模型的建立
基于文獻(xiàn)一文中的模型，并考慮配送系統(tǒng)是一個服務(wù)系統(tǒng)，所提供的服務(wù)必須能夠讓客戶方便、滿意。配送系統(tǒng)的運(yùn)作成本必須和配送系統(tǒng)其他性能參數(shù)綜合進(jìn)行考評，單純對成本進(jìn)行評價是沒有任何實(shí)際意義的。需要關(guān)注和努力的是：要在保證配送滿足客戶要求、提升客戶滿意度的同時，通過各種技術(shù)和管理手段，降低運(yùn)作成本。因此，本文將建立改進(jìn)的運(yùn)輸路徑模型，在傳統(tǒng)的車輛配送成本最小化目標(biāo)的基礎(chǔ)上，兼顧客戶對配送時間的要求，使車輛等待和延誤時間之和最小化。
（1）
（2）
式中K――車隊規(guī)模，即總的車輛數(shù)目；
k――車輛數(shù)目(k=1,2,……,K)；
N――有待訪問的總的客戶的數(shù)目；
O――配送中心；
Q――每輛車輛的容量，這里假設(shè)所有車輛同質(zhì)，容量均為Q;
i,j――顧客數(shù)(i=1,2,……,N；j=1,2,……,N)；
T――個很大的數(shù)字；
C――每輛車單位運(yùn)距的運(yùn)費(fèi)；
t0――車輛從配送中心出發(fā)的時間；
e0――車輛可離開配送中心的最早時間；
ei――到達(dá)客戶i處規(guī)定最早到達(dá)時間；
l0――車輛返回配送中心的最晚時間；
li――到達(dá)客戶i處規(guī)定最晚到達(dá)時間；
dij――從客戶i到客戶j的距離；
pj――每個客戶單位卸貨量的卸載費(fèi)用；
mi――客戶i的貨運(yùn)需求量；
tki、tkj――第k輛車到達(dá)客戶i、j處的時間；
tij――連接客戶i和客戶j的行駛時間；
si――客戶i處的服務(wù)時間；
wi――在客戶i的等待時間，wi≥0。
兩個決策變量如下：
這個模型通用性很強(qiáng)，經(jīng)過參數(shù)的不同設(shè)定，可以轉(zhuǎn)換為其它組合優(yōu)化問題的數(shù)學(xué)模型。
三、帶時間窗VRP模型的遺傳算法求解
在模型的處理上，根據(jù)本文提出的模型單位標(biāo)量不統(tǒng)一的特殊性來選擇權(quán)重系數(shù)變化法，將變化后的多目標(biāo)函數(shù)經(jīng)分析和試驗得出各個子目標(biāo)函數(shù)的數(shù)量級大小并確定權(quán)重，最后加權(quán)化為單目標(biāo)函數(shù)用遺傳算法求解。
1.懲罰函數(shù)的引入。在以往的對含有時間窗約束的車輛配送系統(tǒng)的研究中，所研究的成本大多僅包含行駛成本，但事實(shí)上，還包括其它成本(如裝卸搬運(yùn)成本)，將時間窗約束轉(zhuǎn)化為懲罰函數(shù)而體現(xiàn)在模型中。
式中c1――車輛在任務(wù)點(diǎn)處等待單位時間的機(jī)會成本。
c2――車輛在要求時間之后到達(dá)單位時間所處以的懲罰值(c1和c2的大小，要根據(jù)實(shí)際情況來定)。
2.建立適度度函數(shù)。根據(jù)遺傳算法中適應(yīng)度函數(shù)的特點(diǎn)，需要將原目標(biāo)函數(shù)式變化為：
(4)
(5)
式中A*，B* ――變化后的目標(biāo)函數(shù)值，取值范圍為[0，1)；
Amax,Bmax――分別是原始目標(biāo)函數(shù)。
適應(yīng)度函數(shù)因此變化為：f(A,B)=α×A*+β×B*(6)
經(jīng)過分析和實(shí)驗發(fā)現(xiàn)，A*，B*經(jīng)過處理后，A*的數(shù)量級一般是10-2，B＊的數(shù)量級一般是10-1。
3.用遺傳算法求解帶時間窗VRP模型。本文取α＝0.8,β＝0.2，用遺傳算法進(jìn)行求解。在運(yùn)用遺傳算法求解后，驗證了該算法易于理解，對問題的依賴性較小，對其求解的函數(shù)要求簡單，實(shí)現(xiàn)起來簡單高效，若參數(shù)選擇的合理，收斂速度很快，但是遺傳參數(shù)的控制對于算法的收斂速度影響很大，在參數(shù)選擇方面有一定難度。雖然文中使用的是根據(jù)以往學(xué)者經(jīng)驗選定的參數(shù)，但計算表明最優(yōu)解所在“代”數(shù)的穩(wěn)定性不是很好，這也是以后需要進(jìn)一步研究的地方。
四、結(jié)論
在傳統(tǒng)的車輛配送成本最小化為目標(biāo)的基礎(chǔ)上，兼顧客戶對配送時間的要求，建立了帶時間窗的車輛路徑優(yōu)化多目標(biāo)模型。在對模型的處理上，將兩個量綱不統(tǒng)一的子目標(biāo)函數(shù)除以各子目標(biāo)函數(shù)的最大值后使其變成無量綱的函數(shù)，并通過權(quán)重系數(shù)變化法將各個子目標(biāo)函數(shù)線性加權(quán)和作為多目標(biāo)優(yōu)化問題的適應(yīng)度函數(shù)，使得多目標(biāo)優(yōu)化問題轉(zhuǎn)化為單目標(biāo)優(yōu)化問題后再用遺傳算法求解。
參考文獻(xiàn):
[1]王 惠:引入顧客滿意度求解車輛優(yōu)化調(diào)度問題.大連海事大學(xué)碩士論文,2006:1～13
[2]盛麗俊:帶有時間窗的車輛路徑問題的優(yōu)化研究.大連海事大學(xué)碩士論文,2002:13～57
[3]牟燕妮:物流配送中路徑優(yōu)化的選擇研究.沈陽工業(yè)大學(xué)碩士論文,2006:28～41
關(guān)鍵詞：遺傳算法；運(yùn)籌學(xué)；應(yīng)用
中圖分類號：F27 文獻(xiàn)標(biāo)識碼：A
收錄日期：2011年10月28日
一、遺傳算法簡介
遺傳算法（GAS）是由美國密執(zhí)根大學(xué)的Holland等人創(chuàng)立的。與其他啟發(fā)式方法順序搜索解空間的工作方式不同，遺傳算法采用解的種群作為工作單元，使用模仿生物進(jìn)化的適者生存原則指導(dǎo)搜索并改進(jìn)目標(biāo)。種群由代表個體的定長字符串組成，每個個體表示解空間的一個點(diǎn)，每個解的質(zhì)量，通過依賴于問題目標(biāo)函數(shù)的適應(yīng)值函數(shù)來進(jìn)行評估。搜索過程通過進(jìn)化來進(jìn)行，每代中的個體以正比于它的適應(yīng)值的概率遺傳到下一代。它使用3個基本算子：選擇、交叉和變異。選擇是指個體以其適應(yīng)值比例復(fù)制到池中；交叉是池中的兩個個體進(jìn)行，組合形成一個（或幾個）新個體，復(fù)制和交叉將好的特性進(jìn)行遺傳；變異則是發(fā)生在少數(shù)字符串某基因位上的基因的突變，它使搜索過程能夠有機(jī)會從搜索到的局部最優(yōu)解逃出。
解決一個實(shí)際問題的遺傳算法通常包括下列兩個決策步驟：（1）將求解問題模型化為符合遺傳算法的框架。可行解空間的定義，適應(yīng)值函數(shù)的表現(xiàn)形式，解的字符串表達(dá)式方式；（2）遺傳算法參數(shù)的設(shè)計。種群規(guī)模，復(fù)制、交叉、變異的概率選擇，進(jìn)化最大代數(shù)，終止準(zhǔn)則設(shè)定等。
二、遺傳算法的基本特點(diǎn)
（一）結(jié)構(gòu)特點(diǎn)。遺傳算法是以適應(yīng)值提供的啟發(fā)式信息進(jìn)行搜索的，與其他啟發(fā)式（模擬退火、爬山法、神經(jīng)網(wǎng)絡(luò)等）方法相比，在結(jié)構(gòu)和工作過程方面的特點(diǎn)見表1。（表1）
（二）實(shí)驗性能方面的特點(diǎn)
1、高效性。遺傳算法具有大范圍全局搜索的特點(diǎn)，與問題領(lǐng)域無關(guān)，前期工作量比較少。
2、健壯性。遺傳算法的搜索是用種群作為基本單元，采用三個不同作用的基本算子進(jìn)行搜索的，解的結(jié)果隨時間增加而趨于穩(wěn)定，不受初始解的影響，而且不因?qū)嵗牟煌懽儭?/p>
3、通用性和靈活性。遺傳算法可用于多種優(yōu)化搜索問題，解題程序可以通用，針對不同的實(shí)例，適當(dāng)調(diào)整算子參數(shù)，就可以使算法執(zhí)行獲得最佳的解結(jié)果和占用CPU機(jī)時的關(guān)系。
三、遺傳算法在解決經(jīng)典運(yùn)籌問題中的應(yīng)用
（一）旅行商問題（TSP）。旅行商問題自誕生以來，頗受數(shù)學(xué)家推崇，今天的旅行商問題已遠(yuǎn)遠(yuǎn)超過其本身的含義，成為一種衡量算法優(yōu)劣的標(biāo)準(zhǔn)。旅行商問題是采用非標(biāo)準(zhǔn)編碼遺傳算法求解最成功的一例，基因編碼用推銷員順序經(jīng)歷的城市名表示，求最佳路線即是改變編碼次序而求最低適應(yīng)值的問題。對類似字符串使用標(biāo)準(zhǔn)交叉，產(chǎn)生的后代可能有重復(fù)或丟失的元素，因而成為非可行解。為克服這種困難，人們提出許多非標(biāo)準(zhǔn)的交叉和變異方法：交叉主要采用重排序方法――部分匹配重排序，順序交叉和循環(huán)交叉等；變異主要采用位點(diǎn)、反轉(zhuǎn)、對換、插入等方法，使旅行商問題得以有效地解決。值得一提的是，清華大學(xué)張雷博士提出的自適應(yīng)多點(diǎn)交叉算子，能夠保證多點(diǎn)交叉后路徑的可行性，加快了搜索速度。
（二）作業(yè)調(diào)度問題。作業(yè)調(diào)度問題同樣是自然變更次序的問題，可以用基于變更次序的遺傳算法進(jìn)行處理。（表2）
（三）背包問題。一維、二維和三維背包問題在商業(yè)和工業(yè)領(lǐng)域有著廣泛的應(yīng)用，基于遺傳算法的求解方法很多。傳統(tǒng)求解采用啟發(fā)式規(guī)則，決定下一步該裝哪一塊和裝在哪里，此時變更次序的編碼與啟發(fā)式安置策略是利用遺傳算法解決這類問題的最為出色的方法，Lin使用一系列的懲罰項指導(dǎo)其搜索策略，測定單個個體的適應(yīng)值。
Bortfeldt使用一個層次背包問題，個體用它們的層次代表，當(dāng)兩個親代被選擇交叉時，它們的層次混在一起，從中選擇最好的作為子代的第一層，再從余下的組件中選擇最好的作為第二層，以此類推，直至產(chǎn)生所有的層次。
陳國良等設(shè)計了一種“與/或”交叉方法，使子代繼承雙親的同型基因，對雜型基因采用不同支配方式，這種策略為遺傳算法的硬件實(shí)現(xiàn)創(chuàng)造了良好的條件。
（四）時刻表排定問題。Corne對Edinburgh大學(xué)7日內(nèi)的28個時間期間安排40門課的考試問題作了處理，尋找一個可行的時間排定表，使每個學(xué)生參加的考試在時間上能夠錯開，時刻表用字符串代表，字符串每個位置代表一門課，該位置的值代表考試的時間，用均勻交叉和標(biāo)準(zhǔn)變異操作求解。
這類問題擴(kuò)展到基于二維的矩陣代表的逼近問題，Colorini使用行代表教師列代表可用的小時數(shù)的矩陣，每個單元的值為教師在此時承擔(dān)的任務(wù)，包括教室和其他一些資源配置，教師的任務(wù)是事先給定的，故行都是可行的，列代表的時間安排可能會發(fā)生沖突，將此沖突用懲罰函數(shù)表示在適應(yīng)值函數(shù)中，而且采用修復(fù)算子在評價之前盡量將結(jié)論調(diào)整回可行區(qū)域內(nèi)，該算法用Milan學(xué)校的實(shí)際數(shù)據(jù)進(jìn)行了檢驗。
除此之外，遺傳算法在運(yùn)輸問題、指派問題、分割問題及網(wǎng)絡(luò)計劃優(yōu)化問題等方面都獲得了非常成功的應(yīng)用，這些問題被認(rèn)為是NP類問題，其規(guī)模隨變量的增加呈指數(shù)增長，遺傳算法在這些問題的求解中，充分體現(xiàn)了其操作性能方面的優(yōu)勢。
四、應(yīng)用和推廣中存在的問題
在上述問題中，遺傳算法求解展示了優(yōu)良的性能，但遺傳算法并未像其他啟發(fā)式方法那樣容易地被OR學(xué)者廣泛接受而用于大量的實(shí)際問題中，究其原因，主要有以下幾點(diǎn)：
（一）傳播方式的障礙。遺傳算法最初的工作是以密執(zhí)根大學(xué)嚴(yán)謹(jǐn)?shù)难芯啃〗M作為研究項目和學(xué)術(shù)討論中心，當(dāng)研究成員擴(kuò)大時，這類討論會演變?yōu)闄C(jī)構(gòu)的學(xué)術(shù)會議（美國現(xiàn)有5個，歐洲有3個，我國目前還沒有），許多研究者聚于此而遠(yuǎn)離問題導(dǎo)向，有關(guān)的會議論文公開出版數(shù)量很少，而且，由于歷史原因，研究者常常將他們的研究結(jié)果選擇在有關(guān)人工智能的雜志上發(fā)表，導(dǎo)致了應(yīng)用遺傳算法的信息很緩慢地擴(kuò)散到其他不同技術(shù)應(yīng)用領(lǐng)域的工作者中，這與模擬退火等其他啟發(fā)式方法快速在運(yùn)籌學(xué)會議及雜志上發(fā)表相反。由于缺乏交流導(dǎo)致了兩方面的問題：一是許多關(guān)于遺傳算法的論文不能與從其他方法得到的結(jié)論進(jìn)行質(zhì)量的比較，二是削弱了許多遺傳算法多的潛在使用者用遺傳算法與其他方法競爭的信心。
（二）術(shù)語的隔膜。初始跨入遺傳算法領(lǐng)域的使用者常常感到起步非常艱難，遺傳算法依賴于遺傳學(xué)的術(shù)語也像模擬退火的術(shù)語來自于統(tǒng)計熱力學(xué)一樣。然而，溫度、冷卻等可能很快賦予新的意義，但遺傳算法中的基因位、染色體、遺傳型卻難以很快被人理解和接受；另外，許多發(fā)表的研究偏重于用某些專門函數(shù)檢驗他們的新思路或新設(shè)想，這對于全面理解該技術(shù)固然是一件好事，但對于一個面對如此豐富復(fù)雜材料的初用者會發(fā)現(xiàn)，他將不知從何做起。即使一個非常愿意使用遺傳算法的人，也要有足夠的決心去克服上述障礙。
（三）方法的局限性。對于具有強(qiáng)約束的優(yōu)化問題，采用懲罰函數(shù)逼近常常達(dá)不到預(yù)想的結(jié)果。Radcliffe評論說：“約束通常被認(rèn)為是遺傳算法面臨的最大問題”因為懲罰因子選擇不當(dāng)時，會招致錯誤結(jié)論。目前，求解帶約束優(yōu)化問題的啟發(fā)式遺傳方法已經(jīng)有了一些，但是，它們多數(shù)與問題領(lǐng)域相關(guān)，在這方面還缺少普遍適用的方法的系統(tǒng)研究。
（四）編碼的困難。不是所有問題解空間中的點(diǎn)都能明顯地用編碼表示，作為OR研究者，常常從問題結(jié)構(gòu)取得利益，用矩陣、樹、網(wǎng)絡(luò)或其他更適用的方法建立表達(dá)式；串表達(dá)中的建筑塊假說建議適用較少的字符，導(dǎo)致人們對二進(jìn)制編碼的偏愛，但二進(jìn)制編碼具有一定的映射誤差（實(shí)際計算時，我們是把問題作為整數(shù)規(guī)劃），特別是它不能直接反映出所求問題本身結(jié)構(gòu)特征，因此很難滿足生成有意義的積木塊編碼原則；再者，二進(jìn)制字符的長度隨問題發(fā)生明顯變化，當(dāng)問題復(fù)雜時會因為編碼太長而無法進(jìn)行正常工作。
以上的種種阻力，在一定程度上減緩了遺傳算法在運(yùn)籌學(xué)實(shí)際問題中的推廣和應(yīng)用。
主要參考文獻(xiàn)：
[1]陳國良等.遺傳算法及其應(yīng)用.北京：人民郵電出版社，1996.6.
