人工智能課程報告

1、武漢輕工大學(xué)數(shù)計學(xué)院人工智能課設(shè)報告名 稱: 人工智能算法的應(yīng)用 班 級: 信計1201 姓 名: 張相軍 學(xué) 號: 1205130122 指導(dǎo)教師: 曾山 學(xué)年學(xué)期: 2015 2016 學(xué)年 第 一 學(xué)期 2015 年 12 月 11 日目 錄1 知識簡介32發(fā)展概況.4 3研究與應(yīng)用 54遺傳算法的研究65 實驗結(jié)果76 課設(shè)總結(jié)87 附錄文件9 181知識簡介人工智能概述人工智能（Artificial Intelligence，簡稱AI），是相對自然人的天然智能而言，即用人工的方法和技術(shù)，模仿、延伸和擴(kuò)展人的智能，實現(xiàn)某些“機(jī)器思維”。作為計算機(jī)學(xué)科的一個重要分支，是由 McCarth

2、y 于1956 年在 Dartmouth 學(xué)會上正式提出，在當(dāng)前被人們稱為世界三大尖端技術(shù)之一。美國斯坦福大學(xué)著名的人工智能研究中心尼爾遜（Nilson）教授這樣定義人工智能“人工智能是關(guān)于知識的學(xué)科怎樣表示知識以及怎樣獲得知識并使用知識的學(xué)科”，另一名著名的美國大學(xué) MIT的 Winston 教授認(rèn)為“人工智能就是研究如何使計算機(jī)去做過去只有人才能的智能的工作”。除此之外，還有很多關(guān)于人工智能的定義，今尚未統(tǒng)一，但這些說法均反映了人工智能學(xué)科的基本思想和基本容,由此可以將人工智能概括為研究人類智能活動的規(guī)律，構(gòu)造具有一定智能行為的人工系統(tǒng)。2發(fā)展概況人工智能 ( Artificial Int

3、elligence)自1956 年正式問世以來的五十年間已經(jīng)取得了長足的進(jìn)展, 由于其應(yīng)用的極其廣泛性及存在的巨大研究開發(fā)潛力, 吸引了越來越多的科技工作者投入人工智能的研究中去。尤其是八十年代以來出現(xiàn)了世界范圍的開發(fā)新技術(shù)的高潮, 許多發(fā)達(dá)國家的高科技計劃的重要內(nèi)容是計算機(jī)技術(shù), 而尤以人工智能為其基本重要組成部分。人工智能成為國際公認(rèn)的當(dāng)代高技術(shù)的核心部分之一。人工智能的發(fā)展歷史自古以來,人類就力圖根據(jù)自己的認(rèn)識水平和當(dāng)時的技術(shù)條件,企圖用機(jī)器來代替人的部分腦力勞動,以提高征服自然的能力。公元 850 年,古希臘就有制造機(jī)器人幫助人們勞動的傳說。在我國公元前900多年,也有歌舞機(jī)器人傳說的

4、記載, 這說明古代人就有人工智能的幻想。隨著歷史的發(fā)展, 到十二世紀(jì)末至十三世紀(jì)初, 西班牙的神學(xué)家和邏輯學(xué)家 Romen Luee 試圖制造能解決各種問題的通用邏輯機(jī)。十七世紀(jì)法國物理學(xué)家和數(shù)學(xué)家 BPascal制成了世界第一臺會演算的機(jī)械加法器并獲得實際應(yīng)用。隨后德國數(shù)學(xué)家和哲學(xué)家 GWLeibniz 在這臺加法器的基礎(chǔ)上發(fā)展并制成了進(jìn)行全部四則運算的計算器。他還提出了邏輯機(jī)的設(shè)計思想, 即通過符號體系, 對對象的特征進(jìn)行推理, 這種 “萬能符號” 和 “推理計算” 的思想是現(xiàn)代化 “思考” 機(jī)器的萌芽, 因而他被后人譽(yù)為數(shù)理邏輯的第一個奠基人。 接著, 英國數(shù)學(xué)家、 邏輯學(xué)家 Boole

5、 初步實現(xiàn)了 LeibniZ 關(guān)于思維符號化和數(shù)學(xué)化的思想,提出了一種嶄新的代數(shù)系統(tǒng), 這就是后來在計算機(jī)上廣泛應(yīng)用的布爾代數(shù)。十九世紀(jì)末英國數(shù)學(xué)和力學(xué)家 C Babbage 致力于差分機(jī)和分析機(jī)的研究, 雖因條件限制未能完全實現(xiàn), 但其設(shè)計思想不愧為當(dāng)年人工智能的最高成就。進(jìn)入二十世紀(jì)后, 人工智能相繼出現(xiàn)若干開創(chuàng)性的工作。1936 年, 年僅 24 歲的英國數(shù)學(xué)家 AMTuring 在他的一篇 “理想計算機(jī)” 的論文中, 就提出了著名的圖林機(jī)模型, 1945 年他進(jìn)一步論述了電子數(shù)字計算機(jī)的設(shè)計思想, 1950 年他又在“計算機(jī)能思維嗎? ”一文中提出了機(jī)器能夠思維的論述, 可以說這些都是

6、圖林為人工智能所作的杰出貢獻(xiàn)。1946 年美國科學(xué)家 JWMauchly等人制成了世界上第一臺電子數(shù)字計算機(jī) ENIAC。隨后又有不少人為計算機(jī)的實用化不懈奮斗, 其中貢獻(xiàn)卓著的應(yīng)當(dāng)是 VonNeomann 。目前世界上占統(tǒng)治地位的依然是馮諾依曼計算機(jī)。電子計算機(jī)的研制成功是許多代人堅持不懈地努力的結(jié)果。這項劃時代的成果為人工智能研究奠定了堅實的物質(zhì)基礎(chǔ)。同一時代,美國數(shù)學(xué)家 NWiener控制論的創(chuàng)立, 美國數(shù)學(xué)家 CEShannon信息論的創(chuàng)立, 英國生物學(xué)家 WRAshby所設(shè)計的電腦等, 這一切都為人工智能學(xué)科的誕生作了理論和實驗工具的巨大貢獻(xiàn)。1.1 形成時期 ( 1956- 196

