文档库 最新最全的文档下载
当前位置:文档库 › 计算智能理论及应用

计算智能理论及应用

第22卷第2期2004年4月

运城学院学报

JournalOfYunehengUniversity

V01.22NO.2

Apr.2004计算智能理论及应用

罗敏霞

(运城学院应用数学系,山西运城044000)

摘要:计算智能由美国学者JamesC.Bezedekl992年首次给出其定义,广义的讲就是借鉴仿生学思想.基于生物体系的生物进化、细胞免疫、神经细胞网络等某些机制,用数学语言抽象描述的计算方法。是基于数值计算和结构演化的智能.是智能理论发展的高级阶段。从方法论的角度和现在的研究现状,计算智能的主要方法有:人工神经网络、模糊系统、进化计算、免疫算法、DNA计算以及交叉融合的模糊神经网络、进化神经网络、模糊进化计算、进化模糊系统、神经模糊系统、进化模糊神经网络和模糊进化神经网络。计算智能理论技术的应用主要可以分为以下几个方面:智能建模、智能控制、智能优化、智能管理、智能仿真、智能设计和制造等。

关键词:计算智能;智能理论;智能建模

中图分类号:TPl83文献标识码:A文章编号:1008—8008(2004)02—0003—06

一、计算智能理论技术的起源

计算智能是美国学者JamesC.Bezedekl992年首次给出了其定义:计算智能是基于操作者提供的数据,不是依赖于知识,而人工智能使用的则是知识,当一个系统仅仅处理底层的数据,具有模式识别的功能,并且不使用人工智能意义中的知识,那么这个系统就是计算智能系统。主要表现的特点:具有计算的适应性;具有计算误差的容忍度;接近人处理问题的速度}近似人的误差率。JamesC.Be—zedek认为智能有3个层次[1]:第1个层次是生物智能(BiologicalIntelligence),它是人脑的物理化学过程反映出来的,人脑是智能的物质基础.它是对智能的产生、形成和工作机理的直接研究,主要是生理学和心理学研究者所从事的工作;第2个层次是人工智能(ArtificialIntelligence),是非生物的,研究始于1956年,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;第3个层次是计算智能(ComputationalIntelligence),它是由数学方法和计算机来实现。

人工智能应以生物智能为基础,如果搞清了生物智能的工作机理及其各功能部件的结构关系,那么就可以通过高度发达的电子、光学和生物的器件构筑类似的结构对其进行模拟、延伸和扩展,从而实现人工智能。但遗憾的是,由于人脑结构高度复杂,也由于实验这一现代科学的锐利武器在研究人脑机制和结构时不能随意使用,直到今天,生物智能还没有完全搞清基本智能活动的机制和结构,总体进展有限。因而人工智能理论的主流已经从结构模拟的道路走向功能实现的道路。所谓的功能实现,就是将生物智能看作黑箱,而只控制黑箱的输入输出关系,只要从输入输出关系上来看所要模拟的功能即可。功能实现的道路使人工智能理论摆脱了生物智能研究进展缓慢的束缚,通过几十年的发展,已经成为较为系统的理论体系。

人工智能[2]从一开始就形成2种重要的研究模式,即符号主义和联接主义。符号主义采用知识表达和逻辑符号系统模拟人类的智能,从宏观层次上,撇开人脑的内部结构和机制,仅从人脑外在表现出来的智能现象出发进行研究,例如,将记忆、判断、推理、学习等心理活动总结成规律,编制成规则,然后用计算机进行模拟。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,文字的思维均可用符号来描述,而且思维过程只是对这些符号的存储、变换和输人、输出。专家系统和知识工程是符号主义人工智能发展的主流。联接主义是一种微观意义上的探索,联接主义认为符号是不存在的,认知的基本单元是神经细胞,认知过程是大量神经元的联接,以及这种联接所引起的神经元的不同兴奋状态和系统所表现出的总体行为。神经网络和神经计算机是这种模式的代表。从20世

收稿日期:2004一02一08

作者简介:罗敏霞(1964一)。女.山西临猗人,运城学院应用数学系副教授。西北工业大学在读博士。

?3’

纪50年代一60年代,这2种方法并驾齐驱,但基本是独立的,20世纪60年代和70年代,符号主义人工智能发展较快,20世纪80年代,符号主义人工智能未取得应有的进展,相反,联接主义的研究蓬勃发展,在理论和应用上均取得令人瞩目的成就,到20世纪90年代,联接主义人工智能逐渐占据主导地位。特别符号人工智能和联接人工智能融合技术的研究,逐渐成为解决原来人工智能理论本身缺陷的新方法。显然,联接主义人工智能就是计算智能的主要内容,同时随着模糊数学、模糊逻辑理论及其应用的重大进展,模糊理论成为智能技术的一个重要分支,其中模糊计算属于数学的范畴,模糊逻辑属于符号的范畴,因而它成为符号人工智能和计算智能的桥梁。同时在自然选择和进化理论基础上发展起来的进化计算理论在优化计算方面显示了强有力的优势,成为智能技术的一个新方向。神经网络反映大脑思维的高层次结构,模糊计算模仿低层次的大脑结构,进化计算模拟生物体种群的进化过程实现优胜劣汰,这些方法在某些特定方面起到特殊的作用,但也都存在一些固有的局限,三者融合起来互相弥补,已成为目前智能技术研究的主流。

二、计算智能的主要内容及研究现状

计算智能,广义的讲就是借鉴仿生学思想,基于生物体系的生物进化、细胞免疫、神经细胞网络等某些机制,用数学语言抽象描述的计算方法。是基于数值计算和结构演化的智能,是智能理论发展的高级阶段。计算智能有着传统的人工智能无法比拟的优越性,它的最大特点就是不需要建立问题本身的精确模型,非常适合于解决那些因为难以建立有效的形式化模型而用传统的人工智能技术难以有效解决、甚至无法解决的问题。

从方法论的角度和现在的研究现状,计算智能的主要方法曲]有:人工神经网络、模糊系统、进化计算、免疫算法、DNA计算以及交叉融合的模糊神经网络、进化神经网络、模糊进化计算、进化模糊系统、神经模糊系统、进化模糊神经网络和模糊进化神经网络。

人工神经网络(ArtificialNeuralNetworks,简称ANN):人工神经网络[‘]是模仿和延伸人脑智能、思维、意识等功能的非线性自适应动力学系统,神经网络所具有的学习算法能使其对事物和环境具有很强的自学习、自适应和自组织能力,它的知识积累是自动的,无瓶颈效应存在。因此,神经网络信息处理系统是一种全新计算结构的新型智能信息处理系统,或称为基于神经计算的智能信息处理系统。它可以模仿人脑处理不完整的、不准确的、甚至处理非常模糊的信息,并能联想记忆,从部分信息中获得全部信息。

?4?

