智能計(jì)算模式的統(tǒng)一性和多樣性研究

智能計(jì)算模式的統(tǒng)一性和多樣性研究吳啟迪1/21/20241主要內(nèi)容智能計(jì)算智能計(jì)算模式的統(tǒng)一框架描述智能計(jì)算模式在統(tǒng)一框架下的多樣性研究人工神經(jīng)網(wǎng)絡(luò)群體智能——蟻群算法和微粒群算法進(jìn)化計(jì)算分布估計(jì)算法人工免疫系統(tǒng)智能計(jì)算模式的應(yīng)用研究結(jié)束語(yǔ)1/21/20242智能計(jì)算智能計(jì)算定義——

是以自然界，特別是其中典型的生物系統(tǒng)和物理系統(tǒng)的相關(guān)功能、特點(diǎn)和作用機(jī)理為參照基礎(chǔ)，研究其中所蘊(yùn)含的豐富的信息處理機(jī)制，在所需求解問(wèn)題特征的相關(guān)目標(biāo)導(dǎo)引下，提取相應(yīng)的計(jì)算模型，設(shè)計(jì)相應(yīng)的智能算法，通過(guò)相關(guān)的信息感知積累、知識(shí)方法提升、任務(wù)調(diào)度實(shí)施、定點(diǎn)信息交換等模塊的協(xié)同工作，得到智能化的信息處理效果，并在各相關(guān)領(lǐng)域加以應(yīng)用。1/21/20243智能計(jì)算學(xué)科定位：相關(guān)自然科學(xué)（特別是物理學(xué)和生命科學(xué)）和計(jì)算機(jī)科學(xué)的交叉（可能包括生物社會(huì)科學(xué)）。與人工智能的關(guān)系：與人工智能領(lǐng)域有交叉更關(guān)注各相關(guān)計(jì)算模型及算法模式中自然模擬的本質(zhì)，而非“人工”──模仿自然的模型與算法──與自然界物理特征、生命特征等相關(guān)的作用機(jī)理研究1/21/20244智能計(jì)算智能計(jì)算所關(guān)注的模式主要包括：

進(jìn)化計(jì)算、神經(jīng)計(jì)算、群體智能計(jì)算、人工免疫系統(tǒng)、人工內(nèi)分泌系統(tǒng)、生態(tài)計(jì)算、分子計(jì)算以及其他相關(guān)復(fù)雜自適應(yīng)計(jì)算等。1/21/20245智能計(jì)算模式的統(tǒng)一性框架理念智能計(jì)算模式的多樣性：在智能計(jì)算相關(guān)的研究領(lǐng)域，各類智能算法層出不窮，它們形態(tài)各異，理念各異，建模及分析工具各具特色，但這恰恰體現(xiàn)了智能計(jì)算模式的多樣性。多樣性被公認(rèn)了，是否在某些智能算法之間存在著一定程度的統(tǒng)一性呢？答案顯然是肯定的。1/21/20246智能計(jì)算模式的統(tǒng)一性框架理念智能計(jì)算模式的統(tǒng)一框架模型：智能計(jì)算的各種算法及模型，在具體的計(jì)算動(dòng)態(tài)過(guò)程中，均具有一定的分布式自主尋優(yōu)特征，但是這一切都是在客觀統(tǒng)一的總體模式框架約束下進(jìn)行的。因此，智能計(jì)算的統(tǒng)一框架可看作是一個(gè)分層的模式。如圖１所示。框架模型的四個(gè)層次：宏觀設(shè)計(jì)及方法提升層任務(wù)分解協(xié)調(diào)層計(jì)算調(diào)度及信息感知層被控實(shí)體運(yùn)動(dòng)過(guò)程層1/21/20247智能計(jì)算模式的統(tǒng)一性框架理念主要模塊：用戶及模型選擇設(shè)計(jì)過(guò)程（模塊）知識(shí)方法提升模塊決策分配模塊調(diào)度實(shí)施模塊信息感知積累模塊信息交換模塊被控實(shí)體及傳感器系統(tǒng)1/21/20248圖１智能計(jì)算模式的總體分層框架模式1/21/20249智能計(jì)算模式在統(tǒng)一框架下的

