人工智能綜述

人工智能綜述人工智能術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)，是計算機科學(xué)的一，但它的研究卻不僅涉及到計算機科學(xué)，而且理學(xué)、心理學(xué)、語言學(xué)、邏輯學(xué)、認(rèn)知(思維)科學(xué)、行為科學(xué)和和系統(tǒng)論等許多學(xué)科領(lǐng)域。因此，人工智能實際上是一門綜很早就開始了。但對人工智能的真正實現(xiàn)要從計算機的那樣迅速，因為人工智能的基本理論還不完整．我們還不能么能夠思考，這種思考來自于什么，這種思考為什么得以產(chǎn)十年的發(fā)展，人工智能正在以它巨大的力量影響著人們的生成就是發(fā)展了能夠求解難題的下棋(如國際象棋)程序。在下棋程各其性能達(dá)到很高的水平，并正在為許多科學(xué)家和工程師所應(yīng)用。有些程序甚至還能夠用經(jīng)推理與定理證明持久的子領(lǐng)域之一。其中特別重要的是要找到一些方庫中的有關(guān)事實上，留意可信的證明，并在出現(xiàn)新信測的定理尋找一個證明或反證，確實稱得上是一項智。然語言NLP(NaturallanguageProcessing)自然語言處理也是人工智能的早期研究領(lǐng)域之一，已經(jīng)編寫出能夠從內(nèi)部數(shù)據(jù)庫回答用英語提出的問題的程序。這些程序通過閱讀文本等。有些程序甚至能夠在一定程度上翻譯從話筒輸入的口頭指令(而不是從話情況為基礎(chǔ)，注意大量的一般常識一世界知識和期望作用的重要性。人工智能在語言翻譯與語音理解程序方面已經(jīng)取得的成就。發(fā)展為人類自然語言處理4)自動程序設(shè)計也許程序設(shè)計并不是人類知識的一個十分重要的方面，但是它本身卻是人工智能的一個重要研究領(lǐng)域。這個領(lǐng)域的工作叫做自動程序設(shè)計。已經(jīng)研制出能夠以各種不同的目的的進展局限于少數(shù)幾個完全現(xiàn)成的例子。對自動程序設(shè)計的研究不僅可以促進半自動軟件的發(fā)展。而且也使通過修正自身數(shù)碼進行學(xué)習(xí)(即修正它們的性能)的人工智能系統(tǒng)得到發(fā)展。自動編制一份程序來獲得某種指定結(jié)果的任務(wù)同證明一份給定程序?qū)@得某輸出程序的驗證作為額外收獲。統(tǒng)，其內(nèi)部具有大量專家水平的某個領(lǐng)專家的知識和解決問題的方法來解決該領(lǐng)域的問題。也就是專門知識與經(jīng)驗的程序系統(tǒng)，它應(yīng)用人工智能技術(shù)，根據(jù)某供的知識和經(jīng)驗進行推理和判斷，模擬人類專家的決策過釋、預(yù)測、診斷、設(shè)計、規(guī)劃、監(jiān)視、修理、指經(jīng)從學(xué)術(shù)研究開始進入實際應(yīng)用研究。隨著人工智能展。正在開發(fā)的新一代專家系統(tǒng)有分布式專家系統(tǒng)和學(xué)習(xí)能力無疑是人工智能研究上最突出和最重要的一個方面。人工智能在這方面的研究近年來取得了一些進展。學(xué)習(xí)是人類智能的主要標(biāo)志和獲得知識的基本手段。機器學(xué)習(xí)(自動獲取新的事實及新的推理算法)是使計算機具有智能的根本途徑。正如香克所說：學(xué)習(xí)的機理和揭示人腦的奧秘。所以這是一個始終得到重視，理論正在創(chuàng)立，方法日臻完領(lǐng)域。研究結(jié)果已經(jīng)證明，用神經(jīng)網(wǎng)絡(luò)處理直覺和形象思維信息具有比傳統(tǒng)處理方式好得多的效果。神經(jīng)網(wǎng)絡(luò)的發(fā)展有著非常廣闊的科學(xué)背景，是眾多學(xué)科研究的綜合成果。神經(jīng)生計算機。