浙工大人工智能考博復(fù)習(xí)匯總

..浙工大人工智能考博復(fù)習(xí)匯總2013年人工智能考博簡(jiǎn)答題人工智能的根本研究容。知識(shí)表示知識(shí)表示：將人類知識(shí)形式化或者模型化。知識(shí)表示方法：符號(hào)表示法、連接機(jī)制表示法。符號(hào)表示法：用各種包含具體含義的符號(hào)，以各種不同的方式和順序組合起來(lái)表示知識(shí)的一類方法。例如，一階謂詞邏輯、產(chǎn)生式等。連接機(jī)制表示法：把各種物理對(duì)象以不同的方式及順序連接起來(lái)，并在其間互相傳遞及加工各種包含具體意義的信息，以此來(lái)表示相關(guān)的概念及知識(shí)。例如，神經(jīng)網(wǎng)絡(luò)等。2.機(jī)器感知機(jī)器感知：使機(jī)器〔計(jì)算機(jī)〕具有類似于人的感知能力。以機(jī)器視覺(machinevision)與機(jī)器聽覺為主。3.機(jī)器思維機(jī)器思維：對(duì)通過感知得來(lái)的外部信息及機(jī)器部的各種工作信息進(jìn)展有目的的處理。4.機(jī)器學(xué)習(xí)機(jī)器學(xué)習(xí)〔machinelearning〕：研究如何使計(jì)算機(jī)具有類似于人的學(xué)習(xí)能力，使它能通過學(xué)習(xí)自動(dòng)地獲取知識(shí)。1957年，Rosenblatt研制成功了感知機(jī)。5.機(jī)器行為機(jī)器行為：計(jì)算機(jī)的表達(dá)能力，即"說(shuō)〞、"寫〞、"畫〞等能力。專家系統(tǒng)和傳統(tǒng)程序的區(qū)別?！?〕編程思想：傳統(tǒng)程序=數(shù)據(jù)構(gòu)造+算法專家系統(tǒng)=知識(shí)+推理〔2〕傳統(tǒng)程序：關(guān)于問題求解的知識(shí)隱含于程序中。專家系統(tǒng)：知識(shí)單獨(dú)組成知識(shí)庫(kù)，與推理機(jī)別離?！?〕處理對(duì)象：傳統(tǒng)程序：數(shù)值計(jì)算和數(shù)據(jù)處理。專家系統(tǒng)：符號(hào)處理?！?〕傳統(tǒng)程序：不具有解釋功能。專家系統(tǒng)：具有解釋功能?！?〕傳統(tǒng)程序：產(chǎn)生正確的答案。專家系統(tǒng)：通常產(chǎn)生正確的答案，有時(shí)產(chǎn)生錯(cuò)誤的答案?！?〕系統(tǒng)的體系構(gòu)造不同。什么是估價(jià)函數(shù)？A*搜索算法的估價(jià)函數(shù)是如何確定的？估價(jià)函數(shù)的任務(wù)就是估計(jì)待搜索結(jié)點(diǎn)的"有希望〞程度，并依次給它們排定次序〔在open表中〕。估價(jià)函數(shù)：從初始結(jié)點(diǎn)經(jīng)過結(jié)點(diǎn)到達(dá)目的結(jié)點(diǎn)的路徑的最小代價(jià)估計(jì)值，其一般形式是一般地，在f(n)中，g(n)的比重越大，越傾向于寬度優(yōu)先搜索方式，而h(n)的比重越大，表示啟發(fā)性能越強(qiáng)。其中f(n)是從初始狀態(tài)經(jīng)由狀態(tài)n到目標(biāo)狀態(tài)的代價(jià)估計(jì)，g(n)是在狀態(tài)空間中從初始狀態(tài)到狀態(tài)n的實(shí)際代價(jià)，h(n)是從狀態(tài)n到目標(biāo)狀態(tài)的最正確路徑的估計(jì)代價(jià)?！矊?duì)于路徑搜索問題，狀態(tài)就是圖中的節(jié)點(diǎn)，代價(jià)就是距離〕h(n)的選取保證找到最短路徑〔最優(yōu)解的〕條件，關(guān)鍵在于估價(jià)函數(shù)f(n)的選取〔或者說(shuō)h(n)的選取〕。