人工情感进化模型及其学习算法的研究

情感模型的建立可以使计算机具备基本的情感识别和表达能力,在和谐人机交互方面有着广泛的应用。文中对人类情感进行了分析,在此基础上提出了人工情感模型,为了更精确地表达人类情感模型的进化过程,提出改进的遗传算法对模型进行参数的估计,为了克服实数编码遗传算法进化过程易于停滞的缺点,结合个体以及种群的平均适应度两个方面的优点,提出了一种新的改进型交叉算子——启发式加权交叉算子。仿真试验结果表明该算法估计的情感模型符合人类情感的基本规律。     

自然进化策略的特征选择算法研究

特征选择是一种NP-难问题,旨在剔除数据集中不相关及冗余的特征来减少模型训练的时间,提高模型的精确度.因此,特征选择在机器学习、数据挖掘和模式识别等领域中是一种重要的数据预处理手段.提出一种新的基于自然进化策略的特征选择算法——MCC-NES.首先,算法采用了基于对角协方差矩阵建模并通过梯度信息自适应调整参数的自然进化策略;其次,为了使算法有效地处理特征选择问题,在初始化阶段引入了一种特征编码方式;之后,结合分类准确率和维度缩减给出了算法的适应度函数;此外,面对高维数据引入了合作协同进化的思想,将原问题分解为相对较小的子问题并分别对每个子问题独立求解,然后,通过所有子问题相互联系来优化原问题的解决方案;进一步引入分布式种群进化的概念,实现多个种群竞争进化来增加算法的探索能力,并设计了种群重启策略以防止种群陷入局部最优解.最后将提出的算法与几种传统的特征选择算法在一些UCI公共数据集上进行对比实验,实验结果显示:所提出的算法可以有效地完成特征选择问题,并且与经典特征选择算法相比有一定的竞争力,尤其是在处理高维数据时有着出色的表现.     

病毒进化的离散差分进化超声图像特征选择

选择具有识别作用的超声图像淋巴结区域特征对临床诊断具有重要价值。针对目前特征选择算法收敛速度慢和容易陷入局部极小值的问题,提出病毒协同进化的离散差分进化的颈部淋巴结超声图像特征选择算法。该算法主要利用病毒感染操作进行宿主个体的变异,在维持宿主个体多样性的同时保留最优的搜索信息,提高了算法的适应度函数值和进化速度。在临床颈部淋巴结超声图像中进行实验验证,分类精度达到98%,而算法平均收敛迭代次数仅为30次,表明本文所提算法是正确有效的。     

一种改进的遗传算法

介绍了遗传算法的起源以及基本概念。从模仿生物遗传进化的角度出发,在参考现有遗传算法的基础上设计一种可以随适应度变化而变化的遗传算法模型。现有的遗传算法往往计算度过于复杂,且容易过早收敛,不能得到精确解。通过该算法与标准遗传算法在选择的实验模型上比较,可以清楚地看到所改进的算法的优越性能。仿真表明,该模型不仅具有良好的实验效果,还有很高的进化效率,求得目标的成功性也高多了。     

进化算法的选择机制分析

一、引言进化算法(EA)是受自然进化所启发的搜索和优化技术,它包括:遗传算法(GA),进化规划(EP),进化策略(ES),和遗传编程(GP)。 GA是John Holland〔,]等人于1975年在美国密歇根大学应用自然选择过程来解决机器学习问题时提出的,它在于搜索有高的适应值的基因结构;ES在于搜索与适应值函     

族群进化算法的选择机制

针对改进族群进化算法(EGEA)中对族群模式的有效采样问题,提出以竞争指数为选择指标的常规选择、以族群为选择单位的常规选择以及基于竞争指数的模拟退火排序选择3种选择机制,并通过多维函数优化问题进行实验分析,结果表明3种选择机制都能够在一定程度上提高EGEA的搜索效率,且基于竞争指数的模拟退火排序选择算子的实现更简便,对EGEA综合性能的提高也更明显。     

人工萤火虫与差分进化混合优化算法

人工萤火虫优化算法在寻找函数全局最优值时存在着收敛速度慢、易陷入局部最优、收敛成功率和计算精度低等缺点,为此,文中将人工鱼群算法的觅食行为嵌入到人工萤火虫算法,并与差分进化算法融合,提出一种基于人工萤火虫与差分进化的混合优化算法.最后,通过4个典型测试函数和1个应用实例进行测试,结果表明所提出的混合算法收敛速度快,计算精度高,其整体逼近性能比基本人工萤火虫和差分进化算法更优.     

