人工智能的歷史課件

人工智能的歷史

從人工智能到計(jì)算智能

1997年5月11日北京時(shí)間早晨4時(shí)50分，一臺(tái)名叫“深

藍(lán)”的超級(jí)電腦在棋盤C4處落下最后一顆棋子，全世

界都聽到了震撼世紀(jì)的叫殺聲一“將車”！這場(chǎng)舉世

矚目的“人機(jī)大戰(zhàn)”，終于以機(jī)器獲勝的結(jié)局降下了

幃幕。

“深藍(lán)”是一臺(tái)智能電腦，是人工智能的杰作。新聞

媒體以挑釁性的標(biāo)題不斷地發(fā)問：電腦戰(zhàn)勝是一個(gè)人，

還是整個(gè)人類的智能？連棋王都認(rèn)了輸，下一次人類

還將輸?shù)羰裁?？智慧輸?shù)袅耍祟愡€剩些什么？于是，

人工智能又一次成為萬眾關(guān)注的焦點(diǎn)，成為電腦科學(xué)

界引以自豪的學(xué)科。

人工智能(AI)伴隨著電腦生長(zhǎng)，在風(fēng)風(fēng)雨

雨中走過了半個(gè)多世紀(jì)的艱難歷程，已但經(jīng)是枝

繁葉茂、郁郁蔥蔥！

人工智能的發(fā)展

人工智能的萌芽（56年以前）

■人工智能的誕生（56-61年）

人工智能的發(fā)展（61年后）

人工智能的萌芽階段

亞里斯多德(Aristotle384-322BC),主要貢獻(xiàn)

為邏輯(Iogic)及形而上學(xué)(metaphysics)兩方面

的思想。

亞氏在邏輯主要成就包括主謂命題(statement

insubject-predicateform)及關(guān)于此類命題的邏

輯推理方法，特別是三段論證(syllogism)。

所謂「命題」就是可言真(true)或假(false)的句

子，例如「赫格拉底是人」，道是真的命題；

至於問句「我的書在那里？」就不是命題了，

它并沒有真假的意義可言。

亞里斯多德與邏輯、推理

邏輯只討論命題，因它有真假可言。亞氏認(rèn)為

命題基本是由主言司(subject)與謂言司(predicate)

構(gòu)成的，主言詞是命題所描述的事物或主題，謂

詞即是描述主言同的詞語。

■亞氏跟著提出四種比較復(fù)雜的主謂命題，它們

都具有以下結(jié)構(gòu)：量言司一主言司一系言司一謂言詞。造

里我們以符號(hào)S及P分別表示主言司及謂能］。

■系言可有兩種：「是」或「不是」；量詞亦有雨

種：「所有」(all)或「有」(some)o

亞里斯多德與邏輯、推理

(A)所有S是P(或凡S是P),例如「凡人是勤物」；

(B)凡S不是P,例如「凡貓不是狗」；

■(C)有S是P,例如「有花是白的」；

■(D)有S不是P,如有花不是白的。

■所謂「邏輯推言俞」，即指由前提推導(dǎo)出結(jié)論的

正確(valid)的方法，在這種正確推論中，若前

提為真，即結(jié)論亦必然為真。

亞里斯多德與邏輯、推理

■關(guān)于推言俞，亞氏特別討論三段論證，道是由雨

彳固(主需命題)前提推出(主言胃式)結(jié)論的方法。

例如：⑴凡孔子的后代是人(ii)凡人皆會(huì)死，；

因此凡孔子的后代會(huì)死。若寫成普遍的形式，

即是：⑴凡S是M;(ii)凡M是P,；因此凡S是P。

這里⑴及(ii)是雨他前提，若造雨偃1前提為真，

期以上推出的結(jié)論(凡S是P)亦必然地真，因此

這個(gè)三段論證是正確的。

2.歸納法

Bacon（培根,1561-1626）在《新工具》中提

出歸納法，提出“知識(shí)就是力量”

1、i=1,成立（驗(yàn)證）；

2、假設(shè)i=k成立（假設(shè)），推出i=k+1成立；

3、推出對(duì)于任意的i均成立；

3.Turing圖靈與人工智能

艾倫?麥席森?圖靈（Turing，1912年6月23日-

1954年6月7日），英國數(shù)學(xué)家。

以“紙上下棋機(jī)”率先探討了下棋與機(jī)器智能

的聯(lián)系，他還是舉世公認(rèn)的“人工智能之父”。

■3歲那年，他進(jìn)行了在科學(xué)實(shí)驗(yàn)方面的首次嘗

試——把玩具木頭人的胳膊掰下來種植到花園

里，想讓它們長(zhǎng)成更多的木頭人。8歲時(shí)，圖

靈嘗試著寫了一部科學(xué)著作，題名《關(guān)于一種

顯微鏡》。

Turing圖靈與人工智能

1937年，倫敦權(quán)威的數(shù)學(xué)雜志又收到圖靈一篇

論文《論可計(jì)算數(shù)及其在判定問題中的應(yīng)用》，

作為闡明現(xiàn)代電腦原理的開山之作，被永遠(yuǎn)載

入了計(jì)算機(jī)的發(fā)展史冊(cè)。

■這篇論文原本是為了解決一個(gè)基礎(chǔ)性的數(shù)學(xué)問

題：是否只要給人以足夠的時(shí)間演算，數(shù)學(xué)函

數(shù)都能夠通過有限次機(jī)械步驟求得解答？傳統(tǒng)

數(shù)學(xué)家當(dāng)然只會(huì)想到用公式推導(dǎo)證明它是否成

立，可是圖靈獨(dú)辟蹊徑地想出了一臺(tái)冥冥之中

的機(jī)器。

Turing圖靈與人工智能

1950年，圖靈來到曼徹斯特大學(xué)任教，并被指

定為該大學(xué)自動(dòng)計(jì)算機(jī)項(xiàng)目的負(fù)責(zé)人。就在這

年10月，他的又一篇?jiǎng)潟r(shí)代論文《計(jì)算機(jī)與

智能》發(fā)表。這篇文章后來被改名為《機(jī)器能

思維嗎？》

Canamachinethink?