研究再次出現(xiàn)高潮。霍普菲爾德(Hopfield)提出用硬件實現(xiàn)神經(jīng)Rumelhart提出多層網(wǎng)絡(luò)中的反向傳播(BP)算法就是兩個重要標(biāo)識別、圖象處理、組合優(yōu)化、自動控制、信息處理、機器人機器人學(xué)人工智能研究日益受到重視的另一個分支是機器人學(xué)．其中包括對操作機器人裝置程序的研究。這個領(lǐng)域所研究的問題，從機器人手臂的最佳移動到實現(xiàn)機器人目標(biāo)的動作序機器人和機器人學(xué)的研究促進了許多人工智能思想的發(fā)展。它所導(dǎo)致的一些技術(shù)可用來模擬世界的狀態(tài)，用來描述從一種世界狀態(tài)轉(zhuǎn)變?yōu)榱硪环N世界狀態(tài)的過程。它對于怎樣產(chǎn)生動作序列的規(guī)劃以及怎樣監(jiān)督這些規(guī)劃的執(zhí)行有了一種較好的理解。復(fù)雜的機器人控節(jié)越來越重要的低層進行規(guī)劃。機器人已在各種工業(yè)、農(nóng)業(yè)、商北、旅游業(yè)、空中和海洋以模式識別計算機硬件的迅速發(fā)展，計算機應(yīng)用領(lǐng)域的不斷開拓，急切地要求計算機能更有效地感知諸如聲音、文字、圖像、溫度、震動等等信息資料，模式識別便得到迅速發(fā)展?！澳Ｊ健?Pattern)一詞的本意是指完美無缺的供模仿的一些標(biāo)本。模式識別就是指識別出給定物體所模仿的標(biāo)本。人工智能所研究的模式識別是指用計算機代替人類或幫助人類感知模式，是對人類感知外界功能的模擬。研究的是計算機模式識別系統(tǒng)，也就是使一個計算機系統(tǒng)具有模擬人類通過感官接受外界信息、識別和理解周圍環(huán)境的感知能力。模式識別是一個不斷發(fā)展的新學(xué)科。它的理論基礎(chǔ)和研究范圍也在不斷發(fā)展。隨著生隨著計算機科學(xué)的不斷進步，基于人工神經(jīng)機器視覺或計算機視覺已從模式識別的一個研究領(lǐng)域發(fā)展為一門獨立的學(xué)科。機器視覺的前沿研究領(lǐng)域包括實時并行處理、主動式定性視覺、動態(tài)和時變視覺、三維景物的建模與識別、實時圖像壓縮傳輸和復(fù)原、多光譜和彩色圖像的處理與解釋等。機器視覺已在機器人裝配、衛(wèi)星圖像處理、工業(yè)過程監(jiān)控、飛行器跟蹤和制導(dǎo)以及電視實況轉(zhuǎn)播等領(lǐng)域決策支持系統(tǒng)。動控制向智能控制發(fā)展。智能控制是一類無需(或需要盡可能少的)人的干預(yù)就能夠獨立地驅(qū)動智能機器實現(xiàn)其目標(biāo)的自動控制?；蛘哒f，智能控制是隨著人工智能和計算機技術(shù)的發(fā)展，已可能把自動控制和人工智能以及系統(tǒng)科學(xué)的某些分支結(jié)合起來，建立一種適用于復(fù)雜系統(tǒng)的控制理論和技術(shù)。智能控制正是在這種條件思想。按照這些結(jié)構(gòu)理論已經(jīng)研究出一些智能控制的理論和技術(shù)，用來構(gòu)造用于不同領(lǐng)域隨著科學(xué)技術(shù)的迅速發(fā)展．出現(xiàn)了“知識爆炸”的情況。對國內(nèi)外種類繁多和數(shù)量巨大的科技文獻之檢索遠(yuǎn)非人力和傳統(tǒng)檢索系統(tǒng)所能勝任。研究智能檢索系統(tǒng)已成為科技持續(xù)快速發(fā)展的重要保證。數(shù)據(jù)庫系統(tǒng)是儲蓄某學(xué)科大量事實的計算機軟件系統(tǒng)，它們可以數(shù)據(jù)庫系統(tǒng)的設(shè)計也是計算機科學(xué)的一個活躍的分支。為了有效地表示、存儲和檢索大量事實，已經(jīng)發(fā)展了許多技術(shù)。當(dāng)我們想用數(shù)據(jù)庫中的事實進行推理并從中檢索答案就顯得很有意義。