展开

关键词

干货 | AnyLogic建模仿真介绍+武汉疫情案例实战

目录 前言 目录 系统评估方法 测量方法 解析方法 仿真方法 为什么要使用仿真建模 仿真建模方法 系统动力学 离散事件 智能 AnyLogic基本使用 什么是AnyLogic 下载安装 案例简介 系统评估方法 这是一个非常直观概念,大家可以字面上就可以知道系统评估意思,没错就是对我们系统结果进行一定程度上评估。 比如说供应链问题,我们就可以通过离散事件来进行建模。 ? 智能 以个体为中心建模。确定智能(人、建筑物、产品等),定义其行为(驱动力、状态、行为等),将其放到一个中心环境,或可建立连接。 则系统层(整体)行为就展现为 很多个体行为交互结果。 比如说我们之前举银行办理业务模型,我们就可以通过智能来进行建模。 在flow位置就是我们规则,在之前我们已经介绍了易感染者到感染者规则是(接触人数感染者/总人口传染概率*易感染者),填进去就可以了。

3.3K20

科学与艺术融合:遗传算法绘制蒙娜丽莎

1.1 遗传算法基本思想 遗传算法正是依据生物进化“适者生存”规律基本思想设计,它把问题求解过程模拟为群体适者生存过程,通过群体一代代不断进化(包括竞争、繁殖和变异等)出现新群体,相当于找出问题新解 字符串每一位数称为遗传基因,每一个字符串(即一个解编码)称为一个染色或个体。个体集合称为群体。 该方法求解问题效率较高,但是具有唯一性,不具有通用性,对每个所求问题必须找出其规则。但遗传算法采用是不是确定性规则,而是强调利用概率转换规则来引导搜索过程。 根据种群各个染色适应度函数值,采取一定选择方法,种群中选出适应值较大个染色(其中有些染色是重复),称这个染色集合即为匹配集。这一过程即为选择操作。 按某种复制规则进行繁殖。 选择指决定以一定概率种群中选择若干个体操作。

39120
  • 广告
    关闭

    开发者专享福利,1988元优惠券限量发放

    带你体验博客、网盘相册搭建部署、视频渲染、模型训练及语音、文字识别等热门场景。云服务器低至65元/年,GPU15元起

  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    机器学习公平性研究,走在正确道路上吗?

    因此可以说,社会影响层面来讲,考虑一个机器学习系统在做(有高影响力)决策时,是否会对弱势群体造成更加不利影响,至关重要。 那么如何评估一个机器学习系统公平性程度呢? 虽然这些工具包在一些任务能够起到一定指导作用,但缺点也很明显:它们所针对都是静态、没有反馈、短期影响场景。这一点评估方法能够体现出来,因为数据集是静态。 在该框架智能以循环方式与模拟环境交互。在每一步,智能选择一个能够随后影响到环境状态动作。然后,该环境会显示出一个观察结果,智能体用它来指导接下来动作。 ? 上图:最大化奖励智能和机会均等智能累计放贷额,按申请人所隶属组划分,蓝色代表第 1 组,绿色代表第2组。 下图:模拟过程组平均信用评分(由各组有条件偿还概率量化而得出)。 同时,他们在分析还发现,虽然机会均等智能让第2 组情况似乎变得更糟,但是累计贷款图来看,弱势第2 组机会均等智能那里获得了明显更多贷款。

    43610

    【DOTA之后新里程碑】DeepMind强化学习重大突破:AI在多人射击游戏完胜人类!

