智能问题的建模

智能算法及建模智能算法概述什么是智能算法？智能计算也有人称之为“软计算”,是人们受自然(生物界)规律的启迪,根据其原理,模仿求解问题的算法。利用仿生原理进行设计(包括设计算法),这就是智能计算的思想！智能算法概述智能算法一般用来解决最优化问题。最优化问题主要包括：求解一个函数中，使得函数值最小的自变量取值的函数优化问题；在一个解空间里面，寻找最优解，使目标函数值最小的组合优化问题典型的优化问题：

旅行商问题（TravelingSalesmanProblem，TSP）

加工调度问题（SchedulingProblem）

背包问题（KnapsackProblem）

装箱问题（BinPackingProblem）等智能算法概述神经网络算法“人工神经网络”(ARTIFICIALNEURALNETWORK，简称ANN)是在对人脑组织结构和

运行机制的认识理解基础之上模

拟其结构和智能行为的一种工程

系统。它的神经元结构，它的构成与作

用方式都是在模仿人脑，但是也

仅仅是粗糙的模仿，远没有达到

完美的地步。和冯·诺依曼机不同，神经网络计算非数字，

非精确，高度并行，并且有自学习功能。神经网络算法人工神经网络是由大量的神经元广泛互连而成的系统，它的这一结构特点决定着人工神经网络具有高速信息处理的能力。人工神经网络的知识存储容量很大。由于人工神经网络中神经元个数众多以及整个网络存储信息容量的巨大，

使得它具有很强的不确定性信息处理

能力。正是因为人工神经网络的结构特点和其信息存储的分布式特点，使得它相对于其它的判断识别系统，如：专家系统等，具有另一个显著的优点：健壮性。人工神经网络是一种非线性的处理单元。神经网络算法特点：神经网络算法分类：遗传算法遗传算法（GeneticAlgorithms）是基于生物进化理论的原理发展起来的一种广为应用的、高效的随机搜索与优化的方法。其主要特点是群体搜索策略和群体中个体之间的信息交换，搜索不依赖于梯度信息。近几年来，遗传算法主要在复杂优化问题求解和工业工程领域应用方面，取得了一些令人信服的结果，所以引起了很多人的关注。遗传算法遗传算法遗传算法遗传算法禁忌搜索算法禁忌搜索（TabuSearch或TabooSearch，简称TS）的思想最早由Glover(1986)提出，它是对局部领域搜索的一种扩展，是一种全局逐步寻优算法，是对人类智力过程的一种模拟。TS算法通过引入一个灵活的存储结构和相应的禁忌准则来避免迂回搜索，并通过藐视准则来赦免一些被禁忌的优良状态，进而保证多样化的有效探索以最终实现全局优化。迄今为止，TS算法在组合优化、生产调度、机器学习、电路设计和神经网络等领域取得了很大的成功，近年来又在函数全局优化方面得到较多的研究，并大有发展的趋势。禁忌搜索算法基本思想：考虑最优化问题，对于X中每一个解x，定义一个邻域N(x)，禁忌搜索算法首先确定一个初始可行解x然后从邻域移动中挑选一个能改进当前解x的移动，s(x)，再从新解x’开始，重复搜索如果邻域移动中只接受比当前解x好的解，搜索就可能陷入循环的危险禁忌表中存放刚刚进行过的(称为禁忌表长度)个邻域移动，在以后的T次循环内是禁止的，以避免回到原先的解，T次以后释放该移动当迭代内所发现的最好解无法改进或无法离开它时，则算法停止禁忌搜索算法禁忌搜索算法模拟退火算法模拟退火算法（SimulateAnnealArithmetic，SAA）是一种通用概率演算法，用来在一个大的搜寻空间内找寻命题的最优解。神经网络算法模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。模拟退火的原理也和金属退火的原理近似：将热力学的理论套用到统计学上，将搜寻空间内每一点想像成空气内的分子；分子的能量，就是它本身的动能；而搜寻空间内的每一点，也像空气分子一样带有“能量”，以表示该点对命题的合适程度。演算法先以搜寻空间内一个任意点作起始：每一步先选择一个“邻居”，然后再计算从现有位置到达“邻居”的概率。模拟退火算法是解决TSP问题（旅行商问题）的有效方法之一。神经网络算法神经网络算法智能算法的建模与应用除了以上介绍的以外，智能算法还有模糊算法，群集智能算法等。由于我们实验室对以上的智能算法涉及不多，所以下面结合我们实验室的研究方向，给出两个实例。模糊控制在科氏质量流量计中的应用基于磁场重构的脑磁源参数反解方法研究智能算法的建模与应用模糊控制在科氏质量流量计中的应用Ⅰ.研究背景:科氏流量计原理一次仪表：二次仪表：机械、振动系统测量、控制系统科氏流量计工作原理

