1 概述
計算智能,廣義的講就是借鑒仿生學(xué)思想,基于生物體系的生物進(jìn)化、細(xì)胞免疫、神經(jīng)細(xì)胞網(wǎng)絡(luò)等某些機制,用數(shù)學(xué)語言抽象描述的計算方法。是基于數(shù)值計算和結(jié)構(gòu)演化的智能,是智能理論發(fā)展的高級階段。計算智能有著傳統(tǒng)的人工智能無法比擬的優(yōu)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(tǒng)的人工智能技術(shù)難以有效解決、甚至無法解決的問題。從方法論的角度和現(xiàn)在的研究現(xiàn)狀,計算智能的主要算法有：人工神經(jīng)網(wǎng)絡(luò)、模糊算法、進(jìn)化算法、模擬退火、忌搜索算法、DNA軟計算、人工免疫系統(tǒng)、蟻群算法、粒子群算法、多代理(Agent)系統(tǒng)等[1]。
本文對計算智能的四種算法：人工神經(jīng)網(wǎng)絡(luò)、模糊計算、進(jìn)化計算、蟻群算法的生物學(xué)基礎(chǔ)、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(yīng)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(jīng)網(wǎng)絡(luò)、進(jìn)化計算及模糊系統(tǒng)這三個領(lǐng)域發(fā)展相對成熟的基礎(chǔ)上形成的一個統(tǒng)一概念。其中，神經(jīng)網(wǎng)絡(luò)是一種對人類智能的結(jié)構(gòu)模擬方法，它是用于人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)去模擬生物神經(jīng)系統(tǒng)的智能機理的；進(jìn)化運算是一種對人類智能的演化模擬方法，它是用進(jìn)化算法去模擬人類智能的進(jìn)化規(guī)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(jīng)網(wǎng)絡(luò)
2.1.1 神經(jīng)網(wǎng)絡(luò)的生物學(xué)基礎(chǔ)
神經(jīng)系統(tǒng)的基本構(gòu)造是神經(jīng)元(神經(jīng)細(xì)胞),它是處理人體內(nèi)各部分之間相互信息傳遞的基本單元。每個神經(jīng)元都由一個細(xì)胞體,一個連接其他神經(jīng)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(jīng)元的輸出信號(興奮)傳遞給別的神經(jīng)元。其末端的許多神經(jīng)末梢使得興奮可以同時傳送給多個神經(jīng)元。樹突的功能是接受來自其它神經(jīng)元的興奮。神經(jīng)元細(xì)胞體將接受到的所有信號進(jìn)行簡單處理(如加權(quán)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(xiàn)在權(quán)值上——有所不同)后由軸突輸出。
2.1.2 人工神經(jīng)網(wǎng)絡(luò)描述
人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)(ANN)是通過對大量人工神經(jīng)元的廣泛并行互聯(lián)所形成的一種人工網(wǎng)絡(luò)系統(tǒng)，用于模擬生物神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能。在人工神經(jīng)網(wǎng)絡(luò)中,計算是通過數(shù)據(jù)在網(wǎng)絡(luò)中的流動來完成的。在數(shù)據(jù)的流動過程中,每個神經(jīng)元從與其連接的神經(jīng)元處接收輸入數(shù)據(jù)流,對其進(jìn)行處理以后,再將結(jié)果以輸出數(shù)據(jù)流的形式傳送到與其連接的其它神經(jīng)元中去。網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和各神經(jīng)元之間的連接權(quán)值是由相應(yīng)的學(xué)習(xí)算法來確定的。算法不斷地調(diào)整網(wǎng)絡(luò)的結(jié)構(gòu)和神經(jīng)元之間的連接權(quán)值,一直到神經(jīng)網(wǎng)絡(luò)產(chǎn)生所需要的輸出為止。通過這個學(xué)習(xí)過程,人工神經(jīng)網(wǎng)絡(luò)可以不斷地從環(huán)境中自動地獲取知識,并將這些知識以網(wǎng)絡(luò)結(jié)構(gòu)和連接權(quán)值的形式存儲于網(wǎng)絡(luò)之中。幾種典型的ANN為:多層感知網(wǎng)絡(luò)、競爭型神經(jīng)網(wǎng)絡(luò)、Hopfield神經(jīng)網(wǎng)絡(luò)。