圖靈試驗(yàn)

試圖通過讓機(jī)器模仿人回答某些問題，判斷它是否具

備智能。圖靈試驗(yàn)采用“問”與“答”模式，即觀察

者通過控制打字機(jī)向兩個(gè)試驗(yàn)對(duì)象通話，其中一個(gè)是

人，另一個(gè)是機(jī)器。要求觀察者不斷提出各種問題，

從而辨別回答者是人還是機(jī)器。

圖靈指出：“如果機(jī)器在某些現(xiàn)實(shí)的條件下，能夠非

常好地模仿人回答問題，以至提問者在相當(dāng)長(zhǎng)時(shí)間里

誤認(rèn)它不是機(jī)器，那么機(jī)器就可以被認(rèn)為是能夠思維

的?！?/p>

從表面上看，要使機(jī)器回答按一定范圍提出的問題似

乎沒有什么困難，可以通過編制特殊的程序來實(shí)現(xiàn)。

然而，如果提問者并不遵循常規(guī)標(biāo)準(zhǔn)，編制回答的程

序是極其困難的事情。

圖靈試驗(yàn)

問：你會(huì)下國際象棋嗎？

■答：是的。

問：你會(huì)下國際象棋嗎？

■答：是的。

■問：請(qǐng)?jiān)俅位卮?，你?huì)下國際象棋嗎？

■答：是的。

你多半會(huì)想到，面前的這位是一部笨機(jī)器。

圖靈試驗(yàn)

問：你會(huì)下國際象棋嗎？

■答：是的。

問：你會(huì)下國際象棋嗎？

■答：是的，我不是已經(jīng)說過了嗎？

■問：請(qǐng)?jiān)俅位卮穑銜?huì)下國際象棋嗎?

答：你煩不煩，干嘛老提同樣的問題。

圖靈試驗(yàn)

上述兩種對(duì)話的區(qū)別在于，第一種可明顯

地感到回答者是從知識(shí)庫里提取簡(jiǎn)單的答案，

第二種則具有分析綜合的能力，回答者知道觀

察者在反復(fù)提出同樣的問題?！皥D靈試驗(yàn)”沒

有規(guī)定問題的范圍和提問的標(biāo)準(zhǔn)，如果想要制

造出能通過試驗(yàn)的機(jī)器，以我們現(xiàn)在的技術(shù)水

平，必須在電腦中儲(chǔ)存人類所有可以想到的問

題，儲(chǔ)存對(duì)這些問題的所有合乎常理的回答，

并且還需要理智地作出選擇。

圖靈預(yù)言

圖靈曾預(yù)言，隨著電腦科學(xué)和機(jī)器智能的

發(fā)展，本世紀(jì)末將會(huì)出現(xiàn)這樣的機(jī)器。在這點(diǎn)

上，圖靈也過于樂觀。但是，“圖靈試驗(yàn)”大

膽地提出“機(jī)器思維”的概念，為人工智能確

定了奮斗的目標(biāo)，并指明了前進(jìn)的方向。

遺憾的是，1954年6月8,圖靈英年早逝!

人工智能的萌芽階段

4、Mauchly和Eckert等研制成功ENIAC電子數(shù)字

計(jì)算機(jī)，為人工智能研究奠定物質(zhì)基礎(chǔ)。

5、VonNeumann提出馮?諾依曼計(jì)算機(jī)模型。

6、McCulloch和Pitts建立神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型，通

過模擬人腦實(shí)現(xiàn)智能，開創(chuàng)人工神經(jīng)網(wǎng)絡(luò)研究。

7、Wiener創(chuàng)立控制論，Shannon創(chuàng)立信息論

8、英國數(shù)學(xué)家、邏輯學(xué)家Boole(1815-1864)

實(shí)現(xiàn)了布萊尼茨的思維符號(hào)化和數(shù)學(xué)化的思想，

提出了一種嶄新的代數(shù)系統(tǒng)——布爾代數(shù)。

人工智能的誕生

1、導(dǎo)因

現(xiàn)實(shí)世界中相當(dāng)多的問題求解是復(fù)雜的，常無

算法可循，即使有計(jì)算方法，也是NP（Non-

deterministicPolynomial，即是多項(xiàng)式復(fù)雜程

度的非確定性問題）問題。為此，人們可采用

啟發(fā)式知識(shí)進(jìn)行問題求解，把復(fù)雜的問題大大

簡(jiǎn)化，可在浩瀚的搜索空間中迅速找到解答。

運(yùn)用專門領(lǐng)域的經(jīng)驗(yàn)知識(shí)，經(jīng)常會(huì)取得有關(guān)問

題的滿意解，而非數(shù)學(xué)上的最優(yōu)解。這就是啟

發(fā)式搜索。

達(dá)特莫斯會(huì)議

1956年夏天，美國達(dá)特莫斯大學(xué)召開了一f5E

次影響深遠(yuǎn)的歷史性會(huì)議。

主要發(fā)起人是該校青年助教麥卡錫（71,圖靈

獎(jiǎng)），此外會(huì)議發(fā)起者還有哈佛大學(xué)明斯基（69,圖

靈獎(jiǎng)）、貝爾實(shí)驗(yàn)室香農(nóng)（E.Shannon）和舊M公

司信息研究中心羅徹斯特（N.Lochester）,他們

邀請(qǐng)了卡內(nèi)基一梅隆大學(xué)紐厄爾和赫伯特?西蒙

（75,圖靈獎(jiǎng)）、麻省理工學(xué)院塞夫里奇（0.