7、1 年)1956 年夏季, 在美國 Dartmouth 大學(xué), 由年青數(shù)學(xué)助教 JMdarthy 和他的三位朋友 Mminsky 、N Lochester 和 CShannor 共同發(fā)起, 邀請 IBM 公司的 TMore 和 ASamuel、MIT的OSelf-ridge 和RSolomonff 以及 RAND 公司和 Carnagie 工科大學(xué)的 ANewell 和HASimon 等人參加夏季學(xué)術(shù)討論班, 歷時兩個月。這十位學(xué)者都是在數(shù)學(xué)神經(jīng)生理學(xué)、 心理學(xué)、 信息論和計算機(jī)科學(xué)等領(lǐng)域中從事教學(xué)和研究工作的學(xué)者, 在會上他們第一次正式使用了人工智能 ( AI ) 這一術(shù)語, 從而開創(chuàng)了人工

8、智能的研究方向。這次歷史性的聚會被認(rèn)為是人工智能學(xué)科正式誕生的標(biāo)志, 從此在美國開始形成了以人工智能為研究目標(biāo)的幾個研究組: 如Newell 和 Simon 的 Carnegie- RAND 協(xié) 作 組 ; Samuel 和 Gelernter的 IBM 公司工程課題研究組; Minsky 和 Mccarthy 的 MIT 研究組等, 這一時期人工智能的主要研究工作有下述幾個方面:1957 年 ANewell、JShaw 和HSiomon 等人的心理學(xué)小組編制出一個稱為邏輯理論機(jī) LT(The Logic Theory Machine) 的數(shù)學(xué)定理證明程序, 當(dāng)時該程序證明了 BAWRusse

9、ll 和ANWhitehend 和“數(shù)學(xué)原理”一書第二章中的38 個定理。 后來他們又揭示了人在解題時的思維過程大致可歸結(jié)為三個階段:( 1 ) 先想出大致的解題計劃;( 2 ) 根據(jù)記憶中的公理、定理和推理規(guī)則組織解題過程;( 3 ) 進(jìn)行方法和目的分析, 修正解題計劃。這種思維活動不僅解數(shù)學(xué)題時如此, 解決其他問題時也大致如此?；谶@一思想他們于 1960 年又編制了能解十種類型不同課題的通用問題求解程序 GPS(General Problem Solving) ,另外他們還發(fā)明了編程的表處理技術(shù)和 NSS 國際象棋機(jī),和這些工作有聯(lián)系的 Newell關(guān)于自適應(yīng)象棋機(jī)的論文和 Simon

10、關(guān)于問題求解和決策過程中合理選擇和環(huán)境影響的行為理論的論文, 也是當(dāng)時信息處理研究方面的巨大成就。1956 年 Samuel 研究的具有自學(xué)習(xí)、自組織、自適應(yīng)能力的西洋跳棋程序是 IBM 小組有影響的工作,這個程序可以像一個優(yōu)秀棋手那樣,向前看幾步來下棋。它還能學(xué)習(xí)棋譜,在分析大約175000 幅不同棋局后,可猜測出書上所有推薦的走步,準(zhǔn)確度達(dá)48% ,這是機(jī)器模擬人類學(xué)習(xí)過程卓有成就的探索。1959 年這個程序曾戰(zhàn)勝設(shè)計者本人,1962 年還擊敗了美國一個州的跳棋大師。在 MIT 小組, 1959 年 Mccarthy 發(fā)明的表 ( 符號) 處理語言LISP ,成為人工智能程序設(shè)計的主要語言

11、,至今仍被廣泛采用。1958 年 Mccarthy 建立的行動計劃咨詢系統(tǒng)以及 1960 年 Minsky的論文 “走向人工智能的步驟”,對人工智能的發(fā)展都起了積極的作用。此外, 1956 年 NChomsky的文法體系, 1958年Selfridge等人的模式識別系統(tǒng)程序等 ,都對人工智能的研究產(chǎn)生有益的影響。這些早期成果, 充分表明人工智能作為一門新興學(xué)科正在茁壯成長。1.2 發(fā)展時期 (1961年以后)上世紀(jì)六十年代以來,人工智能的研究活動越來越受到重視。為了揭示智能的有關(guān)原理,研究者們相繼對問題求解、博弈、定理證明、程序設(shè)計、機(jī)器視覺、 自然語言理解等領(lǐng)域的課題進(jìn)行了深入的研究。四十多

12、年來,不僅使研究課題有所擴(kuò)展和深入,而且還逐漸搞清了這些課題共同的基本核心問題以及它們和其他學(xué)科間的相互關(guān)系。1974 年 NJNillson對發(fā)展時期的一些工作寫過一篇綜述論文,他把人工智能的研究歸納為四個核心課題和八個應(yīng)用課題。這四個具有一般意義的核心課題是:( 1 ) 知識的模型化和表示方法;( 2 ) 啟發(fā)式搜索理論;( 3 ) 各種推理方法 ( 演繹推理、 規(guī)劃、 常識性推理、 歸納推理等) ;( 4 ) 人工智能系統(tǒng)結(jié)構(gòu)和語言。這些課題的新成果極大地推動了人工智能應(yīng)用課題的研究。這八個應(yīng)用課題是:( 1 ) 自然語言理解 ( Natural Language Under-stand

13、ing ) (2) 數(shù) 據(jù) 庫 的 智 能 檢 索 ( Intelligent Retrieval fromDatabase )( 3 ) 專家咨詢系統(tǒng) ( Expert Consulting Systems ) (4) 定理證明 ( Theorem Proving ) (5) 博 弈 ( Game Playing ) (6) 機(jī) 器 人 學(xué)( Robotics ) (7) 自動程序設(shè)計 ( Automatic Programming ) (8) 組合調(diào)度問題 ( Combinatorial and Scheduling Problems ) 。這一時期學(xué)術(shù)交流的發(fā)展對人工智能的研究有很大推動