我們以d(n)表達(dá)狀態(tài)n到目標(biāo)狀態(tài)的距離，那么h(n)的選取大致有如下三種情況：如果h(n)<=d(n)到目標(biāo)狀態(tài)的實(shí)際距離，這種情況下，搜索的點(diǎn)數(shù)多，搜索圍大，效率低。但能得到最優(yōu)解。如果h(n)=d(n)，即距離估計(jì)h(n)等于最短距離，那么搜索將嚴(yán)格沿著最短路徑進(jìn)展，此時(shí)的搜索效率是最高的。如果h(n)>d(n),搜索的點(diǎn)數(shù)少，搜索圍小，效率高，但不能保證得到最優(yōu)解。我們先下個(gè)定義，如果一個(gè)估價(jià)函數(shù)可以找出最短的路徑，我們稱之為可采納性。A*算法是一個(gè)可采納的最好優(yōu)先算法。A*算法的估價(jià)函數(shù)可表示為：f'(n)=g'(n)+h'(n)這里，f'(n)是估價(jià)函數(shù)，g'(n)是起點(diǎn)到節(jié)點(diǎn)n的最短路徑值，h'(n)是n到目標(biāo)的最短路經(jīng)的啟發(fā)值。由于這個(gè)f'(n)其實(shí)是無(wú)法預(yù)先知道的，所以我們用前面的估價(jià)函數(shù)f(n)做近似。g(n)代替g'(n)，但g(n)>=g'(n)才可〔大多數(shù)情況下都是滿足的，可以不用考慮〕，h(n)代替h'(n)，但h(n)<=h'(n)才可〔這一點(diǎn)特別的重要〕。可以證明應(yīng)用這樣的估價(jià)函數(shù)是可以找到最短路徑的，也就是可采納的。我們說(shuō)應(yīng)用這種估價(jià)函數(shù)的最好優(yōu)先算法就是A*算法。遺傳算法中的編碼是什么？有哪幾種編碼方法？編碼是把一個(gè)問題的可行解從其解空間轉(zhuǎn)換到遺傳算法所能處理的搜索空間的轉(zhuǎn)換方法。而由遺傳算法解空間向問題空間的轉(zhuǎn)換稱為解碼。位串編碼一維染色體編碼方法：將問題空間的參數(shù)編碼為一維排列的染色體的方法?！?〕二進(jìn)制編碼二進(jìn)制編碼：用假設(shè)干二進(jìn)制數(shù)表示一個(gè)個(gè)體，將原問題的解空間映射到位串空間B={0，1}上，然后在位串空間上進(jìn)展遺傳操作。優(yōu)點(diǎn)：類似于生物染色體的組成，算法易于用生物遺傳理論解釋，遺傳操作如穿插、變異等易實(shí)現(xiàn)；算法處理的模式數(shù)最多。缺點(diǎn)：①相鄰整數(shù)的二進(jìn)制編碼可能具有較大的Hamming距離，降低了遺傳算子的搜索效率。15：0111116：10000②要先給出求解的精度。③求解高維優(yōu)化問題的二進(jìn)制編碼串長(zhǎng)，算法的搜索效率低?！?〕Gray編碼Gray編碼:將二進(jìn)制編碼通過一個(gè)變換進(jìn)展轉(zhuǎn)換得到的編碼。2.實(shí)數(shù)編碼采用實(shí)數(shù)表達(dá)法不必進(jìn)展數(shù)制轉(zhuǎn)換，可直接在解的表現(xiàn)型上進(jìn)展遺傳操作。多參數(shù)映射編碼的根本思想：把每個(gè)參數(shù)先進(jìn)展二進(jìn)制編碼得到子串，再把這些子串連成一個(gè)完整的染色體。多參數(shù)映射編碼中的每個(gè)子串對(duì)應(yīng)各自的編碼參數(shù)，所以，可以有不同的串長(zhǎng)度和參數(shù)的取值圍。3.有序串編碼有序問題：目標(biāo)函數(shù)的值不僅與表示解的字符串的值有關(guān)，而且與其所在字符串的位置有關(guān)。