神经网络(ANN)通过众多神经元联结从结构和实现机理方面进行逼近生物智能,并附以学习、识别和控制等功能模拟以弥补对生物智能认识的局限,其并行和分布式的结构和处理问题的方法,使其在许多实际应用领域取得了显著的成效,解决了一些传统方法无法求解或解决效果较差的问题。

输出层

隐含层

输入层

图13层前馈型BP网络的拓扑结构

人工神经网络系统是由大量简单的处理单元(即神经元)广泛地连接而形成的复杂网络系统。一个典型的3层前馈型BP网络的拓扑结构如图l所示,其中每个神经元的结构如图2所示。在人工神经网络中,计算是通过数据在网络中的流动来完成的。在数据的流动过程中,每个神经元从与其连接的神经元处接收输入数据流,对其进行处理以后,再将结果以输出数据

流的形式传送到与

其连接的其它神经

元中去。网络的拓

扑结构和各神经元

之间的连接权值W;X

是由相应的学习算

法来确定的,算法不

断地调整网络的结

构和神经元之间的

连接权值,一直到神

0=f(∑XiW。一T)

图2神经元结构模型

经网络产生所需要的输出为止。通过这个学习过程,人工神经网络可以不断地从环境中自动地获取知识,并将这些知识以网络结构和连接权值的形式存储于网络之中。

人工神经网络的学习方法很多,但总体上可划分为以下两种模式,即:有导师学习和无导师学习。

(1)有导师学习:在这种模式中,神经网络的实际输出与期望输出进行比较,然后根据这一比较结果调节网络的权值,以便在下一个迭代循环中产生一个更好的匹配。所有学习过程的目的是通过权值的连续调节,最终使得期望输出与当前输出间的误差(差错)最小。对于有导师学习,网络在能执行工作前必须进行“训练”。当网络对于给定的输人数据

序列能产生所需要的输出时,就认为网络的训练已经完成。

(2)无导师学习:无导师学习有时也称为无监督学习。在这种学习模式中,网络权值调节没有受外来的“教师”影响。而是在其内部对性能实行监控,网络在输入信号中寻找规律或趋势,并根据网络的功能进行自适应调节。尽管它没有外来“教师”,但是网络仍然需要有一些信息以进行自我组织。无导师学习强调处理单元群集间的协调。如果外界输入激活处理单元群中的某一节点,那么整个处理单元群的活性也就随之增加。类似地,如果输入到该节点的外界信号降低,它将引起整个群的抑制效应。

模糊系统:对于一个给定的论域,古典集合通常把它分成2个部分:成员集(由肯定属于该集合的成员组成)和非成员集(由肯定不属于该集合的成员组成),成员集和非成员集之间存在一条非常清晰的界限。然而,在很多常用的分类概念和自然语言表达中,所描述的集合并不具备这样的特性,如近距离的概念,它有一个不精确的边界以逐渐从成员集向非成员集过渡。为了表示和处理现实世界中的这种不精确和不确定,Zadeh于1965年提出了模糊集合理论。在模糊集合中,集合的边界并不清晰,集合成员的资格也不是肯定或否定。它采用“隶属函数”来描述现象差异的中间过渡,从而突破了古典集合中属于或不属于的绝对关系。在模糊集合中,每个个体被分配一个值以表示它隶属于该集合的程度。这个值反映的是该个体与模糊集合所表示的概念的相近似程度:隶属度越大,属于该集合的程度也越大,反之亦然。模糊系统以模糊集合理论、模糊逻辑推理为基础,它试图从一个较高的层次模拟人脑表示和求解不精确知识的能力。在模糊系统中,知识是以规则的形式存储的,它采用一组模糊lF—THEN规则来描述对象的特性,并通过模糊逻辑推理来完成对不确定性问题的求解。模糊系统善于描述和利用学科领域的知识,具有较强的推理能力。近10多年来,模糊系统已被广泛地应用于专家系统、智能控制、故障诊断等领域,并取得一些令人振奋的成果。但它在模糊规则的自动提取及隶属函数的自动生成等问题上还需要作进一步的研究。

模糊逻辑(FuzzyLogic,简称FL):是一种精确处理不精确不完全信息的方法,可以比较自然地处理人的概念,即利用模糊规则,通过模糊化和反模糊化方便实现模糊推理。主要应用有:模糊控制、模糊决策、模糊模式识别、模糊综合评判、模糊聚类分析、模糊建模等。实际应用中有单变量和多变量模糊控制,模糊建模等,实践证明三维模糊控制器在非线性、大滞后、大范围内干扰的控制效果明显优于PID控制。但最初的模糊控制不具有自适应能力,目前关于模糊控制自适应、自学习、自组织策略研究颇多,但现场真正成功应用的很少,亟待技术实用化研究。

进化算法(EvolutionaryAlgorithm,简称EA):是遗传算法、进化策略、进化规划的通称,它们都是模拟生物在自然环境中遗传和进化的原理而形成。

遗传算法是一个群体优化过程,为了得到目标函数的最小(大)值,我们不是从一个初始值出发,而是从一组初始值出发进行优化。这一组初始值好比一个生物群体,优化的过程就是这个群体繁衍、竞争和遗传、变异的过程。遗传算法主要有以下步骤:(1)设置初值。

