计算智能 绪论

特征函数在0和1区间取值,这种函数称隶属函数. 隶属度和概率值取值一样, 都是研究事物的不确定 性问题, 但它们的含义不同： 1）概率性:事件本身是清晰的,只是事件出现频数具 有不确定性。 2）模糊性:事件本身是含糊不清的,而事件出现是确 定的。

复杂的工业控制过程的非线性、时变特性以及可利 用测量手段的局限性, 很难实现自动控制。 计算机实现：但常常由于数学模型不精确,或者需要 大量计算时间,过程运行仅在一定条件范围内有效, 超越条件或受到偶然的扰动控制就很难保证稳定。 模糊逻辑是适合于这类控制, 即模糊逻辑控制 以蒸气涡轮机的工作过程为例:涡轮机的汽阀动作取 决于两个控制变量:温度和压力。 首先每个变量定义一些模糊区(集合)。 然后构造一个控制模型,即根据控制变量的每种组合, 编写描述控制动作的规则。 最后从输入模糊集和规则得到输出模糊集,再转换成 清晰的输出去控制汽阀

计算智能的产生
智能的三个层次： 1）生物智能（Biological Intelligence, BI)：由人脑 的物理化学过程反映出来的，人脑是有机物，它是 智能的物质基础 2）人工智能(Artificial Intelligence, AI)：他是非生 物的，是人造的，常用符号表示，它的来源是人的 知识和传感器数据。 3）计算机智能（Computation Intelligence，CI):它 是数字方法和计算机实现的，它的来源是数值计算 和传感器。

本课程的主要内容
1）模糊计算
2）神经计算 3）进化计算

随着模糊逻辑、神经网络、进化计算、混沌与分形、 小波分析、人工生命以及人工智能等交叉学科的综 合集成不断深入和发展,用计算智能技术来解决复杂 智能行为已成为智能模拟、智能信息处理、智能控 制、智能建筑、智能制造、智能多媒体通信、智能 机器人、智能计算机、智能管理系统、智能决策系 统等领域研究的新兴热门话题,并将在推动高度智能 系统化的发展方面,起到重大的关键性作用
1）模糊系统与神经网络结合
模糊技术以模糊逻辑为基础,其特长为逻辑推
理能力,实现模糊联想及模糊映射。 神经网络以生物神经网络为模拟基础, 使人 工智能更接近人脑的自组织和并行处理等功 能,其优势为学习和自动模式识别。 将它们进行综合, 可有效地发挥各自的优势 并弥补其不足。将模糊技术引入神经网络可 大大地拓宽神经网络处理信息的范围和能力, 使模糊系统成为一种具有自适应、自学习和 自组织功能的模糊系统。

4)进化计算技术
进入20
世纪80 年代,随着以符号系统模拟智 能的传统人工智能暂时陷入困境.神经网络、 机器学习和遗传算法等从生物系统底层模拟 智能研究重新复活并获得繁荣。 进化计算( Evolutionary Computation, E C)体现 了生物进化中的4个要素,即:繁殖、变异、竞 争和自然选择。 目前进化计算包括:遗传算法( Genetic Algorithm)、进化策略 (Evolution Strategy)、 进化规划( Evolutionary Programming)等。
4）混沌计算技术 混沌是“无序中的有序”,有序是指其确定性,而无 序则是其最终结果的不可预测性。 混沌的必要条件：非线性、非平衡性、确定性、动 态性、随机型、初值敏感性、时间序列的不规则性 和有奇异吸引子。


混沌性质的判别从数学上讲至今没有统一的定义。
5）分形计算技术
智能技术的综合集成
目前国际上计算智能研究注意几个方面的结合: ① 神经网络与模糊系统和进化计算的结合; ② 神经网络与模糊及混沌三者的结合; ③ 神经网络与近代信号处理方法小波、分形的结合; ④专家系统与模糊逻辑、神经网络的结合,以便有效 地模拟人脑的思维机制,使人工智能导向生物智能。 计算智能涉及的几个方面技术虽然愈来愈为人们所 认识,仅作为一个学科分支的整体来看,它应该有新 的理论框架、基本模式、核心技术,有自己的计算系 统和计算处理方法。 所有这些问题都有待于进一步开发。需要建立计算 智能研究的综合集成环境,研究支持计算智能发展的 集成开发环境,建立高度的智能化处理系统。

3）模糊技术、神经网络和遗传算法综合集成
4）神经、模糊和混沌的融合 5）分形与混沌
计算智能展望
计算智能作为一门新兴学科,在理论上还很不
成熟,还有待进一步研究和发展,要真正实现 计算智能信息处理和智能模拟只靠单纯一两 种方法是很难做到的,需要多种方法综合集成 才能达到计算智能模拟。 一般认为计算智能包括神经网络、模糊系统 和进化计算三个主要方面,促进了基于计算和 物理符号相结合的各种智能理论、模型,功能 更强大,并能够解决更复杂系统的智能行为。

