1、人工智能及其應(yīng)用知識點(diǎn)整理第一章緒論人工智能的定義人類的自然智能（人類智能）伴隨著人類 活動時(shí)時(shí)處處存在。人類的許多活動，如下棋、競技、解算題、猜謎語、 進(jìn)行討論、編制計(jì)劃和編寫計(jì)算機(jī)程序，甚至駕駛汽車和騎自行車等，都 需要“智能”。如果機(jī)器能夠執(zhí)行這種任務(wù)，就可以認(rèn)為機(jī)器已具有某種 性質(zhì)的“人工智能”不同科學(xué)或?qū)W科背景的學(xué)者對人工智能有不同的理解， 提出不同的觀點(diǎn)，人們稱這些觀點(diǎn)為符號主義，連接主義和行為主義等， 或者叫做邏輯學(xué)派，仿生學(xué)派，和生理學(xué)派。哲學(xué)家們對人類思維和非人 類思維的研究工作已經(jīng)進(jìn)行了兩千多年，然而，至今還沒有獲得滿意的解 答。智能，人的智能是人類理解和學(xué)習(xí)事物的能力，或

2、者說，智能是思考 和理解的能力而不是本能做事的能力。另一種定義為：智能是一種應(yīng)用知 識處理環(huán)境的能力或由目標(biāo)準(zhǔn)則衡量的抽象思考能力。智能機(jī)器，智能機(jī)器是一種能夠呈現(xiàn)出人類智能行為的機(jī)器，而這種 智能行為是人類用大腦考慮問題或創(chuàng)造思想。另一種定義為：智能機(jī)器是 一種能夠在不確定環(huán)境中執(zhí)行各種擬人任務(wù)達(dá)到預(yù)期目標(biāo)的機(jī)器。人工智能（學(xué)科），長期以來，人工智能研究者們認(rèn)為：人工智能 （學(xué)科）是計(jì)算機(jī)科學(xué)中涉及研究、設(shè)計(jì)和應(yīng)用智能機(jī)器的一個(gè)分支，它 的近期主要目標(biāo)在于研究用機(jī)搖來模仿和執(zhí)行人腦的某些智力功能，并開 發(fā)相關(guān)理論和技術(shù)。近年來，許多人工智能和智能系統(tǒng)研究者認(rèn)為：人工智能（學(xué)科）是 智能科學(xué)中

3、涉及研究、設(shè)計(jì)及應(yīng)用智能機(jī)器和智能系統(tǒng)的一個(gè)分支，而智 能科學(xué)是一門與計(jì)算機(jī)科學(xué)并行的學(xué)科。人工智能到底屬于計(jì)算機(jī)科學(xué)還是智能科學(xué)，可能還需要一段時(shí)間的探討與實(shí)踐，而實(shí)踐是檢驗(yàn)真理的標(biāo) 準(zhǔn)，實(shí)踐將做出權(quán)威的回答。人工智能（能力），是智能機(jī)器所執(zhí)行的通常與人類智能有關(guān)的智能 行為，這些智能行為涉及學(xué)習(xí)、感知、思考、理解、識別、判斷、推理、 證明、通信、設(shè)計(jì)、規(guī)劃、行動和問題求解等活動。什么是人工智能，試從學(xué)科和能力兩方面加以說明從學(xué)科角度來看： 人工智能是計(jì)算機(jī)科學(xué)中涉及研究、設(shè)計(jì)和應(yīng)用智能機(jī)器的一個(gè)分支。它 的近期主要目標(biāo)在于研究用機(jī)器來模仿和執(zhí)行人腦的某些智能功能，并開 發(fā)相關(guān)理論和技術(shù)。從

4、能力角度來看：人工智能是智能機(jī)器所執(zhí)行的通常 與人類智能有關(guān)的功能，如判斷、推理、證明、識別、感知、理解、設(shè)計(jì)、 思考、規(guī)劃、學(xué)習(xí)和問題求解等思維活動在人工智能的發(fā)展過程中，有哪 些思想和思潮起了項(xiàng)要作用控制論之父維納1940年主張計(jì)算機(jī)五原則。 他開始考慮計(jì)算機(jī)如何能像大腦一樣工作。系統(tǒng)地創(chuàng)建了控制論，根據(jù)這 一理論，一個(gè)機(jī)楨系統(tǒng)完全能進(jìn)行運(yùn)算和記憶。著名的英國科學(xué)家圖靈被稱為人工智能之父，圖靈不僅創(chuàng)造了一個(gè)簡 單的通用的非數(shù)字計(jì)算模型，而且直接證明了計(jì)算機(jī)可能以某種被理解為 智能的方法工作。提出了著名的圖靈測試。數(shù)理邏輯從19世紀(jì)末起就獲迅速發(fā)展； 到20世紀(jì)30年代開始用 于描述智能行為

5、。計(jì)算機(jī)出現(xiàn)后，又在計(jì)算機(jī)上實(shí)現(xiàn)了邏輯演繹系統(tǒng)。為什么能夠用機(jī)器（計(jì)算機(jī)）模仿人的智能物理符號系統(tǒng)的假設(shè)：任 何一個(gè)系統(tǒng)，如果它能夠表現(xiàn)出智能，那么它就必定能執(zhí)行輸入符號、輸 出符號、存儲符號、復(fù)制符號、建立符號結(jié)構(gòu)、條件性遷移6種功能。反 之，任何系統(tǒng)如果具有這6種功能，那么它就能夠表現(xiàn)出智能（人類所具 有的智能）。物理符號系統(tǒng)的假設(shè)伴隨有3個(gè)推論。推論一既然人具有智能，那么 他(她)就一定是個(gè)物理符號系統(tǒng)。推論二既然計(jì)算機(jī)是一個(gè)物理符號系 統(tǒng)，它就一定能夠表現(xiàn)出智能。推論三既然人是一個(gè)物理符號系統(tǒng)，計(jì)算 機(jī)也是一個(gè)物理符號系統(tǒng)，那么我們就能夠用計(jì)算機(jī)來模擬人的活動。聯(lián)結(jié)主義(Connect

6、ionim)，又稱為仿生學(xué)派(Bionicim)或生理學(xué)派 (Phyiologim)其原理主要為神經(jīng)網(wǎng)絡(luò)及神經(jīng)憫絡(luò)間的連接機(jī)制與學(xué)習(xí)算 法認(rèn)為人的思維基元是神經(jīng)元，而不是符號處理過程。認(rèn)為人腦不同于 電腦，并提出聯(lián)結(jié)主義的大腦工作模式，用千取代符號操作的電腦工作模 式。行為主義(Actionim)，又稱進(jìn)化主義(Eovlutionim)或控制論學(xué)派 (Cyberneticim)其原理為控制論及感知動作型控制系統(tǒng)認(rèn)為智能取決 千感知和行動。認(rèn)為智能不需要知識、不需要表示、不需蘿推理；人工智能可以象人類智能一樣逐步進(jìn)化。智能行為只能在現(xiàn)實(shí)世界中與周圍環(huán) 境交互作用而表現(xiàn)出來。符號主義、聯(lián)結(jié)主義對真

7、實(shí)世界客觀事物的描述 及其智能行為工作模式是過于簡化的抽象，因而是不能真實(shí)地反映客觀存 在的。人工智能的研究目標(biāo)在前面從學(xué)科和能力定義人工智能時(shí)，我們曾指 出：人工智能的近期研究目標(biāo)在千“研究用機(jī)器來模仿和執(zhí)行人腦的某些智力功能，并開發(fā)相關(guān)理論和技術(shù)?！倍疫@些智力功能“涉及學(xué)習(xí)、 感知、思考、理解、識別、判斷、推理、證明、通信、設(shè)計(jì)、規(guī)劃、行動 和問題求解等活動”。人工智能的一般研究目標(biāo)為：(1)更好地理解人類智能，通過編寫程 序來模仿和檢驗(yàn)有關(guān)人類智能的理論。(2)創(chuàng)造有用的靈巧程序，該程序 能夠執(zhí)行一般需要人類專家才能實(shí)現(xiàn)的任務(wù)。一般地，人工智能的研究目標(biāo)又可分為近期研究目標(biāo)和遠(yuǎn)期研究目

8、標(biāo) 兩種。人工智能的近期研究目標(biāo)是建造智能計(jì)算機(jī)以代替人類的某些智力 活動。人工智能的遠(yuǎn)期目標(biāo)是用自動機(jī)模仿人類的思維活動和智力功能。人工智能研究的基本內(nèi)容人工智能學(xué)科有著十分廣泛和極其豐富的研 究內(nèi)容。不同的人工智能研究者從不同的角度對人工智能的研究內(nèi)容進(jìn)行 分類。例如，基于腦功能模擬、基于不同認(rèn)知觀、基于應(yīng)用領(lǐng)域和應(yīng)用系 統(tǒng)、基于系統(tǒng)結(jié)構(gòu)和支撐環(huán)境等。因此，要對人工智能研究內(nèi)容進(jìn)行全面 和系統(tǒng)的介紹也是比較困難的，而且可能也是沒有必要的。人工智能研究的基本內(nèi)容包括：認(rèn)知建模，知識表示，知識推理，知 識應(yīng)用，機(jī)器感知，機(jī)器思維，機(jī)器學(xué)習(xí)，機(jī)器學(xué)習(xí)，智能系統(tǒng)構(gòu)建。人工智能研究方法由于研究者的專