14、作用。 1969 年國際人工智能聯(lián)合會成立, 并舉行第一次學(xué)術(shù)會議IJCAI- 69 ( International Joint Conference On Artificial Intelligence )以后每兩年召開一次。隨著人工智能研究的發(fā)展, 1974 年又成立了歐洲人工智能學(xué)會,并召開第一次會議 ECAI ( European Con-ference On Artificial Intelligence ) ,也是相隔兩年召開一次。此外,許多國家也都有本國的人工智能學(xué)術(shù)團(tuán)體。在人工智能刊物方面, 1970 年創(chuàng)辦了 Artificial Intelligence 國際性期刊,愛丁堡

15、大學(xué)還不定期出版 雜志, 還有 IJCAI 會議文集, ECAI 會議文集等。另外許多國際知名刊物也刊載人工智能的論著。1.3 繁榮時期上世紀(jì)九十年代以來, 人工智能研究出現(xiàn)了新的高潮。這一方面是因為在人工智能理論方面有了新的進(jìn)展, 另一方面也是因為計算機(jī)硬件突飛猛進(jìn)的發(fā)展。隨著計算機(jī)速度的不斷提高、 存儲容量的不斷擴(kuò)大、價格的不斷降低以及網(wǎng)絡(luò)技術(shù)的不斷發(fā)展,許多原來無法完成的工作現(xiàn)在已經(jīng)能夠?qū)崿F(xiàn)。因此, 人工智能研究也就進(jìn)入繁榮期。目前人工智能研究的3個熱點是 :智能接口、數(shù)據(jù)挖掘、 主體及多主體系統(tǒng)。其中某些技術(shù)已經(jīng)實用化。技術(shù)的發(fā)展總是超乎人們的想象, 從目前的一些前瞻性研究可以看出未來

16、人工智能可能會向以下幾個方面發(fā)展: 模糊處理、并行化、神經(jīng)網(wǎng)絡(luò)和機(jī)器情感。人工智能一直處于計算機(jī)技術(shù)的前沿,人工智能研究的理論和發(fā)現(xiàn)在很大程度上將決定計算機(jī)技術(shù)的發(fā)展方向。今天, 已經(jīng)有很多人工智能研究的成果進(jìn)入人們的日常生活。將來,人工智能技術(shù)的發(fā)展將會給人們的生活、工作和教育等帶來更大的影響。人工智能是計算機(jī)科學(xué)、控制論、信息論、神經(jīng)生理學(xué)、心理學(xué)、語言學(xué)等多種學(xué)科互相滲透而發(fā)展起來的一門綜合性學(xué)科,就其本質(zhì)而言,它是研究如何制造出人造的智能機(jī)器或智能系統(tǒng), 來模擬人類智能活動的能力,以延伸人們智能的科學(xué)。計算機(jī)所要模擬的人類智能活動的能力,具體地可以概括為:( 1 ) 通過視覺、 聽覺、

17、 觸覺等感官活動, 接受并理解文字、 圖象、 聲音、 語言等各種外界的 “自然信息” , 這就是認(rèn)識和理解世界環(huán)境的能力。 ( 2 ) 通過人腦的生理與心理活動以及有關(guān)的信息處理過程,將感性知識抽象為理性知識, 并能對事物運動的規(guī)律進(jìn)行分析, 判斷和推理, 這就是提出概念, 建立方法, 進(jìn)行演繹和歸納推理, 作出決策的能力。 ( 3 ) 通過教育、 訓(xùn)練和學(xué)習(xí)過程, 日益豐富自身的知識和技能, 這就是學(xué)習(xí)的能力。 ( 4 ) 對變化多端的外界環(huán)境條件, 如干擾、 刺激等作用能靈活地作出反應(yīng), 這就是自我適應(yīng)的能力。針對以上人類智能活動的能力,目前研究人工智能主要有兩條途徑。一條是心理學(xué)家、生理

18、學(xué)家們希望搞清大腦信息處理過程的機(jī)理。他們認(rèn)為大腦是智能活動的物質(zhì)基礎(chǔ),要揭示人類智能的奧秘,就必須弄清大腦的結(jié)構(gòu),也就是要從大腦的神經(jīng)元模型著手研究。顯然由于人腦有上百億神經(jīng)元,而且現(xiàn)階段要進(jìn)行人腦的物理模擬實驗很困難,因而完成這個任務(wù)極其艱巨。但是這一學(xué)派試圖創(chuàng)立“信息處理的智能理論”作為實現(xiàn)人工智能的長遠(yuǎn)研究目標(biāo), 這個觀點是值得重視的。另一條是計算機(jī)科學(xué)家們提出的從模擬人腦功能的角度來實現(xiàn)人工智能, 也就是通過計算機(jī)程序的運行,從效果上達(dá)到和人們智能行為活動過程相類似作為研究目標(biāo), 因而這派學(xué)者只是局限于解決“建造智能機(jī)器或系統(tǒng)為工程目標(biāo)的有關(guān)原理和技術(shù)”作為實現(xiàn)人工智能的近期目標(biāo),這

19、個觀點比較實際,目前引起較多人的注意。總之不論從什么角度來研究人工智能,都是通過計算機(jī)來實現(xiàn),因此可以說人工智能的中心目標(biāo)是要搞清楚實現(xiàn)人工智能的有關(guān)原理,使計算機(jī)有智慧、更聰明、更有用。美國是人工智能的發(fā)源地, 隨著人工智能的發(fā)展,世界各國有關(guān)學(xué)者也都相繼加入這一行列。英國在 60 年代就起步人工智能的研究,到 70 年代,在愛丁堡大學(xué)還成立了人工智能 系,日本和西歐一些國家雖起步較晚,但發(fā)展都較快, 前蘇聯(lián)對人工智能研究也給予重視。我國是從 1978 年才開始人工智能課題的研究,主要在定理證明、漢語自然語言理解、機(jī)器人及專家系統(tǒng)方面設(shè)立課題, 并取得一些初步成果。八十年代國內(nèi)也相應(yīng)成立了中

