05-總結(jié)-計算機與信息社會-智能計算

第五章

智能計算概述課程目的系統(tǒng)地講授智能計算的有關(guān)基礎(chǔ)理論、技術(shù)及其主要應(yīng)用。通過本課程的學習，要求學生系統(tǒng)地掌握智能計算的基本內(nèi)容與方法，了解智能計算的主要應(yīng)用領(lǐng)域。將智能計算方法與學生未來研究方向相結(jié)合，培養(yǎng)學生獨立科研思維能力。介紹智能計算研究的前沿領(lǐng)域與最新進展，培養(yǎng)學生科研興趣。本課程的主要內(nèi)容1.智能計算概述2.演化計算3.神經(jīng)計算4.群智能計算5.模糊計算6.機器學習8.展望1.智能計算概述智能學智能學：

即研究生物智能、人類智能以及人造智能的科學。

21世紀的科學技術(shù)，已經(jīng)向我們展示了一個豐富多彩的智能世界：人類智能、生物智能、智能機器人、生物信息系統(tǒng)；人工智能、計算智能、機器學習、智能儀器、智能機器人、機器翻譯、人機對弈、人工生命、人工免疫系統(tǒng)、人造昆蟲、機器人足球賽…。

智能計算是信息科學、生命科學、認知科學等不同學科相互交叉的產(chǎn)物。它主要借鑒仿生學和擬物的思想，基于人們對生物體智能機理和某些自然規(guī)律的認識，采用數(shù)值計算的方法去模擬和實現(xiàn)人類的智能、生物智能、其它社會和自然規(guī)律。智能計算的主要研究領(lǐng)域包括：神經(jīng)計算、演化計算、群智能計算、模糊計算、免疫計算、DNA計算和人工生命等。本課程主要學習內(nèi)容包括神經(jīng)計算、演化計算、群智能計算和模糊計算等。智能計算夢想機器具有智能—計算機科學家的夢想什么是智能？能感知、能學習、能思維、能記憶、能決策、能行動……，智能的核心是思維。

圖靈測試怎樣判斷機器具有智能—圖靈測試

1950年AlanTuring的文章“ComputingMachineryandIntelligence.”

（Mind,Vol.59,No.236）提出圖靈測試，檢驗一臺機器或電腦是否具有如人一樣的思維能力和智能電腦和人分別封閉在不同的房間，測試者不知道哪個房間是人，哪個房間是電腦，他向雙方提出測試問題，電腦和人給出各自的答案，如果一系列的測試問題之后，測試者分不出哪些是電腦的答案，哪些是人的答案，則電腦通過測試，確實具有與人一樣的智能。我是人哦！我是誰？如實回答

？困惑哲學問題

（1）規(guī)則與規(guī)律：規(guī)則是制定的，規(guī)律是客觀存在的，從規(guī)則能自動發(fā)現(xiàn)規(guī)律嗎？（2）生命與非生命：智能是高等生命體獨有的能力，非生命體內(nèi)能產(chǎn)生智能嗎？（3）物質(zhì)與意識：唯物主義和唯心主義都承認二元論，只是在何者起決定作用上爭論不休，智能能在機器內(nèi)產(chǎn)生將導致一元論—物質(zhì)生成一切？（4）智能的本質(zhì)：理性與感性、思考與行動、社會性與個體性倫理問題（1）電腦與人腦：能否互換？（2）機器人與人：機器能否融入人類社會？（3）情感與役使：機器是人制造并使用的工具，一旦機器人具有了智能和情感，人類還能當奴隸一樣地役使嗎？（4）機器人叛亂：機器人群體有可能叛亂而反過來役使人類嗎？人工智能（artificialintelligence，簡稱AI）人工智能：用人工的方法和技術(shù)，模仿、延伸和擴展人的智能,實現(xiàn)機器智能。人工智能的五個基本問題

