《智能计算与自然计算.ppt》由会员分享，可在线阅读，更多相关《智能计算与自然计算.ppt（33页珍藏版）》请在三一办公上搜索。
1、,2023/6/21,李元香武汉大学软件工程国家重点实验室2008年6月,从人工智能到自然计算,报告提纲,梦想与困惑人工智能及其发展面临困境信息时代的呼唤智能计算回归自然自然计算展望,梦 想,机器具有智能计算机科学家的梦想 什么是智能？能感知、能学习、能思维、能记忆、能决策、能行动，智能的核心是思维,图灵测试,怎样判断机器具有智能图灵测试 1950年Alan Turing的文章“Computing Machinery and Intelligence.”（Mind,Vol.59,No.236）提出图灵测试，检验一台机器或电脑是否具有如人一样的思维能力和智能,电脑和人分别封闭在不同的房间，测试者
2、不知道哪个房间是人，哪个房间是电脑，他向双方提出测试问题，电脑和人给出各自的答案，如果一系列的测试问题之后，测试者分不出哪些是电脑的答案，哪些是人的答案，则电脑通过测试，确实具有与人一样的智能。,测试悖论,公平性问题 图灵测试的出发点显然是刁难电脑，要求电脑模仿人回答问题，公平吗？反过来要求人模仿电脑回答问题，公平吗？标准性问题 在怎样的智能水平下对电脑进行测试？天才、普通人还是婴幼儿，或者说怎样认定电脑的智力水平？全面性问题 怎样全面地测试电脑的智能，喜、怒、哀、乐和表情等有关情感的测试如何进行？测试边界怎样确定？欺骗性问题 电脑如果有意欺骗测试者，测试者能判断出来吗？在一定的范围内进行测试
3、还是可行的,困 惑,哲学问题（1）规则与规律：规则是制定的，规律是客观存在的，从规则能自动发现规律吗？（2）生命与非生命：智能是高等生命体独有的能力，非生命体内能产生智能吗？（3）物质与意识：唯物主义和唯心主义都承认二元论，只是在何者起决定作用上争论不休，智能能在机器内产生将导致一元论物质生成一切？（4）智能的本质：理性与感性、思考与行动、社会性与个体性伦理问题（1）电脑与人脑：能否互换？（2）机器人与人：机器能否融入人类社会？（3）情感与役使：机器是人制造并使用的工具，一旦机器人具有了智能和情感，人类还能当奴隶一样地役使吗？（4）机器人叛乱：机器人群体有可能叛乱而反过来役使人类吗？,现实的梦
4、,比尔盖茨预测：智能计算发展前景乃是机器最终“能看会想，能听会讲”无论是人工智能，还是智能人工，只要能够殊途同归，造福于人类，那么所有的努力便都是有价值的今后十年，智能机器作为真正意义上的工作助手和生活良伴，将使我们的生活完全改观“聪明机器”的出现，也决不会成为人类的灾难，在智慧与创造力方面，永远是人类最有发言权,人工智能,人工智能（artificial intelligence，简称AI）用人工的方法和技术，模仿、延伸和扩展人的智能,实现机器智能。人工智能的五个基本问题(1)知识与概念化是否是人工智能的核心？(2)认知能力能否与载体分开来研究？(3)认知的轨迹是否可用类自然语言来描述？(4)
5、学习能力能否与认知分开来研究？(5)所有的认知是否有一种统一的结构？学科交叉 与生命科学、认知科学、物理学等众多学科高度交叉，共同研究智能行为的基本理论和实现技术。三大学派 符号主义（Symbolism）、连接主义(Connectionism)、行为主义（Behaviorism）从不同侧面模拟人的智能和智能行为。,符号主义,代表人物 1956年，美国Dartmouth会议，几个年轻的美国学者McCarthy、Simon、Minsky、Newell等首次提出人工智能的术语基本思想（1）认知的本质就是计算，可称为认知可计算主义与图灵机理论一脉相承（2）思维的基本单元是符号，智能的核心是利用知识以及
6、知识推理进行问题求解（3）智能活动的基础是物理符号运算，人脑和电脑都是物理符号系统（4）人的智能可以通过建了基于符号逻辑的智能理论体系模拟（5）理论基础是符号数学、谓词演算和归结原理,符号主义-续,智能表示（1）1959年McCarthy开发了著名的LISP语言（LISt Processing Language，表处理语言），基于函数的语言，通过符号（不是数值）运算进行推理，也是逻辑程序设计语言（Logic Programming）（2）1972年PROLOG语言（PROgramming LOGic）问世，被称为演绎推理机，接口丰富，非常适合于专家系统开发，曾有人试图发明PROLOG机器，以模