9、業(yè)和研究領(lǐng)域的不同以及他們對智 能本質(zhì)的理解有異，因而形成了不同的人工智能學(xué)派，各自采用不同的研 究方法。與符號主義、連接主義和行為主義相應(yīng)的人工智能研究方法為功 能模擬法、結(jié)構(gòu)模擬法和行為模擬法。人工智能計(jì)算方法基于符號邏輯的人工智能學(xué)派強(qiáng)詢基于知識的表示 與推理，而不強(qiáng)調(diào)計(jì)算，但并非沒有任何計(jì)算。圖搜索、謂詞演箕和規(guī)則 運(yùn)算都屬于廣義上的計(jì)算。顯然，這些計(jì)算是與傳統(tǒng)的采用數(shù)理方程、狀 態(tài)方程、差分方程、傳遞函數(shù)、脈沖傳遞函數(shù)和矩陣方程等數(shù)值分析計(jì)算 有根本區(qū)別的。隨著人T智能的發(fā)展，出現(xiàn)了各種新的智能計(jì)算技術(shù)，如 模糊計(jì)算、神經(jīng)計(jì)算、進(jìn)化計(jì)算、免疫計(jì)算和粒子群計(jì)算等，它們是以算 法為基礎(chǔ)的

10、，也與數(shù)值分析計(jì)算方法有所不同。從哪些層次對認(rèn)知行為進(jìn)行研究心理活動的最高層級是思維策略，中 間一層是初級信息處理，最低層級是生理過程，與此相應(yīng)的是計(jì)綁機(jī)程序、 語言和硬件。研究認(rèn)知過程的主要任務(wù)是探求高層次思維決策與初級信息處理的關(guān)系，并用計(jì)算機(jī)程序來模擬人的思維策略水平，而用計(jì)算機(jī)語言 模擬人的初級信息處理過程。人工智能的主耍研究和應(yīng)用領(lǐng)域是什么，其中哪些是新的研究熱點(diǎn)問 題求解（下棋程序），邏輯推理與定理證明（四色定理證明），自然語言 理解，自動程序設(shè)計(jì)，專家系統(tǒng)，機(jī)器學(xué)習(xí)，神經(jīng)網(wǎng)絡(luò)，機(jī)器人學(xué)（星際 探索機(jī)器人），模式識別（手寫識別，汽車牌照識別，指紋識別），機(jī)器 視覺（機(jī)器裝配，衛(wèi)星圖

11、像處理），智能控制，智能檢索，智能調(diào)度與指 揮（汽車運(yùn)輸高度，列車編組指揮），系統(tǒng)與語言工具。新的研究熱點(diǎn)： 分布式人工智能與Agent,計(jì)綁智能與進(jìn)化計(jì)算，數(shù)據(jù)挖掘與知識發(fā)現(xiàn)（超市市場商品數(shù)據(jù)分析），人工生命。第二章知識表示方法本章所討論的知識表示問題是人工智能研究的核 心問題之一。對知識表示新方法和混合表示方法的研究仍然是許多人工智 能專家學(xué)者感興趣的研究方向。適當(dāng)選擇和正確使用知識表示方法將極大 地提高人工智能問題求解效率。人們總是希望能夠使用行之有效的知識表 示方法解決面臨的問題。知識表示方法很多，本章介紹了其中的7種，有圖示法、公式法、結(jié) 構(gòu)化方法、陳述式表示和過程式表示等。狀態(tài)空間

12、法是一種基千解答空間的問題表示和求解的方法，它是以狀 態(tài)和操作符為基礎(chǔ)的。在利用狀態(tài)空間圖表示時(shí)，從某個(gè)初始狀態(tài)開始， 每次加一個(gè)操作符，遞增地建立起操作符的試驗(yàn)序列，直到達(dá)到目標(biāo)狀態(tài) 為止。由于狀態(tài)空間法需要擴(kuò)展過多的節(jié)點(diǎn)，容易出現(xiàn)”組合爆炸“，因 而只適用于表示比較簡單的問題。問題歸約法從目標(biāo)（要解決的問題）出發(fā)，逆向推理，通過一系列變 換把初始問題變換為子問題集合和子子問題集合，直至最后歸約為一個(gè)平 凡的本原問題集合。這些本原問題的解可以直接得到從而解決了初始問題， 用與或圖來有效地說明問題歸約法的求解途徑。問題歸約法能夠比狀態(tài)空 間法更有效地表示問題。狀態(tài)空間法是問題歸約法的一種特例。

13、在問題歸 約法的與或圖中，包含有與節(jié)點(diǎn)和或節(jié)點(diǎn)，而在狀態(tài)空間法中只含有或節(jié) 點(diǎn)。謂詞邏輯法采用謂詞合式公式和一階謂詞演算把要解決的問題變?yōu)橐?個(gè)有待證明的問題，然后采用消解定理和消解反演來證明一個(gè)新語句是從 已知的正確語句導(dǎo)出的，從而證明這個(gè)新語句也是正確的。謂詞邏輯是一 種形式語言，能夠把數(shù)學(xué)中的邏輯論證符號化。謂詞邏輯法常與其他表示 方法混合使用，靈活方便，可以表示比較復(fù)雜的問題。語義網(wǎng)絡(luò)是一種結(jié)構(gòu)化表示方法，它由節(jié)點(diǎn)和弧線或鏈線組成。節(jié)點(diǎn) 用于表示物體、概念和狀態(tài)，弧線用千表示節(jié)點(diǎn)間的關(guān)系。語義網(wǎng)絡(luò)的解 答是一個(gè)經(jīng)過推理和匹配而得到的具有明確結(jié)果的新的語義網(wǎng)絡(luò)。語義網(wǎng) 絡(luò)可用于表示多元關(guān)

14、系，擴(kuò)展后可以表示更復(fù)雜的問題。框架是一種結(jié)構(gòu)化表示方法。框架通常由指定事物各個(gè)方面的槽組成， 每個(gè)槽擁有若干個(gè)側(cè)面，而每個(gè)側(cè)面又可擁有若干個(gè)值。大多數(shù)實(shí)用系統(tǒng) 必須同時(shí)使用許多框架，并可把它們聯(lián)成一個(gè)框架系統(tǒng)。框架表示已獲廣 泛應(yīng)用，然而并非所有問題都可以用框架表示。本體是概念化的一個(gè)顯式規(guī)范說明或表示。本體可定義為被共享的概 念化的一個(gè)形式規(guī)范說明。本章在論述了本體的基本概念后，討論了本體 的組成、分類與建模。本體是一種比框架更有效的表示方法。過程是一種知識的過程式表示，它將某一有關(guān)問題領(lǐng)域知識同這些使 用方法一起，隱式地表示為一個(gè)問題求解過程。過程表示用程序來描述問 題，具有很高的問題求

15、解效率。由千知識隱含在程序中難以操作，所以適 用范圍較窄。對于同一間題可以有許多不同的表示方法。不過對于特定間題，有的 表示方法比較有效，其他表示方法可能不大適用，或者不是好的表示方法。在表示和求解比較復(fù)雜的問題時(shí)，采用單一的知識表示方法是遠(yuǎn)遠(yuǎn)不 夠的，往往必須采用多種方法混合表示。例如，綜合采用框架、本體、語 義網(wǎng)絡(luò)、謂詞邏輯的過程表示方法（兩種以上），可使所研究的問題獲 得更有效的解決。此外，在選擇知識表示方法時(shí)，還要考慮所使用的程序設(shè)計(jì)語言所提 供的功能和特點(diǎn)，以便能夠更好地描述這些表示方法。第三章確定性推理本章所討論的知識的搜索與推理是人工智能研究的 另一核心問題。對這一問題的研究曾經(jīng)

16、十分活躍，而且至今仍不乏高層次 的研究課題。正如知識表示一樣，知識的搜索與推理也有眾多的方法，同 一問題可能采用不同的搜索策略，而其中有的比較有效，有的不大適合具 體問題。在應(yīng)用盲目搜索進(jìn)行求解的過程中，一般是”盲目“地窮舉，即不運(yùn) 用特別信息。盲目搜索包括寬度優(yōu)先搜索、深度優(yōu)先搜索和等代價(jià)搜索等， 其中，有界深度優(yōu)先搜索在某種意義上講，具有一定的啟發(fā)性。從搜索效 率看，一般來說，有界深度優(yōu)先搜索較好，寬度優(yōu)先搜索次之，深度優(yōu)先 搜索較差。不過，如果有解，那么寬度優(yōu)先搜索和深度優(yōu)先搜索一定能夠 找到解答，不管付出多大代價(jià)；而有界深度優(yōu)先搜索則可能丟失某些解。啟發(fā)式搜索主要討論有序搜索（或最好優(yōu)

