智能計(jì)算與自然計(jì)算.ppt

1、,李元香 武漢大學(xué)軟件工程國(guó)家重點(diǎn)實(shí)驗(yàn)室 2008年6月,從人工智能到自然計(jì)算,報(bào)告提綱,夢(mèng)想與困惑 人工智能及其發(fā)展 面臨困境 信息時(shí)代的呼喚 智能計(jì)算回歸自然 自然計(jì)算 展望,夢(mèng) 想,機(jī)器具有智能計(jì)算機(jī)科學(xué)家的夢(mèng)想 什么是智能？能感知、能學(xué)習(xí)、能思維、能記憶、能決策、能行動(dòng)，智能的核心是思維,圖靈測(cè)試,怎樣判斷機(jī)器具有智能圖靈測(cè)試 1950年Alan Turing的文章 “Computing Machinery and Intelligence.” （Mind, Vol. 59, No. 236）提出圖靈測(cè)試，檢驗(yàn)一臺(tái)機(jī)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

2、，測(cè)試者不知道哪個(gè)房間是人，哪個(gè)房間是電腦，他向雙方提出測(cè)試問(wèn)題，電腦和人給出各自的答案，如果一系列的測(cè)試問(wèn)題之后，測(cè)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(guò)測(cè)試，確實(shí)具有與人一樣的智能。,測(cè)試悖論,公平性問(wèn)題 圖靈測(cè)試的出發(fā)點(diǎn)顯然是刁難電腦，要求電腦模仿人回答問(wèn)題，公平嗎？反過(guò)來(lái)要求人模仿電腦回答問(wèn)題，公平嗎？ 標(biāo)準(zhǔn)性問(wèn)題 在怎樣的智能水平下對(duì)電腦進(jìn)行測(cè)試？天才、普通人還是嬰幼兒，或者說(shuō)怎樣認(rèn)定電腦的智力水平？ 全面性問(wèn)題 怎樣全面地測(cè)試電腦的智能，喜、怒、哀、樂(lè)和表情等有關(guān)情感的測(cè)試如何進(jìn)行？測(cè)試邊界怎樣確定？ 欺騙性問(wèn)題 電腦如果有意欺騙測(cè)試者，測(cè)試者能判斷出來(lái)嗎？ 在一定

3、的范圍內(nèi)進(jìn)行測(cè)試還是可行的,困 惑,哲學(xué)問(wèn)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(dòng)發(fā)現(xiàn)規(guī)律嗎？ （2）生命與非生命：智能是高等生命體獨(dú)有的能力，非生命體內(nèi)能產(chǎn)生智能嗎？ （3）物質(zhì)與意識(shí)：唯物主義和唯心主義都承認(rèn)二元論，只是在何者起決定作用上爭(zhēng)論不休，智能能在機(jī)器內(nèi)產(chǎn)生將導(dǎo)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(dòng)、社會(huì)性與個(gè)體性 倫理問(wèn)題 （1）電腦與人腦：能否互換？ （2）機(jī)器人與人：機(jī)器能否融入人類社會(huì)？ （3）情感與役使：機(jī)器是人制造并使用的工具，一旦機(jī)器人具有了智能和情感，人類還能當(dāng)奴隸一樣地役使嗎？ （4）機(jī)器人叛亂：機(jī)器人群體有可能

4、叛亂而反過(guò)來(lái)役使人類嗎？,現(xiàn)實(shí)的夢(mèng),比爾蓋茨預(yù)測(cè)：智能計(jì)算發(fā)展前景乃是機(jī)器最終“能看會(huì)想，能聽會(huì)講” 無(wú)論是人工智能，還是智能人工，只要能夠殊途同歸，造福于人類，那么所有的努力便都是有價(jià)值的 今后十年，智能機(jī)器作為真正意義上的工作助手和生活良伴，將使我們的生活完全改觀 “聰明機(jī)器”的出現(xiàn)，也決不會(huì)成為人類的災(zāi)難，在智慧與創(chuàng)造力方面，永遠(yuǎn)是人類最有發(fā)言權(quán),人工智能,人工智能（artificial intelligence，簡(jiǎn)稱AI） 用人工的方法和技術(shù)，模仿、延伸和擴(kuò)展人的智能, 實(shí)現(xiàn)機(jī)器智能。 人工智能的五個(gè)基本問(wèn)題 (1) 知識(shí)與概念化是否是人工智能的核心？ (2) 認(rèn)知能力能否與載體分開來(lái)

