阿v视频在线观看免费播放-阿v天堂2017-啊用力嗯快国产在线观看-爱爱99-爱爱爱久久久久久久-爱爱爱免费视频

1    概述

計算智能,廣義的講就是借鑒仿生學思想,基于生物體系的生物進化、細胞免疫、神經細胞網絡等某些機制,用數學語言抽象描述的計算方法。是基于數值計算和結構演化的智能,是智能理論發展的高級階段。計算智能有著傳統的人工智能無法比擬的優越性,它的最大特點就是不需要建立問題本身的精確模型,非常適合于解決那些因為難以建立有效的形式化模型而用傳統的人工智能技術難以有效解決、甚至無法解決的問題。從方法論的角度和現在的研究現狀,計算智能的主要算法有：人工神經網絡、模糊算法、進化算法、模擬退火、忌搜索算法、DNA軟計算、人工免疫系統、蟻群算法、粒子群算法、多代理(Agent)系統等[1]。

本文對計算智能的四種算法：人工神經網絡、模糊計算、進化計算、蟻群算法的生物學基礎、計算原理及其特點作一個簡單的綜述，并對它們已有的成果及工程應用與存在問題作簡要的討論。

2  計算智能的主要算法

計算智能是在神經網絡、進化計算及模糊系統這三個領域發展相對成熟的基礎上形成的一個統一概念。其中，神經網絡是一種對人類智能的結構模擬方法，它是用于人工神經網絡系統去模擬生物神經系統的智能機理的；進化運算是一種對人類智能的演化模擬方法，它是用進化算法去模擬人類智能的進化規律的；模糊計算是一種對人類智能的邏輯模擬方法，它是用模糊邏輯去模擬人類的智能行為的[2]。

2.1 人工神經網絡

2.1.1  神經網絡的生物學基礎

神經系統的基本構造是神經元(神經細胞),它是處理人體內各部分之間相互信息傳遞的基本單元。每個神經元都由一個細胞體,一個連接其他神經元的軸突和一些向外伸出的其它較短分支——樹突組成。軸突的功能是將本神經元的輸出信號(興奮)傳遞給別的神經元。其末端的許多神經末梢使得興奮可以同時傳送給多個神經元。樹突的功能是接受來自其它神經元的興奮。神經元細胞體將接受到的所有信號進行簡單處理(如加權求和,即對所有的輸入信號都加以考慮且對每個信號的重視程度——體現在權值上——有所不同)后由軸突輸出。

2.1.2  人工神經網絡描述

人工神經網絡系統(ANN)是通過對大量人工神經元的廣泛并行互聯所形成的一種人工網絡系統，用于模擬生物神經系統的結構和功能。在人工神經網絡中,計算是通過數據在網絡中的流動來完成的。在數據的流動過程中,每個神經元從與其連接的神經元處接收輸入數據流,對其進行處理以后,再將結果以輸出數據流的形式傳送到與其連接的其它神經元中去。網絡的拓撲結構和各神經元之間的連接權值是由相應的學習算法來確定的。算法不斷地調整網絡的結構和神經元之間的連接權值,一直到神經網絡產生所需要的輸出為止。通過這個學習過程,人工神經網絡可以不斷地從環境中自動地獲取知識,并將這些知識以網絡結構和連接權值的形式存儲于網絡之中。幾種典型的ANN為:多層感知網絡、競爭型神經網絡、Hopfield神經網絡。

人工神經網絡的特點是具有良好的自學習、自適應和自組織能力,以及人規模并行、分布式信息存儲和處理等,這使得它非常適合于處理那些需要同時考慮多個因素的、不完整的、不準確的信息處理問題。但應該看到,在神經網絡的設計過程中,對各種參數的設置及網絡結構的確定等都帶有很強的經驗性,無完整的理論可循,其規模也遠未達到人腦所具有的上百億個神經元的規模。而且,人工神經網絡是基于腦模型的,它的研究受到腦科學研究成果的限制,在沒有對人腦的思維規律和認知過程有一個清楚的了解之前,很難真正實現對人腦的模擬。