4,構(gòu)造式編碼利用歸結(jié)原理進(jìn)展定理證明將一個(gè)謂詞公式化為不帶存在量詞的Skolem標(biāo)準(zhǔn)式利用可信度方法計(jì)算CF(H)模糊推理(書上的，溫度和風(fēng)門大小的模糊推理)六、離散Hopfield神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)的輸入層、輸出層神經(jīng)元個(gè)數(shù)，及非線性映射函數(shù)。2009年期末一、單項(xiàng)選擇題〔此題共8小題，每題2分，共16分〕1.在謂詞公式中，連接詞的優(yōu)先級(jí)別從高到低排列是〔D〕。A．﹁，∨，∧，→，B．∧，∨，﹁，→，C．﹁，∧，∨，，→D．﹁，∧，∨，→，2.在語(yǔ)義網(wǎng)絡(luò)中，用〔〕來(lái)標(biāo)明類與子類之間的關(guān)系。A．實(shí)例聯(lián)系B.泛化聯(lián)系C.聚集聯(lián)系D.屬性聯(lián)系3.謂詞公式G在海伯倫域上是不可滿足的，那么該公式在個(gè)體變量域D上是〔〕。A．可滿足的B.不可滿足的C.無(wú)法確定設(shè)S為子句集，那么按下述方法構(gòu)造的域QUOTE稱為海伯倫域，簡(jiǎn)記為H域。〔1〕令H0是S中所有個(gè)體常量的集合，假設(shè)S中不包含個(gè)體常量，那么令QUOTE，其中QUOTE為任意指定的一個(gè)個(gè)體常量?！?〕令{S中所有n元函數(shù)是H中的元素}，其中。定理3.2〔海伯倫定理〕：子句集不可滿足的充要條件是存在一個(gè)有限的不可滿足的基子句集。4.假設(shè)S是不可滿足的，那么〔A〕一個(gè)歸結(jié)推理規(guī)那么的從S到空子句的推理過程。A．存在B.不存在C.無(wú)法確定5.在主觀Bayes方法中，幾率O(x)的取值圍為〔〕。A．[-1,1]B．[0,1]C．[-1,∞〕D．[0,∞〕幾率〔odds〕函數(shù)：概率：幾率函數(shù)和概率函數(shù)有一樣的單調(diào)性。6.在可信度方法中，CF〔H，E〕的取值為〔c〕時(shí)，前提E為真不支持結(jié)論H為真。A．1B.0C.<0D.>0CF〔H，E〕的取值圍:[-1,1]。假設(shè)由于相應(yīng)證據(jù)的出現(xiàn)增加結(jié)論H為真的可信度，那么CF〔H，E〕>0，證據(jù)的出現(xiàn)越是支持H為真，就使CF〔H，E)的值越大。反之，CF〔H，E〕<0，證據(jù)的出現(xiàn)越是支持H為假，CF〔H，E〕的值就越小。假設(shè)證據(jù)的出現(xiàn)與否與H無(wú)關(guān)，那么CF〔H，E〕=0。7.在深度優(yōu)先搜索策略中，open表是〔b〕的數(shù)據(jù)構(gòu)造。A．先進(jìn)先出B.先進(jìn)后出C.根據(jù)估價(jià)函數(shù)值重排8.歸納推理是〔b〕的推理。A．從一般到個(gè)別B．從個(gè)別到一般C．從個(gè)別到個(gè)別二、多項(xiàng)選擇題〔此題共5小題，每題2分，共10分〕1.人工智能研究的三大學(xué)派是()。A.符號(hào)主義B.進(jìn)化主義C.任知主義D.連接主義2.對(duì)于框架表示法，下面表達(dá)正確的選項(xiàng)是〔AC〕。A．框架中，一個(gè)槽用于描述所論對(duì)象某一方面的屬性，一個(gè)側(cè)面用于描述相應(yīng)屬性的一個(gè)方面。B．槽值可以是另一個(gè)框架的名字，從而實(shí)現(xiàn)一個(gè)框架對(duì)另一個(gè)框架的調(diào)用，表示出框架之間的縱向聯(lián)系。C.框架系統(tǒng)中問題的求解主要是通過匹配與填槽實(shí)現(xiàn)的。D.框架表示法不能表示具有因果關(guān)系的知識(shí)?？蚣堋瞗rame〕：一種描述所論對(duì)象〔一個(gè)事物、事件或概念〕屬性的數(shù)據(jù)構(gòu)造。一個(gè)框架由假設(shè)干個(gè)被稱為"槽〞〔slot〕的構(gòu)造組成，每一個(gè)槽又可根據(jù)實(shí)際情況劃分為假設(shè)干個(gè)"側(cè)面〞〔faced〕。