多樣性研究人工神經(jīng)網(wǎng)絡(luò)——反饋式Hopfield神經(jīng)網(wǎng)絡(luò)和前饋式RBF神經(jīng)網(wǎng)絡(luò)群體智能算法——智能蟻群算法和微粒群算法進(jìn)化計(jì)算——遺傳算法分布估計(jì)算法人工免疫系統(tǒng)1/21/202410Hopfield神經(jīng)網(wǎng)絡(luò)(HNN)HNN由N個(gè)神經(jīng)元通過(guò)平面全互聯(lián)模式進(jìn)行能量函數(shù)的動(dòng)態(tài)合作尋優(yōu)，其標(biāo)準(zhǔn)能量函數(shù)規(guī)定了統(tǒng)一的集體尋優(yōu)目標(biāo)。HNN已知的動(dòng)態(tài)收斂模式：每個(gè)神經(jīng)元的非線性動(dòng)態(tài)可用以下方程描述：

為神經(jīng)元的非線性輸入輸出特性。1/21/202411Hopfield神經(jīng)網(wǎng)絡(luò)的智能計(jì)算

框架結(jié)構(gòu)表達(dá)

在智能計(jì)算總體框架下，HNN表現(xiàn)為兩層結(jié)構(gòu)：

上層：任務(wù)分解協(xié)調(diào)及模型方法提升層問(wèn)題求解HNN模塊模型方法提升模塊下層：計(jì)算調(diào)度及信息感知層HNN神經(jīng)元運(yùn)動(dòng)模式計(jì)算模塊通信和感知模塊：簡(jiǎn)化為信息全互聯(lián)傳遞及反饋網(wǎng)絡(luò)1/21/202412圖２Hopfield神經(jīng)網(wǎng)絡(luò)的智能計(jì)算框架理念求證1/21/202413RBF神經(jīng)網(wǎng)絡(luò)RBF神經(jīng)網(wǎng)絡(luò)是一種多層前向型神經(jīng)網(wǎng)絡(luò)，通常網(wǎng)絡(luò)結(jié)構(gòu)是一個(gè)三層前向網(wǎng)絡(luò)。輸入層由信號(hào)源節(jié)點(diǎn)組成；隱含層的單元數(shù)視所描述問(wèn)題的需要而定；輸出層對(duì)輸入模式的作用做出響應(yīng)。

RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖1/21/202414RBF神經(jīng)網(wǎng)絡(luò)隱含層是對(duì)作用函數(shù)的參數(shù)進(jìn)行調(diào)整，采用非線性優(yōu)化策略；輸出層是對(duì)線性權(quán)進(jìn)行調(diào)整，采用線性優(yōu)化策略。隱含層徑向基函數(shù)：RBF神經(jīng)網(wǎng)絡(luò)的輸出為：1/21/202415RBF神經(jīng)網(wǎng)絡(luò)的智能計(jì)算

框架結(jié)構(gòu)表達(dá)在智能計(jì)算總體框架下，表現(xiàn)為一類兩層結(jié)構(gòu)模型：上層：任務(wù)分解協(xié)調(diào)及模型方法提升層問(wèn)題求解RBF模塊知識(shí)方法提升模塊下層：計(jì)算調(diào)度及信息感知層RBF中心點(diǎn)運(yùn)動(dòng)模式計(jì)算模塊RBF輸出權(quán)值運(yùn)動(dòng)模式計(jì)算模塊RBF神經(jīng)網(wǎng)絡(luò)：包括輸入層、信息前饋式網(wǎng)絡(luò)（實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)內(nèi)部信息的交換和傳遞）和輸出層。1/21/202416圖３ＲＢＦ神經(jīng)網(wǎng)絡(luò)的智能計(jì)算框架理念求證1/21/202417蟻群算法

AntColonySystem(ACS)1991年M.Dorigo等人首先提出一種典型的群體智能模式，基本特征：充分利用蟻群能通過(guò)個(gè)體間簡(jiǎn)單的信息傳遞，搜索到從蟻穴至食物間最短路徑的集體尋優(yōu)特征通過(guò)正反饋、分布式協(xié)作進(jìn)行路徑尋優(yōu)：──尋優(yōu)的快速性通過(guò)正反饋信息傳遞和積累來(lái)保證──分布式計(jì)算避免算法的早熟收斂──能在搜索過(guò)程的早期找到次最優(yōu)（滿意）解1/21/202418蟻群算法路徑尋優(yōu)的基本思想螞蟻在給定點(diǎn)之間選擇不同路徑的一般原則：選擇被先行螞蟻大量采用的路徑的概率較大，也即信息素留存較濃的路徑．螞蟻k從城市i到城市j的轉(zhuǎn)移概率：結(jié)論：較多的信息素一般對(duì)應(yīng)著較短的路徑1/21/202419蟻群算法的智能計(jì)算