人工神經(jīng)網(wǎng)絡(luò)的特點是具有良好的自學(xué)習(xí)、自適應(yīng)和自組織能力,以及人規(guī)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(zhǔn)確的信息處理問題。但應(yīng)該看到,在神經(jīng)網(wǎng)絡(luò)的設(shè)計過程中,對各種參數(shù)的設(shè)置及網(wǎng)絡(luò)結(jié)構(gòu)的確定等都帶有很強的經(jīng)驗性,無完整的理論可循,其規(guī)模也遠(yuǎn)未達(dá)到人腦所具有的上百億個神經(jīng)元的規(guī)模。而且,人工神經(jīng)網(wǎng)絡(luò)是基于腦模型的,它的研究受到腦科學(xué)研究成果的限制,在沒有對人腦的思維規(guī)律和認(rèn)知過程有一個清楚的了解之前,很難真正實現(xiàn)對人腦的模擬。
2.1.3 基于人工神經(jīng)網(wǎng)絡(luò)的優(yōu)化設(shè)計
隨著人工神經(jīng)網(wǎng)絡(luò)理論的日趨成熟，基于人工神經(jīng)網(wǎng)絡(luò)優(yōu)化應(yīng)用研究也取得了突破性進(jìn)展，范圍正在不斷擴(kuò)大，主要在以下幾個方面優(yōu)化應(yīng)用：
(1) 信號處理方面
人工神經(jīng)網(wǎng)絡(luò)技術(shù)被廣泛地應(yīng)用于信號處理,如能分別對通訊、語音、心電和腦電信號進(jìn)行處理分類、目標(biāo)檢測、雜波去噪或畸變波形的恢復(fù)、雷達(dá)回波的多目標(biāo)分類、運動目標(biāo)的速度估計、多目標(biāo)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(dá)目標(biāo)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(yīng)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(jīng)網(wǎng)絡(luò)方法已經(jīng)覆蓋了控制理論中的絕大多數(shù)問題，主要有系統(tǒng)建模與辨識、PID參數(shù)整定、極點配置、內(nèi)模控制、優(yōu)化設(shè)計、預(yù)測控制、最優(yōu)控制、自適應(yīng)控制、濾波與預(yù)測容錯控制、模糊控制和學(xué)習(xí)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(xiàn)象的認(rèn)知能力的認(rèn)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(guī)則,通過模糊化和反模糊化方便實現(xiàn)模糊推理。模糊邏輯本身并不模糊,而是用來對“模糊”進(jìn)行處理以達(dá)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(yīng)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(yīng)用系統(tǒng)。模糊計算的知識表達(dá)易于理解,但難于利用數(shù)值信息,自學(xué)習(xí)能力較差。目前，關(guān)于模糊控制自適應(yīng)、自學(xué)習(xí)、自組織策略研究頗多,但現(xiàn)場真正成功應(yīng)用的很少,亟待技術(shù)實用化研究。
2.2.2 基于模糊計算的優(yōu)化設(shè)計
工程設(shè)計存在大量的模糊信息,如:設(shè)計標(biāo)準(zhǔn)的模糊性、設(shè)計準(zhǔn)則(規(guī)范)的模糊性、外部環(huán)境作用的模糊性等。由于模糊信息不能用準(zhǔn)確的數(shù)量來表達(dá),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(biāo)函數(shù)、模糊推理計算等。模糊優(yōu)化設(shè)計包括三個方面的內(nèi)容:①模糊優(yōu)化設(shè)計方法;②自適應(yīng)模糊優(yōu)化系統(tǒng)模型;③模糊專家系統(tǒng)。
