安全生产智能化保障技术 第2版 课件 第二章 现代智能技术

第二章现代智能技术安全生产智能保障技术

主要内容2.1概述2.2遗传算法2.3神经网络2.4粒子群算法2.5蚁群算法2.6免疫算法2.7应用概述

人工智能的成就与生物有着密切的关系，不论是结构模拟的人工神经网络、功能模拟的模糊逻辑系统，还是着眼于生物进化微观机理和宏观行为的进化算法，都有仿生的痕迹。也正是由于模仿生物智能行为，借鉴其智能机理，许多解决复杂问题的新方法不断涌现，丰富了人工智能的研究领域。背景：生物进化基本循环图

依据生物进化论的“适者生存”规律而提出：遗传算法群体竞争变异种群婚配子群淘汰的群体遗传算法基本思想：

通过随机方式产生若干个所求解问题的编码，形成初始种群；通过适应度函数给每个个体一个数值评价，淘汰低适应度的个体，选择高适应度的个体参加遗传操作，经过遗传操作后的个体集合形成下一代新的种群。再对这个新种群进行下一轮的进化。遗传操作可使问题的解一代一代地优化，并逼近最优解。遗传算法构成要素：问题的每个有效解被称为一个“染色体”，对应于群体中的每个生物个体。染色体的具体形式是一个使用特定编码方式生成的编码串，其等位基因是由二值符号集{0,1}遗传算法通过比较适应值区分染色体的优劣，适应值越大的染色体越优秀。评估函数用来计算并确定染色体对应的适应值。遗传算法构成要素：选择算子按照一定的规则对群体的染色体进行选择，得到父代种群。一般情况下，越优秀的染色体被选中的次数越多。交叉算子作用于每两个成功交配的父代染色体，染色体交换各自的部分基因，产生两个子代染色体。子代染色体取代父代染色体进入新种群，而没有交配的染色体则直接进入新种群。变异算子使新种群进行小概率的变异。染色体发生变异的基因改变数值，得到新的染色体。经过变异的新种群替代原有群体进入下一次进化。遗传算法遗传算法实现：个体适应度评价：适应度函数是根据目标函数确定的用于区分群体中个体好坏的标准，总是非负的，希望它的值越大越好。比例选择算子：也叫做赌盘选择，指个体被选中并遗传到下一代群体中的概率与该个体的适应度大小成正比。

假设一个具有N

个扇区的轮盘，每个扇区对应群体中的一个染色体，扇区的大小与对应染色体的Pi值成正比。遗传算法遗传算法实现：单点交叉算子：在个体串中随机设定一个交叉点，实行交叉时，该点前或后的两个个体的部分结构进行互换，并生成两个新个体。基本位变异算子：对个体的每一个基因座，依变异概率指定其为变异点；对每一个指定的变异点，对其基因值做取反运算或用其他等位基因值来代替，从而产生出一个新的个体。遗传算法遗传算法实现：终止条件：当最优个体的适应度达到给定的阈值，或者最优个体的适应度和群体适应度不再上升时，或者迭代算次数达到预设的代数时，算法终止。在实际应用中，两种终止准则通常同时使用，满足其中一条准则时算法即终止。遗传算法遗传算法的特点遗传算法以决策变量的编码作为运算对象遗传算法直接以目标函数值作为搜索信息遗传算法同时使用多个搜索点的搜索信息，即对搜索空间中的多个解进行评估遗传算法不是采用确定性规则，而是采用概率的变迁规则来指导它的搜索方向。遗传算法遗传算法的应用函数优化组合优化总体方案设计反求工程可靠性分析生产调度问题神经网络神经网络概述神经网络是一种模拟动物神经网络行为特征，进行分布式并行信息处理的算法。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。神经网络神经网络概述构成：大量简单的基本元件——神经元相互连接工作原理：模拟生物的神经处理信息的方式功能：进行信息的并行处理和非线性转化特点：比较轻松地实现非线性映射过程具有大规模的计算能力神经网络神经网络概述神经网络的本质就是利用计算机语言模拟人类大脑做决定的过程做决定距离味道价格神经网络神经网络概述树突细胞核细胞体轴突突触神经末梢大脑可视作为1000多亿神经元组成的神经网络神经元的解剖图神经网络神经网络的结构神经元模型按一定规则将神经元连接成神经网络，并使网络中各神经元的连接权按一定规则变化。人工神经网络中的神经元常称为节点或处理单元，每个节点均具有相同的结构，其动作在时间和空间上均同步。神经网络神经网络的结构前馈网络单层前馈网络多层前馈网络神经网络神经网络的结构反馈网络神经网络神经网络的学习有导师学习——也称为有监督学习，这种学习模式采用的是纠错规则。无导师学习——无监督学习，学习过程中，需要不断地给网络提供动态输入信息，网络能根据特有的内部结构和学习规则，在输入信息流中发现任何可能存在的模式和规律灌输式学习——将网络设计成能记忆特别的例子，以后当给定有关该例子的输入信息时，例子便被回忆起来。神经网络神经网络的特点结构特点——信息处理的并行性、信息存储的分布性、信息处理单元的互联性、结构的可塑性。性能特点——高度的非线性、良好的容错性和计算的非精确性。能力特征——自学习、自组织与自适应性。神经生物类比性——神经网络的设计是由与人脑的类比引发的，人脑是一个容错的并行处理的实例，说明这种处理不仅在物理上是可实现的，而且是快速高效的。神经网络神经网络的应用自动控制——漏钢预报系统系统由时间序列神经网络和空间神经网络构成多级神经网络。时间序列神经网络用于识别温度的上升和下降模式，空间神经网络用于识别结晶器内温度移动的模式。当输出层的输出值超出预定阈值时输出漏钢预报。神经网络神经网络的应用智能检测以神经网络作为智能检测中的信息处理元件便于对多个传感器的相关信息（如温度、湿度、风向和风速等）进行复合、集成、融合、联想等数据融合处理，实现单一传感器所不具备的功能。汽车工程自动换挡、刹车自动控制水利工程水力发电过程辨识和控制、河川径流预测、河流水质分类、水资源规划、混凝土性能预估、拱坝优化设计、顶应力混凝土桩基等结构损伤诊断、砂土液化预测、岩体可爆破性分级及爆破效应预测、岩土类型识别、地下工程围岩分类、大坝等工程结构安全监测等许多实际问题中。鸟食鸟优化策略为两个动作的合成：（1）鸟群向距离食物最近的那只鸟的方向飞行（2）每只鸟向自身的最优方向飞行已知：（1）鸟的位置；（2）距离食物最近