20、國人工智能學(xué)會, 中國計算機(jī)學(xué)會人工智能和模式識別專業(yè)委員會, 中國自動化學(xué)會模式識別與機(jī)器智能專業(yè)委員會, 開展這方面的學(xué)術(shù)交流。作為“86.3”高科技計劃的重要內(nèi)容, 國家著手興建了若干個人工智能研究中心實驗室, 極大地促進(jìn)了我國人工智能的研究, 縮短了我國人工智能技術(shù)與世界先進(jìn)水平的差距, 也為未來的發(fā)展奠定了技術(shù)和人才基礎(chǔ)。 獲得首屆國家最高科學(xué)獎的數(shù)學(xué)家吳文俊院士, 就是因為其研究領(lǐng)域主要集中在運用計算機(jī)進(jìn)行定理證明方面。人工智能這門新興學(xué)科也曾一度陷入低谷,遭到某些人的攻擊和非難。但是隨著高科技競爭的愈演愈烈,以及人工智能學(xué)者的艱苦卓絕的探索,它最終沖破迷霧以先鋒的姿態(tài)披荊斬棘,乘

21、風(fēng)破浪,成為二十一世紀(jì)的前衛(wèi)學(xué)科。也許在不遠(yuǎn)的將來,我們會無法分辨誰是機(jī)器人,誰是自然人。3研究與應(yīng)用3.1 問題求解問題求解，即解決管理活動中由于意外引起的非預(yù)期效應(yīng)或與預(yù)期效應(yīng)之間的偏差。能夠求解難題的下棋 (如國際象棋 )程序的出現(xiàn)，是人工智能發(fā)展的一大成就。在下棋程序中應(yīng)用的推理，如向前看幾步，把困難的問題分成一些較容易的子問題等技術(shù)，逐漸發(fā)展成為搜索和問題歸約這類人工智能的基本技術(shù)。搜索策略可分為無信息導(dǎo)引的盲目搜索和利用經(jīng)驗知識導(dǎo)引的啟發(fā)式搜索，它決定著問題求解的推理步驟中，使用知識的優(yōu)先關(guān)系。另一種問題的求解程序，是把各種數(shù)學(xué)公式符號匯編在一起,其性能已達(dá)到非常高的水平并正在被許

22、多科學(xué)家和工程師所應(yīng)用，甚至有些程序還能夠用經(jīng)驗來改善其性能。例如，1993 年美國發(fā)布的一個叫做 MACSYMA 的軟件,它能夠進(jìn)行較復(fù)雜的數(shù)學(xué)公式符號運算。如前所述 ,尚未解決的問題包括人類棋手具有的表達(dá)的能力，如國際象棋大師們洞察棋局的能力；另一個未解決的問題涉及問題的原概念，在人工智能中叫做問題表示的選擇。人們常常能夠找到某種思考問題的方法從而使求解變得容易而最終解決該問題。3.2 專家系統(tǒng)專家系統(tǒng) ES （Expert System）是人工智能研究領(lǐng)域中另一重要分支，它將探討一般的思維方法轉(zhuǎn)入到運用專門知識求解專門問題，實現(xiàn)了 人工智能從理論研究向?qū)嶋H應(yīng)用的重大突破；專家系統(tǒng)可看作一

23、類具有專門知識的計算機(jī)智能程序系統(tǒng)，它能運用特定領(lǐng)域中專家提供的專門知識和經(jīng)驗，并采用人工智能中的推理技術(shù)來求解和模擬通常由專家才能解決的各種復(fù)雜問題?？偟膩碚f，專家系統(tǒng)是一種具有智能的軟件，它求解方法是一種啟發(fā)式方法，專家系統(tǒng)所要解決的問題一般無算法解，并且與傳統(tǒng)的計算機(jī)程序上不同之處在于，它要經(jīng)常在不完全、不精確或不確定的信息基礎(chǔ)上做出結(jié)論。在近年來的專家系統(tǒng)或“知識工程的研究中，已經(jīng)出現(xiàn)了成功和有效應(yīng)用人工智能技術(shù)的趨勢，具有有代表性的是用戶與專家系統(tǒng)進(jìn)行“咨詢對話”，如同其與專家面對面的進(jìn)行對話是一樣的：解釋問題并建議進(jìn)行某些試驗，向?qū)＜蚁到y(tǒng)詢問以期得到有關(guān)解答等。當(dāng)前的實驗系統(tǒng)，在比

24、如化學(xué)和地質(zhì)數(shù)據(jù)分析、計算機(jī)系統(tǒng)結(jié)構(gòu)、建筑工程以及醫(yī)療診斷等咨詢?nèi)蝿?wù)方面，已達(dá)到很高的水平。另外，還有很多研究主要是集中在讓專家系統(tǒng)能夠說明推理的能力，從而使咨詢更好地被用戶接受，同時還能幫助人類發(fā)現(xiàn)系統(tǒng)推理過程中所出現(xiàn)的差錯。發(fā)展專家系統(tǒng)的關(guān)鍵在于表達(dá)和運用專家知識，即來自人類專家的且已被證明能夠解決某領(lǐng)域內(nèi)的典型問題的有用的事實和過程。不同領(lǐng)域與不同類型的專家系統(tǒng)，它們的體系結(jié)構(gòu)和功能是有一定的差異的，但它們的組成基本一致。一個基本的專家系統(tǒng)主要由知識庫、數(shù)據(jù)庫、推理機(jī)、解釋機(jī)制、知識獲取和用戶界面六部分組成，如圖1 所示。3.3 機(jī)器學(xué)習(xí)機(jī)器學(xué)習(xí) （Machine Learning）是研

25、究如何使用計算機(jī)模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)活動。它是繼專家系統(tǒng)之后人工智能的又一重要應(yīng)用領(lǐng)域，是使計算機(jī)具有智能的根本途徑，也是人工智能研究的核心課題之一，它的應(yīng)用遍及人工智能的各個領(lǐng)域。學(xué)習(xí)是人類智能的重要特征，是獲得知識的基本手段，而機(jī)器學(xué)習(xí)也是使計算機(jī)具有智能的根本途徑，如香克所說：“一臺計算機(jī)若不會學(xué)習(xí)，就不能稱為具有智能的 ?！背酥?，機(jī)器學(xué)習(xí)還有助于發(fā)現(xiàn)人類學(xué)習(xí)的機(jī)理和揭示人腦的奧秘。學(xué)習(xí)是一個有特定目的的知識獲取過程，它的內(nèi)部主要表現(xiàn)為新知識結(jié)構(gòu)的不斷建立和修改，外部表現(xiàn)為性能的改善。一個學(xué)習(xí)過程本質(zhì)上講，就是學(xué)習(xí)系統(tǒng)把導(dǎo)師 （或?qū)＜遥┨峁┑男畔⑥D(zhuǎn)換成能被系統(tǒng)理解并應(yīng)用的形式的過程。