一個(gè)槽用于描述所論對(duì)象某一方面的屬性。一個(gè)側(cè)面用于描述相應(yīng)屬性的一個(gè)方面。槽和側(cè)面所具有的屬性值分別被稱為槽值和側(cè)面值。3.在主觀Bayes推理中，充分性度量LS和必要性度量LN的取值下面哪些是合理的〔bc〕。A．LS>1,LN>1B．LS>1,LN<1C．LS<1,LN>1D．LS<1,LN=1IFETHEN(LS,LN)H(LS,LN)用來(lái)表示該知識(shí)的知識(shí)強(qiáng)度,LS(充分性度量)和LN(必要性度量)不可能同時(shí)支持H或同時(shí)反對(duì)H不應(yīng)該存在：〔1〕LS>１，LN>1〔2〕LS<１，LN<1存在兩種情況:〔1〕LS≥1且LN≤1〔2〕LS≤1且LN≥14.下面對(duì)專家系統(tǒng)表達(dá)錯(cuò)誤的選項(xiàng)是：()。bcdA．專家系統(tǒng)是運(yùn)用知識(shí)和推理來(lái)解決問題的；B．專家系統(tǒng)是把關(guān)于問題求解的知識(shí)隱含于程序中的；C．專家系統(tǒng)不具有透明性，無(wú)法答復(fù)用戶"Why〞和"How〞等問題。D．利用骨架系統(tǒng)開發(fā)專家系統(tǒng)，相對(duì)于其他開發(fā)工具，其效率是最高的，靈活性是最好的，局限性也是最少的。5.下面對(duì)機(jī)器學(xué)習(xí)方法表達(dá)正確的選項(xiàng)是：(bd)。A．解釋學(xué)習(xí)需要環(huán)境提供一組例如，而例如學(xué)習(xí)只要環(huán)境提供一個(gè)例如；B．機(jī)械式學(xué)習(xí)是沒有推理能力的。C．符號(hào)學(xué)習(xí)對(duì)模擬人類較低級(jí)的神經(jīng)活動(dòng)是比擬有效的。D．觀察與發(fā)現(xiàn)學(xué)習(xí)是基于歸納推理的。例如學(xué)習(xí)〔learningfromexamples〕又稱為實(shí)例學(xué)習(xí)或從例子中學(xué)習(xí)：通過從環(huán)境中取得假設(shè)干與某概念有關(guān)的例子，經(jīng)歸納得出一般性概念的一種學(xué)習(xí)方法。例如學(xué)習(xí)中，外部環(huán)境〔教師〕提供一組例子〔正例和反例〕，然后從這些特殊知識(shí)中歸納出適用于更大圍的一般性知識(shí)，它將覆蓋所有的正例并排除所有反例。解釋學(xué)習(xí)〔explanation-basedlearning〕：演繹學(xué)習(xí)方法。它是通過運(yùn)用相關(guān)的領(lǐng)域知識(shí)，對(duì)當(dāng)前提供的單個(gè)問題求解實(shí)例進(jìn)展分析，從而構(gòu)造解釋并產(chǎn)生相應(yīng)知識(shí)的。解釋學(xué)習(xí)：通過運(yùn)用相關(guān)的領(lǐng)域知識(shí)及一個(gè)訓(xùn)練實(shí)例來(lái)對(duì)某一目標(biāo)概念進(jìn)展學(xué)習(xí)，并最終生成這個(gè)目標(biāo)概念的一般性描述。解釋學(xué)習(xí)與例如學(xué)習(xí)的主要區(qū)別：〔1〕例如學(xué)習(xí)：系統(tǒng)要求輸入一組實(shí)例。解釋學(xué)習(xí)：輸入一個(gè)實(shí)例?！?〕例如學(xué)習(xí)：歸納學(xué)習(xí)，不要求提供領(lǐng)域知識(shí)。解釋學(xué)習(xí)：演繹學(xué)習(xí)，要求提供完善的領(lǐng)域知識(shí)?！?〕例如學(xué)習(xí)：概念的獲取，即知識(shí)增加的一面。解釋學(xué)習(xí)：技能提高的一面。