Selfridge）和索羅門夫R.Solomamff）,以及舊M

公司塞繆爾（A.Samuel,跳棋機(jī)，56）和莫爾

（「More）。

達(dá)特莫斯會(huì)議

這些青年學(xué)者的研究專業(yè)包括數(shù)學(xué)、心理學(xué)、

神經(jīng)生理學(xué)、信息論和電腦科學(xué)，分別從不同的

角度共同探討人工智能的可能性。

達(dá)特莫斯會(huì)議歷時(shí)長(zhǎng)達(dá)兩個(gè)多月，學(xué)者們?cè)?/p>

充分討論的基礎(chǔ)上，首次提出了“人工智能”

(ArtificialIntelligence)這一術(shù)語,標(biāo)志著人工

智能(AI)作為一門新興學(xué)科正式誕生。

生物智能

對(duì)低級(jí)動(dòng)物來講，它的生存、繁衍是一種智

能。為了生存，它必須表現(xiàn)出某種適當(dāng)?shù)男袨椋?/p>

如覓食、避免危險(xiǎn)、占領(lǐng)一定的地域、吸引異性

以及生育和照料后代。因此，從個(gè)體的角度看，

生物智能是動(dòng)物為達(dá)到某種目標(biāo)而產(chǎn)生正確行為

的生理機(jī)制。

自然界智能水平最高的生物就是人類自身，

不但具有很強(qiáng)的生存能力，而且具有感受復(fù)雜環(huán)

境、識(shí)別物體、表達(dá)和獲取知識(shí)以及進(jìn)行復(fù)雜的

思維推理和判斷的能力。

人類智能

人類個(gè)體的智能是一種綜合性能力。具體地講，可包

括：

1）感知與認(rèn)識(shí)事物、客觀世界與自我的能力；

2）通過學(xué)習(xí)取得經(jīng)驗(yàn)、積累知識(shí)的能力；

3）理解知識(shí)、運(yùn)用知識(shí)和運(yùn)用經(jīng)驗(yàn)分析問題和解決問題

的能力；

4）聯(lián)想、推理、判斷、決策的能力；

5）運(yùn)用語言進(jìn)行抽象、概括的能力；

6）發(fā)現(xiàn)、發(fā)明、創(chuàng)造、創(chuàng)新的能力；

7）實(shí)時(shí)地、迅速地、合理地應(yīng)付復(fù)雜環(huán)境的能力；

8）預(yù)測(cè)、洞察事物發(fā)展變化的能力；

注:

智能是相對(duì)的、發(fā)展的。離開特定時(shí)間說智

能是困難的、沒有意義的。

智能定義

智能是人類具有的特征之一，然而，對(duì)于什

么是人類智能（或者說智力），科學(xué)界至今還沒

有給出令人滿意的定義。

1.從生物學(xué)角度定義為“中樞神經(jīng)系統(tǒng)的功能”。

2.從心理學(xué)角度定義為“進(jìn)行抽象思維的能力”。

3.有人同義反復(fù)地把它定義為“獲得能力的能力”

智能定義

4.智能是個(gè)體或群體在不確定的動(dòng)態(tài)環(huán)境中作出

適當(dāng)反應(yīng)的能力，這種反應(yīng)必須有助于它（它們）

實(shí)現(xiàn)其最終的行為目標(biāo)。

5,智能是個(gè)體有目的的行為、合理的思維，以及

有效地適應(yīng)環(huán)境的綜合能力。通俗地講，智能是

個(gè)體認(rèn)識(shí)客觀事物、客觀世界和運(yùn)用知識(shí)解決問

題的能力。

人工智能

人工智能是相對(duì)人的自然智能而言，即用人

工的方法和技術(shù)，研制智能機(jī)器或智能系統(tǒng)來模

仿、延伸和擴(kuò)展人的智能，實(shí)現(xiàn)智能行為和“機(jī)

器思維”，解決需要人類專家才能處理的問題。

人工智能是人工制品(artifact)中所涉及的智能行

為。其中，智能行為包括：感知(perception)、

推理(Reasoning)、學(xué)習(xí)(learning)、通信

(communicating，和復(fù)雜環(huán)境下南動(dòng)作行為

(acting)o

人工智能定義

西蒙認(rèn)為：AI是學(xué)會(huì)怎樣編制計(jì)算機(jī)程序完成機(jī)

智的行為，學(xué)習(xí)人類怎樣做這些機(jī)智行為；

明斯基則認(rèn)為人工智能一方面幫助人的思考，另

一方面使計(jì)算機(jī)更有用。

鑒于圖靈是用行為來判斷機(jī)器是否具有智能，麻

省理工學(xué)院溫斯頓(P.Winston)在Al教科書里

下定義說：“人工智能就是研究如何使計(jì)算機(jī)去

做過去只有人才能做的智能的工作?！?/p>

人工智能其他定義

定義1智能機(jī)器

能夠在各類環(huán)境中自主地或交互地執(zhí)行各種擬人任務(wù)的機(jī)器。

定義2人工智能(學(xué)科)