確定最佳調(diào)度或組合的問題是我們最感興趣的又一類問題。一個古典的問題就怒推銷每個城市一次，且只許一次，然后回到出發(fā)的城市。大多數(shù)這類問題能夠從可能的組合或組合爆炸的可能性。這樣，即使是大型計算機的容量也會被用光。在這些問題中有幾個佳方法計算出所耗時間(或所走步數(shù))的最壞情況來排列不同問題的難度。智能組合調(diào)度與指揮方法已被應(yīng)用于汽車運輸調(diào)度、列車的編組與指揮、空中交通管入工智能對計算機界的某些最大貢獻已經(jīng)以派生的形式表現(xiàn)出來。計算機系統(tǒng)的一些中部二、人工智能的發(fā)展現(xiàn)狀、前景及局限性[3,4,5]理符號系統(tǒng)假設(shè)相抗衡的新的人工智能理論之前，無論從設(shè)計原理還是從已取得的實驗結(jié)。 智能行為不僅僅體現(xiàn)在構(gòu)成世界的個體的活動，而更體現(xiàn)在個體之間的相互依存的活習(xí)一方面是哲學(xué)、認(rèn)知科學(xué)、思維科學(xué)和心理學(xué)等學(xué)科所研究的智能層次太高、太抽象；另一方面是人工智能邏輯符號、神經(jīng)網(wǎng)絡(luò)和行為主義所研究的智能層次太低。這兩方面之間相距太遠(yuǎn)，中間還有許多層次未予研究，無法把宏觀與微觀有機地結(jié)合起來和相互局與局部割裂人類智能是腦系統(tǒng)的整體效應(yīng)，有著豐富的層次和多個側(cè)面。但是，符號主義只抓住人腦的抽象思維特性；連接主義只模仿人的形象思維特性；行為主義則著眼于人類智能行為特性及其進化過程。它們存在明顯的局限性。必須從多層次、多因素、多維和全局觀點脫節(jié)大腦的實際工作，在宏觀上我們已知道得不少；但是智能的千姿百態(tài)，變幻莫測，復(fù)雜得難以理出清晰的頭緒。在微觀上，我們對大腦的工作機制卻知之甚少，似是而非，使我們難以找出規(guī)律。在這種背景下提出的各種人工智能理論，只是部分人的主觀猜想，能著眼于這些難題的解決，抓住人工智能的生長點，使人工智能產(chǎn)生質(zhì)的飛躍，是我們?nèi)斯ぶ悄茉陔娏ο到y(tǒng)負(fù)荷預(yù)測中的應(yīng)用何正確的分析出負(fù)荷變化中的周期分量和隨機分量，是研究負(fù)荷預(yù)測高精度的關(guān)鍵問題從經(jīng)典的回歸分析方法、時間序列法、相似日法著人工智能技術(shù)引入負(fù)荷預(yù)測領(lǐng)域，開辟了不少新ESNN、模糊理論(FST)、混沌理CTWaveletsDM)等[7]。、電力系統(tǒng)負(fù)荷預(yù)測的實質(zhì)與難點荷的過去和現(xiàn)在推測它的未來數(shù)值，所以負(fù)荷預(yù)測研究的對象是不肯定事件，可以從以下幾個方面分析負(fù)荷預(yù)測的實質(zhì):①預(yù)測結(jié)果的非準(zhǔn)確性。電力負(fù)荷的未來發(fā)展受各種復(fù)雜因素的影響，這些影響因素是發(fā)展變化的，如社會經(jīng)濟發(fā)展、人口增長、全球氣候變化、新技術(shù)發(fā)展、能源產(chǎn)業(yè)政策件某一特定期限內(nèi)，很難預(yù)測國民經(jīng)濟的增長率。這就決定了在所有預(yù)測中，工業(yè)負(fù)荷的預(yù)為搞好電力系統(tǒng)負(fù)荷預(yù)測，面臨著兩大難點：要，力圖保證完整性與準(zhǔn)確性，對異常數(shù)據(jù)需要修正或刪，為預(yù)測工作打好基礎(chǔ)。統(tǒng)計分析的目標(biāo)是選出有代表析方法，同時，還必須注意與負(fù)荷預(yù)測相關(guān)的領(lǐng)域經(jīng)濟增長的趨勢類同，因此，在進行全國范圍的外的電力消費資料，確定本國的電力需求量。這種方法的關(guān)。