關(guān)鍵詞：電網(wǎng)規(guī)劃；地理信息系統(tǒng)（GIS）；遺傳算法；現(xiàn)代啟發(fā)式方法
0 引言
電網(wǎng)規(guī)劃是電力系統(tǒng)規(guī)劃的重要環(huán)節(jié)[1]，電網(wǎng)規(guī)劃方案的優(yōu)劣直接影響到電網(wǎng)的建設(shè)費(fèi)用以及運(yùn)行費(fèi)用。傳統(tǒng)的規(guī)劃很難對地理實(shí)體進(jìn)行數(shù)據(jù)采集，規(guī)劃模型往往也忽略地表因素（障礙物等）的影響，所以精度較低，規(guī)劃結(jié)果往往不具備實(shí)用性和可操作性，此外傳統(tǒng)的規(guī)劃很難實(shí)現(xiàn)可視化，缺乏直觀性。結(jié)合GIS 平臺，對電網(wǎng)規(guī)劃問題進(jìn)行優(yōu)化，既可以方便的把地貌因素運(yùn)用到電網(wǎng)規(guī)劃中，又使規(guī)劃結(jié)果直觀可視，從而大大提高了結(jié)果的科學(xué)性和實(shí)用性。
1 基于GIS平臺電網(wǎng)規(guī)劃的特點(diǎn)
在電網(wǎng)規(guī)劃中引入GIS系統(tǒng)有如下特點(diǎn)：
（1）電網(wǎng)規(guī)劃要求大量詳細(xì)的地理信息，如變電站位置、變壓器位置等。借用GIS平臺可以使規(guī)劃區(qū)域的整個電網(wǎng)直觀地顯示在屏幕上，規(guī)劃人員能夠方便地確定待選變電站和待選線路路徑。
（2）把GIS引入電網(wǎng)規(guī)劃中，用戶可以考慮許多實(shí)際的約束條件，如地理位置、街道等的互連關(guān)系、街區(qū)布局等等，而且由于空間數(shù)據(jù)模型的引入，這些約束條件對用戶是透明的，可以直接從地圖上獲得，建模工作將得到簡化。
（3）結(jié)合GIS的電網(wǎng)提供了從文-圖和從圖-文的雙向查詢，不但能通過系統(tǒng)開發(fā)的查詢工具對任意點(diǎn)取圖上目標(biāo)進(jìn)行所見即所得的查詢，而且可以對電網(wǎng)圖層空間的每一層設(shè)置其顯示范圍、是否可視等屬性[2]～[4]。
2、基于GIS平臺的電網(wǎng)規(guī)劃方法
電網(wǎng)規(guī)劃分為經(jīng)典方法和現(xiàn)代啟發(fā)式方法，傳統(tǒng)的經(jīng)典方法能夠得到解析解，在理論上能使得規(guī)劃結(jié)果相對最優(yōu)，但對問題的規(guī)模、約束條件的數(shù)量、問題的組合度比較敏感，容易陷入“維數(shù)災(zāi)”而難以在合理時間內(nèi)求得結(jié)果。近幾年出現(xiàn)的基于生物學(xué)、人工智能的現(xiàn)代啟發(fā)式算法具有直觀、靈活、計算速度快、不受限于問題規(guī)模等特點(diǎn)，不僅遵循配網(wǎng)規(guī)劃常用規(guī)則，而且便于規(guī)劃人員應(yīng)用過去的經(jīng)驗，在配網(wǎng)規(guī)劃中能很快得到近似最優(yōu)解。由于現(xiàn)代啟發(fā)式方法優(yōu)勢明顯，所以傳統(tǒng)的經(jīng)典方法已經(jīng)很少使用。
2.1 Tabu 搜索算法
Tabu 搜索方法是一種亞啟發(fā)式隨機(jī)搜索算法，它從一個初始可行解X0（為n維向量）出發(fā)，選擇一系列的特定搜索方向（移動）作為試探，從當(dāng)前解的鄰域N（X）中隨機(jī)產(chǎn)生一系列試驗解X1，X2，… XK選擇其中最好的解X*作為當(dāng)前解，即令Xcurrent=X*，重復(fù)迭代，直到滿足一定的終止準(zhǔn)則。
文獻(xiàn)[5]運(yùn)用Tabu 搜索算法，在GIS平臺上對網(wǎng)架模型進(jìn)行優(yōu)化。目標(biāo)函數(shù)是年費(fèi)用最小，年費(fèi)用為線路的新建投資年費(fèi)用、維護(hù)年費(fèi)用和運(yùn)行、折舊年費(fèi)用，約束條件包含配網(wǎng)輻射限制、負(fù)荷需求限制和線路潮流限制三個方面。該文以備選網(wǎng)絡(luò)的生成樹作為Tabu搜索的初始解，使得輻射性的約束自然滿足，Tabu 搜索算法中采用“交換移動”進(jìn)一步判斷輻射性，Tabu表是先進(jìn)先出的管理模式。Tabu 搜索結(jié)果可以在GIS界面中形象的觀察到。
2.2 遺傳算法（GA）
遺傳算法是目前比較成熟的一種啟發(fā)式算法，遺傳算法類似于自然進(jìn)化，通過作用與染色體上的基因?qū)ふ液玫娜旧w來求解問題[6]。
文獻(xiàn)[7]結(jié)合GA 和GIS 提出了一種新的電網(wǎng)規(guī)劃模型，該模型目標(biāo)函數(shù)中包含線路各種設(shè)備投資、維護(hù)、運(yùn)行費(fèi)用和用戶停電損失費(fèi)用。約束條件為輸送功率、電流允許范圍、最小電壓降以及網(wǎng)絡(luò)的輻射性。通過根節(jié)點(diǎn)融合法來保證網(wǎng)絡(luò)的輻射性，并考慮到了中間節(jié)點(diǎn)和分支點(diǎn)，形成真正可行的網(wǎng)絡(luò)接線方案，從而使該方法可以考慮各種復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)，更適用于電網(wǎng)GIS規(guī)劃。GA 算子過程采用Elitism 算法：每次構(gòu)造子代種群時，都從父代種群中選擇一定的最優(yōu)個體直接作為子代個體，在隨機(jī)選擇時，適應(yīng)度高的以一定比例選中，經(jīng)試驗證明變異率為0.02時遺傳算法的性能較好。該文最后對一個算例進(jìn)行投資總額分析，分析表明考慮可靠性價值可以節(jié)省資本，減少配網(wǎng)的投資金額。但該文僅解決了單條饋線優(yōu)化規(guī)劃，沒有考慮線路之間的接線模式的影響。
2.3電源追蹤算法
所謂電源追蹤就是在選中桿塔或者桿塔上設(shè)備時， 搜索給該設(shè)備供電的變電站。
文獻(xiàn)[8]將網(wǎng)絡(luò)拓?fù)浼夹g(shù)與電網(wǎng)GIS的開發(fā)相結(jié)合， 為電力企業(yè)的設(shè)備管理及輔助決策提供了圖形化的管理工具， 提高了電力企業(yè)的工作效率。它提出電源追蹤算法，該算法即使在網(wǎng)絡(luò)拓?fù)潢P(guān)聯(lián)屬性字段的數(shù)據(jù)不全時， 也能快速、準(zhǔn)確的定位電源點(diǎn)， 提高了電網(wǎng)電源追蹤模塊的實(shí)用性， 更好地滿足了實(shí)際工程的應(yīng)用需要。具體算法原理和過程如下：當(dāng)拓?fù)湫畔?shù)據(jù)不全時， 算法轉(zhuǎn)為執(zhí)行基于啟發(fā)式搜索的拓?fù)浞治鲎粉?。它不需要借助拓?fù)潢P(guān)聯(lián)屬性字段的值， 而是通過地理信息系統(tǒng)軟件提供的拓?fù)浞治龊瘮?shù)就可建立起整個電網(wǎng)絡(luò)， 并通過這個網(wǎng)絡(luò)進(jìn)行搜索， 從而選擇出設(shè)備到其供電電源的最優(yōu)路徑。
3 結(jié)論
1、每種算法都有自己的優(yōu)點(diǎn)，但任何一種算法都有自己的不足。各種算法雖然在理論上能較好的滿足規(guī)劃要求，但還很難便捷的應(yīng)用到實(shí)際中。
2、盡管基于GIS的電網(wǎng)規(guī)劃方法的研究已取得很多成果，但至今還沒有比較完善的電網(wǎng)規(guī)劃軟件能夠方便地應(yīng)用到實(shí)際規(guī)劃工作中。因此，研究開發(fā)相對完善實(shí)用的電網(wǎng)規(guī)劃軟件和基于GIS的電網(wǎng)規(guī)劃軟件將是電網(wǎng)規(guī)劃研究工作者們今后工作中的首要任務(wù)。
參考文獻(xiàn)
[1]趙帥虎，吳健，陳丁劍.基于GIS 配電網(wǎng)自動化分布式協(xié)同建模技術(shù)的研究[J]. 微型電腦應(yīng)用.Vol.27，No.1，2011.1：6
[2]王金鳳.基于GIS的配電網(wǎng)優(yōu)化規(guī)劃研究.碩士學(xué)位論文[D].鄭州大學(xué)，2002.4
[3] 張志波.基于GIS技術(shù)的縣級配電網(wǎng)架優(yōu)化規(guī)劃軟件[D].碩士學(xué)位論文.河北農(nóng)業(yè)大學(xué)，2008.6
[4]張林峰.基于地理信息系統(tǒng)的智能城市電網(wǎng)規(guī)劃.碩士學(xué)位論文[D].華北電力大學(xué)，2006.12
[5]楊麗徙，王金鳳，陳根永.基于GIS 和Tabu 搜索的配電網(wǎng)優(yōu)化規(guī)劃[J].鄭州大學(xué)學(xué)報（公學(xué)版）.VOL 23，No.3，2002.9：75-77
[6]劉娜.基于遺傳算法的農(nóng)村配電網(wǎng)檢修計劃方法的研究[D].沈陽農(nóng)業(yè)大學(xué)，2005.10
[7]王春生，趙凱，彭建春.基于地理信息系統(tǒng)和遺傳算法的配電網(wǎng)優(yōu)化規(guī)劃[J].電力系統(tǒng)自動化.2000.7.48-51
[7]趙強(qiáng)，楊柳.基于啟發(fā)式搜索的配電網(wǎng)GIS拓?fù)浞治鯷J]. 計算機(jī)應(yīng)用與軟件.Vol.25，No.9，2008.9：181-183
[8]陳珊. WebGIS中最短路徑算法及其應(yīng)用的研究[D]. 上海： 華東師范大學(xué)， 2005.
【關(guān)鍵詞】云計算；DAG圖；遺傳；蟻群；任務(wù)；融合
本文提出一種基于DAG模型的優(yōu)先級表的依賴任務(wù)調(diào)度算法。以時間觸發(fā)調(diào)度，采用重復(fù)調(diào)度。當(dāng)每次調(diào)度事件發(fā)生時，包含那些上一次調(diào)度事件中已經(jīng)被調(diào)度但還沒有開始執(zhí)行或被迫中斷的任務(wù), 還有新到達(dá)的任務(wù)，。這與云計算中資源的動態(tài)性是相應(yīng)的。
在算法實(shí)現(xiàn)方面，我們考慮將遺傳算法和蟻群算法相結(jié)合，利用遺傳算法進(jìn)行前期訓(xùn)練然后利用蟻群算法進(jìn)一步進(jìn)行搜索收斂，最終得到最優(yōu)調(diào)度方案。結(jié)合云計算任務(wù)調(diào)度的特點(diǎn)，本文選取遺傳算法和蟻群算法的參數(shù)設(shè)置，將問題轉(zhuǎn)換到云計算任務(wù)調(diào)度問題上來，提出融合遺傳算法[1]和蟻群算法[2][3]的云計算任務(wù)調(diào)度算法。
一、問題提出
每個子任務(wù)用圓圈表示，圈中T表示任務(wù)號，Q表示計算量，而DAG圖中的箭頭表示子任務(wù)之間的優(yōu)先關(guān)系，C(i,j)表示任務(wù)Ti與Tj之間的通信量。圖1所示，箭頭從前驅(qū)指向后繼，前驅(qū)是后繼的必要，只有在某個任務(wù)的所有前驅(qū)都完成時，該任務(wù)才被執(zhí)行。在任務(wù)調(diào)度過程中重復(fù)調(diào)度，當(dāng)每次調(diào)度事件發(fā)生時，任務(wù)組中既包含新到達(dá)的任務(wù)，。這與云計算中資源的動態(tài)性相適應(yīng)的。算法使用更新的資源信息對任務(wù)進(jìn)行調(diào)度，這與動態(tài)的云計算環(huán)境是相適應(yīng)的。
Fig.1 DAG task graph
圖1 任務(wù)DAG圖
由各種任務(wù)分配方案需要進(jìn)行優(yōu)化。如圖2任務(wù)劃分后的一種方案。
Fig.2 Sub-task resource allocation plan
圖2 子任務(wù)資源分配圖
設(shè)有m個計算結(jié)點(diǎn)所組成的云計算系統(tǒng)P={P1,P2,…,Pm}，每個結(jié)點(diǎn)Pj處理能力為d。需要運(yùn)行m個子任務(wù)T={t1,t2,…,tm}，一般地。將任務(wù)調(diào)度問題描述成如下五元組∑=(T,,Q,C,X,w)。其中：“”是T中子任務(wù)間的優(yōu)先關(guān)系；Q是一個維的矩陣，其元素qij表示子任務(wù)ti在處理機(jī)Pj上的執(zhí)行時間；C是一個維通信矩陣，cij表示子任務(wù)ti與tj之間的通信時間；X是一個維的任務(wù)分配矩陣，其中Xij=1,表示ti分配到處理機(jī)Pj上執(zhí)行，否則Xij=0；w表示通信和執(zhí)行之間的差異。
二、算法實(shí)現(xiàn)
利用遺傳算法進(jìn)行前期的訓(xùn)練。得到的信息素作為蟻群算法的初始值，最終得到最優(yōu)或次優(yōu)調(diào)度方案。
(1)設(shè)置遺傳算法參數(shù)；(2)假定遺傳算法結(jié)束條件；
(3)生成初始種群P（0），g=0； (4)計算P(0)中的個體適應(yīng)值；
(5)反復(fù)執(zhí)行，直到滿足結(jié)束條件；
①根據(jù)個體適應(yīng)值及選擇策略確定P(g)內(nèi)選擇概率；
②進(jìn)行PC交叉操作；
③ 進(jìn)行Pm變異操作；
④計算P(g+1)中個體的適應(yīng)值，g=g+1；
(6)P(G)從中選擇適應(yīng)能力強(qiáng)的個體，放入集合中，作為優(yōu)化集合；
(7)對于集合中的每個優(yōu)化解，將遺傳算法求解結(jié)果轉(zhuǎn)換為蟻群算法中的信息素值；
(8)設(shè)置蟻群算法控制參數(shù)；(9)設(shè)置蟻群算法結(jié)束條件；
(10)將m只螞蟻散布到n個計算結(jié)點(diǎn)上；
(11)對螞蟻的分配結(jié)果計算目標(biāo)函數(shù)，選取當(dāng)前的最佳解；
(12)更新計算結(jié)點(diǎn)的信息素值；
(13)若滿足蟻群算法結(jié)束條件，退出；否則，返回執(zhí)行步驟(10)。
三、總結(jié)
在云計算環(huán)境里調(diào)度計算是影響云計算能否成功的最重要的因素之一。由于資源在廣域上分布，本質(zhì)上異構(gòu)，相異的存取和花費(fèi)模式、負(fù)載和可用性動態(tài)變化，因此云計算環(huán)境下的任務(wù)管理十分復(fù)雜。在云計算系統(tǒng)中，如何協(xié)調(diào)和分配任務(wù)，這就是調(diào)度需要解決的問題。本文在廣泛閱讀國內(nèi)外相關(guān)文獻(xiàn)后，歸納云計算和任務(wù)調(diào)度方面的研究成果，提出基于DAG以及融合遺傳算法和蟻群算法的動態(tài)云計算任務(wù)調(diào)度算法。
通過實(shí)驗結(jié)果分析比較可以看出，本文提出的算法在運(yùn)行性能上具有一定的優(yōu)勢，充分驗證了算法的合理性和有效性。當(dāng)然，在仿真環(huán)境的限制下，可能實(shí)驗結(jié)果有細(xì)微的差別，但我們相信本文提出的算法不失為合理而有效的算法。
參考文獻(xiàn)：
[1]Annie S W, Han Y et al.An incremental genetic algorithm approach to multiprocessor scheduling[J],2004,15(9):824-834
[2] Dorigo M,Gambardella L M.Ant colony system: A cooperative learning approach to the traveling salesman problem,IEEE Trans. Evolutionary Computation[J],1997,1(1):53-66
[3] HUI YAN，XUE-QIN SHEN et al. AN IMPROVED ANT ALGORITHM FOR JOBSCHEDULING IN GRID COMPUTING.IEEE Proceeding of the Fourth International Conference on Machine Learning and Cybernetics[C], Guangzhou, August 2005:2957-2961
[4] Foster I,Kesselman C,Tuccke. The Anatomy of the Grid：Enabling Scalable Virtual Organizations[J].International Joural of Supercomputer Application，2001；15(3):200-222
[5]I Foster,C Kesselman.Grid Services for Distributed System Integration[J].Computer,2002,35(6):37-46
[6] 孫玉濤,網(wǎng)格計算環(huán)境中的動態(tài)任務(wù)調(diào)度算法研究,云南師范大學(xué)碩士論文.2007
關(guān)鍵詞：排課；NP；多約束條件；遺傳算法
中圖分類號：TP311文獻(xiàn)標(biāo)識碼：A文章編號：1009-3044(2008)27-1958-02
Research on the Algorithms of the Course Scheduling System for College under the Multi-constrained Conditions
CHEN Xing-gang, MENG Xiang-jing, LI Jing, SONG Jian
(Electronic Science and Information Technology Institute, Guizhou University, Guiyang 550025 China)
Abstract：College course arrangement is a typical combinatorial optimization and NP-hard problem. As the current College Enrollment Expansion and consolidation trend, increasing the size of colleges and universities, the growing tension school resources, for teachers and students during school hours, school locations and other issues on the arrangements being bound by the conditions of a growing number of reality, This paper will adopt strategies to be one of the course arrangement of resources and constraints analysis, and then focus on the course arrangement commonly used in genetic algorithm.