2）神经网络和遗传算法的结合
① 发展出一种新颖的编码方法,使之不仅能编码网 络结构,同时也能编码学习规则。设计网络结构的动 态调整和权重训练动态性之间的协调性。 ② 如何提高遗传算子对构造新型网络的适应性。由 于网络编码方法的多样性以及对不同应用的侧重点 不同,要求遗传算子及其参数值有较好的适应能力。 ③ 如何妥善改进适合度评价函数。对于单一的适合 度评价函数无法提高网络整体性能,因而只有从学习 速度、精度、泛化能力以及网络的规模和复杂性等 方面综合权衡方能提高整体质量。
计算智能
何坤
百度文库
20世纪90年代以来, 人们在智能信息处理的研究中， 关注到精确处理与非精确处理的双重性，强调符号 物理机制与联接机制的综合,倾向于冲破“物理学式” 框架的“进化论”新路。这表明计算智能的新学科 分支被概括地提出来了,并以更加明确的目标蓬勃发 展 美国学者James C. Bezdek于1992年在近似推理的国 际杂志上论道:计算智能依靠生产者提供的数字材料, 而不是依赖于知识,而人工智能使用的是知识精华。

模糊理论源于美国,但长期以来受学派之争的束缚, 实际应用进展缓慢。 到20世纪80年代后期,在日本以家用电器广泛使用模 糊控制作为突破口,使模糊逻辑的实际应用获得迅速 发展。 20世纪90年代初,美国已醒悟到“美国人的理论却让 日本人赚钱”的教训,工业界也已行动起来。 中国从事模糊数学的研究比较早,并处于国际前列。 但由于众所周知的原因,应用仍有一定差距。 模糊技术有许多诱人的优越性,应用前景看好,但毕 竟还是新兴技术,尚不成熟,有许多问题需要研究和 解决。

2）神经计算技术
符号主义认为,认知的基本元素是符号,认知过程是 对符号表示的运算。 人类的语言、文字、思维均可用符号来描述,而且思 维过程只不过是这些符号的存储、变换和输入、输 出而已。 以这种方法实现的系统具有串行、线性、准确、易 于表达的特点,体现了逻辑思维的基本特性。 神经网络以联接主义为基础, 认为符号是不存在的, 认知的基本元素就是神经细胞。认知过程是大量神 经细胞的连接引起神经细胞不同兴奋状态和系统表 现出的总体行为。

AI 是CI→ BI的中间过渡,因为AI中除了计算算法外, 还包含符号表示和数值信息处理。 模糊集和模糊逻辑是CI→AI的平滑过渡,因为它包 含了数值信息和语义信息。 计算神经网络CNN 是一个最底层最基本的环节, 也 是CI的一个重要基石,主要用于模式识别。 目前国际上提出计算智能就是以人工神经网络为主 导,与模糊逻辑系统、进化计算以及信号与信息处理 学科的综合集成。

计算智能的主要技术
1）模糊计算技术 1965年,美国加州大学伯克莱分校L. Zadeh教授发表 了论文“ Fuzzy Sets”(模糊集),开创了模糊理论。提 出的不相容原理:“随着系统复杂性增加,人们对系统 进行精确而有效地描述的能力会降低,直至一个阈值, 精确和有效成为互斥”。 真实世界中概念往往没有明确的界限,而传统数学的 分类总试图定义清晰的界限,这是一种矛盾,一定条 件下会变成对立的东西。 任何事情都离不开隶属程度。这就是模糊理论的基 本出发点。

随着系统越来越复杂,当其复杂性达到与人类思维系 统可比拟时,传统的数学分析方法就不适应了。 模糊数学或模糊逻辑更接近于人类思维和自然语言, 模糊理论为复杂系统分析,进而为人工智能研究提供 了一种有用的方法和工具。 Zadeh从真实世界中的概念往往是没有清晰界限出发， 把普通集合论推广到模糊集合论。 普通集合中的成员是具有精确特性的对象：如8到12 的实数集合。 模糊集合中成员的特性是模糊的：如接近于10的实 数集合。

计算智能的特征
计算智能与人工智能不同,主要依赖的是生产者提供 的数字材料,而不是依赖于知识;它主要借助数学计 算方法的使用: 1) CI 的内容本身具有明显的数值计算信息处理特征; 2) CI 强调用计算的方法来研究和处理智能问题 (在 解空间进行搜索的过程都被称为计算)。 计算智能促进计算和符号物理相结合的各种智能理 论、模型、方法的综合集成。