(2)竞争。这一步是先根据优生的原则,选择初群体(初始值组)中的若干个个体来产生下一代。例如可以根据目标函数值的大小决定个体被选中的概率,并按这个概率选择初始群体中的个体,以体现优生原则。

(3)繁衍。它包括演化、杂交和变异。可以简单地采取类似于上面讲到的优化步骤,也可以采取变异或杂交算法。在离散变量(通常它们是很高维数的离散取值向量)优化问题中,一种常见的杂交方法是:对两个选中的个体,决定性地或随机地取它们(两个离散值向量)中的各自的一段相同维数的分量,互换对接成两个新个体,称为子代。针对不同的实际问题,可以根据原先对所需优化的问题的了解,选取其他的繁衍(即竞争、遗传与杂交)方式。

(4)以子代代替其父代(即产生子代的那两个个体),反复进行步骤(2)与(3),不断产生后代直至目标函数在整个群体中的最小(大)值不能再继续优化。

事实上,上述的优化方法并不能保证达到全局优化,仍然可能陷入局部极值的陷阱,只是由于遗传算法引入了多个自变量,而实际上,新的目标函数是原来的目标函数在这些单个自变量对应的函数值中的最小(大)值,从而使得陷入局部极值陷阱的机会相对变小(其实,新的目标函数达到最小值的点集相对于极值点集变大了),优化效果会有所改进。此外,人们又提出了在父代和子代间也引入竞争,即不是简单地用子代代替父代,而是选取它们中较优者作为下一步的父代。在上述遗传算法中还可以引入变异,即在优化过程中以小概率不按局部优化的方向进行。从局部看,这种演化似乎反而“劣化”了目标函数,但正是这种演化才为逃出局部极值的陷阱提供了可能性。又由于我们可以控制“劣化”的变异只以很小的概率发生,在计算了很多步后,总趋势是向优化发展的。

遗传算法是对每个个体进行评价、然后概率选择高适应度的个体、进行交叉和变异从而产生新的

?5‘

图3免疫算法计算模型

个体;进化策略基于变异与选择的原理,对于每一个亲代,通过变异产生一个子代,二者通过竞争获得生存,通过选择以消除低劣解从而进化;进化规划近似进化策略,不同之处在于个体选择采用概率分布选择机制,且每一子代变异次数也满足概率分布,从而产生下一世代的亲代。三者的差异通过随机变换类型和选择机制来刻划,研究较多的是遗传算法。它们都是一种全局优化技术,可以解决现实生活中各种优化问题,应用领域主要是CIMS、CIPS中的生产调度、规划,机器人、网络通信的路径规划,多参数优化设定,企业资源规划等;且能够与模糊逻辑、神经网络结合,解决它们中所有参数的快速学习问题。但目前进化算法研究较多是解决“早熟”和提高效率问题,存在的问题是数学理论基础,应用中主要是控制参数的选择和自适应问题,要真正形成基于进化算法的上述领域的真正实用化产品还有许多工作要做。

免疫算法∽J(ImmuneAlgorithm简称IA):免疫算法是抽取和反映生物机体免疫系统的特点,结合工程应用而描述的一个计算模型,如图3所示。这里,抗原对应于待求解的问题,而抗体则对应于问题的一个解。

?6。

抗原识别模块及初始抗体的产生针对待求解的特征,判别系统是否曾求解过此类问题,若有则从记忆细胞库中搜寻该类问题的记忆抗体,否则随机产生初始抗体群。抗体产生在免疫反应过程中,由于抗原的刺激、抗体产生细胞(B细胞)不断分化、增殖,形成大量的抗体。这些抗体的来源主要有:(1)免疫细胞的新陈代谢作用。即抗体维持着一定数量的自然死亡和不断对从骨髓中新产生的B细胞中得到补充;(2)基于交叉与变异的新抗体的产生。在免疫调节机制下,抗体群体不断更新进化,最终排除抗原,即搜索到问题的解。抗体间产生的刺激与抑制本文采用一种基于浓度的抗体产生调节机制。抗体的浓度C。是指群体中相似抗体所占的比率,即:C。一具有相近适应度的抗体数/抗体总数N。在群体更新中,适应度高的抗体的浓度不断提高,而浓度达到一定值时,则抑制这种抗体的产生,反之则相应提高浓度低的抗体的产生和选择概率。这种机制保证了抗体群体更新中的抗体多样性,一定程度上避免了未成熟收敛。

DNA计算(DNAComputing):(1)DNA生物学原理:(i)DNA编码机制,DNA的基本元素是核苷酸,核苷酸划分为四类碱基(bases):腺嘌呤(A)、鸟嘌呤(G)、胞嘧啶(C)和胸腺嘧啶(T)。DNA由两条极长的核苷酸键组成,这两条极长的核苷酸键利用碱基之间的氢键而结合在一起,形成一条双股的螺旋结构,且一股中的碱基序列与另一股中的碱基序列互补,A和T配对,C和G配对,每个染色体是一段双股螺旋的DNA,遗传信息以A、T、C、G在核苷酸中的排列顺序而体现,其排列序列的多样性构成了丰富的遗传信息。(ii)遗传信息流程及操作方法,细胞利用遗传信息主要有三种:复制、转录和翻译,通过DNA的复制而保留遗传信息,遗传信息从细胞核传到细胞质,是把DNA转录成mRNA。用编码的遗传信息翻译成由一个特定的序列氨基酸连成的蛋白质。tRNA起调节作用,将氨基酸插入到多缩氨基酸的合适位置。重组或交叉是DNA交换遗传信息的过程,两条DNA链通过交叉互相交换链上的核苷酸,变异是DNA序列中的变化,最常见的变异是基因中代码序列的变化,如转换(transi-tion)变异:嘌呤替代嘌呤、嘧啶替代嘧啶;颠换(transversion)变异:嘌呤被嘌呤或嘧啶替代;框构转移(frameshift)变异:一个或多个碱基对丢失或插入,再重新组合。(2)DNA的数学机理:从DNA的原理来看,它与数学操作非常类似,单股DNA可看作由四个不同符号A,G,C和T组成的串,它在数学上就偈电子计算机中编码“0”和“1”一样,可表示成四字母的集合Z一{A,G,C,T)来译码信息,DNA串可作为译码信息,酶可看作模拟在DNA序列上