2.1.3  基于人工神經網絡的優化設計

隨著人工神經網絡理論的日趨成熟，基于人工神經網絡優化應用研究也取得了突破性進展，范圍正在不斷擴大，主要在以下幾個方面優化應用：

(1) 信號處理方面

人工神經網絡技術被廣泛地應用于信號處理,如能分別對通訊、語音、心電和腦電信號進行處理分類、目標檢測、雜波去噪或畸變波形的恢復、雷達回波的多目標分類、運動目標的速度估計、多目標跟蹤等。

(2) 模式識別方面

包括文字識別、語音識別、圖像識別、語音合成、聲納或雷達目標識別、地震波形識別、時變信號識別及多維模式識別等。目前已成功應用于手寫字符、汽車牌照、指紋和聲音識別。

(3) 自動控制方面

目前，神經網絡方法已經覆蓋了控制理論中的絕大多數問題，主要有系統建模與辨識、PID參數整定、極點配置、內模控制、優化設計、預測控制、最優控制、自適應控制、濾波與預測容錯控制、模糊控制和學習控制等。

[NextPage]

2.2 模糊算法

2.2.1  模糊計算描述

模糊計算通過對人類處理模糊現象的認知能力的認識，用模糊集合和模糊邏輯去模擬人類的智能行為。它是一種精確處理不精確不完全信息的方法,可以比較自然地處理人的概念,即利用模糊規則,通過模糊化和反模糊化方便實現模糊推理。模糊邏輯本身并不模糊,而是用來對“模糊”進行處理以達到消除模糊的邏輯。

模糊計算最大特點是用它可以自然地處理人類的概念。主要應用有:模糊控制、模糊決策、模糊模式識別、模糊綜合評判、模糊聚類分析、模糊建模等。由于輸入、輸出均為實型變量,所以特別適用于工程應用系統。模糊計算的知識表達易于理解,但難于利用數值信息,自學習能力較差。目前，關于模糊控制自適應、自學習、自組織策略研究頗多,但現場真正成功應用的很少,亟待技術實用化研究。

2.2.2  基于模糊計算的優化設計

工程設計存在大量的模糊信息,如:設計標準的模糊性、設計準則(規范)的模糊性、外部環境作用的模糊性等。由于模糊信息不能用準確的數量來表達,必須用模糊計算的方法來處理,包括:模糊變量、模糊約束、模糊目標函數、模糊推理計算等。模糊優化設計包括三個方面的內容:①模糊優化設計方法;②自適應模糊優化系統模型;③模糊專家系統。

最典型的基于模糊計算的優化設計應用是模糊邏輯在火災監控系統中的應用。傳統監控系統的一個主要缺點是利用單一傳感器來監控單一監控點，由于傳感器內部品質和系統外部噪聲的影響使得系統的可靠性不理想。而多傳感器數據融合技術可以改善單一傳感器信息的局部性和片面性，克服傳感器自身品質、性能和噪聲帶來的影響。可見監控系統是一類典型的不確定性問題。模糊邏輯是處理不確定性問題的基本數學工具。我們可以用數據融合技術把互相獨立的傳感器變為互相聯系的整體，增加信息的冗余度，然后利用模糊邏輯把數據很好地融合在一起，最終大大提高系統的可靠性，降低系統的虛警率。

2.3 進化算法

2.3.1  進化計算的生物學基礎

進化是自然界最為壯麗的過程。進化的自然法則是過度繁殖、生存斗爭、遺傳和變異、優勝劣汰、適者生存。這一法則的選擇結果就是物種的優化。進化過程也是自然界的優化過程。進化計算是模仿自然界進化過程的計算方法。該方法無須明確描述問題的全部特征,只需根據自然法則來產生新的更好的解。

