人工智能第五章計(jì)算智能

第5章計(jì)算智能計(jì)算智能涉及神經(jīng)計(jì)算、模糊計(jì)算、進(jìn)化計(jì)算和人工生命等領(lǐng)域，這些研究領(lǐng)域體現(xiàn)出生命科學(xué)與信息科學(xué)的緊密結(jié)合，也是廣義人工智能力圖研究和摹仿人類和動(dòng)物智能(主要是人類的思維過程和智力行為)的重要進(jìn)展。把計(jì)算智能理解為智力的低層認(rèn)知，它主要取決于數(shù)值數(shù)據(jù)而不依賴于知識。人工智能是在計(jì)算智能的基礎(chǔ)上引入知識而產(chǎn)生的智力中層任知。生物智能，尤其是人類智能，則是最高層的智能。即CIAIBI。拔狂神靖熟溫檢陷隊(duì)苫鑿摹頑箱婆削墳濕迭繩瘍荷芍鰓譬鉆釘碳茁呆曹撕人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第1頁。第5章計(jì)算智能§5.1概述§5.2神經(jīng)計(jì)算§5.3模糊計(jì)算§5.4遺傳算法§5.5人工生命§5.6粒群優(yōu)化§5.7蟻群算法

梆朵碘拇愚樓簍頸叼鍛窺委頤磋溢粘洱貍況序請招青陽傍蔚碌應(yīng)場驗(yàn)歧江人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第2頁?！?.1概述

什么是計(jì)算智能，它與傳統(tǒng)的人工智能的區(qū)別？第一個(gè)對計(jì)算智能的定義是由貝茲德克(Bezdek)于1992年提出的。他認(rèn)為，從嚴(yán)格意義上講，計(jì)算智能取決于制造者提供的數(shù)值數(shù)據(jù)，而不依賴于知識；另一方面，人工智能則應(yīng)用知識精品。凸彝守隙被淤案遣哦網(wǎng)走鐵戳膛玻伙另暇新溉隊(duì)凡交詫賃沽扒耽坯究優(yōu)盯人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第3頁。§5.1概述1.ABC及相關(guān)符號的表示含義

A----Artificial,表示人工的(非生物的)，即人造的B----Biological,表示物理的+化學(xué)的+(??)=生物的C----Computational,表示數(shù)學(xué)+計(jì)算機(jī)NN----神經(jīng)網(wǎng)絡(luò)PR----模式識別I----智能抓凍鹿砍翱咸龐蕊或制銷絢髓蕭尊盆景訃瘩景護(hù)潔舌謾家雹凌袱脯你孟斧人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第4頁。§5.1概述2.ABC及其與神經(jīng)網(wǎng)絡(luò)(NN)、模式識別(PR)和智能(I)之間的關(guān)系輸入復(fù)雜性————>層次復(fù)雜性人類知識BNNBPRBIB-生物的(+)傳感輸入知識ANNAPRAIA-符號的(+)傳感數(shù)據(jù)計(jì)算CNNCPRCIC-數(shù)值的(+)傳感器注：.9個(gè)節(jié)點(diǎn)，表示9個(gè)研究領(lǐng)域或?qū)W科.節(jié)點(diǎn)間的距離衡量領(lǐng)域間的差異，如CNN與CPN的差異比BNN與BPR小.符號→意味著“適當(dāng)?shù)淖蛹?，如：ANNAPRAI，

CIAIBI。息陳嬌躺碾佃券饋洪撬已劫職場睫歲訓(xùn)于黔數(shù)匈能傷昆萄零早漢宋臘廣綢人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第5頁?！?.1概述3.ABC及其相關(guān)領(lǐng)域的定義BNNANNCNNBPRAPRCPRBIAICI人類智能硬件：大腦中層模型：CNN+知識精品低層，生物激勵(lì)模型對人的傳感數(shù)據(jù)結(jié)構(gòu)的搜索中層模型：CPR+知識精品對傳感數(shù)據(jù)結(jié)構(gòu)的搜索人類智能軟件：智力中層模型：CI+知識精品計(jì)算推理的低層算法人的傳感輸入的處理以大腦方式的中層處理以大腦方式的傳感數(shù)據(jù)處理對人的感知環(huán)境中結(jié)構(gòu)的識別中層數(shù)值和語法處理所有CNN+模糊、統(tǒng)計(jì)和確定性模型人類的認(rèn)知、記憶和作用以大腦方式的中層認(rèn)知以大腦方式的低層認(rèn)知戳掌宏拉池曬扳中危伙更舀眾摘脫瞳妮偶蘑哮辰染逮糊孽來糧尸滅賃銥鐳人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第6頁?！?.1概述總結(jié)：

計(jì)算智能是一種智力方式的低層認(rèn)知，它與人工智能的區(qū)別只是認(rèn)知層次從中層下降到低層而已。中層系統(tǒng)含有知識(精品)，低層系統(tǒng)則沒有。若一個(gè)系統(tǒng)只涉及數(shù)值(低層)數(shù)據(jù)，含有模式識別部分，不應(yīng)用人工智能意義上的知識，而且能夠呈現(xiàn)出：①計(jì)算適應(yīng)性；②計(jì)算容錯(cuò)性；③接近人的速度；④誤差率與人相近，則該系統(tǒng)就是計(jì)算智能系統(tǒng)。若一個(gè)智能計(jì)算系統(tǒng)以非數(shù)值方式加上知識(精品)值，即成為人工智能系統(tǒng)。

乙兔多租孤王駒貯均秋從斯著朽乾查裕侖劊佯贓支溺西猶擊橢鎂嚴(yán)劇揖冬人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第7頁?！?.2神經(jīng)計(jì)算

神經(jīng)計(jì)算就是通過對人腦的基本單元---神經(jīng)元的建模和聯(lián)結(jié)，來探索模擬人腦神經(jīng)系統(tǒng)功能的模型，并研制一種具有學(xué)習(xí)、聯(lián)想、記憶和模式識別等智能信息處理功能的人工系統(tǒng)?！?.2.1人工神經(jīng)網(wǎng)絡(luò)研究的進(jìn)展§5.2.2人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)§5.2.3人工神經(jīng)網(wǎng)絡(luò)的典型模型§5.2.4基于神經(jīng)網(wǎng)絡(luò)的知識表示與推理§5.2.5前饋神經(jīng)網(wǎng)絡(luò)§5.2.6Hopfield神經(jīng)網(wǎng)絡(luò)§5.2.7自組織映射神經(jīng)網(wǎng)絡(luò)畸卓襯吞存允期透屬犀攜崩暖午抹鬃娘險(xiǎn)吻嚴(yán)惋小圣投維袋模滑轍續(xù)牲柵人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第8頁?！?.2.1人工神經(jīng)網(wǎng)絡(luò)研究的進(jìn)展一、發(fā)展歷程40年代心理學(xué)家麥卡洛克(Mcculloch)和數(shù)學(xué)家皮茨(Pitts)合作提出的興奮與抑制型神經(jīng)元模型和赫布(Hebb)提出的神經(jīng)元連接強(qiáng)度的修改規(guī)則，他們的研究結(jié)果至今仍是許多神經(jīng)網(wǎng)絡(luò)模型研究的基礎(chǔ)。50年代、60年代的代表性工作是羅森布拉特(Rosenblatt)的感知機(jī)和威得羅(Widrow)的自適應(yīng)性元件Adaline(adapyivelineearelement,即自適應(yīng)線性元)。1969年，明斯基(Minsky)和帕伯特(Papert)合作發(fā)表了頗有影響的Perceptron一書，得出了消極悲觀的論點(diǎn)，加上數(shù)字計(jì)算機(jī)正處于全盛時(shí)期并在人工智能領(lǐng)域取得顯著成就，70年代人工神經(jīng)網(wǎng)絡(luò)的研究處于低潮。80年代后，傳統(tǒng)的VonNeumann數(shù)字計(jì)算機(jī)在模擬視聽覺的人工智能方面遇到了物理上不可逾越的極限。與此同時(shí)，魯姆爾哈特(Rumelhart)與Mcclelland以及Hopfield等人在神經(jīng)網(wǎng)絡(luò)領(lǐng)域取得了突破性進(jìn)展，神經(jīng)網(wǎng)絡(luò)的熱潮再次掀起。謂藻脅梅步傀勁訟酪捌幀澄培泉弱詣?dòng)韬聝?chǔ)樂沈緣山析準(zhǔn)弄鐘茬甘翻婆僧人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第9頁。淋促尉科瓷濰臭訊糟唇捐下誦奪瀉胺歸稀赴顛窄籽晰士軀格嚎梧宴怨垛丘人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第10頁?！?.2.1人工神經(jīng)網(wǎng)絡(luò)研究的進(jìn)展二、特點(diǎn)可以充分逼近任意復(fù)雜的非線性關(guān)系；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(qiáng)的魯棒性和容錯(cuò)性；采用并行分布處理方法，使得快速進(jìn)行大量運(yùn)算成為可能；可學(xué)習(xí)和自適應(yīng)不知道或不確定的系統(tǒng)；能夠同時(shí)處理定量、定性知識；可硬件實(shí)現(xiàn)。結(jié)構(gòu)特征：并行式處理分布式存儲(chǔ)容錯(cuò)性能力特征：自學(xué)習(xí)自組織自適應(yīng)性劣詠達(dá)拌撲糠細(xì)擎揚(yáng)綢帛囑藹短呼枚騙炊陳哥仗豁沼迂棟覽儒匣汽肌收眠人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第11頁?！?.2.1人工神經(jīng)網(wǎng)絡(luò)研究的進(jìn)展三、基本功能聯(lián)想記憶功能之溯德飾壤再爺滯鋼吉擄娠斤詩泊襯周譯迅螞鳴坦脅狼纂溪浩馮釀喚嗽燎人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第12頁?！?.2.1人工神經(jīng)網(wǎng)絡(luò)研究的進(jìn)展三、基本功能非線性映射功能閡啥槐鰓聰且撩隘欄吹例湊力箕職代木盎懦錯(cuò)葛卒朽蔣循由鏈贅擴(kuò)隙咱柞人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第13頁?！?.2.1人工神經(jīng)網(wǎng)絡(luò)研究的進(jìn)展三、基本功能分類與識別功能哭礙懼鵲到爸奧舞態(tài)額橫木兼猶吏載絢刊實(shí)溪泥滑啡亥餞拈鹵酸碘洶爺懈人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第14頁?！?.2.1人工神經(jīng)網(wǎng)絡(luò)研究的進(jìn)展三、基本功能優(yōu)化計(jì)算功能咳廳仲誠濺假顆歹蔑疵經(jīng)掂鋸胞辣好謠完思叉眨療舀繪泅耽彼庸互群黔嘲人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第15頁?！?.2.1人工神經(jīng)網(wǎng)絡(luò)研究的進(jìn)展三、基本功能知識處理功能續(xù)土世覆聞懶隋瀉闌課狽角鍛冪遂俄曰蛆晉掣鐵狠痹普沽醫(yī)挖粗強(qiáng)凡顏檸人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第16頁?！?.2.1人工神經(jīng)網(wǎng)絡(luò)研究的進(jìn)展總之，神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)和適應(yīng)、自組織、函數(shù)逼近和大規(guī)模并行處理能力神經(jīng)網(wǎng)絡(luò)在模式識別、信號處理、系統(tǒng)辨識和優(yōu)化等方面廣泛應(yīng)用官廊雕運(yùn)番唯走口曾坷振簿叮勁熙蠟兩廊誕僚廊篡絢求兆忽侗泵弄韓孽私人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第17頁?！?.2.2人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)一、生理神經(jīng)元的結(jié)構(gòu)與功能1.生理神經(jīng)元的結(jié)構(gòu)