17、先搜索）和最優(yōu)搜索A算 法。與盲目搜索不同的是，啟發(fā)式搜索運(yùn)用啟發(fā)信息，引用某些準(zhǔn)則或經(jīng) 驗(yàn)來重新排列OPEN表中節(jié)點(diǎn)的順序，使搜索沿著某個(gè)被認(rèn)為最有希望的 前沿區(qū)段擴(kuò)展。正確選擇估價(jià)函數(shù)，對千尋求最小代價(jià)路徑或解樹，至關(guān) 重要。啟發(fā)式搜索要比盲目搜索有效得多，因而應(yīng)用較為普遍。在求解問題時(shí)，可把問題表示為一個(gè)有待證明的問題或定理，然后用 消解原理和消解反演過程來證明。在證明時(shí)，采用推理規(guī)則進(jìn)行正向搜索， 希望能夠使問題（定理）最終獲得證明。另一種策略是采用反演方法來證 明某個(gè)定理的否定是不成立的。為此，首先假定該定理的否定是正確的， 接著證明由公理和假定的定理之否定所組成的集合是不成立的，即

18、導(dǎo)致矛 盾的結(jié)論該定理的否定是不成立的，因而證明了該定理必定是成立的。這 種通過證明定理的否定不能成立的方法叫做反演證明。有些問題的搜索既可使用正向搜索，又可使用逆向搜索，還可以混合 從兩個(gè)搜索方向進(jìn)行搜索，即雙向搜索。當(dāng)這兩個(gè)方向的搜索邊域以某種 形式會合時(shí)，此搜索以成功而告終。規(guī)則演繹系統(tǒng)采用IF-THEN規(guī)則來求解問題。其中，IF為前項(xiàng)或前 提，THEN為后項(xiàng)或結(jié)論。按照推理方式的不同可把規(guī)則演繹系統(tǒng)分為3 種，即正向規(guī)則演繹系統(tǒng)、逆向規(guī)則演繹系統(tǒng)和雙向規(guī)則演繹系統(tǒng)。正向 規(guī)則演繹系統(tǒng)是從事實(shí)到目標(biāo)進(jìn)行操作的，即從狀況條件到動作進(jìn)行推理 的，也就是從IF到THEN的方向進(jìn)行推理的。稱這種

19、推理規(guī)則為正向推理 規(guī)則或F規(guī)則。把F規(guī)則應(yīng)用于與或圖結(jié)構(gòu)，使與或圖結(jié)構(gòu)發(fā)生變化，直 至求得目標(biāo)為止。這時(shí)，所得與或圖包含有終止目標(biāo)節(jié)點(diǎn)，求解過程從求 得目標(biāo)解圖而成功地結(jié)束，而且目標(biāo)節(jié)點(diǎn)與目標(biāo)子句等價(jià)。逆向規(guī)則演繹系統(tǒng)是從THEN向IF進(jìn)行推理的，即從目標(biāo)或動作向事 實(shí)或狀況條件進(jìn)行推理的。稱這種推理規(guī)則為逆向推理規(guī)則或B規(guī)則。把 B規(guī)則應(yīng)用千與或圖結(jié)構(gòu)，使之發(fā)生變化，直至求得某個(gè)含有終止在事實(shí)節(jié)點(diǎn)上的一致解圖而成功地終止。逆向規(guī)則演繹系統(tǒng)能夠處理任何形式的 目標(biāo)表達(dá)式，因而得到較為普遍的應(yīng)用。正向規(guī)則演繹系統(tǒng)和逆向規(guī)則演繹系統(tǒng)都具有局限性。前者能夠處理 任意形式的事實(shí)表達(dá)式，但只適用于由文

20、字的析取組成的目標(biāo)表達(dá)式。后 者能夠處理任意形式的目標(biāo)表達(dá)式，但只適用于由文字的合取組成的事實(shí) 表達(dá)式。雙向規(guī)則演繹系統(tǒng)組合了正向和逆向兩種規(guī)則演繹系統(tǒng)的優(yōu)點(diǎn)， 克服了各自的缺點(diǎn)，具有更高的搜索求解效率。雙向組合系統(tǒng)是建立在正 向和反向兩系統(tǒng)相結(jié)合的基礎(chǔ)上的，其綜合數(shù)據(jù)庫是由表示目標(biāo)和表示事 實(shí)的兩個(gè)與或圖組成的。分別使用F規(guī)則和B規(guī)則來擴(kuò)展和修正與或圖結(jié) 構(gòu)。當(dāng)兩個(gè)與或圖結(jié)構(gòu)之間在某個(gè)適當(dāng)交接處出現(xiàn)匹配時(shí)，求解成功，系 統(tǒng)即停止搜索。與規(guī)則演繹系統(tǒng)有密切關(guān)系的是產(chǎn)生式系統(tǒng)，它由總數(shù)據(jù)庫、產(chǎn)生式 規(guī)則和控制策略3部分組成的。產(chǎn)生式系統(tǒng)的推理也分為正向推理、逆向 推理和雙向推理3種形式。本章還討

21、論了非單調(diào)推理。非單調(diào)推理能夠處 理那些不適合用謂詞邏輯表示的知識，能夠較好地處理不完全信息、不斷 變化的情況以及求解復(fù)雜問題過程中生成的假設(shè)，具有較為有效的求解效 率。缺省推理和正確性維持系統(tǒng)TMS是非單調(diào)推理的兩種主要技術(shù)。第四章非經(jīng)典推理確定性推理方法在許多情況下，往往無法解決面臨 的現(xiàn)實(shí)問題，因而需要應(yīng)用不確定性推理等高級知識推理方法，包括非單 調(diào)推理、時(shí)序推理和不確定性推理等。它們屬于非經(jīng)典推理。從4.2節(jié)起闡述不確定性推理。在對不確定性表示和推理進(jìn)行一般敘 述之后，用4節(jié)分別介紹了概率推理（4.3節(jié)）、主觀貝葉斯方法（4.4 節(jié)）、可信度方法（4.5節(jié)）和證據(jù)理論（4.6節(jié)）。不確

22、定性推理是一種建立在非經(jīng)典邏輯基礎(chǔ)上的基于不確定性知識的 推理，它從不確定性的初始證據(jù)出發(fā)，通過應(yīng)用不確定性知識，推出具有 一定程度的不確定性或近乎合理的結(jié)論。顧名思義，概率推理就是應(yīng)用概率論的基本性質(zhì)和計(jì)算方法進(jìn)行推理 的，它具有較強(qiáng)的理論基礎(chǔ)和較好的數(shù)字描述。概率推理主要采用貝葉斯 公式進(jìn)行計(jì)算。對千許多實(shí)際問題，直接應(yīng)用貝葉斯公式計(jì)算各種相關(guān)概率很難實(shí)現(xiàn)。 在貝葉斯公式基礎(chǔ)上，提出了主觀貝葉斯方法，建立了不精確推理模型。 應(yīng)用主觀貝葉斯方法可以表示知識的不確定性和證據(jù)的不確定性，并通過 CP公式用初始證據(jù)進(jìn)行推理，通過EH公式用推理的中間結(jié)論為證據(jù)進(jìn)行 推理，求得概率的函數(shù)解析式。主觀貝

23、葉斯方法已在一些專家系統(tǒng)（如 PROSPECTOR）中得到成功應(yīng)用?？尚哦确椒ㄊ窃诖_定性理論的基礎(chǔ)上結(jié)合概率論等提出的一種不精確 推理模型。在用可信度方法表示不確定時(shí)，引入可信度因子、信任增長度 和不信任增長度等概念。有好幾種可信度方法的推理算法，如組合證據(jù)的 不確定算法、不確定性的傳遞算法和多個(gè)獨(dú)立證據(jù)推出同一假設(shè)的合成算 法等。4.5節(jié)詳細(xì)討論了這些算法，并舉例加以證明。4.6節(jié)討論另一種不確定性推理方法證據(jù)理論，又稱為D-S理論。該理論用集合表示問題。在證據(jù)理論中，可充分利用概率分配函數(shù)、信任 函數(shù)和似然函數(shù)等描述和處理知識的不確定性。4,6節(jié)首先對上述各函數(shù) 進(jìn)行定義，研究了它們的性質(zhì)

24、，舉例說明了各函數(shù)值的定義，證明了信任 函數(shù)與似然函數(shù)的關(guān)系，并計(jì)算了概率分配函數(shù)的正交和等。接著，給出 了一個(gè)特殊的概率分配函數(shù)，并以該函數(shù)為基礎(chǔ)建立一個(gè)具體的不確定性 推理模型。最后，舉例說明了證據(jù)理論的推理過程，計(jì)算出結(jié)論的確定性。除了本章介紹與討論的這些不確定性推理方法外，還有可能性理論和 模糊推理等方法。限于篇幅，有些方法不予介紹，而另一些方法（如模糊 推理等）將在本書的后續(xù)章節(jié)中進(jìn)行敘述。第五章計(jì)算智能計(jì)算智能的含義是什么，它涉及哪些研究分支貝茲德 克認(rèn)為計(jì)算智能取決于制造者提供的數(shù)值數(shù)據(jù)，而不依賴于知識。計(jì)算智 能是智力的低層認(rèn)知。主要的研究領(lǐng)域?yàn)樯窠?jīng)計(jì)算，模糊計(jì)算，進(jìn)化計(jì)算，