26、按照系統(tǒng)對導(dǎo)師的依賴程度可將學(xué)習(xí)方法分類為:機(jī)械式學(xué)習(xí) （Rotelearning）、講授式學(xué)習(xí)（Learning from instruction）、類比學(xué)習(xí)（Learning by analogy）、歸納學(xué)習(xí)（Learning from induction）、觀察發(fā)現(xiàn)式學(xué)習(xí) （learning by observation and discovery）等。此外，近年來又發(fā)展了基于解釋、事例、概念、神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和遺傳學(xué)習(xí)等學(xué)習(xí)方法。3.4 神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)（Aficial Neural Network）,是由大量處理單元即神經(jīng)元互連而成的網(wǎng)絡(luò)，也常簡稱為神經(jīng)網(wǎng)絡(luò)或類神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)是

27、一種由大量的節(jié)點 （或稱神經(jīng)元）和之間相互聯(lián)接構(gòu)成的運算模型，是對人腦或自然神經(jīng)網(wǎng)絡(luò)一些基本特性的抽象和模擬，其目的在于模擬大腦的某些機(jī)理與機(jī)制，從而實現(xiàn)某些方面的功能。通俗地講，人工神經(jīng)網(wǎng)絡(luò)是仿真研究生物神經(jīng)網(wǎng)絡(luò)的結(jié)果。詳細(xì)地說，人工神經(jīng)網(wǎng)絡(luò)是為獲得某個特定問題的解，根據(jù)所掌握的生物神經(jīng)網(wǎng)絡(luò)機(jī)理，按照控制工程的思路及數(shù)學(xué)描述方法，建立相應(yīng)的數(shù)學(xué)模型并采用適當(dāng)?shù)乃惴?，而有針對性地確定數(shù)學(xué)模型參數(shù)的技術(shù)。神經(jīng)網(wǎng)絡(luò)的信息處理是由神經(jīng)元之間的相互作用實現(xiàn)的：知識與信息的存貯主要表現(xiàn)為網(wǎng)絡(luò)元件互連間分布式的物理聯(lián)系 。人工神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的自學(xué)習(xí)能力，它可以不依賴于 “專家” 的頭腦， 而自動從已有的

28、實驗數(shù)據(jù)中總結(jié)規(guī)律。由此，人工神經(jīng)網(wǎng)絡(luò)擅長于處理復(fù)雜多維的非線性問題，不但可以解決定性問題，也可解決定量的問題，同時還具有大規(guī)模并行處理和分布的信息存儲能力，具有良好的自適應(yīng)、自組織性以及很強(qiáng)的學(xué)習(xí)、聯(lián)想、容錯和較好的可靠性 。3.5 模式識別計算機(jī)人工智能所研究的模式識別是指用計算機(jī)代替人類或幫助人類感知模式。其主要的研究對象是計算機(jī)模式識別系統(tǒng)，也就是讓計算機(jī)系統(tǒng)能夠模擬人類通過感覺器官對外界產(chǎn)生的各種感知能力。較早的模式識別研究工作集中在對文字和二維圖像的識別方面，并取得了不少成果。自20世紀(jì)60年代中期起,機(jī)器視覺方面的研究工作開始轉(zhuǎn)向解釋和描述復(fù)雜的三維景物這一更困難的課題。羅伯斯特

29、 ( Robest ) 于1965年發(fā)表的論文奠定了分析由棱柱體組成的景物的方向，邁出了用計算機(jī)將三維圖像解釋成三維景物的一個單眼視圖的第一步，即所謂的積木世界。接著，機(jī)器識別由積木世界進(jìn)入識別更復(fù)雜的景物和在復(fù)雜環(huán)境中尋找目標(biāo)以及室外景物分析等方面的研究。目前研究的熱點是活動目標(biāo)(如飛行器)的識別和分析，它是景物分析走向?qū)嵱没芯康囊粋€標(biāo)志。語音識別技術(shù)的研究始于20世紀(jì)50年代初期，發(fā)展到20世紀(jì)70年代，各種語音識別裝置相繼出現(xiàn)，性能良好的能夠識別單詞的聲音識別系統(tǒng)已進(jìn)入實用階段，神經(jīng)網(wǎng)絡(luò)用于語音識別也已取得成功。作為一門新興學(xué)科，模式識別在不斷發(fā)展，其理論基礎(chǔ)和研究范圍也在不斷發(fā)展。當(dāng)

30、前模式識別正處于大發(fā)展的階段，隨著其應(yīng)用范圍的逐漸擴(kuò)大及計算機(jī)科學(xué)的發(fā)展，模式識別技術(shù)將在今后有更大的發(fā)展，并且量子計算技術(shù)也將用于模式識別的研究。3.6 人工生命人工生命 ( Artificial Life, 簡稱 AL) 是由美國圣菲研究所非線性研究組的計算機(jī)科學(xué)家 Christopher Langton 于1987 年與 Los Alamos National Laboratory 召開的 “生成以及模擬生命系統(tǒng)的國際會議”上首先提出的。它主要是通過人工模擬生命系統(tǒng)來研究生命的領(lǐng)域。AL 的概念主要包括兩方面內(nèi)容：1）計算機(jī)科學(xué)領(lǐng)域的虛擬生命系統(tǒng)，主要涉及計算機(jī)軟件工程和人工智能技術(shù) ；

31、 2）基因工程技術(shù)人工改造生物的工程生物系統(tǒng)，主要涉及合成生物學(xué)技術(shù)。相比于傳統(tǒng)的人工智能和神經(jīng)網(wǎng)絡(luò)，人工生命不論在理論上還是方法上都有很大的區(qū)別。人工生命主要是通過計算機(jī)仿真生命現(xiàn)象來體現(xiàn)自適應(yīng)機(jī)理，對相關(guān)非線性對象進(jìn)行更真實的動態(tài)描述以及動態(tài)特征研究。人工生命學(xué)科主要包括仿生系統(tǒng)、人工建模與仿真、人工生命的計算理論、進(jìn)化動力學(xué)、進(jìn)化與學(xué)習(xí)綜合系統(tǒng)以及人工生命的應(yīng)用等研究內(nèi)容?，F(xiàn)階段比較典型的人工生命研究有：計算機(jī)病毒、計算機(jī)進(jìn)程、進(jìn)化機(jī)器人、自催化網(wǎng)絡(luò)、細(xì)胞自動機(jī)、人工核苷酸和人工腦等。4遺傳算法的研究1遺傳算法概述遺傳算法(GeneticAlgorithm,GA)是模擬生物進(jìn)化論的自然選