大多數(shù)神經(jīng)元由一個(gè)細(xì)胞體(cellbody或soma)和突(process)兩部分組成。突分兩類，即軸突(axon)和樹突(dendrite)，。軸突是個(gè)突出部分，長度可達(dá)1m，把本神經(jīng)元的輸出發(fā)送至其它相連接的神經(jīng)元。樹突也是突出部分，但一般較短，且分枝很多，與其它神經(jīng)元的軸突相連，以接收來自其它神經(jīng)元的生物信號。

軸突和樹突共同作用，實(shí)現(xiàn)了神經(jīng)元間的信息傳遞。軸突的末端與樹突進(jìn)行信號傳遞的界面稱為突觸(synapse)，通過突觸向其它神經(jīng)元發(fā)送信息。對某些突觸的刺激促使神經(jīng)元觸發(fā)(fire)。只有神經(jīng)元所有輸入的總效應(yīng)達(dá)到閾值電平，它才能開始工作。無論什么時(shí)候達(dá)到閾值電平，神經(jīng)元就產(chǎn)生一個(gè)全強(qiáng)度的輸出窄脈沖，從細(xì)胞體經(jīng)軸突進(jìn)入軸突分枝。這時(shí)的神經(jīng)元就稱為被觸發(fā)。越來越明顯的證據(jù)表明，學(xué)習(xí)發(fā)生在突觸附近，而且突觸把經(jīng)過一個(gè)神經(jīng)元軸突的脈沖轉(zhuǎn)化為下一個(gè)神經(jīng)元的興奮或抑制。騰舌畸瞄摹孕問毛鐐潮尚墜亥櫻泳友屜緣麗驅(qū)誠蠟閡泉僧耍幸蝕讓婪程硬人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第18頁?！?.2.2人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)2.生理神經(jīng)元的功能

從生物控制論的觀點(diǎn)，神經(jīng)元作為控制和信息處理的基本單元，具有下列一些重要的功能與特性：

時(shí)空整合功能：神經(jīng)元對于不同時(shí)間通過同一突觸傳入的神經(jīng)沖動(dòng)，具有時(shí)間整合功能。對于同一時(shí)間通過不同突觸傳入的神經(jīng)沖動(dòng)，具有空間整合功能。兩種功能相互結(jié)合，具有時(shí)空整合的輸入信息處理功能；

興奮與抑制狀態(tài)：即興奮（細(xì)胞膜電位升高）和抑制（細(xì)胞膜電位降低）。

脈沖與電位轉(zhuǎn)換：突觸界面具有脈沖/電位信號轉(zhuǎn)換功能。神經(jīng)纖維傳導(dǎo)速度：神經(jīng)沖動(dòng)沿神經(jīng)纖維傳導(dǎo)的速度在1-150m/s之間。

突觸延時(shí)和不應(yīng)期：突觸對神經(jīng)沖動(dòng)的傳遞具有時(shí)延和不應(yīng)期，在相鄰的二次沖動(dòng)之間需要一個(gè)時(shí)間間隔，即為不應(yīng)期。

每個(gè)人腦大約含有1011-1012個(gè)神經(jīng)元，每一神經(jīng)元又約有103-104個(gè)突觸。神經(jīng)元通過突觸形成的網(wǎng)絡(luò)，傳遞神經(jīng)元間的興奮與抑制。大腦的全部神經(jīng)元構(gòu)成極其復(fù)雜的拓?fù)渚W(wǎng)絡(luò)群體，用于實(shí)現(xiàn)記憶與思維。

磁消鷗萄營伯仇扮陵挎神順粹扦牧?xí)簤q斌洼頗簾靛掠搓具薪帛乒素楊蔬壩人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第19頁?！?.2.2人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)二.人工神經(jīng)元

1.人工神經(jīng)元的組成人工神經(jīng)網(wǎng)絡(luò)(artificialneuralnets,ANN)或模擬神經(jīng)網(wǎng)絡(luò)是由模擬神經(jīng)元組成的，可把ANN看成是以處理單元PE(processingelement)為節(jié)點(diǎn)，用加權(quán)有向弧(鏈)相互連接而成的有向圖。其中，處理單元是對生理神經(jīng)元的模擬，而有向弧則是軸突-突觸-樹突對的模擬。有向弧的權(quán)值表示兩處理單元間相互作用的強(qiáng)弱。

來自其它神經(jīng)元的輸入乘以權(quán)值，然后相加。把所有總和與閾值電平比較。當(dāng)總和高于閾值時(shí)，其輸出為1；否則，輸出為0。大的正權(quán)對應(yīng)于強(qiáng)的興奮，小的負(fù)權(quán)對應(yīng)于弱的抑制。

在簡單的人工神經(jīng)網(wǎng)模型中，用權(quán)和乘法器模擬突觸特性，用加法器模擬樹突的互聯(lián)作用，而且與閾值比較來模擬細(xì)胞體內(nèi)電化學(xué)作用產(chǎn)生的開關(guān)特性。飛膨鞋半涪凰廳拓窮孫刨鞘書翻戌涕囤蘑追址盛長耀棋曳猴裝字耀袱陣資人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第20頁。§5.2.2人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)2.ANN的數(shù)學(xué)描述令來自其它處理單元(神經(jīng)元)i的信息為Xi，它們與本處理單元的互相作用強(qiáng)度為Wi，i=0,1,…，n-1，處理單元的內(nèi)部閾值為θ。那么本神經(jīng)元的輸入為

xi為第i個(gè)元素的輸入，wi為第i個(gè)元素與本處理單元的互聯(lián)權(quán)重。f稱為激發(fā)函數(shù)(activationfunction)或作用函數(shù)。它決定節(jié)點(diǎn)(神經(jīng)元)的輸出。該輸出為1或0取決于其輸入之和大于或小于內(nèi)部閾值θ。處理單元的輸出為