(1)知識與概念化是否是人工智能的核心？

(2)認知能力能否與載體分開來研究？

(3)認知的軌跡是否可用類自然語言來描述？

(4)學習能力能否與認知分開來研究？

(5)所有的認知是否有一種統(tǒng)一的結(jié)構(gòu)？學科交叉

與生命科學、認知科學、物理學等眾多學科高度交叉，共同研究智能行為的基本理論和實現(xiàn)技術(shù)。三大學派

符號主義（Symbolism）、連接主義(Connectionism)、行為主義（Behaviorism）——從不同側(cè)面模擬人的智能和智能行為。什么是智能計算智能計算（ComputationalIntelligence，CI）目前還沒有一個統(tǒng)一的的定義，使用較多的是美國科學家貝慈德克（J.C.Bezdek）從智能計算系統(tǒng)角度所給出的定義:如果一個系統(tǒng)僅處理低層的數(shù)值數(shù)據(jù)，含有模式識別部件，沒有使用人工智能意義上的知識，且具有計算適應(yīng)性、計算容錯力、接近人的計算速度和近似于人的誤差率這4個特性，則它是智能計算的。從學科范疇看，智能計算是在神經(jīng)網(wǎng)絡(luò)（NeuralNetworks,NN）、演化計算（EvolutionaryComputation,EC）及模糊系統(tǒng)（FuzzySystem,FS）這3個領(lǐng)域發(fā)展相對成熟的基礎(chǔ)上形成的一個統(tǒng)一的學科概念。

智能計算與人工智能的關(guān)系目前，對智能計算與人工智能的關(guān)系有2種不同觀點，一種點認為智能計算是人工智能的一個子集，另一種觀點認為智能計算和人工智能是不同的范疇。第一種觀點的代表人物是貝慈德克。他把智能（Intelligence，I）和神經(jīng)網(wǎng)絡(luò)（NeuralNetwork，NN）都分為計算的（Computational，C）、人工的（Artificial，A）和生物的（Biological,B）3個層次，并以模式識別（PR）為例，給出了下圖所示的智能的層次結(jié)構(gòu)。在該圖中，底層是計算智能（CI），它通過數(shù)值計算來實現(xiàn)，其基礎(chǔ)是CNN；中間層是人工智能（AI），它通過人造的符號系統(tǒng)實現(xiàn)，其基礎(chǔ)是ANN；頂層是生物智能（BI），它通過生物神經(jīng)系統(tǒng)來實現(xiàn)，其基礎(chǔ)是BNN。按照貝慈德克的觀點，CNN是指按生物激勵模型構(gòu)造的NN，ANN是指CNN+知識，BNN是指人腦，即ANN包含了CNN，BNN又包含了ANN。對智能也一樣，貝慈德克認為AI包含了CI，BI又包含了AI，即智能計算是人工智能的一個子集。第二種觀點是大多數(shù)學者所持有的觀點，其代表人物是艾伯哈特（R.C.Eberhart）。他們認為：雖然人工智能與智能計算之間有重合，但智能計算是一個全新的學科領(lǐng)域，無論是生物智能還是機器智能，智能計算都是其最核心的部分，而人工智能則是外層。事實上，CI和傳統(tǒng)的AI只是智能的兩個不同層次，各自都有自身的優(yōu)勢和局限性，相互之間只應(yīng)該互補，而不能取代。大量實踐證明，只有把AI和CI很好地結(jié)合起來，才能更好地模擬人類智能，才是智能科學技術(shù)發(fā)展的正確方向。智能計算與人工智能的關(guān)系智能計算-回歸自然自下而上的研究思路傳統(tǒng)人工智能研究思路是自上而下，現(xiàn)代智能計算方法強調(diào)通過計算實現(xiàn)生物內(nèi)在的智能行為，也稱為智能計算從簡單到復雜的演化進程智能的獲得不是一蹴而就，是漸進式的積累過程，簡單中孕育復雜，平凡中蘊含智慧在傳統(tǒng)學科中尋找算法