框架結(jié)構(gòu)表達(dá)在智能計(jì)算總體框架下，ACS是一類兩層結(jié)構(gòu)模型：上層：任務(wù)分解協(xié)調(diào)及模型方法提升層問(wèn)題求解ACS模塊知識(shí)方法提升模塊下層：計(jì)算調(diào)度及信息感知層。螞蟻個(gè)體運(yùn)動(dòng)模式計(jì)算模塊與求解問(wèn)題相對(duì)應(yīng)的信息素分布環(huán)境信息感知與反饋模塊1/21/202420圖４蟻群算法的智能計(jì)算框架理念求證1/21/202421微粒群算法

ParticleSwarmOptimization(PSO)1995年由社會(huì)心理學(xué)博士J.Kennedy和電子工程學(xué)博士R.Eberhart提出個(gè)體為尋優(yōu)空間中一個(gè)無(wú)質(zhì)量無(wú)體積的微粒；微粒在搜索空間中以一定的速度飛行飛行速度調(diào)整規(guī)則：

微粒自身與微粒經(jīng)驗(yàn)+對(duì)環(huán)境的學(xué)習(xí)與適應(yīng)各微粒自身的最優(yōu)歷史記錄和群體最優(yōu)個(gè)體起示范作用──一種具有很強(qiáng)導(dǎo)向性的啟發(fā)式搜索算法同樣具有尋優(yōu)快速性和分布式計(jì)算避免早熟收斂等優(yōu)點(diǎn)1/21/202422微粒群算法流程圖1/21/202423微粒群算法的智能計(jì)算

框架結(jié)構(gòu)表達(dá)兩層結(jié)構(gòu)模型：上層是任務(wù)分解協(xié)調(diào)及模型方法提升層：?jiǎn)栴}求解PSO設(shè)計(jì)模塊知識(shí)方法提升模塊以及知識(shí)庫(kù)方法庫(kù)下層為計(jì)算調(diào)度及信息感知層：主要包括微粒個(gè)體運(yùn)動(dòng)模式設(shè)定模塊全互聯(lián)信息交換連接模塊最優(yōu)信息處理模塊1/21/202424圖５微粒群算法的智能計(jì)算框架理念求證1/21/202425遺傳算法

GeneticAlgorithms(GA)20世紀(jì)70年代由美國(guó)的Holland提出，是一種模擬生物進(jìn)化過(guò)程的優(yōu)化方法它的基本思想基于C.R.Darwin的生物進(jìn)化論和G.Mendel的遺傳學(xué)，并結(jié)合了Darwin的適者生存和隨機(jī)交換理論不需要對(duì)象的特定知識(shí)，也不需要對(duì)象空間連續(xù)可微，具有全局尋優(yōu)的能力進(jìn)化過(guò)程采用選擇、交叉和變異等算子

1/21/202426遺傳算法流程圖1/21/202427遺傳算法的智能計(jì)算

框架結(jié)構(gòu)表達(dá)兩層結(jié)構(gòu)模型：上層是任務(wù)分解協(xié)調(diào)及模型方法提升層：?jiǎn)栴}求解GA設(shè)計(jì)模塊知識(shí)方法提升模塊以及知識(shí)庫(kù)方法庫(kù)下層為計(jì)算調(diào)度及信息感知層：染色體進(jìn)化模式設(shè)定模塊與問(wèn)題求解對(duì)應(yīng)的遺傳進(jìn)化計(jì)算交互模式信息感知與傳遞模塊1/21/202428圖６遺傳算法的智能計(jì)算框架理念求證1/21/202429分布估計(jì)算法

EstimationofDistributionAlgorithms(EDA)分布估計(jì)算法的概念最初在1996年提出，是一種全新的進(jìn)化模式本質(zhì)上是一種基于概率模型的進(jìn)化算法

——自然進(jìn)化算法和構(gòu)造性數(shù)學(xué)分析方法相結(jié)合分布估計(jì)算法中，沒(méi)有傳統(tǒng)的交叉、變異等遺傳操作，取而代之的是概率模型的學(xué)習(xí)和采樣。1/21/202430分布估計(jì)算法EDA與遺傳算法GA的區(qū)別1/21/202431分布估計(jì)算法的智能計(jì)算