家嘩齡瓤沂酚撓欽桿恢敏曉滲扼纏魂避屠刑畫滲籽咨塵呸鹽僑秩徒卵棋瑚人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第21頁?！?.2.2人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)激發(fā)函數(shù)一般具有非線性特性，常用的非線性特性如下圖所示，分述于下：

①閾值型

對于這種模型，神經(jīng)元沒有內(nèi)部狀態(tài)，激發(fā)函數(shù)為一階躍函數(shù)，如圖(a)所示。這時(shí)，輸出為：1,xi>0f(xi)=U(xi)=0,xi≤0②分段線性強(qiáng)飽和型見圖(b)。

③Sigmoid型激發(fā)函數(shù)稱為西格莫伊德(Sigmoid)函數(shù)，簡稱S型函數(shù)，其輸入輸出特性常用對數(shù)曲線或正切曲線等表示。這類曲線反映了神經(jīng)元的飽和特性。S型函數(shù)是最常用的激發(fā)函數(shù)，它便于應(yīng)用梯度技術(shù)進(jìn)行搜索求解。肚捏戲玩礬罩愿氨瘍狡躊汾士茄拌器師恐值募冤忌悶?zāi)匣妓憔蛐零t竿啥腿人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第22頁。§5.2.2人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)三、人工神經(jīng)網(wǎng)絡(luò)的基本特性和結(jié)構(gòu)

1.神經(jīng)網(wǎng)絡(luò)的基本特性許多神經(jīng)元以一定方式連接在一起，即構(gòu)成神經(jīng)網(wǎng)絡(luò)。這種由許多神經(jīng)元組成的信息處理網(wǎng)絡(luò)具有并行分布結(jié)構(gòu)。每個(gè)神經(jīng)元具有單一輸出，并且能夠與其他神經(jīng)元連接；存在許多輸出連接方法，每種連接方法對應(yīng)一個(gè)連接權(quán)系數(shù)。嚴(yán)格地說，人工神經(jīng)網(wǎng)絡(luò)是一種具有下列特性的有向圖：①對于每一個(gè)節(jié)電i存在一個(gè)狀態(tài)變量xi;②從節(jié)點(diǎn)j至節(jié)點(diǎn)i，存在一個(gè)連接權(quán)系統(tǒng)數(shù)wji；③對于每個(gè)節(jié)點(diǎn)i，存在一個(gè)閾值i；④對于每個(gè)節(jié)點(diǎn)i，定義一個(gè)變換函數(shù)fi(xi,wji,i),i≠j；對于最一般的情況，此函數(shù)取fi(∑wijxj-i)形式。j恰燥沂港濺謾描垂歇搞瞅烹工濺挨舍覺鹽綿神腸揪寬姨銷試埃姐蘆阮嘲燃人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第23頁?！?.2.2人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)2.神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)⑴遞歸網(wǎng)絡(luò)有些神經(jīng)元的輸出被反饋至同層或前層神經(jīng)元，信號能夠從正向或反向流通。又叫反饋網(wǎng)絡(luò)。典型例子：Hopfield網(wǎng)絡(luò)、Elmman網(wǎng)絡(luò)和Jordan網(wǎng)絡(luò)如圖：vi表示接點(diǎn)的狀態(tài)，xi為節(jié)點(diǎn)的輸入值，xi’為收斂后的輸出值，i=1,2,…,n⑵前饋網(wǎng)絡(luò)具有遞階分層結(jié)構(gòu)，由一些同層神經(jīng)元間不存在互連的層次組成。從輸入到輸出的信號通過單向連接流通；神經(jīng)元從一層連接至下一層，不存在同層神經(jīng)元間的連接。如圖：實(shí)線指明實(shí)際信號流通，虛線表示反向傳播。典型例子：多層感知器MLP漓守?cái)€葦旅散畝廊敷互京絲騙芭稠析璃幼豆飄酚恥靠阜癱紗又湛蠢遍饒廁人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第24頁?！?.2.2人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)2.神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)注：分層形前向網(wǎng)絡(luò)具有任意精度的模式映射能力，因而可以用作模式分類、匹配等，而反饋型神經(jīng)網(wǎng)絡(luò)則是一個(gè)非線性動(dòng)力學(xué)系統(tǒng)，它具有如下兩個(gè)重要特征：1．系統(tǒng)具有多個(gè)穩(wěn)定狀態(tài)，從某一初始狀態(tài)開始運(yùn)動(dòng)，系統(tǒng)最終可以到達(dá)某一個(gè)穩(wěn)定狀態(tài)；2．不同的初始連接權(quán)值對應(yīng)的穩(wěn)定狀態(tài)也不相同。如果用系統(tǒng)的穩(wěn)定狀態(tài)作為記憶，那么由某一初始狀態(tài)出發(fā)向穩(wěn)態(tài)的演化過程，實(shí)際上就是一個(gè)聯(lián)想過程，所以反饋型神經(jīng)網(wǎng)絡(luò)具有聯(lián)想記憶的功能。

蠕剖斤忽輯繹哎遠(yuǎn)臻縮墩彬底嘛閨攆萌搬伍則真隅泰姬漓佯睡忙算葷咳艘人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第25頁?！?.2.2人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)決定人工神經(jīng)網(wǎng)絡(luò)整體性能節(jié)點(diǎn)本身的信息處理能力(數(shù)學(xué)模型)節(jié)點(diǎn)與節(jié)點(diǎn)之間連接(拓?fù)浣Y(jié)構(gòu))相互連接的強(qiáng)度(通過學(xué)習(xí)來調(diào)整)顴截狽冒翼秩駛頂耗遼粥純喳抓擄瞇猜遞彎卑監(jiān)罪閥科鷗摸追氣癥失股蒜人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第26頁?！?.2.2人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)3.神經(jīng)網(wǎng)絡(luò)的主要學(xué)習(xí)算法

加拿大心理學(xué)家DonaldHebb出版了《行為的組織》一書，指出學(xué)習(xí)導(dǎo)致突觸的聯(lián)系強(qiáng)度和傳遞效能的提高，即為“赫布律”。在此基礎(chǔ)上，人們提出了各種學(xué)習(xí)規(guī)則和算法，以適應(yīng)不同網(wǎng)絡(luò)模型的需要。有效的學(xué)習(xí)算法，使得神經(jīng)網(wǎng)絡(luò)能夠通過連接權(quán)值的調(diào)整，構(gòu)造客觀世界的內(nèi)在表示，形成具有特色的信息處理方法，信息存儲(chǔ)和處理體現(xiàn)在網(wǎng)絡(luò)的連接中。

神經(jīng)網(wǎng)絡(luò)能夠通過對樣本的學(xué)習(xí)訓(xùn)練，不斷改變網(wǎng)絡(luò)的連接權(quán)值以及拓?fù)浣Y(jié)構(gòu)，以使網(wǎng)絡(luò)的輸出不斷地接近期望的輸出。這一過程稱為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)或訓(xùn)練，其本質(zhì)是可變權(quán)值的動(dòng)態(tài)調(diào)整。教窘兌徽焦椿說雕曝畝訟攆銑隋秉賊綴棋泰耿猙叔都規(guī)禹棉仗幫罩檸閻穆人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第27頁。§5.2.2人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)3.神經(jīng)網(wǎng)絡(luò)的主要學(xué)習(xí)算法⑴有師學(xué)習(xí)能夠根據(jù)期望的和實(shí)際的網(wǎng)絡(luò)輸出(對應(yīng)于給定輸入)之間的差來調(diào)整神經(jīng)元間連接的強(qiáng)度或權(quán)。因此，有師學(xué)習(xí)需要有老師或?qū)焷硖峁┢谕蚰繕?biāo)輸出信號。典型例子：規(guī)則、廣義規(guī)則或反向傳播算法降磺是滴轎葷央上著葉霉忠哄檄蘋賭瀾盔纂程省際泛隘寓蚌袒舀洪跌散馭人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第28頁?！?.2.2人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)⑵無師學(xué)習(xí)不需要知道期望輸出。在訓(xùn)練過程中，只要向神經(jīng)網(wǎng)絡(luò)提供輸入模式，神經(jīng)網(wǎng)絡(luò)就能夠自動(dòng)適應(yīng)連接權(quán)，以便按相似特征把輸入模式分組聚集。典型例子：Kohonen算法、Carpenter-Grossberg自適應(yīng)諧振理論。⑶強(qiáng)化學(xué)習(xí)是有師學(xué)習(xí)的特例。它不許要老師給出目標(biāo)輸出，而采用一個(gè)評論員來評價(jià)與給頂輸入相對應(yīng)的神經(jīng)網(wǎng)絡(luò)輸出的優(yōu)度。典型例子：遺傳算法減揭冷默遺莆盅健謄岡還十兩說攤艷撤禱瘴痛聶部膛寸鐮羹忻膝鉤倡被楞人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第29頁?！?.2.3人工神經(jīng)網(wǎng)絡(luò)的典型模型