病毒进化理论人工蜂群算法研究

为了提高人工蜂群算法的搜索性能,引入了连续状态下的生物病毒机制和宿主与病毒基于感染操作等思想优化人工蜂群算法搜索机制。人工蜂群算法具有控制参数少、实现简单的优点,但是由于蜂群收敛采用局部搜索,使得算法易于早熟收敛或者陷入局部最优值。通过病毒进化对人工蜂群算法进化机制的分析,利用病毒的感染与进化,建立精英雇佣蜂对懒惰蜂引导,提高人工蜂群算法的搜索性能,加强群体的多样性,提高了局部搜索能力。仿真实验表明这种方法较常见的人工蜂群算法,有较明显收敛速度和搜索精度改进。     

基于量子进化算法的路由选择

网络中存在许多设计和优化问题,其中相当一部分属于NP类型。传统的解法由于计算复杂度过大而失效。为了降低计算机网络的时延和运营费用以改进网络性能,采用量子进化算法优化计算机网络中路由选择问题,深入研究了量子进化算法及其在路由选择优化问题中的应用,并对量子进化算法进行了改进,使之更适合这类问题的求解。仿真实验结果表明,同传统优化算法相比该方法对求解网络的路由选择具有很大优越性。研究结果不仅对各类网络的优化问题有一定的应用价值,而且也扩展了量子进化算法的应用范围。     

基于神经网络的进化机器人组合行为方法研究

为了克服传统机器人设计方法存在的局限性,提高机器人的自适应能力,采用神经网络方法实现了进化机器人避碰、趋近及其组合行为学习,首先,提出了新的机器人模拟环境和机器人模型,结合了采用神经网络实现进化学习系统的方法。其次,对具有进化学习机制的机器人基本行为和组合行为学习系统进行了仿真,并通过仿真证明了新模型不要求环境知识的完备性,机器人具有环境自适应学习能力,还具有结构简洁、易扩展等特点,最后,对仿真结果进行分析与讨论,并提出了进一步研究方向。     

基于人工生命行为选择的智能体决策的研究

人工生命行为选择是人工生命研究领域的重要问题之一,智能体作为人工生命体的一种形式,决策系统相当于是智能体的“大脑”。文章以足球机器人作为智能体的研究原型,分析了机器人足球决策系统的现状,根据仿人智能控制思想和人工生命行为选择模型,建立了基于人工生命的智能体决策系统,并借助机器人足球比赛这样一个标准任务平台,投入实际比赛中,证明结果是可行的和有效的。     

基于情绪的人工生命合作型行为选择机制

通过引入情绪到基于内在释放原理的Lorenz 液体压力行为机制,建立了基于情绪的行为选择机制．新机制解决了原机制的缺陷：异质相加和动机强度与其当前生存环境无关．根据经济学中主观价值与情绪心理学中情绪都具有评价功能的特性,并借鉴前景理论,建立了行为特征函数,以获得情绪的函数变化规律;利用情绪强度趋高和中等情绪使得行为实现效率更高原理,行为被分为3 类：情绪行为、理性行为、应付行为．在这些研究结果的基础上,建立了合作型情绪行为选择机制．在人工生命Swarm 平台上所进行的模拟实验验证了该机制的正确性．     

人工生命行为选择情绪机制研究进展

基于智能的行为选择机制(BSM)存在两个缺陷:不确定性环境下,不能实现自主行为选择,在相同环境条件下,缺乏行为反应的多样性.受情绪机制应用于情感计算与强化学习研究的启发,将其应用于行为选择机制研究,以解决上述问题.从而,提出三类情绪行为选择机制:情绪影响机制、情绪驱动机制、情绪涌现机制.但这些机制存在:未能将其所需涉及的基本因素进行涵盖,有系统性缺陷;各种选择机制体系结构和情绪计算模型彼此各异,没有继承性;基于设计思想,缺乏相关学科关于情绪行为理论的支撑.另外,研究方法上,也存在各行为机制之间、智能机制和情绪机制之间缺乏系统性分析和比较的问题.提出,要揭示情绪行为选择机制,应从认真挖掘动物行为学、心理学、经济学等领域有关情绪研究结果之间的内在一致性入手.同时,比较方法的使用,将是加速这一过程的有效手段.     