简单的汁算,不同的酶用于不同的算子,如,限制内核酸酶(endonucleases)可作为分离算子,I)NA结合酶(1igase)可作为绑结算子,DNA聚合酶(polymer—ases)可作为复制算子,外核酸酶(exonuclease)可作为删除算子等。DNA计算于1994年被L。AdIe—man首次用实验显示了用于计算的可能性,目前研究已涉及许多方面:DNA计算的能力、模型和算法等。最近也有学者开始将DNA计算与遗传算法、神经网络、模糊系统和混沌系统等软计算方法相结合。I。。Adleman给我们提出了令人激动人心的挑战,但DNA计算的许多研究等待着生物学、化学、计算机科学、数学、物理和工程等各个学科的合作研究。DNA计算刚处于起步阶段,但已显出非常大的潜力。

从以上分析可以知道,计算智能理论的共同特点:它们都是受生物体系的某些机制启发而产生,都已经或正在理论和实践应用中不断完善,取得了许多实际成果。另外,它们各有特点,模糊系统善于描述和利用经验知识;神经网络善于直接从数据中进行学习;而进化计算善于求解复杂的全局最优问题,具有极强的稳健性和整体优化性。模糊系统的推理能力强于神经网络和进化计算,而神经网络、进化计算的学习、搜索能力强于模糊系统。进化计算优化搜索的广度和适应性优于神经网络,而神经网络的优化、学习精度优于进化计算。免疫系统有很多有趣的特征,比如学习、适应、进化、自组织能力等,免疫系统的这些特点在工程应用中,特别是在解决组合优化等问题方面有着很大的启发作用。虽然各有特点,但它们共同的仿生基础决定了它们存在必然的联系。尤其是这些技术的结合所产生的强大生命力更是吸引了越来越多的研究者和探索者。将遗传算法、模糊系统、神经网络、免疫算法、DNA计算结合起来是目前一项新的研究课题,例如有:

模糊神经网络:在神经网络结构中引入模糊逻辑,使其具备直接处理模糊信息的能力,如用“与”“或”运算符、隶属函数代替神经元S函数,将模糊逻辑中的模糊化、模糊推理过程、归一化、清晰化分别映射为神经网络的一个层,即模糊逻辑神经网络结构化;对于基于Takagi--Sugeno模型的模糊神经网络,由前件网络和后件网络组成,前件网络由输入层、模糊化层、模糊推理层、归一化层4层组成,用来匹配模糊规则的前件,后件网络由输入层、模糊规则层、加权输出层3层组成,用来产生模糊规则的后件。模糊神经网络即可以利用模糊规则,又可以利用数据信息,还可以进行学习,较好弥补了原来神经网络的对模糊经验无法利用的缺陷。目前这类技术比较成熟,存在的问题是所有参数学习算法的自动化、高效率和高集成。

进化神经网络:进化神经网络是利用进化算法来设计神经网络,包括训练神经网络权重,拓扑结构和神经元等所有参数,以提高神经网络学习效率,建立合理最优的网络模型。研究较多的是参数进化和结构分别进化,应加强神经网络所有参数同时全自动设计的研究。

模糊进化计算:模糊进化计算是利用模糊逻辑实现进化算法中控制参数的专家模糊初选和实时模糊自适应,以及算法性能的模糊评价,目前这方面研究主要集中在进化参数的模糊调节,整体及其它方面深入有限。

进化模糊系统:应用进化算法优化模糊系统参数及规则,研究较多是进化模糊控制,应加强进化模糊建模,以及对所有模糊控制参数的在线和离线合理划分和优化问题。

神经模糊系统:一般有2种形式:一是利用神经网络的学习及映射能力去等效模糊系统中的模糊化、模糊规则推理、清晰化等功能块,提高多变量模糊推理的效率;二是在模糊逻辑模型基础之上增加用于实现模糊规则和隶属函数参数学习的神经网络,该类形式是模糊逻辑和神经网络的集成。研究较多,但在结构形式简化和高效集成还有待深入。

进化模糊神经网络:利用进化算法来设计模糊神经网络,有一定研究。

模糊进化神经网络[5]:利用模糊进化算法来设计神经网络,刚开始研究。

三、计算智能理论技术的应用

计算智能理论技术的应用[6]主要可以分为以下几个方面:智能建模、智能控制、智能优化、智能管理、智能仿真、智能设计和制造等。

智能建模:抛开原来的数学模型和物理模型建模方法,应用上述计算智能技术,利用系统实测输入输出数据、专家知识和操作经验来建模,特别解决了复杂系统的建模问题,使得模型更准确、更自然。有定性模型、定量模型、混合模型。智能建模具体又可分为智能分类、智能辨识、智能测量、智能预测、智能决策、智能评价、智能诊断、智能信息处理、被控对象智能建模等,它们都需要建立智能模型,以达到实现各自的目标,神经网络和模糊模型及其融合模型均可应用于此。

智能控制:包括模糊控制、神经网络控制、及其混合智能控制。。混合智能控制包括:模糊神经网络控制、进化神经网络控制、神经模糊控制、进化模糊控制等。智能技术与低层次智能、传统方法交叉的有:智能PID控制、模糊变结构控制、模糊滑模控制、分层递阶智能控制、分布式智能控制等。这些控制技术均一定程度具有自适应、自学习、自组织的智能行为,以实现适应环境变化、减少波动、保证高的

?7‘

控制精度,这是智能控制技术的关键。其核心是高者研究较多,后者研究较少。

效的控制算法,保证控制的实时性和快速性。目前智能设计和制造:在设计系统和产品制造过程各类模糊控制技术和应用研究较多,实际应用也不中,利用神经网络、模糊系统建立模型,实现虚拟设错。神经控制在前馈控制中应用较好,反馈控制实计和制造;建立智能设计和制造工具包,提高设计和用化还需深入研究。制造的效率,保证产品的性能,降低开发成本。