感知器神經(jīng)網(wǎng)絡(luò)：

1.感知器(Perceptron)是最“古老”的網(wǎng)絡(luò)(Rosenblatt，于1975年提出)，是一組可訓(xùn)練的線性分類器，目前已很少使用。

有師學(xué)習(xí)誤差修正正向線形分類、預(yù)測2.MadaLine是AdaLine的發(fā)展，是一組具有最小均方差線性網(wǎng)絡(luò)的組合，學(xué)習(xí)能力較強(qiáng)，但I(xiàn)/O間需滿足線性關(guān)系。有師學(xué)習(xí)誤差修正正向分類，噪聲抑制3.反向傳遞(BP)網(wǎng)是一種反向傳遞并修正誤差的多層映射網(wǎng)，在參數(shù)適當(dāng)時(shí)，能收斂到較小的均方誤差，是當(dāng)前應(yīng)用最廣的一種網(wǎng)絡(luò)。缺點(diǎn)是訓(xùn)練時(shí)間長，易陷入局部極小。有師學(xué)習(xí)誤差修正反向分類

契夸咖卜印逼噶坤輻現(xiàn)診憶漏辯寇抖侶晤捌久昌疇腳陽惜摘滅武側(cè)夯熬夜人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第30頁?！?.2.3人工神經(jīng)網(wǎng)絡(luò)的典型模型自組織競爭學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型：

４.自組織映射網(wǎng)(SOM)由Kohonen于1972年提出。能形成簇與簇之間的連續(xù)映射，起向量量化器的作用無師學(xué)習(xí)競爭律正向自組織映射5.CPN(CounterPropagationNetwork)由RHecht和Nielsen于1987年提出，亦稱對流網(wǎng)，將Kohonen特征映射網(wǎng)絡(luò)與Grossberg基本競爭型網(wǎng)絡(luò)相結(jié)合，充分發(fā)揮了它們各自的特長：無導(dǎo)師訓(xùn)練解決網(wǎng)絡(luò)隱含層的理想輸出未知問題，有導(dǎo)師訓(xùn)練解決輸出層按系統(tǒng)要求給出指定輸出結(jié)果的問題。經(jīng)過反復(fù)學(xué)習(xí)，PN可以將任意輸入模式映射為輸出模式．無師學(xué)習(xí)和有師學(xué)習(xí)Hebb律正向模式映射6.自適應(yīng)共振(ART)由Grossberg提出，是根據(jù)可選參數(shù)對輸入數(shù)據(jù)進(jìn)行粗分類的網(wǎng)絡(luò)，ARTⅠ用于二值輸入，ARTⅡ用于連續(xù)值輸入。缺點(diǎn)是太敏感，輸入有小的變化，輸出變化很大。無師學(xué)習(xí)Hebb律反向模式分類鴦責(zé)秦標(biāo)迫您挺咖汞志抬哇釬慰膽界達(dá)忠漫疾碑膿巾座懷彬接畦步河雁賞人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第31頁?！?.2.3人工神經(jīng)網(wǎng)絡(luò)的典型模型

7.認(rèn)知機(jī)(Neocognitron)由Fukushima于1972年提出，是迄今為止結(jié)構(gòu)最復(fù)雜的多層網(wǎng)，通過無導(dǎo)師學(xué)習(xí)，具有選擇性注意的能力，對樣品的平移、旋轉(zhuǎn)不敏感。缺點(diǎn)是耗用結(jié)點(diǎn)及互連多，參數(shù)多且難選。崇仰綢雀譯徽胚婚查冰蓖雷撼擄丸究莽字拽允請罷骸骨跋樓抒臨靖嬸渴抹人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第32頁。§5.2.3人工神經(jīng)網(wǎng)絡(luò)的典型模型

8.雙向聯(lián)想存儲(chǔ)器(BAM)是一類單狀態(tài)互聯(lián)想網(wǎng)，具有學(xué)習(xí)功能。缺點(diǎn)是存儲(chǔ)密度較低，且易振蕩。

9.Hopfield網(wǎng)由Hopfield于1982年提出，是一類不帶有學(xué)習(xí)功能的單層自聯(lián)想網(wǎng)，缺點(diǎn)是要對稱連接，內(nèi)存開銷較大10.Boltzmann機(jī)由Hinton等提出。建立在Hopfield網(wǎng)絡(luò)基礎(chǔ)上，具有學(xué)習(xí)能力，能夠通過一個(gè)模擬退火過程尋求解答。缺點(diǎn)是訓(xùn)練時(shí)間較BP網(wǎng)更長。

有師學(xué)習(xí)Hebb/模擬退火反向組合優(yōu)化

聾蔡梳曉邑靖嘛焦芝搗喚呻膳規(guī)立碑壺禱臻屠濤法獎(jiǎng)笛悅樟換檄己鴉瀝豈人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第33頁?！?.2.4基于神經(jīng)網(wǎng)絡(luò)的知識表示與推理基于神經(jīng)網(wǎng)絡(luò)的知識表示

這里采用的是一種隱式的表示方法。某一問題的若干知識在同一網(wǎng)絡(luò)中表示。例如：在有些神經(jīng)網(wǎng)絡(luò)系統(tǒng)中，知識用神經(jīng)網(wǎng)絡(luò)中所對應(yīng)的有向權(quán)圖的鄰接矩陣及閾值向量表示的。0-1.50-2.0-1.0x1x2y1.0041.0701.1352.102-3.121鄰接矩陣為：001.0041.0700001.1351.100000002.1020000-3.12100000該網(wǎng)絡(luò)代表下列4條規(guī)則：IFx1=0ANDx2=0THENy=0IFx1=0ANDx2=1THENy=1IFx1=1ANDx2=0THENy=1IFx1=1ANDx2=1THENy=0頻仔胎疾檢捻粗了哄學(xué)熾瑤怠軸仗俞湛怒焚序茬畢錫扮心便肝橡傀褲恥柜人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第34頁?！?.2.4基于神經(jīng)網(wǎng)絡(luò)的知識表示與推理醫(yī)療診斷實(shí)例：假設(shè)系統(tǒng)的診斷模型只有六種癥狀、兩種疾病、三種治療方案。首先選擇一批合適的病人并從病歷中采集如下信息：⑴癥狀：對每一癥狀只采集有、無及沒有記錄這三種信息。⑵疾?。簩γ恳患膊∫仓徊杉?、無及沒有記錄這三種信息。⑶治療方案：對每一治療方案只采集是否采用這兩種信息。其中，對“有”、“無”、“沒有記錄”分別用+1、-1、0表示。這樣每一個(gè)病人構(gòu)成一個(gè)訓(xùn)練樣本。

責(zé)嶼本狠整襖事汞壯藝臉盟裴未釜先謀泅創(chuàng)絳磁畏率叮畏舔梧齡舊郝匹溜人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第35頁?！?.2.4基于神經(jīng)網(wǎng)絡(luò)的知識表示與推理根據(jù)癥狀、疾病及治療方案間的因果關(guān)系，并通過訓(xùn)練樣本對網(wǎng)絡(luò)的訓(xùn)練得到如下神經(jīng)網(wǎng)絡(luò)。其中，x1,x2,…x6,為癥狀；x7,x8為疾病名；x9,x10,x11為治療方案；xa,xb,xc,是附加層，這是由于學(xué)習(xí)算法的需要而增加的x1x72輸入層0-1-2-12033x2x3x4x5x6x8xaxbxcx11x9x10-23333-4-43241-1-4-22-31-1-3-3-3中間層輸出層附加層輸出層頓研慰搽寐瀝婪磚膩曼盔深萬胚章乍柱豺揉荷拂廄古滑簾揚(yáng)翹糧閘熙嚇噎人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第36頁?！?.2.4基于神經(jīng)網(wǎng)絡(luò)的知識表示與推理說明：⑴這是一個(gè)帶正負(fù)權(quán)值wij的前向網(wǎng)絡(luò)，有wij可構(gòu)成相應(yīng)的學(xué)習(xí)矩陣。當(dāng)i>j時(shí)wij=0;當(dāng)i<j且接點(diǎn)I和接點(diǎn)j之間不存在連接弧時(shí)，wij也為0；其余，wij為圖中連接弧上所標(biāo)的數(shù)據(jù)。x1x72輸入層0-1-2-12033x2x3x4x5x6x8xaxbxcx11x9x10-23333-4-43241-1-4-22-31-1-3-3-3中間層輸出層附加層輸出層爛澄冬蔑攏咸品鍬僑擱莫孿妙再月呻捕最豁摯恕局她雖療鉸訂染淤卓閣袁人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第37頁。§5.2.4基于神經(jīng)網(wǎng)絡(luò)的知識表示與推理說明：⑵神經(jīng)元取值為+1,0,-1，特性函數(shù)為一離散型的閾值函數(shù)，其計(jì)算公式為n+1,Xj>0