一般選經(jīng)濟發(fā)達(dá)、且經(jīng)濟結(jié)構(gòu)與本國有某種相似的國家作①沒有一種預(yù)測模型能適用于所有的負(fù)荷預(yù)測，各種負(fù)荷預(yù)測模型都有一定的時間范②電力負(fù)荷的發(fā)展變化受各種各樣復(fù)雜因素的影響，而且各種影響因素也是發(fā)展變化不完全準(zhǔn)確性。③負(fù)荷預(yù)測受不確定因素影響較大。在影響電力負(fù)荷變化的諸多因素中，許多因素是負(fù)荷預(yù)測工作帶來了很大的困難，使電力負(fù)荷預(yù)測也具有顯著的不確定性。因此，預(yù)測人員應(yīng)對可能影響到預(yù)測結(jié)果準(zhǔn)確性的各因素做出科學(xué)合理的分析和判斷，對這些因素可能變化的可能性和趨勢做出盡可能定量的估計。在進行實際的負(fù)荷預(yù)測時，由于預(yù)測量發(fā)展變化的規(guī)律復(fù)雜多樣，采用單一方法進行在多種預(yù)測模型得到的結(jié)果基礎(chǔ)上，進行合理的綜合分。的主要優(yōu)點在于它不需要任何負(fù)荷模型，并具有天氣和溫度等因素與負(fù)荷的對應(yīng)關(guān)系，通過學(xué)習(xí)能夠系。與傳統(tǒng)預(yù)測方法相比，這種方法具有其不可比擬眾多學(xué)者的贊譽。所以能夠應(yīng)用人工智能的方法解決題上取得了很大的進展。三、解決負(fù)荷預(yù)測的基本思路[10]確定預(yù)測目標(biāo)就是在明確預(yù)測目的的前提下，規(guī)定預(yù)測對象的范圍、內(nèi)容和預(yù)測期測期限一般分短期預(yù)測(5年期)、中期預(yù)測(5~10年期)和；制定預(yù)測計劃一般要考慮的主要問題有：需要的歷史資料(按年、按季、按月、按周或按日)，需要多少項資料，資料的來源和搜索資料的方法，預(yù)測及完成時間和所需經(jīng)費來源等。資料是預(yù)測的基本依據(jù)，占有資料的充裕程度及資料的權(quán)威可信性對預(yù)測結(jié)果的可信電負(fù)荷、用電量、用電構(gòu)成；經(jīng)濟發(fā)展目標(biāo)(如國民生產(chǎn)總規(guī)劃目標(biāo)，限制高耗能政策等)及國內(nèi)外參考地區(qū)的上述類似歷不定期發(fā)表或在其他相關(guān)出版物(比如統(tǒng)計年鑒、電力年鑒等)；二是預(yù)測人調(diào)查搜集起來的資料進行鑒別，去偽存真，以保證預(yù)料的標(biāo)準(zhǔn)為直接相關(guān)性、可靠性和最新性。要先把符衡量一個統(tǒng)計資料質(zhì)量高低的標(biāo)準(zhǔn)主要有以下幾個方面：①資料是否完整無缺，各期列各值間是否有可比性。④歷史資料的表現(xiàn)形式是否適合需要,是否需要交換以及計算單位是否規(guī)范化等問題也要注意。資料的整理主要有以下幾項內(nèi)容：①資料的補缺推算：如果中間某一項的資料空缺，則可利用相鄰兩邊資料取平均值近似代替；如果開頭或末尾某一項空缺，則可利用比例趨勢法計算代替。②對不可靠資料要加以核實：對能查明原因的異常值可用適當(dāng)?shù)姆椒右砸右哉{(diào)整，務(wù)必使資料在時間上有可比性：時間數(shù)列資料的可比性主要包括各期統(tǒng)計指標(biāo)的口徑范圍是否完全一致，各期價值指標(biāo)所用價格有無變動，各期時間單位長度是否可進行初步分析，一般包括以下幾個主要方面：①畫出動資料變動的軌跡特別要注意離群的數(shù)值和轉(zhuǎn)折點，并且定的原因所致。②查明異常值的原因后，用適當(dāng)?shù)姆椒右蕴幚恚箽v史數(shù)據(jù)趨于平穩(wěn)。常用的處理方法是：設(shè)負(fù)荷的歷史數(shù)據(jù)為,令有情況和資料樣式以及預(yù)測目的、預(yù)測期限、預(yù)測規(guī)模、預(yù)測結(jié)果的準(zhǔn)確度，同時考慮預(yù)測本身的效益成本分析等進行權(quán)衡，做出合理的選擇。