智能优化:智能优化技术是运用人工智能、思维计算智能作为人工智能的新篇章,是当代高新科学、启发推理、联想识别、学习训练、模糊逻辑、进技术之一,是实现各行各业系统、设备自动化、智能化算法等技术与运筹学、控制理论、大系统理论中静化的核心理论和技术。然而计算智能理论需要不断态优化、动态优化、多级优化等方法相结合,寻求解地发展和完善,需要研究更实用的计算智能应用技决现有优化方法存在的人的因素、多目标、局部解、术,体现真正的智能化,让我们面对这些新的挑战,不确定、未确知、维数灾等问题的新途径。具体有启开创计算智能理论和技术的新篇章。有人将非线性发式线性、非线性规划:将专家工作经验、模糊逻辑科学的三大分支小波分析、混沌动力学、分形几何与思维启发信息引入到线性、非线性问题求解的推理神经网络、模糊计算、进化计算及其它们之间的融合和搜索过程,提高求解的速度和效率;学习式动态规统称为计算智能,也有人将计算智能称为软计算。划:在动态规划中引入机器学习、神经网络自学习机.无论怎样,智能技术的最高层次是在结构和功能上制,解决多步决策、多阶段动态过程优化的动态适应接近人的大脑。未来的人工智能理论和技术是人的问题;进化式非线性规划:应用遗传算法、进化策略大脑的真实反映,高级智能、全面智能的理论和技术等进化算法进行非线性问题的优化;联想式多目标是我们研究的方向,建立未来高智能地球是我们长优化:利用Hopfield神经网络建立智能优化模型,远的目标。

实现最优选择;模糊多级优化:应用模糊逻辑实现模

糊目标分解、模糊约束分解和模糊协调算法,解决大系统的模糊全局优化。

智能管理:应用管理学科、信息技术、运筹学和人工智能等新技术进行科学管理,提高管理系统的“三化”——智能化、集成化、协调化。智能管理是一门综合管理学科,具体有智能分析、智能预测、智能规划、智能优化、智能决策、智能指挥、智能信息处理、智能组织、智能评审、智能协调,它们都是在原有方法基础上引入专家系统、模糊逻辑、协同论、多媒体人机接口、定性与定量集成等智能技术,使得管理更有效、更全面、更科学。目前这方面研究深度还不够,应用更少。

智能仿真:智能仿真技术是现代计算机管理领域中的重要方法和手段。主要用于系统仿真:分析系统的动态和稳态特性,系统的定性、定量评价和估算;方案仿真:对系统待选的决策方案、规划方案、设计方案模拟其实现过程,分析其效果;预测仿真:对系统未来的发展进行动态分析,预估其发展前景。智能仿真是智能技术(如专家系统、知识工程、模式识别、神经网络等)渗透到仿真技术(如仿真模型、仿真算法、仿真语言、仿真软件等)中,建立智能控制方案、系,以及发展规划方案的智能仿真平台。目前前

?8?参考文献:

[1]周尚明.关于现代工业自动化中的计算智能和信息处理问题的研究[C].铁道部科学研究院博士后研究工作报告,1998.

[2]庄镇泉,章劲松.神经网络与智能信息处理[J].计算机与信息技术,1999,(10).

[3]郭军.智能信息技术[M].北京:北京邮电大学出版社,1999.

[4]何振亚.神经智能[M].长沙;湖南科学技术出版社,1997.

[5]JIALi—min,SHITian—yun.Researchonfuzzyevolu—

tionaryneuralnetworktheoryandtechnique[J-].IAST—EDInternationalConferenceonIntelligentSystemandControl(ISC2000)Hawaii,USA。August,2000.

[6]史天运.贾利民.智能自动化系统体系结构及支撑技术[J3.工控电子(专家论坛),1999,6.

[7]钱敏平.龚光鲁.从数学角度看计算智能[J].科学通报,1999(16).

[8]史天运,贾利民.计算智能理论及其在RITS中的应用

[J].交通运输系统工程与信息,2002(1).

[9]英宏伟,金鸿章,王科俊.基于生物体系的计算智能研究[J].信息技术,2002(2).

【责任编辑张凤琴】

计算智能理论及应用

作者:罗敏霞

作者单位:运城学院,应用数学系,山西,运城,044000

刊名:

运城学院学报

英文刊名:JOURNAL OF YUNCHENG UNIVERSITY

年,卷(期):2004,22(2)

被引用次数:3次

参考文献(9条)

1.周尚明关于现代工业自动化中的计算智能和信息处理问题的研究 1998

2.庄镇泉.章劲松神经网络与智能信息处理 1999(10)

3.郭军智能信息技术 1999

4.何振亚神经智能 1997

5.JIA Li-min.SHI Tian-yun Research on fuzzy evolutionary neural network theory and technique 2000

6.史天运.贾利民智能自动化系统体系结构及支撑技术 1999

7.钱敏平.龚光鲁从数学角度看计算智能 1999(16)

8.史天运.贾利民计算智能理论及其在RITS中的应用[期刊论文]-交通运输系统工程与信息 2002(01)

9.莫宏伟.金鸿章.王科俊基于生物体系的计算智能研究[期刊论文]-信息技术 2002(02)

相似文献(10条)