臺(tái)匕是計(jì)算機(jī)科學(xué)中涉及研究、設(shè)計(jì)和應(yīng)用智能機(jī)器的

一個(gè)分支。它的近期主要目標(biāo)在于研究用機(jī)器來模仿和執(zhí)行人腦的

某些智力功能，并開發(fā)相關(guān)理論和技術(shù)。

定義3人工智能(能力)人工智能(能力)是智能機(jī)器所執(zhí)行的通常與人

類智能有關(guān)的智能行為，如判斷、推理、證明、識(shí)別、感知、理解、

通信、設(shè)計(jì)、思考、規(guī)劃、學(xué)習(xí)和問題求解等思維活動(dòng)。

定義4人工智能是一種使計(jì)算機(jī)能夠思維，使機(jī)器具有智力的激動(dòng)人

心的新嘗試(Haugeand,)

定義5人工智能是那些與人的思維、決策、問題求解和學(xué)習(xí)等有關(guān)活

動(dòng)的自動(dòng)化(Bellman)

定義6人工智能是用計(jì)算模型研究智力行為(Charniak和

McDermott,1985)。

人工智能其他定義

定義7人工智能是研究那些使理解、推理和行為成為可能的計(jì)算

(Winston,1992)。

定義8人工智能是一種能夠執(zhí)行需要人的智能的創(chuàng)造性機(jī)器的技術(shù)

(Kurzweil,1990)。

定義9人工智能研究如何使計(jì)算機(jī)做事讓人過得更好(Rick和

Knight,1991)。

定義10人工智能是一門通過計(jì)算過程力圖理解和模仿智能行為的學(xué)

科(Schalkoff,1990)。

定義11人工智能是計(jì)算機(jī)科學(xué)中與智能行為的自動(dòng)化有關(guān)的一個(gè)分

支(Luger和tubblefield)。

人工智能的特點(diǎn)與分支

特點(diǎn)：具備推理、學(xué)習(xí)和聯(lián)想

■人工智能從一開始就形成了其中兩種重要的研

究范式，即符號(hào)主義和聯(lián)接主義。符號(hào)主義采

用知識(shí)表達(dá)和邏輯符號(hào)系統(tǒng)來模擬人類的智能。

聯(lián)接主義則從大腦和神經(jīng)系統(tǒng)的生理背景出發(fā)

來模擬它們的工作機(jī)理和學(xué)習(xí)方式。符號(hào)主義

試圖對(duì)智能進(jìn)行宏現(xiàn)研究，而聯(lián)接主義則是一

種微觀意義上的探索。

人工智能的目標(biāo)

人工智能科學(xué)想要解決的問題，是讓電腦也具

有人類那種聽、說、讀、寫、思考、學(xué)習(xí)、適

應(yīng)環(huán)境變化、解決各種實(shí)際問題等等能力。換

言之，人工智能是電腦科學(xué)的一個(gè)重要分支，

它的近期目標(biāo)是讓電腦更聰明、更有用，它的

遠(yuǎn)期目標(biāo)是使電腦變成“像人一樣具有智能的

機(jī)器”。

人工智能的主要學(xué)派

(1)符號(hào)主義，又稱為邏輯主義、心理學(xué)派或計(jì)

算機(jī)學(xué)派，其原理主要為物理符號(hào)系統(tǒng)(即符號(hào)操

作系統(tǒng))假設(shè)和有限合理性原理。

⑵聯(lián)結(jié)主義，又稱為仿生學(xué)派或生理學(xué)派，其

原理主要為神經(jīng)網(wǎng)絡(luò)及神經(jīng)網(wǎng)絡(luò)間的連接機(jī)制與

學(xué)習(xí)算法。

⑶行為主義，又稱進(jìn)化主義或控制論學(xué)派。

符號(hào)主義

認(rèn)為人工智能源于數(shù)理邏輯。數(shù)理邏輯從19世

紀(jì)末起就獲迅速發(fā)展；到20世紀(jì)30年代開始用

于描述智能行為。計(jì)算機(jī)出現(xiàn)后，又在計(jì)算機(jī)

上實(shí)現(xiàn)了邏輯演繹系統(tǒng)正是這些符號(hào)主義者，

早在1956年首先采用“人工智能”這個(gè)術(shù)語。

后來又發(fā)展了啟發(fā)式算法-專家系統(tǒng)一知識(shí)工

程理論與技術(shù)，并在80年代取得很大發(fā)展。符

號(hào)主義曾長(zhǎng)期一枝獨(dú)秀，為人工智能的發(fā)展作

出重要貢獻(xiàn)，這個(gè)學(xué)派的代表有紐厄爾、肖、

西蒙和尼爾遜(Nilsson)o

連接主義

認(rèn)為人工智能源于仿生學(xué)，特別是人腦模型的研究。

它的代表性成果是1943年由生理學(xué)家麥卡洛克

(McCulloch)和數(shù)理邏輯學(xué)家皮茨(P讓ts)創(chuàng)立的腦模型，

即MP模型。60-70年代，聯(lián)結(jié)主義，尤其是對(duì)以感知

機(jī)(perceptron)為代表的腦模型的研究曾出現(xiàn)過熱潮，

由于當(dāng)時(shí)的理論模型、生物原型和技術(shù)條件的限制，

腦模型研究在70年代后期至80年代初期落入低潮。(學(xué)