Key words：course scheduling; NP; multi-constrained conditions; GA
排課是高校教學(xué)管理中的一項重要而且難度和復(fù)雜度都極高的基本工作。特別是近年來，隨著我國高校的擴(kuò)招和合并，學(xué)校的教學(xué)資源（如教室、實(shí)驗室、語音室等）愈顯緊張；同時，在學(xué)分制的制度下，課程的類別越分越多，有公共必修課、公共選修課、專業(yè)基礎(chǔ)課、專業(yè)必修課、專業(yè)選修課等等；再者，上課的教師也會有一些特殊情況需要考慮。這樣一來，排課人員在排課時倍感棘手，以至于開學(xué)后因排課問題還會影響到教學(xué)的正常進(jìn)行。
目前，國內(nèi)的許多高校都引進(jìn)了不同智能化程度的排課軟件，然而，其應(yīng)用的效果都有些不盡如人意，雖然耗費(fèi)了教務(wù)處工作人員大量的時間和精力，但遺留下的問題還是很多。
下面我們基于人工排課的宏觀指導(dǎo)思想，列出約束限制條件，采用遺傳算法，進(jìn)行多輪次掃描計算，以改變目前的排課系統(tǒng)沖突多、調(diào)整應(yīng)變能力弱，排課時間長的問題，從而求得合理性解。
1 排課時所受的約束限制條件
高校排課問題，它要求將課程、教師、班級安排在一個有限的時間和空間當(dāng)中去，要求避免沖突且盡量滿足一些其它條件，這實(shí)際上是五個相互制約的因素的組合優(yōu)化問題。1975年，美國S.Even等人證明了高校排課問題也是一個NP(Non-deterministic Polynomial)難問題，即多項式復(fù)雜程度的非確定性問題，即找不到多項式時間求解算法。具體到高校排課系統(tǒng)的算法上，五個相互制約的因素它們所受到的約束限制條件有：
1) 不能在同一時間給同一位教師安排多個班級課程(合班除外) 或同時講授多門課程。
2) 不能在同一時間給同一個教室安排多個班級上課(合班除外) 或多位教師授課。
3) 不能在同一時間給同一個班級安排多門課程或同時在不同的教室上課。
4) 不能在安排教室時使教室容納人數(shù)小于上課學(xué)生人數(shù)。
5) 對于需要特殊場所的課程, 如體育課、實(shí)驗課、語音教室等, 應(yīng)安排相應(yīng)地點(diǎn)或?qū)嶒炇疑险n。
以上是高校排課時必須滿足的條件, 否則無法進(jìn)行正常教學(xué)。在能夠進(jìn)行正常教學(xué)的情況下我們還應(yīng)考慮到教學(xué)效果，學(xué)生學(xué)習(xí)效率， 教師、學(xué)生的便利等其他因素，因此，還要考慮一些盡量去實(shí)現(xiàn)的約束條件，這包括：
1) 一門課程的幾次課在一周之內(nèi)應(yīng)間隔排列。
2) 上課人數(shù)盡量接近教室容量。
3) 排課時可注意文科類課程和理科類課程交叉安排,避免使學(xué)生產(chǎn)生倦怠感, 有利于提高學(xué)習(xí)效率。
4) 體育課最好不要安排在一天中的第1-2節(jié), 并且在體育課后最好不要再安排其它課程, 保證教學(xué)效果。
5) 同一班級連續(xù)兩次講課之間更換教室盡可能少；同一課程的不同講次盡量不換教室。
6) 不要在一天中給教師或?qū)W生安排太多課程, 最好不要連續(xù)上課超過 6 節(jié), 有利于提高教學(xué)效果和學(xué)習(xí)效率。
2 排課問題描述
在排課問題中，我們的基本任務(wù)是將班級、教室、課程、教師安排在一周內(nèi)且不發(fā)生時間沖突[2]。據(jù)此，對這五個相互制約的因素我們給出如下的描述：
學(xué)校有R間教室，C個班，S門課程，T位教師，P個時間段。
1) 教室集合R（R1,R2,…,Rr），每間教室分別可容納（X1,X2,…,Xy）人；
2) 班級集合C（C1,C2,…,Cc），每個班級分別有（K1,K2,…,Kc）人，其中有x個班級上合班課；
3) 課程集合S（S1,S2,…,Ss），每門課對應(yīng)Ci個班，1位教師，（1≤Ci
4) 教師集合T（T1,T2,…,Tt），每位教師對應(yīng)Sm門課，Cc個班，（1≤Sm
5) 時間集合P(P1，P2，…，Pp)，假設(shè)一周上五天課，每天分為五個教學(xué)單元，每個單元為2個課時，即上午2個，下午2個,晚上1個，則時間集合包含25個時間段。如11代表周一第一個教學(xué)單元，即周一1、2節(jié)，12代表周一第二個教學(xué)單元，即周一3、4節(jié)，以此類推，這些時間段構(gòu)成一個時間集合P(11,12,13,…,55)。
3 算法研究
從20世紀(jì)50年代以來，國際上就有人著手研究應(yīng)用計算機(jī)進(jìn)行排課的問題。國外的研究表明，解決大規(guī)模的排課問題單純依靠數(shù)學(xué)方法是行不通的，進(jìn)入20世紀(jì)90年代以后，國外對排課問題的研究仍然十分活躍。國外目前較多采用著色算法、數(shù)學(xué)方法、模擬退火技術(shù)、禁忌算法、局部優(yōu)化算法和遺傳算法等。
3.1 遺傳算法
遺傳算法(Genetic Algorithm，GA)是一種有效的解決最優(yōu)化問題的方法或計算模型。遺傳算法的研究歷史比較短，它出現(xiàn)在20世紀(jì)六、七十年代，主要是由美國Michigan大學(xué)教授John Holland與其同事、學(xué)生們通過對生物進(jìn)化過程進(jìn)行模擬，研究形成的一個較完整的理論和一種全新的概率優(yōu)化方法。John Holland提出這一算法的最初目的是研究自然系統(tǒng)的自適應(yīng)行為，并用于設(shè)計具有自適應(yīng)功能的軟件系統(tǒng)。隨后經(jīng)過20余年的發(fā)展，計算智能化己經(jīng)作為人工智能研究的一個重要方向，以及后來的人工生命研究興起,使遺傳算法受到廣泛的關(guān)注。目前，遺傳算法作為具有系統(tǒng)優(yōu)化、適應(yīng)和學(xué)習(xí)的高性能計算和建模方法的研究漸趨成熟。
GA算法具有下述特點(diǎn)：
1) GA是對問題參數(shù)的編碼組進(jìn)行進(jìn)貨，而不是直接對參數(shù)本身。
2) GA的搜索是從問題解的編碼組開始搜索，而不是從單個解開始。
3) GA使用目標(biāo)函數(shù)值（適應(yīng)度）這一信息進(jìn)行搜索，而不需導(dǎo)數(shù)等其他信息。
4) GA算法使用的選擇、交叉、變異這三個算子都是隨機(jī)操作，而不是確定規(guī)則。
3.2 算法描述
利用遺傳算法解最優(yōu)化問題，首先應(yīng)對可行域中的點(diǎn)進(jìn)行編碼（一般采用二進(jìn)制編碼），然后在可行域中隨機(jī)挑選一些編碼組作為進(jìn)化起點(diǎn)的第一代編碼組，并計算每個解的目標(biāo)函數(shù)值，也就是編碼的適應(yīng)度。接著就像自然界中一樣，利用選擇機(jī)制從編碼組中隨機(jī)挑選編碼作為繁殖過程前的編碼樣本。選擇機(jī)制應(yīng)保證適應(yīng)度較高的解能夠保留較多的樣本；而適應(yīng)度較低的解則保留較少的樣本，甚至被淘汰。在接下去的繁殖過程中，遺傳算法提供了交叉和變異兩種算子對挑選后的樣本進(jìn)行交換。交叉算子交換隨機(jī)挑選的兩個編碼的某些位，變異算子則直接對一個編碼中的隨機(jī)挑選的某一位進(jìn)行反轉(zhuǎn)。這樣通過選擇和繁殖就產(chǎn)生了下一代編碼組。重復(fù)上述選擇和繁殖過程，直到結(jié)束條件得到滿足為止。進(jìn)化過程最后一代中的最優(yōu)解就是用遺傳算法解最優(yōu)化問題時所得到的最終結(jié)果。
用遺傳算法解決組合優(yōu)化問題的一般流程用數(shù)學(xué)語言描述如下:
1) 將待解決問題的相關(guān)參數(shù)進(jìn)行編碼；
2) 隨機(jī)地初始化種群X(0)=(xl,x2,...,xm)，其中m為群體規(guī)模；
3) 對當(dāng)前代種群X(t)中的每個個體xi計算其適應(yīng)度值f(xi)，適應(yīng)度值的大小體現(xiàn)了該個體性能的優(yōu)劣；
4) 應(yīng)用選擇算子產(chǎn)生中間代X(t)；
5) 對X(t)應(yīng)用雜交、變異算子，產(chǎn)生新一代的種群X(t+l)。雜交和變異算子的目的在于擴(kuò)展有限個體的覆蓋面，體現(xiàn)全局搜索的思想；
f.進(jìn)化到下一代，代計數(shù)器t加1。如果滿足終止條件，則執(zhí)行下一步7),否則轉(zhuǎn)步驟3)；
g.輸出近似最優(yōu)解。
相應(yīng)的執(zhí)行框圖如圖1所示。
參考文獻(xiàn)：
[1] 朱莉娟,李冬.計算機(jī)排課問題中幾種算法的探討[J].新鄉(xiāng)教育學(xué)院學(xué)報.2007,(9).
[2] 唐勇,唐雪飛,王玲.基于遺傳算法的排課系統(tǒng)[J].計算機(jī)應(yīng)用.2002，(1):93-94,97.
[3] 沈麗容,陳明磊.基于遺傳算法的高校排課系統(tǒng)研究[J].計算機(jī)與信息技術(shù),2006,(11).
[4] 石菁,李洪波.排課算法比較[J].福建電腦.2007,(8).
〔關(guān)鍵詞〕知識圖譜；專家系統(tǒng)；發(fā)展軌跡
DOI：10．3969／j．issn．1008－0821．2012．02．040
〔中圖分類號〕G250.71 〔文獻(xiàn)標(biāo)識碼〕A 〔文章編號〕1008－0821（2012）02－0159－08
Knowledge-based Expert System Development Overview MapLiao Yi
（Political Department，National University of Defense Technology，Changsha 410073，China）
〔Abstract〕Artificial intelligence expert system is the most important and most active areas of an application,which implements the artificial intelligence research from theory to practice,turning from the general reasoning strategies of a major breakthrough in the use of expertise.This chronological order,the expert system into the 1980s before the 1980s,1990s,2000,after four stages.Articles using bibliometric methods,analysis of the expert system development process,development and trends,pointing out that the current phase is the development of expert systems,expert systems into a variety of commercial operation,need to address the knowledge acquisition bottleneck,matching conflicts and other issues for expert systems to understand and master the subject structure,evolution,development and so provide an unique perspective and knowledge.
