時間：2023-02-04 21:30:32
開篇：寫作不僅是一種記錄，更是一種創造，它讓我們能夠捕捉那些稍縱即逝的靈感，將它們永久地定格在紙上。下面是小編精心整理的12篇遺傳算法論文，希望這些內容能成為您創作過程中的良師益友，陪伴您不斷探索和進步。
影響抄板落料特性的主要因素有:抄板的幾何尺寸a和b、圓筒半徑R、圓筒的轉速n、抄板安裝角β以及折彎抄板間的夾角θ等［4，9］。在不同的參數a、β、θ下，抄板的安裝會出現如圖1所示的情況。圖1描述了不同參數組合下抄板的落料特性橫截面示意圖。其中，圖1(a)與圖1(b)、圖1(c)、圖1(d)的區別在于其安裝角為鈍角。當安裝角不為鈍角且OB與OC的夾角σ不小于OD與OC夾角ψ時(即σ≥ψ)，會出現圖1(b)所示的安裝情況;當σ＜ψ時，又會出現圖1(c)與圖1(d)所示的情況，而兩者區別在于，η+θ是否超過180°，若不超過，則為圖1(c)情況，反之則為圖1(d)情況。其中，點A為抄板上物料表面與筒壁的接觸點或為物料表面與抄板橫向長度b邊的交點;點B為抄板的頂點;點C為抄板折彎點;點D為抄板邊與筒壁的交點;點E為OB連線與圓筒內壁面的交點;點F為OC連線與圓筒內壁面的交點。
1．1動力學休止角(γ)［4，10］抄板上的物料表面在初始狀態時保持穩定，直到物料表面與水平面的夾角大于物料的休止角(最大穩定角)時才發生落料情況。隨著轉筒的轉動，抄板上物料的坡度會一直發生改變。當物料的坡度大于最大穩定角時，物料開始掉落。此時，由于物料的下落，物料表面重新達到最大穩定角開始停止掉落。然而，抄板一直隨著轉筒轉動，使得抄板內物料的坡度一直發生改變，物料坡度又超過最大休止角。這個過程一直持續到抄板轉動到一定位置(即抄板位置處于最大落料角δL時)，此時抄板內的物料落空。通常，在計算抄板持有量時，會采用動力學休止角來作為物料發生掉落的依據，即抄板內的物料坡度超過γ時，物料開始掉落。該角主要與抄板在滾筒中的位置δ、動摩擦因數μ和弗勞德數Fr等有關。
1．2抄板持有量的計算
隨著抄板的轉動，一般可以將落料過程劃分為3部分(R－1，R－2，R－3)，如圖1(a)所示。在轉動過程中，當抄板轉角δ超過動力學休止角γ時，落料過程從R－1區域轉變到R－2區域，在這兩個區域內，物料不僅受到抄板的作用還受到滾筒壁面的作用。當物料表面上的A點與D點重合時，從R－2區域轉變到R－3區域，在該區域內，物料僅受抄板作用［4］。然而，抄板情況為圖1(c)、圖1(d)時只會經歷R－1、R－3區域。因為在運轉過程中，抄板上物料的A點與D點重合時抄板的轉角不會超過動力學休止角γ，所以不會經歷R－2區域;但是，當物料的休止角足夠小時，由于物料表面只會與抄板接觸(即A點不會超出D點)，圖1(c)、圖1(d)的抄板落料過程只會經歷R－3區域。以下根據不同的區域建立了不同組合下抄板持料量的數學模型。
2研究結果與分析
2．1最大落料角結果分析
通過MatLab編制以上推導公式的計算程序，模擬計算了120種不同組合(β、θ、a不同)下抄板的最大落料角。其中，物料動摩擦因數為0．53［8］，轉筒干燥機半徑為300mm，且其抄板安裝角為10°、30°、50°、70°、90°、110°，抄板間夾角為90°、110°、130°、150°，抄板縱向長度a為30、45、60、75、90mm，橫向長度b為60mm。并且，根據Kelly和O＇Donnell通過驗證得出的公式(1)只適用于Fr小于0．4的情況［4］，此次模擬的轉筒干燥機角速度為0．84rad/s。表1給出了模擬結果中較為典型的數據。從模擬結果中可以得出，當a、θ不變時，δL隨著安裝角β的增大而增大;當a、β不變時，δL隨著θ的增大而減小。當抄板情況如圖1(a)、(b)、(c)時，且β、θ不變時，抄板最大落料角隨著長度a的增大而增大;而圖1(d)情況則反之，并且會出現最大落料角小于0°的情況，這是由于抄板無法抄起物料所導致的結果。另外，在圖1(d)情況下，抄板的最大落料角非常小，這會使得干燥器的效率很低。因此，在探討抄板優化問題上，不考慮圖1(d)這種情況下的抄板。
2．2優化目標與結果分析
水平直徑上均勻撒料雖好，但是物料應與熱氣均勻接觸，如果在路徑長的地方撒料多些，就可以使熱效率高些。又因為圓筒中心熱氣量比邊緣多以及在圓筒下半部分超出干燥圓的區域存在物料，所以落料均勻度考慮為物料在干燥圓橫截面積上撒料均勻。評判干燥圓橫截面積上落料均勻的具體方法如下:把干燥圓橫截面積劃分20個等分，以水平直徑為X軸，鉛垂直徑為Y軸，圓心O為原點，采用定積分方法求解每個劃分點的x坐標，每個劃分點的鉛垂線與干燥圓壁面(上半部分)有一個交點，連接圓心與每個點，可以得出每條連線與X軸的夾角δi(i=1～21，步長為1，δ1為0°)，如圖2所示。在合理的設計下，不僅希望落料過程中抄板在干燥圓面積上撒料越均勻越好，δL也應越接近180°越好。因此，優化函數為最大落料角和抄板在干燥圓而積上落料的均方差。并且，根據國內外實際情況，抄板的安裝角一般為90°并且抄板間夾角一般不為銳角，由于機構的限制和不考慮圖1(d)的情況，在研究抄板優化問題時只探討安裝角在70°～110°、抄板夾角在90°～130°以及抄板縱向長度在30～90mm之間的情況。其余參數同上。采用了線性加權和法來求解此多目標優化結果。其中，f1為1/δL的最優化值，f2為q的最優化值;均方差q=(1n∑ni=1(qi－qa)2)12，每相鄰角度落料面積差qi=A(δi)－A(δi+1)，qa為面積差的平均值。當δL≤δi+1－δi2，n=i;反之則n=i+1，且δi+1=δL。s1、s2為權重系數，由于干燥器的效率主要與抄板的撒料均勻有關，但是如果落料角很小、撒料很均勻，干燥器效率也不高，綜合考慮下，取s1、s2分別為0．4、0．6。通過編寫MatLab程序，確定優化函數，然后采用MatLab遺傳算法工具箱進行計算，設置相關參數:最大代數為51，種群規模為20，交叉概率為0．2，選擇概率為0．5。運行算法并顯示結果，β、θ、a較優結果分別為:1．844rad、1．571rad、51．609mm。
3結論
關鍵詞:量子遺傳算法;多目標分配;最優化
中圖分類號:TP18 文獻標識碼:A 文章編號:1674-7712 (2012) 12-0176-01
一、引言
遺傳算法不同于傳統尋優算法的特點在于:遺傳算法在尋優過程中,僅需要得到適應度函數的值作為尋優的依據;同時使用概率性的變換規則,而不是確定性的變換規則;遺傳算法適應度函數的計算相對于尋優過程是獨立的;算法面對的是參數的編碼集合,而并非參數集合本身,通用性強。它尤其適用于處理傳統優化算法難于解決的復雜和非線性問題。[1]
目前,GA已經在很多領域得到成功應用,但隨著問題規模的不斷擴大和搜索空間的更加復雜,GA在求解很多具體問題時往往并不能表現出其優越性。于是,近年來便出現了遺傳算法與其它理論相結合的實踐,其中遺傳算法與量子理論的結合是一個嶄新的、極富前景和創意的嘗試。
量子遺傳算法QGA是量子計算特性與遺傳算法相結合的產物。基于量子比特的疊加性和相干性,在遺傳算法中借鑒量子比特的概念,引入了量子比特染色體。由于量子比特染色體能夠表征疊加態,比傳統GA具有更好的種群多樣性,同時QGA也會具有更好的收斂性,因此在求解優化問題時,QGA在收斂速度、尋優能力方面比GA都將有較大的提高。QGA的出現結合了量子計算和遺傳算法各自的優勢,具有很高的理論價值和發展潛力。
本論文提出用量子遺傳算法處理和解決多目標分配問題,為多目標問題的解決提供一種新的思路。
二、量子遺傳算法
在傳統計算機中,信息存儲是以二進制來表示,不是“0”就是“1”態,但是在量子計算機中,充當信息存儲單元的物質是一個雙態量子系統,稱為量子比特(qubit),量子比特與比特不同之就在于它可以同時處在兩個量子態的疊加態,量子進化算法建立在量子的態矢量表述基礎上,將量子比幾率幅表示應用于染色體的編碼,使得一條染色體可以表示個態的疊加,并利用量子旋轉門更新染色體,從而使個體進達到優化目標的目的。
一個 位的量子位染色體就是一個量子位串,其表示如下:
其中 。在多目標優化中,一個量子染色體代表一個決策向量,在量子態中一個 位的量子染色體可以表達 個態,采用這種編碼方式使得一個染色體可以同時表達多個態的疊加,使得量子進化算法比傳統遺傳算法擁有更好的多樣性特征。
為了實現個體的進化,經典進化算法中通過染色體的交叉、變異操作推進種群的演化,而對量子進化算法而言,量子染色體的調整主要是通過量子旋轉門實現的,算法流程如下:
(1)進化代數初始化: ;
(2)初始化種群 ,生成并評價 ;
(3)保存 中的最優解 ;
(4) ;
(5)由 生成 ;
(6)個體交叉、變異等操作,生成新的 (此步可省評價);
(7)評價 ,得到當前代的最優解 ;
(8)比較 與 得到量子概率門 ,保存最優解于 ;
(9)停機條件 當滿足停機條件時,輸出當前最優個體,算法結束,否則繼續;
(10)以 更新 ,轉到4)。
三、基于量子遺傳算法的多目標分配應用
如今為了滿足市場的需要,很多工廠的生產種類多、生產量大,從而設置了不同的生產車間,根據產品的性質分配生產車間合理與否直接影響工廠的經濟收益,這同樣可采用遺傳算法的目標分配方法進行分配。
模型構建:設工廠有i個生產車間。 為在第i個車間生產第j種產品的收益, 為第j種產品的需求量;如果第j種產品被選中,則 為在第i個車間生產該產品的總收益。由題意知為求解 最大問題。
仿真實例:設有10個生產車間,要生產15種產品,用Matlab程序編程,設定40個粒子,迭代200次,代溝0.9。運行結果如下:
此圖表明經200次迭代后的目標分配方案為:第1種產品由第3個車間生產,以此類推,車間5生產第2種產品,車間8生產第3種產品,……。次方案對應的車間總收益值為2.7030e+003,成功進行了多目標分配問題的解決。
四、結論
基于量子遺傳算法的多目標分配,為多目標分配突破傳統尋優模式找到了一個可行的解決方法。根據這種方法實驗,仿真結果可以看出,基本符合要求,并且能夠在一定的時間內得到最優的分配方案,因此,本文在探索多目標分配問題上找到了一種新的解決思路。
參考文獻:
[1]吉根林.遺傳算法研究綜述[J].計算機應用與軟件,2004,21(2):69-73
[2]肖曉偉,肖迪.多目標優化問題的研究概述[J].計算機應用研究,2011,3,28(3):805-808
[3]原銀忠,韓傳久.用遺傳算法實現防空導彈體系的目標分配[J].火力與指揮控制,2008,3,33(3):80-83
[關鍵詞] 配送 車輛路徑問題 時間窗 遺傳算法
隨著經濟全球化趨勢的加強，科學技術尤其是信息技術的發展突飛猛進，產品營銷范圍日趨擴大，社會生產、物資流通、商品交易及其管理方式正在發生著深刻的變革，與此相適應，被普遍認為企業在降低物資消耗、提高勞動生產率以外的“第三利潤源”的現代物流在世界范圍內廣泛興起，目前正在成為全球經濟發展的一個重要熱點和新的經濟增長點。隨著傳統批發、交通運輸、倉儲業向現代物流轉化，尤其是配送方式的采用，對運輸成本和時間的有效控制日漸成為城市配送車輛路徑問題的一項重要目標。VRP一直以來都是車輛調度所重點研究的方向。而在城市內采取的配送方式恰恰具備了VRP問題的一般特征和優化調度條件。
一、VRP模型的條件及假設
VRP問題是指按要求用多個車輛從配送中心對顧客進行配給貨物。各顧客點的位置和需求量為己知，各車輛的裝載質量己知，力求尋找一個好的配送方案，使得總代價最小(車輛盡量少，行車總距離盡量短，總費用盡量低等)，由VRP的定義不難看出，必須滿足以下條件及假設：
1.僅考慮位置已知的單一配送中心，所有的配送車輛以配送中心為起點，并最終回到配送中心。
2.每條配送路徑上各需求點的需求量之和不超過車輛的裝載質量，被配送貨物是可混裝的貨物。