最典型的基于模糊計算的優(yōu)化設(shè)計應(yīng)用是模糊邏輯在火災(zāi)監(jiān)控系統(tǒng)中的應(yīng)用。傳統(tǒng)監(jiān)控系統(tǒng)的一個主要缺點是利用單一傳感器來監(jiān)控單一監(jiān)控點，由于傳感器內(nèi)部品質(zhì)和系統(tǒng)外部噪聲的影響使得系統(tǒng)的可靠性不理想。而多傳感器數(shù)據(jù)融合技術(shù)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(zhì)、性能和噪聲帶來的影響。可見監(jiān)控系統(tǒng)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(shù)學(xué)工具。我們可以用數(shù)據(jù)融合技術(shù)把互相獨立的傳感器變?yōu)榛ハ嗦?lián)系的整體，增加信息的冗余度，然后利用模糊邏輯把數(shù)據(jù)很好地融合在一起，最終大大提高系統(tǒng)的可靠性，降低系統(tǒng)的虛警率。
2.3 進(jìn)化算法
2.3.1 進(jìn)化計算的生物學(xué)基礎(chǔ)
進(jìn)化是自然界最為壯麗的過程。進(jìn)化的自然法則是過度繁殖、生存斗爭、遺傳和變異、優(yōu)勝劣汰、適者生存。這一法則的選擇結(jié)果就是物種的優(yōu)化。進(jìn)化過程也是自然界的優(yōu)化過程。進(jìn)化計算是模仿自然界進(jìn)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(jù)自然法則來產(chǎn)生新的更好的解。
2.3.2 進(jìn)化計算描述
進(jìn)化計算采用簡單的編碼技術(shù)表示各種復(fù)雜的結(jié)構(gòu),并通過對一組編碼表示進(jìn)行簡單的遺傳操作和優(yōu)勝劣汰的自然選擇策略來指導(dǎo)學(xué)習(xí)和確定搜索方向。通過對群體進(jìn)行復(fù)制、雜交和變異等遺傳操作來進(jìn)行學(xué)術(shù)研究。進(jìn)化算法可以在解空間的不同區(qū)域中對多個點進(jìn)行搜索,它能以很大的概率找到全局最優(yōu)解而不易陷入局部最優(yōu)情況。
進(jìn)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(yīng)函數(shù)、遺傳算子、控制參數(shù)、終止準(zhǔn)則等內(nèi)容,算法就可以按不依賴于問題本身的方式對未知空間進(jìn)行有效的搜索,最后找出問題的解。進(jìn)化算法還具有簡單、通用、穩(wěn)健性強、適合于并行處理等特點,及自組織、自適應(yīng)、自學(xué)習(xí)等智能特性,已被成功地應(yīng)用到那些難以用傳統(tǒng)的方法進(jìn)行求解的復(fù)雜問題之中。特別是在系統(tǒng)識別、故障診斷、機器學(xué)習(xí)及神經(jīng)網(wǎng)絡(luò)設(shè)計等領(lǐng)域,進(jìn)化計算已經(jīng)顯示出它的魅力。然而,作為一個新的、跨學(xué)科的研究課題,進(jìn)化計算的理論研究還有待進(jìn)一步完善,其中包括基礎(chǔ)理論、編碼機制、控制參數(shù)的選擇策略、收斂性分析等等。
2.3.3 基于遺傳算法的優(yōu)化設(shè)計
進(jìn)化計算包括遺傳算法、進(jìn)化策略、進(jìn)化規(guī)劃和遺傳規(guī)劃。遺傳算法為求解復(fù)雜系統(tǒng)優(yōu)化問題提供一個通用的框架，它不依賴于問題的具體領(lǐng)域，因此基于遺傳算法的優(yōu)化設(shè)計廣泛存在于很多領(lǐng)域之中。其主要應(yīng)用領(lǐng)域有[3]:
[NextPage]
(1) 函數(shù)優(yōu)化.函數(shù)優(yōu)化是遺傳算法的經(jīng)典應(yīng)用領(lǐng)域.對于一些非線性、多模型、多目標(biāo)的函數(shù)優(yōu)化問題，用其它優(yōu)化方法較難求解，而遺傳算法卻可以方便的得到較好的結(jié)果.
(2) 組合優(yōu)化.對較大規(guī)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(yōu)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(yōu)化中的NP完全問題非常有效.
(3) 生產(chǎn)調(diào)度問題.遺傳算法已成為解決復(fù)雜調(diào)度問題的有效工具，在單件生產(chǎn)車間調(diào)度、流水線生產(chǎn)車間調(diào)度、生產(chǎn)規(guī)劃、任務(wù)分配等方面都有有效的應(yīng)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(lǐng)域.遺傳算法在圖像處理的優(yōu)化計算如模式識別、圖像恢復(fù)、圖像邊緣特征提取等方面都有很好的應(yīng)用.