〔Key words〕knowledge maps;expert systems;the development trajectory
專家系統(tǒng)作為人工智能的一個重要分支，發(fā)展已經(jīng)超過50年，在很多應(yīng)用領(lǐng)域都獲得了廣泛使用，取得了豐碩成果。本文運(yùn)用文獻(xiàn)計量這一獨(dú)特視角對專家系統(tǒng)進(jìn)行了再回顧和再分析，將智能科技劃分為初創(chuàng)期、成長期、低谷期、發(fā)展期，利用詞頻分析、共引分析、作者共現(xiàn)分析等方法揭示專家系統(tǒng)的學(xué)科結(jié)構(gòu)、影響程度、關(guān)鍵節(jié)點(diǎn)與時間點(diǎn)等重要而獨(dú)特的知識，為了解和掌握專家系統(tǒng)的發(fā)展與演化過程提供了獨(dú)特視角。
1 數(shù)據(jù)來源
SCI（Science Citation Index）是美國科學(xué)情報研究所ISI（Institute for Science Information）出版的期刊文獻(xiàn)檢索工具，所收錄的文獻(xiàn)覆蓋了全世界最重要和最有影響力的研究成果，成為世界公認(rèn)的自然科學(xué)領(lǐng)域最為重要的評價工具。本文以Web of Science中的SCI數(shù)據(jù)庫為數(shù)據(jù)來源，選用高級檢索方式，以“Expert System/Experts System”作為主題詞，于2011年5月在Web of Secience中進(jìn)行檢索，一共檢索到14 500篇相關(guān)文獻(xiàn)記錄。獲得的年度分布如圖1。所示。雖然，專家系統(tǒng)研究從20世紀(jì)五六十年代就開始了，但是從圖1可以看出直到1982年才有主題詞與專家系統(tǒng)相關(guān)的論文出現(xiàn)。圖1表明1991年左右，專家系統(tǒng)相關(guān)論文達(dá)到了峰值，但隨后呈逐年下降的趨勢。到1999年，只有494篇。但21世紀(jì)開始，專家系統(tǒng)相關(guān)論文又出現(xiàn)了增加的趨勢，并維持在一個穩(wěn)定的水平中。圖1 專家系統(tǒng)在SCI數(shù)據(jù)庫文獻(xiàn)發(fā)表年度變化情況
2012年2月第32卷第2期基于知識圖譜的專家系統(tǒng)發(fā)展綜述Feb.，2012Vol.32 No.22 專家系統(tǒng)前40年的發(fā)展
本文利用基于JAVA平臺的引文分析可視化軟件Citespace，首先設(shè)定時間跨度為1950-1991年，時間切片長度為1年，聚類方式為共被引聚類（Cited Reference），閾值選擇為（2，2，20）、（3，3，20）、（3，3，20）。Citespace得出這些引文的時間跨度為1950－1990年，可以繪制出該時間段的專家系統(tǒng)論文時區(qū)分布圖，如圖2所示。我們以年代先后為序，將20世紀(jì)80年代以前作為第一階段，80年代至90年代作為第二階段。圖2 1950-1991年各年度專家系統(tǒng)論文之間的時區(qū)分布圖
2.1 專家系統(tǒng)起源時期
根據(jù)圖2顯示，這段時期有7個突出節(jié)點(diǎn)，既有7位代表人物。第一個節(jié)點(diǎn)代表的是“人工智能之父”――英國著名科學(xué)家阿蘭?麥席森?圖靈（Alan Mathison Turing），他于1950年在《心靈》雜志上《計算機(jī)器與智能》，提出了著名的“圖靈測試”，探討了機(jī)器智能的可能性，為后來的人工智能科學(xué)提供了開創(chuàng)性的構(gòu)思［1］。
第二個節(jié)點(diǎn)代表的是美國工程院院士、加州大學(xué)扎德（LA.Zadeh）教授，他于1965年在《信息與控制》雜志第8期上發(fā)表題為《模糊集》的論文，提出模糊集合理論，給出了模糊性現(xiàn)象定量描述和分析運(yùn)算的方法，從而誕生了模糊數(shù)學(xué)。1978年，扎德教授提出了“可能性理論”，將不確定性理解為可能性，為模糊集理論建立了一個實(shí)際應(yīng)用上的理論框架，這也被認(rèn)為是模糊數(shù)學(xué)發(fā)展的第二個里程碑。同年，國際性期刊《International Journal of Fuzzy Sets and System》誕生，這使得模糊理論得到普遍承認(rèn)，理論研究高速發(fā)展，實(shí)際應(yīng)用迅速推廣。
第三個節(jié)點(diǎn)代表的美國兩院院士、卡內(nèi)基-梅隆大學(xué)教授艾倫?紐厄爾（Allen Newell），1972年，他出版了《人怎樣解題》（Human Problem Solving)一書，書中描述了他和西蒙試圖建立一個計算機(jī)化的“通用問題求解器”的歷程：20世紀(jì)50年代，他們發(fā)現(xiàn)，人類的問題解決，在一定知識領(lǐng)域內(nèi)可以通過計算機(jī)實(shí)現(xiàn)，所以他們開始用計算機(jī)編程來解決問題，1956年，他們研發(fā)出了邏輯理論家和通用問題求解器（General Problem Solver），并建立了符號主義人工智能學(xué)派。我們可以看出，這本書是對他以前所作工作的總結(jié)與歸納，而邏輯理論家和通用問題求解器正是專家系統(tǒng)的雛形，為專家系統(tǒng)的出現(xiàn)奠定了堅實(shí)的基礎(chǔ)。
但是艾倫?紐厄爾的嘗試無法解決大的實(shí)際問題，也很難把實(shí)際問題改造成適合于計算機(jī)解決的形式，并且對于解題所需的巨大搜索空間也難于處理。為此，美國國家工程院院士、斯坦福大學(xué)教授費(fèi)根鮑姆（E.A.Feigenbaum）等人在總結(jié)通用問題求解系統(tǒng)成功與失敗的經(jīng)驗基礎(chǔ)上，結(jié)合化學(xué)領(lǐng)域的專門知識，于1965年研制了世界上第一個專家系統(tǒng)dendral，可以推斷化學(xué)分子結(jié)構(gòu)。專家系統(tǒng)進(jìn)入了初創(chuàng)期，其代表有dendral、macsyma（數(shù)學(xué)專家系統(tǒng)）等，第一代專家系統(tǒng)以高度專業(yè)化、求解專門問題的能力強(qiáng)為特點(diǎn)，向人們展示了人工智能應(yīng)用的廣闊前景［2］。
第四個節(jié)點(diǎn)代表人物是美國麻省理工學(xué)院著名的人工智能學(xué)者明斯基（Minsky）。1975年，他在論文《表示知識的框架》(A Framework for Representating Knowledge，McGraw-Hill)中提出了框架理論，框架理論的核心是以框架這種形式來表示知識。理論提出后，在人工智能界引起了極大的反響，并成為了基于框架的專家系統(tǒng)的理論基礎(chǔ)，基于框架的專家系統(tǒng)適合于具有固定格式的事物、動作或事件。
第五個節(jié)點(diǎn)代表人物是美國普林斯頓大學(xué)教授格倫謝弗（Glenn Shafer），他在1976年出版了《數(shù)學(xué)理論的證據(jù)》（A mathematical theory of evidence）一書，介紹了由他和Dempster于1967年提出的D-S理論（即證據(jù)理論）。證據(jù)理論可處理由不知道因素引起的不確定性，后來，該理論被廣泛應(yīng)用于計算機(jī)科學(xué)和工程應(yīng)用，是基于D-S證據(jù)理論的專家系統(tǒng)的理論基礎(chǔ)。
第六個重要節(jié)點(diǎn)代表是美國斯坦福大學(xué)愛德華?漢斯?肖特利夫（Shortliff EH）教授，他于1975年在著名雜志《數(shù)學(xué)生物科學(xué)》上發(fā)表《A model of inexact reasoning in medicine》（《在醫(yī)學(xué)模型的不精確推理》）一文，他結(jié)合自己1972－1974年研制的世界第一個醫(yī)學(xué)專家系統(tǒng)――MYCIN系統(tǒng)（用于診斷和治療血液感染及腦炎感染，是第二代專家系統(tǒng)的經(jīng)典之作），提出了確定性理論，該理論對專家系統(tǒng)的發(fā)展產(chǎn)生了重大影響。
第七個節(jié)點(diǎn)代表人物是美國麻省理工學(xué)院計算機(jī)科學(xué)和人工智能實(shí)驗室的戴維斯（Randall Davis）教授，他于1976年提出元知識的概念，并在專家系統(tǒng)的研制工具開發(fā)方面做出了突出貢獻(xiàn)――研制出知識獲取工具Teiresias，為專家系統(tǒng)獲取知識實(shí)現(xiàn)過程中知識庫的修改和添加提供了工具［3］，關(guān)Teiresias，他于1977年在《Artificial Intelligence》雜志上中進(jìn)行了詳細(xì)介紹，而這也為本時期專家系統(tǒng)的快速增多和廣泛應(yīng)用奠定了堅實(shí)基礎(chǔ)。
20世紀(jì)70年代后期，隨著專家系統(tǒng)應(yīng)用領(lǐng)域的不斷開拓，專家系統(tǒng)研發(fā)技術(shù)逐漸走向成熟。但同時，專家系統(tǒng)本身存在的應(yīng)用領(lǐng)域狹窄、缺乏常識性知識、知識獲取困難、推理方法單一等問題也被逐漸暴露出來。人們從各種不同類型的專家系統(tǒng)和知識處理系統(tǒng)中抽取共性，人工智能又從具體研究逐漸回到一般研究。圍繞知識這一核心問題，人們重新對人工智能的原理和方法進(jìn)行探索，并在知識的獲取、表示以及知識在推理過程中的利用等方面開始出現(xiàn)一組新的原理、工具和技術(shù)。
2.2 專家系統(tǒng)發(fā)展的黃金時期
20世紀(jì)80年代是專家系統(tǒng)突飛猛進(jìn)、迅速發(fā)展的黃金時代，根據(jù)圖2顯示，這段時期共有論文982篇，有7個突出節(jié)點(diǎn)。
1980年，出現(xiàn)了第一個節(jié)點(diǎn)代表――美國斯坦福大學(xué)計算機(jī)科學(xué)系系主任尼爾森（NILS J.NILSSON），他出版的《人工智能原理》（《Principles of artificial intelligence》）一書，表明了拉近理論和實(shí)踐的距離的目標(biāo)，書中對基于規(guī)則的專家系統(tǒng)、機(jī)器問題解決系統(tǒng)以及結(jié)構(gòu)對象的代表等都進(jìn)行了具體的論述。
1981年，出現(xiàn)了第二個節(jié)點(diǎn)代表――英國赫特福德大學(xué)教授Clocksin，威廉F，他出版的《PROLOG語言編程》一書，引起了計算機(jī)科學(xué)界的極大興趣，并已被證明是一個重要的編程語言和人工智能系統(tǒng)的新一代基礎(chǔ)，是專家系統(tǒng)的重要編程語言。
1982年，出現(xiàn)了第三個節(jié)點(diǎn)代表――美國匹茲堡大學(xué)教授米勒（Miller RA），他在《英格蘭醫(yī)藥分冊》上發(fā)表了《基于計算機(jī)的醫(yī)學(xué)內(nèi)科實(shí)驗診斷顧問》（An Experimental Computer based Diagnostic Consultant for General Internal Medicine.N Engl J Med,307,468-76,1982）一文，屬當(dāng)時診斷專家系統(tǒng)的代表力作，書中介紹了著名的內(nèi)科疾病診斷咨詢系統(tǒng)INTERNIST-1，之后將其不斷完善成改進(jìn)型INTERNIST-2，即后來的CADUCEUS專家系統(tǒng)，其知識庫中包含了572種疾病，約4 500種癥狀。
1983年，出現(xiàn)了第四個節(jié)點(diǎn)代表――美國的海斯羅斯（Hayes-Roth，F(xiàn)）教授，他于1983年發(fā)表著作《建立專家系統(tǒng)》，對專家系統(tǒng)建立的原則和要素、開發(fā)的生命周期等重要問題進(jìn)行了詳細(xì)講解，為研究與開發(fā)各種類型的專家系統(tǒng)提供了理論依據(jù)。
1984年，出現(xiàn)了第五個節(jié)點(diǎn)代表――美國匹茲堡大學(xué)計算機(jī)科學(xué)、哲學(xué)和醫(yī)學(xué)教授布魯斯?布坎南（Bruce G.Buchanan），他于1984年發(fā)表著作《規(guī)則的專家系統(tǒng)：斯坦福啟發(fā)式編程項目Mycin實(shí)驗》（《Rule Based Expert Systems:The Mycin Experiments of the Stanford Heuristic Programming Project》，這是有史以來關(guān)于醫(yī)療診斷系統(tǒng)MYCIN的實(shí)驗規(guī)則庫公布?；谝?guī)則的專家系統(tǒng)MYCIN是專家系統(tǒng)開發(fā)過程中一個里程碑，研究其開發(fā)思路與方法具有非常重要的意義。
1985年，出現(xiàn)了第六個節(jié)點(diǎn)代表――美國人工智能專家、加州大學(xué)教授哈蒙（Harmon P），他出版了《專家系統(tǒng)：人工智能業(yè)務(wù)》（《Expert systems：artificial intelligence in business》）一書。書中闡述了專家系統(tǒng)如何解決問題，代表知識，并得出推論，并介紹了人工智能的具體制度，確定了專家系統(tǒng)的市場。
1986年，出現(xiàn)了第七個節(jié)點(diǎn)代表――著名的專家系統(tǒng)學(xué)者沃特曼（Waterman DA），他出版了《專家系統(tǒng)指南》一書，該書對專家系統(tǒng)的概念、組成、建立過程、建立工具、應(yīng)用領(lǐng)域等做了深入淺出的系統(tǒng)介紹與論述，是當(dāng)時全面介紹專家研發(fā)與應(yīng)用的經(jīng)典書籍。
20世紀(jì)80年代初，醫(yī)療專家系統(tǒng)占主流，主要原因是它屬于診斷類型系統(tǒng)且容易開發(fā)。80年代中期，出現(xiàn)大量投入商業(yè)化運(yùn)行的專家系統(tǒng)，為各行業(yè)帶來了顯著的經(jīng)濟(jì)效益。從80年代后期開始，大量新技術(shù)成功運(yùn)用到專家系統(tǒng)之中，使得專家系統(tǒng)得到更廣泛的運(yùn)用。在這期間開發(fā)的專家系統(tǒng)按處理問題的類型可以分為：解釋型、預(yù)測型、診斷型、設(shè)計型等。應(yīng)用領(lǐng)域擴(kuò)展到農(nóng)業(yè)、商業(yè)、化學(xué)、通信、醫(yī)學(xué)等多個方面，成為人們常用的解決問題的手段之一。
然而，與此同時，現(xiàn)有的專家系統(tǒng)也暴露出了自身嚴(yán)重的缺陷，使不少計算機(jī)界的知名學(xué)者對專家系統(tǒng)產(chǎn)生了懷疑，認(rèn)為專家系統(tǒng)存在的問題有以下幾點(diǎn)：（1）專家系統(tǒng)中的知識多限于經(jīng)驗知識，極少有原理性的知識，系統(tǒng)沒有應(yīng)用它們的能力；（2）知識獲取功能非常弱。為了建造專家系統(tǒng)，必須依賴于專家獲取知識， 不僅費(fèi)時， 而且很難獲取完備性和一致性的知識；（3）求解問題的方法比較單一，以推理機(jī)為核心的對問題的求解尚不能反映專家從認(rèn)識問題到解決問題的創(chuàng)造性過程；（4）解釋功能不強(qiáng)［4］。等到學(xué)者們回過頭重新審視時，20世紀(jì)90年代的專家系統(tǒng)理論危機(jī)已然爆發(fā)。
3 90年代專家系統(tǒng)向多個方向發(fā)展
由于20世紀(jì)80年代專家系統(tǒng)研究迅猛發(fā)展，商業(yè)價值被各行各業(yè)看好，導(dǎo)致90年代大批專家系統(tǒng)從實(shí)驗室走出來，開始了它們的工程化市場化進(jìn)程。從圖1看以看出，在20世紀(jì)90年代，專家系統(tǒng)的相關(guān)論文不增反減，進(jìn)入一個局部低谷期，這期間以“Expert System/Experts System”為主題詞的論文共7 547篇。本文利用Citespace軟件，設(shè)置參數(shù)為（4，4，20）（4，3，20）（4，4，20），獲取了該時期論文的引文聚類圖（如圖3所示）。圖2 專家系統(tǒng)1990－2000年的論文引文聚類圖
從圖3中我們可以看出，全圖的節(jié)點(diǎn)比較分散，沒有形成大的聚類，這表示該階段沒有形成重點(diǎn)研究方向，也沒有重大科研成果和標(biāo)志性著作產(chǎn)生，專家系統(tǒng)的市場化進(jìn)程嚴(yán)重牽引了研究者們的注意力，這是專家系統(tǒng)研究陷入低谷期的重要原因。
這段時間專家系統(tǒng)的研究工作大致分以下幾個方面：第一個研究方向依舊是建立在扎德（LA.Zadeh）教授模糊理論上的模糊專家系統(tǒng)，它同樣是該年代專家系統(tǒng)研究的重點(diǎn)方向。
第二個研究方向是骨架專家系統(tǒng)，代表人物有美國斯坦福大學(xué)的愛德華?漢斯?肖特利夫（Shortliff EH）教授。1974年末，MYCIN系統(tǒng)基本建成后，MYCIN的設(shè)計者們就想到用其它領(lǐng)域的知識替換關(guān)于感染病學(xué)的知識，可能會得到一個新的專家系統(tǒng)，這種想法導(dǎo)致了EMYCIN骨架系統(tǒng)的產(chǎn)生。EMYCIN的出現(xiàn)大大縮短了專家系統(tǒng)的研制周期，隨后，AGE、OPS5、KEE、KBMS、GESDE等骨架系統(tǒng)應(yīng)運(yùn)而生，它們在20世紀(jì)90年代專家系統(tǒng)的研究進(jìn)程中，發(fā)揮著重要作用。