1.学位论文易明中基于计算智能的自适应控制系统2002

该文首先介绍了智能理论的研究现状.目前的智能技术大致可分为三类:(Biologic Intelligence)生物智能(BI)、(Artificial Intelligence)人工智能(AI)和(Computational Intelligence)计算智能(CI).Computational Intelligenc计算智能(CI)是智能理论的新篇章.然后介绍了计算智能的研究现状及当前一些主要的计算智能方法:1)神经网络在模糊体系下的应用;2)进化算法在神经网络和模糊系统中的应用;3)模糊逻辑在神经网络和进化算法中的应用;并且简单讨论了计算智能与人工智能的联系、区别以及计算智能的发展方向.该文的主要工作是提出了一种新型的计算智能方法—用函数表达式和逻辑来体现计算智能.并将其与广泛使用的常规PID结合起来,提出了基于计算智能的自适应PID控制器-ComputationalIntelligence Self-Adaptive PID Controller(CISAPID).在分析了常规PID的利弊后,详细分析了CISAPID的比例作用、积分作用、微分作用.该文的工程应用是陶瓷窑炉温度控制系统,该系统有许多独特之处,因而该文还介绍了工程应用中的一些实用方法:1)有选择的动态加权平均算法;2)执行机构的约束条件.由于CISAPID的参数较多,因此该文文还尝试了运用BP神经网络预测非线性系统及优化CISAPID的部分参数. 并在MATLAB上运用CISAPID和常规PID对具有大惯性,大滞后的典型二阶环节C(S)=e/(60s+1)(50s+1)进行了详细的对比仿真,针对该文的工程应用背景,对简化的陶瓷窑炉温度控制系统也进行了详细的对比仿真.仿真结果表明: CISAPID的性能优于常规PID.该文还提出了CISAPID的基于PCC的分层分布式网络控制的工程解决方案.工程应用也表明:常规PID很难控制炉温控制系统

,CISAPID的性能优于常规PID.最后简单概括了该文的创新之处、不足之处以及今后需要努力的方向,希望大家提出宝贵意见.

2.学位论文孔庆杰计算智能理论在交通流诱导系统中的应用2006

智能交通系统是目前公认的全面有效地解决交通运输领域问题,特别是交通拥挤、交通阻塞、交通事故和交通污染等问题的最佳途径。交通流诱导系统是智能交通系统的核心研究领域和避免城市交通网络局部拥挤的最佳手段,而实时动态路径选择是交通流诱导理论的核心和理论基础。国际上许多研究者从多方面对以上理论领域进行了大量的研究,并取得了许多重要的研究成果。但所建模型普遍存在着计算量大、优化时间长、不适合大规模交通网络等问题。本学位论文紧密结合我国智能交通诱导系统研究与应用的需要,利用新兴起的计算智能理论,对预测型动态路径选择理论的主要研究内容如下:

首先,受城市交通多时段定时控制方案的启发,结合神经网络理论应用中的非线性函数分段逼近的理论,提出了多时段分时预测、分时诱导的思想,并基于人工智能领域新的研究成果——人工免疫系统,应用模式识别的理论和方法,对交通网络状态模式识别问题进行了初步的研究和探索,而且用建立的人工免疫算法进行城市交通状态模式识别的仿真研究,成功实现了交通时段的自动划分,克服了人工时段划分和基于遗传算法的分级聚类交通时段划分的不足,为交通时段的划分提供了一条新的思路。

然后,在对ARIMA、Kalman滤波、人工神经网络等交通流预测方法总结回顾的基础上,结合新兴的小波神经网络理论,建立了基于小波神经网络的短时交通流预测模型,并利用实测的济南市经十路交通流数据,与传统的预测方法进行了对比仿真实验。仿真结果表明,该模型在交通流的预测精度和网络的收敛性方面明显优于BP网络,对实时交通流的预测有着良好的应用前景。

最后,论文在现有研究成果的基础上,建立了交叉口有信号控制时的用户最优动态路径选择模型。并且,基于人工免疫优化理论,建立了一种免疫优化算法,并借助于计算实例,对所建立的模型进行优化计算。计算结果说明新的模型与优化算法在计算最短K路问题方面是可行的,与传统优化算法相比具有明显的优越性。

3.学位论文冯志鹏计算智能在机械设备故障诊断中的应用研究2003

在理论方面,重点研究了计算智能理论与方法在机械设备振动故障诊断中的应用,在实践方面,针对石化企业中的旋转机械开发了具有实用价值的基于Intranet的大型机组在线状态监测与故障诊断系统.在机械设备状态预测方面,研究了基于神经网络的时间序列预测.针对生产实践中设备运行的非平稳性,基于动态预测思想,研究了非平稳时间序列的自适应线性单元(Adaline)神经网络预测,讨论了Adaline和自回归(AR)模型之间的关系,提出根据AR模型定阶方法确定Adaline预测模型的输入神经元数目,分析了自适应学习率对预测性能的影响,为机械设备状态预测提供了一种方法.研究了基于广义回归神经网络(GRNN)的大型旋转机械振动状态预测,提出了应用BIC准则确定GRNN预测模型输入神经元数目的方法,将GRNN用于大型机组振动峰—峰值时间序列的预测,与采用误差反向传播学习算法的三层前馈感知器网络(BPNN)的预测结果对比表明,GRNN的预测性能优于BPNN,而且,即使样本数据稀少,也能获得满意的预测结果.在故障诊断方面,提出了计算智能理论和方法集成的诊断方案.该方案的基本思想是利用粗糙集理论对数据不完整性和不确定性的分析处理能力实现故障诊断知识发现,即从监测诊断数据或诊断案例中发现关键诊断条件,提取或优化诊断规则,在最优诊断决策系统的基础上,设计神经网络或模糊神经网络,利用其模式识别能力实现故障诊断.该方案通过将计算智能领域中各种理论和方法有机结合,互相取长补短的方式,达到降低诊断成本,提高诊断效

系统(ANFIS)集成的具体故障诊断实施方案:首先,应用SOM或FCM离散故障诊断数据中的连续属性值;然后,基于粗糙集理论应用遗传算法计算诊断决策系统的约简,按照实际需要确定诊断条件;最后,根据系统约简设计ANFIS进行故障诊断.约简前后ANFIS的训练过程表明,基于粗糙集理论的约简处理减少了ANFIS的输入变量数目,避免了"维数灾难"问题.ANFIS与BP神经网络的训练和诊断结果对比显示,ANFIS的训练时间短,诊断精度高.对于离散的定性故障诊断数据(专家经验或诊断案例),以大型旋转机械为例,提出了广义粗糙集理论与神经网络集成的具体故障诊断实施方案:首先应用基于相似关系的广义粗糙集理论对旋转机械振动故障诊断的非完备决策系统进行约简,得到更为简明的最优诊断规则;然后根据最优决策系统建立BP神经网络进行故障诊断.约简前后网络的训练过程表明,基于粗糙集理论的约简处理简化了网络结构,提高了训练效率.在故障诊断的实践方面,根据课题要求,在理论研究的基础上,以Microsoft VisualC++ 6.0为基本开发工具,综合利用数据库、Matlab C/C++数学函数库、多线程和Windows Sockets网络编程等技术开发了基于

Intranet的大型机组在线状态监测与故障诊断系统.系统通过企业内部局域网,采用客户机/服务器模式,实现了远程监测诊断,企业管理和检修人员可以方便地了解机组的运行状态,及时地做出相关决策.针对旋转机械的振动特点,系统提供了功能比较完善的信号分析方法,在研究总结大量文献资料的基础上,研制了故障种类比较齐全的自动诊断和人机交互诊断模块,在这些功能的支持下,可以方便地识别一些常见故障.目前该系统在企业中运行稳定,用户反馈意见良好.