術(shù)權(quán)威M.L.Minsky,明斯基和S?Papert)

1986年魯梅爾哈特(Rumelhart)等人提出多層網(wǎng)絡(luò)中的

反向傳播(BP)算法。此后，聯(lián)結(jié)主義勢(shì)頭大振，從模

型到算法，從理論分析到工程實(shí)現(xiàn)，為神經(jīng)網(wǎng)絡(luò)計(jì)算

機(jī)走向市場(chǎng)打下基礎(chǔ)?，F(xiàn)在，對(duì)ANN的研究熱情仍然

不減。

行為主義

行為主義,認(rèn)為人工智能源于控制論?？刂普?/p>

思想早在40-50年代就成為時(shí)代思潮的重要部分，

影響了早期的人工智能工作者。至U60-70年代，

控制論系統(tǒng)的研究取得一定進(jìn)展，播下智能控制

和智能機(jī)器人的種子，并在80年代誕生了智能控

制和智能機(jī)器人系統(tǒng)。行為主義是近年來才以人

工智能新學(xué)派的面孔出現(xiàn)的，引起許多人的興趣

與研究.

現(xiàn)代電腦的智能

現(xiàn)代電腦是一種具有高超能力的機(jī)器，它的

種類多，價(jià)格低，體積小，用途廣，它在計(jì)算、

控制和數(shù)據(jù)處理方面，廣泛替代人類完成了大量

的工作，甚至比人做得更加出色。

仿照“圖靈試驗(yàn)”，請(qǐng)它做幾件簡(jiǎn)單的工作,

探討這種機(jī)器的智能究竟能達(dá)到多高的水平

現(xiàn)代電腦的智能

讓世界上運(yùn)算速度最高的超級(jí)電腦計(jì)算一個(gè)

小小的題目：“樹上有10只鳥，被獵人用槍打下

1只，問樹上還剩下幾只鳥？”這臺(tái)超級(jí)電腦

或許對(duì)此不屑一顧，或許會(huì)在0.0000000001秒

時(shí)間內(nèi)，斬釘截鐵地輸出答案“9只！”

如果你把同樣的問題問小學(xué)一年級(jí)學(xué)生，有

誰會(huì)回答說是“9只”呢？連小學(xué)生都能正確推

理的問題，電腦卻不會(huì)。

現(xiàn)代電腦的智能

幼兒園的孩子也能自己橫穿馬路。老師告訴

他：過馬路前先向兩邊看，附近沒有汽車再橫穿。

小朋友記住了這些常識(shí)，即使在較遠(yuǎn)處有駛來的

汽車，他也敢于不慌不忙穿過馬路?，F(xiàn)在，假如

有一位盲人也想橫穿馬路，請(qǐng)來電腦幫助計(jì)算。

那么，電腦會(huì)向他提出各種問題：馬路寬度是多

少米？附近有汽車嗎？最近的一輛離我們多遠(yuǎn)？

時(shí)速是每小時(shí)多少公里？這些都是電腦計(jì)算所必

須輸入的基本數(shù)據(jù)，它不會(huì)根據(jù)生活常識(shí)進(jìn)行模

糊判斷。

現(xiàn)代電腦的智能

電腦能計(jì)算出10億位的TT值，能快速處理全

國人口普查的海量數(shù)據(jù)，能精確地控制宇宙飛船

登上月球的每一步驟，使任何聰明絕頂?shù)娜嗽谒?/p>

面前都相形見細(xì)；另一方面，電腦的智力水平可

以說連普通3歲孩童都不如。

快速的、按規(guī)矩行事的傻子機(jī)器。

人工智能的發(fā)展。機(jī)器數(shù)學(xué)家

1956年AI研究另外一個(gè)重大的突破，是赫伯

特?西蒙等人合作編制的《邏輯理論機(jī)》，即數(shù)學(xué)

定理證明程序，從而使機(jī)器邁出了邏輯推理的第

_.rH

/J/o

在卡內(nèi)基一梅隆大學(xué)的計(jì)算機(jī)實(shí)驗(yàn)室，西蒙從

分析人類解答數(shù)學(xué)題的技巧入手，讓一些人對(duì)各

種數(shù)學(xué)題作周密的思考，要求他們不僅寫出求解

的答案，而且說出自己推理的方法和步驟。

機(jī)器證明

人工智能定理證明研究最有說服力的例子，

是機(jī)器證明了困擾數(shù)學(xué)界長(zhǎng)達(dá)100余年之久的

難題——“四色定理”。據(jù)說，“四色問題”

最早是1852年由一位21歲的大學(xué)生提出來的數(shù)

學(xué)難題：任何地圖都可以用最多四種顏色著色,

就能區(qū)分任何兩相鄰的國家或區(qū)域。這個(gè)看似

簡(jiǎn)單的問題，就象“哥德巴赫猜想”一樣，屬

于世界上最著名的數(shù)學(xué)難題之一。

機(jī)器證明

1976年6月，美國伊利諾斯大學(xué)的兩位數(shù)學(xué)

家沃爾夫?qū)?哈肯(W.Haken)和肯尼斯?阿佩爾

(K.Apple)宣布，他們成功地證明了這一定理,

使用的方法就是機(jī)器證明。

人工智能先驅(qū)們認(rèn)真地研究下棋，研究機(jī)器

定理證明，但效果仍不盡如人意。問題的癥結(jié)在

于，雖然機(jī)器能夠解決一些極其錯(cuò)綜復(fù)雜的難題,

但是有更多的工作，對(duì)人來說是簡(jiǎn)單到不能再簡(jiǎn)

