11、遗传算法与数据处理组方法型神经网络在家禽科学中的应用

遗传算法与数据处理组方法型神经网络在家禽科学中的应用

1. 引言

建模的必要性已得到充分证实，因为对过程进行结构识别在分析、控制和预测中至关重要。计算机建模正成为包括生物学在内的不同科学领域的重要工具。在人工智能研究中，“智能”越来越被视为不仅是深思熟虑的推理过程，还包括在复杂世界中表现出适应性行为的能力。近年来，人们一直在广泛努力部署基于种群的随机搜索算法，如进化方法来设计人工神经网络，因为这些进化算法特别适用于处理具有大搜索空间和许多局部最优解的复杂问题。近年来，人工神经网络的使用使得不同类型的算法在工程、生物学和经济学等广泛领域得到了成功应用，其中数据处理组方法（GMDH）类型的算法就是其中之一。

2. 遗传算法

自然界采用了可以想象到的最佳控制论系统。在生物的神经领域，涉及环境反馈的生态平衡，或人体温度的调节，都是自然界控制论系统的例子，它们在准确性和效率方面令人着迷。20世纪50年代和60年代，几位计算机科学家独立研究了进化系统，他们认为进化可以作为解决不同系统工程问题的优化工具。

进化可以被视为适应的第一个也是最高层次。它涉及一个物种对全球生态和环境条件的适应。这种适应是一个相对缓慢的过程，需要数千年的时间，尽管不同物种的遗传适应速度可能有很大差异。

遗传算法（GAs）目前是人工生命系统中最突出和广泛使用的进化模型。遗传算法既被用作解决实际问题的工具，也被用作进化过程的科学模型。遗传算法与人工生命的交叉领域包括两者，但在本文中，我们主要关注遗传算法作为自然现象的模型。实际上，遗传算法是一种优化算法，其工作方式类似于自然进化。文献回顾显示，约翰·霍兰德是第一个将自然进化的这些原理应用于人工系统，更确切地说是应用于优化问题，并提