框架結(jié)構(gòu)表達(dá)兩層結(jié)構(gòu)模型：上層是任務(wù)分解協(xié)調(diào)及模型方法提升層：?jiǎn)栴}求解EDA設(shè)計(jì)模塊知識(shí)方法提升模塊以及知識(shí)庫(kù)方法庫(kù)下層為計(jì)算調(diào)度及信息感知層：個(gè)體選擇模塊與問(wèn)題求解對(duì)應(yīng)的群體分布環(huán)境EDA統(tǒng)計(jì)優(yōu)選模塊1/21/202432圖７分布估計(jì)算法的智能計(jì)算框架理念求證1/21/202433人工免疫系統(tǒng)受免疫學(xué)啟發(fā)，借鑒免疫系統(tǒng)機(jī)制來(lái)模擬免疫學(xué)功能、原理和模型這一概念是在1974年由諾貝爾獎(jiǎng)獲得者、免疫學(xué)家K.Jerne提出了免疫網(wǎng)絡(luò)理論而引起關(guān)注的人工免疫系統(tǒng)是借鑒自然免疫系統(tǒng)機(jī)制以及免疫學(xué)理論所建立的算法、模型以及軟、硬件系統(tǒng)的統(tǒng)稱

1/21/202434人工免疫算法

ArtificialImmuneAlgorithms(AIA)將抗原和抗體分別對(duì)應(yīng)于優(yōu)化問(wèn)題的目標(biāo)函數(shù)和可行解把抗體和抗原的親和度視為可行解與目標(biāo)函數(shù)的匹配程度用抗體之間的親和力運(yùn)算保證可行解的多樣性通過(guò)抗體之間期望生存率的比較計(jì)算及擇優(yōu)來(lái)促進(jìn)較優(yōu)抗體的遺傳和變異用記憶細(xì)胞單元保存擇優(yōu)后的可行解來(lái)抑制相似可行解的繼續(xù)產(chǎn)生并加速搜索到全局最優(yōu)解1/21/202435人工免疫算法流程1/21/202436人工免疫算法的智能計(jì)算

框架結(jié)構(gòu)表達(dá)兩層結(jié)構(gòu)模型：上層是任務(wù)分解協(xié)調(diào)及模型方法提升層：?jiǎn)栴}求解AIA設(shè)計(jì)模塊知識(shí)方法提升模塊以及知識(shí)庫(kù)方法庫(kù)下層為計(jì)算調(diào)度及信息感知層：抗體免疫進(jìn)化模式設(shè)定模塊免疫記憶細(xì)胞群與問(wèn)題求解對(duì)應(yīng)的免疫進(jìn)化計(jì)算交互模式信息感知與傳遞模塊1/21/202437圖８人工免疫算法的智能計(jì)算框架理念求證1/21/202438智能計(jì)算的應(yīng)用大規(guī)模復(fù)雜系統(tǒng)（優(yōu)化問(wèn)題）科學(xué)技術(shù)、經(jīng)濟(jì)、社會(huì)、管理優(yōu)化設(shè)計(jì)、優(yōu)化控制等理論問(wèn)題求解計(jì)算機(jī)網(wǎng)絡(luò)、通信、集成制造（生產(chǎn)）等機(jī)器人、仿生學(xué)等電路設(shè)計(jì)（大規(guī)模集成電路）電力系統(tǒng)（電網(wǎng)、電能優(yōu)化等）智能交通、城市規(guī)劃等1/21/202439基于群體智能理念的半導(dǎo)體生產(chǎn)線動(dòng)態(tài)調(diào)度系統(tǒng)1/21/202440半導(dǎo)體生產(chǎn)線群體智能動(dòng)態(tài)調(diào)度系統(tǒng)的總體原則每個(gè)螞蟻agent分別控制相應(yīng)的工件、設(shè)備、運(yùn)輸工具與人員螞蟻agent從環(huán)境獲取信息素，并向環(huán)境傳播信息素螞蟻agent根據(jù)所獲取的信息素進(jìn)行自主決策，（工件在設(shè)備間的合理分配以及在設(shè)備上的優(yōu)化加工順序）螞蟻agent間的交互、合作與協(xié)調(diào)通過(guò)信息素這種間接的通訊方式來(lái)實(shí)現(xiàn)所處的環(huán)境是分布式黑板環(huán)境將集中優(yōu)化控制與分布式動(dòng)態(tài)控制結(jié)合起來(lái)，既可以利用集中優(yōu)化控制的優(yōu)化優(yōu)勢(shì)，得到優(yōu)化的調(diào)度結(jié)果，又可以根據(jù)半導(dǎo)體生產(chǎn)線實(shí)際狀態(tài)實(shí)現(xiàn)動(dòng)態(tài)實(shí)時(shí)調(diào)度。1/21/202441半導(dǎo)體封裝過(guò)程總體模型實(shí)例五個(gè)主要工序?yàn)椋簞澠⊿aw）裝片（DieAttach,DA）鍵合（WireBonding,WB）塑封（Molding）打?。∕arking）

1/21/202442