如生命科學（遺傳算法）、物理學（模擬退火算法）和化學（DNA計算）等從自然與社會系統(tǒng)中獲得靈感

如螞蟻算法、禁忌搜索和粒子群優(yōu)化方法，模糊計算及模糊系統(tǒng)、粗造集及其系統(tǒng)自然計算自然計算的含義

學習、運用自然規(guī)律，模擬自然系統(tǒng)乃至社會系統(tǒng)的演變過程的智能計算方法，借鑒自然科學學科的原理和理論進行問題的求解方法自然計算方法

演化計算、蟻群算法、粒子群優(yōu)化方法、人工免疫系統(tǒng)、模糊計算演化計算演化計算的概念：（EvolutionaryComputation,EC）是在達爾文（Darwin）的進化論和孟德爾（Mendel）的遺傳變異理論的基礎(chǔ)上產(chǎn)生的一種在基因和種群層次上模擬自然界生物進化過程與機制，進行問題求解的自組織、自適應(yīng)的隨機搜索技術(shù)。它以達爾文進化論的“物竟天擇、適者生存”作為算法的進化規(guī)則，并結(jié)合孟德爾的遺傳變異理論，將生物進化過程中的繁殖、變異、競爭和選擇引入到了算法中，是一種對人類智能的演化模擬方法。演化計算演化計算的主要分支：遺傳算法、演化策略、演化規(guī)劃和遺傳規(guī)劃四大分支。其中，遺傳算法是演化計算中最初形成的一種具有普遍影響的模擬演化優(yōu)化算法。遺傳算法的基本思想：(美國密執(zhí)安大學霍蘭德教授1962提出)是使用模擬生物和人類進化的方法來求解復雜問題。它從初始種群出發(fā)，采用優(yōu)勝略汰、適者生存的自然法則選擇個體，并通過雜交、變異產(chǎn)生新一代種群，如此逐代進化，直到滿足目標為止。

演化計算是一種模擬自然界生物進化過程與機制進行問題求解的自組織、自適應(yīng)的隨機搜索技術(shù)。它以達爾文進化論的“物竟天擇、適者生存”作為算法的進化規(guī)則，并結(jié)合孟德爾的遺傳變異理論，將生物進化過程中的繁殖（Reproduction）變異（Mutation）競爭（Competition）選擇（Selection）引入到了算法中。

(1)什么是演化計算演化計算概述遺傳算法遺傳算法（GeneticAlgorithm）模擬達爾文的遺傳選擇和自然淘汰的生物進化過程1975年首先由Holland提出用于自然和人工系統(tǒng)的自適應(yīng)行為研究(AdaptationinNaturalandArtificialSystems)組成：個體與群體、適應(yīng)值函數(shù)、遺傳操作、終止條件特點：隱含并行性、過程性、非確定性、群體性、內(nèi)在學習、統(tǒng)計性、穩(wěn)健性、整體優(yōu)化

神經(jīng)計算麥克卡洛和匹茨把生物腦神經(jīng)系統(tǒng)研究、數(shù)理邏輯思想以及圖靈的計算理論相結(jié)合，將其成果轉(zhuǎn)向人造物，這是有一次科學飛躍，可視為人工智能（計算智能）的起步。能不能造出有智能的機器？在這方面取得重大突破的，就是繼萊布尼茨、巴貝奇、圖靈之后的馮.諾依曼。神經(jīng)計算是以人工神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的一種智能計算方法。它。它是智能計算的重要基礎(chǔ)和核心，也是智能計算乃至智能科學技術(shù)的一個重要研究領(lǐng)域。

神經(jīng)計算的特點

（1）可以充分逼近任意復雜的非線性關(guān)系

（2）所有定量或定性的信息都等勢分布貯存于網(wǎng)絡(luò)內(nèi)的各神經(jīng)元，故有很強的魯棒性和容錯性

（3）采用并行分布處理方法，使得快速進行大量運算成為可能

（4）可學習和自適應(yīng)不知道或不確定的系統(tǒng)