3.每條配送路徑的長度不超過車輛一次允許行駛的最大距離，配送中心有足夠的資源以供配送，并且有足夠的運輸能力。
4.各個客戶需求和所在地均已知，每個需求點的需求由且僅由一輛車一次送貨滿足。
5.滿足總時間約束與時間窗口。必須在時間區間[ei,lj]訪問點i客戶，并允許在i處等待，車輛服務的總時間不能超過物流中心的時間約束。
6.多個客戶之間存在優先關系，必須在訪問客戶j之前訪問客戶i。
二、帶時間窗VRP模型的建立
基于文獻一文中的模型，并考慮配送系統是一個服務系統，所提供的服務必須能夠讓客戶方便、滿意。配送系統的運作成本必須和配送系統其他性能參數綜合進行考評，單純對成本進行評價是沒有任何實際意義的。需要關注和努力的是：要在保證配送滿足客戶要求、提升客戶滿意度的同時，通過各種技術和管理手段，降低運作成本。因此，本文將建立改進的運輸路徑模型，在傳統的車輛配送成本最小化目標的基礎上，兼顧客戶對配送時間的要求，使車輛等待和延誤時間之和最小化。
（1）
（2）
式中K――車隊規模，即總的車輛數目；
k――車輛數目(k=1,2,……,K)；
N――有待訪問的總的客戶的數目；
O――配送中心；
Q――每輛車輛的容量，這里假設所有車輛同質，容量均為Q;
i,j――顧客數(i=1,2,……,N；j=1,2,……,N)；
T――個很大的數字；
C――每輛車單位運距的運費；
t0――車輛從配送中心出發的時間；
e0――車輛可離開配送中心的最早時間；
ei――到達客戶i處規定最早到達時間；
l0――車輛返回配送中心的最晚時間；
li――到達客戶i處規定最晚到達時間；
dij――從客戶i到客戶j的距離；
pj――每個客戶單位卸貨量的卸載費用；
mi――客戶i的貨運需求量；
tki、tkj――第k輛車到達客戶i、j處的時間；
tij――連接客戶i和客戶j的行駛時間；
si――客戶i處的服務時間；
wi――在客戶i的等待時間，wi≥0。
兩個決策變量如下：
這個模型通用性很強，經過參數的不同設定，可以轉換為其它組合優化問題的數學模型。
三、帶時間窗VRP模型的遺傳算法求解
在模型的處理上，根據本文提出的模型單位標量不統一的特殊性來選擇權重系數變化法，將變化后的多目標函數經分析和試驗得出各個子目標函數的數量級大小并確定權重，最后加權化為單目標函數用遺傳算法求解。
1.懲罰函數的引入。在以往的對含有時間窗約束的車輛配送系統的研究中，所研究的成本大多僅包含行駛成本，但事實上，還包括其它成本(如裝卸搬運成本)，將時間窗約束轉化為懲罰函數而體現在模型中。
式中c1――車輛在任務點處等待單位時間的機會成本。
c2――車輛在要求時間之后到達單位時間所處以的懲罰值(c1和c2的大小，要根據實際情況來定)。
2.建立適度度函數。根據遺傳算法中適應度函數的特點，需要將原目標函數式變化為：
(4)
(5)
式中A*，B* ――變化后的目標函數值，取值范圍為[0，1)；
Amax,Bmax――分別是原始目標函數。
適應度函數因此變化為：f(A,B)=α×A*+β×B*(6)
經過分析和實驗發現，A*，B*經過處理后，A*的數量級一般是10-2，B＊的數量級一般是10-1。
3.用遺傳算法求解帶時間窗VRP模型。本文取α＝0.8,β＝0.2，用遺傳算法進行求解。在運用遺傳算法求解后，驗證了該算法易于理解，對問題的依賴性較小，對其求解的函數要求簡單，實現起來簡單高效，若參數選擇的合理，收斂速度很快，但是遺傳參數的控制對于算法的收斂速度影響很大，在參數選擇方面有一定難度。雖然文中使用的是根據以往學者經驗選定的參數，但計算表明最優解所在“代”數的穩定性不是很好，這也是以后需要進一步研究的地方。
四、結論
在傳統的車輛配送成本最小化為目標的基礎上，兼顧客戶對配送時間的要求，建立了帶時間窗的車輛路徑優化多目標模型。在對模型的處理上，將兩個量綱不統一的子目標函數除以各子目標函數的最大值后使其變成無量綱的函數，并通過權重系數變化法將各個子目標函數線性加權和作為多目標優化問題的適應度函數，使得多目標優化問題轉化為單目標優化問題后再用遺傳算法求解。
參考文獻:
[1]王 惠:引入顧客滿意度求解車輛優化調度問題.大連海事大學碩士論文,2006:1～13
[2]盛麗俊:帶有時間窗的車輛路徑問題的優化研究.大連海事大學碩士論文,2002:13～57
[3]牟燕妮:物流配送中路徑優化的選擇研究.沈陽工業大學碩士論文,2006:28～41
關鍵詞：遺傳算法；運籌學；應用
中圖分類號：F27 文獻標識碼：A
收錄日期：2011年10月28日
一、遺傳算法簡介
遺傳算法（GAS）是由美國密執根大學的Holland等人創立的。與其他啟發式方法順序搜索解空間的工作方式不同，遺傳算法采用解的種群作為工作單元，使用模仿生物進化的適者生存原則指導搜索并改進目標。種群由代表個體的定長字符串組成，每個個體表示解空間的一個點，每個解的質量，通過依賴于問題目標函數的適應值函數來進行評估。搜索過程通過進化來進行，每代中的個體以正比于它的適應值的概率遺傳到下一代。它使用3個基本算子：選擇、交叉和變異。選擇是指個體以其適應值比例復制到池中；交叉是池中的兩個個體進行，組合形成一個（或幾個）新個體，復制和交叉將好的特性進行遺傳；變異則是發生在少數字符串某基因位上的基因的突變，它使搜索過程能夠有機會從搜索到的局部最優解逃出。
解決一個實際問題的遺傳算法通常包括下列兩個決策步驟：（1）將求解問題模型化為符合遺傳算法的框架。可行解空間的定義，適應值函數的表現形式，解的字符串表達式方式；（2）遺傳算法參數的設計。種群規模，復制、交叉、變異的概率選擇，進化最大代數，終止準則設定等。
二、遺傳算法的基本特點
（一）結構特點。遺傳算法是以適應值提供的啟發式信息進行搜索的，與其他啟發式（模擬退火、爬山法、神經網絡等）方法相比，在結構和工作過程方面的特點見表1。（表1）
（二）實驗性能方面的特點
1、高效性。遺傳算法具有大范圍全局搜索的特點，與問題領域無關，前期工作量比較少。
2、健壯性。遺傳算法的搜索是用種群作為基本單元，采用三個不同作用的基本算子進行搜索的，解的結果隨時間增加而趨于穩定，不受初始解的影響，而且不因實例的不同而蛻變。
3、通用性和靈活性。遺傳算法可用于多種優化搜索問題，解題程序可以通用，針對不同的實例，適當調整算子參數，就可以使算法執行獲得最佳的解結果和占用CPU機時的關系。
三、遺傳算法在解決經典運籌問題中的應用
（一）旅行商問題（TSP）。旅行商問題自誕生以來，頗受數學家推崇，今天的旅行商問題已遠遠超過其本身的含義，成為一種衡量算法優劣的標準。旅行商問題是采用非標準編碼遺傳算法求解最成功的一例，基因編碼用推銷員順序經歷的城市名表示，求最佳路線即是改變編碼次序而求最低適應值的問題。對類似字符串使用標準交叉，產生的后代可能有重復或丟失的元素，因而成為非可行解。為克服這種困難，人們提出許多非標準的交叉和變異方法：交叉主要采用重排序方法――部分匹配重排序，順序交叉和循環交叉等；變異主要采用位點、反轉、對換、插入等方法，使旅行商問題得以有效地解決。值得一提的是，清華大學張雷博士提出的自適應多點交叉算子，能夠保證多點交叉后路徑的可行性，加快了搜索速度。
（二）作業調度問題。作業調度問題同樣是自然變更次序的問題，可以用基于變更次序的遺傳算法進行處理。（表2）
（三）背包問題。一維、二維和三維背包問題在商業和工業領域有著廣泛的應用，基于遺傳算法的求解方法很多。傳統求解采用啟發式規則，決定下一步該裝哪一塊和裝在哪里，此時變更次序的編碼與啟發式安置策略是利用遺傳算法解決這類問題的最為出色的方法，Lin使用一系列的懲罰項指導其搜索策略，測定單個個體的適應值。
Bortfeldt使用一個層次背包問題，個體用它們的層次代表，當兩個親代被選擇交叉時，它們的層次混在一起，從中選擇最好的作為子代的第一層，再從余下的組件中選擇最好的作為第二層，以此類推，直至產生所有的層次。
陳國良等設計了一種“與/或”交叉方法，使子代繼承雙親的同型基因，對雜型基因采用不同支配方式，這種策略為遺傳算法的硬件實現創造了良好的條件。
（四）時刻表排定問題。Corne對Edinburgh大學7日內的28個時間期間安排40門課的考試問題作了處理，尋找一個可行的時間排定表，使每個學生參加的考試在時間上能夠錯開，時刻表用字符串代表，字符串每個位置代表一門課，該位置的值代表考試的時間，用均勻交叉和標準變異操作求解。
這類問題擴展到基于二維的矩陣代表的逼近問題，Colorini使用行代表教師列代表可用的小時數的矩陣，每個單元的值為教師在此時承擔的任務，包括教室和其他一些資源配置，教師的任務是事先給定的，故行都是可行的，列代表的時間安排可能會發生沖突，將此沖突用懲罰函數表示在適應值函數中，而且采用修復算子在評價之前盡量將結論調整回可行區域內，該算法用Milan學校的實際數據進行了檢驗。
除此之外，遺傳算法在運輸問題、指派問題、分割問題及網絡計劃優化問題等方面都獲得了非常成功的應用，這些問題被認為是NP類問題，其規模隨變量的增加呈指數增長，遺傳算法在這些問題的求解中，充分體現了其操作性能方面的優勢。
四、應用和推廣中存在的問題
在上述問題中，遺傳算法求解展示了優良的性能，但遺傳算法并未像其他啟發式方法那樣容易地被OR學者廣泛接受而用于大量的實際問題中，究其原因，主要有以下幾點：
（一）傳播方式的障礙。遺傳算法最初的工作是以密執根大學嚴謹的研究小組作為研究項目和學術討論中心，當研究成員擴大時，這類討論會演變為機構的學術會議（美國現有5個，歐洲有3個，我國目前還沒有），許多研究者聚于此而遠離問題導向，有關的會議論文公開出版數量很少，而且，由于歷史原因，研究者常常將他們的研究結果選擇在有關人工智能的雜志上發表，導致了應用遺傳算法的信息很緩慢地擴散到其他不同技術應用領域的工作者中，這與模擬退火等其他啟發式方法快速在運籌學會議及雜志上發表相反。由于缺乏交流導致了兩方面的問題：一是許多關于遺傳算法的論文不能與從其他方法得到的結論進行質量的比較，二是削弱了許多遺傳算法多的潛在使用者用遺傳算法與其他方法競爭的信心。
（二）術語的隔膜。初始跨入遺傳算法領域的使用者常常感到起步非常艱難，遺傳算法依賴于遺傳學的術語也像模擬退火的術語來自于統計熱力學一樣。然而，溫度、冷卻等可能很快賦予新的意義，但遺傳算法中的基因位、染色體、遺傳型卻難以很快被人理解和接受；另外，許多發表的研究偏重于用某些專門函數檢驗他們的新思路或新設想，這對于全面理解該技術固然是一件好事，但對于一個面對如此豐富復雜材料的初用者會發現，他將不知從何做起。即使一個非常愿意使用遺傳算法的人，也要有足夠的決心去克服上述障礙。
（三）方法的局限性。對于具有強約束的優化問題，采用懲罰函數逼近常常達不到預想的結果。Radcliffe評論說：“約束通常被認為是遺傳算法面臨的最大問題”因為懲罰因子選擇不當時，會招致錯誤結論。目前，求解帶約束優化問題的啟發式遺傳方法已經有了一些，但是，它們多數與問題領域相關，在這方面還缺少普遍適用的方法的系統研究。
（四）編碼的困難。不是所有問題解空間中的點都能明顯地用編碼表示，作為OR研究者，常常從問題結構取得利益，用矩陣、樹、網絡或其他更適用的方法建立表達式；串表達中的建筑塊假說建議適用較少的字符，導致人們對二進制編碼的偏愛，但二進制編碼具有一定的映射誤差（實際計算時，我們是把問題作為整數規劃），特別是它不能直接反映出所求問題本身結構特征，因此很難滿足生成有意義的積木塊編碼原則；再者，二進制字符的長度隨問題發生明顯變化，當問題復雜時會因為編碼太長而無法進行正常工作。
以上的種種阻力，在一定程度上減緩了遺傳算法在運籌學實際問題中的推廣和應用。
主要參考文獻：
[1]陳國良等.遺傳算法及其應用.北京：人民郵電出版社，1996.6.
