收藏本站
《中国人民解放军国防科学技术大学》 2002年
收藏 | 手机打开
二维码
手机客户端打开本文

进化决策的模型、关键技术与应用研究

荔建琦  
【摘要】: 决策是指判断、选择、决定等有目的地从多中选一的行为,人类社会实践时刻伴随着决策活动。决策在信息、控制、经济、能源、运输、制造、社会治理等诸多领域均有着广泛的应用,决策水平的高低对科学、工程及其他社会实践的成败、优劣起关键作用。富有成效的决策依赖于科学的决策方法。现代决策技术是集成系统建模、统计分析、优化理论与计算机科学等理论和方法的一门综合性应用学科。对决策技术的研究意义重大。 随着计算机和计算方法的广泛普及,越来越多的复杂计算和推理任务有赖计算机来完成。在信息处理、机器人控制、实验科学研究等领域中提出了智能决策的问题,即机器如何才能根据其所面临的任务,自主地做出行为决策以实现其目的。 几乎一切智能行为,都是通过决策实现的,因而智能决策问题是人类智能的核心问题。发展通用和专用智能决策技术,是人工智能研究面临的基本挑战之一。研究智能决策的动机,不仅在于代替人自动做出决策,更在于在一些复杂决策场景下借助智能技术来完成即使人类专家也难以有效做出的决策。 近年来,随着信息技术的发展普及,在智能控制、商务、金融、实验科学研究、信息服务等应用领域提出了一系列新的复杂智能决策问题,它们具有海量数据、包含随机因素、要求环境适应性、自动决策、实时决策、高可靠性等特点。这些问题,对传统智能决策技术的建模方法和求解手段提出了新的要求。智能决策技术面临前所未有的挑战和机遇。 进化计算是一种借鉴生物进化机制求解优化类问题的新型广谱问题求解范型,在机器学习等领域有着广泛的应用。尽管已经取得了大量的成功,但其应用潜力特别是求解复杂应用问题的潜力远未得到充分释放。智能决策通常通过设计满足目标要求的可计算的决策规则实现,对待求解的决策问题,如果能够设计出普遍适用的可计算的决策规则模式,则原决策问题就归结为寻找最佳决策规则参数的优化问题,因而可以用进化计算求解。 本文提出进化决策(Evolutionary Decision Making)概念。进化决策定义为:结合作为机器学习方法的进化计算和传统决策分析技术,求解智能决策问题的理论、方法和应用的总称。进化决策主要利用了进化算法与形式化计算模型相结合所具备的自动建模能力,它具有隐式因果模型、自学习、弱知识依赖、应用广泛、稳健性、自适应和群体搜索等优势。 追根溯源,进化决策的基本思想正是利用大自然的决策机制(自然选择)来解决客观世界所提出的决策问题,而自然进化又是已知的能力最强的问题求解范型。因此,进化决策未来的发展和应用前景十分广阔。 应用进化决策技术求解智能决策问题提出了两个基本问题:一是如何针对问题特点设计可计算并适于机器学习的智能决策规则模型;二是如何为进化决策中提出的复杂优化问题设计有效且高效的进化优化算法。这是进化决策应用和发展所面临的最主要挑战,也由 国防科学技术大学研究生院学位论文 此构成本文工作选题的主要依据。 本文论述了提出进化决策方法的主要依据,阐明其基本方法和基本研究内容。针对智 能决策领域当前面临的问题,以及进化计算理论和应用所带来的启示,本文工作的目标是, 面向智能决策应用问题带来的挑战,以典型智能决策应用问题求解为牵引,发展通用型进 化决策模型以及相关的关键性支撑技术、理论和具体应用模型。 主要内容可以概括为两个模型、三个层面:基于多元单调函数逼近的多目标进化决策 模型(EDMMFA)和基于候选方案排序的进化决策模型(EDMBCR),以及每种模型的一 般求解方法、关键性支撑技术和应用。此外,还包括一些其他相关工作。 主要内容概括如下。 一、基于多元单调函数逼近的多目标进化决策方法EDMMFA的模型、关键技术和应 用。 多元单调函数在多目标决策中有着重要应用,而完备可靠的多元单调函数逼近模型至 少在机器学习领域尚未见到报道。针对多元单调连续函数的特点,提出结合采样函数和样 条函数特点的Ml函数,证明其多元单调逼近的完备性和可靠性。借助采样函数的有界变 差性质,将Ml函数模型推广应用于一般连续函数逼近,证明其一致逼近的完备性。Ml逼 近模型的优点在于,逼近函数具有线形和模块化的结构,结构复杂度仅随目标函数的维数 增长成线性增长等。设计进化逼近算法,通过实验证实了其在机器学习应用中的有效性。 发现多元单调连续函数的可近似降维分解性质,据此,分别提出单调和一般多元函数 的梯田逼近法。证明前者单调一致逼近的可靠性和完备性,以及后者通用一致逼近的完备 性。该模型的优点在于,逼近函数可以处处任意光滑,从而可以改善机器学习结果的推广 能力。通过进化逼近实验,证实了其在机器学习应用中的有效性。针对复杂形态函数的进 化逼近易陷入局部极小的问题,提出基于Ml函数“素描”的二次逼近法和基于采样误差 权值适应性机制的动态适应值策略,使进化逼近解的精度有明显改善。 与广泛流行的人工神经网络等通用函数逼近模型不同,上述两类模型均具备可靠的单 调逼近能力,该性质为当前已有的同类逼近
【学位授予单位】:

知网文化
【相似文献】
中国期刊全文数据库 前20条
1 魏国辉;孔英;李庆玲;;反向传播网络与径向基网络函数逼近的仿真比较[J];济宁医学院学报;2011年03期
2 樊振宇;;BP神经网络模型与学习算法[J];软件导刊;2011年07期
3 黄旭兰;白艳萍;李烁;黄浩森;;数据似合分析[J];太原师范学院学报(自然科学版);2011年02期
4 张彬彬;;基于Matlab改进BP神经网络算法[J];办公自动化;2011年14期
5 吴从兵;;径向基函数网络在激光诱导荧光水体分析中的应用研究[J];池州学院学报;2011年03期
6 陶永;王洪涛;张辉宜;沈晖;;插值算法在网络流量监控中的应用[J];计算机与网络;2010年17期
7 姚应水;叶明全;;RBF神经网络与logistic回归模型的对比研究[J];中国卫生统计;2011年04期
8 ;[J];;年期
9 ;[J];;年期
10 ;[J];;年期
11 ;[J];;年期
12 ;[J];;年期
13 ;[J];;年期
14 ;[J];;年期
15 ;[J];;年期
16 ;[J];;年期
17 ;[J];;年期
18 ;[J];;年期
19 ;[J];;年期
20 ;[J];;年期
中国重要会议论文全文数据库 前10条
1 于秀丽;沈雪勤;;RBF神经网络的一种新的学习算法[A];第六届全国计算机应用联合学术会议论文集[C];2002年
2 项海林;张殿治;;用小波网络进行非线性逼近[A];图像 仿真 信息技术——第二届联合学术会议论文集[C];2002年
3 吴涛;贺汉根;;基于最小二乘法的学习控制算法[A];2000中国控制与决策学术年会论文集[C];2000年
4 石明华;陈有安;;基于多元隶属函数的模糊系统是通用逼近器[A];2001中国控制与决策学术年会论文集[C];2001年
5 顾幸生;蒋慰孙;;m-PMCP逼近理论及其在分布参数系统控制中的应用(Ⅰ)——m-PMCP逼近理论[A];1994中国控制与决策学术年会论文集[C];1994年
6 郝继红;吕强;许耀铭;梁利华;;基于神经网络的模型参考自学习控制[A];1994中国控制与决策学术年会论文集[C];1994年
7 张毅;高衿畅;;基于sinc函数神经网络的函数逼近[A];1998中国控制与决策学术年会论文集[C];1998年
8 郭艳兵;齐占庆;王振臣;;径向基函数(RBF)神经网络及其应用研究[A];2002中国控制与决策学术年会论文集[C];2002年
9 丛爽;戴谊;;递归神经网络逼近性能的研究[A];'2006系统仿真技术及其应用学术交流会论文集[C];2006年
10 白焰;柴天佑;;一种新的二阶神经元网络模型及其学习算法[A];1997中国控制与决策学术年会论文集[C];1997年
中国博士学位论文全文数据库 前10条
1 荔建琦;进化决策的模型、关键技术与应用研究[D];中国人民解放军国防科学技术大学;2002年
2 王锐;复杂场景建模与绘制中的逼近问题研究[D];浙江大学;2007年
3 涂文戈;建筑结构静力弹塑性分析方法及其减震控制[D];湖南大学;2003年
4 沈艳;神经网络理论研究及在舰船运动预报中的应用[D];哈尔滨工程大学;2005年
5 石刚;基于Bezier函数的移动节点单元法原理及应用[D];清华大学;2002年
6 韩飞;基于先验信息编码的约束学习算法研究[D];中国科学技术大学;2006年
7 罗强;生物系统建模中的网络重构方法[D];国防科学技术大学;2010年
8 周永权;泛函网络理论及其学习算法研究[D];西安电子科技大学;2006年
9 廖科;分数阶微积分运算数字滤波器设计与电路实现及其应用[D];四川大学;2006年
10 马利敏;径向基函数逼近中的若干理论、方法及其应用[D];复旦大学;2009年
中国硕士学位论文全文数据库 前10条
1 李亚楠;高维小波函数逼近[D];北方工业大学;2012年
2 段永柱;回归SDM模型及其在函数逼近和识别中的应用研究[D];南京航空航天大学;2002年
3 李盼池;过程神经网络模型及学习算法研究[D];大庆石油学院;2004年
4 邢关生;基于强化学习算法的电梯动态调度策略的研究[D];天津大学;2005年
5 刘晓莉;微波非线性散射函数理论分析和基于BP神经网络大信号建模技术的研究[D];西安电子科技大学;2008年
6 张辉;一种新的径向基神经网络随机敏感性定义及应用[D];河北大学;2006年
7 李胜;基于小波神经网络的非线性函数逼近[D];四川大学;2003年
8 刘霞;复杂非线性系统的小波神经网络建模及其应用[D];大庆石油学院;2005年
9 韩涵;基于神经网络的智能型母线保护技术的研究[D];西华大学;2007年
10 金丽婷;小波神经网络的优化及其应用研究[D];江南大学;2008年
中国知网广告投放
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978