（5）能夠同時處理定量、定性知識。TheNeuronInputsignalSynapticweightsSummingfunctionBiasbActivationfunctionLocalFieldvOutputyx1x2xmw2wmw1蟻群算法概述受螞蟻覓食行為的的啟發(fā)，90年代Dorigo提出蟻群優(yōu)化算法(Ant

Colony

Optimization，ACO)求解TSP問題設(shè)計虛擬的“螞蟻”，摸索不同路線，并留下會隨時間揮發(fā)的虛擬“信息素”根據(jù)“信息素較濃，則路徑更短”的原則，每只螞蟻每次隨機選擇要走的路徑，但傾向于信息素比較濃的路徑算法利用了正反饋機制，使得較短的路徑能夠有較大的機會得到選擇

ACO已成功用于解決其他組合優(yōu)化問題

圖的著色(Graph

Coloring)問題最短超串(Shortest

Common

Supersequence)問題網(wǎng)絡(luò)路由問題本節(jié)內(nèi)容1.一個故事2.機器學習的定義3.機器學習的范圍4.機器學習的方法5.機器學習的應(yīng)用--大數(shù)據(jù)6.機器學習的子類--深度學習7.機器學習的父類--人工智能8.機器學習的思考--計算機的潛意識機器學習的定義從廣義上來說，機器學習是一種能夠賦予機器學習的能力，以此讓它完成直接編程無法完成的功能的方法。但從實踐的意義上來說，機器學習是一種通過利用數(shù)據(jù)，訓練出模型，然后使用模型預(yù)測的一種方法。讓我們具體看一個例子CPI指數(shù)2015123456789101112CPI100.8101.4101.4101.5101.2101.4101.6102.0101.6101.3101.5101.6機器學習的定義在求解過程中透露出了兩個信息：1.模型是根據(jù)擬合的函數(shù)類型決定的。如果是直線，那么擬合出的就是直線方程。如果是其他類型的線，例如拋物線，那么擬合出的就是拋物線方程。機器學習有眾多算法，一些強力算法可以擬合出復雜的非線性模型，用來反映一些不是直線所能表達的情況。2.如果數(shù)據(jù)越多，模型涵蓋的情況越多，由此對于新情況的預(yù)測效果就越好。這是機器學習界“數(shù)據(jù)為王”思想的一個體現(xiàn)。一般來說(不是絕對)，數(shù)據(jù)越多，最后機器學習生成的模型預(yù)測的效果越好。機器學習的定義現(xiàn)在對機器學習過程做一個完整的回顧：首先，我們需要在計算機中存儲歷史的數(shù)據(jù)。接著，我們將這些數(shù)據(jù)通過機器學習算法進行處理，這個過程在機器學習中叫做“訓練”，處理的結(jié)果可以被我們用來對新的數(shù)據(jù)進行預(yù)測這個結(jié)果一般稱之為“模型”。對新數(shù)據(jù)的預(yù)測過程在機器學習中叫做“預(yù)測”。“訓練”與“預(yù)測”是機器學習的兩個過程“模型”則是過程的中間輸出結(jié)果，“訓練”產(chǎn)生“模型”，“模型”指導“預(yù)測”。機器學習的定義機器學習的過程與人類對歷史經(jīng)驗歸納的過程做個比對機器學習的范圍機器學習的范圍模式識別

模式識別=機器學習。兩者的主要區(qū)別在于前者是從工業(yè)界發(fā)展起來的概念，后者則主要源自計算機學科。在著名的《PatternRecognitionAndMachineLearning》這本書中，ChristopherM.Bishop在開頭是這樣說的“模式識別源自工業(yè)界，而機器學習來自于計算機學科。不過，它們中的活動可以被視為同一個領(lǐng)域的兩個方面，同時在過去的10年間，它們都有了長足的發(fā)展”。機器學習的范圍數(shù)據(jù)挖掘