的那只鸟求解：这群鸟在最短时间搜寻到这块食物的飞行策略模拟群鸟觅食过程：

粒子群算法鸟群：

假设一个区域，所有的鸟都不知道食物的位置，但是它们知道当前位置离食物的远近程度。粒子群算法

每个解看作一只鸟，称为“粒子(particle)”，所有的粒子都有一个适应值（离食物的远近程度），每个粒子都有一个速度决定它们的飞翔方向和距离，粒子们追随当前最优粒子在解空间中搜索。粒子群算法的生物学特征

粒子群算法算法流程

粒子群算法(1)属仿生算法：PSO主要模拟鸟类觅食；GA主借用生物进化的规律。(2)属全局优化方法：在解空间中都随机产生初始种群，因而算法在全局的

解空间中进行搜索，且将搜索重点集中在性能高的部分。(3)属随机搜索算法：PSO中个体认知项和社会认知项前都加有随机数；GA的遗传操作均属随机操作。(4)隐含并行性：搜索过程是从问题解的一个集合开始的，而不是从单个个

体开始，具有隐含并行搜索特性，从而减小了陷入局部极小的可能性。

由于这种并行性，易在并行计算机上实现，以提高算法性能和效率。(5)不受函数约束条件的限制，如连续性、可导性等。(6)对高维复杂问题，往往会遇到早熟收敛和收敛性能差的缺点，都无法保

证收敛到最优点。

遗传算法与粒子去算法共性粒子群算法(1)PSO没有交叉和变异，根据自己的速度来决定搜索。(2)PSO的信息共享机制与遗传算法不同。在遗传算法中，染色体(chromosomes)互相共享信息，所以整个种群的移动是比较均匀的向最优区域移动在PSO中,只有gbest给出信息给其他的粒子，这是单向的信息流动，整个搜索更新过程是跟随当前最优解的过程。(3)与遗传算法比较,在大多数的情况下，所有的粒子可能更快的收敛于最优解。(4)PSO算法相对于GA，对种群大小不十分敏感，即