關鍵詞：電網規劃；地理信息系統（GIS）；遺傳算法；現代啟發式方法
0 引言
電網規劃是電力系統規劃的重要環節[1]，電網規劃方案的優劣直接影響到電網的建設費用以及運行費用。傳統的規劃很難對地理實體進行數據采集，規劃模型往往也忽略地表因素（障礙物等）的影響，所以精度較低，規劃結果往往不具備實用性和可操作性，此外傳統的規劃很難實現可視化，缺乏直觀性。結合GIS 平臺，對電網規劃問題進行優化，既可以方便的把地貌因素運用到電網規劃中，又使規劃結果直觀可視，從而大大提高了結果的科學性和實用性。
1 基于GIS平臺電網規劃的特點
在電網規劃中引入GIS系統有如下特點：
（1）電網規劃要求大量詳細的地理信息，如變電站位置、變壓器位置等。借用GIS平臺可以使規劃區域的整個電網直觀地顯示在屏幕上，規劃人員能夠方便地確定待選變電站和待選線路路徑。
（2）把GIS引入電網規劃中，用戶可以考慮許多實際的約束條件，如地理位置、街道等的互連關系、街區布局等等，而且由于空間數據模型的引入，這些約束條件對用戶是透明的，可以直接從地圖上獲得，建模工作將得到簡化。
（3）結合GIS的電網提供了從文-圖和從圖-文的雙向查詢，不但能通過系統開發的查詢工具對任意點取圖上目標進行所見即所得的查詢，而且可以對電網圖層空間的每一層設置其顯示范圍、是否可視等屬性[2]～[4]。
2、基于GIS平臺的電網規劃方法
電網規劃分為經典方法和現代啟發式方法，傳統的經典方法能夠得到解析解，在理論上能使得規劃結果相對最優，但對問題的規模、約束條件的數量、問題的組合度比較敏感，容易陷入“維數災”而難以在合理時間內求得結果。近幾年出現的基于生物學、人工智能的現代啟發式算法具有直觀、靈活、計算速度快、不受限于問題規模等特點，不僅遵循配網規劃常用規則，而且便于規劃人員應用過去的經驗，在配網規劃中能很快得到近似最優解。由于現代啟發式方法優勢明顯，所以傳統的經典方法已經很少使用。
2.1 Tabu 搜索算法
Tabu 搜索方法是一種亞啟發式隨機搜索算法，它從一個初始可行解X0（為n維向量）出發，選擇一系列的特定搜索方向（移動）作為試探，從當前解的鄰域N（X）中隨機產生一系列試驗解X1，X2，… XK選擇其中最好的解X*作為當前解，即令Xcurrent=X*，重復迭代，直到滿足一定的終止準則。
文獻[5]運用Tabu 搜索算法，在GIS平臺上對網架模型進行優化。目標函數是年費用最小，年費用為線路的新建投資年費用、維護年費用和運行、折舊年費用，約束條件包含配網輻射限制、負荷需求限制和線路潮流限制三個方面。該文以備選網絡的生成樹作為Tabu搜索的初始解，使得輻射性的約束自然滿足，Tabu 搜索算法中采用“交換移動”進一步判斷輻射性，Tabu表是先進先出的管理模式。Tabu 搜索結果可以在GIS界面中形象的觀察到。
2.2 遺傳算法（GA）
遺傳算法是目前比較成熟的一種啟發式算法，遺傳算法類似于自然進化，通過作用與染色體上的基因尋找好的染色體來求解問題[6]。
文獻[7]結合GA 和GIS 提出了一種新的電網規劃模型，該模型目標函數中包含線路各種設備投資、維護、運行費用和用戶停電損失費用。約束條件為輸送功率、電流允許范圍、最小電壓降以及網絡的輻射性。通過根節點融合法來保證網絡的輻射性，并考慮到了中間節點和分支點，形成真正可行的網絡接線方案，從而使該方法可以考慮各種復雜的網絡結構，更適用于電網GIS規劃。GA 算子過程采用Elitism 算法：每次構造子代種群時，都從父代種群中選擇一定的最優個體直接作為子代個體，在隨機選擇時，適應度高的以一定比例選中，經試驗證明變異率為0.02時遺傳算法的性能較好。該文最后對一個算例進行投資總額分析，分析表明考慮可靠性價值可以節省資本，減少配網的投資金額。但該文僅解決了單條饋線優化規劃，沒有考慮線路之間的接線模式的影響。
2.3電源追蹤算法
所謂電源追蹤就是在選中桿塔或者桿塔上設備時， 搜索給該設備供電的變電站。
文獻[8]將網絡拓撲技術與電網GIS的開發相結合， 為電力企業的設備管理及輔助決策提供了圖形化的管理工具， 提高了電力企業的工作效率。它提出電源追蹤算法，該算法即使在網絡拓撲關聯屬性字段的數據不全時， 也能快速、準確的定位電源點， 提高了電網電源追蹤模塊的實用性， 更好地滿足了實際工程的應用需要。具體算法原理和過程如下：當拓撲信息數據不全時， 算法轉為執行基于啟發式搜索的拓撲分析追蹤。它不需要借助拓撲關聯屬性字段的值， 而是通過地理信息系統軟件提供的拓撲分析函數就可建立起整個電網絡， 并通過這個網絡進行搜索， 從而選擇出設備到其供電電源的最優路徑。
3 結論
1、每種算法都有自己的優點，但任何一種算法都有自己的不足。各種算法雖然在理論上能較好的滿足規劃要求，但還很難便捷的應用到實際中。
2、盡管基于GIS的電網規劃方法的研究已取得很多成果，但至今還沒有比較完善的電網規劃軟件能夠方便地應用到實際規劃工作中。因此，研究開發相對完善實用的電網規劃軟件和基于GIS的電網規劃軟件將是電網規劃研究工作者們今后工作中的首要任務。
參考文獻
[1]趙帥虎，吳健，陳丁劍.基于GIS 配電網自動化分布式協同建模技術的研究[J]. 微型電腦應用.Vol.27，No.1，2011.1：6
[2]王金鳳.基于GIS的配電網優化規劃研究.碩士學位論文[D].鄭州大學，2002.4
[3] 張志波.基于GIS技術的縣級配電網架優化規劃軟件[D].碩士學位論文.河北農業大學，2008.6
[4]張林峰.基于地理信息系統的智能城市電網規劃.碩士學位論文[D].華北電力大學，2006.12
[5]楊麗徙，王金鳳，陳根永.基于GIS 和Tabu 搜索的配電網優化規劃[J].鄭州大學學報（公學版）.VOL 23，No.3，2002.9：75-77
[6]劉娜.基于遺傳算法的農村配電網檢修計劃方法的研究[D].沈陽農業大學，2005.10
[7]王春生，趙凱，彭建春.基于地理信息系統和遺傳算法的配電網優化規劃[J].電力系統自動化.2000.7.48-51
[7]趙強，楊柳.基于啟發式搜索的配電網GIS拓撲分析[J]. 計算機應用與軟件.Vol.25，No.9，2008.9：181-183
[8]陳珊. WebGIS中最短路徑算法及其應用的研究[D]. 上海： 華東師范大學， 2005.
【關鍵詞】云計算；DAG圖；遺傳；蟻群；任務；融合
本文提出一種基于DAG模型的優先級表的依賴任務調度算法。以時間觸發調度，采用重復調度。當每次調度事件發生時，包含那些上一次調度事件中已經被調度但還沒有開始執行或被迫中斷的任務, 還有新到達的任務，。這與云計算中資源的動態性是相應的。
在算法實現方面，我們考慮將遺傳算法和蟻群算法相結合，利用遺傳算法進行前期訓練然后利用蟻群算法進一步進行搜索收斂，最終得到最優調度方案。結合云計算任務調度的特點，本文選取遺傳算法和蟻群算法的參數設置，將問題轉換到云計算任務調度問題上來，提出融合遺傳算法[1]和蟻群算法[2][3]的云計算任務調度算法。
一、問題提出
每個子任務用圓圈表示，圈中T表示任務號，Q表示計算量，而DAG圖中的箭頭表示子任務之間的優先關系，C(i,j)表示任務Ti與Tj之間的通信量。圖1所示，箭頭從前驅指向后繼，前驅是后繼的必要，只有在某個任務的所有前驅都完成時，該任務才被執行。在任務調度過程中重復調度，當每次調度事件發生時，任務組中既包含新到達的任務，。這與云計算中資源的動態性相適應的。算法使用更新的資源信息對任務進行調度，這與動態的云計算環境是相適應的。
Fig.1 DAG task graph
圖1 任務DAG圖
由各種任務分配方案需要進行優化。如圖2任務劃分后的一種方案。
Fig.2 Sub-task resource allocation plan
圖2 子任務資源分配圖
設有m個計算結點所組成的云計算系統P={P1,P2,…,Pm}，每個結點Pj處理能力為d。需要運行m個子任務T={t1,t2,…,tm}，一般地。將任務調度問題描述成如下五元組∑=(T,,Q,C,X,w)。其中：“”是T中子任務間的優先關系；Q是一個維的矩陣，其元素qij表示子任務ti在處理機Pj上的執行時間；C是一個維通信矩陣，cij表示子任務ti與tj之間的通信時間；X是一個維的任務分配矩陣，其中Xij=1,表示ti分配到處理機Pj上執行，否則Xij=0；w表示通信和執行之間的差異。
二、算法實現
利用遺傳算法進行前期的訓練。得到的信息素作為蟻群算法的初始值，最終得到最優或次優調度方案。
(1)設置遺傳算法參數；(2)假定遺傳算法結束條件；
(3)生成初始種群P（0），g=0； (4)計算P(0)中的個體適應值；
(5)反復執行，直到滿足結束條件；
①根據個體適應值及選擇策略確定P(g)內選擇概率；
②進行PC交叉操作；
③ 進行Pm變異操作；
④計算P(g+1)中個體的適應值，g=g+1；
(6)P(G)從中選擇適應能力強的個體，放入集合中，作為優化集合；
(7)對于集合中的每個優化解，將遺傳算法求解結果轉換為蟻群算法中的信息素值；
(8)設置蟻群算法控制參數；(9)設置蟻群算法結束條件；
(10)將m只螞蟻散布到n個計算結點上；
(11)對螞蟻的分配結果計算目標函數，選取當前的最佳解；
(12)更新計算結點的信息素值；
(13)若滿足蟻群算法結束條件，退出；否則，返回執行步驟(10)。
三、總結
在云計算環境里調度計算是影響云計算能否成功的最重要的因素之一。由于資源在廣域上分布，本質上異構，相異的存取和花費模式、負載和可用性動態變化，因此云計算環境下的任務管理十分復雜。在云計算系統中，如何協調和分配任務，這就是調度需要解決的問題。本文在廣泛閱讀國內外相關文獻后，歸納云計算和任務調度方面的研究成果，提出基于DAG以及融合遺傳算法和蟻群算法的動態云計算任務調度算法。
通過實驗結果分析比較可以看出，本文提出的算法在運行性能上具有一定的優勢，充分驗證了算法的合理性和有效性。當然，在仿真環境的限制下，可能實驗結果有細微的差別，但我們相信本文提出的算法不失為合理而有效的算法。
參考文獻：
[1]Annie S W, Han Y et al.An incremental genetic algorithm approach to multiprocessor scheduling[J],2004,15(9):824-834
[2] Dorigo M,Gambardella L M.Ant colony system: A cooperative learning approach to the traveling salesman problem,IEEE Trans. Evolutionary Computation[J],1997,1(1):53-66
[3] HUI YAN，XUE-QIN SHEN et al. AN IMPROVED ANT ALGORITHM FOR JOBSCHEDULING IN GRID COMPUTING.IEEE Proceeding of the Fourth International Conference on Machine Learning and Cybernetics[C], Guangzhou, August 2005:2957-2961
[4] Foster I,Kesselman C,Tuccke. The Anatomy of the Grid：Enabling Scalable Virtual Organizations[J].International Joural of Supercomputer Application，2001；15(3):200-222
[5]I Foster,C Kesselman.Grid Services for Distributed System Integration[J].Computer,2002,35(6):37-46
[6] 孫玉濤,網格計算環境中的動態任務調度算法研究,云南師范大學碩士論文.2007
關鍵詞：排課；NP；多約束條件；遺傳算法
中圖分類號：TP311文獻標識碼：A文章編號：1009-3044(2008)27-1958-02
Research on the Algorithms of the Course Scheduling System for College under the Multi-constrained Conditions
CHEN Xing-gang, MENG Xiang-jing, LI Jing, SONG Jian
(Electronic Science and Information Technology Institute, Guizhou University, Guiyang 550025 China)
Abstract：College course arrangement is a typical combinatorial optimization and NP-hard problem. As the current College Enrollment Expansion and consolidation trend, increasing the size of colleges and universities, the growing tension school resources, for teachers and students during school hours, school locations and other issues on the arrangements being bound by the conditions of a growing number of reality, This paper will adopt strategies to be one of the course arrangement of resources and constraints analysis, and then focus on the course arrangement commonly used in genetic algorithm.