第三個研究方向是故障診斷專家系統(tǒng)，代表人物有美國麻省理工學(xué)院的蘭德爾?戴維斯（Randall Davis）教授。他于1984年在《人工智能》雜志上發(fā)表了《基于結(jié)構(gòu)和行為的診斷推理 》（《Diagnostic Reasoning Based on Structure and Behavior》）一文，該論文描述了一個利用知識結(jié)構(gòu)和行為，在電子電路領(lǐng)域進(jìn)行故障診斷排除的專家系統(tǒng)。之后，故障診斷專家系統(tǒng)在電路與數(shù)字電子設(shè)備、機(jī)電設(shè)備等各個領(lǐng)域已取得了令人矚目的成就，已成為當(dāng)今世界研究的熱點(diǎn)之一。
第四個研究方向是基于規(guī)則的專家系統(tǒng)，布魯斯?布坎南（Bruce G.Buchanan）的著作對基于規(guī)則的專家系統(tǒng)在這個時期的發(fā)展仍有著積極的指導(dǎo)作用。多種基于規(guī)則的專家系統(tǒng)進(jìn)入了試驗階段。傳統(tǒng)基于規(guī)則的專家系統(tǒng)只是簡單的聲明性知識，而目前，規(guī)則的形式開始向產(chǎn)生式規(guī)則轉(zhuǎn)變，并趨向于提供較完善的知識庫建立和管理功能。
第五個研究方向是知識工程在專家系統(tǒng)中的運(yùn)用。代表人物是美國斯坦福大學(xué)的克蘭西教授（Clancy W J），他于1985年在《人工智能》雜志上發(fā)表了重要論文《啟發(fā)式分類》（《Heuristis classification》），啟發(fā)式分類即對未知領(lǐng)域情況的類的識別過程。它是人類思維解決問題的重要方法，在人工智能、專家系統(tǒng)中可常用啟發(fā)式設(shè)計計算機(jī)程序，模擬人類解決問題的思維活動。
第六個研究方向是機(jī)器學(xué)習(xí)在專家系統(tǒng)中的運(yùn)用。代表人物是機(jī)器學(xué)習(xí)領(lǐng)域前輩、澳洲悉尼大學(xué)著名教授John Ross Quinlan。他于1986年在《機(jī)器學(xué)習(xí)》（《Mach.Learn》）雜志上發(fā)表《決策樹算法》（《Induction of Decision Trees》）一文，文中他詳細(xì)描述了決策樹算法的代表――ID3算法。之后，有大量學(xué)者圍繞該算法進(jìn)行了廣泛的研究，并提出多種改進(jìn)算法，由于決策樹的各類算法各有優(yōu)缺點(diǎn)，在專家系統(tǒng)的實(shí)際應(yīng)用中，必須根據(jù)數(shù)據(jù)類型的特點(diǎn)及數(shù)據(jù)集的大小，選擇合適的算法。
第七個研究方向是神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)，代表人物有人工智能專家Stephan I.Gallant和美國加利福尼業(yè)大學(xué)教授巴特?卡斯科（Bart Kosko）。Gallant于1988年在《ACM的通信》上發(fā)表了《連接主義專家系統(tǒng)》（《Connectionist expert systems》）一文，文中講述Gallant 設(shè)計了一個連接主義專家系統(tǒng)（Connectionist expert system），其知識庫是由一個神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)的（即神經(jīng)網(wǎng)絡(luò)知識獲?。_創(chuàng)了神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)相結(jié)合的先例。
第八個研究方向是遺傳算法在專家系統(tǒng)中的運(yùn)用。代表人物是遺傳算法領(lǐng)域著名學(xué)者、美國伊利諾伊大學(xué)David Goldberg教授和人工智能專家L.Davis。1989年，Goldberg出版了專著《搜索、優(yōu)化和機(jī)器學(xué)習(xí)中的遺傳算法》，該書系統(tǒng)總結(jié)了遺傳算法的主要研究成果，全面而完整地論述了遺傳算法的基本原理及其應(yīng)用；1991年，Davis編輯出版了《遺傳算法手冊》，書中包含了遺傳算法在科學(xué)計算、工程技術(shù)和社會經(jīng)濟(jì)中的大量應(yīng)用實(shí)例，該書為推廣和普及遺傳算法的應(yīng)用起到了重要的指導(dǎo)作用。這些都推動了基于遺傳算法的專家系統(tǒng)的研發(fā)推廣。
第九個研究方向是決策支持系統(tǒng)在專家系統(tǒng)中的運(yùn)用，代表人物是美國加利福尼亞大學(xué)伯克利分校教授埃弗雷姆?特班（Efraim Turban）。他于1990年出版了《決策支持和專家系統(tǒng)的管理支持系統(tǒng)》（《Decision support and expert systems:management support systems》）一書。20世紀(jì)80年代末90年代初，決策支持系統(tǒng)開始與專家系統(tǒng)相結(jié)合，形成智能決策支持系統(tǒng)，該系統(tǒng)充分做到了定性分析和定量分析的有機(jī)結(jié)合，將解決問題的范圍和能力提高到一個新的層次。
第十個研究方向是各種理論知識在專家系統(tǒng)中的綜合運(yùn)用，代表人物是美國加利福尼業(yè)大學(xué)教授巴特?卡斯科（Bart Kosko）和美國伊利諾伊州研究所教授Abdul-Rahman K.H。卡斯科（Kosko）于1992年出版《神經(jīng)網(wǎng)絡(luò)和模糊系統(tǒng)：一個擁有機(jī)器智能的動力系統(tǒng)方法》（《Neural networks and fuzzy systems:a dynamical systems approach to machine intelligence》）一書，這是第一本將神經(jīng)網(wǎng)絡(luò)和模糊系統(tǒng)結(jié)合起來的讀本，也是神經(jīng)網(wǎng)絡(luò)與模糊理論綜合應(yīng)用于專家系統(tǒng)建設(shè)的經(jīng)典著作；Abdul-Rahman K.H教授于1995年，在美國電氣和電子工程師協(xié)會的《電力系統(tǒng)及自動化》（《Transactions on Power Systems》）會議刊上發(fā)表了《人工智能模糊無功負(fù)荷的最優(yōu)VAR控制方法 》（《AI approach to optimal VAR control with fuzzy reactive loads》）一文，論文提出了一個解決無功功率（VAR）控制問題，這個方法包含了專家系統(tǒng)、模糊集理論和人工神經(jīng)網(wǎng)絡(luò)的重要知識。
雖然專家系統(tǒng)大量建造，但投入實(shí)際運(yùn)行的專家系統(tǒng)并不多，且效率較低，問題求解能力有待進(jìn)一步提高。原因之一就是專家系統(tǒng)主要是模擬某一領(lǐng)域中求解特定問題的專家的能力，而在模擬人類專家協(xié)作求解方面很少或幾乎沒有做什么工作。然而在現(xiàn)實(shí)世界中，協(xié)作求解具有普遍性，針對特定領(lǐng)域、特定問題的求解僅僅具有特殊性，專家系統(tǒng)雖然在模擬人類專家某一特定領(lǐng)域知識方面取得了成功，但它仍然不能或難以解決現(xiàn)實(shí)世界中的問題。其次，開發(fā)的專家系統(tǒng)的規(guī)模越來越大，并且十分復(fù)雜。這樣就要求將大型專家系統(tǒng)的開發(fā)變成若干小的、相對獨(dú)立的專家系統(tǒng)來開發(fā)，而且需要將許多不同領(lǐng)域的專家系統(tǒng)聯(lián)合起來進(jìn)行協(xié)作求解。然而，與此相關(guān)的分布式人工智能理論和實(shí)用技術(shù)尚處在科研階段。只有分布式系統(tǒng)協(xié)作求解問題得以解決，才能克服由于單個專家系統(tǒng)知識的有限性和問題求解方法的單一性等導(dǎo)致系統(tǒng)的“脆弱性”，也才能提高系統(tǒng)的可靠性，并且在靈活性、并行性、速度等方面帶來明顯的效益［5］。
4 21世紀(jì)專家系統(tǒng)進(jìn)入穩(wěn)定發(fā)展時期
進(jìn)入21世紀(jì)，專家系統(tǒng)開始緩慢發(fā)展，這期間以“Expert System/Experts System”為主題詞的論文共5 964篇。本文利用Citespace軟件，設(shè)置參數(shù)為（6，6，20）（5，5，20）（5，5，20），獲取了該時期論文的引文聚類圖（如圖4所示）。圖4 專家系統(tǒng)2000－2010年的論文引文聚類圖
這個時期專家系統(tǒng)有3個主要研究方向：第一個是研究方向是節(jié)點(diǎn)明顯的基于模糊邏輯的專家系統(tǒng)研究方向。90年代以來，模糊控制與專家系統(tǒng)技術(shù)相結(jié)合，進(jìn)一步提高了模糊控制器的智能水平。基于模糊邏輯的專家系統(tǒng)有以下優(yōu)點(diǎn)：一是具有專家水平的專門知識，能表現(xiàn)專家技能和高度的技巧以及有足夠的魯棒性（即健壯性）；二是能進(jìn)行有效的推理，能夠運(yùn)用人類專家的經(jīng)驗和知識進(jìn)行啟發(fā)性的搜索和試探性的推理；三是具有靈活性和透明性。
第二個是研究方向是Rete模式匹配算法在專家系統(tǒng)中的應(yīng)用，代表人物是美國卡內(nèi)基―梅隆大學(xué)計算機(jī)科學(xué)系的Charles L.Forgy教授，1979年，他首次提出Rete算法。專家系統(tǒng)工具中一個核心部分是推理機(jī)，Rete算法能利用推理機(jī)的“時間冗余”特性和規(guī)則結(jié)構(gòu)的相似性，并通過保存中間運(yùn)算結(jié)果的方法來提高推理的效率。1982年，他在《人工智能》雜志上發(fā)表《Rete算法：許多模式／多對象的模式匹配問題的一個快速算法》（《Rete:A Fast Algorithm for the Many Pattern/Many Object Pattern Match Problem》）一文，該文解釋了基本算法的概念，介紹了詳細(xì)的算法，描述了模式和適當(dāng)?shù)膶ο蠼簧嫠惴ǎ⒄f明了模式匹配的執(zhí)行操作。
第三個是研究方向是專家系統(tǒng)在電力系統(tǒng)中的運(yùn)用。世界各國的專家們開始熱衷于在電力生產(chǎn)的各個環(huán)節(jié)使用專家系統(tǒng)，代表人物有日本的福井賢、T.Sakaguchi、印度的Srinivasan D、美國伊利諾伊州研究所的Abdul-Rahman K.H、希臘雅典國立技術(shù)大學(xué)的Protopapas C.A、和中國的羅旭，他們在美國電氣和電子工程師協(xié)會的《電力傳輸》（《IEEE transactions on power delivery）會議刊及《電源設(shè)備系統(tǒng)》會議刊（《On Power Apparatus and Systems》）上發(fā)表了多篇有影響力的論文，內(nèi)容涉及系統(tǒng)恢復(fù)、電力需求預(yù)測、變電站故障診斷和報警處理等多方面。
這十年間，專家系統(tǒng)的研究不再滿足于用現(xiàn)有各種模型與專家系統(tǒng)進(jìn)行簡單結(jié)合，形成基于某種模型的專家系統(tǒng)的固有模式。研究者們不斷探索更方便、更有效的方法，來解決困擾專家系統(tǒng)的知識獲取瓶頸、匹配沖突、組合爆炸等問題，而這也推動了研究不斷向深層次、新方向發(fā)展。但是，由于專家系統(tǒng)應(yīng)用的時間長、領(lǐng)域廣，他們遭遇的瓶頸問題一時得不到有效解決，導(dǎo)致了這一時期末，專家系統(tǒng)研究呈現(xiàn)出暫時的下滑現(xiàn)象。
5 專家系統(tǒng)發(fā)展趨勢分析
圖一發(fā)展曲線上第二個時間節(jié)點(diǎn)是1992年，從該年起專家系統(tǒng)相關(guān)論文呈下降趨勢，然后在2002年又開始緩慢增長，近一年多來又開始下降，這標(biāo)志著專家系統(tǒng)研究在布滿荊棘的道路上前行，前景是光明的，但道路是曲折的。本文以5年為一個單位，統(tǒng)計了1990－2009年20年期間專家系統(tǒng)相關(guān)論文中高頻詞的變化情況，如表1所示，從該表可以獲得這個時期專家系統(tǒng)研究的一些特點(diǎn)。
（1）在1990-1999年期間，人工智能出現(xiàn)新的研究，由于網(wǎng)絡(luò)技術(shù)特別是國際互連網(wǎng)技術(shù)發(fā)展，人工智能開始由單個智能主體研究轉(zhuǎn)向基于網(wǎng)絡(luò)環(huán)境下的分布式人工智能研究，使人工智能更加實(shí)用，這給專家系統(tǒng)帶來了發(fā)展的希望。正因為如此，我們從詞頻上可以看出，人工智能（artificial intelligence）一詞在這十年一直位居前兩位，在專家系統(tǒng)研究中處于主導(dǎo)地位，而與其相關(guān)的知識表示（knowledge representation）、知識獲取(knowledge acquisition)等，也成為了學(xué)者們研究的重點(diǎn)方向。
（2）該時期的第二個特點(diǎn)是神經(jīng)網(wǎng)絡(luò)研究的復(fù)蘇。神經(jīng)網(wǎng)絡(luò)是通過模擬人腦的結(jié)構(gòu)和工作模式，使機(jī)器具有類似人類的智能，如機(jī)器學(xué)習(xí)、知識獲取、專家系統(tǒng)等。我們從詞頻上可以看出神經(jīng)網(wǎng)絡(luò)（neural network）一詞得以快速增長，1995年時位列第一，進(jìn)入21世紀(jì)也是穩(wěn)居第二位，神經(jīng)網(wǎng)絡(luò)很好地解決了專家系統(tǒng)中知識獲取的瓶頸問題，能使專家系統(tǒng)具有自學(xué)習(xí)能力，它的出現(xiàn)為專家系統(tǒng)提供了一種新的解決途徑［6］，同時也顯示出他獨(dú)有的生機(jī)與活力。
（3）該時期是模糊邏輯的發(fā)展時期。模糊理論發(fā)展至今已接近三十余年，應(yīng)用范圍非常廣泛，它與專家系統(tǒng)相結(jié)合，在故障診斷、自然語言處理、自動翻譯、地震預(yù)測、工業(yè)設(shè)計等方面取得了眾多成果。我們從詞頻上可以看出，模糊邏輯（fuzzy logic）一詞，除在1990－1994年期間位居第六位外，之后都位居前三甲，2000-2004年期間更是位列第一。模糊控制與專家系統(tǒng)技術(shù)相結(jié)合，進(jìn)一步提高了模糊控制器智能水平，這種控制方法既保持了基于規(guī)則的方法的價值和用模糊集處理帶來的靈活性，同時把專家系統(tǒng)技術(shù)的表達(dá)與利用知識的長處結(jié)合起來，能處理更廣泛的控制問題。
（4）故障診斷成為專家系統(tǒng)研究與應(yīng)用的又一重要領(lǐng)域。故障診斷專家系統(tǒng)的發(fā)展起始于20世紀(jì)70年代末,雖然時間不長,但在電路與數(shù)字電子設(shè)備、機(jī)電設(shè)備等各個領(lǐng)域已取得了令人矚目的成就,已成為當(dāng)今世界研究的熱點(diǎn)之一。這從高頻詞分布可以開出，故障診斷（fault diagnosis）從1995-1999年間的最后一位攀升至2005-2009年間的第一位，足見其強(qiáng)大的生命力。在專家系統(tǒng)己有較深厚基礎(chǔ)的國家中，機(jī)械、電子設(shè)備的故障診斷專家系統(tǒng)已基本完成了研究和試驗的階段，開始進(jìn)入廣泛應(yīng)用。
（5）遺傳算法的應(yīng)用逐漸增多。20世紀(jì)90年代，遺傳算法迎來了發(fā)展時期，無論是理論研究還是應(yīng)用研究都成了十分熱門的課題。尤其是遺傳算法的應(yīng)用研究顯得格外活躍，不但應(yīng)用領(lǐng)域擴(kuò)大，而且利用遺傳算法進(jìn)行優(yōu)化和規(guī)則學(xué)習(xí)的能力也顯著提高。進(jìn)入21世紀(jì)，遺傳算法的應(yīng)用研究已從初期的組合優(yōu)化求解擴(kuò)展到了許多更新、更工程化的應(yīng)用方面。這在高頻詞分布中可以看出，以2000作為臨界點(diǎn)，遺傳算法（genetic algorithms）從20世紀(jì)90年代的10名之后，到位于高頻詞前六強(qiáng)之中，充分反映出它發(fā)展的良好勢頭。
6 小 結(jié)
專家系統(tǒng)是20世紀(jì)下半葉發(fā)展起來的重大技術(shù)之一，它不僅是高技術(shù)的標(biāo)志，而且有著重大的經(jīng)濟(jì)效益?！爸R工程之父”E.Feignbaum在對世界許多國家和地區(qū)的專家系統(tǒng)應(yīng)用情況進(jìn)行調(diào)查后指出：幾乎所有的ES都至少將人的工作效率提高10倍，有的能提高100倍，甚至300倍［7］。
專家系統(tǒng)技術(shù)能夠使專家的專長不受時間和空間的限制，以便推廣稀缺的專家知識和經(jīng)驗；同時，專家系統(tǒng)能促進(jìn)各領(lǐng)域的發(fā)展，是各領(lǐng)域?qū)＜覍I(yè)知識和經(jīng)驗的總結(jié)和提煉。
專家系統(tǒng)發(fā)展的近期目標(biāo)，是建造能用于代替人類高級腦力勞動的專家系統(tǒng)；遠(yuǎn)期目標(biāo)是探究人類智能和機(jī)器智能的基本原理，研究用自動機(jī)模擬人類的思維過程和智能行為，這幾乎涉及自然科學(xué)和社會科學(xué)的所有學(xué)科，遠(yuǎn)遠(yuǎn)超出了計算機(jī)科學(xué)的范疇。
隨著人工智能應(yīng)用方法的日漸成熟，專家系統(tǒng)的應(yīng)用領(lǐng)域也不斷擴(kuò)大。有人類活動的地方，必將有智能技術(shù)包括專家系統(tǒng)的應(yīng)用，專家系統(tǒng)將成為21世紀(jì)人類進(jìn)行智能管理與決策的工具與助手。
參考文獻(xiàn)
［1］百度百科［EB］.http:∥baike.省略/view/2130.htm．
［2］黃可鳴.專家系統(tǒng)二十年［J］.計算機(jī)科學(xué)，1986，（4）：26-37.