單的事情，對(duì)電腦卻難似上青天。

機(jī)器證明

60年代末，由于許多世界一流的人工智能學(xué)

者過高地估計(jì)了智能電腦的能力，而現(xiàn)實(shí)卻一再

無情地打破了他們樂觀的夢(mèng)想，以致遭到越來越

多的嘲笑和反對(duì)。AI研究曾一度墮入低谷，出現(xiàn)

了所謂“黑暗時(shí)期”。

人工智能的復(fù)興

1977年，曾是赫伯特?西蒙的研究生、斯坦

福大學(xué)青年學(xué)者費(fèi)根鮑姆(E.Feigenbaum),

在第五屆國際人工智能大會(huì)上提出了“知識(shí)工程”

的概念，標(biāo)志著AI研究從傳統(tǒng)的以推理為中心，

進(jìn)入到以知識(shí)為中心的新階段。人工智能重新獲

得人們的普遍重視，逐步跨進(jìn)了復(fù)興期。

專家系統(tǒng)

費(fèi)根鮑姆他具體介紹了他們開發(fā)的第一個(gè)

“專家系統(tǒng)”，并提出“知識(shí)庫”、“知識(shí)表達(dá)”

和“知識(shí)工程”等一系列全新的概念。

一個(gè)人要成為專家，至少必須掌握某一學(xué)科

淵博的知識(shí)，具有豐富的實(shí)踐經(jīng)驗(yàn)，能解決一般

人不能夠解決的疑難問題。專家的數(shù)量和質(zhì)量標(biāo)

志著一個(gè)國家、一個(gè)時(shí)代的科學(xué)水平。

專家系統(tǒng)

費(fèi)根鮑姆構(gòu)建的“專家系統(tǒng)”，就是要在機(jī)

器智能與人類智慧集大成者——專家的知識(shí)經(jīng)驗(yàn)

之間建造橋梁。他解釋說：專家系統(tǒng)“是一個(gè)已

被賦予知識(shí)和才能的計(jì)算機(jī)程序，從而使這種程

序所起到的作用達(dá)到專家的水平”

知識(shí)

人類專家的知識(shí)通常包括兩大類。一類是書

本知識(shí)，它可能是專家在學(xué)校讀書求學(xué)時(shí)所獲，

也可能是專家從雜志、書籍里自學(xué)而來；然而，

僅僅掌握了書本知識(shí)的學(xué)者還不配稱為專家，專

家最為寶貴的知識(shí)是他憑借多年的實(shí)踐積累的經(jīng)

驗(yàn)知識(shí)，這是他頭腦中最具魅力的知識(shí)瑰寶。在

AI研究里，這類知識(shí)稱之為“啟發(fā)式知識(shí)”。

專家系統(tǒng)

專家本人不一定了解電腦程序，構(gòu)建專家系

統(tǒng)還必須有所謂“知識(shí)工程師”參與，幫助領(lǐng)域

專家從頭腦中挖掘啟發(fā)式知識(shí)，并設(shè)計(jì)知識(shí)庫和

知識(shí)推理程序。因此，專家系統(tǒng)又被稱為知識(shí)工

程，這兩種不同的稱謂在英國和日本涇渭分明：

英國學(xué)界崇尚科學(xué)，成為專家是人們追逐的境界;

而日本學(xué)界推崇技術(shù)，工程師是人們向往的職業(yè),

于是，才有了“專家系統(tǒng)”與“知識(shí)工程”兩種

同義的名稱。

專家系統(tǒng)實(shí)例之一

1965年，在斯坦福大學(xué)化學(xué)專家的配合下,

費(fèi)根鮑姆研制的第一個(gè)專家系統(tǒng)DENDRAL是化

學(xué)領(lǐng)域的“專家”。在輸入化學(xué)分子式和質(zhì)譜圖

等信息后，它能通過分析推理決定有機(jī)化合物的

分子結(jié)構(gòu)，其分析能力已經(jīng)接近、甚至超過了有

關(guān)化學(xué)專家的水平。該專家系統(tǒng)為AI的發(fā)展樹立

了典范，其意義遠(yuǎn)遠(yuǎn)超出了系統(tǒng)本身在實(shí)用上創(chuàng)

造的價(jià)值。

專家系統(tǒng)實(shí)例之一

專家系統(tǒng)最成功的實(shí)例之一，是1976年美國斯坦福

大學(xué)肖特列夫（Shortl用）開發(fā)的醫(yī)學(xué)專家系統(tǒng)MYCIN,

這個(gè)系統(tǒng)后來被知識(shí)工程師視為“專家系統(tǒng)的設(shè)計(jì)規(guī)

范”。

在MYCIN的知識(shí)庫里，大約存放著450條判別規(guī)則和

1000條關(guān)于細(xì)菌感染方面的醫(yī)學(xué)知識(shí)。它一邊與用戶進(jìn)

行對(duì)話，一邊進(jìn)行推理診斷。它的推理規(guī)則稱為“產(chǎn)生

式規(guī)則”，類似于：“IF（打噴嚏）OR（鼻塞）OR（咳

嗽），THEN（有感冒癥狀）”這種醫(yī)生診斷疾病的經(jīng)驗(yàn)