The Effect of Evolution in Artificial Life Learning Behavior

In this paper, we add learning behavior to artificial evolution simulation and evaluate the effect of learning behavior. Each individual establishes its own neural network with its genetic information. Also, we propose a reward function to take reinforcement learning in a complicated and dynamically-determined environment. When the individual-level learning behavior was introduced, evolution of each simulation model got faster and the effectiveness of evolution was significantly improved. But the direction of evolution did not depend on learning and it was possible to affect the forms of evolution through reinforcement learning. This provides the mechanism that can apply the artificial life technique to various fields.     

具有行为强化学习能力的人工生命进化模型设计

人工生命进化模型设计的关键问题是学习与进化之间的关系,在自主体生存期内的学习过程可以通过不同的遗传方式指导个体行为的进化。该文利用进化算法和人工神经网络的研究方法,设计了两种不同的人工生命自主体的进化模型,模型解决了先天的遗传进化和后天的个体神经系统强化学习的有机结合问题,并且得出结论认为,强化学习有助于自主体适应复杂的外部环境,同时学习也可以直接或间接地使该适应性成为自主体遗传基因上的固定成分。     

基于行为的人工生命情绪理论模型研究

基于智能的行为选择机制不能满足实现人工生命自主性行为选择的要求.根据情绪是行为活动的组织者的一般心理学理论,情绪就成为解决该问题的一个有效途径.但是,心理学情绪研究结果,尚不能满足实际研究的需要.通过理论分析和实验仿真方法对情绪物理属性,情绪与行为之间关系进行深入研究.通过情绪四维模型与阶跃响应的特征类比分析.获得描述情绪物理属性的阶跃模型,揭示负性情绪相对于正情绪具有反应时间短,存在"超调"特性.根据获得的情绪与行为之间因果关系,建立情绪三维模型,阐明情绪是对认知和行为结果感知的生命机制.通过引入情绪,解决液体压力模型存在的异质性和动机强度与当前环境状态无关两个问题,建立自主性情绪行为机制模型.通过设计人工生态系统进行仿真实验,证明了上述思想的正确性.     

Behavior Evolution of Multiple Mobile Agents under Solving a Continuous Pursuit Problem Using Artificial Life Concept

In engineering aspects, the goal of artificial life is to incarnate unique behaviors or phenomena of living creatures in nature into artifacts like computers. Artificial life can provide a useful methodology for multiple mobile agent learning which is full of autonomy and creativity. In this paper, a neural network is used for the behavior decision controller. The input of the neural network is decided by the existence of other agents and the distance to the other agents. The output determines the directions in which the agent moves. The connection weight values of this neural network are encoded as genes, and the fitness of individuals is determined using a genetic algorithm. Here, the fitness values imply how much group behaviors fit adequately to the goal. The validity of the system is verified through simulation. Moreover, in this paper, we could have observed the agents' emergent behaviors during simulation.     

基于群智能和人工生命的群体行为动画仿真

为了更好地提高智能鱼在复杂动画中的应用,在分析自然鱼的感知、认知、运动和行为系统的基础上,研究并实现了简单的智能鱼动画。首先建立了虚拟环境下智能鱼的视觉感知模型和认知模型以及听觉模型,然后通过微粒群算法确定智能鱼的运动轨迹,模拟智能鱼的自由游动、捕食和躲避危险几种行为动作,最后经动画仿真,智能鱼具有集群、躲避鲨鱼的攻击、绕障碍物游动和觅食行为。经过仿真之后的动画效果有所优化,因此将微粒群算法应用到群体行为动画仿真中有一定的现实意义。     

人工生命与广义人工生命

该文评述了C.Langton的“人工生命”学科定义、“人工生命”综合方法论和“人工生命”突现演化观。同时还评论了涂序彦的“广义人工生命”观、“广义人工生命”的应用前景及“广义人工生命”的综合与分析相结合方法论。     

Modeling and Simulating Morphological Evolution in an Artificial Life Environment

This paper presents a computer-based environment designed to study biological evolution considering morphological aspects. It was inspired oncellular automataandevolutionary algorithmprinciples. Simple rules are used to determine the genotype and phenotype of individuals and their relationships with behavioral aspects in a square matrix environment, where individuals can evolve. Two methods to simulate mutational errors and to introduce variability of mutations are discussed. A series of four simulations show that the model promotes phenotype evolution depending on the distribution of food over the environment; morphology evolved as to favor movement of the individuals towards the portion of the environment in which the food has been distributed or to capture falling food.