Xj=∑wijxixj’=0,Xj=0

i=1-1,Xj<0為計(jì)算方便，增加了w0jx0項(xiàng)。X0的值為常數(shù)，w0j的值標(biāo)在節(jié)點(diǎn)的圓圈中，它實(shí)際上是-j，j是節(jié)點(diǎn)j的閾值。x1x72輸入層0-1-2-12033x2x3x4x5x6x8xaxbxcx11x9x10-23333-4-43241-1-4-22-31-1-3-3-3中間層輸出層附加層輸出層傀攬廣茶賣慚王行蕩兌奔牲揉走洶淀撤豐敲落秸雍矮渠賢羹唐敞舊討兔振人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第38頁?！?.2.4基于神經(jīng)網(wǎng)絡(luò)的知識表示與推理說明：⑶圖中連接弧上標(biāo)出的wij值是根據(jù)一組訓(xùn)練樣本，通過某種學(xué)習(xí)算法對網(wǎng)絡(luò)進(jìn)行訓(xùn)練得到的。這就是神經(jīng)網(wǎng)絡(luò)系統(tǒng)所進(jìn)行的知識獲取。⑷由全體的值及各種癥狀、疾病、治療方案名所構(gòu)成的集合就形成了該疾病診斷系統(tǒng)的知識庫。x1x72輸入層0-1-2-12033x2x3x4x5x6x8xaxbxcx11x9x10-23333-4-43241-1-4-22-31-1-3-3-3中間層輸出層附加層輸出層喂料汰臻退誹纜中除粵拉瘁憚集述作齲溺栓晦派焊杠省麓絡(luò)臨淋電咀噓淀人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第39頁。§5.2.4基于神經(jīng)網(wǎng)絡(luò)的知識表示與推理2.基于神經(jīng)網(wǎng)絡(luò)的推理通過網(wǎng)絡(luò)計(jì)算實(shí)現(xiàn)的，把用戶提供的初始證據(jù)用作網(wǎng)絡(luò)的輸入，通過網(wǎng)絡(luò)計(jì)算最終得到輸出結(jié)果。例如：證據(jù)是x1=1,x2=x3=-1由0+2×1+(-2)×(-1)+3×(-1)=1>0得x7=1x1x72輸入層0-1-2-12033x2x3x4x5x6x8xaxbxcx11x9x10-23333-4-43241-1-4-22-31-1-3-3-3中間層輸出層附加層輸出層當(dāng)證據(jù)是x1=x3=1，x2=？由0+2×1+3×1=5+(-2)×(？)>0得x7=1由此可見，在用神經(jīng)網(wǎng)絡(luò)進(jìn)行推理時(shí)，即使已知的信息不完全，照樣可以進(jìn)行推理。碌涯汛癬斯淆蔭灤驢聳練蘑求薩蹄驗(yàn)妓曉匣豆克膊興渭火滴翅康祟消弱稽人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第40頁。§5.2.4基于神經(jīng)網(wǎng)絡(luò)的知識表示與推理2.基于神經(jīng)網(wǎng)絡(luò)的推理正向網(wǎng)絡(luò)推理步驟：⑴把已知數(shù)據(jù)輸入網(wǎng)絡(luò)輸入層的各個(gè)節(jié)點(diǎn)。⑵利用特性函數(shù)分別計(jì)算網(wǎng)絡(luò)中各層的輸出。計(jì)算中，前一層的輸出作為后一層有關(guān)節(jié)點(diǎn)的輸入，逐層進(jìn)行計(jì)算，直到計(jì)算出輸出層的輸出值為止。⑶用閾值函數(shù)對輸出層的輸出進(jìn)行判定，從而得到輸出結(jié)果。推理具有如下特征：⑴同一層的處理單元(神經(jīng)元)是完全并行的，但層間的信息傳遞是串行的。由于層中處理單元的數(shù)目比網(wǎng)絡(luò)的層次多得多，因此它是一種并行推理。⑵在網(wǎng)絡(luò)推理中不會(huì)出現(xiàn)傳統(tǒng)人工智能系統(tǒng)中推理的沖突問題。⑶網(wǎng)絡(luò)推理只與輸入及網(wǎng)絡(luò)自身的參數(shù)有關(guān)，而這些參數(shù)又是通過多網(wǎng)絡(luò)進(jìn)行訓(xùn)練得到的，因此它是一種自適應(yīng)推理。潰飼餐癱渡昌防腑淳鼠鍬售滄見貿(mào)飾訂祥溫疙貸竭繞泵絨一谷駿睛轎惰它人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第41頁。學(xué)習(xí)資源中南大學(xué)國家精品課程《人工智能》/jpkc2003/rengongzhineng/Index.htm巫雪剖劇仇污薄班霹撅僥規(guī)隋楞版擅宦鷹迄邪猾菲書傲策斬鯉膳建匡鞭搪人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第42頁?！?.3模糊計(jì)算模糊計(jì)算就是以模糊邏輯為基礎(chǔ)的計(jì)算

.模糊邏輯（FuzzyLogic）建立在模糊集理論的基礎(chǔ)上，是一種處理不精確描述的軟計(jì)算。與不確定推理處理隨機(jī)事件發(fā)生的可能性相對照，模糊邏輯面向事物特性和能力的不精確描述。

例如，描述人的年齡可有三個(gè)以術(shù)語表示的定性值：輕、中、老。盡管作為數(shù)值變量時(shí)其變量值更簡單（如“年齡”等于25），但其值域有許多值（如1－100）。定性值是一種形式的數(shù)據(jù)壓縮（年齡只有三個(gè)定性值）。定性值往往無明確的分界線,

30-40歲之間的人屬年輕或中年就是很模糊的，且因人的觀念和場合而異。為表示類似這樣的一些模糊概念，扎德于1965年提出模糊集合理論，其基本思想就是把傳統(tǒng)集合論中由特征函數(shù)決定的絕對隸屬關(guān)系模糊化，使元素x對子集A的隸屬程度不再局限于取0或1，而是可以?。?，1」上的任何值，以指示元素X隸屬于子集A的模糊程度。概潔貸促黨諾佛櫥抬拭锨質(zhì)絳濤劈遞匡坊亮躬帕吹蝗肝巴貸桌齊劉仲觀帛人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第43頁?！?.3模糊計(jì)算

§5.3.1模糊邏輯

§5.3.2模糊推理§5.3.3模糊控制

蟬崖伸妹顏惺兼到壞貓野桑浩延寇吟機(jī)鍍邱殉卒凳努冕屋跡迭貨紅掣助殖人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第44頁?！?.3.1模糊邏輯

一.模糊集合及其運(yùn)算1.模糊集合(fuzzysets)

定義：在論域U上定義一個(gè)模糊子集（簡稱模糊集）A

，其對U的任意元素x均指定一個(gè)值A(chǔ)(x)[0,1]

，以表示它對A的隸屬程度，即有μA:U→[0,1],A={x/μA}其中，μA稱為A的隸屬函數(shù)。當(dāng)μA(x)=1時(shí)，x確定性隸屬于A；而μA(x)=0時(shí)，x確定性非隸屬于A；x取其它值時(shí)，隸屬程度模糊?？傊?，一個(gè)模糊集A是以隸屬函數(shù)μA(x)來描述的，隸屬程度的概念構(gòu)成模糊集理論的基石.挑德擎淌炕唱背卯園捂堿峽曬店嗚海囂娃汁嘗則沈喲姚鑒疥范芋搭湯腮孰人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第45頁?！?.3.1模糊邏輯

一.模糊集合及其運(yùn)算1.模糊集合(fuzzysets)在論域U中，可以把模糊子集表示為元素u與其隸屬函數(shù)μA的序偶集合，記為A={(u,μA(u))|u∈U}若為連續(xù)，則模糊集A可記作

若U為離散，則模糊集A可記為：寶緝罵墮茬興拂潦咖嘛禾言豺飄黎例格楊?yuàn)嗜挝仗衫伤部赫恿R胖歌必唬揪人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第46頁。§5.3.1模糊邏輯

舉例：以人的年齡作為論域例來考察模糊集，設(shè)立以定性術(shù)語來描述年齡的語言變量“年齡”，其值域?yàn)?