质量流量与上下游相位差成正比！质量流量测量精度±0.1%×流量±零点漂移（液体）±0.35%×流量±零点漂移（液体）密度测量精度±0.0005克/立方厘米测量性能：1.很多研究表明，振幅稳定是科氏流量计精确计量的基础；3.当测量管内流体状况变化时，需相应调整驱动增益值，以更快地稳定测量管的振幅。现在普遍采用PID算法调节驱动增益；2.现在普遍采用正反馈驱动电路，即检测电磁铁信号乘以一个驱动增益后，输入到驱动电磁铁中；4.要实现最优的控制效果，就需要根据当前工况，试凑出一套较优化的P、I、D参数；Ⅰ.研究背景:模糊PID调节振幅的背景5.但是，现在实际的科氏流量计中所采用的PID算法，其P、I、D的各个参数，都是固定在二次仪表中的。无法根据工况的变化，在线整定控制参数；6.现在的固定参数的PID，面对变化的工况，会存在起振时间长、超调大、起振后不够稳定等问题；Ⅱ.模糊控制介绍:总体方案隶属度函数：精确值与模糊值之间的规则假设：精确值区间（-2~0）对应的模糊阶段为“差”精确值区间（-1~1）对应的模糊阶段为“中”精确值区间（0~2）对应的模糊阶段为“好”精确值：-2、-1、0、1、2等精确的数值模糊值：“差”、“中”、“好”三个模糊的阶段Ⅱ.模糊控制介绍:模糊化的过程假设：输入的精确值为-0.2，那么，该精确值经过模糊化以后得到的结果是什么呢？模糊化的过程：精确值向模糊值的转变

从上图可以看出，输入的精确值-0.2经过模糊化以后，“差”这个阶段的隶属度为25%，“中”这个阶段的隶属度为75%Ⅱ.模糊控制介绍:模糊化的过程模糊推理规则：规则一：If“服务差”，then“小费少”规则二：If“服务中”，then“小费中”规则三：If“服务好”，then“小费多”

根据“规则一”做出的推断：

根据“规则二”做出的推断：Ⅱ.模糊控制介绍:模糊推理的过程根据“重心法”解模糊化，得出小费应该给7.6元的结论。合并图形Ⅱ.模糊控制介绍:解模糊的过程增量式PIDⅢ.模糊控制在科氏流量计中的应用输入输出E当前幅值与设定幅值之间的差值ΔKp用以调节比例控制参数KpECE的变化率，对时间求导ΔKi用以调节积分控制参数KiΔKd用以调节微分控制参数Kd模糊规则的制定：误差变化情况结合PID各个参数的控制效果制定模糊规则1.E*EC>0时，误差正变大，如果此时E很大，则应调大Kp，提高动态特性，调小Ki，提高稳定性；如果此时E很小，则应调大Ki，调小Kp，以提高稳定性，防止出现超调2.E*EC<0时，误差正变小，如果此时E很大，则Kp应调中，Ki应调小，维持动态特性现状的同时，提高稳定性；如果此时E