Key words：course scheduling; NP; multi-constrained conditions; GA
排課是高校教學管理中的一項重要而且難度和復雜度都極高的基本工作。特別是近年來，隨著我國高校的擴招和合并，學校的教學資源（如教室、實驗室、語音室等）愈顯緊張；同時，在學分制的制度下，課程的類別越分越多，有公共必修課、公共選修課、專業基礎課、專業必修課、專業選修課等等；再者，上課的教師也會有一些特殊情況需要考慮。這樣一來，排課人員在排課時倍感棘手，以至于開學后因排課問題還會影響到教學的正常進行。
目前，國內的許多高校都引進了不同智能化程度的排課軟件，然而，其應用的效果都有些不盡如人意，雖然耗費了教務處工作人員大量的時間和精力，但遺留下的問題還是很多。
下面我們基于人工排課的宏觀指導思想，列出約束限制條件，采用遺傳算法，進行多輪次掃描計算，以改變目前的排課系統沖突多、調整應變能力弱，排課時間長的問題，從而求得合理性解。
1 排課時所受的約束限制條件
高校排課問題，它要求將課程、教師、班級安排在一個有限的時間和空間當中去，要求避免沖突且盡量滿足一些其它條件，這實際上是五個相互制約的因素的組合優化問題。1975年，美國S.Even等人證明了高校排課問題也是一個NP(Non-deterministic Polynomial)難問題，即多項式復雜程度的非確定性問題，即找不到多項式時間求解算法。具體到高校排課系統的算法上，五個相互制約的因素它們所受到的約束限制條件有：
1) 不能在同一時間給同一位教師安排多個班級課程(合班除外) 或同時講授多門課程。
2) 不能在同一時間給同一個教室安排多個班級上課(合班除外) 或多位教師授課。
3) 不能在同一時間給同一個班級安排多門課程或同時在不同的教室上課。
4) 不能在安排教室時使教室容納人數小于上課學生人數。
5) 對于需要特殊場所的課程, 如體育課、實驗課、語音教室等, 應安排相應地點或實驗室上課。
以上是高校排課時必須滿足的條件, 否則無法進行正常教學。在能夠進行正常教學的情況下我們還應考慮到教學效果，學生學習效率， 教師、學生的便利等其他因素，因此，還要考慮一些盡量去實現的約束條件，這包括：
1) 一門課程的幾次課在一周之內應間隔排列。
2) 上課人數盡量接近教室容量。
3) 排課時可注意文科類課程和理科類課程交叉安排,避免使學生產生倦怠感, 有利于提高學習效率。
4) 體育課最好不要安排在一天中的第1-2節, 并且在體育課后最好不要再安排其它課程, 保證教學效果。
5) 同一班級連續兩次講課之間更換教室盡可能少；同一課程的不同講次盡量不換教室。
6) 不要在一天中給教師或學生安排太多課程, 最好不要連續上課超過 6 節, 有利于提高教學效果和學習效率。
2 排課問題描述
在排課問題中，我們的基本任務是將班級、教室、課程、教師安排在一周內且不發生時間沖突[2]。據此，對這五個相互制約的因素我們給出如下的描述：
學校有R間教室，C個班，S門課程，T位教師，P個時間段。
1) 教室集合R（R1,R2,…,Rr），每間教室分別可容納（X1,X2,…,Xy）人；
2) 班級集合C（C1,C2,…,Cc），每個班級分別有（K1,K2,…,Kc）人，其中有x個班級上合班課；
3) 課程集合S（S1,S2,…,Ss），每門課對應Ci個班，1位教師，（1≤Ci
4) 教師集合T（T1,T2,…,Tt），每位教師對應Sm門課，Cc個班，（1≤Sm
5) 時間集合P(P1，P2，…，Pp)，假設一周上五天課，每天分為五個教學單元，每個單元為2個課時，即上午2個，下午2個,晚上1個，則時間集合包含25個時間段。如11代表周一第一個教學單元，即周一1、2節，12代表周一第二個教學單元，即周一3、4節，以此類推，這些時間段構成一個時間集合P(11,12,13,…,55)。
3 算法研究
從20世紀50年代以來，國際上就有人著手研究應用計算機進行排課的問題。國外的研究表明，解決大規模的排課問題單純依靠數學方法是行不通的，進入20世紀90年代以后，國外對排課問題的研究仍然十分活躍。國外目前較多采用著色算法、數學方法、模擬退火技術、禁忌算法、局部優化算法和遺傳算法等。
3.1 遺傳算法
遺傳算法(Genetic Algorithm，GA)是一種有效的解決最優化問題的方法或計算模型。遺傳算法的研究歷史比較短，它出現在20世紀六、七十年代，主要是由美國Michigan大學教授John Holland與其同事、學生們通過對生物進化過程進行模擬，研究形成的一個較完整的理論和一種全新的概率優化方法。John Holland提出這一算法的最初目的是研究自然系統的自適應行為，并用于設計具有自適應功能的軟件系統。隨后經過20余年的發展，計算智能化己經作為人工智能研究的一個重要方向，以及后來的人工生命研究興起,使遺傳算法受到廣泛的關注。目前，遺傳算法作為具有系統優化、適應和學習的高性能計算和建模方法的研究漸趨成熟。
GA算法具有下述特點：
1) GA是對問題參數的編碼組進行進貨，而不是直接對參數本身。
2) GA的搜索是從問題解的編碼組開始搜索，而不是從單個解開始。
3) GA使用目標函數值（適應度）這一信息進行搜索，而不需導數等其他信息。
4) GA算法使用的選擇、交叉、變異這三個算子都是隨機操作，而不是確定規則。
3.2 算法描述
利用遺傳算法解最優化問題，首先應對可行域中的點進行編碼（一般采用二進制編碼），然后在可行域中隨機挑選一些編碼組作為進化起點的第一代編碼組，并計算每個解的目標函數值，也就是編碼的適應度。接著就像自然界中一樣，利用選擇機制從編碼組中隨機挑選編碼作為繁殖過程前的編碼樣本。選擇機制應保證適應度較高的解能夠保留較多的樣本；而適應度較低的解則保留較少的樣本，甚至被淘汰。在接下去的繁殖過程中，遺傳算法提供了交叉和變異兩種算子對挑選后的樣本進行交換。交叉算子交換隨機挑選的兩個編碼的某些位，變異算子則直接對一個編碼中的隨機挑選的某一位進行反轉。這樣通過選擇和繁殖就產生了下一代編碼組。重復上述選擇和繁殖過程，直到結束條件得到滿足為止。進化過程最后一代中的最優解就是用遺傳算法解最優化問題時所得到的最終結果。
用遺傳算法解決組合優化問題的一般流程用數學語言描述如下:
1) 將待解決問題的相關參數進行編碼；
2) 隨機地初始化種群X(0)=(xl,x2,...,xm)，其中m為群體規模；
3) 對當前代種群X(t)中的每個個體xi計算其適應度值f(xi)，適應度值的大小體現了該個體性能的優劣；
4) 應用選擇算子產生中間代X(t)；
5) 對X(t)應用雜交、變異算子，產生新一代的種群X(t+l)。雜交和變異算子的目的在于擴展有限個體的覆蓋面，體現全局搜索的思想；
f.進化到下一代，代計數器t加1。如果滿足終止條件，則執行下一步7),否則轉步驟3)；
g.輸出近似最優解。
相應的執行框圖如圖1所示。
參考文獻：
[1] 朱莉娟,李冬.計算機排課問題中幾種算法的探討[J].新鄉教育學院學報.2007,(9).
[2] 唐勇,唐雪飛,王玲.基于遺傳算法的排課系統[J].計算機應用.2002，(1):93-94,97.
[3] 沈麗容,陳明磊.基于遺傳算法的高校排課系統研究[J].計算機與信息技術,2006,(11).
[4] 石菁,李洪波.排課算法比較[J].福建電腦.2007,(8).
〔關鍵詞〕知識圖譜；專家系統；發展軌跡
DOI：10．3969／j．issn．1008－0821．2012．02．040
〔中圖分類號〕G250.71 〔文獻標識碼〕A 〔文章編號〕1008－0821（2012）02－0159－08
Knowledge-based Expert System Development Overview MapLiao Yi
（Political Department，National University of Defense Technology，Changsha 410073，China）
〔Abstract〕Artificial intelligence expert system is the most important and most active areas of an application,which implements the artificial intelligence research from theory to practice,turning from the general reasoning strategies of a major breakthrough in the use of expertise.This chronological order,the expert system into the 1980s before the 1980s,1990s,2000,after four stages.Articles using bibliometric methods,analysis of the expert system development process,development and trends,pointing out that the current phase is the development of expert systems,expert systems into a variety of commercial operation,need to address the knowledge acquisition bottleneck,matching conflicts and other issues for expert systems to understand and master the subject structure,evolution,development and so provide an unique perspective and knowledge.
〔Key words〕knowledge maps;expert systems;the development trajectory
專家系統作為人工智能的一個重要分支，發展已經超過50年，在很多應用領域都獲得了廣泛使用，取得了豐碩成果。本文運用文獻計量這一獨特視角對專家系統進行了再回顧和再分析，將智能科技劃分為初創期、成長期、低谷期、發展期，利用詞頻分析、共引分析、作者共現分析等方法揭示專家系統的學科結構、影響程度、關鍵節點與時間點等重要而獨特的知識，為了解和掌握專家系統的發展與演化過程提供了獨特視角。
1 數據來源
SCI（Science Citation Index）是美國科學情報研究所ISI（Institute for Science Information）出版的期刊文獻檢索工具，所收錄的文獻覆蓋了全世界最重要和最有影響力的研究成果，成為世界公認的自然科學領域最為重要的評價工具。本文以Web of Science中的SCI數據庫為數據來源，選用高級檢索方式，以“Expert System/Experts System”作為主題詞，于2011年5月在Web of Secience中進行檢索，一共檢索到14 500篇相關文獻記錄。獲得的年度分布如圖1。所示。雖然，專家系統研究從20世紀五六十年代就開始了，但是從圖1可以看出直到1982年才有主題詞與專家系統相關的論文出現。圖1表明1991年左右，專家系統相關論文達到了峰值，但隨后呈逐年下降的趨勢。到1999年，只有494篇。但21世紀開始，專家系統相關論文又出現了增加的趨勢，并維持在一個穩定的水平中。圖1 專家系統在SCI數據庫文獻發表年度變化情況
2012年2月第32卷第2期基于知識圖譜的專家系統發展綜述Feb.，2012Vol.32 No.22 專家系統前40年的發展
本文利用基于JAVA平臺的引文分析可視化軟件Citespace，首先設定時間跨度為1950-1991年，時間切片長度為1年，聚類方式為共被引聚類（Cited Reference），閾值選擇為（2，2，20）、（3，3，20）、（3，3，20）。Citespace得出這些引文的時間跨度為1950－1990年，可以繪制出該時間段的專家系統論文時區分布圖，如圖2所示。我們以年代先后為序，將20世紀80年代以前作為第一階段，80年代至90年代作為第二階段。圖2 1950-1991年各年度專家系統論文之間的時區分布圖
2.1 專家系統起源時期
根據圖2顯示，這段時期有7個突出節點，既有7位代表人物。第一個節點代表的是“人工智能之父”――英國著名科學家阿蘭?麥席森?圖靈（Alan Mathison Turing），他于1950年在《心靈》雜志上《計算機器與智能》，提出了著名的“圖靈測試”，探討了機器智能的可能性，為后來的人工智能科學提供了開創性的構思［1］。
第二個節點代表的是美國工程院院士、加州大學扎德（LA.Zadeh）教授，他于1965年在《信息與控制》雜志第8期上發表題為《模糊集》的論文，提出模糊集合理論，給出了模糊性現象定量描述和分析運算的方法，從而誕生了模糊數學。1978年，扎德教授提出了“可能性理論”，將不確定性理解為可能性，為模糊集理論建立了一個實際應用上的理論框架，這也被認為是模糊數學發展的第二個里程碑。同年，國際性期刊《International Journal of Fuzzy Sets and System》誕生，這使得模糊理論得到普遍承認，理論研究高速發展，實際應用迅速推廣。
第三個節點代表的美國兩院院士、卡內基-梅隆大學教授艾倫?紐厄爾（Allen Newell），1972年，他出版了《人怎樣解題》（Human Problem Solving)一書，書中描述了他和西蒙試圖建立一個計算機化的“通用問題求解器”的歷程：20世紀50年代，他們發現，人類的問題解決，在一定知識領域內可以通過計算機實現，所以他們開始用計算機編程來解決問題，1956年，他們研發出了邏輯理論家和通用問題求解器（General Problem Solver），并建立了符號主義人工智能學派。我們可以看出，這本書是對他以前所作工作的總結與歸納，而邏輯理論家和通用問題求解器正是專家系統的雛形，為專家系統的出現奠定了堅實的基礎。