［3］路耀華.思維模擬與知識工程［M］.北京：清華大學(xué)出版社，1997．
［4］趙致琢.專家系統(tǒng)研究［J］.貴州大學(xué)學(xué)報：自然科學(xué)版，1990，（6）：40-48.
［5］鄒光宇.專家系統(tǒng)發(fā)展現(xiàn)狀及其應(yīng)用前景［J］.電力勘測，1994，（3）：21-26.
論文摘要： 從現(xiàn)有安全設(shè)施來看，TDCS網(wǎng)絡(luò)系統(tǒng)安全體系初步形成。但是，隨著計算機(jī)網(wǎng)絡(luò)的日益普及，各種安全威脅和計算機(jī)病毒也隨之而來?，F(xiàn)有的網(wǎng)絡(luò)安全系統(tǒng)雖然起到一定的防護(hù)作用，但并不能完全解決整個骨干網(wǎng)絡(luò)的系統(tǒng)安全問題。因此，擬采用基于遺傳算法和神經(jīng)網(wǎng)絡(luò)的入侵檢測技術(shù)，結(jié)合遺傳算法和神經(jīng)網(wǎng)絡(luò)各自的優(yōu)點(diǎn)，加強(qiáng)對TDCS網(wǎng)絡(luò)的監(jiān)視和防護(hù)。
1 TDCS網(wǎng)絡(luò)安全狀況
1.1 TDCS網(wǎng)絡(luò)安全現(xiàn)狀
TDCS（TrainOperation Dispatching Command System）是覆蓋全路的列車調(diào)度指揮管理系統(tǒng)，分為鐵道部、鐵路局和車站三級建設(shè)，能及時、準(zhǔn)確地為全路各級調(diào)度指揮管理人員提供現(xiàn)代化的調(diào)度指揮手段和平臺，是鐵路運(yùn)輸調(diào)度指揮現(xiàn)代化建設(shè)的標(biāo)志。但是，隨著計算機(jī)網(wǎng)絡(luò)的日益普及，各種安全威脅和計算機(jī)病毒也隨之而來，這就導(dǎo)致TDCS網(wǎng)絡(luò)存在著安全隱患。
1.2 TDCS網(wǎng)絡(luò)安全存在的問題
在TDCS網(wǎng)絡(luò)中主要存在著以下幾方面安全問題：1）間接來自于互聯(lián)網(wǎng)的病毒威脅；2）操作系統(tǒng)的安全威脅；3）應(yīng)用軟件的安全威脅；4）計算機(jī)設(shè)置的安全隱患；5）實(shí)時監(jiān)控能力弱。
2 TDCS網(wǎng)絡(luò)安全防護(hù)
2.1 TDCS網(wǎng)絡(luò)目前采取的安全防護(hù)措施
針對TDCS網(wǎng)絡(luò)存在的安全問題，結(jié)合各種技術(shù)和方法，目前全路系統(tǒng)信息安全防護(hù)體系采取的措施有：
1）防火墻系統(tǒng)。防火墻技術(shù)是實(shí)現(xiàn)子網(wǎng)邊界安全的重要技術(shù)。首先路由器將對網(wǎng)絡(luò)層安全進(jìn)行初步保證，但路由器的訪問控制列表只能作為防火墻系統(tǒng)的一個重要補(bǔ)充，只能通過防火墻系統(tǒng)來實(shí)現(xiàn)復(fù)雜的安全控制。
2）身份認(rèn)證系統(tǒng)。由于TDCS人員結(jié)構(gòu)復(fù)雜，用戶眾多，安全意識參差不齊，所以用戶的工作內(nèi)容也不盡相同，對于如此重要的系統(tǒng)，目前采用的以靜態(tài)密碼為主的身份認(rèn)證系統(tǒng)帶來的安全威脅是非常嚴(yán)重的，會造成比較大的安全風(fēng)險。為了解決此類安全隱患，實(shí)用動態(tài)口令對TDCS用戶進(jìn)行身份認(rèn)證是非常必要的。
3）網(wǎng)絡(luò)防病毒系統(tǒng)。根據(jù)對病毒來源的分析，TDCS網(wǎng)絡(luò)防病毒系統(tǒng)主要體現(xiàn)在以下三個方面：第一，防病毒集中統(tǒng)一管理，就是在鐵路局內(nèi)部安裝防病毒軟件管理系統(tǒng)，對所有客戶端防病毒軟件進(jìn)行統(tǒng)一管理；第二，服務(wù)器病毒防護(hù)，就是對各種服務(wù)器進(jìn)行病毒掃描和清除；第三，桌面防毒防護(hù)，就是對各項桌面系統(tǒng)軟件進(jìn)行病毒掃描和清楚。
4）入侵檢測系統(tǒng)。入侵檢測的主要功能是控制對網(wǎng)絡(luò)的非法控制，通過監(jiān)視、限制通過網(wǎng)絡(luò)的數(shù)據(jù)流，防止外對內(nèi)、內(nèi)對外的非法訪問，隔離內(nèi)部網(wǎng)和外部網(wǎng)，為監(jiān)視TDCS局域網(wǎng)安全提供便利。
5）安全漏洞評估系統(tǒng)。
2.2 TDCS網(wǎng)絡(luò)采用入侵檢測進(jìn)行防護(hù)的好處
通過以上介紹，我們不難發(fā)現(xiàn)，在TDCS網(wǎng)絡(luò)安全體系中，入侵檢測系統(tǒng)是唯一一個通過數(shù)據(jù)和行為模式判斷其是否有效的系統(tǒng)。
形象地說，入侵檢測系統(tǒng)就是網(wǎng)絡(luò)攝像機(jī)，能夠捕獲并記錄網(wǎng)絡(luò)上的所有數(shù)據(jù)，同時它也是智能攝像機(jī)，能夠分析網(wǎng)絡(luò)數(shù)據(jù)并提煉出可疑的、異常的網(wǎng)絡(luò)數(shù)據(jù)，它還是X光攝像機(jī)，能夠穿透一些巧妙的偽裝，抓住實(shí)際的內(nèi)容。此外，它還是保安員的攝像機(jī)，能夠?qū)θ肭中袨樽詣拥剡M(jìn)行反擊，如阻斷連接。
在TDCS網(wǎng)絡(luò)中引入入侵檢測技術(shù)，主要是實(shí)現(xiàn)對網(wǎng)絡(luò)的非法控制，通過監(jiān)視、限制通過網(wǎng)絡(luò)的數(shù)據(jù)流，給網(wǎng)絡(luò)系統(tǒng)提供對外部攻擊、內(nèi)部攻擊和誤操作的安全保護(hù)，為監(jiān)視TDCS局域網(wǎng)安全提供更多便利。
3 基于遺傳算法和神經(jīng)網(wǎng)絡(luò)的入侵檢測系統(tǒng)
3.1 傳統(tǒng)的IDS存在的問題
1）準(zhǔn)確性差。傳統(tǒng)的統(tǒng)計方法需要依賴于一些假設(shè)，如審計數(shù)據(jù)（或用戶行為）的分布符合高斯分布，實(shí)際上用戶行為具有隨機(jī)性，這些假設(shè)有時可能無效，從而導(dǎo)致較高的錯誤率。
2）靈活性差。傳統(tǒng)的IDS對攻擊特征的刻畫只能是某些固定的序列，但現(xiàn)實(shí)中的入侵者利用的手段往往是有變化的，而要在入侵模式庫中反映出所有可能的變化是不可能的。
3）適應(yīng)性差。入侵者的攻擊方法是在不斷發(fā)展的，但傳統(tǒng)的入侵檢測系統(tǒng)無法有效地預(yù)測和識別新的攻擊方法，使系統(tǒng)的適應(yīng)性受到限制。
3.2 采用基于遺傳算法的神經(jīng)網(wǎng)絡(luò)IDS的好處
將遺傳算法全局搜索最優(yōu)和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)局部尋優(yōu)結(jié)合起來，取長補(bǔ)短，既可以減小遺傳算法的搜索空間、提高搜索效率，又可以較容易地收斂到最優(yōu)解，為求解多目標(biāo)優(yōu)化問題提供了新的策略。
4 結(jié)束語
目前在TDCS網(wǎng)絡(luò)安全系統(tǒng)中采用的IDS一般都是基于神經(jīng)網(wǎng)絡(luò)技術(shù)的，由于神經(jīng)網(wǎng)絡(luò)的設(shè)計主要依據(jù)設(shè)計者的經(jīng)驗在大樣本空間反復(fù)實(shí)驗來進(jìn)行選取，尚無理論上的指導(dǎo)，因此在神經(jīng)網(wǎng)絡(luò)的初始連接權(quán)以及網(wǎng)絡(luò)結(jié)構(gòu)的選擇上具有很大的隨機(jī)性，很難選取具有全局性的初始點(diǎn)，因而網(wǎng)絡(luò)求得全局最優(yōu)的可能性小。本文提出的技術(shù)很好的克服了這些缺點(diǎn)，較好地解決了問題。
參考文獻(xiàn)：
[1]鐵道部運(yùn)輸局，鐵路列車調(diào)度指揮系統(tǒng)，北京：中國鐵道出版社，2006.10.
[2]高麗，鐵路站段計算機(jī)網(wǎng)絡(luò)故障解決方法[J].鐵路計算機(jī)應(yīng)用，2006，13（9）：13-16.
[3]周明孫、樹棟，遺傳算法原理及應(yīng)用，北京：國防工業(yè)出版社，1999.
[關(guān)鍵詞]拉鏈檢測；背光照明；圖像分割；遺傳算法；
中圖分類號：TB 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-914X（2015）23-0197-01
引言
目前拉鏈生產(chǎn)企業(yè)一般采用人工方法進(jìn)行檢測，這種檢測方法，效率低、成本高、勞動強(qiáng)度大，拉鏈容易出現(xiàn)多齒、少齒、鏈齒分布不均等缺陷。本文提出一種新的自動檢測拉鏈?zhǔn)欠翊嬖诙帻X、少齒缺陷的拉鏈智能檢測方案。該方案采用白光LED背光照明技術(shù)使得采集的圖像背景與拉鏈呈現(xiàn)對比明顯的兩色，采用中值濾波算法濾去干擾噪聲，通過改進(jìn)的Otsu法獲取拉鏈圖像閾值，然后進(jìn)行圖像二值化分割，并對處理后的圖像采用拉鏈間距的判別方法進(jìn)行識別判斷。
1 光源照明技術(shù)
圖像采集處理系統(tǒng)中常用的光源有白熾燈、鹵素?zé)?、碘鎢燈、氣體放電燈和發(fā)光二極管[1] 等，照明方式有直接照明、背光照明、暗視場照明、散射照明和同軸照明等。光源與照明方式的配合不僅要照亮物體，還要盡可能地突出物體特征量，使物體待檢測區(qū)域與其它區(qū)域產(chǎn)生明顯的區(qū)別[2]，以便特征的提取和判斷。通過對多種光源及照明方式的實(shí)驗，本方案采用白色LED背光照明，其具有拉鏈背景均勻單一，拉鏈與背景呈現(xiàn)分明的兩色，拉鏈輪廓清晰等優(yōu)點(diǎn)，并且不存在直接照明產(chǎn)生的陰影及金屬拉鏈反光等問題。
2 圖像處理算法
2.1 灰度變換
彩色圖像包含大量的顏色信息，直接對真彩圖像進(jìn)行處理會耗費(fèi)較多的時間。為了提高圖像處理速度，同時又不損失感興趣區(qū)域的細(xì)節(jié)信息，通常將彩色圖像變換為灰度圖像。
2.2 圖像濾波
在拉鏈圖像采集的過程中，由于攝像頭、光源、電磁干擾、機(jī)械振動等影響，采集的拉鏈圖像存在著噪聲干擾。中值濾波可以在去除點(diǎn)、線噪聲的同時很好地保護(hù)圖像的邊緣，對抑制圖像中的脈沖噪聲和椒鹽噪聲特別有效[3]，拉鏈圖像中的噪聲主要是椒鹽噪聲，本文案采用中值濾波法對灰度化后的拉鏈圖像進(jìn)行濾波處理。
2.3 基于遺傳算法的Otsu閾值分割
Otsu閾值分割法不需要先驗知識，且算法簡單、分割質(zhì)量好等優(yōu)點(diǎn)[4]，非常適合于目標(biāo)與背景兩類的圖像分割問題，但其求解過程計算量大，本文將遺傳算法引入Otsu閾值求解過程中，利用遺傳算法所具有的快速尋優(yōu)的特點(diǎn)，以縮短計算時間。
3 檢測方案
在密閉暗箱中采用白光LED背光照明技術(shù)對拉鏈圖像進(jìn)行采集，采集的拉鏈圖像拉鏈為黑色、背景為白色，拉鏈輪廓清晰，對比度高。為了驗證該方案的檢測效果，在實(shí)驗過程中采用了兩幅拉鏈圖像：一幅正品拉鏈圖像，一幅次品拉鏈圖像，如圖1所示。為提高處理速度，方便拉鏈圖像的二值化處理，采用加權(quán)平均值法對采集的拉鏈圖像進(jìn)行灰度化處理。由于加權(quán)平均值算法中的權(quán)值都是浮點(diǎn)數(shù)，采用加權(quán)平均值法處理速度較慢，對此提出了改進(jìn)算法。
對分割后的二值圖像從左至右進(jìn)行掃描，統(tǒng)計拉鏈間距的個數(shù)，并記錄各個間距的值，計算鏈齒間距與鏈齒間距均值的誤差和相鄰鏈齒間距的誤差，如果誤差都在一定范圍內(nèi)則認(rèn)為拉鏈?zhǔn)钦?，否則就是次品。該方案采用了首次閾值計算采樣，即計算第一幀采集的拉鏈圖像的閾值并保存為標(biāo)準(zhǔn)閾值，后續(xù)圖像分割只需要調(diào)用該閾值即可，減少了系統(tǒng)處理時間。
4 試驗結(jié)果分析
整個檢測方案在HHARM2410開發(fā)平臺上予以實(shí)現(xiàn)，實(shí)驗表明該方案可以準(zhǔn)確地檢測出拉鏈多齒、少齒、鏈齒分布不均的缺陷，從而判斷出正品拉鏈和次品拉鏈。
圖2是對圖1所示的拉鏈采用白光LED背光照明采集得到的拉鏈圖像，從采集的效果可以看出無論什么材質(zhì)或顏色的拉鏈采用背光照明后，拉鏈都是黑色的，拉鏈和背景對比分明、輪廓清晰，不存在反光和暗影等缺陷，使得該方案具有較強(qiáng)的通用性，能夠?qū)Χ喾N類型的拉鏈進(jìn)行處理。
采用改進(jìn)的加權(quán)平均值法對圖2進(jìn)行灰度化處理，并采用中值濾波算法對灰度化圖像進(jìn)行濾波處理后的圖像如圖3所示，從處理結(jié)果可以看出中值濾波法很好地濾除了拉鏈圖像中的椒鹽噪聲。
該實(shí)驗中分別采用Otsu法和基于遺傳算的改進(jìn)Otsu法對濾波后的灰度圖像進(jìn)行閾值求取，表1給出了用兩種方法求取的閾值和所用的時間，從表可以看出兩種算法求得閾值相同，但引入遺傳算法后的改進(jìn)Otsu法處理時間有所縮短，系統(tǒng)的處理速度得到提高，本文采用基于GA的Otsu法對拉鏈圖像進(jìn)行分割，分割后的二值圖像如圖4所示，由分割結(jié)果可以看出目標(biāo)與背景錯分幾率低，邊緣清晰，噪聲少。
5 結(jié)論
實(shí)驗結(jié)果表明該方案能夠?qū)Χ喾N拉鏈自動提出特征并進(jìn)行處理判斷，可以準(zhǔn)確地檢測拉鏈多齒、少齒、鏈齒分布不均的缺陷，具有較高的處理速度和通用性。
參考文獻(xiàn)
[1] 高峰. 圖像處理技術(shù)在啤酒瓶在線檢測系統(tǒng)中的應(yīng)用[D]. 西安工業(yè)大學(xué)碩士學(xué)位論文. 2011.