4.学位论文廖喜讯粗糙集和计算智能相结合的数据挖掘算法研究2008

海量数据与知识贫乏导致了数据挖掘技术的出现,它的主要目标是采用自动的、智能化的新技术来分析海量数据,以获得有效的、隐含的、以前未知的、有潜在使用价值的有用信息。它是当今众多学科领域特别是数据库领域最前沿的研究课题之一。粗糙集理论是一种新的处理模糊和不确定性知识的数学工具,其主要思想是在保持分类能力不变的情况下,通过知识约简,导出问题的决策或者分类规则。计算智能技术以神经网络、模糊逻辑以及进化计算等为核心,模仿人类的思维方式及演化规律,已经在工业控制、模式识别等领域得到了广泛的应用。目前,在数据挖掘领域粗糙集和计算智能方法相结合还主要用于数据预处理阶段,基于他们的分类、聚类和关联规则挖掘算法还很少。

本文介绍了数据挖掘、粗糙集理论和计算智能理论的基本概念以及应用,分析了粗糙集理论和计算智能理论在数据挖掘方面的应用以及它们之间的互补性。针对粗糙集在处理符号属性方面的优势,设计了一种新的聚类算法,将基于共享机制的小生境遗传算法运用到分裂式层次聚类算法中,并用粗糙集的思想来定义遗传算法的适应度函数,实验表明该算法在面向符号属性进行聚类时具有较高的聚类准确率。此外,提出了一种新型分类算法,将粗糙集与组织协同进化分类算法相结合,利用支持子集的思想来决定组织的适应度,利用支持子集得到的启发信息来加快进化速度,增强种群之间的相互协同,实验表明,当数据集中的属性全部为符号属性时,该算法具有较高的分类准确率并且时间代价较小。

5.期刊论文史天运.贾利民计算智能理论及其在RITS中的应用-交通运输系统工程与信息2002,2(1)

从分析生物智能、人工智能和计算智能的发展过程及研究本质出发,给出了目前计算智能的概念,综述了主要研究方法和研究现状,特别指出了计算智能理论技术面临的挑战,并进行了展望,最后分析了计算智能理论应用技术以及在铁路智能运输系统中的应用.

6.学位论文刘照莲基于历史数据的分解炉参数的分析与优化2009

随着计算智能理论的发展,将计算智能理论用于解决工程问题已成为其研究的首要任务。而流程工业中建模与优化技术对于水泥企业具有重要的现实意义,它的不断完善和应用可以带来十分可观的经济效益。对于具有多样的信息模型、多变量和强耦合特性,以及庞大计算量的复杂流程工业过程

,采用单一的过程建模与优化手段的作法显然无法满足生产要求。随着多学科相互交叉和渗透,将高效的建模与优化技术和计算智能相结合已成为必然的趋势。鉴于实际流程工业建模与优化问题的复杂性、约束性、非线性、建模困难等特点,寻求合适的建模与优化方法已成为计算智能学科的一个主要研究目标。

近年来,随着数据挖掘技术应用领域的不断扩大和技术的不断发展,计算智能的相关算法也逐渐地应用到数据挖掘当中。本课题正是在数据挖掘思想的指导下,应用计算智能领域的概率增强式程序进化(ProbabilityIncrementalProgramEvolution,PIPE)算法和模拟退火

(SimulationAnnealing,SA)算法建立和优化水泥分解炉生产过程的柔性神经树(FlexibleNeuralTree,FNT)模型。该模型的建立可以稳定水泥分解炉的生产过程,提高生料的分解率,节约用煤量。课题研究的过程如下:

(1)实地考察水泥生产线的生产过程,详细了解分解炉的生产过程特点。

(2)收集流程工业和分解炉的相关资料,对流程工业和分解炉的研究现状进行分析比较。发现目前应用的神经网络和模糊控制等方法,都需要对水泥分解炉的生产过程有十分透彻的了解,找到关键的生产参数,才能得到比较好的结果。这样人为的经验对结果的好坏就产生了很大影响,也不利于改善对参数之间的关联性认识,发现新的联系。

(3)针对现有方法的缺陷,积极寻找新的解决方法。提出利用FNT模型建立分解炉生产过程的方案。FNT模型的优点在于它能够实现对参数的自动筛选,这样就可以减少人为因素的干扰,同时也有利于发现参数之间未知的关联,对实现生产过程的优化控制有很大帮助。

(4)在分析比较多种优化算法的基础上,确定应用PIPE和SA算法优化FNT模型的结构和参数。

(5)对分解炉的相关参数数据做清洗,转换,延时和归一化处理,载入数据仓库,为数据挖掘工作做好准备。建立分解炉生产过程模型。

实验结果证明本文提出的方案可以迅速建立水泥分解炉的生产过程模型,实现参数自动筛选,而且模型的性能是稳定的,可以达到稳定生产,优化控制,节约能源的目的。

7.学位论文冯曰美基于计算智能的复相陶瓷模具材料优化设计2008

目前已有的陶瓷材料研究主要是传统的“trial-error”式的材料研制方式,需要研究者们做大量的反复性的试验工作。针对这一问题,本文提出应用计算智能技术来优化设计陶瓷材料。