32、擇和遺傳學(xué)進(jìn)化過程的計算模型,是一種通過模擬自然進(jìn)化過程隨機(jī)搜索最優(yōu)解的方法,體現(xiàn)了適者生存、優(yōu)勝劣汰的進(jìn)化原則,其主要特點是直接對結(jié)構(gòu)對象進(jìn)行操作,不存在求導(dǎo)和函數(shù)連續(xù)性的限定,具有并行性和較強(qiáng)的全局尋優(yōu)能力。遺傳算法把問題的解表示成染色體,求解步驟如下:(1)編碼:定義問題的解空間到染色體編碼空間的映射,一個候選解(個體)用一串符號表示。(2)初始化種群:在一定的限制條件下初始化種群,該種群是解空間的一個子空間。(3)設(shè)計適應(yīng)度函數(shù):將種群中的每個染色體解碼成適于適應(yīng)度函數(shù)的形式,計算其數(shù)值。(4)選擇:根據(jù)適應(yīng)度大小選擇優(yōu)秀個體繁殖下一代,適應(yīng)度越高,選擇概率越大。(5)交叉:隨機(jī)選擇兩

33、個用于繁殖下一代的個體的相同位置,在選中的位置實行交換。(6)變異:對某個串中的基因按突變概率進(jìn)行翻轉(zhuǎn)。(7)從步驟4開始重復(fù)進(jìn)行,直到滿足某一性能指標(biāo)或規(guī)定的遺傳代數(shù)。GA在圖像分割領(lǐng)域應(yīng)用最為成熟,只要有兩種應(yīng)用,一是在多種分割結(jié)果中搜索最佳分割結(jié)果,二是搜索圖像分割算法的最優(yōu)參數(shù),如用來確定圖像最佳分割閡值。Jincong等使用最小誤差概率做為適應(yīng)度函數(shù)來搜索圖像最佳分割閡值,Leesu將GA用于分割閡值計算,提高了分割效率,Bhanu使用GA在多個分割參數(shù)空間中搜索最優(yōu)分割參數(shù),提出了動態(tài)環(huán)境中圖像分割系統(tǒng),大大提高了環(huán)境適應(yīng)性,iaJgniTan一ihz使用GA搜索最優(yōu)細(xì)胞輪廓模型參

34、數(shù),對高噪聲細(xì)胞圖像進(jìn)行分割,chunDaeN使用GA對灰度圖像的區(qū)域進(jìn)行模糊測量,搜索一最佳區(qū)域。GA在圖像增強(qiáng)方面的應(yīng)用主要是搜索最優(yōu)或次優(yōu)控制參數(shù)的過程。GA在圖像恢復(fù)中的應(yīng)用主要解決高噪聲圖像的恢復(fù)。在圖像壓縮中,GA能有效解決分形壓縮的最優(yōu)匹配問題,提高了壓縮比和精度,可用于低比特率的圖像壓縮。GA在圖像匹配方面的應(yīng)用主要解決速度問題,通過減少搜索位置的數(shù)量來減少計算量,提高效率。遺傳算法是一類借鑒生物界自然選擇和自然選擇機(jī)制的隨機(jī)化搜索方法,有美國JHolhdn教授提出,他的主要特點是能夠提供群體的搜索方案和實現(xiàn)群體里面?zhèn)€體之間的信息交換,且搜索不會依賴于梯度信息。它尤其適用于處理

35、傳統(tǒng)搜索方法難于解決的復(fù)雜和非線性的問題,可廣泛應(yīng)用于組合優(yōu)化、機(jī)器學(xué)習(xí)、自適應(yīng)控制、規(guī)劃設(shè)計和圖像處理等多個方面,是二十一世紀(jì)的智能計算的關(guān)鍵技術(shù)之一。2遺傳方法在圖像處理中的應(yīng)用2.1在圖像增強(qiáng)中的應(yīng)用。圖像增強(qiáng)技術(shù)是將不清晰的圖像經(jīng)過優(yōu)化處理變一張比之前更加清楚,或者變成一張使得特點更加鮮明的照片,以便于對圖像再進(jìn)行后期的加工。目前圖像增強(qiáng)方法主要包括將圖像進(jìn)行某種變換的頻域法和對直接對原始圖像進(jìn)行處理的空域法兩種。而基于遺傳算法的圖像增強(qiáng)技術(shù)的實現(xiàn)則是利用遺傳的選擇方法找到一個最優(yōu)或者局部最優(yōu)的方法。具體的操作方法是,首先將每一個目標(biāo)值設(shè)置一個基位,用實數(shù)進(jìn)行編碼,這樣問題就轉(zhuǎn)化成求解

36、這個目標(biāo)基位組合的題目。然后,對適應(yīng)度進(jìn)行設(shè)計,適應(yīng)度設(shè)計為個體進(jìn)化提供動力,在設(shè)置適應(yīng)度的時候既要考慮圖像的整體和局部的質(zhì)量問題,也要將結(jié)構(gòu)和細(xì)節(jié)考慮進(jìn)去。再后,對遺傳算子進(jìn)行設(shè)計,先根據(jù)前面設(shè)置的適應(yīng)度值將個體從大到小進(jìn)行排列,從中選擇優(yōu)秀的個體進(jìn)入下一個程序當(dāng)中;為了防止遺傳算法在計算的過程中過早收斂,對種群的多樣性進(jìn)行保護(hù),在計算過程中采用交叉操作的方法產(chǎn)生新的個體;對進(jìn)化方向進(jìn)行微調(diào),采用變異操作的方法,對一個被選中的變異操作來說,就是采用“1”一“0”和“1”一“0”的方式進(jìn)行變異。最后,設(shè)置算法的結(jié)束條件,一般算法的結(jié)束條件就是迭代次數(shù)達(dá)到了最大進(jìn)化代數(shù)或者最大適應(yīng)度的值變化不明