25、人工生命。試述計(jì)算智能CI人工智能AI和生物智能BI的關(guān)系計(jì)算智能是智力 的低層認(rèn)知，主要取決于數(shù)值數(shù)據(jù)而不依賴于知識。人工智能是在計(jì)算智 能的基礎(chǔ)上引入知識而產(chǎn)生的智力中層認(rèn)知。生物智能，尤其是人類智能， 則是最高層的智能。即CI包含AI包含8【人工神經(jīng)網(wǎng)絡(luò)發(fā)展前景，應(yīng)用 領(lǐng)域人工神經(jīng)網(wǎng)絡(luò)具有如下至關(guān)重要的特性：（1）并行分布處理，適于實(shí) 時(shí)和動態(tài)處理；（2）非線性映射，給處理非線性問題帶來新的希 望；（3）通過訓(xùn)練進(jìn)行學(xué)習(xí)，一個(gè)經(jīng)過適當(dāng)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)具有歸納全 部數(shù)據(jù)的能力，能夠解決那些由數(shù)學(xué)模型或描述規(guī)則難以處理的問 題；（4）適應(yīng)與集成，神經(jīng)網(wǎng)絡(luò)的強(qiáng)適應(yīng)和信息觸合能力使得它可以同 時(shí)輸

26、入大顯不同的控制信號，實(shí)現(xiàn)信息悚成和融合，適于復(fù)雜，大規(guī)模和 多變顯系統(tǒng)；（5）硬件實(shí)現(xiàn)，一些超大規(guī)模集成是電路實(shí)現(xiàn)硬件已經(jīng)問 世，使得神經(jīng)網(wǎng)絡(luò)成為具有快速和大規(guī)模處理能力的限絡(luò)。生物神經(jīng)元生物神經(jīng)元大多數(shù)神經(jīng)元由一個(gè)細(xì)胞體（cellbody或oma） 和突（proce）兩部分組成。突分兩類，即軸突（a某on）和樹突（dendrite）， 軸突是個(gè)突出部分，長度可達(dá)lm,把本神經(jīng)元的輸出發(fā)送至其它相連接的 神經(jīng)元。樹突也是突出部分，但一般較短，且分枝很多，與其它神經(jīng)元的 軸突相連，以接收來自其它神經(jīng)元的生物信號。軸突的未端與樹突進(jìn)行信號傳遞的界面稱為突觸(ynpae)，通過突觸 向其它神經(jīng)元發(fā)

27、送信息。對某些突觸的刺激促使神經(jīng)元觸發(fā)(fire)。只有 神經(jīng)元所有愉入的總效應(yīng)達(dá)到閭值電平，它才能開始工作。此時(shí)，神經(jīng)元 就產(chǎn)生一個(gè)全強(qiáng)度的輸出窄脈沖，從細(xì)胞體經(jīng)軸突進(jìn)入軸突分枝。這時(shí)的 神經(jīng)元就稱為被觸發(fā)。突觸把經(jīng)過一個(gè)神經(jīng)元軸突的脈沖轉(zhuǎn)化為下一個(gè)神 經(jīng)元的興奮或抑制。學(xué)習(xí)就發(fā)生在突觸附近。每個(gè)人腦大約含有1011-1012個(gè)神經(jīng)元，每一神經(jīng)元又約有103- 10W個(gè)突觸。神經(jīng)元通過突觸形成的網(wǎng)絡(luò)，傳遞神經(jīng)元間的興奮與抑制。 大腦的全部神經(jīng)元構(gòu)成極其復(fù)雜的拓?fù)渚W(wǎng)絡(luò)群體，用于實(shí)現(xiàn)記憶與思維。人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)； 人工神經(jīng)網(wǎng)絡(luò)由神經(jīng)元 模型構(gòu)成。每個(gè)神經(jīng)元具有單一輸出，并且能

28、夠與其它神經(jīng)元連接，存在 許多輸出連接方法，每種連接方法對應(yīng)于一個(gè)連接權(quán)系數(shù)。人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)分為2類：遞歸(反饋)網(wǎng)絡(luò)，有些神經(jīng)元的軸 出被反饋至同層或前層神經(jīng)元。信號能夠從正向和反向流通。Hopfield 網(wǎng)絡(luò)，Elmman網(wǎng)絡(luò)和Jordan網(wǎng)絡(luò)是代表。前饋網(wǎng)絡(luò)，具有遞階分層結(jié)構(gòu)， 由一些同層神經(jīng)元間不存在互連的層級組成。從輸入層至輸出層的信號通 過單向連接流通，神經(jīng)元從一層連接至下一層，不存在同層神經(jīng)元之間的 連接。多層感知器(MLP),學(xué)習(xí)矢量量化網(wǎng)絡(luò)(LVQ)，小腦模型連接控制網(wǎng) 絡(luò)(CMAC)和數(shù)據(jù)處理方法網(wǎng)絡(luò)(GMDH)是代表。人工神經(jīng)網(wǎng)絡(luò)主要學(xué)習(xí)算法人工神經(jīng)限絡(luò)的主要學(xué)習(xí)鏡法

29、：指導(dǎo)式 (有師)學(xué)習(xí)，根據(jù)期望和實(shí)際的網(wǎng)絡(luò)偷出之間的差來調(diào)整神經(jīng)元連接的 強(qiáng)度或權(quán)。包括Delta規(guī)則，廣義Delta規(guī)則，反向傳播算法及LVQ算法。 非指導(dǎo)(無導(dǎo)師)學(xué)習(xí)，訓(xùn)練過程中，神經(jīng)網(wǎng)絡(luò)能自動地適應(yīng)連接權(quán)，以 便按相似特征把輸入模式分組聚媒。包括Kohonen算法，Carpenter-Groberg自適應(yīng)諧振理論(ART)。強(qiáng)化學(xué)習(xí)，是有師學(xué)習(xí)的一種特例。它 不需要老師給出目標(biāo)輸出，而是由一個(gè)“評論員”來評介與給定輸入相對 應(yīng)的神經(jīng)網(wǎng)絡(luò)輸出的優(yōu)度。例如遺傳綽法(GA)神經(jīng)網(wǎng)絡(luò)的知識表示傳統(tǒng)人 工智能系統(tǒng)中所用的方法是知識的顯式表示，而神經(jīng)網(wǎng)絡(luò)中的知識表示是 一種隱式的表示方法。在有些

30、神經(jīng)網(wǎng)絡(luò)系統(tǒng)中，知識是用神經(jīng)網(wǎng)絡(luò)所對應(yīng) 的有向權(quán)圖的鄰接矩陣以及闕值向蜇表示的。神經(jīng)網(wǎng)絡(luò)的表示還有很多種方法，這里僅僅以鄰接矩陣為例。對千網(wǎng) 絡(luò)的不同表示，其相應(yīng)的運(yùn)算處理方法也隨之改變。近年來，很多學(xué)者將 神經(jīng)網(wǎng)絡(luò)的權(quán)值和結(jié)構(gòu)統(tǒng)一編碼表示成一維向量，結(jié)合進(jìn)化算法對其進(jìn)行 處理，取得很好的效果。神經(jīng)網(wǎng)絡(luò)知識推理基于神經(jīng)網(wǎng)絡(luò)的知識推理實(shí)質(zhì)上是在一個(gè)已經(jīng)訓(xùn)練 成熟的網(wǎng)絡(luò)基礎(chǔ)上對未知樣本進(jìn)行反應(yīng)或者判斷。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練是一個(gè) 網(wǎng)絡(luò)對訓(xùn)練樣本內(nèi)在規(guī)律的學(xué)習(xí)過程，而對網(wǎng)絡(luò)進(jìn)行訓(xùn)練的目的主要是為 了讓網(wǎng)絡(luò)模型對訓(xùn)練樣本以外的數(shù)據(jù)具有正確的映射能力。通常定義神經(jīng) 網(wǎng)絡(luò)的泛化能力，也稱推廣能力，是指神經(jīng)網(wǎng)絡(luò)在

31、訓(xùn)練完成之后輸入其訓(xùn) 練樣本以外的新數(shù)據(jù)時(shí)獲得正確輸出的能力。泛化特性在人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用過程中表現(xiàn)出來，但由網(wǎng)絡(luò)的設(shè)計(jì)和 建模過程所決定。從本質(zhì)上來說，不管是內(nèi)插泛化還是外推泛化，泛化特 性的好壞取決于人工神經(jīng)網(wǎng)絡(luò)是否從訓(xùn)練樣本中找到內(nèi)部的真正規(guī)律。影 響泛化能力的因素主要有： 心訓(xùn)練樣本的質(zhì)量和數(shù)量；/網(wǎng)絡(luò)結(jié)構(gòu)；/問題本身的復(fù)雜程度。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練次數(shù)也稱為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)時(shí)間。由試驗(yàn)結(jié)果可以看 出，在一定范隕內(nèi)，訓(xùn)練次數(shù)的增加可以提高神經(jīng)網(wǎng)絡(luò)的泛化能力。然 而.在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中經(jīng)常出現(xiàn)一種過擬合現(xiàn)象，誤差逐漸減小并 達(dá)到某個(gè)定值以后，往往會出現(xiàn)網(wǎng)絡(luò)對訓(xùn)練樣本以外的測試樣本的誤差反 而