计算智能又称为“软计算”,是基于数值计算的智能方法,其灵活性、通用性及严密性均明显优于基于知识的人工智能技术。它的最大特点就是

:它不需要建立问题本身的精确模型,也不依赖于知识表示,而是直接对输入数据进行处理得出结果。因此,作为一门新兴学科,计算智能的发展拓展了传统的计算模式和智能理论,为材料的智能设计奠定了基础。

本文主要介绍了神经网络中的BP神经网络算法,并对其在陶瓷材料设计中的应用进行了分析。简要介绍了MATLAB软件中的神经网络工具箱,总结了神经网络技术的概念、结构、参数选取以及运用工具箱设计网络的原则和过程。利用此方法建立了复相陶瓷材料力学性能与其组分配比之间的非线性映射关系的神经网络模型,结合MATLAB软件的神经网络工具箱开发设计了陶瓷材料的仿真系统,并对A12O3/SiC/Ti(C,N)复相陶瓷材料进行了实例分析。结果表明,网络模型的预测数据均方误差控制在5%以内,相对误差3%以内。

借助MATLAB软件平台,利用逐步回归的方法归纳总结出了材料组分配比与各个性能指标之间的数学表达式。利用遗传算法工具箱得到了每个性能参数指标值达到最优时对应的材料组分配比。硬度最佳值为19.5632GPa,此时,SiC和Ti(C,N)的百分含量分别为13.66%、32.48%;断裂韧性最佳值为5.3162MPa.m1/2,SiC和Ti(C,N)的百分含量分别为14.563%、15,225%;抗弯强度最佳值为723.82MPa,SiC和Ti(C,N)的百分含量分别为1.48%、28.15%。

最后遗传算法与人工神经网络两种算法相结合优化得出A12O3/SiC/Ti(C,N)复相陶瓷材料综合性能较好地一组最优组分百分含量的配比,分别为

A12O3含量74%,SiC含量10%,Ti(C,N)含量16%。按照此最优配比制备了复相陶瓷模具材料,并进行性能测试。

8.期刊论文莫宏伟.金鸿章.王科俊计算智能融合应用研究-自动化技术与应用2002,21(5)

本文对神经网络(NN)、进化算法(EA)、不确定理论(Uncertain Theory)混沌系统(Chaos System)、免疫算法(IA,Immune Algorithm)、DNA计算(DNA Computing)等广义计算智能相互融合应用进行了总结和分析,重点介绍免疫算法、DNA计算等新型计算智能理论的相互融合应用.最后对计算智能理论的融合应用趋势进行探讨.

9.学位论文周泉附加统计预测算法的理论与应用研究2009

从人工智能跨越到计算智能是计算机科学发展史上的一次重大变革。以进化算法和神经网络为核心的计算智能理论得到了长足的发展。最近十几年来,各种新的进化算法也纷纷被提出。这些算法都具有与问题无关、通用性好、收敛速度快、容易跳出局部最优等优点,因此在许多领域都得到了广泛的应用。

进化算法是一种具有高度计算复杂性的智能算法。当求解问题较复杂时,其计算所需的时间复杂度也比较高,同时,由于解集的庞大和局部最优问题的存在,在其中筛选出精确解所花费的过程也比较复杂。因此我们希望有一种能够有效降低进化算法时间复杂度的策略,以节约进化算法的计算时间

目前存在着大量的进化算法模型,研究它们会发现有一些共同的规律,比如都存在一组优劣程度不等的候选解,经过一轮轮的反复迭代计算,每轮新生成的候选解总体上比上一轮精度更好,且存在着一定的相关性。每轮迭代所产生的最好候选解之间也存在着一定的相关性。那么能否研究这些算法的共同规律,优化这些规律,就能使计算智能算法模型的计算时间和性能都会得到整体上的提高。

本文介绍了目前主流的一些进化算法模型,并在总结它们共同规律的基础上,提出了一种分析解集进化规律来预测新的解集的算法思想,被称做附加统计—预测算法。它能够智能猜测最优解的取值范围,跳过进化算法中的适应值函数计算。通过这种方法可以对解集的演变规律进行分析,以诱使新的解集启发式的生成在最优解可能出现的范围内。从而大大减少了计算时间。具体内容如下:

(1)对进化算法的基本理论、基本思想和主流算法进行了详细的综述。论述了进化算法的发展历史、应用领域和发展趋势,并着重介绍了本文所阐述算法需要用到的进化算法的共同规律。

(2)介绍了本文所论述的附加统计—预测算法。首先分析该算法的来源和实现原理,然后阐述了其对应的基本思想和算法实现过程,并依次分析了适合应用该算法的一些进化算法模型。

(3)研究了使用附加统计—预测算法改进了的一些进化算法模型。结合了当今主流的几种进化算法,即遗传算法、粒子群优化算法和分布估计算法。列举附加统计—预测算法的嵌入位置和附加效果,以阐明本算法的普适性和可行性。

(4)将使用了附加统计—预测算法的进化算法用于最优化求解等问题进行对比实验。这些实验包括最优化求解等问题,对比这几种进化算法结合附加统计—预测算法后在计算时间和性能上的改进,以阐述本算法的有效性和可推广性。

10.学位论文文海家基于GIS的滑坡灾变智能预测系统及应用研究2004

本文主要采用计算智能理论及其耦合方法,结合地理信息系统(GIS)技术,研究建立了基于GIS的滑坡灾变预测智能集成系统,并在课题示范点吴家湾滑坡、实验小学滑坡上作了实例分析.

引证文献(3条)

1.潘俊辉基于计算智能的关联规则挖掘算法研究[学位论文]硕士 2006

2.张宝粒子群算法及其在卫星舱布局中的应用研究[学位论文]博士 2006

3.谷吉海计算智能方法在航天器故障诊断中的应用研究[学位论文]博士 2005

本文链接:https://www.wendangku.net/doc/4814125145.html,/Periodical_yuncxyxb200402002.aspx

授权使用:武汉大学(whdx),授权号:3f964f28-c923-498d-96d3-9e2b00c0d87b

下载时间:2010年11月11日

相关文档
相关文档 最新文档