    当某一方达到胜利条件(在DeepMind实验里就是抢夺更多旗帜),或者游戏持续一定时间后即宣告回合结束。胜利条件取决于选择游戏模式。 群体每个智能都学习自己内部奖励信号,这些信号使得智能体能够产生自己内部目标,例如夺取一面旗子。双重优化过程可以直接为了获胜优化智能内部奖励,并使用内部奖励强化学习来学习智能策略。 由此产生智能,我们称之为For The Win(FTW)智能,它学会了以非常高标准玩CTF。最重要是,学会智能策略对地图大小、队友数量以及团队其他参与者都具有稳健性。 事实上,在一项对参与者调查,它们被认为比人类参与者更具有合作精神。 ? 训练期间我们智能表现。 我们这篇论文聚焦于《雷神之锤III竞技场》夺旗模式,它研究贡献是具有普遍性。我们很希望看到其他研究人员在不同复杂环境重建我们技术。未来,我们还希望进一步改进目前强化学习和群体训练方法。

    30800

    你和遗传算法距离也许只差这一文(附C++代码和详细代码注释)

    (individuals),一定数量个体组成了群体(population),群体个体数量叫做群体大小(population size)。 ,容易理解,是其它一些遗传算法基础,它不仅给各种遗传算法提供了一个基本框架,同时也具有一定应用价值。 4.遗传算子 遗传算法使用以下三种遗传算子: (1)选择 选择操作群体一定概率选择优良个体组成新种群,以繁殖得到下一代个体。 当个体选择概率给定后,产生[0,1]之间均匀随机数来决定哪个个体参加交配。若个体选择概率大,则有机会被多次选中,那么它遗传基因就会在种群扩大;若个体选择概率小,则被淘汰可能性会大。 (2)交叉 交叉操作是指种群随机选择两个个体,通过两个染色交换组合,把父串优秀特征遗传给子串,从而产生新优秀个体。

    1.9K80

    遗传算法基本概念

    遗传算法作用对象是种群(Population),种群每个个体是问题一个解,叫做染色(Chromosome)。染色按照一定编码(比如二进制编码)来表示一个解。 染色元素叫做基因(Gene)。 变异算子任务是对群体染色某些基因做变动。 变异操作主要目的有两个:一是使遗传算法具有局部随机搜索能力,这种情况下变异概率应该取较小值;二是使遗传算法维持群体多样性,以避免早熟现象,这种情况下变异概率应该取较大值。 基本上不用搜索空间知识和其他辅助信息,仅用适应度值评估个体,适应度函数不受连续可微约束,定义域可以任意设定。 采用概率变迁确定搜索方向。 具有自组织、自适应和自学习性。

    87531

    干货 | 遗传算法(Genetic Algorithm) (附代码及注释)

    生物进化是以种群形式进行。 适应度(fitness):度量某个物种对于生存环境适应程度。 选择(selection):以一定概率种群中选择若干个个体。 变异(mutation):复制时可能(很小概率)产生某些复制差错,变异产生新染色,表现出新性状。 编码(coding):DNA遗传信息在一个长链上按一定模式排列。 5.2 为我们袋鼠染色编码 在上面介绍了一系列编码方式以后,那么,如何利用上面的编码来为我们袋鼠染色编码呢?首先我们要明确一点:编码无非就是建立基因型到表现型映射关系。 5.4 射杀一些袋鼠 遗传算法选择操作就是用来确定如何从父代群体按某种方法选取那些个体,以便遗传到下一代群体选择操作用来确定重组或交叉个体,以及被选个体将产生多少个子代个体。 最佳保留选择:首先按轮盘赌选择方法执行遗传算法选择操作,然后将当前群体适应度最高个体结构完整地复制到下一代群体。 4.

    3K64

    【算法】超详细遗传算法(Genetic Algorithm)解析

    生物进化是以种群形式进行。 适应度(fitness):度量某个物种对于生存环境适应程度。 选择(selection):以一定概率种群中选择若干个个体。 5.2 为我们袋鼠染色编码 在上面介绍了一系列编码方式以后,那么,如何利用上面的编码来为我们袋鼠染色编码呢?首先我们要明确一点:编码无非就是建立基因型到表现型映射关系。 5.4 射杀一些袋鼠--选择函数(selection) 遗传算法选择操作就是用来确定如何从父代群体按某种方法选取那些个体,以便遗传到下一代群体。 但我们都知道,在自然界,适应度高袋鼠越能繁衍后代,但这也是概率上说而已。毕竟有些适应度低袋鼠也可能逃过我们眼睛。 那么,怎么建立这种概率关系呢? 无回放余数随机选择:可确保适应度比平均适应度大一些个体能够被遗传到下一代群体,因而选择误差比较小。 均匀排序:对群体所有个体按期适应度大小进行排序,基于这个排序来分配各个个体被选中概率