37、顯。2.2圖像恢復(fù)技術(shù)。圖像恢復(fù)技術(shù)的目的就是降一些退化的圖像經(jīng)過技術(shù)處理使得圖像的本來面目得到恢復(fù)。作為數(shù)字圖像處理技術(shù)的一個分支,他的恢復(fù)方法有很多,包括維納濾波法,逆濾波法、最大嫡恢復(fù)法和奇異值分解偽逆法等。但是,上述方法在應(yīng)用過程中都有自己的缺陷,圖像退化原因的不確定性和無確定的函數(shù)表達(dá)式,會導(dǎo)致上述算法過于復(fù)雜,計算量過大和約束條件過多等情況的出現(xiàn)。采用遺傳算法進(jìn)行圖像恢復(fù),突破了原有理論的縛,能夠更好的與其他一些計算方法進(jìn)行融合,使得計算率和精確度都有很大的提高。由于遺傳算法具有功能強(qiáng)大的全局搜索能力,采用遺傳算法結(jié)合其他算法處理過的圖像在客服噪影響方面具有很大的優(yōu)勢,同時也能使得

38、圖像邊緣不會出現(xiàn)條紋效應(yīng)、過的更加平滑,整體感覺好。2.3圖像重建技術(shù)。圖像重建是由在某種觀測方式下得到的攜帶圖像信息的數(shù)據(jù)恢復(fù)出原圖像的過程。圖像重建技術(shù)的方法也有很多種,主要是根據(jù)取得圖像信息的方法不同,使用重建方法也不同,有迭代法、代數(shù)法和傅里葉變換法等法。遺傳算法在圖像重建中的應(yīng)用主要是解決帶有噪聲的投影數(shù)據(jù)的圖像處理問題。遺傳算法在這方面的處理方法有很多,包括利用最小化被測像素值和計算的線總和之間的差的方法;利用松弛迭代的傅里葉變換算法來解決計算過程中出現(xiàn)的停滯現(xiàn)象;假定目標(biāo)組合點分散的條件下,使用線性擬合方式來重建高分辨雷達(dá)圖像數(shù)據(jù)。2.4圖像壓縮技術(shù)。圖像壓縮技術(shù)最主要的原理就是

39、將擁有自相似性的對象用這一組簡單的代數(shù)關(guān)系式進(jìn)行表達(dá)的過程。將互相不重疊的小塊定義為值域塊,然后進(jìn)行編碼,并使經(jīng)過映射后的定義域塊與值域塊的距離在某種度量值下最小,在分解和處理過程中,由于值域塊的數(shù)量過于龐大,壓縮搜索過程任務(wù)繁重,遺傳算法的強(qiáng)大全局搜索能力就能很好的派上用場,發(fā)揮良好的效果。遺傳算法的基本原理遺傳算法(GA)是基于“適者生存”的一種高度并行、隨機(jī)和自適應(yīng)的優(yōu)化算法,它將問題的求解表示成“染色體”的適者生存過程,通過“染色體”群的一代代不斷進(jìn)化,包括復(fù)制、交叉和變異等操作,最終收斂到“最適應(yīng)環(huán)境”的個體,從而求得問題的最優(yōu)解或滿意解。其中選擇、交叉和變異是遺傳算法的三個主要操作

40、算子。具體操作步驟圖如下:l)在一定編碼方案下,隨機(jī)產(chǎn)生一個初始種群;2)用相應(yīng)的解碼方法將編碼后的個體轉(zhuǎn)換成問題空間的決策變量,并求個體的適應(yīng)值;3)按照個體適應(yīng)值的大小,從種群中選出適應(yīng)值較大的一些個體構(gòu)成交配池;4)由交叉和變異這兩個遺傳算子對交配池中的個體進(jìn)行操作,并形成新一的種群;5)反復(fù)執(zhí)步驟2)一4),直至滿足收斂判據(jù)為止。GA是一種通用的優(yōu)化算法,其編碼技術(shù)和遺傳操作比較簡單,優(yōu)化不受限制性條件的約束,其搜索過程是從問題解的一個集合開始的,而不是從單個個體開始的,具有隱含并行搜索特性,也就大大減小了陷人局部極小值的可能。正是由于其具有以上突出的優(yōu)點,遺傳算法幾乎滲透到從工程到社

41、會科學(xué)的各個領(lǐng)域。為了驗證遺傳算法的全局尋優(yōu)能力,本文將運用基于MATLAB編制的遺傳算法來求解數(shù)值優(yōu)化和旅行商問題。遺傳算法概述遺傳算法(GeneticAlgorithm,GA)是借鑒生物界自然選擇和群體進(jìn)化機(jī)制形成的一種全局尋優(yōu)算法。與傳統(tǒng)的優(yōu)化算法相比,遺傳算法具有如下優(yōu)點1:1)不是從單個點,而是從多個點構(gòu)成的群體開始搜索;2)在搜索最優(yōu)解過程中,只需要由目標(biāo)函數(shù)值轉(zhuǎn)換得來的適應(yīng)值信息,而不需要導(dǎo)數(shù)等其它輔助信息;3)搜索過程不易陷入局部最優(yōu)點。目前,該算法已滲透到許多領(lǐng)域,并成為解決各領(lǐng)域復(fù)雜問題的有力工具2。在遺傳算法中,將問題空間中的決策變量通過一定編碼方法表示成遺傳空間的一個個

42、體,它是一個基因型串結(jié)構(gòu)數(shù)據(jù);同時,將目標(biāo)函數(shù)值轉(zhuǎn)換成適應(yīng)值,它用來評價個體的優(yōu)劣,并作為遺傳操作的依據(jù)。遺傳操作包括三個算子:選擇、交叉和變異。選擇用來實施適者生存的原則,即把當(dāng)前群體中的個體按與適應(yīng)值成比例的概率復(fù)制到新的群體中,構(gòu)成交配池(當(dāng)前代與下一代之間的中間群體)。選擇算子的作用效果是提高了群體的平均適應(yīng)值。由于選擇算子沒有產(chǎn)生新個體,所以群體中最好個體的適應(yīng)值不會因選擇操作而有所改進(jìn)。交叉算子可以產(chǎn)生新的個體,它首先使從交配池中的個體隨機(jī)配對,然后將兩兩配對的個體按某種方式相互交換部分基因。變異是對個體的某一個或某一些基因值按某一較小概率進(jìn)行改變。從產(chǎn)生新個體的能力方面來說,交叉