但是艾倫?紐厄爾的嘗試無法解決大的實際問題，也很難把實際問題改造成適合于計算機解決的形式，并且對于解題所需的巨大搜索空間也難于處理。為此，美國國家工程院院士、斯坦福大學教授費根鮑姆（E.A.Feigenbaum）等人在總結通用問題求解系統成功與失敗的經驗基礎上，結合化學領域的專門知識，于1965年研制了世界上第一個專家系統dendral，可以推斷化學分子結構。專家系統進入了初創期，其代表有dendral、macsyma（數學專家系統）等，第一代專家系統以高度專業化、求解專門問題的能力強為特點，向人們展示了人工智能應用的廣闊前景［2］。
第四個節點代表人物是美國麻省理工學院著名的人工智能學者明斯基（Minsky）。1975年，他在論文《表示知識的框架》(A Framework for Representating Knowledge，McGraw-Hill)中提出了框架理論，框架理論的核心是以框架這種形式來表示知識。理論提出后，在人工智能界引起了極大的反響，并成為了基于框架的專家系統的理論基礎，基于框架的專家系統適合于具有固定格式的事物、動作或事件。
第五個節點代表人物是美國普林斯頓大學教授格倫謝弗（Glenn Shafer），他在1976年出版了《數學理論的證據》（A mathematical theory of evidence）一書，介紹了由他和Dempster于1967年提出的D-S理論（即證據理論）。證據理論可處理由不知道因素引起的不確定性，后來，該理論被廣泛應用于計算機科學和工程應用，是基于D-S證據理論的專家系統的理論基礎。
第六個重要節點代表是美國斯坦福大學愛德華?漢斯?肖特利夫（Shortliff EH）教授，他于1975年在著名雜志《數學生物科學》上發表《A model of inexact reasoning in medicine》（《在醫學模型的不精確推理》）一文，他結合自己1972－1974年研制的世界第一個醫學專家系統――MYCIN系統（用于診斷和治療血液感染及腦炎感染，是第二代專家系統的經典之作），提出了確定性理論，該理論對專家系統的發展產生了重大影響。
第七個節點代表人物是美國麻省理工學院計算機科學和人工智能實驗室的戴維斯（Randall Davis）教授，他于1976年提出元知識的概念，并在專家系統的研制工具開發方面做出了突出貢獻――研制出知識獲取工具Teiresias，為專家系統獲取知識實現過程中知識庫的修改和添加提供了工具［3］，關Teiresias，他于1977年在《Artificial Intelligence》雜志上中進行了詳細介紹，而這也為本時期專家系統的快速增多和廣泛應用奠定了堅實基礎。
20世紀70年代后期，隨著專家系統應用領域的不斷開拓，專家系統研發技術逐漸走向成熟。但同時，專家系統本身存在的應用領域狹窄、缺乏常識性知識、知識獲取困難、推理方法單一等問題也被逐漸暴露出來。人們從各種不同類型的專家系統和知識處理系統中抽取共性，人工智能又從具體研究逐漸回到一般研究。圍繞知識這一核心問題，人們重新對人工智能的原理和方法進行探索，并在知識的獲取、表示以及知識在推理過程中的利用等方面開始出現一組新的原理、工具和技術。
2.2 專家系統發展的黃金時期
20世紀80年代是專家系統突飛猛進、迅速發展的黃金時代，根據圖2顯示，這段時期共有論文982篇，有7個突出節點。
1980年，出現了第一個節點代表――美國斯坦福大學計算機科學系系主任尼爾森（NILS J.NILSSON），他出版的《人工智能原理》（《Principles of artificial intelligence》）一書，表明了拉近理論和實踐的距離的目標，書中對基于規則的專家系統、機器問題解決系統以及結構對象的代表等都進行了具體的論述。
1981年，出現了第二個節點代表――英國赫特福德大學教授Clocksin，威廉F，他出版的《PROLOG語言編程》一書，引起了計算機科學界的極大興趣，并已被證明是一個重要的編程語言和人工智能系統的新一代基礎，是專家系統的重要編程語言。
1982年，出現了第三個節點代表――美國匹茲堡大學教授米勒（Miller RA），他在《英格蘭醫藥分冊》上發表了《基于計算機的醫學內科實驗診斷顧問》（An Experimental Computer based Diagnostic Consultant for General Internal Medicine.N Engl J Med,307,468-76,1982）一文，屬當時診斷專家系統的代表力作，書中介紹了著名的內科疾病診斷咨詢系統INTERNIST-1，之后將其不斷完善成改進型INTERNIST-2，即后來的CADUCEUS專家系統，其知識庫中包含了572種疾病，約4 500種癥狀。
1983年，出現了第四個節點代表――美國的海斯羅斯（Hayes-Roth，F）教授，他于1983年發表著作《建立專家系統》，對專家系統建立的原則和要素、開發的生命周期等重要問題進行了詳細講解，為研究與開發各種類型的專家系統提供了理論依據。
1984年，出現了第五個節點代表――美國匹茲堡大學計算機科學、哲學和醫學教授布魯斯?布坎南（Bruce G.Buchanan），他于1984年發表著作《規則的專家系統：斯坦福啟發式編程項目Mycin實驗》（《Rule Based Expert Systems:The Mycin Experiments of the Stanford Heuristic Programming Project》，這是有史以來關于醫療診斷系統MYCIN的實驗規則庫公布。基于規則的專家系統MYCIN是專家系統開發過程中一個里程碑，研究其開發思路與方法具有非常重要的意義。
1985年，出現了第六個節點代表――美國人工智能專家、加州大學教授哈蒙（Harmon P），他出版了《專家系統：人工智能業務》（《Expert systems：artificial intelligence in business》）一書。書中闡述了專家系統如何解決問題，代表知識，并得出推論，并介紹了人工智能的具體制度，確定了專家系統的市場。
1986年，出現了第七個節點代表――著名的專家系統學者沃特曼（Waterman DA），他出版了《專家系統指南》一書，該書對專家系統的概念、組成、建立過程、建立工具、應用領域等做了深入淺出的系統介紹與論述，是當時全面介紹專家研發與應用的經典書籍。
20世紀80年代初，醫療專家系統占主流，主要原因是它屬于診斷類型系統且容易開發。80年代中期，出現大量投入商業化運行的專家系統，為各行業帶來了顯著的經濟效益。從80年代后期開始，大量新技術成功運用到專家系統之中，使得專家系統得到更廣泛的運用。在這期間開發的專家系統按處理問題的類型可以分為：解釋型、預測型、診斷型、設計型等。應用領域擴展到農業、商業、化學、通信、醫學等多個方面，成為人們常用的解決問題的手段之一。
然而，與此同時，現有的專家系統也暴露出了自身嚴重的缺陷，使不少計算機界的知名學者對專家系統產生了懷疑，認為專家系統存在的問題有以下幾點：（1）專家系統中的知識多限于經驗知識，極少有原理性的知識，系統沒有應用它們的能力；（2）知識獲取功能非常弱。為了建造專家系統，必須依賴于專家獲取知識， 不僅費時， 而且很難獲取完備性和一致性的知識；（3）求解問題的方法比較單一，以推理機為核心的對問題的求解尚不能反映專家從認識問題到解決問題的創造性過程；（4）解釋功能不強［4］。等到學者們回過頭重新審視時，20世紀90年代的專家系統理論危機已然爆發。
3 90年代專家系統向多個方向發展
由于20世紀80年代專家系統研究迅猛發展，商業價值被各行各業看好，導致90年代大批專家系統從實驗室走出來，開始了它們的工程化市場化進程。從圖1看以看出，在20世紀90年代，專家系統的相關論文不增反減，進入一個局部低谷期，這期間以“Expert System/Experts System”為主題詞的論文共7 547篇。本文利用Citespace軟件，設置參數為（4，4，20）（4，3，20）（4，4，20），獲取了該時期論文的引文聚類圖（如圖3所示）。圖2 專家系統1990－2000年的論文引文聚類圖
從圖3中我們可以看出，全圖的節點比較分散，沒有形成大的聚類，這表示該階段沒有形成重點研究方向，也沒有重大科研成果和標志性著作產生，專家系統的市場化進程嚴重牽引了研究者們的注意力，這是專家系統研究陷入低谷期的重要原因。
這段時間專家系統的研究工作大致分以下幾個方面：第一個研究方向依舊是建立在扎德（LA.Zadeh）教授模糊理論上的模糊專家系統，它同樣是該年代專家系統研究的重點方向。
第二個研究方向是骨架專家系統，代表人物有美國斯坦福大學的愛德華?漢斯?肖特利夫（Shortliff EH）教授。1974年末，MYCIN系統基本建成后，MYCIN的設計者們就想到用其它領域的知識替換關于感染病學的知識，可能會得到一個新的專家系統，這種想法導致了EMYCIN骨架系統的產生。EMYCIN的出現大大縮短了專家系統的研制周期，隨后，AGE、OPS5、KEE、KBMS、GESDE等骨架系統應運而生，它們在20世紀90年代專家系統的研究進程中，發揮著重要作用。
第三個研究方向是故障診斷專家系統，代表人物有美國麻省理工學院的蘭德爾?戴維斯（Randall Davis）教授。他于1984年在《人工智能》雜志上發表了《基于結構和行為的診斷推理 》（《Diagnostic Reasoning Based on Structure and Behavior》）一文，該論文描述了一個利用知識結構和行為，在電子電路領域進行故障診斷排除的專家系統。之后，故障診斷專家系統在電路與數字電子設備、機電設備等各個領域已取得了令人矚目的成就，已成為當今世界研究的熱點之一。
第四個研究方向是基于規則的專家系統，布魯斯?布坎南（Bruce G.Buchanan）的著作對基于規則的專家系統在這個時期的發展仍有著積極的指導作用。多種基于規則的專家系統進入了試驗階段。傳統基于規則的專家系統只是簡單的聲明性知識，而目前，規則的形式開始向產生式規則轉變，并趨向于提供較完善的知識庫建立和管理功能。
第五個研究方向是知識工程在專家系統中的運用。代表人物是美國斯坦福大學的克蘭西教授（Clancy W J），他于1985年在《人工智能》雜志上發表了重要論文《啟發式分類》（《Heuristis classification》），啟發式分類即對未知領域情況的類的識別過程。它是人類思維解決問題的重要方法，在人工智能、專家系統中可常用啟發式設計計算機程序，模擬人類解決問題的思維活動。
第六個研究方向是機器學習在專家系統中的運用。代表人物是機器學習領域前輩、澳洲悉尼大學著名教授John Ross Quinlan。他于1986年在《機器學習》（《Mach.Learn》）雜志上發表《決策樹算法》（《Induction of Decision Trees》）一文，文中他詳細描述了決策樹算法的代表――ID3算法。之后，有大量學者圍繞該算法進行了廣泛的研究，并提出多種改進算法，由于決策樹的各類算法各有優缺點，在專家系統的實際應用中，必須根據數據類型的特點及數據集的大小，選擇合適的算法。
第七個研究方向是神經網絡專家系統，代表人物有人工智能專家Stephan I.Gallant和美國加利福尼業大學教授巴特?卡斯科（Bart Kosko）。Gallant于1988年在《ACM的通信》上發表了《連接主義專家系統》（《Connectionist expert systems》）一文，文中講述Gallant 設計了一個連接主義專家系統（Connectionist expert system），其知識庫是由一個神經網絡實現的（即神經網絡知識獲取），開創了神經網絡與專家系統相結合的先例。
第八個研究方向是遺傳算法在專家系統中的運用。代表人物是遺傳算法領域著名學者、美國伊利諾伊大學David Goldberg教授和人工智能專家L.Davis。1989年，Goldberg出版了專著《搜索、優化和機器學習中的遺傳算法》，該書系統總結了遺傳算法的主要研究成果，全面而完整地論述了遺傳算法的基本原理及其應用；1991年，Davis編輯出版了《遺傳算法手冊》，書中包含了遺傳算法在科學計算、工程技術和社會經濟中的大量應用實例，該書為推廣和普及遺傳算法的應用起到了重要的指導作用。這些都推動了基于遺傳算法的專家系統的研發推廣。
第九個研究方向是決策支持系統在專家系統中的運用，代表人物是美國加利福尼亞大學伯克利分校教授埃弗雷姆?特班（Efraim Turban）。他于1990年出版了《決策支持和專家系統的管理支持系統》（《Decision support and expert systems:management support systems》）一書。20世紀80年代末90年代初，決策支持系統開始與專家系統相結合，形成智能決策支持系統，該系統充分做到了定性分析和定量分析的有機結合，將解決問題的范圍和能力提高到一個新的層次。
第十個研究方向是各種理論知識在專家系統中的綜合運用，代表人物是美國加利福尼業大學教授巴特?卡斯科（Bart Kosko）和美國伊利諾伊州研究所教授Abdul-Rahman K.H。卡斯科（Kosko）于1992年出版《神經網絡和模糊系統：一個擁有機器智能的動力系統方法》（《Neural networks and fuzzy systems:a dynamical systems approach to machine intelligence》）一書，這是第一本將神經網絡和模糊系統結合起來的讀本，也是神經網絡與模糊理論綜合應用于專家系統建設的經典著作；Abdul-Rahman K.H教授于1995年，在美國電氣和電子工程師協會的《電力系統及自動化》（《Transactions on Power Systems》）會議刊上發表了《人工智能模糊無功負荷的最優VAR控制方法 》（《AI approach to optimal VAR control with fuzzy reactive loads》）一文，論文提出了一個解決無功功率（VAR）控制問題，這個方法包含了專家系統、模糊集理論和人工神經網絡的重要知識。