    1.2K40

    ICLR 2018最佳论文:基于梯度元学习算法,可高效适应非平稳环境

    虽然实际环境任何变化都可能带来非平稳性(如智能物理变化或特性变化),但是由于紧急行为复杂性,具有多个智能环境特别具有挑战性,并且对于多人游戏(Peng 等人,2017)到协作无人驾驶舰队应用具有实际意义 在这种迭代博弈智能角度来看,每个回合环境不同,智能必须适应这种变化才能赢得博弈。 我们根据智能在这些游戏中 TrueSkills 对其进行评估(Herbrich 等,2007),在几次迭代实现智能群体进化——输智能体会消失,而赢得到复制。 结果表明,具有元学习适应策略智能是最合适。演示适应行为视频参见以下链接:https://goo.gl/tboqaN。 ? 图 1:(a)多任务强化学习 MAML 概率模型。 游戏中对抗双方从 105 个预训练智能群体随机选取。 ? 图 8:1050 个智能群体进化 10 代。最好阅读彩图。 本文为机器之心编译,转载请联系本公众号获得授权。

    63770

    业界 | DeepMind游戏AI又有新突破,与智能、人类合作都不在话下

    群体智能都各自学习自己内部奖励信号,这使得智能体能够生成自己内部目标,例如夺取一面旗。 接下来,你可以探索一些户外程序环境游戏(其中 FTW 智能相互对战),以及人类玩家和智能在室内程序环境中一起玩游戏。 ? 交互式 CTF 游戏浏览器,具有程序生成室内和户外环境游戏。 这些行为在训练过程通过强化学习和群体级演化而出现,随着智能以更加互补形式学习合作,诸如队友跟随这样行为就变少了。 ? 以上是 FTW 智能群体训练进展。 左上角展示了 30 个智能随训练和互相演化 Elo 评级。右上角展示了这些演化事件基因树。底部图展示了知识、部分内部奖励和遍及智能训练过程行为概率进展。 群体每个智能学习其自己内部奖励信号作为评判输赢稀疏延迟奖励补充,并使用一种新型时间分层表征来选择动作,该表征允许智能在多种时间尺度上进行推理。

    24110

    给你寻找最优解思路

    *Metropolis 准则是指以一定概率接受恶化解,从而使算法具有逃脱局部极值和避免过早收敛全局优化能力。 能量变化就是目标函数值变化,能量最低态就是最优解。 遗传算子 遗传算子包括选择算子、交叉算子和变异算子。 选择运算 选择运算是指对个体进行优胜劣汰操作。适应度高个体被遗传到下一代群体概率大;适应度低个体,被遗传到下一代群体概率小。 轮盘赌选择方法实现步骤如下所示: 计算群体中所有个体适应度值; 计算每个个体选择概率; 计算积累概率; 采用模拟赌盘操作(即生成0到1之间随机数,与每个个体遗传到下一代群体概率进行匹配,用以确定每个个体是否遗传到下一代群体 单点交叉(二进制编码)是指选择一个交叉点,子代在交叉点前面的基因从一个父代基因获得,后面的部分另一个父代基因获得。 ? 双点交叉(二进制编码)是选择两个交叉点,子代基因在两个交叉点之间部分从一个父代基因获得,剩下部分另外一个父代基因获得。 ?

    31410

    给你寻找最优解思路

    *Metropolis 准则是指以一定概率接受恶化解,从而使算法具有逃脱局部极值和避免过早收敛全局优化能力。 能量变化就是目标函数值变化,能量最低态就是最优解。 遗传算子 遗传算子包括选择算子、交叉算子和变异算子。 选择运算 选择运算是指对个体进行优胜劣汰操作。适应度高个体被遗传到下一代群体概率大;适应度低个体,被遗传到下一代群体概率小。 轮盘赌选择方法实现步骤如下所示: 计算群体中所有个体适应度值; 计算每个个体选择概率; 计算积累概率; 采用模拟赌盘操作(即生成0到1之间随机数,与每个个体遗传到下一代群体概率进行匹配,用以确定每个个体是否遗传到下一代群体 单点交叉(二进制编码)是指选择一个交叉点,子代在交叉点前面的基因从一个父代基因获得,后面的部分另一个父代基因获得。 ? 双点交叉(二进制编码)是选择两个交叉点,子代基因在两个交叉点之间部分从一个父代基因获得,剩下部分另外一个父代基因获得。 ?