年齡={輕，中，老}

可以為“年齡”的三個(gè)定性值分別建立隸屬函數(shù)μY、

μM和μO

。它們各以梯形或三角形表示。從圖中可見，這三個(gè)隸屬函數(shù)是相互重疊的，即年齡在30～65歲之間的人不能確定性地劃歸某一個(gè)子集。斤估弛欺慢翅頹弟睹委序吶脊拳廷稿鈣匙訪酬嘆參宛徐繞麗撼夢撿邦叭鈾人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第47頁?！?.3.1模糊邏輯

2模糊集的運(yùn)算設(shè)A和B為論域U中的兩個(gè)模糊集，其隸屬函數(shù)分別為μA和μB

，則對于所有u∈U，存在下列運(yùn)算：（1）A與B的并（邏輯或）記為A∪B，其隸屬函數(shù)定義為(2）A與B的交（邏輯與）記為A∩B，其隸屬函數(shù)定義為：（3）A的補(bǔ)（邏輯非）記為A，其傳遞函數(shù)定義為狹昧街另狐列悉賞嶺睦羌壟再嚎競渭鱗唐就氓眾杉錫嘶贛鏡哉椅猶鈴棘漫人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第48頁。§5.3.1模糊邏輯

舉例：若論域U={x1,x2,x3,x4}上有則：

可見，模糊集合的邏輯運(yùn)算實(shí)質(zhì)上就是隸屬函數(shù)的組合運(yùn)算過程。腐嘲椒袋繼魁砂壺札錯(cuò)釉框蔚孽辯惋遁遲匝正榔郵扼唁感鋅拜尺未垃痰罩人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第49頁?！?.3.1模糊邏輯

二、模糊邏輯模糊邏輯的基本思想是將常規(guī)數(shù)值變量模糊化，使變量成為以定性術(shù)語（也稱語言值）為值域的語言變量。當(dāng)用語言變量來描述對象時(shí)，這些定性術(shù)語就構(gòu)成

模糊命題?？梢允÷员幻枋龅膶ο?，則模糊命題可表示為“＜語言變量＞＜定性值＞”形式。例如張三“年齡輕”就是一個(gè)模糊命題，其模糊程度用定性術(shù)語“輕”的隸屬函數(shù)來表示。然后可以對模糊命題作合取、析取、取反等邏輯操作。

每個(gè)模糊命題均由相應(yīng)的一個(gè)模糊集作細(xì)化描述，所以模糊邏輯操作與模糊集操作是一致的。

淘瑤侈捌爆啃聲唆眷艘丈醒湃硯錯(cuò)捍呂哇別稍們霍官邦難西那然途邏鋅歡人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第50頁?！?.3.1模糊邏輯

二、模糊邏輯定義：設(shè)P1，P2，…，Pm為論域U1，U2，…，Un上的一組模糊命題，相應(yīng)的隸屬函數(shù)為μP1

，

μp2，…，

μpm，當(dāng)前觀察的論域元素分別為

xP1

，

xp2，…，

xpm；令PV和P∧分別表示這些命題的析取和合取，則PV和P∧的隸屬程度為

也本輔巖懂庇而胡竣焚怖摔趟漁葵桶觸唉沏仁實(shí)蚊鯨奠斃弘碘兌謾氰帆黨人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第51頁。§5.3.1模糊邏輯

令析取和合取隱含著max和min操作，則此二式可簡寫為其中，不同的模糊命題可以面向同一論域，即使用相同的語言變量，但取用的定性值不同，隸屬函數(shù)也不同。對于模糊命題的取反，則有

注：讓模糊命題的析取和合取隱含max和min，在一定程度上反映了客觀規(guī)律，但這種平等看待各模糊命題的觀念有時(shí)仍不符合實(shí)際。在真實(shí)世界中，影響問題求解的因素往往具有不相同的相對重要性。這可以通過引入加權(quán)模糊邏輯來解決荔蓮緣庫犁責(zé)強(qiáng)瘦績唆所比酉圃瘩赫癡窒桑宇醋顆慰氈禁聯(lián)攔耐選骨蜀欽人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第52頁?！?.3.2模糊推理

模糊推理有多種模式，其中最重要的且廣泛應(yīng)用的是基于模糊規(guī)則的推理。模糊規(guī)則的前提是模糊命題的邏輯組合（經(jīng)由合取、析取和取反操作），作為推理的條件；結(jié)論是表示推理結(jié)果的模糊命題。所有模糊命題成立的精確程度（或模糊程度）均以相應(yīng)語言變量定性值的隸屬函數(shù)來表示。

模糊規(guī)則由應(yīng)用領(lǐng)域?qū)＜覒{經(jīng)驗(yàn)知識來制定，并可在應(yīng)用系統(tǒng)的調(diào)試和運(yùn)行過程中，逐步修正和完善。模糊規(guī)則連同各語言變量的隸屬函數(shù)一起構(gòu)成了應(yīng)用系統(tǒng)的知識庫?；谝?guī)則的模糊推理實(shí)際上是按模糊規(guī)則指示的模糊關(guān)系

作模糊合成運(yùn)算的過程。寐微景綴夫犀跑收婆腐喇殿餐瘦銜犯纂憂器邪織栽屢盞具夜繕盜根拄牧勉人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第53頁?！?.3.2模糊推理

1.直接基于模糊規(guī)則的推理

當(dāng)模糊推理的輸人信息是量化的數(shù)值時(shí)，可以直接基于模糊規(guī)則作推理，然后把推理結(jié)論綜合起來，典型的推理過程可以分為兩個(gè)階段，其中第一階段又分為三個(gè)步驟，表述如下：

（1）計(jì)算每條模糊規(guī)則的結(jié)論：①輸入量模糊化，即求出輸入量相對于語言變量各定性值的隸屬度；②計(jì)算規(guī)則前提部分模糊命題的邏輯組合（合取、析取和取反的組合）；③將規(guī)則前提邏輯組合的隸屬程度與結(jié)論命題的隸屬函數(shù)作min運(yùn)算，求得結(jié)論的模糊程度。

（2）對所有規(guī)則結(jié)論的模糊程度作max運(yùn)算，得到模糊推理結(jié)果。艘翠透棕釬犯官潔派畫灑日嗽粉主邵蝕寅捍毛史速輥躥羌建裁抽哉輩材蔬人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第54頁?！?.3.2模糊推理

舉例:觀察圖所示的模糊控制。設(shè)想經(jīng)驗(yàn)知識庫中包括九條規(guī)則。描述溫差θ、溫度變化率dθ和燃料流量修正量y這三個(gè)論域的語言變量具有相同的定性值和隸屬函數(shù)，且這三個(gè)論域均歸化到實(shí)數(shù)域［-1,1］上。這些定性值取以下術(shù)語：

NB(負(fù)大)、NS(負(fù)小)、ZO(零)、PS(正小)、PB(正大)空牽推覽直屢耿緘磷邊欽平穿扁芳布啤豐績映印刁遭捧垢屯峻籌綴暫俱哆人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第55頁。§5.3.2模糊推理

相應(yīng)的隸屬函數(shù)如圖所示。設(shè)模糊控制器當(dāng)前輸入的數(shù)量值為：θ=0.8，dθ=0，則有兩條規(guī)則激活：輸入量的隸屬度為基于max-min原則，可以分別計(jì)算這兩條規(guī)則結(jié)論的模糊程度（分別以μ1和μ2指示）：

瘡卸雄侶孫獻(xiàn)玲咳騙饅譜罩悅耍抖斜煙午蛹馳嚇涎感烤游撤憾從阜妓帳誹人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第56頁?！?.3.2模糊推理

μ1(y)和μ2(y)實(shí)際是將μN(yùn)sy(y)

和μN(yùn)By(y)

的0.3和0.7以上部分切去后的結(jié)果，這種min運(yùn)算也稱切頭法。最后對μ1(y)和μ2(y)作max操作，得到模糊推理結(jié)果(記為模糊集H)μH(y)＝μ1(y)∨μ2(y)。

擺忘暫毆憋棟腥救幟滇地在鏡泡蹤死婦呢紊扛諸飛鋤完吁謎枷既態(tài)茹呆呵人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第57頁?！?.3.2模糊推理

設(shè)燃料流量修正量這個(gè)論域?yàn)橛邢揠x散值的集合，即將實(shí)數(shù)域[-1，l]分成8個(gè)等級，級差為0.25，則有令A(yù)H1和AH2分別指示相應(yīng)于這二條規(guī)則的推理結(jié)果模糊集，則有

淀窒蚤捎尊途課牌苗惟憚便磚愚嗅撣崎還椎熒胡喬巍暗塹嘎幢孩瞎捻育圖人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第58頁?！?.3.2模糊推理

2.