32、開始增加的情況。對網(wǎng)絡(luò)的訓(xùn)練，并不是使訓(xùn)練誤差越小越好，而是要 從實(shí)際出發(fā)，提高對訓(xùn)練樣本以外數(shù)據(jù)的映射能力，即泛化性能。基于神經(jīng)網(wǎng)絡(luò)的推理是通過網(wǎng)絡(luò)計(jì)算實(shí)現(xiàn)的。把用戶提供的初始證據(jù) 用作網(wǎng)絡(luò)的輸入，通過網(wǎng)絡(luò)計(jì)算最終得到輸出結(jié)果。由上例可看出網(wǎng)絡(luò)推 理的大致過程。一般來說，正向網(wǎng)絡(luò)推理的步驟如下：（1）把已知數(shù)據(jù)輸 入網(wǎng)絡(luò)輸入層的各個(gè)節(jié)點(diǎn)。（2）利用特性函數(shù)分別計(jì)算網(wǎng)絡(luò)中各層的輸出。 計(jì)算中，前一層的輸出作為后一層有關(guān)節(jié)點(diǎn)的輸入，逐層進(jìn)行計(jì)算，直至 計(jì)算出輸出層的輸出值。（3）用闕值函數(shù)對輸出層的輸出進(jìn)行判定，從而 得到輸出結(jié)果。模糊推理，膜糊推理方法模糊推理是建立在模糊邏輯基礎(chǔ)上的，一種 不

33、確定性推理方法，是在二值邏輯三段論基礎(chǔ)上發(fā)展起來的。它以模糊判 斷為前提，動用模糊語言規(guī)則，推導(dǎo)出一個(gè)近似的模砌判斷結(jié)論。有許多模糊推理方法。在Zadeh法中，有2種重要的模糊推理規(guī)則： 廣義取式（肯定前提）假言推理法（GMP）和廣義拒式（否定結(jié)論）假言推 理法（GMT），分別簡稱為廣義前向推理法和廣義后向推理法。模糊判決，膜糊判決方法從推理得到的模糊集合中，取一個(gè)相對最能 代表這個(gè)模糊集合的單值的過程就稱為解模糊或模糊判決。常用的模糊判 決方法有：重心法，最大隸屬度法，系數(shù)加權(quán)平均法，隸屬度限幅元素平 均法進(jìn)化計(jì)算，出發(fā)點(diǎn)優(yōu)化是自然界進(jìn)化的核心，每個(gè)物種都在隨著自然 界的進(jìn)化而不斷優(yōu)化自身結(jié)

34、構(gòu)以適應(yīng)自然的變化。模仿生物來建立功能強(qiáng) 大的算法，進(jìn)而將它們運(yùn)用于復(fù)雜的優(yōu)化問題。進(jìn)化計(jì)算包括遺傳算法、 進(jìn)化策略。進(jìn)化編程和遺傳編程。進(jìn)化算法的主要原理：通過多點(diǎn)出發(fā)來同步搜索全局最優(yōu)解，在進(jìn)化 算法中，這些點(diǎn)稱為個(gè)體，所有的個(gè)體構(gòu)成了一個(gè)群體。進(jìn)化算法從選定 的初始群體出發(fā)，通過不斷迭代逐步改進(jìn)當(dāng)前群體，直至最后收斂于全局 最優(yōu)解或滿意解。這種群體迭代進(jìn)化的思想給優(yōu)化問題的求解提供了一種 全新思路。遺傳算法基本原理，遺傳算法求解步驟遺傳算法是模仿生物遺傳學(xué)和 自然選擇機(jī)理，通過人工方式構(gòu)造的一類優(yōu)化搜索算法，是對生物進(jìn)化過 程進(jìn)行的一種數(shù)學(xué)仿真，是進(jìn)化計(jì)算的一種最重要形式。求解步驟：(1

35、)隨機(jī)產(chǎn)生一個(gè)由確定長度的特征字符串組成的初始 種群體(2)對該字符串種群迭代地執(zhí)行下步的步驟l和步驟2，直到滿 足停止準(zhǔn)則為止：l計(jì)算種群中每個(gè)個(gè)體字符中的適應(yīng)值，2 應(yīng)用復(fù)制， 交叉和變異等遺傳算子產(chǎn)生下一代種群(3)把在后代中出現(xiàn)的最好個(gè)體字 符指定為遺傳賀法的執(zhí)行結(jié)果，這個(gè)結(jié)果可以表示問題的一個(gè)解。遺傳算法，進(jìn)化策略和進(jìn)化編程關(guān)系：它們都是模擬生物界自然進(jìn)化 過程而建立的獸棒性計(jì)算機(jī)算法。區(qū)別：進(jìn)化策略和進(jìn)化編程把變異作為主要搜索算子，標(biāo)準(zhǔn)遺傳算法 中，變異處千次要位置。交叉在遺傳法起若重要作用，而在進(jìn)化編程中卻 被完全省去，在進(jìn)化策略中與自適應(yīng)結(jié)合使用，起了很重要的作用。標(biāo)準(zhǔn) 遺傳算

36、法和進(jìn)化編程都強(qiáng)調(diào)隨機(jī)選擇機(jī)制的重要性，而進(jìn)化策略的選擇是 完全確定的。進(jìn)化策略和進(jìn)化編程，確定地把某個(gè)個(gè)體排除在被選擇之外， 而標(biāo)準(zhǔn)遺傳算法都對每個(gè)個(gè)體指定一個(gè)非零的選擇概率。人工生命人工生命是研究能夠演示出自然生命系統(tǒng)特征行為的人造系 統(tǒng)。通過計(jì)算機(jī)或其它機(jī)器對類似生命的行為進(jìn)行綜合研究，以便對傳統(tǒng) 生物科學(xué)起互補(bǔ)作用。凡是具有自然生命現(xiàn)象和特征的人造系統(tǒng)，都可稱 為人工生命。為什么研究人工生命具有重大的科學(xué)意義和廣泛的應(yīng)用價(jià)值：（I）開 發(fā)基于人工生命的工程技術(shù)新方法，新系統(tǒng)，新產(chǎn)品；（2）為自然生命 的研究提供新模型、新工具、新環(huán)境；（3）延伸人類壽命，減緩衰老， 防治疾??；（4）擴(kuò)展

37、自然生命，實(shí)現(xiàn)人工進(jìn)化和優(yōu)生優(yōu)育；（5）促進(jìn)生 命和學(xué)，信息和學(xué)，系統(tǒng)科學(xué)的交叉發(fā)展人工生命研究內(nèi)容，研究方法研 究內(nèi)容大致分為兩類：l）構(gòu)成生物體的內(nèi)部系統(tǒng)，包括腦，神經(jīng)系統(tǒng)，內(nèi) 分泌系統(tǒng)，免疫系統(tǒng)，遺傳系統(tǒng)，酶系統(tǒng)，代謝系統(tǒng)；2）生物體及其群 體的外部系統(tǒng)，包括環(huán)境適應(yīng)系統(tǒng)和遺傳進(jìn)化系統(tǒng)研究方法主要可分為兩 類：l）信息模型法，根據(jù)內(nèi)部和外部系統(tǒng)所表現(xiàn)出來的生命行為來建造信 息模型；2）工作原理法：生命行為所顯示的自律分散和非線性行為，其 工作原理是混沌和分形，以此為基礎(chǔ)研究人工生命的機(jī)理。群智能和粒群優(yōu)化概述同類生物之間的信息共享常常提供了一種進(jìn)化 的優(yōu)勢；這一猜想后來成為研究各種群智能

38、系統(tǒng)的基礎(chǔ)?？砂讶海╳arm）定義為某種交互作用的組織或agent之結(jié)構(gòu)集合。在群智能計(jì)算研究中， 群的個(gè)體組織包括螞蟻、白蟻、蜜蜂、黃蜂、魚群和鳥群等。在這些群體 中，個(gè)體在結(jié)構(gòu)上是很簡單的，而它們的集體行為卻可能變得相當(dāng)復(fù)雜。粒群優(yōu)化算法是一種基于群體搜索的算法，它建立在模擬鳥群社會的 基礎(chǔ)上。在粒群優(yōu)化中，被稱為粒子的個(gè)體是通過超維搜索空間“流動” 的。粒子在搜索空間中的位置變化是以個(gè)體成功地超過其他個(gè)體的社會心 理意向?yàn)榛A(chǔ)的。因此，群中粒子的變化是受其鄰近粒子（個(gè)體）的經(jīng)驗(yàn) 或知識影響的。一個(gè)粒子的搜索行為受到群中其他粒子的搜索行為的影響。由此可見，粒群優(yōu)化是一種共生合作算法。建立這