43、算子是產(chǎn)生新個體的主要方法,它決定了遺傳算法的全局搜索能力;而變異算子只是產(chǎn)生新個體的輔助方法,但也必不可少,因為它決定了遺傳算法的局部搜索能力。交叉和變異相配合,共同完成對搜索空間的全局和局部搜索。遺傳算法的基本步驟3如下:1)在一定編碼方案下,隨機(jī)產(chǎn)生一個初始種群;2)用相應(yīng)的解碼方法,將編碼后的個體轉(zhuǎn)換成問題空間的決策變量,并求得個體的適應(yīng)值;3)按照個體適應(yīng)值的大小,從種群中選出適應(yīng)值較大的一些個體構(gòu)成交配池;4)由交叉和變異這兩個遺傳算子對交配池中的個體進(jìn)行操作,并形成新一代的種群;5)反復(fù)執(zhí)行步驟24,直至滿足收斂判據(jù)為止。使用遺傳算法需要決定的運行參數(shù)有:編碼串長度、種群大小、交

44、叉和變異概率。編碼串長度由優(yōu)化問題所要求的求解精度決定。種群大小表示種群中所含個體的數(shù)量,種群較小時,可提高遺傳算法的運算速度,但卻降低了群體的多樣性,可能找不出最優(yōu)解;種群較大時,又會增加計算量,使遺傳算法的運行效率降低。一般取種群數(shù)目為20100。交叉概率控制著交叉操作的頻率,由于交叉操作是遺傳算法中產(chǎn)生新個體的主要方法,所以交叉概率通常應(yīng)取較大值;但若過大的話,又可能破壞群體的優(yōu)良模式。一般取0.40.99。變異概率也是影響新個體產(chǎn)生的一個因素,變異概率小,產(chǎn)生新個體少;變異概率太大,又會使遺傳算法變成隨機(jī)搜索。一般取變異概率為0.00010.1。遺傳算法常采用的收斂判據(jù)有:規(guī)定遺傳代數(shù)

45、;連續(xù)幾次得到的最優(yōu)個體的適應(yīng)值沒有變化或變化很小等。3 用MATLAB 實現(xiàn)遺傳算法MATLAB 是Matwork公司的產(chǎn)品,是一個功能強(qiáng)大的數(shù)學(xué)軟件,其優(yōu)秀的數(shù)值計算能力使其在工業(yè)界和學(xué)術(shù)界的使用率都非常高。MATLAB還十分便于使用,它以直觀、簡潔并符合人們思維習(xí)慣的代碼給用戶提供了一個非常友好的開發(fā)環(huán)境。利用MATLAB處理矩陣運算的強(qiáng)大功能來編寫遺傳算法程序有著巨大的優(yōu)勢。3. 1 編碼遺傳算法不對優(yōu)化問題的實際決策變量進(jìn)行操作, 所以應(yīng)用遺傳算法首要的問題是通過編碼將決策變量表示成串結(jié)構(gòu)數(shù)據(jù)。 本文中我們采用最常用的二進(jìn)制編碼方案, 即用二進(jìn)制數(shù)構(gòu)成的符號串來表示一個個體, 用下面

46、的 encoding 函數(shù)來實現(xiàn)編碼并產(chǎn)生初始種群:functionbin-gen,bits=encoding(min-var,max-var,scale-var,popsize)bits=ceil(log2( max-var-min-var)./scale-var);bin-gen=randint(popsize,sum(bits);在上面的代碼中, 首先根據(jù)各 決策變量的下界(min-var)、上界(max-var)及其搜索精度scale-var來確定表示各決策變量的二進(jìn)制串的長度 bits, 然后隨機(jī)產(chǎn)生一個種群大小為 popsize 的初始種群 bin - gen。 編碼后的實際搜索精

47、度為scale-dec=(max-var-min-var)/(2bits-1), 該精度會在解碼時用到。3. 2 解碼編碼后的個體構(gòu)成的種群bin-gen必須經(jīng)過解碼,以轉(zhuǎn)換成原問題空間的決策變量構(gòu)成的種群var - gen,方能計算相應(yīng)的適應(yīng)值。我們用下面的代碼實現(xiàn)。functionvar-gen,fitness=decoding(funname,bin-gen,bits,min-var,max-var)num-var=length(bits);popsize=size(bin-gen,1);scale-dec=(max-var-min-var)./(2.bits-1);bits=cumsu

48、m(bits);bits=0bits;fori=1:num-varbin-vari=bin-gen(:,bits(i)+1:bits(i+1);vari=sum(ones(popsize,1)2.(size(bin-vari,2)-1:-1:0).bin-vari,2).scale-dec(i)+min-var(i);endvar-gen=var1,:;fori=1:popsizefitness(i)=eval(funname,(var-gen(i,:);end解碼函數(shù)的關(guān)鍵在于先由二進(jìn)制數(shù)求得對應(yīng)的十進(jìn)制數(shù) D, 并根據(jù)下式求得實際決策變量值 X:X=Dscale-dec+min-var3.

49、 3 選擇選擇過程是利用解碼后求得的各個體適應(yīng)值大小, 淘汰一些較差的個體而選出一些比較優(yōu)良的個體,以進(jìn)行下一步的交叉和變異操作。 選擇算子的程序如下:functionevo-gen,best-indiv,max-fitness=selection(old-gen,fit-ness)popsize=length(fitness);max-fitness,index1=max(fitness);min-fitness,index2=min(fitness);best-indiv=old-gen(index1,:);index=1:popsize;index(index1)=0;index(index2)=0;index=nonzeros(index);evo-gen=old-gen(index,:);evo-fitness=fitness(index,:);evo-popsize=popsize-2;ps=evo-fitne