2.4 蟻群算法
2.4.1 蟻群算法的生物學(xué)基礎(chǔ)
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(dāng)復(fù)雜。相互協(xié)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(yīng)環(huán)境的變化，例如在蟻群的運動路線上突然出現(xiàn)障礙物時，它們能夠很快地重新找到最優(yōu)路徑。人們通過大量的研究發(fā)現(xiàn)，螞蟻個體之間是通過在其所經(jīng)過的路上留下一種可稱之為“信息素”（pheromone）的物質(zhì)來進(jìn)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(zhì)的存在以及量的多少，而且可根據(jù)信息素的濃度來指導(dǎo)自己對前進(jìn)方向的選擇。同時，該物質(zhì)隨著時間的推移會逐漸揮發(fā)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(chǎn)生影響，反過來信息素的強弱又指導(dǎo)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(gòu)成了螞蟻群體行為表現(xiàn)出的一種信息正反饋現(xiàn)象。螞蟻個體之間就是通過這種信息交流達(dá)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(zhì)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(jìn),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(yōu)解的路線上,也就找到了最優(yōu)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(xié)作機制：個體之間通過信息素進(jìn)行交流。
蟻群算法的特點是不僅能夠智能搜索、全局優(yōu)化，而且具有穩(wěn)健性（魯棒性）、正反饋、分布式計算、易與其它算法結(jié)合等特點[4]。利用正反饋原理，可以加快進(jìn)化過程；分布式計算使該算法易于并行實現(xiàn)，個體之間不斷進(jìn)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(yōu)；該算法易與多種啟發(fā)式算法結(jié)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(chǔ)上進(jìn)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(fā)式算法那樣已形成系統(tǒng)的分析方法和具有堅實的數(shù)學(xué)基礎(chǔ)。參數(shù)的選擇更多的是依靠實驗和經(jīng)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(yōu)化設(shè)計
蟻群算法主要用于求解不同的組合優(yōu)化問題，一類應(yīng)用于靜態(tài)組合優(yōu)化問題，另一類用于動態(tài)組合優(yōu)化問題。靜態(tài)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(tài)問題被定義為一些量的函數(shù),這些量的值由隱含系統(tǒng)動態(tài)設(shè)置。
基于蟻群算法優(yōu)化設(shè)計在靜態(tài)組合中的優(yōu)化應(yīng)用包括[5]：旅行商問題(TSP)、二次分配問題(QAP)、車間任務(wù)調(diào)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(tài)組合中的優(yōu)化應(yīng)用包括：大規(guī)模集成電路中的綜合布線以及電信網(wǎng)絡(luò)中的路由等方面。同時，蟻群算法在其他領(lǐng)域上的組合問題上都取得比較理想的效果，如管線敷設(shè)問題、機構(gòu)同構(gòu)判定問題、開關(guān)盒布線問題、學(xué)習(xí)模糊規(guī)則問題等。
[NextPage]
3 結(jié)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(fā)而產(chǎn)生,都已經(jīng)或正在理論和實踐應(yīng)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(tǒng)善于描述和利用經(jīng)驗知識;神經(jīng)網(wǎng)絡(luò)善于直接從數(shù)據(jù)中進(jìn)行學(xué)習(xí);而進(jìn)化計算善于求解復(fù)雜的全局最優(yōu)問題,具有極強的穩(wěn)健性和整體優(yōu)化性。蟻群算法能夠不局限于局部最優(yōu)解，為復(fù)雜困難的系統(tǒng)優(yōu)化問題提供了新的具有競爭力的求解算法。模糊系統(tǒng)的推理能力強于神經(jīng)網(wǎng)絡(luò)和進(jìn)化計算,而神經(jīng)網(wǎng)絡(luò)、進(jìn)化計算的學(xué)習(xí)、搜索能力強于模糊系統(tǒng)。進(jìn)化計算優(yōu)化搜索的廣度和適應(yīng)性優(yōu)于神經(jīng)網(wǎng)絡(luò),而神經(jīng)網(wǎng)絡(luò)的優(yōu)化、學(xué)習(xí)精度優(yōu)于進(jìn)化計算。
雖然每個算法各有特點,但它們共同的仿生基礎(chǔ)決定了它們存在必然的聯(lián)系。將進(jìn)化算法、模糊邏輯、神經(jīng)網(wǎng)絡(luò)、蟻群算法、免疫算法以及其他算法結(jié)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(fā)展?jié)摿薮蟮姆较?未來的發(fā)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(yīng)用的領(lǐng)域也會越來越廣。(田曉艷)
參考文獻(xiàn)
[1]項寶衛(wèi),凌塑勇.計算智能算法的研究現(xiàn)狀[J].臺州學(xué)院學(xué)報,2006.6,(3):22-25.
[2]王萬森.人工智能原理及其應(yīng)用.北京:電子工業(yè)出版社,2006,11.
[3]王凌.智能優(yōu)化算法及其應(yīng)用.北京:清華大學(xué)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(yōu)化中的應(yīng)用[J].電子測量與技術(shù),2007.1(2):32-36.
滬公網(wǎng)安備 31011202001934號
建議使用最新版瀏覽器,以獲得最佳瀏覽效果。