    60110

    matlab优化算法之遗传算法(含代码)【数学建模】

    继承优质基因“下一代们”不断适应着新环境,环境又不断选择适合生存物种。如此交替循环,经过数代发展,最终留下来生物一定是最适合当前环境群体规模越大、越容 易找到最优解,但由于受到计算机运算能力限制,群体规模越大,计算所需要时间也相应增加 遗传概率Pm:又称交叉概率。 得到种群优质个体后,以某一概率(遗传概率)交换他们之间部分染色。 遗传概率控制着交叉操作,较大交叉概率可以增强遗传算法开辟新搜索领域,但对解破坏性较大,一般取0.25~1 变异概率Pc:对群体每一个个体以某一概率(变异概率)把一小部分基因改变为等位基因。 根据个体适应度,按照一定规则或方法,第i代个体中选择出出一些优良个体遗传到i+1代

    14K111

    【优化算法】遗传算法(Genetic Algorithm) (附代码及注释)

    生物进化是以种群形式进行。 适应度(fitness):度量某个物种对于生存环境适应程度。 选择(selection):以一定概率种群中选择若干个个体。 5.2 为我们袋鼠染色编码 在上面介绍了一系列编码方式以后,那么,如何利用上面的编码来为我们袋鼠染色编码呢?首先我们要明确一点:编码无非就是建立基因型到表现型映射关系。 5.4 射杀一些袋鼠 遗传算法选择操作就是用来确定如何从父代群体按某种方法选取那些个体,以便遗传到下一代群体选择操作用来确定重组或交叉个体,以及被选个体将产生多少个子代个体。 最佳保留选择:首先按轮盘赌选择方法执行遗传算法选择操作,然后将当前群体适应度最高个体结构完整地复制到下一代群体。 4. 物种数由TSPData类物种数指定。 calRate 计算每一物种被选中概率。物种个体rate变量记录了该概率。 select 轮盘制选择物种进行染色交叉。

    12K46

    人工智能智能优化算法

    该算法具有一般免疫系统特征,它采用群体搜索策略,通过迭代计算,最终以较大概率得到问题最优解,相当于属于进化算法变种算法。 遗传算法操作:使用“适者生存”原则,在潜在解决方案种群逐次产生一个近似最优方案。在每一代,根据个体在问题域中适应度值和自然遗传学借鉴来再造方法进行个体选择,产生一个新近似解。 免疫算法具有一般免疫系统特征,采用群体搜索策略,通过迭代计算,最终以较大概率得到问题最优解。 同时,它又不像其他进化算法那样对个体进行交叉、变异、选择等进化算子操作,而是将群体个体看成是在D维搜索空间中没有质量和体积粒子,每个粒子以一定速度在解空间运动,并向自身历史最佳位置pbestpbest 模拟退火算法是一种通用优化算法,是局部搜索算法扩展。它与局部搜索算法不同之处,是以一定概率选择邻域中目标值大状态。理论上来说,它是一种全局最优算法。