2.3.2  進化計算描述

進化計算采用簡單的編碼技術表示各種復雜的結構,并通過對一組編碼表示進行簡單的遺傳操作和優勝劣汰的自然選擇策略來指導學習和確定搜索方向。通過對群體進行復制、雜交和變異等遺傳操作來進行學術研究。進化算法可以在解空間的不同區域中對多個點進行搜索,它能以很大的概率找到全局最優解而不易陷入局部最優情況。

進化計算的最大特點是對待求解問題本身一無所知,但只要給出了表示方案、適應函數、遺傳算子、控制參數、終止準則等內容,算法就可以按不依賴于問題本身的方式對未知空間進行有效的搜索,最后找出問題的解。進化算法還具有簡單、通用、穩健性強、適合于并行處理等特點,及自組織、自適應、自學習等智能特性,已被成功地應用到那些難以用傳統的方法進行求解的復雜問題之中。特別是在系統識別、故障診斷、機器學習及神經網絡設計等領域,進化計算已經顯示出它的魅力。然而,作為一個新的、跨學科的研究課題,進化計算的理論研究還有待進一步完善,其中包括基礎理論、編碼機制、控制參數的選擇策略、收斂性分析等等。

2.3.3  基于遺傳算法的優化設計

進化計算包括遺傳算法、進化策略、進化規劃和遺傳規劃。遺傳算法為求解復雜系統優化問題提供一個通用的框架，它不依賴于問題的具體領域，因此基于遺傳算法的優化設計廣泛存在于很多領域之中。其主要應用領域有[3]:

[NextPage]

(1) 函數優化.函數優化是遺傳算法的經典應用領域.對于一些非線性、多模型、多目標的函數優化問題，用其它優化方法較難求解，而遺傳算法卻可以方便的得到較好的結果.

(2) 組合優化.對較大規模的組合問題，目前在計算機上用枚舉法很難或甚至不可能求出其精確最優解，而遺傳算法則較為方便的求得其滿意解.實踐證明，遺傳算法對于組合優化中的NP完全問題非常有效.

(3) 生產調度問題.遺傳算法已成為解決復雜調度問題的有效工具，在單件生產車間調度、流水線生產車間調度、生產規劃、任務分配等方面都有有效的應用.

(4) 圖像處理.圖像處理是計算機視覺中的一個重要研究領域.遺傳算法在圖像處理的優化計算如模式識別、圖像恢復、圖像邊緣特征提取等方面都有很好的應用.

2.4 蟻群算法

2.4.1  蟻群算法的生物學基礎

其原理可大致描述如下：螞蟻屬于群居昆蟲，個體行為極其簡單，而群體行為卻相當復雜。相互協作的一群螞蟻很容易找到從蟻巢到食物源的最短路徑，而單個螞蟻則不能。此外，螞蟻還能夠適應環境的變化，例如在蟻群的運動路線上突然出現障礙物時，它們能夠很快地重新找到最優路徑。人們通過大量的研究發現，螞蟻個體之間是通過在其所經過的路上留下一種可稱之為“信息素”（pheromone）的物質來進行信息傳遞的。隨后的螞蟻遇到信息素時，不僅能檢測出該物質的存在以及量的多少，而且可根據信息素的濃度來指導自己對前進方向的選擇。同時，該物質隨著時間的推移會逐漸揮發掉，于是路徑的長短及該路徑上通過的螞蟻的多少就對殘余信息素的強度產生影響，反過來信息素的強弱又指導著其它螞蟻的行動方向。因此，某一路徑上走過的螞蟻越多，則后來者選擇該路徑的概率就越大。這就構成了螞蟻群體行為表現出的一種信息正反饋現象。螞蟻個體之間就是通過這種信息交流達到最快捷搜索到食物源的目的。

2.4.2  蟻群算法描述

蟻群算法就是模擬螞蟻搜索食物的過程,該算法的思想是:用螞蟻的行走路線表示待求解問題的可行解,每只螞蟻在解空間中獨立地搜索可行解,解的質量越高,在“行走路線”上留下的信息素也就越多,隨著算法的推進,代表較好解的路線上的信息素逐漸增多,選擇它的螞蟻也逐漸增多,最終整個蟻群在正反饋的作用下集中到代表最優解的路線上,也就找到了最優解。