[2] 劉圣. 工業(yè)圖像檢測系統(tǒng)關(guān)鍵技術(shù)的研究及應(yīng)用[D]. 上海交通大學(xué)碩士學(xué)位論文. 2007.
關(guān)鍵詞：Java 實(shí)踐教學(xué) 實(shí)踐能力 創(chuàng)新能力 教學(xué)方法
文章編號：1672-5913(2011)18-0012-04 中圖分類號：G642 文獻(xiàn)標(biāo)識碼：B
基金項目：甘肅政法學(xué)院青年科研基金項目(GZF2010XQNLW53)。
Java課程是應(yīng)用實(shí)踐性的課程。長期教學(xué)經(jīng)驗說明，單純的“理論+程序演示”的理論教學(xué)方法以及 “學(xué)生自主實(shí)驗+教師隨堂指導(dǎo)”的實(shí)驗教學(xué)方法存在著一些缺陷，表現(xiàn)為學(xué)生創(chuàng)新能力的欠缺和自主實(shí)踐能力較差。
教學(xué)過程是一個系統(tǒng)過程，涉及到該門課程的所有教學(xué)和實(shí)踐環(huán)節(jié)，其中任意一個環(huán)節(jié)的薄弱都會導(dǎo)致學(xué)生實(shí)踐和創(chuàng)新能力培養(yǎng)效果不佳。因此，Java理論教學(xué)環(huán)節(jié)、實(shí)驗教學(xué)環(huán)節(jié)、學(xué)期課程設(shè)計、學(xué)年論文(設(shè)計)、畢業(yè)論文(設(shè)計)環(huán)節(jié)、學(xué)科競賽環(huán)節(jié)、校外實(shí)踐環(huán)節(jié)等方面都是培養(yǎng)學(xué)生實(shí)踐和創(chuàng)新能力的關(guān)鍵環(huán)節(jié)。
以貫穿Java教學(xué)整個過程的各個重要環(huán)節(jié)為切入點(diǎn)，從細(xì)節(jié)入手，扎扎實(shí)實(shí)落實(shí)好每一個關(guān)鍵環(huán)節(jié)，是保證培養(yǎng)學(xué)生的Java實(shí)踐和創(chuàng)新能力的根本。
1 在理論教學(xué)環(huán)節(jié)中培養(yǎng)學(xué)生的實(shí)踐和創(chuàng)新能力
1.1 以問題和實(shí)際項目為核心，采用以線帶點(diǎn)的教學(xué)模式
需求是創(chuàng)新和應(yīng)用成果產(chǎn)生的動力和源泉。傳統(tǒng)的Java教材和教學(xué)內(nèi)容是按知識點(diǎn)為模塊組織的，即一個知識點(diǎn)，一個針對該知識點(diǎn)的例題，這樣雖然有利于學(xué)生循序漸進(jìn)地學(xué)習(xí)和掌握各個基本知識點(diǎn)
及其用法，但這種教學(xué)方法，有時會導(dǎo)致學(xué)生一聽就會，一用就忘。其原因在于，學(xué)生從根本上并沒有掌握該知識點(diǎn)到底有什么用，只是聽懂了那道例題而已，沒有深層的理解和舉一反三的能力，學(xué)過時間不久，就會全然忘記。當(dāng)學(xué)生遇到一個實(shí)際問題時，就會束手無策，不能將當(dāng)時上課時感覺已經(jīng)“掌握得很好”的各個知識點(diǎn)進(jìn)行融會貫通和綜合運(yùn)用。因此，教師在教學(xué)中要運(yùn)用幾個能貫穿大部分教學(xué)知識點(diǎn)的綜合實(shí)例和實(shí)際應(yīng)用項目，有說服力地說明貫穿在其中的各知識點(diǎn)的重要性和用法。經(jīng)過較長時間的檢驗，這種教學(xué)方法的優(yōu)點(diǎn)是：其一，可以提高課堂教學(xué)的趣味性；其二，可以減少學(xué)生在學(xué)習(xí)各個知識點(diǎn)時的茫然和困惑；其三，可以提高學(xué)生綜合各個知識點(diǎn)，形成知識網(wǎng)絡(luò)，進(jìn)而進(jìn)行實(shí)際問題解決的能力。
所謂“以線帶點(diǎn)”是以問題和實(shí)際項目為主線，貫穿各個分散的Java知識點(diǎn)，完成Java知識點(diǎn)的脈絡(luò)化。
1.2 以學(xué)生為主體，教師為主導(dǎo)
在以往教學(xué)過程中，限于課時，“滿堂灌”現(xiàn)象仍時有發(fā)生，結(jié)果是教學(xué)任務(wù)完成了，但學(xué)生的主體地位沒有體現(xiàn)出來，沒有充分參與到教學(xué)過程中，積極性不高，教學(xué)效果受到很大影響。為了克服這一點(diǎn)，“互問互答”的啟發(fā)式和討論式教學(xué)是一種好方式，這樣可以最大程度地調(diào)動學(xué)生學(xué)習(xí)積極性和主動性，也有利于讓學(xué)生在教學(xué)過程中保持精力集中的良好狀態(tài)，長期以來可以培養(yǎng)學(xué)生創(chuàng)造性思維能力。教師在教學(xué)過程中，從一個較高的高度引導(dǎo)學(xué)生如何學(xué)習(xí)知識，提高學(xué)生學(xué)習(xí)效率和獲取新知的能力，真正實(shí)現(xiàn)教學(xué)相長。
1.3 開拓視野，編寫高效的程序
在講授類創(chuàng)建方法的時候，教師除了講授用傳統(tǒng)的“new類構(gòu)造方法”的方式外，可以介紹運(yùn)用java.lang包中Class類的forName方法創(chuàng)建類對象[1]，同時介紹運(yùn)用Java設(shè)計模式中的“工廠模式”進(jìn)行類對象的創(chuàng)建，并比較幾種創(chuàng)建類對象方法的異同，從而培養(yǎng)學(xué)生運(yùn)用多種方法解決同一問題的能力。
引導(dǎo)學(xué)生在算法設(shè)計上下功夫，一個實(shí)用軟件的開發(fā)，往往需要編寫高效率的算法，因此，算法的設(shè)計在Java程序教學(xué)中仍然是非常重要的。但由于課時有限，不可能占用較多課時來彌補(bǔ)學(xué)生在算法方面的不足，可以做到的是，引導(dǎo)學(xué)生總結(jié)和復(fù)習(xí)先修的算法設(shè)計課程以及其他程序設(shè)計課程中所學(xué)的算法設(shè)計知識，借助Java程序進(jìn)行實(shí)現(xiàn)，并比較效率；介紹一些智能算法如“遺傳算法”的設(shè)計和實(shí)現(xiàn)的相關(guān)知識，幫助學(xué)有余力的學(xué)生運(yùn)用這些智能算法進(jìn)行實(shí)際問題的解決，將非常有助于提高學(xué)生創(chuàng)新能力的培養(yǎng)。
2 注重實(shí)驗教學(xué)課堂的效率
Java實(shí)驗教學(xué)是Java教學(xué)的重要組成部分，更是提高學(xué)生動手能力和創(chuàng)新能力的重要途徑。
2.1 落實(shí)實(shí)驗預(yù)習(xí)
一般情況下，實(shí)驗課時是2學(xué)時，這對于一個較大的實(shí)驗項目來說，根本沒有可能在2個實(shí)驗學(xué)時中完成，因此，提前布置實(shí)驗任務(wù)并督促學(xué)生按期完成非常重要。如一個JSP項目“學(xué)生成績管理系統(tǒng)”的綜合實(shí)驗項目，應(yīng)讓學(xué)生在做該實(shí)驗項目之前，就基本完成系統(tǒng)的設(shè)計及大部分的編碼工作。在實(shí)驗課堂中，主要是配置好開發(fā)環(huán)境和調(diào)試系統(tǒng)，在指導(dǎo)教師的指導(dǎo)下解決遇到的問題并按指導(dǎo)教師的要求做進(jìn)一步的改進(jìn)和完善。
2.2 檢驗實(shí)驗效果
指導(dǎo)教師對于學(xué)生的實(shí)驗成果應(yīng)及時檢查和提問，及時發(fā)現(xiàn)每個學(xué)生在做實(shí)驗項目時遇到的問題以及該生對該實(shí)驗理解、設(shè)計和實(shí)現(xiàn)的程度。
3 重視課程設(shè)計、學(xué)年論文設(shè)計與實(shí)踐
Java課程設(shè)計是在學(xué)生學(xué)習(xí)完Java程序設(shè)計課程后對其進(jìn)行的一次全面的綜合練習(xí)和考查。課設(shè)成績將作為本課程的期末考核成績的重要組成部分。通過課程設(shè)計，使學(xué)生能夠得到較系統(tǒng)的技能訓(xùn)練，從而鞏固和加深對Java編程的基礎(chǔ)理論知識的理解，培養(yǎng)學(xué)生綜合運(yùn)用所學(xué)知識解決實(shí)際問題的能力，使學(xué)生成為具有扎實(shí)的理論基礎(chǔ)和較強(qiáng)的獨(dú)立動手能力的應(yīng)用型人才。
3.1 注重題目設(shè)計的目標(biāo)性和歸類
針對不同的Java應(yīng)用，將課程設(shè)計題目合理歸類，如“基于Java SE的桌面應(yīng)用系統(tǒng)”類、“基于Java EE的Web應(yīng)用開發(fā)系統(tǒng)”類、“基于Java ME的移動設(shè)備系統(tǒng)”類等。從而做到有針對性。
在指導(dǎo)學(xué)生選題時，告訴學(xué)生在完成該題目時，可以在哪些方面有創(chuàng)新點(diǎn)和亮點(diǎn)，并將這些創(chuàng)新點(diǎn)的完成情況作為評價課程設(shè)計成績的重要依據(jù)。
3.2 強(qiáng)調(diào)學(xué)生所做項目的實(shí)用性和原創(chuàng)性
以往學(xué)生所做的課程設(shè)計、學(xué)年論文設(shè)計與實(shí)踐項目大都源于教師指定的題目，而這些題目往往都是一些虛擬項目如“XX項目的設(shè)計與實(shí)現(xiàn)”，題目本身比較含糊，導(dǎo)致學(xué)生無法進(jìn)行具體的需求分析，只能造出一個“需求分析和開發(fā)背景”。這樣的項目完成后，即使做得比較“完美”，也是離實(shí)際應(yīng)用較遠(yuǎn)，不能投入實(shí)際應(yīng)用。
培養(yǎng)學(xué)生求真務(wù)實(shí)、追求原創(chuàng)的素養(yǎng)，克服浮躁情緒，避免僅為完成任務(wù)抄襲他人項目成果。在教學(xué)過程中，經(jīng)常發(fā)現(xiàn)部分學(xué)生將資料查閱變成了“復(fù)制―粘貼”：不去汲取他人項目成果中的精華，也不去做任何改進(jìn)，直接原封不動地套用。結(jié)果自己在“實(shí)
踐”過程中不但沒有學(xué)到任何知識，積累任何開發(fā)經(jīng)驗，反而養(yǎng)成了不勞而獲，抄襲剽竊的壞習(xí)氣。因此，在引導(dǎo)學(xué)生進(jìn)行項目實(shí)踐的過程中，在對其進(jìn)行各階段指導(dǎo)和檢查時必須嚴(yán)格把關(guān)，引導(dǎo)和幫助學(xué)生樹立良好的專業(yè)道德素質(zhì)和研發(fā)精神。
4 畢業(yè)論文環(huán)節(jié)的創(chuàng)新能力培養(yǎng)
4.1 設(shè)計、指導(dǎo)與完成創(chuàng)新性、研究性題目
在前些年的畢業(yè)論文選題中，較多見的是：“基于Java SE的XX系統(tǒng)的設(shè)計與實(shí)現(xiàn)”，“基于JSP的XX系統(tǒng)的設(shè)計與實(shí)現(xiàn)”等。目前這類題目作為計算機(jī)本科生畢業(yè)論文題目，有以下一些弊端：
1) Java的開放資源非常多，以這類命題的網(wǎng)絡(luò)及參考書資源、甚至整個軟件設(shè)計開發(fā)背景、設(shè)計過程、實(shí)現(xiàn)過程、實(shí)現(xiàn)的全部源碼都有現(xiàn)成的。
2) 虛擬項目較多，大都是自圓其說，如對系統(tǒng)的設(shè)計和開發(fā)背景是自定的，而不是源于實(shí)際用戶的實(shí)際開發(fā)要求。學(xué)生在完成過程中，沒有與用戶溝通和交流的機(jī)會，沒有反復(fù)滿足用戶具體、特殊要求的過程，從而導(dǎo)致學(xué)生沒有通過想辦法、找妙招來解決問題的磨礪過程。
3) 若有兩個以上的學(xué)生選擇了題目不同，但實(shí)際設(shè)計和實(shí)現(xiàn)過程大同小異的題目，就不能保證一人一題的原則。
畢業(yè)論文與設(shè)計是對本科生本科學(xué)習(xí)知識的大檢閱，也是對本科生學(xué)術(shù)研究能力、分析和解決實(shí)際問題能力的重要培養(yǎng)環(huán)節(jié)，也是為本科生將來深造和從事研發(fā)相關(guān)工作所作的一個鋪墊。為了突出畢業(yè)論文(或設(shè)計)環(huán)節(jié)中對學(xué)生創(chuàng)新能力的培養(yǎng)，在畢業(yè)論文的選題上，指導(dǎo)教師應(yīng)進(jìn)一步把關(guān)，設(shè)計出具有實(shí)際開發(fā)背景、創(chuàng)新性和一定研究性的題目。
4.2 注重對現(xiàn)有軟件包的二次開發(fā)
基于Java的用于各種研究和實(shí)踐的軟件包有很多，以基于Java的多Agent開發(fā)工具包JADE(Java Agent Development Framework)[2]和遺傳算法工具包JGAP(Java Genetic Algorithms Package)[3]為例，說明
利用基于Java的工具包進(jìn)行二次開發(fā)來培養(yǎng)學(xué)生創(chuàng)新能力的實(shí)例。
對于基礎(chǔ)較好、有較強(qiáng)科研興趣的學(xué)生，可以引導(dǎo)其運(yùn)用諸如JADE這樣的多Agent系統(tǒng)開發(fā)工具包開發(fā)簡單實(shí)用的多Agent系統(tǒng)，從而帶動學(xué)生學(xué)習(xí)和研究多Agent系統(tǒng)的理論和實(shí)踐方法。遺傳算法是當(dāng)前應(yīng)用廣泛地智能算法之一，而基于Java語言的遺傳算法工具包JGAP中已實(shí)現(xiàn)了簡單遺傳算法和部分高級遺傳算法的基本框架，可以引導(dǎo)學(xué)生快速在其基礎(chǔ)上完成一些改進(jìn)和在開發(fā)，最終達(dá)到學(xué)生理解遺傳算法基本理論和實(shí)際應(yīng)用的目的。
5 以競賽高度為標(biāo)桿，促進(jìn)學(xué)生進(jìn)行高層次編程訓(xùn)練
Java競賽題目具有很強(qiáng)的新穎性和挑戰(zhàn)性，其目的在于考察參賽學(xué)生的創(chuàng)造性解決實(shí)際問題的能力和編程思維。引導(dǎo)學(xué)生參與各級各類的Java編程競賽或以歷屆競賽題目作為訓(xùn)練，都能達(dá)到提高學(xué)生的創(chuàng)新意識和能力以及培養(yǎng)拔尖學(xué)生的目的。
6 產(chǎn)學(xué)研結(jié)合
6.1 創(chuàng)新實(shí)驗室和基地建設(shè)
為了使學(xué)生具有快速適應(yīng)市場Java人才的需求、能夠獨(dú)立創(chuàng)業(yè)的目的，根據(jù)學(xué)?？陀^條件的不同，建立一定規(guī)模的創(chuàng)新實(shí)驗室或聯(lián)系實(shí)驗基地尤為重要。這是因為：
1) 較大型工程實(shí)踐項目的開發(fā)都需要一個較長的周期，一般為3～5個月或更長。對參與完成項目的學(xué)生的訓(xùn)練和培養(yǎng)也需要一個較長的周期。而普通和短期的實(shí)驗項目訓(xùn)練無法達(dá)到培養(yǎng)學(xué)生獨(dú)立承擔(dān)實(shí)際工程項目的能力。
2) 在對學(xué)生進(jìn)行訓(xùn)練和實(shí)際項目的開發(fā)過程中，不可能占用正常的上課時間，而是充分利用課外、周末以及節(jié)假日的課余時間，有教師指導(dǎo)團(tuán)隊對學(xué)生進(jìn)行輔導(dǎo)、訓(xùn)練和協(xié)同項目開發(fā)。
3) 一個固定而且全天候的實(shí)驗場所和一定數(shù)量、檔次的儀器設(shè)備是能否完成創(chuàng)新性實(shí)驗和實(shí)際項目開發(fā)的重要保障。
6.2 承接軟件開發(fā)項目，為學(xué)生走向市場奠定基礎(chǔ)
由指導(dǎo)教師牽頭，分析和研究市場對Java編程人員的需求，有針對性地承攬學(xué)校及校外的應(yīng)用開發(fā)項目，組建以學(xué)生為主體的項目開發(fā)小組，進(jìn)行項目開發(fā)。
6.3 進(jìn)入課題組，鍛煉科研能力
指導(dǎo)教師帶領(lǐng)學(xué)生進(jìn)入創(chuàng)新實(shí)驗室，共同開展和完成Java相關(guān)的科研、教學(xué)改革和實(shí)踐項目，讓參與項目的學(xué)生體驗科研過程，學(xué)習(xí)科研方法，培養(yǎng)科研精神。
7 教學(xué)中應(yīng)用系統(tǒng)科學(xué)方法
系統(tǒng)科學(xué)方法理論是計算機(jī)科學(xué)與技術(shù)的重要的方法論之一[4]。面向?qū)ο缶幊趟枷牒蛙浖こ淌窍到y(tǒng)科學(xué)方法在軟件開發(fā)中的集中體現(xiàn)。在學(xué)生的
實(shí)踐教學(xué)各個環(huán)節(jié)中，往往會做一些類似于“XX信息系統(tǒng)的設(shè)計與實(shí)現(xiàn)”之類的項目。但學(xué)生在實(shí)踐過程中，急于求成，只關(guān)注系統(tǒng)的實(shí)現(xiàn)，一開始就寫源碼，不注重按軟件工程理論和方法進(jìn)行系統(tǒng)分析和設(shè)計，也不注重系統(tǒng)中類的設(shè)計和類間關(guān)系的設(shè)計，是導(dǎo)致項目開發(fā)失敗或脫離實(shí)際應(yīng)用的重要原因。更嚴(yán)重的是，這樣的開發(fā)習(xí)慣一旦養(yǎng)成，將會被學(xué)生帶到今后的實(shí)際項目開發(fā)中，情況會更加糟糕。
8 結(jié)語
通過長期的Java教學(xué)實(shí)踐，筆者總結(jié)出“學(xué)生實(shí)踐和創(chuàng)新能力培養(yǎng)效果的好壞取決于每個教學(xué)環(huán)節(jié)完成好壞”的結(jié)論。從細(xì)節(jié)入手，扎扎實(shí)實(shí)完成好每一個教學(xué)環(huán)節(jié)，不僅可以培養(yǎng)學(xué)生實(shí)踐和創(chuàng)新能力，而且可以幫助學(xué)生養(yǎng)成良好的學(xué)習(xí)、研究習(xí)慣并為學(xué)生就業(yè)奠定堅實(shí)基礎(chǔ)。
參考文獻(xiàn)：
[1] 耿祥義,張躍平. Java 2實(shí)用教程[M]. 3版. 北京:清華大學(xué)出版社,2006: 95.