39、種社會行為模型的結(jié)果 是：在搜索過程中，粒子隨機(jī)地回到搜索空間中一個(gè)原先成功的區(qū)域。蟻群算法基本原理蟻群算法是受到對真實(shí)蟻群行為研究的啟發(fā)而提出 的。單個(gè)昆蟲的行為極其簡單，但由單個(gè)簡單的個(gè)體所組成的群體卻表現(xiàn) 出極其復(fù)雜的行為。大批螞蟻組成的蟻群的集體行為便表現(xiàn)出一種信息正 反饋現(xiàn)象：某一路徑上走過的螞蟻越多，則后來者選擇該路徑的概率就越 大。蟻群箕法源千對自然界中的螞蟻尋找蟻巢到食物以及食物回到蟻巢的 最短路徑方法的研究。它是一種并行算法，所有”螞蟻”均獨(dú)立行動，沒 有監(jiān)督機(jī)構(gòu)。它又是一種合作算法，依靠群體行為進(jìn)行尋優(yōu)。它還是一種 魯棒算法，只要對算法稍作修改，就可以求解其他組合優(yōu)化問題。

40、本章總結(jié)本章開始討論計(jì)算智能問題，并把神經(jīng)計(jì)算、模糊計(jì)算、進(jìn) 化計(jì)算、人工生命、群優(yōu)化作為計(jì)算智能的主要研究領(lǐng)域。這些研究領(lǐng)域 體現(xiàn)出生命科學(xué)與信息科學(xué)的緊密結(jié)合，也是廣義人工智能力圖研究和模 仿人類和動物智能（主要是人類的思維過程和智力行為）的重要進(jìn)展。把計(jì)算智能理解為智力的低層認(rèn)知，它主要取決千數(shù)值數(shù)據(jù)而不依賴 于知識。人工智能是在計(jì)算智能的基礎(chǔ)上引入知識而產(chǎn)生的智力中層認(rèn)知。 生物智能，尤其是人類智能，則是最高層的智能。也就是說，ClinAIinBI神經(jīng)網(wǎng)絡(luò)的基元是神經(jīng)元，具有多個(gè)輸入和一個(gè)輸出。神經(jīng)元間為帶 權(quán)的有向連接。輸入信號借助激勵函數(shù)得到輸出。人工神經(jīng)網(wǎng)絡(luò)可分為遞歸（反饋） 網(wǎng)

41、絡(luò)和多層（前饋）網(wǎng)絡(luò)兩種基 本結(jié)構(gòu)。在學(xué)習(xí)算法上，人工神經(jīng)網(wǎng)絡(luò)可采用有師（監(jiān)督式） 學(xué)習(xí)和無 師（自） 學(xué)習(xí)兩種。有時(shí)，對強(qiáng)化（增強(qiáng)） 學(xué)習(xí)單獨(dú)進(jìn)行討論；實(shí)際上，可把強(qiáng)化學(xué)習(xí)看做有師學(xué)習(xí)的特例。人工神經(jīng)網(wǎng)絡(luò)的模型種類很多，其中以反向傳播網(wǎng)絡(luò)和Hopfield網(wǎng)絡(luò)的應(yīng)用更為廣泛。人 工神經(jīng)網(wǎng)絡(luò)可用來進(jìn)行知識表示和推理。人工神經(jīng)網(wǎng)絡(luò)已獲得比較廣泛的 應(yīng)用。本章討論了模糊集合和模糊邏輯的各種定義及其運(yùn)算，研究了模糊推 理。模糊推理是以模糊判斷為前提，采用模糊語言規(guī)則，推導(dǎo)出一個(gè)近似 的模糊判斷結(jié)論。其中，以Zadeh推理方法最為成熟和普遍運(yùn)用Zadeh 推理有廣義前向推理和廣義后向推理兩種方法。通過

42、模糊推理得到一個(gè)模糊集合或隸屬函數(shù)。從該模糊集合中選取一 個(gè)能最好代表該集合單值的過程叫做解模糊、去模糊或模糊判決。常用的 模糊判決方法有重心法、最大隸屬度法、系數(shù)加權(quán)平均法和隸屬度限幅元 素平均法等。以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的神經(jīng)計(jì)算和以模糊邏輯為基礎(chǔ)的模糊計(jì)算，都是 建立在數(shù)值計(jì)算上的。它們是計(jì)算智能的重要組成部分。進(jìn)化計(jì)算遵循自然界優(yōu)勝劣汰、適者生存的進(jìn)化準(zhǔn)則，模仿生物群體 的進(jìn)化機(jī)制，并被用于處理復(fù)雜系統(tǒng)的優(yōu)化問題。遺傳算法是模仿生物遺傳學(xué)和自然選擇機(jī)理，通過人工方式而構(gòu)造的 一類搜索算法，是對生物進(jìn)化過程的一種數(shù)學(xué)仿真，也是進(jìn)化計(jì)算的最重 要形式。本章分析了遺傳算法的原理與框架、遺傳算法的編

43、碼與解碼、遺 傳算法的遺傳算子、遺傳算法的執(zhí)行過程和執(zhí)行實(shí)例。人工生命是計(jì)算智能研究的一個(gè)最新領(lǐng)域。人們試圖采用人工方法建 造具有自然生命現(xiàn)象和特征的人造系統(tǒng)。本章歸納出自然生命的共同特征 以作為人工生命研究的追求目標(biāo)。人工生命的研究內(nèi)容包括構(gòu)成生物體的 內(nèi)部系統(tǒng)和生物體生存的外部系統(tǒng)，涉及生命現(xiàn)象的仿生系統(tǒng)、建模與仿 真、進(jìn)化動力學(xué)、計(jì)算理論與工具以及人工生命的應(yīng)用等。研究方法主要 有信息模型法和工作原理法兩種，其具體研究途徑則有工程技術(shù)和生物科 學(xué)兩個(gè)方面。人工生命的研究具有誘人的發(fā)展前景和廣泛的應(yīng)用領(lǐng)域。人 們已在人工腦、計(jì)算機(jī)病毒、計(jì)算機(jī)進(jìn)程、細(xì)胞自動機(jī)和人工核昔酸等課 題的研究上取得

44、突破性進(jìn)展。粒群優(yōu)化算法是一種基于群體搜索的算法，它是建立在模擬鳥群社會 的基礎(chǔ)上的。在粒群優(yōu)化中，被稱為粒子的個(gè)體是通過超維搜索空間“流 動”的。粒子在搜索空間中的位置變化是以個(gè)體成功地超過其他個(gè)體的社 會心理意向?yàn)榛A(chǔ)的。一粒子的搜索行為受到群中其他粒子的搜索行為的 影響。因此可見，粒群優(yōu)化是一種共生合作算法。建立這種社會行為模型 的結(jié)果是： 在搜索過程中，粒子隨機(jī)地回到搜索空間中一個(gè)原先成功的 區(qū)域。粒群優(yōu)化算法有個(gè)體最佳算法、全局最佳算法和局部最佳算法三種。 近年來的研究使這些算法得以改進(jìn)，其中包括改善其收斂性和提高其適應(yīng) 性。從生物進(jìn)化和仿生學(xué)角度出發(fā)，研究螞蟻尋找食物路徑的自然行為

45、， 提出了蟻群算法。用該方法求解TSP問題、分配問題和調(diào)度等問題，取得 較好結(jié)果。蟻群算法已顯示出它在求解復(fù)雜優(yōu)化問題特別是離散優(yōu)化問題 方面的優(yōu)勢，是一種很有發(fā)展前景的計(jì)算智能方法。第六章專家系統(tǒng)專家系統(tǒng)，特點(diǎn)和優(yōu)點(diǎn)專家系統(tǒng)是一種模擬人類專家 解決領(lǐng)域問題的智能計(jì)算機(jī)程序系統(tǒng)，其內(nèi)部含有大星的某個(gè)領(lǐng)域?qū)＜宜?平的知識與經(jīng)驗(yàn)，能夠利用人類專家的知識和解決問題的方法來處理該領(lǐng) 域問題。也就是說，專家系統(tǒng)是一個(gè)具有大星的專門知識與經(jīng)驗(yàn)的程序系 統(tǒng)，它應(yīng)用人工智能技術(shù)和計(jì)算機(jī)技術(shù)，根據(jù)某一個(gè)領(lǐng)域或多個(gè)專家提供 的知識和經(jīng)驗(yàn)，進(jìn)行推理和判斷，模擬人類專家的決策過程，一邊解決那 些需要人類專家處理的復(fù)雜

46、問題。特點(diǎn)：（l）啟發(fā)性專家系統(tǒng)能運(yùn)用專家的知識與經(jīng)驗(yàn)進(jìn)行推理、判斷 和決策；（2）透明性專家系統(tǒng)能夠解釋本身的推理過程和回答用戶提出 的問題，以便讓用戶能夠了解推理過程，提高對專家系統(tǒng)的信賴感。（3） 靈活性專家系統(tǒng)能不斷地增長知識，修改原有知識，不斷更新優(yōu)點(diǎn)：（l） 專家系統(tǒng)能夠高效率、準(zhǔn)確、周到、迅速和不知疲倦地進(jìn)行工作；（2） 專家系統(tǒng)解決實(shí)際問題時(shí)不受周圍環(huán)境的影響，也不可能遺漏忘記；（3） 可以使專家的專長不受時(shí)間和空間的限制，以便推廣珍貴和稀缺的專家知 識與經(jīng)驗(yàn)；（4）專家系統(tǒng)能夠促進(jìn)各領(lǐng)域的發(fā)展，它使各領(lǐng)域?qū)＜业膶?業(yè)知識和經(jīng)驗(yàn)得到總結(jié)和精煉，能夠廣泛有力地傳播專家的知識、經(jīng)驗(yàn)