5、研究？ (3) 認(rèn)知的軌跡是否可用類自然語(yǔ)言來(lái)描述？ (4) 學(xué)習(xí)能力能否與認(rèn)知分開來(lái)研究？ (5) 所有的認(rèn)知是否有一種統(tǒng)一的結(jié)構(gòu)？ 學(xué)科交叉 與生命科學(xué)、認(rèn)知科學(xué)、物理學(xué)等眾多學(xué)科高度交叉，共同研究智能行為的基本理論和實(shí)現(xiàn)技術(shù)。 三大學(xué)派 符號(hào)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。,符號(hào)主義,代表人物 1956年，美國(guó)Dartmouth會(huì)議，幾個(gè)年輕的美國(guó)學(xué)者M(jìn)cCarthy、Simon、Minsky、Newell等首次提出人工智能的術(shù)語(yǔ) 基本思想 （1）認(rèn)知的本質(zhì)就是計(jì)算，可稱為認(rèn)知可計(jì)算主

6、義與圖靈機(jī)理論一脈相承 （2）思維的基本單元是符號(hào)，智能的核心是利用知識(shí)以及知識(shí)推理進(jìn)行問(wèn)題求解 （3）智能活動(dòng)的基礎(chǔ)是物理符號(hào)運(yùn)算，人腦和電腦都是物理符號(hào)系統(tǒng) （4）人的智能可以通過(guò)建了基于符號(hào)邏輯的智能理論體系模擬 （5）理論基礎(chǔ)是符號(hào)數(shù)學(xué)、謂詞演算和歸結(jié)原理,符號(hào)主義-續(xù),智能表示 （1）1959年McCarthy開發(fā)了著名的LISP語(yǔ)言（LISt Processing Language，表處理語(yǔ)言），基于函數(shù)的語(yǔ)言，通過(guò)符號(hào)（不是數(shù)值）運(yùn)算進(jìn)行推理，也是邏輯程序設(shè)計(jì)語(yǔ)言（Logic Programming） （2）1972年P(guān)ROLOG語(yǔ)言（PROgramming LOGic）問(wèn)世，被

7、稱為演繹推理機(jī)，接口豐富，非常適合于專家系統(tǒng)開發(fā)，曾有人試圖發(fā)明PROLOG機(jī)器，以模擬人的智能，但未獲成功 知識(shí)工程與專家系統(tǒng)典型代表 （1）產(chǎn)生式規(guī)則表示知識(shí) （2）產(chǎn)生式規(guī)則系統(tǒng)將領(lǐng)域?qū)＜业闹R(shí)進(jìn)行整理、存儲(chǔ)構(gòu)建知識(shí)庫(kù) （3）專家系統(tǒng)運(yùn)用知識(shí)庫(kù)進(jìn)行推理、問(wèn)題求解等智能活動(dòng) 推理方法 知識(shí)表示與推理、歸納推理、基于事例的推理等,連接主義,代表人物 （1）1943年生理學(xué)家McCulloch和Pitts提出神經(jīng)元的數(shù)學(xué)模型，神經(jīng)元模型結(jié)合成多層結(jié)構(gòu)成為神經(jīng)網(wǎng)絡(luò) （2）1959年，Rosenblatt提出感知機(jī)模型（Perceptron)，具有輸入層、中間聯(lián)系層和效驗(yàn)輸出層的三層結(jié)構(gòu) （3）1