時采用多種預(yù)測方法進行預(yù)測，以便對比、選擇，可采用相關(guān)方法或手段處理各種預(yù)測結(jié)果(如加權(quán)取平均，概率分布取值等)，從而選擇盡可能正確的預(yù)測結(jié)果。在進行預(yù)測時，要依據(jù)選擇的預(yù)測方法進行預(yù)測預(yù)算得到預(yù)測值。如果是采用定量方法進行預(yù)測，就要根據(jù)建立的定量預(yù)測模型代入預(yù)測期的自變量目標(biāo)值，從而獲取預(yù)測期所需的預(yù)測變量值；如果是采用定性的預(yù)測方法來進行預(yù)測，就要根據(jù)掌握的客觀資料進素可能會發(fā)生變化，從而使未來的實際結(jié)果與預(yù)測依據(jù)的歷史資料呈現(xiàn)的規(guī)律不相吻合，因為事物過去到現(xiàn)在的發(fā)展變化規(guī)律不一定就是事物未來的發(fā)展變化規(guī)律。因此，預(yù)測人員必須對影響預(yù)測對象的新因素進行分析，對預(yù)測模型及人員的經(jīng)驗、理論素養(yǎng)及分析判斷能力也起重要的作預(yù)測的主要成果就是得出預(yù)測結(jié)果。因此預(yù)測結(jié)果應(yīng)該是明確的，可以被檢驗的。所以在得到預(yù)測結(jié)果后必須對預(yù)測結(jié)果的準(zhǔn)確度和可靠性進行評價，使預(yù)測誤差在允許接受的范圍內(nèi)。若誤差太大，就失去了預(yù)測的意義，也會導(dǎo)致電力規(guī)劃的失誤。一般來說，短期負(fù)荷預(yù)測的誤差不應(yīng)超過±3%，中期負(fù)荷預(yù)測的誤差不應(yīng)超過±5%，長期負(fù)荷預(yù)測的的主要發(fā)現(xiàn)，預(yù)測結(jié)果及提出的主要建議和意見。一般采用摘要與提出相配合引起有關(guān)方測的主要結(jié)論及對主要結(jié)論的評價。結(jié)論與建議是扼要地列出預(yù)測的主要結(jié)果，提出的有關(guān)建議及意見。附錄主要包括說明正文的附表、附圖,預(yù)測中采用的計算方法的推導(dǎo)和說明及其使用的歷史數(shù)據(jù)，以及正文中未列出的有價值的其他資料。隨后應(yīng)根據(jù)主客觀條件的變化及預(yù)測應(yīng)用的反饋信息進行檢驗，必要時應(yīng)修正預(yù)測值。例如,預(yù)測值交付使用后，經(jīng)過一段時間的實踐，發(fā)現(xiàn)這一時期的實際值和預(yù)測值之間有較進行調(diào)整，這就叫負(fù)荷預(yù)測的滾動修編，也就神經(jīng)網(wǎng)絡(luò)以其在負(fù)荷預(yù)測中的廣泛的應(yīng)用，得到多少專家學(xué)者的認(rèn)可。神經(jīng)網(wǎng)絡(luò)方法以傳統(tǒng)顯示函數(shù)的自變量和因變量作為網(wǎng)絡(luò)的輸入和輸出，將傳統(tǒng)的函數(shù)映射關(guān)系轉(zhuǎn)化為高維的非線性映射。神經(jīng)網(wǎng)絡(luò)是一個高度非線性的超大規(guī)模連續(xù)時間動力系統(tǒng)，可以映射任意復(fù)雜的非線性關(guān)系，且能夠識別有噪聲或變形的樣本，通過學(xué)習(xí)能把樣本隱含的特征和規(guī)律分布于神經(jīng)網(wǎng)絡(luò)的連接權(quán)上。而電力系統(tǒng)的負(fù)荷預(yù)測從根本上講就是非線性系統(tǒng)的辨識問題，因此采用神經(jīng)網(wǎng)絡(luò)進行預(yù)測有著傳統(tǒng)方法所沒有的優(yōu)點。采用神經(jīng)網(wǎng)絡(luò)進行預(yù)下兩個途