种群数目下降时性能下降不是很明显。粒子群算法遗传算法与粒子去算法不同点概述蚁群算法蚁群算法的核心内容是蚂蚁在运动的过程中依靠一种外激素来同其他的个体进行交流、通讯。蚂蚁经过的地方都会留下一种特殊的激素，并且可以识别这种物质存在，感知该物质浓度的强弱，蚂蚁趋于向这种物质浓度高的路径前进。这种搜索过程可以用两个基本阶段来报述自身调整阶段——个体根据积累的信息不断调整自身结构和群体协作阶段——个体之间通过信息交流，以期产生性能更好的解基本原理蚁群算法在蚁群寻找食物时，它们总能找到一条从食物到巢穴之间的最优路径。这是因为蚂蚁在寻找路径时在它所经过的路径上释放出一种特殊的激素，并以此指导自己的运动方向。当它们碰到一个还没有走过的路时，就随机地挑选一条路径前行，与此同时释放出相应的激素，路径越长，相同时间经过的蚂蚁数越少，释放的激素浓度越低。当后来的蚂蚁再次碰到这个路口的时候，选择激素浓度较高路径概率就会相对较大，这样形成一个正反馈。最优路径上的激素浓越来越大，而其他的路径上激素浓度却会随着时间的流逝而消减。蚂蚁个体之间就是通过这种信息交流达到搜索食物的目的。基本原理蚁群算法所有蚂蚁遇到障碍物时按照等概率选择路径，并留下信息素随着时间的推移，较短路径的信息素浓度升高蚂蚁再次遇到障碍物时，会选择信息素浓度高的路径较短路径的信息素浓度继续升高，最终最优路径被选择出来算法流程蚁群算法算法特点蚁群算法蚁群算法是一种自组织的算法蚁群算法是一种本质上并行的算法蚁群算法是一种正反馈的算法蚁群算法是一种通用性随机方法蚁群算法具有较强的鲁棒性算法应用蚁群算法车辆路径问题（VehicleRoutingProblem，VRP）车间作业调度问题（Job-ShopSchedulingProblem，JSP）二次分配问题（Quadraticassignmentproblem,QAP）网络路由（NetworkRouting）其他……子集问题（SetProblem）ACO图像处理数据挖掘二维格模型蛋白质折叠问题最短公共超序列问题概述免疫算法

人工免疫算法将优化问题中待优化的问题对应免疫应答中的抗原，可行解对应抗体（B细胞），可行解质量对应免疫细胞与抗原的亲和度，如此则可以将优化问题的寻优过程与生物免疫系统识别抗原并实现抗体进化的过程对应起来。

将生物免疫应答中的进化链（抗体群→免疫选择→细胞克隆→高频变异→克隆抑制→产生新抗体→新抗体群）抽象为数学上的进化寻优过程，形成智能优化算法。概述免疫算法生物免疫系统概念人工免疫算法的概念抗原要解决的问题抗体（B细胞）最优候选解抗原识别确定问题类型从记忆细胞产生抗体联想过去成功解淋巴细胞分化优化解记忆细胞抑制剩余候选解的消除细胞克隆利用遗传算子产生新抗体免疫系统概念人工免疫算法概念抗原优化问题抗体（B细胞）优化问题的可行解亲和度可行解质量生物免疫系统概念与人工免疫算法概念对应得关系免疫算法分类免疫算法1、模仿免疫系统抗体与抗原识别，结合抗体产生过程而抽象出来的免疫算法2、基于免疫系统中的其他特殊机制抽象出的算法，例如克隆选择算法3、与遗传算法等其他计算智能融合产生的新算法，例如免疫遗传算法算法流程免疫算法算法特点免疫算法不依赖于问题本身的严格数学性质（如连续性和可导性等），不需要建立关于问题本身的精确数学描述或逻辑模型具有分布式、并行件、自学习、自适应、自组织、鲁棒性等优良特性具有噪声忍耐、无教师学习、自组织等进化学习机理具有潜在的并行性，并且易于并行化易于与其他智能计算方法相结合算法应用免疫算法柔性车间调度问题物流配送问题生产批量计划问题现代智能技术在油田安全中的应用1、基于遗传算法的地层压力实时监测

地层压力是油气安全钻井的一项重要基础参数。根据地层压力的变化，合理选择钻井液密度将有利于钻井安全及井身结构和套管柱的合理设计。遗传算法可以综合利用欠压实、流体膨胀和源异常引起的异常地层压力参数，利用钻井参数数据，实时地从钻速中分离出井底压力变化信息，实现地层压力的实时计算。根据钻井液密度和地层水的密度可计算出初始的井底压差。如果根据实钻数据提取得到的井底压差系数在异常压力层段比正常压力井段呈现出下降趋势，而且压力越高，下降越大，则可把地层压力信息从钻速中直接分离出来。再用遗传算法可计算得到机械钻速，机械钻速除以实测机械钻速可直接得到压力计算模型应用遗传算法预测地层压力不受压力形成因素和岩性限制，应用前景广阔。现代智能技术在油田安全中的应用2、基于神经网络的钻进过程安全监控专家系统

采用神经网络作为钻进过程安全监控与事故诊断智能系统知识获取的工具。若钻进过程能够获取的钻井参数有m个，则可以构造一个有m个输入节点的神经网络用于监控，钻进过程的运行状况可以通过这m个量反映出来，输出节点的输出量分别对应钻进过程中的n个事故类型