[2] Carie G. JADE TUTORIAL:JADE PROGRAMMING FOR BEGINNERS[EB/OL]. [2011-03-07]. /doc/ JADEProgramming-Tutorial-for-beginners.pdf.
[3] Java Genetic Algorithms Package[EB/OL]. [2011-03-07]. .
[4] 董榮勝,古天龍. 計算機(jī)科學(xué)與技術(shù)方法論[M]. 北京:人民郵電出版社,2002:117.
On Students’ Practicing and Creative Ability Training in Java Teaching
LI Ruisheng
(College of Computer Science, Gansu Institute of Political Science and Law, Lanzhou 730070, China)
【Abstract】Based on the concepts of genetic algorithm and BP neural network，the paper studies the optimization of BP neural network algorithm， and the effectiveness of the algorithm is verified by an example.
【關(guān)鍵詞】遺傳算法；BP神經(jīng)網(wǎng)絡(luò)；優(yōu)化算法
【Keywords】genetic algorithm； BP neural network； algorithm optimization
【中圖分類號】TPl83 【文獻(xiàn)標(biāo)志碼】A 【文章編號】1673-1069（2017）04-0135-02
1 引言
神經(jīng)網(wǎng)絡(luò)是一種模仿動物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型，憑借著復(fù)雜的系統(tǒng)結(jié)構(gòu)，通過對系統(tǒng)內(nèi)部節(jié)點(diǎn)連接關(guān)系的調(diào)節(jié)，實(shí)現(xiàn)對信息的高效處理。作為技術(shù)最為成熟的神經(jīng)網(wǎng)絡(luò)模擬，BP神經(jīng)網(wǎng)絡(luò)具有良好的自學(xué)習(xí)、自適應(yīng)以及泛化能力，在許多領(lǐng)域中都有著廣泛的應(yīng)用。而針對BP神經(jīng)網(wǎng)絡(luò)在應(yīng)用環(huán)節(jié)存在的問題，需要采取相應(yīng)的優(yōu)化算法，提升神經(jīng)網(wǎng)絡(luò)的收斂速度和理能力。
2 遺傳算法與BP神經(jīng)網(wǎng)絡(luò)
遺傳算法遵循的是生物界中適者生存的法則，其基本原理，是指將問題參數(shù)進(jìn)行編碼，形成染色體，通過迭代的方式，運(yùn)用選擇、變異、交叉等運(yùn)算，對種群中染色體的信息進(jìn)行交換，繼而形成能夠滿足優(yōu)化目標(biāo)的染色體。
BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)最初產(chǎn)生于1986年，屬于一種依照誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，也是當(dāng)前技術(shù)條件下應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)模型之一，其可以對輸入-輸出模式的映射關(guān)系進(jìn)行學(xué)習(xí)和存儲，同時不需要對能夠揭示這些映射關(guān)系的方程進(jìn)行描述。神經(jīng)網(wǎng)絡(luò)具備自適應(yīng)和自組織能力，在進(jìn)行學(xué)習(xí)和訓(xùn)練的過程中，可以通過改變突觸權(quán)重值的方式，更好地適應(yīng)周邊環(huán)境的變化。在同一個神經(jīng)網(wǎng)絡(luò)中，如果內(nèi)容不同，學(xué)習(xí)方式不同，則會產(chǎn)生不同的功能。人工神經(jīng)網(wǎng)絡(luò)從本質(zhì)上看，更加接近具備自主學(xué)習(xí)能力的系統(tǒng)，可以通過不斷的學(xué)習(xí)，超出最初設(shè)計的知識水平。在人工神經(jīng)網(wǎng)絡(luò)中，比較常見的學(xué)習(xí)方法有兩種，一是有監(jiān)督的學(xué)習(xí)，可以結(jié)合標(biāo)準(zhǔn)樣本，進(jìn)行分類或者模仿，二是無監(jiān)督的學(xué)習(xí)，在制定相應(yīng)的學(xué)習(xí)規(guī)則后，系統(tǒng)會根據(jù)自身所處環(huán)境，進(jìn)行學(xué)習(xí)內(nèi)容的分析和選擇，更加接近人腦的功能特點(diǎn)。
3 基于遺傳算法的優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法
3.1 算法基本原理
①BP算法。BP神經(jīng)網(wǎng)絡(luò)算法主要包括了數(shù)據(jù)流的前向計算和誤差信號的反向傳播兩個方面的內(nèi)容，結(jié)合三層BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，假定x為網(wǎng)絡(luò)輸入，y為結(jié)果輸出，當(dāng)處于正向傳播過程時，數(shù)據(jù)的傳輸為輸入層隱層輸出層，每一層神經(jīng)元的狀態(tài)僅僅會影響下一層神經(jīng)元，而如果輸出層無法獲得期望輸出，則會自動轉(zhuǎn)向誤差信號的反向傳播流程。在BP神經(jīng)網(wǎng)絡(luò)中，網(wǎng)絡(luò)的訓(xùn)練實(shí)際上是對閾值和權(quán)值進(jìn)行調(diào)整的過程，當(dāng)網(wǎng)絡(luò)誤差縮小到設(shè)定值，或者訓(xùn)練步數(shù)達(dá)到設(shè)定步數(shù)時，會自動停止訓(xùn)練。
②遺傳算法。遺傳算法可以從代表問題可能潛在解集的種群開始，種群中的每一個染色體都帶有相應(yīng)的特征，染色體可以看作若干基因的集合，為了便于分析，需要做好編碼，完成從表現(xiàn)型到基因型的映射。在演化過程中，依照問題域中存在的個體的適應(yīng)度，進(jìn)行個體的挑選和交叉，然后變異出新的解集種群。選擇末代種群中的最優(yōu)個體進(jìn)行解碼，就可以得到問題的近似最優(yōu)解。
3.2 優(yōu)化BP算法
BP神經(jīng)網(wǎng)絡(luò)算法具有極強(qiáng)的局部尋優(yōu)能力，但是容易陷入局部極小的問題，遺傳算法具有良好的全局優(yōu)化性和自適應(yīng)性，但是局部尋優(yōu)能力不足。對此，可以將遺傳算法與BP算法結(jié)合起來，實(shí)現(xiàn)對于網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和網(wǎng)絡(luò)權(quán)值、網(wǎng)絡(luò)閾值的優(yōu)化。
①權(quán)值優(yōu)化。在傳統(tǒng)的BP網(wǎng)絡(luò)中，連接權(quán)值的學(xué)習(xí)算法容易陷入局部極小，無法得到全局最優(yōu)。對此，可以引入遺傳算法代替?zhèn)鹘y(tǒng)的學(xué)習(xí)方法，對神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行優(yōu)化。在這個過程中，需要解決幾個比較關(guān)鍵的問題，一是編碼方案，可供選擇的權(quán)值編碼方式包括實(shí)數(shù)編碼和二級制編碼，前者是以實(shí)數(shù)表示權(quán)值，非常直觀，不過需要對遺傳算子進(jìn)行重新設(shè)計，后者是利用0，1字符串表示權(quán)值；二是適應(yīng)度函數(shù)，引入遺傳算法后，網(wǎng)絡(luò)的機(jī)構(gòu)以確定，在這種情況下，網(wǎng)絡(luò)的誤差越大，適應(yīng)度越小；三是進(jìn)化過程，主要是對選擇、交叉、變異算子的選擇，如果必要，也可以重新設(shè)計；四是混合訓(xùn)練神經(jīng)網(wǎng)絡(luò)，遺傳算法能夠在大規(guī)模、復(fù)雜性的空間中實(shí)現(xiàn)可靠搜索，而且不需要有關(guān)誤差函數(shù)梯度的信息，優(yōu)勢相當(dāng)明顯。可以通過在誤差函數(shù)中增加懲罰項的方式，降低網(wǎng)絡(luò)的復(fù)雜程度。
②權(quán)值和結(jié)構(gòu)同時優(yōu)化。BP神經(jīng)網(wǎng)絡(luò)連接權(quán)的進(jìn)化，要求明確的網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò)結(jié)構(gòu)直接影響著神經(jīng)網(wǎng)絡(luò)本身對于信息的處理能力。神經(jīng)網(wǎng)路的結(jié)構(gòu)包括了網(wǎng)絡(luò)連接方式（拓?fù)浣Y(jié)構(gòu)）和節(jié)點(diǎn)轉(zhuǎn)換函數(shù)，完善的結(jié)構(gòu)不僅需要能夠?qū)栴}進(jìn)行有效解決，還不能存在冗余節(jié)點(diǎn)和冗余連接。伴隨著進(jìn)化算法的應(yīng)用，網(wǎng)絡(luò)設(shè)計在很多時候被看作搜索問題，評價的標(biāo)準(zhǔn)包括了抗噪性、學(xué)習(xí)準(zhǔn)確率以及泛化能力等。結(jié)構(gòu)進(jìn)化的關(guān)鍵體現(xiàn)在結(jié)構(gòu)編碼和算子設(shè)計，而結(jié)構(gòu)編碼方案則會影響算子設(shè)計的效果。以三層前饋型BP網(wǎng)絡(luò)為例，其輸入層和輸出層節(jié)點(diǎn)的數(shù)量已經(jīng)確定，優(yōu)化算法需要重點(diǎn)研究隱含層的節(jié)點(diǎn)數(shù)量?？紤]到問題本身的復(fù)雜性，二進(jìn)制編碼的方法并不適用，因此選擇實(shí)數(shù)編碼，在隱含層節(jié)點(diǎn)增加二級制編碼作為控制基因，通過隨機(jī)函數(shù)產(chǎn)生。當(dāng)控制基因的數(shù)值為0時，對應(yīng)的隱含層節(jié)點(diǎn)對輸出層無用，而當(dāng)控制基因的數(shù)值為1時，隱含層節(jié)點(diǎn)對輸出層作用。需要注意的一點(diǎn)，當(dāng)選擇實(shí)數(shù)編碼方案時，為了明確編碼的長度，需要確定隱層的最大神經(jīng)元數(shù)目。
4 仿真試驗
結(jié)合已知數(shù)據(jù)，對某地區(qū)小麥吸漿蟲的發(fā)生程度進(jìn)行預(yù)測。對問題進(jìn)行深入分析，可以轉(zhuǎn)化為相應(yīng)的輸入輸出系統(tǒng)，可以通過神經(jīng)網(wǎng)絡(luò)進(jìn)行表達(dá)。現(xiàn)有的研究成果表明，小麥吸漿蟲的發(fā)生與氣候因素關(guān)系密切，因此可以利用氣象因子對問題進(jìn)行分析。選擇2000年到2015年的氣象數(shù)據(jù)，設(shè)置40個研究樣本，以x1-x14表示需要處理的原始數(shù)據(jù)（氣象因子），Y表示小麥吸漿蟲的發(fā)生程度。從減小誤差的角度，對原始數(shù)據(jù)進(jìn)行預(yù)處理。以優(yōu)化后的BP算法進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，結(jié)合訓(xùn)練結(jié)果進(jìn)行MATLAB仿真。在仿真試驗中，需要做好一些關(guān)鍵參數(shù)額的設(shè)置，遺傳算法和BP算法的最大代數(shù)分別為100，BP算法均方誤差為0.001，會激活函數(shù)為雙曲正切S型，線性輸出層，學(xué)習(xí)算法被設(shè)置為經(jīng)過改進(jìn)的自適應(yīng)學(xué)習(xí)率的梯度下降學(xué)習(xí)算法。
設(shè)定14作為隱層神經(jīng)元的上限，由于編碼長度固定且迭代代數(shù)一定，在所有的試驗中，遺傳算法的復(fù)雜度都是相同的。結(jié)合仿真試驗分析，隱含神經(jīng)元的最優(yōu)數(shù)目為5、6、7，與傳統(tǒng)方法得到的結(jié)果基本一致。相比較而言，利用遺傳算法同時進(jìn)行結(jié)構(gòu)和權(quán)值的優(yōu)化，最為顯著的優(yōu)勢在于能夠?qū)﹄[層神經(jīng)元的數(shù)目進(jìn)行自適應(yīng)確定，減少嘗試的次數(shù)，提升計算效率。
而結(jié)合相應(yīng)的訓(xùn)練結(jié)果分析，利用遺傳算法進(jìn)行BP神經(jīng)網(wǎng)絡(luò)連接權(quán)值的優(yōu)化，相比較傳統(tǒng)算法更加有效，不過同樣需要進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)的嘗試，換言之就是選擇合適的隱層神經(jīng)元數(shù)目。不僅如此，利用遺傳算法同時對神經(jīng)網(wǎng)絡(luò)的權(quán)值和結(jié)構(gòu)進(jìn)行優(yōu)化，智能型更強(qiáng)，可能找到合適的初始權(quán)值和優(yōu)秀的網(wǎng)絡(luò)結(jié)構(gòu)，不過，如果數(shù)據(jù)煩瑣，搜索的速度會變慢。