8、982年，Hopfield提出全互連的神經(jīng)網(wǎng)絡(luò)模型，成功求解TSP問(wèn)題，掀起神經(jīng)網(wǎng)絡(luò)研究高潮，對(duì)符號(hào)主義也產(chǎn)生了巨大沖擊 （4）1987年，戴維.努梅爾哈特和杰弗里.欣頓提出誤差反向傳播（Back-Propgation）神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法 基本思想 （1）人類認(rèn)知活動(dòng)主要基于大腦神經(jīng)元的活動(dòng)，人類思維的基本單元是神經(jīng)元而不是符號(hào)，智能是互連神經(jīng)元競(jìng)爭(zhēng)與協(xié)作的結(jié)果 （2）模擬人的智能要依靠仿生學(xué)，特別是模擬人腦，建立腦模型 （3）電腦模擬人腦應(yīng)著重于結(jié)構(gòu)模擬，即人的生理神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，功能、結(jié)構(gòu)和行為密切相關(guān)，不同的結(jié)構(gòu)表現(xiàn)出不同的功能行為 （4）分布式信息存儲(chǔ)和大規(guī)模并行處理，自適應(yīng)和自組織特性，

9、學(xué)習(xí)和容錯(cuò)能力 （5）理論基礎(chǔ)是神經(jīng)生理學(xué)與腦科學(xué),神經(jīng)元與神經(jīng)網(wǎng)絡(luò),連接主義-續(xù),智能表示 （1）神經(jīng)元狀態(tài)值、連接權(quán)值、閾值和激勵(lì)函數(shù)決定輸出值-隱式表示方法 （2）通過(guò)學(xué)習(xí)算法修正神經(jīng)元之間的連接權(quán)值，達(dá)到更精確的知識(shí)表示，學(xué)習(xí)算法包括有導(dǎo)師和無(wú)導(dǎo)師學(xué)習(xí)算法兩類 模式識(shí)別典型代表 （1）建立樣本庫(kù) （2）特征提取與特征庫(kù) （3）學(xué)習(xí)算法進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，模式的聚類、分類和識(shí)別 學(xué)習(xí)算法 提高學(xué)習(xí)和訓(xùn)練速度，保證全局收斂，網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)和自適應(yīng)調(diào)整,行為主義,代表人物 1988年，Brooks等人提出無(wú)需知識(shí)、知識(shí)表示和推理的智能系統(tǒng)，智能來(lái)自于系統(tǒng)的“感知-動(dòng)作”模式，基于這樣的思路，他發(fā)

10、明了六足行走機(jī)器，一個(gè)模擬昆蟲行為的控制器 基本思想 （1）智能是一個(gè)系統(tǒng)行為，智能行為可以通過(guò)與周圍環(huán)境的的交互作用表現(xiàn)出來(lái) （2）智能的基礎(chǔ)是“感知-動(dòng)作”模式，類似于心理學(xué)的“刺激-反應(yīng)”，它也決定系統(tǒng)的結(jié)構(gòu)和參量 （3）系統(tǒng)的智能行為決定于系統(tǒng)的結(jié)構(gòu)和參量 （4）自組織、自學(xué)習(xí)、自適應(yīng)是智能系統(tǒng)得基本特征 （5）理論基礎(chǔ)是控制論、系統(tǒng)科學(xué)和心理學(xué),行為主義-續(xù),智能表示 （1）系統(tǒng)模型、模型結(jié)構(gòu)和參量-隱式表示方法 （2）學(xué)習(xí)就是一次又一次地從外界接受條件和結(jié)果，即“感知-動(dòng)作”，積累知識(shí)的過(guò)程 （3）自學(xué)習(xí)是指：當(dāng)一個(gè)新的輸入條件決定后，能根據(jù)經(jīng)驗(yàn)的積累，給出相應(yīng)結(jié)果的過(guò)程，或者當(dāng)一

11、個(gè)新的條件和結(jié)果給出后，能夠調(diào)整結(jié)構(gòu)和參量的過(guò)程 智能控制與智能機(jī)器人典型代表 （1）建立系統(tǒng)模型 （2）行為（感知-動(dòng)作）模擬，積累知識(shí)，形成基本控制策略 （3）學(xué)習(xí)與自學(xué)習(xí)進(jìn)行自適應(yīng)調(diào)整與優(yōu)化，形成新的控制策略 學(xué)習(xí)算法 自適應(yīng)、自學(xué)習(xí)、自組織、自尋優(yōu)等智能化方法,面臨困境,源于復(fù)雜性 知識(shí)的復(fù)雜性，知識(shí)表示的組合爆炸 不完整知識(shí)的表達(dá)問(wèn)題 推理的時(shí)空爆炸性 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜 學(xué)習(xí)、訓(xùn)練低效 難以全局收斂 能力限制 復(fù)雜行為模擬 不能用精確的數(shù)學(xué)模型描述的問(wèn)題,信息時(shí)代的呼喚,工業(yè)時(shí)代 能量資源-創(chuàng)造動(dòng)力的工具- 獲得能量 物理學(xué)、化學(xué) 創(chuàng)造動(dòng)力工具的理論基礎(chǔ),信息時(shí)代 信息資源-創(chuàng)造智能