總結(jié)，最后顯示出它“考慮”的可能性最高的病因，并

以給出用藥的建議而結(jié)束。

專家系統(tǒng)和知識(shí)工程成為符號(hào)主義人工智能發(fā)展的主

流。

80年代，人工智能發(fā)展達(dá)到階段性的頂峰。

87,89年世界大會(huì)有6-7千人參加。硬件公司有上千

個(gè)。并進(jìn)行Lisp硬件、Lisp機(jī)的研究。

在專家系統(tǒng)及其工具越來越商品化的過程中，國際軟件市

場(chǎng)上形成了一門旨在生產(chǎn)和加工知識(shí)的新產(chǎn)業(yè)——知識(shí)

產(chǎn)業(yè)。應(yīng)該說，知識(shí)工程和專家系統(tǒng)是近十余年來人工

智能研究中最有成就的分支之一。

同年代，1986年Rumlhart領(lǐng)導(dǎo)的并行分布處理(PDP)研

究小組提出了神經(jīng)元網(wǎng)絡(luò)的反向傳播學(xué)習(xí)算法，解決了

神經(jīng)網(wǎng)絡(luò)的根本問題之一。從此，神經(jīng)網(wǎng)絡(luò)的研究進(jìn)入

新的高潮。

90年代，計(jì)算機(jī)發(fā)展趨勢(shì)為小型化、并行化、

網(wǎng)絡(luò)化、智能化。

■人工智能技術(shù)逐漸與數(shù)據(jù)庫、多媒體等主流技

術(shù)相結(jié)合，并融合在主流技術(shù)之中，旨在使計(jì)

算機(jī)更聰明、更有效、與人更接近。

日本政府于1992年結(jié)束了為期十年的稱為“知

識(shí)信息處理體統(tǒng)”的第五代計(jì)算機(jī)系統(tǒng)研究開

發(fā)計(jì)劃。并開始了為期十年的實(shí)況計(jì)算(Real

WordComputing)計(jì)戈ll。

諾依曼機(jī)

我們知道，從用電子管制作的ENIAC,直到用超

大規(guī)模集成電路設(shè)計(jì)的微型電腦，都毫無例外遵

循著40年代馮?諾依曼為它們確定的體系結(jié)構(gòu)。

這種體系必須不折不扣地執(zhí)行人們預(yù)先編制、并

且已經(jīng)儲(chǔ)存的程序，不具備主動(dòng)學(xué)習(xí)和自適應(yīng)能

力。所有的程序指令都必須調(diào)入CPU,一條接著

一條地順序執(zhí)行。人們把這種順序執(zhí)行（串行）

已儲(chǔ)存程序的電腦類型統(tǒng)稱為“諾依曼機(jī)”。

第五代計(jì)算機(jī)

達(dá)特莫斯會(huì)議以來數(shù)十年間，除了在問題求解（包括機(jī)

器博弈、定理證明等）、專家系統(tǒng)、模式識(shí)別等領(lǐng)域外,

人工智能在自然語言理解、自動(dòng)程序設(shè)計(jì)、機(jī)器人學(xué)、

知識(shí)庫的智能檢索等各種不同的領(lǐng)域，都開拓出極其廣

闊的應(yīng)用前景。

縱觀人類科學(xué)技術(shù)發(fā)展歷史，當(dāng)一門科學(xué)技術(shù)的各組

成部分，分別發(fā)展到一定階段時(shí)，總是需要有人出來作

綜合工作，將分散的理論與實(shí)踐成果集成為系統(tǒng)。

誰也沒有想到，勇敢地站出來，試圖集人工智能研

究成果之大成者，竟然是在這個(gè)領(lǐng)域并沒有多少影響力

的日本科學(xué)家。

第五代計(jì)算機(jī)

1982年夏天，日本“新一代計(jì)算機(jī)技術(shù)研究所”

(ICOT),40位年輕人在淵一博帶領(lǐng)開始了新

一代計(jì)算機(jī)機(jī)的研究。

“新一代計(jì)算機(jī)”的主要目標(biāo)之一是突破電

腦所謂“馮?諾依曼瓶頸”。

淵一博和研究人員甚至不把他們研制的機(jī)器

命名為計(jì)算機(jī)，而稱作“知識(shí)信息處理系統(tǒng)”卬F

第五代計(jì)算機(jī)

日本人宣稱這種機(jī)器將以Prolog（人工智能

語言）為機(jī)器的語言，其應(yīng)用程序?qū)⑦_(dá)到知識(shí)表達(dá)

級(jí)，具有聽覺、視覺甚至味覺功能，能夠聽懂人

說話，自己也能說話，能認(rèn)識(shí)不同的物體，看懂

圖形和文字。人們不再需要為它編寫程序指令，

只需要口述命令，它自動(dòng)推理并完成工作任務(wù)。

第五代計(jì)算機(jī)

“五代機(jī)”的命運(yùn)是悲壯的。1992年，因最

終沒能突破關(guān)鍵性的技術(shù)難題，無法實(shí)現(xiàn)自然語

言人機(jī)對(duì)話、程序自動(dòng)生成等目標(biāo)，導(dǎo)致了該計(jì)

劃最后階段研究的流產(chǎn)，淵一博也不得不重返大

學(xué)講壇。

第五代計(jì)算機(jī)

1992年6月，就在“五代機(jī)”計(jì)劃實(shí)施整整

10年之際，ICOT展示了它研制的五代機(jī)原型試

制機(jī)，由64臺(tái)處理器實(shí)現(xiàn)了并行處理，已初步具

備類似人的左腦的先進(jìn)功能，可以對(duì)蛋白質(zhì)進(jìn)行

高精度分析，已經(jīng)在基因研究中發(fā)揮了作用。

1992年，它重新開始實(shí)施“現(xiàn)實(shí)世界計(jì)算機(jī)”

