计算智能




文章目录

  • 计算智能
  • 计算智能简介
  • 一、CI典型方法
  • 二、典型方法简单介绍
  • 1.人工神经网络
  • 2.进化计算
  • 3.群体智能
  • 4.人工免疫系统
  • 5.模糊系统
  • 总结


计算智能简介

计算智能(CI）—使智能行为在复杂和变化环境中能够或易于实现的自适应机制的研究。这些机制包括那些具有学习或适应新环境、拓展、抽象、发现和联想能力的AI典型方法。

一、CI典型方法

本系列包含了以下CI典型方法:人工神经网络、进化计算、群体智能、人工免疫系统和模糊系统。虽然这些典型方法中的单个技术都均已成功地应用于解决实际问题，但是当前的趋势是发展它们的混合方法，因为没有任何一种典型方法能在所有的场合都优于其他方法。因此，我们就应充分利用混合计算智能系统各部分的优势，而去除各自的弱点。

二、典型方法简单介绍

1.人工神经网络

  • 人脑是一个复杂的、非线性的和并行的计算机。它具有完成诸如模式识别、感知和电机控制任务的能力，并且速度远快于任何计算机—虽然现在已经出现了纳秒级硅门和毫秒级神经系统。除了这些特性之外，其他能力(如学习能力、记忆能力和静态推广能力)也激励了算法建模生物神经系统的研究，这些生物神经系统被称为人工神经网络(NN)。当前神经建模仅仅是针对解决特定问题所建立的小规模的人工神经网络。
  • 生物神经系统的基本构成单元是神经细胞，称为神经元。如下图所示:

智能计算系统架构 计算智能系统的特点_智能计算系统架构

  • 一个人工神经元(AN)是对一个生物神经元(BN)的建模。每一个人工神经元从外部环境或其他人工神经元接收信号，当它被激发后就将信号传递给所有与之相连的人工神经元。下图是一个人工神经元的示意图。与人工神经元相连的负值或正值加权控制对输入信号的抑制和激发。对一个人工神经元的激发和抑制信号的强度都是由一个函数来控制的，即所谓的激活函数。AN收集所有输入信号，并由各自加权的一个函数来计算出一个网络输入信号。激活函数以网络输入信号作为其输入，并计算出AN的输出信号。

智能计算系统架构 计算智能系统的特点_算法_02

  • 一个人工神经网络(NN)是一个的人工神经元(AN)的分层网络。一个NN可以由一个输入层、多个隐层和一个输出层组成。在一个层上的神经元与下一层的神经元是彼此全连接或部分连接的。有时也可能与前一层的反馈连接。典型的NN结构如下图所示:

智能计算系统架构 计算智能系统的特点_智能计算系统架构_03

2.进化计算



  • 进化计算(EC)的目标是模拟自然进化的过程，其主要概念是适者生存:弱者必须死亡。在自然进化中，生存是通过繁殖实现的。由两个(有时多于两个)父代繁殖的子代继承了父代两个(或所有)的基因—希望是父代每一个体的最好的特征。那些继承了差特征的个体则较弱，并会在生存竞争中失败。在某些鸟类中就有很好的证明例子，一个新孵化出的鸟若努力地获取更多的食物就会变得更强壮，其结果是将他的兄弟姐妹踢出鸟巢而死亡。

人们已经提出了不同类型的进化算法(EA）

  • 遗传算法:对遗传进化的建模。
  • 遗传编程:基于遗传算法但个体都是程序(用树表示)。
  • 进化规划:来源于对进化中自适应行为的模拟(表现型进化)。
  • 进化策略:侧重于策略参数的建模，这些参数控制了进化的变异，即进化的进化。
  • 差分进化:与遗传算法类似，只是所使用的繁殖方法不同。
  • 文化进化:是对一个群体的文化进化和文化如何影响个体的隐性型和表现型的进化的建模。
  • 协同进化:这里的初始“哑”个体是通过协作或相互竞争来进化以获得生存的必要特性。