12、的工具- 獲得智能 智能計(jì)算理論 創(chuàng)造智能工具的理論基礎(chǔ),智能計(jì)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(jì)算方法強(qiáng)調(diào)通過(guò)計(jì)算實(shí)現(xiàn)生物內(nèi)在的智能行為，也稱為計(jì)算智能 從簡(jiǎn)單到復(fù)雜的演化進(jìn)程 智能的獲得不是一蹴而就，是漸進(jìn)式的積累過(guò)程，簡(jiǎn)單中孕育復(fù)雜，平凡中蘊(yùn)含智慧 在傳統(tǒng)學(xué)科中尋找算法 如生命科學(xué)（遺傳算法）、物理學(xué)（模擬退火算法）和化學(xué)（DNA計(jì)算）等 從自然與社會(huì)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(jì)算及模糊系統(tǒng)、粗造集及其系統(tǒng),相互關(guān)系,計(jì)算智能與人工智能的界限并非十分明顯，1992年Bezdek給出了一個(gè)有趣的關(guān)系圖，其中 NN神經(jīng)

13、網(wǎng)絡(luò)，PR模式識(shí)別，I智能 AArtificial， 表示人工的（非生物的），即人造的 BBiological， 表示物理的化學(xué)的（？）生物的 CComputational， 表示數(shù)學(xué)計(jì)算機(jī),ABC的關(guān)系圖,計(jì)算智能是一種智力方式的低層認(rèn)知，傳統(tǒng)人工智能是中層認(rèn)知，中層系統(tǒng)含有知識(shí)，當(dāng)一個(gè)智能計(jì)算系統(tǒng)以非數(shù)值方式加上知識(shí)值，則為人工智能系統(tǒng),自然計(jì)算,自然計(jì)算的含義 學(xué)習(xí)、運(yùn)用自然規(guī)律，模擬自然系統(tǒng)乃至社會(huì)系統(tǒng)的演變過(guò)程的智能計(jì)算方法，借鑒自然科學(xué)學(xué)科的原理和理論進(jìn)行問(wèn)題的求解方法 自然計(jì)算方法 演化計(jì)算、蟻群算法、粒子群優(yōu)化方法、人工免疫系統(tǒng)、模糊計(jì)算,遺傳算法,遺傳算法（Genetic A

14、lgorithm）模擬達(dá)爾文的遺傳選擇和自然淘汰的生物進(jìn)化過(guò)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(Adaptation in Natural and Artificial Systems) 組成：個(gè)體與群體、適應(yīng)值函數(shù)、遺傳操作、終止條件 特點(diǎn)：隱含并行性、過(guò)程性、非確定性、群體性、內(nèi)在學(xué)習(xí)、統(tǒng)計(jì)性、穩(wěn)健性、整體優(yōu)化,免疫系統(tǒng),人體免疫系統(tǒng)是一個(gè)高度進(jìn)化、復(fù)雜的生理機(jī)制 免疫系統(tǒng)通過(guò)高度復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)來(lái)識(shí)別和排除抗原性異物，維護(hù)體內(nèi)環(huán)境的穩(wěn)定 免疫系統(tǒng)具有識(shí)別能力、學(xué)習(xí)和免疫記憶功能，以及自適應(yīng)調(diào)節(jié)機(jī)制等特性,蟻群算法概述,受螞蟻覓食行為的的啟發(fā)，90年代