7、拟人的智能，但未获成功知识工程与专家系统典型代表（1）产生式规则表示知识（2）产生式规则系统将领域专家的知识进行整理、存储构建知识库（3）专家系统运用知识库进行推理、问题求解等智能活动推理方法 知识表示与推理、归纳推理、基于事例的推理等,连接主义,代表人物（1）1943年生理学家McCulloch和Pitts提出神经元的数学模型，神经元模型结合成多层结构成为神经网络（2）1959年，Rosenblatt提出感知机模型（Perceptron)，具有输入层、中间联系层和效验输出层的三层结构（3）1982年，Hopfield提出全互连的神经网络模型，成功求解TSP问题，掀起神经网络研究高潮，对符号主
8、义也产生了巨大冲击（4）1987年，戴维.努梅尔哈特和杰弗里.欣顿提出误差反向传播（Back-Propgation）神经网络学习算法基本思想（1）人类认知活动主要基于大脑神经元的活动，人类思维的基本单元是神经元而不是符号，智能是互连神经元竞争与协作的结果（2）模拟人的智能要依靠仿生学，特别是模拟人脑，建立脑模型（3）电脑模拟人脑应着重于结构模拟，即人的生理神经网络结构，功能、结构和行为密切相关，不同的结构表现出不同的功能行为（4）分布式信息存储和大规模并行处理，自适应和自组织特性，学习和容错能力（5）理论基础是神经生理学与脑科学,神经元与神经网络,连接主义-续,智能表示（1）神经元状态值、连接
9、权值、阈值和激励函数决定输出值-隐式表示方法（2）通过学习算法修正神经元之间的连接权值，达到更精确的知识表示，学习算法包括有导师和无导师学习算法两类模式识别典型代表（1）建立样本库（2）特征提取与特征库（3）学习算法进行神经网络训练，模式的聚类、分类和识别学习算法 提高学习和训练速度，保证全局收敛，网络结构设计和自适应调整,行为主义,代表人物 1988年，Brooks等人提出无需知识、知识表示和推理的智能系统，智能来自于系统的“感知-动作”模式，基于这样的思路，他发明了六足行走机器，一个模拟昆虫行为的控制器基本思想（1）智能是一个系统行为，智能行为可以通过与周围环境的的交互作用表现出来（2）智
10、能的基础是“感知-动作”模式，类似于心理学的“刺激-反应”，它也决定系统的结构和参量（3）系统的智能行为决定于系统的结构和参量（4）自组织、自学习、自适应是智能系统得基本特征（5）理论基础是控制论、系统科学和心理学,行为主义-续,智能表示（1）系统模型、模型结构和参量-隐式表示方法（2）学习就是一次又一次地从外界接受条件和结果，即“感知-动作”，积累知识的过程（3）自学习是指：当一个新的输入条件决定后，能根据经验的积累，给出相应结果的过程，或者当一个新的条件和结果给出后，能够调整结构和参量的过程智能控制与智能机器人典型代表（1）建立系统模型（2）行为（感知-动作）模拟，积累知识，形成基本控制策
11、略（3）学习与自学习进行自适应调整与优化，形成新的控制策略学习算法 自适应、自学习、自组织、自寻优等智能化方法,面临困境,源于复杂性 知识的复杂性，知识表示的组合爆炸 不完整知识的表达问题 推理的时空爆炸性 神经网络结构复杂 学习、训练低效 难以全局收敛 能力限制 复杂行为模拟 不能用精确的数学模型描述的问题,信息时代的呼唤,工业时代能量资源-创造动力的工具-获得能量物理学、化学创造动力工具的理论基础,信息时代信息资源-创造智能的工具-获得智能智能计算理论创造智能工具的理论基础,智能计算-回归自然,自下而上的研究思路 传统人工智能研究思路是自上而下，现代智能计算方法强调通过计算实现生物内在的智
12、能行为，也称为计算智能从简单到复杂的演化进程 智能的获得不是一蹴而就，是渐进式的积累过程，简单中孕育复杂，平凡中蕴含智慧在传统学科中寻找算法 如生命科学（遗传算法）、物理学（模拟退火算法）和化学（DNA计算）等从自然与社会系统中获得灵感 如蚂蚁算法、禁忌搜索和粒子群优化方法，模糊计算及模糊系统、粗造集及其系统,相互关系,计算智能与人工智能的界限并非十分明显，1992年Bezdek给出了一个有趣的关系图，其中 NN神经网络，PR模式识别，I智能AArtificial，表示人工的（非生物的），即人造的BBiological，表示物理的化学的（？）生物的CComputational，表示数学计算机,
13、ABC的关系图,计算智能是一种智力方式的低层认知，传统人工智能是中层认知，中层系统含有知识，当一个智能计算系统以非数值方式加上知识值，则为人工智能系统,自然计算,自然计算的含义 学习、运用自然规律，模拟自然系统乃至社会系统的演变过程的智能计算方法，借鉴自然科学学科的原理和理论进行问题的求解方法自然计算方法 演化计算、蚁群算法、粒子群优化方法、人工免疫系统、模糊计算,遗传算法,遗传算法（Genetic Algorithm）模拟达尔文的遗传选择和自然淘汰的生物进化过程1975 年首先由Holland提出用于自然和人工系统的自适应行为研究(Adaptation in Natural and Arti