3.群体智能



  • 群体智能(SI)源于对成群社会生物体的研究。研究群体中生物体(个体)的社会行为促使人们设计出高效优化算法和聚类算法。例如，对鸟群那优雅但不可预测的飞行术的仿真研究导致了粒子群优化算法，对蚂蚁的觅食行为的研究得出了蚁群优化算法。
  • 粒子群优化(PST)是一个模拟鸟群社会行为的随机优化方法。PST是一个基于群体的搜索过程，其中，被称为粒子的个体被分组成群。群中的每个粒子代表优化问题的一个候选解。在PST中，每个粒子在多维搜索空间中飞行，并根据自身经验和邻近粒子的经验调整自己在搜索空间中的位置。因此，粒子利用自己经历的最好位置和邻居的最好位置调整自己的位置指向最优解。其效果是粒子一面“飞”向最优解，同时仍然在当前最好解的周围的一个很大区域内搜索。每个粒子的性能(即，粒子靠近全局最优解程度)是通过预先定义的，用与求解问题相关的适应度函数来度量。PS}3的典型应用包括函数近似、聚类、机械结构优化和求解方程组。

4.人工免疫系统

  • 自然免疫系统(NIS)具有奇特的模式匹配能力，用于辨识进入体内的外来细胞(称为异己，或抗原)和自身细胞(称为自己)。当NI
    S遇到抗原时，I}TIS的自适应特性将发挥作用，同时NI S记住这些抗原的结构以便将来对其产生更快速的响应。
  • 在NIS的研究中有下面4种模型。
  1. 免疫系统的传统观点:是免疫系统使用在淋巴器官产生的淋巴细胞区分自己与异己。这些淋巴细胞通过“学习”以绑定抗原。
  2. 克隆选择理论:一个激活的B一细胞通过一个克隆过程产生抗体。产生的克隆也要变异。
  3. 危险理论:免疫系统具有区分危险抗原和不危险抗原的能力。
  4. 网络理论:假定B一细胞形成了一个网络。当一个B一细胞对一个抗原产生响应时，该B一细胞被激活并刺激网络中与其相连接的那些B一细胞。
    人工免疫系统(AIS)是对1}IS的某些方面的建模，主要用于求解模式识别问题，完成分类任务和聚类数据。AI S的一个主要应用是异常检测，如欺骗检测和计算机病毒检测。

5.模糊系统

  • 传统集合论要求元素属于集合或者不属于集合。同样地，二值逻辑要求参数的值是0或者是1，其推理结果也一样。然而，人的推理往往不是这样精确的。我们的观测和推理通常包括对不确定性的度量。例如，人可以理解这样的句子“某些计算机科学的学生能够用大多种语言编程序”，但是计算机是如何用其来表示和推理的呢?
  • 模糊集合和模糊逻辑允许进行近似推理。在模糊集中，一个元素以某一个确定程度属于一个集合。模糊逻辑允许用这些不确定事实进行推理以推论出新的事实，且每个事实赋予一个确定程度。在某种意义上，模糊集合和模糊逻辑可以用于对常识建模。
  • 模糊系统中的不确定性称作非统计不确定性，并且不应与统计不确定性相混淆。统计不确定性是基于概率论的，而非统计不确定性却是基于含糊的、不精确的和不明确的。统计不确定性可以通过观察来确定，例如，当投掷一个硬币时，我们知道结果是什么，并且在投掷硬币之前，我们知道每一个结果的概率都是50%。非统计不确定性或模糊是一个系统的本质特性，是不能通过观察来改变或求解的。
  • 模糊系统已经被成功地应用于控制系统、车辆中的齿轮传输和制动系统、控制升降机、家用电器、控制交通信号以及其他应用。

总结


以上就是今天的内容，本文简单介绍了计算智能的概念以及典型的计算智能的方法的介绍。