以推理能力排列機(jī)械式學(xué)習(xí)，指導(dǎo)式學(xué)習(xí)，解釋學(xué)習(xí)，類比學(xué)習(xí)，例如學(xué)習(xí)，觀察與發(fā)現(xiàn)學(xué)習(xí)。對(duì)領(lǐng)域理論的要求例如學(xué)習(xí)、觀察與發(fā)現(xiàn)學(xué)習(xí)：領(lǐng)域理論要求較少。解釋學(xué)習(xí)：要求提供完善的領(lǐng)域知識(shí)。適用領(lǐng)域連接學(xué)習(xí)：模擬人類較低級(jí)的神經(jīng)活動(dòng)。符號(hào)學(xué)習(xí)：模擬人類的高級(jí)思維活動(dòng)。三、填空題〔此題共5小題，每個(gè)空格1分，共14分〕1.產(chǎn)生式系統(tǒng)一般由三個(gè)根本局部組成：、、。規(guī)那么庫(kù)、推理機(jī)，綜合數(shù)據(jù)庫(kù)2.在證據(jù)理論中，命題A的信任函數(shù)Bel(A)又稱為函數(shù)，似然函數(shù)Pl(A)又稱為函數(shù)，Pl(A)－Bel(A)表示對(duì)A的程度。A(0,0.85)表示對(duì)A為假有一定的信任，信任度為。：對(duì)命題A為真的總的信任程度。：對(duì)A為真的信任程度。：對(duì)A為非假的信任程度。：對(duì)A信任程度的下限與上限。Pl(A)－Bel(A)表示對(duì)A是真是假不知道的程度,既不信任A,也不信任非A的程度下限或信任，上限或似然或不可駁斥，不知道，0.153.假設(shè)用三層BP神經(jīng)網(wǎng)絡(luò)解決字母T和L的識(shí)別問題。每個(gè)字母用3×3二維二值圖表示，令黑方格為1，白方格為0。要求網(wǎng)絡(luò)輸出為1時(shí)，對(duì)應(yīng)的字母是T；而輸出為0時(shí)，對(duì)應(yīng)的字母是L。因此該BP神經(jīng)網(wǎng)絡(luò)的輸入層應(yīng)包含個(gè)神經(jīng)元，輸出層應(yīng)包含個(gè)神經(jīng)元，輸出層神經(jīng)元的非線性函數(shù)為。914.BP學(xué)習(xí)算法的學(xué)習(xí)過程包括兩個(gè)過程，它是通過過程使誤差最小。反向?qū)W習(xí)或反向傳播BP網(wǎng)絡(luò)：多層前向網(wǎng)絡(luò)〔輸入層、隱層、輸出層〕。連接權(quán)值：通過Delta學(xué)習(xí)算法進(jìn)展修正。神經(jīng)元傳輸函數(shù)：S形函數(shù)。學(xué)習(xí)算法：正向傳播、反向傳播。層與層的連接是單向的，信息的傳播是雙向的。5.遺傳算法的根本操作算子包括、、。變異算子,穿插算子,選擇或者復(fù)制四、〔8分〕設(shè)A、B、C三人中有人從不說(shuō)真話，也有人從不說(shuō)假話。某人向這三人分別提出用一個(gè)問題："誰(shuí)是說(shuō)謊者？〞A答："B和C都是說(shuō)謊者〞；B答："A和C都是說(shuō)謊者〞；C答："A和B至少一個(gè)是說(shuō)謊者〞。試用歸結(jié)原理證明C是老實(shí)人，即C從不說(shuō)假話?！蔡崾荆憾x謂詞T〔x〕表示x說(shuō)真話。〕如果A說(shuō)真話，那么有；如果A說(shuō)假話，那么有；同理，有，，。(NO)結(jié)論的否認(rèn)為?！?分〕可得子句集為1〕，2〕，3〕，4〕，5〕，6〕?！?分〕顯然，子句3〕和5〕歸結(jié)，可得NIL。因而即證?！?分〕如果A說(shuō)的是假話，那么有：T(A)T(B)T(C)。