雖然專家系統大量建造，但投入實際運行的專家系統并不多，且效率較低，問題求解能力有待進一步提高。原因之一就是專家系統主要是模擬某一領域中求解特定問題的專家的能力，而在模擬人類專家協作求解方面很少或幾乎沒有做什么工作。然而在現實世界中，協作求解具有普遍性，針對特定領域、特定問題的求解僅僅具有特殊性，專家系統雖然在模擬人類專家某一特定領域知識方面取得了成功，但它仍然不能或難以解決現實世界中的問題。其次，開發的專家系統的規模越來越大，并且十分復雜。這樣就要求將大型專家系統的開發變成若干小的、相對獨立的專家系統來開發，而且需要將許多不同領域的專家系統聯合起來進行協作求解。然而，與此相關的分布式人工智能理論和實用技術尚處在科研階段。只有分布式系統協作求解問題得以解決，才能克服由于單個專家系統知識的有限性和問題求解方法的單一性等導致系統的“脆弱性”，也才能提高系統的可靠性，并且在靈活性、并行性、速度等方面帶來明顯的效益［5］。
4 21世紀專家系統進入穩定發展時期
進入21世紀，專家系統開始緩慢發展，這期間以“Expert System/Experts System”為主題詞的論文共5 964篇。本文利用Citespace軟件，設置參數為（6，6，20）（5，5，20）（5，5，20），獲取了該時期論文的引文聚類圖（如圖4所示）。圖4 專家系統2000－2010年的論文引文聚類圖
這個時期專家系統有3個主要研究方向：第一個是研究方向是節點明顯的基于模糊邏輯的專家系統研究方向。90年代以來，模糊控制與專家系統技術相結合，進一步提高了模糊控制器的智能水平。基于模糊邏輯的專家系統有以下優點：一是具有專家水平的專門知識，能表現專家技能和高度的技巧以及有足夠的魯棒性（即健壯性）；二是能進行有效的推理，能夠運用人類專家的經驗和知識進行啟發性的搜索和試探性的推理；三是具有靈活性和透明性。
第二個是研究方向是Rete模式匹配算法在專家系統中的應用，代表人物是美國卡內基―梅隆大學計算機科學系的Charles L.Forgy教授，1979年，他首次提出Rete算法。專家系統工具中一個核心部分是推理機，Rete算法能利用推理機的“時間冗余”特性和規則結構的相似性，并通過保存中間運算結果的方法來提高推理的效率。1982年，他在《人工智能》雜志上發表《Rete算法：許多模式／多對象的模式匹配問題的一個快速算法》（《Rete:A Fast Algorithm for the Many Pattern/Many Object Pattern Match Problem》）一文，該文解釋了基本算法的概念，介紹了詳細的算法，描述了模式和適當的對象交涉算法，并說明了模式匹配的執行操作。
第三個是研究方向是專家系統在電力系統中的運用。世界各國的專家們開始熱衷于在電力生產的各個環節使用專家系統，代表人物有日本的福井賢、T.Sakaguchi、印度的Srinivasan D、美國伊利諾伊州研究所的Abdul-Rahman K.H、希臘雅典國立技術大學的Protopapas C.A、和中國的羅旭，他們在美國電氣和電子工程師協會的《電力傳輸》（《IEEE transactions on power delivery）會議刊及《電源設備系統》會議刊（《On Power Apparatus and Systems》）上發表了多篇有影響力的論文，內容涉及系統恢復、電力需求預測、變電站故障診斷和報警處理等多方面。
這十年間，專家系統的研究不再滿足于用現有各種模型與專家系統進行簡單結合，形成基于某種模型的專家系統的固有模式。研究者們不斷探索更方便、更有效的方法，來解決困擾專家系統的知識獲取瓶頸、匹配沖突、組合爆炸等問題，而這也推動了研究不斷向深層次、新方向發展。但是，由于專家系統應用的時間長、領域廣，他們遭遇的瓶頸問題一時得不到有效解決，導致了這一時期末，專家系統研究呈現出暫時的下滑現象。
5 專家系統發展趨勢分析
圖一發展曲線上第二個時間節點是1992年，從該年起專家系統相關論文呈下降趨勢，然后在2002年又開始緩慢增長，近一年多來又開始下降，這標志著專家系統研究在布滿荊棘的道路上前行，前景是光明的，但道路是曲折的。本文以5年為一個單位，統計了1990－2009年20年期間專家系統相關論文中高頻詞的變化情況，如表1所示，從該表可以獲得這個時期專家系統研究的一些特點。
（1）在1990-1999年期間，人工智能出現新的研究，由于網絡技術特別是國際互連網技術發展，人工智能開始由單個智能主體研究轉向基于網絡環境下的分布式人工智能研究，使人工智能更加實用，這給專家系統帶來了發展的希望。正因為如此，我們從詞頻上可以看出，人工智能（artificial intelligence）一詞在這十年一直位居前兩位，在專家系統研究中處于主導地位，而與其相關的知識表示（knowledge representation）、知識獲取(knowledge acquisition)等，也成為了學者們研究的重點方向。
（2）該時期的第二個特點是神經網絡研究的復蘇。神經網絡是通過模擬人腦的結構和工作模式，使機器具有類似人類的智能，如機器學習、知識獲取、專家系統等。我們從詞頻上可以看出神經網絡（neural network）一詞得以快速增長，1995年時位列第一，進入21世紀也是穩居第二位，神經網絡很好地解決了專家系統中知識獲取的瓶頸問題，能使專家系統具有自學習能力，它的出現為專家系統提供了一種新的解決途徑［6］，同時也顯示出他獨有的生機與活力。
（3）該時期是模糊邏輯的發展時期。模糊理論發展至今已接近三十余年，應用范圍非常廣泛，它與專家系統相結合，在故障診斷、自然語言處理、自動翻譯、地震預測、工業設計等方面取得了眾多成果。我們從詞頻上可以看出，模糊邏輯（fuzzy logic）一詞，除在1990－1994年期間位居第六位外，之后都位居前三甲，2000-2004年期間更是位列第一。模糊控制與專家系統技術相結合，進一步提高了模糊控制器智能水平，這種控制方法既保持了基于規則的方法的價值和用模糊集處理帶來的靈活性，同時把專家系統技術的表達與利用知識的長處結合起來，能處理更廣泛的控制問題。
（4）故障診斷成為專家系統研究與應用的又一重要領域。故障診斷專家系統的發展起始于20世紀70年代末,雖然時間不長,但在電路與數字電子設備、機電設備等各個領域已取得了令人矚目的成就,已成為當今世界研究的熱點之一。這從高頻詞分布可以開出，故障診斷（fault diagnosis）從1995-1999年間的最后一位攀升至2005-2009年間的第一位，足見其強大的生命力。在專家系統己有較深厚基礎的國家中，機械、電子設備的故障診斷專家系統已基本完成了研究和試驗的階段，開始進入廣泛應用。
（5）遺傳算法的應用逐漸增多。20世紀90年代，遺傳算法迎來了發展時期，無論是理論研究還是應用研究都成了十分熱門的課題。尤其是遺傳算法的應用研究顯得格外活躍，不但應用領域擴大，而且利用遺傳算法進行優化和規則學習的能力也顯著提高。進入21世紀，遺傳算法的應用研究已從初期的組合優化求解擴展到了許多更新、更工程化的應用方面。這在高頻詞分布中可以看出，以2000作為臨界點，遺傳算法（genetic algorithms）從20世紀90年代的10名之后，到位于高頻詞前六強之中，充分反映出它發展的良好勢頭。
6 小 結
專家系統是20世紀下半葉發展起來的重大技術之一，它不僅是高技術的標志，而且有著重大的經濟效益。“知識工程之父”E.Feignbaum在對世界許多國家和地區的專家系統應用情況進行調查后指出：幾乎所有的ES都至少將人的工作效率提高10倍，有的能提高100倍，甚至300倍［7］。
專家系統技術能夠使專家的專長不受時間和空間的限制，以便推廣稀缺的專家知識和經驗；同時，專家系統能促進各領域的發展，是各領域專家專業知識和經驗的總結和提煉。
專家系統發展的近期目標，是建造能用于代替人類高級腦力勞動的專家系統；遠期目標是探究人類智能和機器智能的基本原理，研究用自動機模擬人類的思維過程和智能行為，這幾乎涉及自然科學和社會科學的所有學科，遠遠超出了計算機科學的范疇。
隨著人工智能應用方法的日漸成熟，專家系統的應用領域也不斷擴大。有人類活動的地方，必將有智能技術包括專家系統的應用，專家系統將成為21世紀人類進行智能管理與決策的工具與助手。
參考文獻
［1］百度百科［EB］.http:∥baike.省略/view/2130.htm．
［2］黃可鳴.專家系統二十年［J］.計算機科學，1986，（4）：26-37.
［3］路耀華.思維模擬與知識工程［M］.北京：清華大學出版社，1997．
［4］趙致琢.專家系統研究［J］.貴州大學學報：自然科學版，1990，（6）：40-48.
［5］鄒光宇.專家系統發展現狀及其應用前景［J］.電力勘測，1994，（3）：21-26.
論文摘要： 從現有安全設施來看，TDCS網絡系統安全體系初步形成。但是，隨著計算機網絡的日益普及，各種安全威脅和計算機病毒也隨之而來。現有的網絡安全系統雖然起到一定的防護作用，但并不能完全解決整個骨干網絡的系統安全問題。因此，擬采用基于遺傳算法和神經網絡的入侵檢測技術，結合遺傳算法和神經網絡各自的優點，加強對TDCS網絡的監視和防護。
1 TDCS網絡安全狀況
1.1 TDCS網絡安全現狀
TDCS（TrainOperation Dispatching Command System）是覆蓋全路的列車調度指揮管理系統，分為鐵道部、鐵路局和車站三級建設，能及時、準確地為全路各級調度指揮管理人員提供現代化的調度指揮手段和平臺，是鐵路運輸調度指揮現代化建設的標志。但是，隨著計算機網絡的日益普及，各種安全威脅和計算機病毒也隨之而來，這就導致TDCS網絡存在著安全隱患。
1.2 TDCS網絡安全存在的問題
在TDCS網絡中主要存在著以下幾方面安全問題：1）間接來自于互聯網的病毒威脅；2）操作系統的安全威脅；3）應用軟件的安全威脅；4）計算機設置的安全隱患；5）實時監控能力弱。
2 TDCS網絡安全防護
2.1 TDCS網絡目前采取的安全防護措施
針對TDCS網絡存在的安全問題，結合各種技術和方法，目前全路系統信息安全防護體系采取的措施有：
1）防火墻系統。防火墻技術是實現子網邊界安全的重要技術。首先路由器將對網絡層安全進行初步保證，但路由器的訪問控制列表只能作為防火墻系統的一個重要補充，只能通過防火墻系統來實現復雜的安全控制。
2）身份認證系統。由于TDCS人員結構復雜，用戶眾多，安全意識參差不齊，所以用戶的工作內容也不盡相同，對于如此重要的系統，目前采用的以靜態密碼為主的身份認證系統帶來的安全威脅是非常嚴重的，會造成比較大的安全風險。為了解決此類安全隱患，實用動態口令對TDCS用戶進行身份認證是非常必要的。
3）網絡防病毒系統。根據對病毒來源的分析，TDCS網絡防病毒系統主要體現在以下三個方面：第一，防病毒集中統一管理，就是在鐵路局內部安裝防病毒軟件管理系統，對所有客戶端防病毒軟件進行統一管理；第二，服務器病毒防護，就是對各種服務器進行病毒掃描和清除；第三，桌面防毒防護，就是對各項桌面系統軟件進行病毒掃描和清楚。
4）入侵檢測系統。入侵檢測的主要功能是控制對網絡的非法控制，通過監視、限制通過網絡的數據流，防止外對內、內對外的非法訪問，隔離內部網和外部網，為監視TDCS局域網安全提供便利。
5）安全漏洞評估系統。
2.2 TDCS網絡采用入侵檢測進行防護的好處
通過以上介紹，我們不難發現，在TDCS網絡安全體系中，入侵檢測系統是唯一一個通過數據和行為模式判斷其是否有效的系統。
形象地說，入侵檢測系統就是網絡攝像機，能夠捕獲并記錄網絡上的所有數據，同時它也是智能攝像機，能夠分析網絡數據并提煉出可疑的、異常的網絡數據，它還是X光攝像機，能夠穿透一些巧妙的偽裝，抓住實際的內容。此外，它還是保安員的攝像機，能夠對入侵行為自動地進行反擊，如阻斷連接。
在TDCS網絡中引入入侵檢測技術，主要是實現對網絡的非法控制，通過監視、限制通過網絡的數據流，給網絡系統提供對外部攻擊、內部攻擊和誤操作的安全保護，為監視TDCS局域網安全提供更多便利。
3 基于遺傳算法和神經網絡的入侵檢測系統
3.1 傳統的IDS存在的問題
1）準確性差。傳統的統計方法需要依賴于一些假設，如審計數據（或用戶行為）的分布符合高斯分布，實際上用戶行為具有隨機性，這些假設有時可能無效，從而導致較高的錯誤率。
2）靈活性差。傳統的IDS對攻擊特征的刻畫只能是某些固定的序列，但現實中的入侵者利用的手段往往是有變化的，而要在入侵模式庫中反映出所有可能的變化是不可能的。
3）適應性差。入侵者的攻擊方法是在不斷發展的，但傳統的入侵檢測系統無法有效地預測和識別新的攻擊方法，使系統的適應性受到限制。
3.2 采用基于遺傳算法的神經網絡IDS的好處
將遺傳算法全局搜索最優和傳統神經網絡局部尋優結合起來，取長補短，既可以減小遺傳算法的搜索空間、提高搜索效率，又可以較容易地收斂到最優解，為求解多目標優化問題提供了新的策略。
4 結束語
目前在TDCS網絡安全系統中采用的IDS一般都是基于神經網絡技術的，由于神經網絡的設計主要依據設計者的經驗在大樣本空間反復實驗來進行選取，尚無理論上的指導，因此在神經網絡的初始連接權以及網絡結構的選擇上具有很大的隨機性，很難選取具有全局性的初始點，因而網絡求得全局最優的可能性小。本文提出的技術很好的克服了這些缺點，較好地解決了問題。
參考文獻：
[1]鐵道部運輸局，鐵路列車調度指揮系統，北京：中國鐵道出版社，2006.10.
