计算智能主要算法研究

　　1    概述

　　计算智能,广义的讲就是借鉴仿生学思想,基于生物体系的生物进化、细胞免疫、神经细胞网络等某些机制,用数学语言抽象描述的计算方法。是基于数值计算和结构演化的智能,是智能理论发展的高级阶段。计算智能有着传统的人工智能无法比拟的优越性,它的最大特点就是不需要建立问题本身的精确模型,非常适合于解决那些因为难以建立有效的形式化模型而用传统的人工智能技术难以有效解决、甚至无法解决的问题。从方法论的角度和现在的研究现状,计算智能的主要算法有：人工神经网络、模糊算法、进化算法、模拟退火、忌搜索算法、DNA软计算、人工免疫系统、蚁群算法、粒子群算法、多代理(Agent)系统等[1]。

　　本文对计算智能的四种算法：人工神经网络、模糊计算、进化计算、蚁群算法的生物学基础、计算原理及其特点作一个简单的综述，并对它们已有的成果及工程应用与存在问题作简要的讨论。

　　2  计算智能的主要算法

　　计算智能是在神经网络、进化计算及模糊系统这三个领域发展相对成熟的基础上形成的一个统一概念。其中，神经网络是一种对人类智能的结构模拟方法，它是用于人工神经网络系统去模拟生物神经系统的智能机理的；进化运算是一种对人类智能的演化模拟方法，它是用进化算法去模拟人类智能的进化规律的；模糊计算是一种对人类智能的逻辑模拟方法，它是用模糊逻辑去模拟人类的智能行为的[2]。

　　2.1 人工神经网络

　　2.1.1  神经网络的生物学基础

　　神经系统的基本构造是神经元(神经细胞),它是处理人体内各部分之间相互信息传递的基本单元。每个神经元都由一个细胞体,一个连接其他神经元的轴突和一些向外伸出的其它较短分支——树突组成。轴突的功能是将本神经元的输出信号(兴奋)传递给别的神经元。其末端的许多神经末梢使得兴奋可以同时传送给多个神经元。树突的功能是接受来自其它神经元的兴奋。神经元细胞体将接受到的所有信号进行简单处理(如加权求和,即对所有的输入信号都加以考虑且对每个信号的重视程度——体现在权值上——有所不同)后由轴突输出。

　　2.1.2  人工神经网络描述

　　人工神经网络系统(ANN)是通过对大量人工神经元的广泛并行互联所形成的一种人工网络系统，用于模拟生物神经系统的结构和功能。在人工神经网络中,计算是通过数据在网络中的流动来完成的。在数据的流动过程中,每个神经元从与其连接的神经元处接收输入数据流,对其进行处理以后,再将结果以输出数据流的形式传送到与其连接的其它神经元中去。网络的拓扑结构和各神经元之间的连接权值是由相应的学习算法来确定的。算法不断地调整网络的结构和神经元之间的连接权值,一直到神经网络产生所需要的输出为止。通过这个学习过程,人工神经网络可以不断地从环境中自动地获取知识,并将这些知识以网络结构和连接权值的形式存储于网络之中。几种典型的ANN为:多层感知网络、竞争型神经网络、Hopfield神经网络。

　　人工神经网络的特点是具有良好的自学习、自适应和自组织能力,以及人规模并行、分布式信息存储和处理等,这使得它非常适合于处理那些需要同时考虑多个因素的、不完整的、不准确的信息处理问题。但应该看到,在神经网络的设计过程中,对各种参数的设置及网络结构的确定等都带有很强的经验性,无完整的理论可循,其规模也远未达到人脑所具有的上百亿个神经元的规模。而且,人工神经网络是基于脑模型的,它的研究受到脑科学研究成果的限制,在没有对人脑的思维规律和认知过程有一个清楚的了解之前,很难真正实现对人脑的模拟。

　　2.1.3  基于人工神经网络的优化设计

　　随着人工神经网络理论的日趋成熟，基于人工神经网络优化应用研究也取得了突破性进展，范围正在不断扩大，主要在以下几个方面优化应用：

　　(1) 信号处理方面

　　人工神经网络技术被广泛地应用于信号处理,如能分别对通讯、语音、心电和脑电信号进行处理分类、目标检测、杂波去噪或畸变波形的恢复、雷达回波的多目标分类、运动目标的速度估计、多目标跟踪等。

　　(2) 模式识别方面

　　包括文字识别、语音识别、图像识别、语音合成、声纳或雷达目标识别、地震波形识别、时变信号识别及多维模式识别等。目前已成功应用于手写字符、汽车牌照、指纹和声音识别。

　　(3) 自动控制方面

　　目前，神经网络方法已经覆盖了控制理论中的绝大多数问题，主要有系统建模与辨识、PID参数整定、极点配置、内模控制、优化设计、预测控制、最优控制、自适应控制、滤波与预测容错控制、模糊控制和学习控制等。

  【中安网原创稿件声明】转载中安网文章时应遵循以下三个规则：1、保持原创文章中图表、图片、音视频的完整性；2、完整标注文章作者［文章前后有说明］；3、转载中安网原创中部分内容也要完整标注来源"中安网"，违者本网将依法追究。