同理，對(duì)B和C有：T(B)T(A)T(C)T(B)T(A)T(C)T(C)T(A)T(B)T(C)T(A)T(B)化為子句集S：〔1〕、T(A)T(B)〔2〕、T(A)T(C)〔3〕、T(A)T(B)T(C)〔４〕、T(B)T(C)〔５〕、T(A)T(B)T(C)五、〔8分〕設(shè)有如下一組推理規(guī)那么r1:IFE1THENE2(0.5)r2:IFE2ANDE3THENE4(0.8)r3:IFE4THENH(0.7)r4:IFE3ORE5THENH(0.9)且CF〔E1〕＝0.5，CF〔E3〕＝0.6，CF〔E5〕＝0.5，用可信度方法計(jì)算CF〔H〕，并畫出推理網(wǎng)絡(luò)。R1:CF(E2,E1)=0.5CF(E2)=0.5*0.5=0.25R2:CF(E4)=0.8*MIN(CF〔E2〕,CF(E3))=0.8*0.25=0.2CF(H)2=0.7*0.2=0.14R4:CF(H,MAX(E3,E5))=CF(H,0.6)=0.9CF(H)1=0.9*0.6=0.54CF(H)=CF(H1)+CF(H2)-*=六、〔10分〕用A*搜索算法求解八數(shù)碼難題，其初始狀態(tài)和目標(biāo)狀態(tài)分別如以下圖所示。〔1〕試確定求解該問題的A*算法的估價(jià)函數(shù)，給出相應(yīng)的搜索圖〔圖中需標(biāo)注各狀態(tài)的估價(jià)值〕，以及問題的最優(yōu)解。〔2〕說(shuō)明A*搜索算法與A搜索算法的區(qū)別。利用A搜索算法求解八數(shù)碼問題的搜索樹，其估價(jià)函數(shù)定義為：狀態(tài)的深度，每步為單位代價(jià)。：以"不在位〞的將牌數(shù)作為啟發(fā)信息的度量。：為狀態(tài)到目的狀態(tài)的最優(yōu)路徑的代價(jià)。：A搜索算法→A*搜索算法。七、(10分)設(shè)有模糊控制規(guī)那么："如果溫度低，那么將風(fēng)門開大〞。設(shè)溫度和風(fēng)門開度的論域?yàn)閧1,2,3,4,5}。"溫度低〞和"風(fēng)門大〞的模糊量可以表示為事實(shí)"溫度較低〞，可以表示為試用模糊推理確定風(fēng)門開度。要求：〔1〕確定模糊控制規(guī)那么的蘊(yùn)含關(guān)系R。〔2〕確定"溫度較高〞時(shí)"風(fēng)門開度〞的模糊量〔其中合成采用最大－最小合成法〕?！?〕給出〔2〕所得模糊量的Zadeh表示，并用加權(quán)平均判決法進(jìn)展模糊決策，給出"風(fēng)門開度〞的清晰量?！?〕R=[10.60.300]T。[000.20.61]=解：〔1〕——〔3分〕〔2〕確定"溫度較高〞時(shí)"風(fēng)門開度〞的模糊量〔其中合成采用最大－最小合成法〕。——〔3分〕〔3〕所得模糊量的Zadeh表示為，用加權(quán)平均判決法進(jìn)展模糊決策，那么"風(fēng)門開度〞的清晰量為——〔4分〕八、〔8分〕離散Hopfield神經(jīng)網(wǎng)絡(luò)的連接權(quán)值矩陣為各神經(jīng)元的閾值取為0。任意給定一個(gè)初始狀態(tài)V(0)={-1,-1,1}，請(qǐng)確定其所對(duì)應(yīng)的一個(gè)穩(wěn)定狀態(tài)。V2=f(W*v(0)t)=f(2/3-2/3)=f(0)=1;v(1)={-1,1,1}V1=f(-2/3+2/3)=f(0)=1;v(2)={1,1,1}V3=f(2/3–2/3)=f(0)=1;v(3)={}注意:是串行解一：假設(shè)離散Hopfield神經(jīng)網(wǎng)絡(luò)中個(gè)神經(jīng)元狀態(tài)的調(diào)整順序?yàn)?→1→3，那么，因而V(1)={-1,1,1}；，因而V(2)={-1,1,1}；，因而V(3)={-1,1,1}；——〔6分〕顯然，{-1,1,1}是V(0)所對(duì)應(yīng)的穩(wěn)定狀態(tài)?！?分〕或解二：假設(shè)與解一不同的神經(jīng)元狀態(tài)調(diào)整順序，得到另一穩(wěn)定狀態(tài){1,-1,1}。