數(shù)據(jù)挖掘=機器學習+數(shù)據(jù)庫。這幾年數(shù)據(jù)挖掘的概念實在是太耳熟能詳。大部分數(shù)據(jù)挖掘中的算法是機器學習的算法在數(shù)據(jù)庫中的優(yōu)化。統(tǒng)計學習

統(tǒng)計學習近似等于機器學習。統(tǒng)計學習是個與機器學習高度重疊的學科。因為機器學習中的大多數(shù)方法來自統(tǒng)計學，甚至可以認為，統(tǒng)計學的發(fā)展促進機器學習的繁榮昌盛。統(tǒng)計學習者重點關(guān)注的是統(tǒng)計模型的發(fā)展與優(yōu)化，偏數(shù)學，而機器學習者更關(guān)注的是能夠解決問題，偏實踐，因此機器學習研究者會重點研究學習算法在計算機上執(zhí)行的效率與準確性的提升。機器學習的范圍計算機視覺

計算機視覺=圖像處理+機器學習。圖像處理技術(shù)用于將圖像處理為適合進入機器學習模型中的輸入，機器學習則負責從圖像中識別出相關(guān)的模式。計算機視覺相關(guān)的應(yīng)用非常的多，例如百度識圖、手寫字符識別、車牌識別等等應(yīng)用。這個領(lǐng)域是應(yīng)用前景非常火熱的，同時也是研究的熱門方向。隨著機器學習的新領(lǐng)域深度學習的發(fā)展，大大促進了計算機圖像識別的效果，因此未來計算機視覺界的發(fā)展前景不可估量。機器學習的范圍語音識別

語音識別=語音處理+機器學習。語音識別就是音頻處理技術(shù)與機器學習的結(jié)合。語音識別技術(shù)一般不會單獨使用，結(jié)合自然語言處理的相關(guān)技術(shù)。目前的相關(guān)應(yīng)用有蘋果的語音助手siri等。機器學習的范圍自然語言處理

自然語言處理=文本處理+機器學習。自然語言處理技術(shù)主要是讓機器理解人類的語言的一門領(lǐng)域。在自然語言處理技術(shù)，詞法分析，語法分析等等，除此之外，在理解這個層面，則使用了語義理解，機器學習等技術(shù)。作為唯一由人類自身創(chuàng)造的符號，自然語言處理一直是機器學習界不斷研究的方向。按照百度機器學習專家余凱的說法“聽與看，說白了就是阿貓和阿狗都會的，而只有語言才是人類獨有的”。如何利用機器學習技術(shù)進行自然語言的的深度理解，一直是工業(yè)和學術(shù)界關(guān)注的焦點。機器學習的方法簡要介紹一下機器學習中的經(jīng)典代表方法。這部分介紹的重點是這些方法內(nèi)涵的思想。1、回歸算法在大部分機器學習課程中，回歸算法都是介紹的第一個算法。原因有兩個：一是回歸算法比較簡單，介紹它可以讓人平滑地從統(tǒng)計學遷移到機器學習中。二是回歸算法是后面若干強大算法的基石，如果不理解回歸算法，無法學習那些強大的算法?；貧w算法有兩個重要的子類：即線性回歸和邏輯回歸。線性回歸就是我們前面說過的PCI問題2.神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)(也稱之為人工神經(jīng)網(wǎng)絡(luò)，ANN)算法是80年代機器學習界非常流行的算法，不過在90年代中途衰落?，F(xiàn)在，攜著“深度學習”之勢，神經(jīng)網(wǎng)絡(luò)重裝歸來，重新成為最強大的機器學習算法之一。機器學習的方法3、SVM（支持向量機）支持向量機算法是誕生于統(tǒng)計學習界，同時在機器學習界大放光彩的經(jīng)典算法。支持向量機算法從某種意義上來說是邏輯回歸算法的強化：通過給予邏輯回歸算法更嚴格的優(yōu)化條件，支持向量機算法可以獲得比邏輯回歸更好的分類界線。但是如果沒有某類函數(shù)技術(shù)，則支持向量機算法