[2]高麗，鐵路站段計算機網絡故障解決方法[J].鐵路計算機應用，2006，13（9）：13-16.
[3]周明孫、樹棟，遺傳算法原理及應用，北京：國防工業出版社，1999.
[關鍵詞]拉鏈檢測；背光照明；圖像分割；遺傳算法；
中圖分類號：TB 文獻標識碼：A 文章編號：1009-914X（2015）23-0197-01
引言
目前拉鏈生產企業一般采用人工方法進行檢測，這種檢測方法，效率低、成本高、勞動強度大，拉鏈容易出現多齒、少齒、鏈齒分布不均等缺陷。本文提出一種新的自動檢測拉鏈是否存在多齒、少齒缺陷的拉鏈智能檢測方案。該方案采用白光LED背光照明技術使得采集的圖像背景與拉鏈呈現對比明顯的兩色，采用中值濾波算法濾去干擾噪聲，通過改進的Otsu法獲取拉鏈圖像閾值，然后進行圖像二值化分割，并對處理后的圖像采用拉鏈間距的判別方法進行識別判斷。
1 光源照明技術
圖像采集處理系統中常用的光源有白熾燈、鹵素燈、碘鎢燈、氣體放電燈和發光二極管[1] 等，照明方式有直接照明、背光照明、暗視場照明、散射照明和同軸照明等。光源與照明方式的配合不僅要照亮物體，還要盡可能地突出物體特征量，使物體待檢測區域與其它區域產生明顯的區別[2]，以便特征的提取和判斷。通過對多種光源及照明方式的實驗，本方案采用白色LED背光照明，其具有拉鏈背景均勻單一，拉鏈與背景呈現分明的兩色，拉鏈輪廓清晰等優點，并且不存在直接照明產生的陰影及金屬拉鏈反光等問題。
2 圖像處理算法
2.1 灰度變換
彩色圖像包含大量的顏色信息，直接對真彩圖像進行處理會耗費較多的時間。為了提高圖像處理速度，同時又不損失感興趣區域的細節信息，通常將彩色圖像變換為灰度圖像。
2.2 圖像濾波
在拉鏈圖像采集的過程中，由于攝像頭、光源、電磁干擾、機械振動等影響，采集的拉鏈圖像存在著噪聲干擾。中值濾波可以在去除點、線噪聲的同時很好地保護圖像的邊緣，對抑制圖像中的脈沖噪聲和椒鹽噪聲特別有效[3]，拉鏈圖像中的噪聲主要是椒鹽噪聲，本文案采用中值濾波法對灰度化后的拉鏈圖像進行濾波處理。
2.3 基于遺傳算法的Otsu閾值分割
Otsu閾值分割法不需要先驗知識，且算法簡單、分割質量好等優點[4]，非常適合于目標與背景兩類的圖像分割問題，但其求解過程計算量大，本文將遺傳算法引入Otsu閾值求解過程中，利用遺傳算法所具有的快速尋優的特點，以縮短計算時間。
3 檢測方案
在密閉暗箱中采用白光LED背光照明技術對拉鏈圖像進行采集，采集的拉鏈圖像拉鏈為黑色、背景為白色，拉鏈輪廓清晰，對比度高。為了驗證該方案的檢測效果，在實驗過程中采用了兩幅拉鏈圖像：一幅正品拉鏈圖像，一幅次品拉鏈圖像，如圖1所示。為提高處理速度，方便拉鏈圖像的二值化處理，采用加權平均值法對采集的拉鏈圖像進行灰度化處理。由于加權平均值算法中的權值都是浮點數，采用加權平均值法處理速度較慢，對此提出了改進算法。
對分割后的二值圖像從左至右進行掃描，統計拉鏈間距的個數，并記錄各個間距的值，計算鏈齒間距與鏈齒間距均值的誤差和相鄰鏈齒間距的誤差，如果誤差都在一定范圍內則認為拉鏈是正品，否則就是次品。該方案采用了首次閾值計算采樣，即計算第一幀采集的拉鏈圖像的閾值并保存為標準閾值，后續圖像分割只需要調用該閾值即可，減少了系統處理時間。
4 試驗結果分析
整個檢測方案在HHARM2410開發平臺上予以實現，實驗表明該方案可以準確地檢測出拉鏈多齒、少齒、鏈齒分布不均的缺陷，從而判斷出正品拉鏈和次品拉鏈。
圖2是對圖1所示的拉鏈采用白光LED背光照明采集得到的拉鏈圖像，從采集的效果可以看出無論什么材質或顏色的拉鏈采用背光照明后，拉鏈都是黑色的，拉鏈和背景對比分明、輪廓清晰，不存在反光和暗影等缺陷，使得該方案具有較強的通用性，能夠對多種類型的拉鏈進行處理。
采用改進的加權平均值法對圖2進行灰度化處理，并采用中值濾波算法對灰度化圖像進行濾波處理后的圖像如圖3所示，從處理結果可以看出中值濾波法很好地濾除了拉鏈圖像中的椒鹽噪聲。
該實驗中分別采用Otsu法和基于遺傳算的改進Otsu法對濾波后的灰度圖像進行閾值求取，表1給出了用兩種方法求取的閾值和所用的時間，從表可以看出兩種算法求得閾值相同，但引入遺傳算法后的改進Otsu法處理時間有所縮短，系統的處理速度得到提高，本文采用基于GA的Otsu法對拉鏈圖像進行分割，分割后的二值圖像如圖4所示，由分割結果可以看出目標與背景錯分幾率低，邊緣清晰，噪聲少。
5 結論
實驗結果表明該方案能夠對多種拉鏈自動提出特征并進行處理判斷，可以準確地檢測拉鏈多齒、少齒、鏈齒分布不均的缺陷，具有較高的處理速度和通用性。
參考文獻
[1] 高峰. 圖像處理技術在啤酒瓶在線檢測系統中的應用[D]. 西安工業大學碩士學位論文. 2011.
[2] 劉圣. 工業圖像檢測系統關鍵技術的研究及應用[D]. 上海交通大學碩士學位論文. 2007.
關鍵詞：Java 實踐教學 實踐能力 創新能力 教學方法
文章編號：1672-5913(2011)18-0012-04 中圖分類號：G642 文獻標識碼：B
基金項目：甘肅政法學院青年科研基金項目(GZF2010XQNLW53)。
Java課程是應用實踐性的課程。長期教學經驗說明，單純的“理論+程序演示”的理論教學方法以及 “學生自主實驗+教師隨堂指導”的實驗教學方法存在著一些缺陷，表現為學生創新能力的欠缺和自主實踐能力較差。
教學過程是一個系統過程，涉及到該門課程的所有教學和實踐環節，其中任意一個環節的薄弱都會導致學生實踐和創新能力培養效果不佳。因此，Java理論教學環節、實驗教學環節、學期課程設計、學年論文(設計)、畢業論文(設計)環節、學科競賽環節、校外實踐環節等方面都是培養學生實踐和創新能力的關鍵環節。
以貫穿Java教學整個過程的各個重要環節為切入點，從細節入手，扎扎實實落實好每一個關鍵環節，是保證培養學生的Java實踐和創新能力的根本。
1 在理論教學環節中培養學生的實踐和創新能力
1.1 以問題和實際項目為核心，采用以線帶點的教學模式
需求是創新和應用成果產生的動力和源泉。傳統的Java教材和教學內容是按知識點為模塊組織的，即一個知識點，一個針對該知識點的例題，這樣雖然有利于學生循序漸進地學習和掌握各個基本知識點
及其用法，但這種教學方法，有時會導致學生一聽就會，一用就忘。其原因在于，學生從根本上并沒有掌握該知識點到底有什么用，只是聽懂了那道例題而已，沒有深層的理解和舉一反三的能力，學過時間不久，就會全然忘記。當學生遇到一個實際問題時，就會束手無策，不能將當時上課時感覺已經“掌握得很好”的各個知識點進行融會貫通和綜合運用。因此，教師在教學中要運用幾個能貫穿大部分教學知識點的綜合實例和實際應用項目，有說服力地說明貫穿在其中的各知識點的重要性和用法。經過較長時間的檢驗，這種教學方法的優點是：其一，可以提高課堂教學的趣味性；其二，可以減少學生在學習各個知識點時的茫然和困惑；其三，可以提高學生綜合各個知識點，形成知識網絡，進而進行實際問題解決的能力。
所謂“以線帶點”是以問題和實際項目為主線，貫穿各個分散的Java知識點，完成Java知識點的脈絡化。
1.2 以學生為主體，教師為主導
在以往教學過程中，限于課時，“滿堂灌”現象仍時有發生，結果是教學任務完成了，但學生的主體地位沒有體現出來，沒有充分參與到教學過程中，積極性不高，教學效果受到很大影響。為了克服這一點，“互問互答”的啟發式和討論式教學是一種好方式，這樣可以最大程度地調動學生學習積極性和主動性，也有利于讓學生在教學過程中保持精力集中的良好狀態，長期以來可以培養學生創造性思維能力。教師在教學過程中，從一個較高的高度引導學生如何學習知識，提高學生學習效率和獲取新知的能力，真正實現教學相長。
1.3 開拓視野，編寫高效的程序
在講授類創建方法的時候，教師除了講授用傳統的“new類構造方法”的方式外，可以介紹運用java.lang包中Class類的forName方法創建類對象[1]，同時介紹運用Java設計模式中的“工廠模式”進行類對象的創建，并比較幾種創建類對象方法的異同，從而培養學生運用多種方法解決同一問題的能力。
引導學生在算法設計上下功夫，一個實用軟件的開發，往往需要編寫高效率的算法，因此，算法的設計在Java程序教學中仍然是非常重要的。但由于課時有限，不可能占用較多課時來彌補學生在算法方面的不足，可以做到的是，引導學生總結和復習先修的算法設計課程以及其他程序設計課程中所學的算法設計知識，借助Java程序進行實現，并比較效率；介紹一些智能算法如“遺傳算法”的設計和實現的相關知識，幫助學有余力的學生運用這些智能算法進行實際問題的解決，將非常有助于提高學生創新能力的培養。
2 注重實驗教學課堂的效率
Java實驗教學是Java教學的重要組成部分，更是提高學生動手能力和創新能力的重要途徑。
2.1 落實實驗預習
一般情況下，實驗課時是2學時，這對于一個較大的實驗項目來說，根本沒有可能在2個實驗學時中完成，因此，提前布置實驗任務并督促學生按期完成非常重要。如一個JSP項目“學生成績管理系統”的綜合實驗項目，應讓學生在做該實驗項目之前，就基本完成系統的設計及大部分的編碼工作。在實驗課堂中，主要是配置好開發環境和調試系統，在指導教師的指導下解決遇到的問題并按指導教師的要求做進一步的改進和完善。
2.2 檢驗實驗效果
指導教師對于學生的實驗成果應及時檢查和提問，及時發現每個學生在做實驗項目時遇到的問題以及該生對該實驗理解、設計和實現的程度。
3 重視課程設計、學年論文設計與實踐
Java課程設計是在學生學習完Java程序設計課程后對其進行的一次全面的綜合練習和考查。課設成績將作為本課程的期末考核成績的重要組成部分。通過課程設計，使學生能夠得到較系統的技能訓練，從而鞏固和加深對Java編程的基礎理論知識的理解，培養學生綜合運用所學知識解決實際問題的能力，使學生成為具有扎實的理論基礎和較強的獨立動手能力的應用型人才。
3.1 注重題目設計的目標性和歸類
針對不同的Java應用，將課程設計題目合理歸類，如“基于Java SE的桌面應用系統”類、“基于Java EE的Web應用開發系統”類、“基于Java ME的移動設備系統”類等。從而做到有針對性。
在指導學生選題時，告訴學生在完成該題目時，可以在哪些方面有創新點和亮點，并將這些創新點的完成情況作為評價課程設計成績的重要依據。
3.2 強調學生所做項目的實用性和原創性
以往學生所做的課程設計、學年論文設計與實踐項目大都源于教師指定的題目，而這些題目往往都是一些虛擬項目如“XX項目的設計與實現”，題目本身比較含糊，導致學生無法進行具體的需求分析，只能造出一個“需求分析和開發背景”。這樣的項目完成后，即使做得比較“完美”，也是離實際應用較遠，不能投入實際應用。
培養學生求真務實、追求原創的素養，克服浮躁情緒，避免僅為完成任務抄襲他人項目成果。在教學過程中，經常發現部分學生將資料查閱變成了“復制―粘貼”：不去汲取他人項目成果中的精華，也不去做任何改進，直接原封不動地套用。結果自己在“實
踐”過程中不但沒有學到任何知識，積累任何開發經驗，反而養成了不勞而獲，抄襲剽竊的壞習氣。因此，在引導學生進行項目實踐的過程中，在對其進行各階段指導和檢查時必須嚴格把關，引導和幫助學生樹立良好的專業道德素質和研發精神。
4 畢業論文環節的創新能力培養
4.1 設計、指導與完成創新性、研究性題目
在前些年的畢業論文選題中，較多見的是：“基于Java SE的XX系統的設計與實現”，“基于JSP的XX系統的設計與實現”等。目前這類題目作為計算機本科生畢業論文題目，有以下一些弊端：
1) Java的開放資源非常多，以這類命題的網絡及參考書資源、甚至整個軟件設計開發背景、設計過程、實現過程、實現的全部源碼都有現成的。
2) 虛擬項目較多，大都是自圓其說，如對系統的設計和開發背景是自定的，而不是源于實際用戶的實際開發要求。學生在完成過程中，沒有與用戶溝通和交流的機會，沒有反復滿足用戶具體、特殊要求的過程，從而導致學生沒有通過想辦法、找妙招來解決問題的磨礪過程。
3) 若有兩個以上的學生選擇了題目不同，但實際設計和實現過程大同小異的題目，就不能保證一人一題的原則。