九、〔16分〕一個(gè)非線性函數(shù)：1〕假設(shè)用連續(xù)Hopfield神經(jīng)網(wǎng)絡(luò)〔CHNN〕求解其最小值，要求畫出CHNN的網(wǎng)絡(luò)構(gòu)造圖〔圖中需標(biāo)注各神經(jīng)元的輸入連接權(quán)和閾值〕，給出神經(jīng)元的輸出變換函數(shù)，以及求解上述問題的計(jì)算能量函數(shù)；〔6分〕令〔1分〕，神經(jīng)元的輸出變換函數(shù)可采用Sigmoid型函數(shù)，即，其中〔1分〕。求解上述問題的計(jì)算能量函數(shù)為〔1分〕2〕用遺傳算法〔GA〕GA

(

GeneticAlgorithm

)求解其最小值，假設(shè)采用二進(jìn)制編碼，試確定染色體的長(zhǎng)度，設(shè)計(jì)GA的適應(yīng)度函數(shù)，并說(shuō)明適應(yīng)度函數(shù)在GA中的作用；〔5分〕2〕由(1分)，可確定染色體的長(zhǎng)度為，即為10?！?分〕(保證精度到小數(shù)點(diǎn)后一位，故每個(gè)xi至少2.5/0.1=25個(gè)二進(jìn)制碼)GA的適應(yīng)度函數(shù)為，其中為的常數(shù)。〔1分〕適應(yīng)度函數(shù)在GA中的作用：用于評(píng)價(jià)種群中個(gè)體的好壞，它是算法演化過程的驅(qū)動(dòng)力，是進(jìn)展自然選擇的唯一依據(jù)?！?分〕分別給出CHNN和GA求解上述問題的主要求解步驟。〔5分〕用神經(jīng)網(wǎng)絡(luò)方法求解優(yōu)化問題的一般步驟：〔1〕將優(yōu)化問題的每一個(gè)可行解用換位矩陣表示。〔2〕將換位矩陣與由n個(gè)神經(jīng)元構(gòu)成的神經(jīng)網(wǎng)絡(luò)相對(duì)應(yīng)：每一個(gè)可行解的換位矩陣的各元素與相應(yīng)的神經(jīng)元穩(wěn)態(tài)輸出相對(duì)應(yīng)?！?〕構(gòu)造能量函數(shù)，使其最小值對(duì)應(yīng)于優(yōu)化問題的最優(yōu)解，并滿足約束條件?！?〕用罰函數(shù)法構(gòu)造目標(biāo)函數(shù)，與Hopfield神經(jīng)網(wǎng)絡(luò)的計(jì)算能量函數(shù)表達(dá)式相等，確定各連接權(quán)和偏置參數(shù)?！?〕給定網(wǎng)絡(luò)初始狀態(tài)和網(wǎng)絡(luò)參數(shù)等，使網(wǎng)絡(luò)按動(dòng)態(tài)方程運(yùn)行，直到穩(wěn)定狀態(tài)，并將它解釋為優(yōu)化問題的解。CHNN求解約束優(yōu)化問題的步驟〔2分〕〔1〕選擇適宜的問題表示方法，使CHNN的輸出與優(yōu)化問題的可行解彼此對(duì)應(yīng)；〔2〕用罰函數(shù)法寫出優(yōu)化問題的目標(biāo)函數(shù)；〔3〕令目標(biāo)函數(shù)和能量函數(shù)相等，確定CHNN的連接權(quán)和偏置電流，以及動(dòng)態(tài)方程；〔4〕給定CHNN的初始狀態(tài)和參數(shù)等，使CHNN按動(dòng)態(tài)方程運(yùn)行，直至到達(dá)穩(wěn)定狀態(tài)，并把它解釋為問題的解；GA求解約束優(yōu)化問題的步驟〔3分〕〔1〕確定表示問題解的編碼〔染色體/個(gè)體〕；〔2〕初始化種群；〔3〕計(jì)算每個(gè)個(gè)體的適應(yīng)值；〔4〕使用遺傳操作算子〔選擇、穿插、變異〕產(chǎn)生下一代種群；〔5〕假設(shè)不滿足終止條件那么轉(zhuǎn)〔3〕，否那么進(jìn)入下一步；〔6〕輸出種群中適應(yīng)值最優(yōu)的染色體作為問題的滿意解或最