14、ficial Systems)组成：个体与群体、适应值函数、遗传操作、终止条件特点：隐含并行性、过程性、非确定性、群体性、内在学习、统计性、稳健性、整体优化,免疫系统,人体免疫系统是一个高度进化、复杂的生理机制免疫系统通过高度复杂的网络结构来识别和排除抗原性异物，维护体内环境的稳定免疫系统具有识别能力、学习和免疫记忆功能，以及自适应调节机制等特性,蚁群算法概述,受蚂蚁觅食行为的的启发，90年代Dorigo提出蚁群优化算法(AntColonyOptimization，ACO)求解TSP问题设计虚拟的“蚂蚁”，摸索不同路线，并留下会随时间挥发的虚拟“信息素”根据“信息素较浓，则路径更短”的原则，每
15、只蚂蚁每次随机选择要走的路径，但倾向于信息素比较浓的路径算法利用了正反馈机制，使得较短的路径能够有较大的机会得到选择 ACO已成功用于解决其他组合优化问题 图的着色(GraphColoring)问题 最短超串(ShortestCommonSupersequence)问题 网络路由问题,蚁群觅食原理,A,B,C,D,蚁穴,食物,蚂蚁从蚁穴出发觅食，可沿AC找到食物，也可沿ABC找到，如右图。每个蚂蚁找到食物后沿原路返回，并在路上留下外激素。,AC路径短，AC上留下了两次外激素，而ABC路径长，沿CBA返回的蚂蚁，还只到了D处，故AD上只留下一次外激素。,后续离穴觅食者选择外激素浓度大的AC路径，
16、于是AC上外激素浓度将越来越大，最后，绝大多数蚂蚁沿较短的AC路径觅食。,蚁群算法,粒子群优化概述,粒子群优化算法(Particle Swarm Optimization，PSO)1995年由Eberhart和Kennedy提出，源于模拟鸟群捕食行为一群鸟在随机搜索区域里的一块食物，所有的鸟都不知道食物在那里，但知道当前的位置离食物还有多远那么找到食物的最优策略是什么呢？最简单有效的就是搜寻目前离食物最近的鸟的周围区域PSO中，优化问题的可行解就是搜索空间中的一只鸟，称之为“粒子”，一群鸟称为粒子群，所有的粒子都有一个由优化的函数决定的适应值（fitnessvalue)每个粒子还有一个速度决定
17、其飞行的方向和距离，目的是追随当前的最优粒子在解空间中搜索粒子通过跟踪两个“极值”来更新自己，第一个就是粒子自己当前找到的最优解，这个解叫做个体极值pBest，另一个极值是整个种群目前找到的最优解，这个极值是全局极值gBest,粒子移动原理,粒子i在N维空间里的位置表示为矢量Xi(x1，x2，xN)，飞行速度表示为矢量Vi(v1，v2，vN)对于第k次迭代，PSO中的每一个粒子的移动按照下式进行,粒子群优化算法,Step1：初始化一群粒子(群体规模为m)，包括随 机 位置和速度；Step2：评价每个粒子的适应度；Step3：对每个粒子，将其适应值与其经历过的最好位置pbest作比较，如果较好，
18、则将其作为当前的最好位置pbest；Step4：对每个粒子，将其适应值与全局所经历的最好位置gbest作比较，如果较好，则重新设置gbest的索引号；Step5：根据方程(1)变化粒子的速度和位置；Step6：如未达到结束条件（通常为足够好的适应值或达到一个预设最大代数Gmax），则返回Step2,标准PSO的算法流程,模糊集,（1）美国控制论专家扎德（LAZadeh）于1965年将普通集合论的特征函数的取值范围由0,1推广到区间0,1,提出了模糊集的概念。设在论域U上给定了一个映射：U 0,1 u 则 称为U上的模糊（Fuzzy）集,(u)称为的隶属函数（或称为u对 的隶属度），模糊（Fuz
19、zy）集简记为“F”集。（2）-截集实现模糊集合到普通集合的映射，实际应用中对应等级标志，或称置信水平。=u|uU,(u),粗糙集,粗糙集的基本概念,信息系统S=(U,A,V,f)对于信息系统S,若属性集分为条件属性集C和决策属性集D,两者不相交,则它是一个决策系统 L；S的属性子集B,则可定义一个二元等价关系 IND(I)=|B中的任意属性a,有a(x)=a(y),x与y为对象；X为对象集,R是U上的等价关系,即将U划分成了一些基本类,若X是一些基本类的并集,则称X是R-可定义集(或精确集),否则称为R-不可定义集,也就是R-粗糙集；X为对象集,R是U上等价关系,则X的R-下近似和R-上近似为：,信息系统中往往存在大量的冗余知识(属性),这不利于作出正确而简洁的决策。属性约简,就是要在保持决策系统的分类能力不变的情况下,删除不相关或不重要的属性,以提高系统潜在知识的清晰度。,展 望,人工脑对生物脑已不只是功能模仿，而是机制模拟，人工脑与生物脑将具有相同的特性多学科的交叉、结合将开辟全新的智能计算领域，开辟很多新的研究方向数学将大有用武之地，计算科学、统计学、模糊数学和系统学等将是智能计算理论的基石智能计算将探索智能的新概念、新理论、新方法和新技术21世纪的智能科学将有重大突破，取得重大成就,谢 谢！Thanks!,