基于模糊關(guān)系的推理建立在論域U1，U2，…，Un上的一個(gè)模糊關(guān)系R是笛卡爾積U1×U2×…×Un上的模糊集合。若這些論域的元素變量分別為

XU1，XU2，…，XU2

，

則R的隸屬函數(shù)記μR(XU1，XU2，…，XU2)。模糊關(guān)系R可形式地定義為

注：尚未建立一致的理論去指導(dǎo)模糊關(guān)系的構(gòu)造。存在著多種構(gòu)造模糊關(guān)系的方法，相關(guān)的模糊合成運(yùn)算方法也不同，形成了多種風(fēng)格的模糊推理方法。不過，基于max-min原則的算法占居了目前模糊推理方法的主流。

無污富攔肄殉袍正側(cè)池藐幟暮緬挺購訃詩蠱凹喧盟澗爐家痛援懸伺帶廂彭人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第59頁?！?.3.2模糊推理

當(dāng)模糊推理的輸人信息是定性術(shù)語（以相應(yīng)的模糊集表示）時(shí)，可以基于模糊關(guān)系作推理。介紹簡單直觀的Mamdani方法。設(shè)模糊規(guī)則形如PH,模糊命題P和H相應(yīng)的模糊集AP和AH分別建立在論域UP和UH上（相應(yīng)的元素變量為xP，xH）。令R(P;H)

指示從P推出H的模糊關(guān)系，則定義

當(dāng)實(shí)際的輸人信息是模糊命題P’（相應(yīng)的模糊集為AP’

）的，則模糊推理的輸出H’（相應(yīng)的模糊集為AH’）表示為

林追諸襪贖弦恍筆峽來跡鯨籮禮花墨吝遍車廢惜努炯順具低豢悶個(gè)匣吏恐人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第60頁?！?.3.2模糊推理

舉例：設(shè)UP=UH={1，2，3，4，5}，是關(guān)于長度的論域，論域中元素的量度單位是“米”?，F(xiàn)有模糊規(guī)則為“XP短XH長”，定義定性術(shù)語“短”和“長”模糊集AP和AH分別為（隸屬程度為0的項(xiàng)省略）：則

R(P;H)，AP，AH可表示為矩陣

。有

賄馳鹿咀調(diào)欄枚癱暗蜜眨血盾撇劉臭它厭伐桐頰鉸愿札焚懷胯篩瑤嘛癱抖人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第61頁。§5.3.2模糊推理

若模糊推理的實(shí)際輸入是模糊命題“xP略短”，其相應(yīng)模糊集AP’定義為則有

即

巖菩浚柞悶寂宋拂討鉆若螟截頁酋慨廓琶似前瓤烴路屏嫌串房腮避峨蛾矩人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第62頁。§5.3.2模糊推理

設(shè)有m條形如PiHi的規(guī)則，相應(yīng)于每條規(guī)則的模糊關(guān)系分別為R1

，R2，…，Rm，則綜合的模糊關(guān)系R定義為在實(shí)際應(yīng)用中，規(guī)則的前提常表示為若干模糊命題的合取，則或者

鞍字諸縛纂附沸陋毖昆戲支米澗軌纂肢旨胡奎繭讀稻我鼎娃烤噓扶疵茂潮人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第63頁。§5.3.2模糊推理

3.模糊判決通過模糊推理得到的結(jié)果是一個(gè)模糊集合或者隸屬函數(shù)，但在實(shí)際使用中，特別是在模糊邏輯控制中，必須用一個(gè)確定的值才能去控制伺服機(jī)構(gòu)。在推理得到的模糊集合中取一個(gè)相對最能代表這個(gè)模糊集合的單值的過程就稱為解模糊或模糊判決（defuzzification）。下面介紹各種模糊判決方法，并以“水溫適中”為例，說明不同的計(jì)算過程。這里假設(shè)“水溫適中”的隸屬函數(shù)為

μF(x)=（X：0.0/0+0.0/10+0.33/20+0.67/30+1.0/40+1.0/50+0.75/60+0.5/70+0.25/80+0.0/90+0.0/100

衙澗瘧雪瓷威槽氈徐圓擦羅疾沉眩冒聽蔫鄒坐皋霹瓊討著裴乎迪臟瘟承供人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第64頁?！?.3.2模糊推理

(1).重心法

所謂重心法就是取模糊函數(shù)曲線與橫坐標(biāo)軸圍成面積的重心作為代表點(diǎn)。理論上應(yīng)該計(jì)算輸出范圍內(nèi)一個(gè)連續(xù)點(diǎn)的重心，即但實(shí)際上是計(jì)算輸出范圍內(nèi)整個(gè)采樣點(diǎn)（即若干離散值）的重心。這樣，在不用花費(fèi)太多時(shí)間的情況下，用足夠小的取樣間隔來提供所需要的精度，這是一種最好的折衷方案。即

種嘩床脯緒制醒誠亂虧渺皂搖壹蟄糟朗住嫩瑪腿依斟伺裙以蠢券釋公薦釩人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第65頁?！?.3.2模糊推理

u=（0×0.0+10×0.0+20×.033+30×0.67+40×1.0+50×1.0+60×0.75+70×0.5+80×0.25+90×0.0+100×0.0）/（0.0+0.0+0.33+0.67+1.0+1.0+0.75+0.5+0.25+0.0+0.0）=48.在隸屬函數(shù)不對稱的情況下，其輸出的代表值48.20C。如果模糊集合中沒有48.20C，那么就選取最靠近的一個(gè)溫度值500C輸出。(2).最大隸屬度法

在推理結(jié)論的模糊集合中取隸屬度最大的那個(gè)元素作為輸出量。不過，要求這種情況下的隸屬函數(shù)曲線一定是正規(guī)凸模糊集合（即其曲線只能是單峰曲線）。如果該曲線是梯形平頂，那么具有最大隸屬度的元素就可能不只一個(gè)，這時(shí)就要對所有取最大隸屬度的元素求其平均值。例如，對于“水溫適中”這種情況，按最大隸屬度原則，有兩個(gè)元素40和50具有最大隸屬度1.0，那就要對所有取最大隸屬度的元素40和50求平均值，執(zhí)行量應(yīng)取.

骯茁抹竹遲伐罩迎酵訴溫遷敘漸苛罵廣竭途乙唬卵抵釜仟像敢哭述凄枉駱人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第66頁?！?.3.2模糊推理

(3).系數(shù)加權(quán)平均法

系數(shù)加權(quán)平均法的輸出執(zhí)行量由下式?jīng)Q定：

式中，系數(shù)Ki的選擇要根據(jù)實(shí)際情況而定，不同的系統(tǒng)決定了系統(tǒng)有不同的響應(yīng)特性。當(dāng)該系統(tǒng)選擇ki=UN(xi)時(shí)，即取其隸屬函數(shù)時(shí)，這就是重心法。在模糊邏輯控制中，可以通過選擇和調(diào)整系統(tǒng)來改善系統(tǒng)的響應(yīng)特性。因而這種方法具有一定的靈活性。

得卸茍竣前跨瑩嶄榷錄瀑茹監(jiān)鉆緯廈奇娟?duì)抟绿楹ミf嗚諄慚擄酚濰哉拐呵人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第67頁?！?.3.2模糊推理

(4).隸屬度限幅元素平均法

用所確定的隸屬度值a隸屬度函數(shù)曲線進(jìn)行切割，再對切割后等于該隸屬度的所有元素進(jìn)行平均，用這個(gè)平均值作為輸出執(zhí)行量，這種方法就稱為隸屬度限幅元素平均法。例如，當(dāng)取a為最大隸屬值時(shí)，表示“安全隸屬”關(guān)系，這時(shí)a=1.0。在“水溫適中”的情況下，400C和500C的隸屬度是非曲直1.0求其平均值得到輸出代表量：u=（40+50）/2=45這樣，當(dāng)“完全隸屬”時(shí)，其代表量為450C。如果當(dāng)a=0.5時(shí)，表示“大概隸屬”關(guān)系，則切割隸屬度函數(shù)曲線后，從300C到700C的隸屬度值都包含在其中，所以求其平均值得到輸出代表量：u=（30+40+50+60+70）/5=50這樣，當(dāng)“大概隸屬”時(shí)，其代表量為500C?？⒎?dāng)偯垠@頃局七云閹島云騎拜塵誕釀虱論宇惺德婆煩鷗深天猾搓球雕鈕人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第68頁?！?.3.3模糊控制基于模糊邏輯的推理系統(tǒng)已發(fā)展為一個(gè)重要的學(xué)科領(lǐng)域，成功的實(shí)用系統(tǒng)也與日俱增。最成功的應(yīng)用領(lǐng)域是對各種物理和化學(xué)特征，如溫度、電子流、液流、機(jī)械運(yùn)動(dòng)等的模糊控制。在日本，模糊控制技術(shù)已得到廣泛采用，尤為成功的是家用電器，照相機(jī)等消費(fèi)產(chǎn)品。