    9110

    独家 | 一文读懂优化算法

    将每个可能产生解表述为群一个微粒,每个微粒都具有自己位置向量和速度向量,以及一个由目标函数决定适应度。所有微粒在搜索空间中以一定速度飞行,通过追随当前搜索到最优值来寻找全局最优值。 不同是,PSO没有进化算子,而是将每个个体看作搜索空间中没有重量和体积微粒,并在搜索空间中以一定速度飞行,该飞行速度由个体飞行经验和群体飞行经验进行动态调整。 在实际应用,将内能模拟为目标函数值 f,将温度 T 模拟为控制参数,然后从一给定解开始,其邻域中随机产生一个新解,接受准则允许目标函数在一定范围内接受使目标函数恶化解,算法持续进行“产生新解——计算目标函数差 利己行为:智能群体是存在于自然界社会群体,他们通过相互协作完成日常所需各项任务,人类智能来自于社会交流,人类社会无疑也是一个智能群体。 作为智能群体一个独立智能,每个搜寻者都一样地具有利己行为,相信自己经验,并通过认知学习倾向于向自己历史最佳位置移动。 利他行为:作为智能群体个体,每个搜寻者同样具有利他行为。

    2.2K101

    梅宏院士:如何构造人工群体智能

    在很多低等社会性生物群体可以观察到,群体单一个具有智能,或仅有非常有限智能,由这些个体构成群体却展现出远超个体能力智能行为。 在一定程度上印证了“三个臭皮匠,顶过一个诸葛亮”。 Science在2005年发布了125个科学开放问题,其中第16题是关于人类合作行为如何发展演化。 3.2.2 如何定位和理解群体智能群体智能是什么?我们理解是利用群体力量来求解复杂问题方式,而这个复杂问题仅依靠单一个无法求解。 群体智能两个特征:1+1>2;群体协同规模可扩展性。 以拼图为例,张三李四片段合起来形成一个更大片段,它带来含量信息含量是1+1>2结果。 3.2.4 宏观群体智能 宏观层面来看,群体智能是由大量持续出现微观层次群体智能现象复合形成现象。 3.2.5 宏观群体智能基本原理 把群体智能进行分解,实际上包含三件事情: 第一是探索,群体每一个自主地对当前问题进行探索得到该问题信息。

    19410

    观点 | 理性强化学习遭遇瓶颈,进化算法会成为接替者吗?

    然而,在多智能学习情况下,这种证明就失效了。 为了说明出现一些令人困惑问题:一个智能执行一个学习算法去学习如何对它所处环境做出最佳反应。 在我们提出例子,环境包括其他同样执行这个学习算法智能。因此,算法必须在它行动之前考虑其动作影响。 早期关注点 博弈论创立之初(在经济学)就产生关注点。 很明显,这是我们在群体推理唯一得到研究成果。如果我们真正了解群体如何进行交互和合作从而达到它们目标,那么心理学和政治一些问题就会清楚多。 推理主体不再是参与者本身,而是参与者组成群体。因此,概率策略被定义为做出决策参与者百分比,而不是像在经典博弈论中一个参与者选择一个动作概率群体代表智能团队,其特征为策略组合。博弈规则决定了群体收益,这也可以看作演化算法适应度值。最后,复制器规则描述了群体如何根据适应度值和进化过程数学特性来进化。 ?

    40100

    DeepMind在团队游戏领域取得新突破,AI和人类一起游戏真是越来越6了

    智能在训练表现 FTW 智能 Elo 评级 -- 获胜概率超过了人类玩家和 Self-play + RS、Self-play 等基线方法。 我们论文提供了进一步分析,涉及内容包括智能在游戏过程如何利用记忆和视觉注意力机制。 ▌FTW行为 除了丰富游戏状态表征外,智能在游戏中又是如何采取行动呢? 已训练智能所展示三个行为示例行为 在训练过程,这些行为是伴随着强化学习和群体级进化而出现。随着智能以更加互补方式进行学习合作,诸如在训练初期跟随队友类似行为将逐渐变少。 ? FTW 智能群体训练进展 左上角展示了 30 个智能在训练和互相演化过程 Elo 评级评分。右上角展示了这些演化事件遗传树。底部展示了智能训练过程中知识、内部奖励和行为概率情况。 ▌结束语 研究界最近在星际争霸II 和 Dota 2这样复杂游戏中做了非常令人印象深刻工作,虽然我们研究侧重于夺旗游戏,但研究贡献是具有普遍性,我们很高兴看到其他人如何在不同复杂环境建立我们技术

    21120

    扫码关注腾讯云开发者

    领取腾讯云代金券