蟻群算法的核心有三條。第一，選擇機制：信息素越多的路徑，被選中的概率越大；第二，信息素更新機制：路徑越短，跡增加越快；第三，協作機制：個體之間通過信息素進行交流。

蟻群算法的特點是不僅能夠智能搜索、全局優化，而且具有穩健性（魯棒性）、正反饋、分布式計算、易與其它算法結合等特點[4]。利用正反饋原理，可以加快進化過程；分布式計算使該算法易于并行實現，個體之間不斷進行信息交流和傳遞，有利于找到較好的解，不容易陷入局部最優；該算法易與多種啟發式算法結合，可改善算法的性能；由于魯棒性強，故在基本蟻群算法模型的基礎上進行修改，便可用于其它問題。但是，蟻群算法還不像其它的啟發式算法那樣已形成系統的分析方法和具有堅實的數學基礎。參數的選擇更多的是依靠實驗和經驗，沒有定理來確定，而且它的計算時間偏長。

2.4.3  基于蟻群算法的優化設計

蟻群算法主要用于求解不同的組合優化問題，一類應用于靜態組合優化問題，另一類用于動態組合優化問題。靜態問題指一次性給出問題的特征,在解決問題過程中,問題的特征不再改變。動態問題被定義為一些量的函數,這些量的值由隱含系統動態設置。

基于蟻群算法優化設計在靜態組合中的優化應用包括[5]：旅行商問題(TSP)、二次分配問題(QAP)、車間任務調度問題(JSP)、車輛路線問題(VRP)、圖著色問題(GCP)、有序排列問題(SOP)。在動態組合中的優化應用包括：大規模集成電路中的綜合布線以及電信網絡中的路由等方面。同時，蟻群算法在其他領域上的組合問題上都取得比較理想的效果，如管線敷設問題、機構同構判定問題、開關盒布線問題、學習模糊規則問題等。

[NextPage]

3  結束語

從以上分析可以知道,計算智能理論的共同特點:它們都是受生物體系的某些機制啟發而產生,都已經或正在理論和實踐應用中不斷完善,取得了許多實際成果。另外,它們各有特點,模糊系統善于描述和利用經驗知識;神經網絡善于直接從數據中進行學習;而進化計算善于求解復雜的全局最優問題,具有極強的穩健性和整體優化性。蟻群算法能夠不局限于局部最優解，為復雜困難的系統優化問題提供了新的具有競爭力的求解算法。模糊系統的推理能力強于神經網絡和進化計算,而神經網絡、進化計算的學習、搜索能力強于模糊系統。進化計算優化搜索的廣度和適應性優于神經網絡,而神經網絡的優化、學習精度優于進化計算。

雖然每個算法各有特點,但它們共同的仿生基礎決定了它們存在必然的聯系。將進化算法、模糊邏輯、神經網絡、蟻群算法、免疫算法以及其他算法結合起來是目前計算智能一項新的研究課題。總之，計算智能是一個發展潛力巨大的方向,未來的發展一定會越來越智能化,個性化的傾向越來越濃,目的性變得日益明確,故其應用的領域也會越來越廣。(田曉艷)

參考文獻

[1]項寶衛,凌塑勇.計算智能算法的研究現狀[J].臺州學院學報,2006.6,(3):22-25.

[2]王萬森.人工智能原理及其應用.北京:電子工業出版社,2006,11.

[3]王凌.智能優化算法及其應用.北京:清華大學出版社,施普林格出版社,2001,10.

[4]Marco Dorigo, Luca Maria Gambardella. Ant Colony System: Cooperative Learning Approach to the Traveling Salesman Problem [J].IEEE Transaction on Evolutionary Computation,1997；1(4)

[5]鄧玉芬,項鳳紅.螞蟻算法在組合優化中的應用[J].電子測量與技術,2007.1(2):32-36.