15、Dorigo提出蟻群優(yōu)化算法(AntColonyOptimization，ACO)求解TSP問(wèn)題 設(shè)計(jì)虛擬的“螞蟻”，摸索不同路線，并留下會(huì)隨時(shí)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(jī)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(jī)制，使得較短的路徑能夠有較大的機(jī)會(huì)得到選擇 ACO已成功用于解決其他組合優(yōu)化問(wèn)題 圖的著色(GraphColoring)問(wèn)題 最短超串(ShortestCommonSupersequence)問(wèn)題 網(wǎng)絡(luò)路由問(wèn)題,蟻群覓食原理,A,B,C,D,蟻穴,食物,螞蟻從蟻穴出發(fā)覓食，可沿AC找到食物，也可沿ABC找到，如右圖

16、。 每個(gè)螞蟻找到食物后沿原路返回，并在路上留下外激素。,AC路徑短，AC上留下了兩次外激素，而ABC路徑長(zhǎng)，沿CBA 返回的螞蟻，還只到了D處，故AD上只留下一次外激素。,后續(xù)離穴覓食者選擇外激素濃度大的AC路徑， 于是AC上外激素濃度將越來(lái)越大， 最后，絕大多數(shù)螞蟻沿較短的AC路徑覓食。,蟻群算法,粒子群優(yōu)化概述,粒子群優(yōu)化算法(Particle Swarm Optimization，PSO)1995年由Eberhart和Kennedy提出，源于模擬鳥群捕食行為 一群鳥在隨機(jī)搜索區(qū)域里的一塊食物，所有的鳥都不知道食物在那里，但知道當(dāng)前的位置離食物還有多遠(yuǎn) 那么找到食物的最優(yōu)策略是什么呢？最簡(jiǎn)

17、單有效的就是搜尋目前離食物最近的鳥的周圍區(qū)域 PSO中，優(yōu)化問(wèn)題的可行解就是搜索空間中的一只鳥，稱之為“粒子”，一群鳥稱為粒子群，所有的粒子都有一個(gè)由優(yōu)化的函數(shù)決定的適應(yīng)值（fitnessvalue) 每個(gè)粒子還有一個(gè)速度決定其飛行的方向和距離，目的是追隨當(dāng)前的最優(yōu)粒子在解空間中搜索 粒子通過(guò)跟蹤兩個(gè)“極值”來(lái)更新自己，第一個(gè)就是粒子自己當(dāng)前找到的最優(yōu)解，這個(gè)解叫做個(gè)體極值pBest，另一個(gè)極值是整個(gè)種群目前找到的最優(yōu)解，這個(gè)極值是全局極值gBest,粒子移動(dòng)原理,粒子i在N維空間里的位置表示為矢量Xi(x1，x2，xN)，飛行速度表示為矢量Vi(v1，v2，vN) 對(duì)于第k次迭代，PSO中的

18、每一個(gè)粒子的移動(dòng)按照下式進(jìn)行,粒子群優(yōu)化算法,Step1： 初始化一群粒子(群體規(guī)模為m)，包括隨 機(jī) 位置和速度； Step2： 評(píng)價(jià)每個(gè)粒子的適應(yīng)度； Step3： 對(duì)每個(gè)粒子，將其適應(yīng)值與其經(jīng)歷過(guò)的最好位置pbest作比較，如果較好，則將其作為當(dāng)前的最好位置pbest； Step4： 對(duì)每個(gè)粒子，將其適應(yīng)值與全局所經(jīng)歷的最好位置gbest作比較，如果較好，則重新設(shè)置gbest的索引號(hào)； Step5： 根據(jù)方程(1)變化粒子的速度和位置； Step6： 如未達(dá)到結(jié)束條件（通常為足夠好的適應(yīng)值或達(dá)到一個(gè)預(yù)設(shè)最大代數(shù)Gmax），則返回Step2,標(biāo)準(zhǔn)PSO的算法流程,模糊集,（1）美國(guó)控制論專家扎德（LAZadeh）于1965年將普通集合論的特征函數(shù)的取值范圍由0,1推廣到區(qū)間0 , 1, 提出了模糊集的概念。設(shè)在論域U上給定了一個(gè)映射 ：U 0 , 1 u 則 稱為U上的模糊（Fuzzy）集, ( u )稱為的