47、和 能力；（5）專家系統(tǒng)能夠匯集多領(lǐng)域?qū)＜业闹R和經(jīng)驗(yàn)以及他們寫作解 決重大問題的能力，它擁有更淵博的知識、甲豐宮的經(jīng)驗(yàn)和甲強(qiáng)的工作能 力；（6 ）軍事專家系統(tǒng)的水平是一個(gè)國家國防現(xiàn)代化的重要標(biāo)志之 一；（7）專家系統(tǒng)的研制和應(yīng)用，具有巨大的經(jīng)濟(jì)效益和社會效 益；（8）研究專家系統(tǒng)能夠促進(jìn)整個(gè)科學(xué)技術(shù)的發(fā)展。專家系統(tǒng)對人工 智能的各個(gè)領(lǐng)域的發(fā)展起了很大的促進(jìn)作用，并將對科技、經(jīng)濟(jì)、國防、 教育、社會和人民生活產(chǎn)生極其深遠(yuǎn)的影響。專家系統(tǒng)構(gòu)成部分（I）知識庫，知識庫用千存儲某領(lǐng)域的專門知識， 包括事實(shí)、可行操作與規(guī)則等。（2）綜合數(shù)據(jù)庫。綜合數(shù)據(jù)庫又稱全局?jǐn)?shù)據(jù)庫或總數(shù)據(jù)庫，它用于存 儲領(lǐng)域或問題

48、的廚師數(shù)據(jù)和推理過程中得到的中間數(shù)據(jù)（信息），即被處 理對象的一些當(dāng)們事實(shí)。推理機(jī)，推理機(jī)用于記憶所采用的規(guī)則和控制策略的程序，使整 個(gè)專家系統(tǒng)能夠以邏輯方式協(xié)調(diào)地工作。推理機(jī)能夠根據(jù)指示進(jìn)行推理和 尋出結(jié)論，而不是簡單地搜索現(xiàn)成的答案。解釋器，解釋器能夠向用戶解釋專家系統(tǒng)的行為，包括解釋推理 結(jié)論的正確性以及系統(tǒng)輸出其他候選解的原因。接口，又稱界面，他能夠使系統(tǒng)與用戶進(jìn)行對話，使用戶能夠愉 入必要的數(shù)據(jù)、提出問題和了解推理過程及推理結(jié)果等。系統(tǒng)則通過接口， 要求用戶回答提問，并回答用戶提出的問題，進(jìn)行必要的解釋。專家系統(tǒng)建造步驟是否擁有大呈知識是專家系統(tǒng)成功與否的關(guān)鍵，因 而知識表示就成為設(shè)

49、計(jì)專家系統(tǒng)的關(guān)鍵：(l)設(shè)計(jì)初始知識庫，問題知識 化、知識概念化、概念形式化、形式規(guī)則化、規(guī)則合法化；(2)原型機(jī) (prototype)的開發(fā)與試驗(yàn)，建立整個(gè)系統(tǒng)所需要的實(shí)驗(yàn)子集，它包括整 個(gè)模型的典型知識，而且只涉及與試驗(yàn)有關(guān)的足夠簡單的任務(wù)和推理過 程；(3)知識庫的改進(jìn)與歸納，反復(fù)對知識庫及推理規(guī)則進(jìn)行改進(jìn)試驗(yàn)， 歸納出更完善的結(jié)果專家系統(tǒng)與一般的問題求解軟件程序一般應(yīng)用程序與 專家系統(tǒng)的區(qū)別在于：前者把問題求解的知識隱含地編入程序，而后者則 把其應(yīng)用領(lǐng)域的問題求解知識單獨(dú)組成一個(gè)實(shí)體，即為知識庫。知識庫的 處理時(shí)通過與知識庫分開的控制策略進(jìn)行的。更明確地說，一般應(yīng)用程序 把知識組織為

50、兩級：數(shù)據(jù)級和程序級；大多數(shù)專家系統(tǒng)則將知識組織成 三級：數(shù)據(jù)、知識庫和控制。在數(shù)據(jù)級上，是已經(jīng)解決了的特定問題的說 明性知識以及需要求解問題的有關(guān)事件的當(dāng)前狀態(tài)、在知識庫級是專家系 統(tǒng)的專門知識與經(jīng)驗(yàn)。是否擁有大呈知識是專家系統(tǒng)成功與否的關(guān)鍵，因 而知識表示就成為設(shè)計(jì)專家系統(tǒng)的關(guān)鍵。在控制程序級，根據(jù)既定的控制 策略和所求解問題的性質(zhì)來決定應(yīng)用知識庫中的哪些知識?；谝?guī)則的專家系統(tǒng)系統(tǒng)的主要部分是知識庫和推理引擎。知識庫由 謂詞派算事實(shí)和有關(guān)討論主題的規(guī)則構(gòu)成?！敝R工程師”與應(yīng)用領(lǐng)域的 專家共同工作以便把專家的相關(guān)知識表示成一種形式，由一個(gè)知識采媒子 系統(tǒng)協(xié)助，輸入到知識庫。推理引擎由所有

51、操作知識庫來演繹用戶要求的 信息的過程構(gòu)成一如消解、前向鏈或反向鏈。用戶接口可能包括某種自然 語言處理系統(tǒng)，它允許用戶用一個(gè)有限的自然語言形式與系統(tǒng)交互。也可 是用帶有菜單的圖形接口界面。解釋子系統(tǒng)分析被系統(tǒng)只需的推理結(jié)構(gòu)， 并把它解釋給用戶。基于框架的專家系統(tǒng)與面向目標(biāo)的編程面向目標(biāo)的編程其所有數(shù)據(jù)結(jié) 構(gòu)均以目標(biāo)形式出現(xiàn)，每個(gè)目標(biāo)含有兩種基本信息：描述目標(biāo)的信息和說 明目標(biāo)能做什么的信息。面向目標(biāo)的編程為表示實(shí)際世界目標(biāo)提供了一種 自然的方法。應(yīng)用專家系統(tǒng)的術(shù)語來說，每個(gè)目標(biāo)具有陳述性知識和過程 知識。結(jié)構(gòu)的主要特點(diǎn)在于基千框架的專家系統(tǒng)采用框架而不是規(guī)則來表 示知識。框架提供一種比規(guī)則更豐

52、富的獲取問題知識的方法，不僅提供某 些目標(biāo)的包描述，而且還規(guī)定了該目標(biāo)如何工作。開發(fā)基于框架的專家系統(tǒng)的主要任務(wù)有：(l)定義問題(對問題和結(jié) 論的考察與綜述)(2)分析領(lǐng)域(定義事物、事物特征、事件和框架結(jié)構(gòu)) (3)定義類及其特征(4)定義例及其框架結(jié)構(gòu)(5)確定模式匹配法則(6)規(guī)定 事物通信方法(7)設(shè)計(jì)系統(tǒng)界面(8)對系統(tǒng)進(jìn)行評價(jià)(9)對系統(tǒng)進(jìn)行擴(kuò)展， 深化和擴(kuò)展知識基于模型的專家系統(tǒng)有一種關(guān)于人工智能的觀點(diǎn)認(rèn)為：人 工智能是對各種定性模型的獲得、表達(dá)及使用的計(jì)算方法進(jìn)行研究的學(xué)問。 根據(jù)這一觀點(diǎn)，一個(gè)知識系統(tǒng)中的知識庫是由各種模犁綜合而成的，而這 些楝型又往往是定性的模型。采用各種

53、定性模型來設(shè)計(jì)專家系統(tǒng)，一方面 它增加了系統(tǒng)的功能，提高了性能指標(biāo)，另一方面，可獨(dú)立地深入研究各 種模型及其相關(guān)問題，把獲得的結(jié)果用于改進(jìn)系統(tǒng)設(shè)計(jì)。分布式專家系統(tǒng)和協(xié)同式專家系統(tǒng)新型專家系統(tǒng)的特征：（1）并行于分布處理（2）多專家系統(tǒng)協(xié)同工作（3）高級語言和知識語言描述，知識工程 師只需用一種高級專家系統(tǒng)描述語言對系統(tǒng)進(jìn)行功能、性能及接口描述， 并用知識表示語言描述領(lǐng)域知識，專家系統(tǒng)生成系統(tǒng)就能自動或半自動地 生成所需專家系統(tǒng)。（4）具有自學(xué)習(xí)功能，具有高級的知識獲取與學(xué)習(xí)能 力（5）引入新的推理機(jī)制，除了能進(jìn)行演繹推理之外，還有歸納推理（聯(lián) 想、類比）、非標(biāo)準(zhǔn)邏輯推理（非單調(diào)邏輯推理、加權(quán)邏

