数值计算方法在人工计算智能学中的应用实例.docVIP

浅论计算智能中的计算方法 连德忠 （龙岩班） 前言： 随着计算机普及和应用程度的提高，人工智能学的应用前景被各方有识之士普遍看好。人工智能的目标一直就是模拟人类智能，目前，研究人工智能有两条途径。一方面，有许多科学家，尤其是一些神经生物学家试图从生理上研究人脑，及其各部件的关系，一旦摸清了大脑工作机制，就可以利用高度发展的光、电子以及生物器件构筑类似的结构。但是，这种自然智能理论方面的研究举步维艰，离真正理解人脑复杂而庞大的神经网络及其工作方式还有很长的距离。另外一方面，科学家们从功能实现的角度入手，利用已有的计算工具去实现人脑的功能，取得了许多成果，并让世人能够领略人工智能的魅力。近年来，在人工智能中包含另一个很有前途的研究方向——计算智能（CI，Computational Intelligence）计算智能对人类而言，智能是知识集合与智力的合称，是指人类认识客观事物并运用知识解决实际问题的能力。它集中表现在反映客观事物深刻、正确、完全的程度，以及运用知识解决实际问题的速度和质量上，往往通过观察、判断、联想、创造等表现出来。牛津现代高级英语词典将之定义为学习、理解和推理的能力。生物智能表现了人类智力活动的一般特征，包括生物智能的目的性、综合性及学习扩展性。这些方面看似简单，实则相当复杂，以致难以入手研究。比如人类对自己的视觉机理到现在也只是了解了一小部分，关于视皮层如何分析视觉信号，人类仍知之甚少。然而科学并未因此而停滞不前，它总是在可以突破的地方首先契入进去。 我们今天谈论人工智能时，通常是指狭义的人工智能，也就是传统的基于符号推理的人工智能技术，其主要目标是应用符号逻辑的方法模拟人的问题求解、推理、学习等方面的能力。这好像有点违背常理，通常人们认为类似下棋、诊断、推理公式等事情只有专家才能做到尽善尽美，为什么计算机反而容易模仿呢？原因就在于这些事情可以符号化，可以精确量化，可以在串行的Von Neumann型计算机上运行；相反，对于人类在日常生活中辨认人物、听懂语音等这些具有Common-sense性质的事情，计算机却很难做到。研究表明，这些事情涉及复杂的计算概念及过程，虽然计算机运算速度高于人脑，但是人脑是由1000亿神经元互连后并行计算的，其效率和质量远远高于计算机。 所以近年来，在人工智能另一个研究方向——计算智能。1994年6月，IEEE召开了一次规模空前的CI大会，论文总数超过1600篇。CI中包含了许多基于数值计算方法的智能计算方法，这些方法在模拟人脑的联想、记忆、发散思维、非线性推理、模糊概念等传统人工智能难以胜任的方面表现优异，并受到人们的广泛关注。计算智能方法也得到越来越多学者的研究和完善，并与传统的人工智能技术互相交叉、取长补短，使得人工智能研究与应用呈现出向上的发展趋势。相信随着计算工具、计算智能方法的日趋完善，具有真正意义的智能机器终会走入我们的工作与生活。计算智能常见的计算智能方法有神经计算、模糊计算、进化计算、混沌科学和分形等。早在1943年，心理学家Mclulloch与Pitts就总结了生物神经元的一些基本生理特征，提出了著名的MP数学模型。1949年Hebb根据神经元联接强度的改变代表生物学习过程的假设提出了Hebb学习规则。虽然从那以后神经网络的研究经历了几起几伏，但最终还是取得了许多丰硕成果，典型的有1982年产生的Hopfield网络、1986年的BP网络，和1977年的Kohonen无导师自组织竞争网络等。神经网络由于其模型、拓扑关系、学习与训练算法等都建立在对生物神经元系统的研究之上，虽然离人们设想的程度还很远，但它仍是目前模拟人脑模式识别、联想、判断、决策和直觉的理想工具。它具有高度的并行性、非线性全局作用，以及良好的容错性与联想记忆能力，同时它还以强大的学习能力和很好的自适应性在专家系统、知识获取、智能控制、自适应系统中有良好表现。 模糊计算是计算智能的另一个重要方面。1965年美国加州伯克利大学扎德教授发表论文，首先提出“模糊集”概念，用以解决多值逻辑及推理问题。从此以后，模糊集理论成为了模糊推理、模糊逻辑等模糊计算系统的理论基础。模糊计算方法的重要性在于它可以表现事物本身性质的内在不确定性，因此可以模拟人脑，认识客观世界的非精确、非线性的信息处理能力。另外，模糊计算可以对人的自然语言进行量化及模糊处理，在社会学方面也颇有建树。 另外近年来，基于自然选择和遗传学的进化计算方法在人工智能的研究中取得令人注目的成果。进化计算的典型算法就是遗传算法（GA，Genetic Algorithm），它是一种以适应度为目标函数，对种群个体施加遗传操作，实现群体结构重组，经迭代而达到总体优化的有哪些信誉好的足球投注网站算法。GA与其他智能计算方法相结合，交叉形成了许多新的研究方向和应用，在组合优化、机