畢業論文與設計是對本科生本科學習知識的大檢閱，也是對本科生學術研究能力、分析和解決實際問題能力的重要培養環節，也是為本科生將來深造和從事研發相關工作所作的一個鋪墊。為了突出畢業論文(或設計)環節中對學生創新能力的培養，在畢業論文的選題上，指導教師應進一步把關，設計出具有實際開發背景、創新性和一定研究性的題目。
4.2 注重對現有軟件包的二次開發
基于Java的用于各種研究和實踐的軟件包有很多，以基于Java的多Agent開發工具包JADE(Java Agent Development Framework)[2]和遺傳算法工具包JGAP(Java Genetic Algorithms Package)[3]為例，說明
利用基于Java的工具包進行二次開發來培養學生創新能力的實例。
對于基礎較好、有較強科研興趣的學生，可以引導其運用諸如JADE這樣的多Agent系統開發工具包開發簡單實用的多Agent系統，從而帶動學生學習和研究多Agent系統的理論和實踐方法。遺傳算法是當前應用廣泛地智能算法之一，而基于Java語言的遺傳算法工具包JGAP中已實現了簡單遺傳算法和部分高級遺傳算法的基本框架，可以引導學生快速在其基礎上完成一些改進和在開發，最終達到學生理解遺傳算法基本理論和實際應用的目的。
5 以競賽高度為標桿，促進學生進行高層次編程訓練
Java競賽題目具有很強的新穎性和挑戰性，其目的在于考察參賽學生的創造性解決實際問題的能力和編程思維。引導學生參與各級各類的Java編程競賽或以歷屆競賽題目作為訓練，都能達到提高學生的創新意識和能力以及培養拔尖學生的目的。
6 產學研結合
6.1 創新實驗室和基地建設
為了使學生具有快速適應市場Java人才的需求、能夠獨立創業的目的，根據學校客觀條件的不同，建立一定規模的創新實驗室或聯系實驗基地尤為重要。這是因為：
1) 較大型工程實踐項目的開發都需要一個較長的周期，一般為3～5個月或更長。對參與完成項目的學生的訓練和培養也需要一個較長的周期。而普通和短期的實驗項目訓練無法達到培養學生獨立承擔實際工程項目的能力。
2) 在對學生進行訓練和實際項目的開發過程中，不可能占用正常的上課時間，而是充分利用課外、周末以及節假日的課余時間，有教師指導團隊對學生進行輔導、訓練和協同項目開發。
3) 一個固定而且全天候的實驗場所和一定數量、檔次的儀器設備是能否完成創新性實驗和實際項目開發的重要保障。
6.2 承接軟件開發項目，為學生走向市場奠定基礎
由指導教師牽頭，分析和研究市場對Java編程人員的需求，有針對性地承攬學校及校外的應用開發項目，組建以學生為主體的項目開發小組，進行項目開發。
6.3 進入課題組，鍛煉科研能力
指導教師帶領學生進入創新實驗室，共同開展和完成Java相關的科研、教學改革和實踐項目，讓參與項目的學生體驗科研過程，學習科研方法，培養科研精神。
7 教學中應用系統科學方法
系統科學方法理論是計算機科學與技術的重要的方法論之一[4]。面向對象編程思想和軟件工程是系統科學方法在軟件開發中的集中體現。在學生的
實踐教學各個環節中，往往會做一些類似于“XX信息系統的設計與實現”之類的項目。但學生在實踐過程中，急于求成，只關注系統的實現，一開始就寫源碼，不注重按軟件工程理論和方法進行系統分析和設計，也不注重系統中類的設計和類間關系的設計，是導致項目開發失敗或脫離實際應用的重要原因。更嚴重的是，這樣的開發習慣一旦養成，將會被學生帶到今后的實際項目開發中，情況會更加糟糕。
8 結語
通過長期的Java教學實踐，筆者總結出“學生實踐和創新能力培養效果的好壞取決于每個教學環節完成好壞”的結論。從細節入手，扎扎實實完成好每一個教學環節，不僅可以培養學生實踐和創新能力，而且可以幫助學生養成良好的學習、研究習慣并為學生就業奠定堅實基礎。
參考文獻：
[1] 耿祥義,張躍平. Java 2實用教程[M]. 3版. 北京:清華大學出版社,2006: 95.
[2] Carie G. JADE TUTORIAL:JADE PROGRAMMING FOR BEGINNERS[EB/OL]. [2011-03-07]. /doc/ JADEProgramming-Tutorial-for-beginners.pdf.
[3] Java Genetic Algorithms Package[EB/OL]. [2011-03-07]. .
[4] 董榮勝,古天龍. 計算機科學與技術方法論[M]. 北京:人民郵電出版社,2002:117.
On Students’ Practicing and Creative Ability Training in Java Teaching
LI Ruisheng
(College of Computer Science, Gansu Institute of Political Science and Law, Lanzhou 730070, China)
【Abstract】Based on the concepts of genetic algorithm and BP neural network，the paper studies the optimization of BP neural network algorithm， and the effectiveness of the algorithm is verified by an example.
【關鍵詞】遺傳算法；BP神經網絡；優化算法
【Keywords】genetic algorithm； BP neural network； algorithm optimization
【中圖分類號】TPl83 【文獻標志碼】A 【文章編號】1673-1069（2017）04-0135-02
1 引言
神經網絡是一種模仿動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型，憑借著復雜的系統結構，通過對系統內部節點連接關系的調節，實現對信息的高效處理。作為技術最為成熟的神經網絡模擬，BP神經網絡具有良好的自學習、自適應以及泛化能力，在許多領域中都有著廣泛的應用。而針對BP神經網絡在應用環節存在的問題，需要采取相應的優化算法，提升神經網絡的收斂速度和理能力。
2 遺傳算法與BP神經網絡
遺傳算法遵循的是生物界中適者生存的法則，其基本原理，是指將問題參數進行編碼，形成染色體，通過迭代的方式，運用選擇、變異、交叉等運算，對種群中染色體的信息進行交換，繼而形成能夠滿足優化目標的染色體。
BP（Back Propagation）神經網絡最初產生于1986年，屬于一種依照誤差逆傳播算法訓練的多層前饋網絡，也是當前技術條件下應用最為廣泛的神經網絡模型之一，其可以對輸入-輸出模式的映射關系進行學習和存儲，同時不需要對能夠揭示這些映射關系的方程進行描述。神經網絡具備自適應和自組織能力，在進行學習和訓練的過程中，可以通過改變突觸權重值的方式，更好地適應周邊環境的變化。在同一個神經網絡中，如果內容不同，學習方式不同，則會產生不同的功能。人工神經網絡從本質上看，更加接近具備自主學習能力的系統，可以通過不斷的學習，超出最初設計的知識水平。在人工神經網絡中，比較常見的學習方法有兩種，一是有監督的學習，可以結合標準樣本，進行分類或者模仿，二是無監督的學習，在制定相應的學習規則后，系統會根據自身所處環境，進行學習內容的分析和選擇，更加接近人腦的功能特點。
3 基于遺傳算法的優化BP神經網絡算法
3.1 算法基本原理
①BP算法。BP神經網絡算法主要包括了數據流的前向計算和誤差信號的反向傳播兩個方面的內容，結合三層BP神經網絡的拓撲結構，假定x為網絡輸入，y為結果輸出，當處于正向傳播過程時，數據的傳輸為輸入層隱層輸出層，每一層神經元的狀態僅僅會影響下一層神經元，而如果輸出層無法獲得期望輸出，則會自動轉向誤差信號的反向傳播流程。在BP神經網絡中，網絡的訓練實際上是對閾值和權值進行調整的過程，當網絡誤差縮小到設定值，或者訓練步數達到設定步數時，會自動停止訓練。
②遺傳算法。遺傳算法可以從代表問題可能潛在解集的種群開始，種群中的每一個染色體都帶有相應的特征，染色體可以看作若干基因的集合，為了便于分析，需要做好編碼，完成從表現型到基因型的映射。在演化過程中，依照問題域中存在的個體的適應度，進行個體的挑選和交叉，然后變異出新的解集種群。選擇末代種群中的最優個體進行解碼，就可以得到問題的近似最優解。
3.2 優化BP算法
BP神經網絡算法具有極強的局部尋優能力，但是容易陷入局部極小的問題，遺傳算法具有良好的全局優化性和自適應性，但是局部尋優能力不足。對此，可以將遺傳算法與BP算法結合起來，實現對于網絡拓撲結構和網絡權值、網絡閾值的優化。
①權值優化。在傳統的BP網絡中，連接權值的學習算法容易陷入局部極小，無法得到全局最優。對此，可以引入遺傳算法代替傳統的學習方法，對神經網絡的權值進行優化。在這個過程中，需要解決幾個比較關鍵的問題，一是編碼方案，可供選擇的權值編碼方式包括實數編碼和二級制編碼，前者是以實數表示權值，非常直觀，不過需要對遺傳算子進行重新設計，后者是利用0，1字符串表示權值；二是適應度函數，引入遺傳算法后，網絡的機構以確定，在這種情況下，網絡的誤差越大，適應度越小；三是進化過程，主要是對選擇、交叉、變異算子的選擇，如果必要，也可以重新設計；四是混合訓練神經網絡，遺傳算法能夠在大規模、復雜性的空間中實現可靠搜索，而且不需要有關誤差函數梯度的信息，優勢相當明顯。可以通過在誤差函數中增加懲罰項的方式，降低網絡的復雜程度。
②權值和結構同時優化。BP神經網絡連接權的進化，要求明確的網絡結構，網絡結構直接影響著神經網絡本身對于信息的處理能力。神經網路的結構包括了網絡連接方式（拓撲結構）和節點轉換函數，完善的結構不僅需要能夠對問題進行有效解決，還不能存在冗余節點和冗余連接。伴隨著進化算法的應用，網絡設計在很多時候被看作搜索問題，評價的標準包括了抗噪性、學習準確率以及泛化能力等。結構進化的關鍵體現在結構編碼和算子設計，而結構編碼方案則會影響算子設計的效果。以三層前饋型BP網絡為例，其輸入層和輸出層節點的數量已經確定，優化算法需要重點研究隱含層的節點數量。考慮到問題本身的復雜性，二進制編碼的方法并不適用，因此選擇實數編碼，在隱含層節點增加二級制編碼作為控制基因，通過隨機函數產生。當控制基因的數值為0時，對應的隱含層節點對輸出層無用，而當控制基因的數值為1時，隱含層節點對輸出層作用。需要注意的一點，當選擇實數編碼方案時，為了明確編碼的長度，需要確定隱層的最大神經元數目。
4 仿真試驗
結合已知數據，對某地區小麥吸漿蟲的發生程度進行預測。對問題進行深入分析，可以轉化為相應的輸入輸出系統，可以通過神經網絡進行表達。現有的研究成果表明，小麥吸漿蟲的發生與氣候因素關系密切，因此可以利用氣象因子對問題進行分析。選擇2000年到2015年的氣象數據，設置40個研究樣本，以x1-x14表示需要處理的原始數據（氣象因子），Y表示小麥吸漿蟲的發生程度。從減小誤差的角度，對原始數據進行預處理。以優化后的BP算法進行神經網絡訓練，結合訓練結果進行MATLAB仿真。在仿真試驗中，需要做好一些關鍵參數額的設置，遺傳算法和BP算法的最大代數分別為100，BP算法均方誤差為0.001，會激活函數為雙曲正切S型，線性輸出層，學習算法被設置為經過改進的自適應學習率的梯度下降學習算法。
設定14作為隱層神經元的上限，由于編碼長度固定且迭代代數一定，在所有的試驗中，遺傳算法的復雜度都是相同的。結合仿真試驗分析，隱含神經元的最優數目為5、6、7，與傳統方法得到的結果基本一致。相比較而言，利用遺傳算法同時進行結構和權值的優化，最為顯著的優勢在于能夠對隱層神經元的數目進行自適應確定，減少嘗試的次數，提升計算效率。
而結合相應的訓練結果分析，利用遺傳算法進行BP神經網絡連接權值的優化，相比較傳統算法更加有效，不過同樣需要進行網絡結構的嘗試，換言之就是選擇合適的隱層神經元數目。不僅如此，利用遺傳算法同時對神經網絡的權值和結構進行優化，智能型更強，可能找到合適的初始權值和優秀的網絡結構，不過，如果數據煩瑣，搜索的速度會變慢。