54、輯推理）及各種 基于不完全知識和模糊知識的推理。（6）具有自糾錯和自完善能力（7）先進(jìn) 的智能人機(jī)接口，理解自然語言，實(shí)現(xiàn)語聲、文字、圖形和圖像的直接輸 入輸出時(shí)如今人們對智能計(jì)算機(jī)提出的要求。分布式專家系統(tǒng)，具有分布處理的特征，能把一個(gè)專家系統(tǒng)的功能經(jīng) 分解以后分布到多個(gè)處理器上去并行地工作，從而有總體上提高系統(tǒng)的處 理效率。它可以工作在緊耦合的多處理器系統(tǒng)環(huán)境中，也可工作在松耦合 的計(jì)算機(jī)樹絡(luò)環(huán)境中，其總體結(jié)構(gòu)在很大程度上依賴千其所在的硬件環(huán)境 協(xié)同式專家系統(tǒng)，又稱為“群專家系統(tǒng)”，是一個(gè)能綜合若干個(gè)相近領(lǐng)域 或一個(gè)領(lǐng)域的多個(gè)方面的子專家系統(tǒng)互相協(xié)作，共同解決一個(gè)更廣領(lǐng)域問 題的專家系統(tǒng)。

55、是克服一般專家系統(tǒng)的局限性的重要途徑。它不著重于處 理的分布和知識的分布，而是更強(qiáng)調(diào)子系統(tǒng)間的協(xié)同合作。它并不一定要 求有多高處理機(jī)的硬件環(huán)境，而且一般都是在同一個(gè)處理機(jī)上實(shí)現(xiàn)各子專 家系統(tǒng)的專家系統(tǒng)設(shè)計(jì)技術(shù)（I）具有可靠知識與數(shù)據(jù)的小搜索空間問題， 數(shù)據(jù)可靠（無噪聲、無錯誤、不丟失、不多余）和知識可靠（不出現(xiàn)假的、 近似的或推測性的結(jié)論），決定了系統(tǒng)具有單調(diào)性并可采用單路推理路線。 而小搜索空間的問題一般允許采用窮舉搜索策略。（2）不可靠的數(shù)據(jù)或知識，這種情況應(yīng)采用楓率推理、模糊推理、不 可靠數(shù)據(jù)的精確推理方法或?qū)ｉT的不確定性推理技術(shù)。(3)時(shí)變數(shù)據(jù)，一般要設(shè)計(jì)時(shí)徊推理技術(shù)，推理過程要求較復(fù)

56、雜的表 示法。(4)大搜索空間的問題，一般要引入啟發(fā)式搜索策略或采用分層體系 結(jié)構(gòu)，來降低求解過程的復(fù)雜程度。對打空間的問題通常還要根據(jù)具體問 題的特征來去相應(yīng)的對策。基于Web的專家系統(tǒng)基于Web的專家系統(tǒng)是集成傳統(tǒng)專家系統(tǒng)和Web 數(shù)據(jù)交互的新型技術(shù)。這種組合技術(shù)可簡化復(fù)雜決策分析方法的應(yīng)用，通 過內(nèi)部網(wǎng)將解決方案遞送到工作人員手中，或通過Web將解決方案遞送到 客戶和供應(yīng)商手中?；赪eb的專家系統(tǒng)將人機(jī)交互定位在Internet層次，專家、知識 工程師和普通用戶通過瀏覽器可訪問專家系統(tǒng)應(yīng)用服務(wù)器，將問題傳遞給 Web推理機(jī)，然后Web推理機(jī)通過后臺數(shù)據(jù)庫服務(wù)搖對數(shù)據(jù)庫和知識庫進(jìn) 行存取

57、，來推導(dǎo)出一些結(jié)論，然后將這些結(jié)論告訴用戶。專家系統(tǒng)建造工具專家系統(tǒng)開發(fā)工具室一些比較通用的工具，作為設(shè) 計(jì)和開發(fā)專家系統(tǒng)的輔助手段和環(huán)境，以求提高專家系統(tǒng)的開發(fā)效率、質(zhì) 量和自動化水平。專家系統(tǒng)工具是一種更高級的計(jì)算機(jī)程戶設(shè)計(jì)語言。比 一般的計(jì)筍機(jī)商級語言具有更強(qiáng)的功能。主要分為骨架型工具(又稱外 殼)、語言型工具、構(gòu)造輔助工具和支撐環(huán)境等四類。本章總結(jié)作為人工智能應(yīng)用的一個(gè)重要突破口，專家系統(tǒng)已在眾多領(lǐng) 域得到日益廣泛的應(yīng)用，顯示出它的強(qiáng)大生命力。本章在產(chǎn)生式系統(tǒng)的基礎(chǔ)上，首先研究了專家系統(tǒng)的基本問題，包括 專家系統(tǒng)的定義、類型、特點(diǎn)、結(jié)構(gòu)和建造步驟等。接著討論了基千不同 技術(shù)建立的專家系

58、統(tǒng)，即6.2節(jié)基于規(guī)則的專家系統(tǒng)、6.3節(jié)基于框架的 專家系統(tǒng)、6.4節(jié)基千模型的專家系統(tǒng)和6.5節(jié)基于Web的專家系統(tǒng)。從 這些系統(tǒng)的工作原理和模型可以看出，人工智能的各種技術(shù)和方法在專家 系統(tǒng)中得到很好的結(jié)合和應(yīng)用，為人工智能的發(fā)展提供很好的范例。計(jì)算機(jī)科學(xué)的一些新思想和新技術(shù)也對專家系統(tǒng)的發(fā)展起了重要作用。 6.6節(jié)歸納的新型專家系統(tǒng)，就是應(yīng)用計(jì)算機(jī)科學(xué)中分布式處理和協(xié)同工 作機(jī)制的結(jié)果，它們分別是分布式專家系統(tǒng)和協(xié)同式專家系統(tǒng)。對上述各 種專家系統(tǒng)的更深入研究，應(yīng)由專家系統(tǒng)專著或教材去進(jìn)行。6.7節(jié)介紹了專家系統(tǒng)的設(shè)計(jì)。首先以一個(gè)基于規(guī)則的維修咨詢系統(tǒng) 為例，說明了專家系統(tǒng)的設(shè)計(jì)過程，

59、并采用E某PERT開發(fā)工具進(jìn)行設(shè)計(jì)。 接著討論基千規(guī)則專家系統(tǒng)的一般設(shè)計(jì)方法，然后以反向推理規(guī)則專家系 統(tǒng)為例說明介紹專家系統(tǒng)的設(shè)計(jì)任務(wù)。這將對專家系統(tǒng)有更具體和深入的 了解。為了提高專家系統(tǒng)的開發(fā)效率、質(zhì)量和自動化水平，需要專家系統(tǒng)的 開發(fā)下具。6.8節(jié)簡介了 4種主要開發(fā)工具，即骨架型工具、語言型工具、 構(gòu)造輔助工具和支撐環(huán)境，并介紹了專家系統(tǒng)的Matlab開發(fā)工具。專家 系統(tǒng)是人工智能應(yīng)用研究的一個(gè)最早最有成效領(lǐng)域。人們期待它有新的發(fā) 展和新的突破，成為21世紀(jì)人類進(jìn)行智能管理與決策的得力工具。第七章機(jī)器學(xué)習(xí)什么是學(xué)習(xí)和機(jī)器學(xué)習(xí)按照人工智能大師西蒙的觀點(diǎn)， 學(xué)習(xí)就是系統(tǒng)在不斷重復(fù)的工作中

60、對本身能力的增強(qiáng)或者改進(jìn)，使得系統(tǒng) 在下一次執(zhí)行同祥認(rèn)為或類似任務(wù)時(shí)，會比現(xiàn)在做得更好或效率跟高。機(jī) 器學(xué)習(xí)室研究如何使用機(jī)器來模擬人類學(xué)習(xí)活動的一門學(xué)科，機(jī)器學(xué)習(xí)是 一門研究機(jī)器獲取新知識和新枝能，并識別現(xiàn)有知識的學(xué)問。這甲說的 “機(jī)器”，指的就是計(jì)綁機(jī)?，F(xiàn)有的計(jì)綽機(jī)系統(tǒng)和人工智能系統(tǒng)沒有什么學(xué)習(xí)能力，至多也只有非常有限的學(xué)習(xí)能力，因而不能滿足和技和生產(chǎn)提 出的新要求。機(jī)器學(xué)習(xí)主要策略機(jī)器學(xué)習(xí)所采用的策略大體上可分為4種機(jī)械學(xué)習(xí)、 示教學(xué)習(xí)、類比學(xué)習(xí)和示例學(xué)習(xí)。機(jī)械學(xué)習(xí)的模式機(jī)械學(xué)習(xí)是最簡單的機(jī)器學(xué)習(xí)方法。機(jī)楨學(xué)習(xí)就是記 憶，即把新的知識存儲起來，供需要時(shí)檢索調(diào)用，而不需要計(jì)綁和推理。 是最