質(zhì)盒隕富模梳翟馴深愁式零圃班雹塌冤凱脆猾猜堅(jiān)敦子智婦毋窟罷章酪瓜人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第69頁。§5.3.3模糊控制1.FIS的系統(tǒng)構(gòu)成與工作原理(1)模糊推理系統(tǒng)的基本結(jié)構(gòu)由四個(gè)重要部件組成：知識庫、推理機(jī)制、模糊化輸入接口與去模糊化輸出接口。姐悉垛顫琵謂足訖撲謄夏煩體湊往桃搭臼喧攔靖祥炸使苞銷匈塌淖忌切官人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第70頁?！?.3.3模糊控制知識庫：包含模糊if-then規(guī)則庫和數(shù)據(jù)庫。規(guī)則庫中的模糊規(guī)則定義和體現(xiàn)了與領(lǐng)域問題有關(guān)的專家經(jīng)驗(yàn)或知識，而數(shù)據(jù)庫則定義模糊規(guī)則中用到的隸屬函數(shù)。模糊規(guī)則的形式一般為ifAisathenBisb，其中A與B都是語言變量而a和b則是由隸屬函數(shù)映射到的語言值。例如“ifH很適應(yīng)then結(jié)構(gòu)很合理”這樣一條模糊規(guī)則中，建筑高度“H”與“結(jié)構(gòu)”都是語言變量，而“很適應(yīng)”與“很合理”分別是它們的語言值，在數(shù)據(jù)庫中都有相應(yīng)的隸屬函數(shù)加以定義。推理機(jī)制：按照這些規(guī)則和所給的事實(shí)（例如針對某一擬定方案）執(zhí)行推理過程，求得合理的輸出或結(jié)論（例如方案的評價(jià)值）。模糊輸入接口：將明確的輸入轉(zhuǎn)換為對應(yīng)隸屬函數(shù)的模糊語言值。去模糊輸出接口：則將模糊的計(jì)算結(jié)果轉(zhuǎn)換為明確的輸出?；阜笨诒溯x惹很彬抨佃萄登斬升筍氨冕有音媳月籍姜尖褲質(zhì)裂培餅幅爪人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第71頁。§5.3.3模糊控制2、FIS的建立步驟分為三個(gè)步：一是挑選能夠反映系統(tǒng)工作機(jī)制的控制輸入輸出變量；二是挑選這些變量的模糊子集；三是用模糊規(guī)則建立輸出集與輸入集的關(guān)系。3、模糊系統(tǒng)F將輸入x映射到輸出F(x)的步驟一將輸入x并聯(lián)地匹配到所有“如果部分”的模糊集合，這一步依據(jù)輸入x屬于每一個(gè)“如果部分”集合A的程度來“激活”或“啟動(dòng)”模糊規(guī)則。二疊加所有按比例收縮的“則部分”集合，生成最終的輸出集合。三去模糊化，系統(tǒng)計(jì)算出最終輸出集的形心或重心作為輸出F（x）。

紊派宰馱綜作衙俘差曾屈宰妄兜麥甜佛囚灑峰誅碳廖拾婁月哎螞批鎖酪倡人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第72頁?！?.3.3模糊控制2、FIS的建立步驟分為三個(gè)步：一是挑選能夠反映系統(tǒng)工作機(jī)制的控制輸入輸出變量；二是挑選這些變量的模糊子集；三是用模糊規(guī)則建立輸出集與輸入集的關(guān)系。3、模糊系統(tǒng)F將輸入x映射到輸出F(x)的步驟一將輸入x并聯(lián)地匹配到所有“如果部分”的模糊集合，這一步依據(jù)輸入x屬于每一個(gè)“如果部分”集合A的程度來“激活”或“啟動(dòng)”模糊規(guī)則。二疊加所有按比例收縮的“則部分”集合，生成最終的輸出集合。三去模糊化，系統(tǒng)計(jì)算出最終輸出集的形心或重心作為輸出F（x）。寨巍暇警剎族黑蹈件團(tuán)致旬筷巨腹忌唾郊踢堪碎田測坯興壬鑲敦價(jià)傘珍漳人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第73頁?！?.3.3模糊控制4、具體實(shí)施技術(shù)模糊控制實(shí)際上是周期性執(zhí)行模糊化、模糊推理和反模糊化的過程，但周期性執(zhí)行導(dǎo)致大量重復(fù)計(jì)算，效率低下。這可以通過引入查表法來改進(jìn)。將輸入和輸出物理量的值域劃分為若干等級（例如13），并歸化到某一標(biāo)準(zhǔn)區(qū)域上（如[-6，6]，然后以二維模糊化表的方式定義隸屬函數(shù)。如：以鞭猴泡茸壇繩赤故驗(yàn)嬸嗓凌蜘蹦更牙忠屬數(shù)渣寫做摯批渦影威育感宜確人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第74頁?！?.3.3模糊控制4、具體實(shí)施技術(shù)模糊控制實(shí)際上是周期性執(zhí)行模糊化、模糊推理和反模糊化的過程，但周期性執(zhí)行導(dǎo)致大量重復(fù)計(jì)算，效率低下。這可以通過引入查表法來改進(jìn)。將輸入和輸出物理量的值域劃分為若干等級（例如13），并歸化到某一標(biāo)準(zhǔn)區(qū)域上（如[-6，6]，然后以二維模糊化表的方式定義隸屬函數(shù)。如：懼窘閉傲橡疫彩蔽休濃卿赤軀柔睡刺咀押寢積丈胎績運(yùn)珍痰砸奢舌抬湛受人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第75頁?！?.4遺傳算法遺傳算法是源于達(dá)爾文生物進(jìn)化理論的“自然選擇”、“適者生存”法則而提出的一種搜索尋優(yōu)算法。基本思想：將每個(gè)可能的問題解表示成“染色體”，從而得到一個(gè)由染色體組成的“群體”，這個(gè)群體被限制在問題特定的環(huán)境里，根據(jù)預(yù)定的目標(biāo)函數(shù)對每個(gè)個(gè)體進(jìn)行評價(jià)，給出了一個(gè)合適度值。開始時(shí)總是隨即地產(chǎn)生一些個(gè)體，即侯選解，利用遺傳算法對這些個(gè)體按”適者”有更多的機(jī)會(huì)生存的原則進(jìn)行交叉組合產(chǎn)生后代，后代由于繼承了父代的一些優(yōu)良性狀，因而明顯優(yōu)于上一代，這樣“染色體”的群體將逐步朝著更優(yōu)解的方向進(jìn)化。唐嘉汝贏菊蛋駐墾卑旺脈祁粘灑值槽唯薦鮮野顏伊客少汲辮卿諷淹牌餌樊人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第76頁?！?.4遺傳算法

遺傳算法的基本步驟：第1步根據(jù)由問題確定的編碼規(guī)則，隨即產(chǎn)生初始群體；第2步.計(jì)算群體中每個(gè)個(gè)體的適應(yīng)度值；第3步.如果解滿足要求或遺傳代數(shù)超過指定代數(shù)，則結(jié)束；否則繼續(xù)執(zhí)行第4步；第4步.根據(jù)適應(yīng)值進(jìn)行選擇復(fù)制產(chǎn)生新一代；第5步.根據(jù)事先確定的交叉和變異概率選擇部分個(gè)體進(jìn)行交叉和變異，轉(zhuǎn)第2步；

囊厲掏唾甲歹鋇鐐脾辱芳飽孕步鈾膀句瘍插語氯漫腔烏報(bào)旬臼值寐按咳舔人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第77頁?！?.4遺傳算法

遺傳算法的基本過程：

begin

1.選擇適當(dāng)表示，生成初始群體；

2.評估群體；

3.

While

未達(dá)到要求的目標(biāo)

do

begin

1.選擇作為下一代群體的各個(gè)體；

2.執(zhí)行交換和突變操作；

3.評估群體；

end

end

槍爬矩李店昏靴綸退豁閏鑷污俱提瀝特覽蛻故盛爸黨渴悠蠻吊轟哇歧糕詞人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第78頁?！?.4遺傳算法對于一個(gè)SGA算法來說主要涉及以下內(nèi)容：

·編碼和初始群體生成；

·群體的評價(jià)；

·個(gè)體的選擇；

·交換；

·突變；

焦哺澀揖革地樣現(xiàn)鍋芯感嶼解乾蟻裹又閣淡虛暖探蕪譯選幕嶼葛靖贈(zèng)噴齡人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能人工智能第五章計(jì)算智能全文共98頁，當(dāng)前為第79頁。§5.4遺傳算法

在講解中會(huì)結(jié)合如下的貨郎擔(dān)問題(TravellingSalesmanProblem，簡記為TSP)：設(shè)有n個(gè)城市，城市i和城市j之間的距離為d(i，j)i,j=1,..