計(jì)劃，接著研制具有類似于人的右腦功能的計(jì)算

機(jī)。

我國人工智能研究的歷史

1978,納入國家計(jì)劃的研究“智能模擬”

■1984,智能計(jì)算機(jī)及其系統(tǒng)的全國學(xué)術(shù)研討會(huì)

1986,智能計(jì)算機(jī)，智能機(jī)器人和智能信息處

理流入國家高技術(shù)研究計(jì)劃

1993,智能控制和智能自動(dòng)化等列入國家科技

攀登計(jì)劃

1981,成立中國人工智能學(xué)會(huì)（CAAI）

1989,中國人工智能控制聯(lián)合會(huì)議（CJCAI）

今天的人工智能

計(jì)算機(jī)智能化技術(shù)的主攻方向體現(xiàn)在：

■并行與分布式處理技術(shù)。

包括大規(guī)模并行機(jī)和機(jī)群的體系結(jié)構(gòu)、并行操作系統(tǒng)與

并行數(shù)據(jù)結(jié)構(gòu)，分布式Client/Server計(jì)算模型及其處理

技術(shù)，多專機(jī)系統(tǒng)的合作與知識(shí)共享技術(shù)等。

■知識(shí)的獲取、表示、更新和推理新機(jī)制。

包括新的知識(shí)獲取方法，常識(shí)性知識(shí)的表示、更新與推

理，大型知識(shí)庫的組織與維護(hù)，新一代邏輯處理機(jī)制等

今天的人工智能

計(jì)算機(jī)智能化技術(shù)的主攻方向體現(xiàn)在:

感知技術(shù)，包括對(duì)語音文字、圖形與圖像等信

號(hào)的獲取、識(shí)別、壓縮與轉(zhuǎn)化，以及多媒體輸

出和VR技術(shù)等。

今天的人工智能

當(dāng)前人工智能的研究熱點(diǎn)

■分布式處理

智能Agent

數(shù)據(jù)挖掘(DataMining)

環(huán)境自適應(yīng)

會(huì)看會(huì)聽的機(jī)器

1997年12月，美國微軟公司比爾?蓋茨第五

次訪問中國。

當(dāng)介紹到微軟正在著手開發(fā)手寫輸入和語音

識(shí)別軟件時(shí)，比爾?蓋茨當(dāng)場(chǎng)為聽眾播放了一段電

腦識(shí)別人體語言的錄像，精彩的情節(jié)引起了與會(huì)

者濃厚的興趣。人們看到一臺(tái)電腦正在分辨人用

點(diǎn)頭或搖頭表示YES和NO的動(dòng)作，還有電腦跟

蹤人眼的指向，在眼睛的指揮下，下了一盤“三

子棋”。

模式識(shí)別

模式識(shí)別是近30年來得到迅速發(fā)展的人工智

能分支學(xué)科。但是，對(duì)于什么是“模式”，或者

什么是機(jī)器（也包括人）能夠辨認(rèn)的模式，迄今

尚無確切的定義。

我們只能形象地解釋說，人之所以能識(shí)別圖

象、聲音、動(dòng)作，文字字形、面部表情等等，因

為它們都存在著反映其特征的某種模式。

人類可識(shí)別的模式?

模式識(shí)別

一種可能的解決方案是：圖象上的每一點(diǎn)都

用一個(gè)神經(jīng)細(xì)胞與之對(duì)應(yīng)并逐一判別，最后綜合

為整體；但是，既使只描述圖象局部的大致輪廓,

神經(jīng)元的數(shù)目仍不敷使用。另一種可能的方案更

符合實(shí)際：大腦感知的不是圖象上所有的點(diǎn)，而

是其輪廓中最典型的特征，如線段、角度、弧度、

反差、顏色等等，把它們從圖象中抽取出來，然

后結(jié)合頭腦中過去的記憶和有關(guān)經(jīng)驗(yàn)和知識(shí)分析

判斷。

人腦與電腦

長(zhǎng)期以來，一個(gè)誘人的科學(xué)幻想主題經(jīng)常涉及到人

腦與電腦的關(guān)系。人類大腦有140多億個(gè)腦神經(jīng)細(xì)胞，每

個(gè)細(xì)胞都與另外5萬個(gè)其他細(xì)胞相互連結(jié)。比目前全球電

話網(wǎng)還要復(fù)雜1500倍。

據(jù)前蘇聯(lián)學(xué)者阿諾克欣測(cè)算，一個(gè)普通的大腦擁有

的神經(jīng)突觸連接和沖動(dòng)傳遞途徑的數(shù)目，是在1后面加上

1000萬公里長(zhǎng)的、用標(biāo)準(zhǔn)打字機(jī)打出的那么多個(gè)零！但

是，由如此龐大數(shù)目元件構(gòu)成的大腦，平均重量不足

1400克，平均體積約為1.5立方分米，消耗的總功率只有

10瓦。若采用半導(dǎo)體器件組裝成相應(yīng)的電腦裝置，則必

須!故成一座高達(dá)40層的摩天大樓，所需功率要以百萬千

瓦計(jì)。

人腦與電腦

腦細(xì)胞儲(chǔ)存信息的密度極高，每立方厘米可

存放1000億以上比特的信息量，腦科學(xué)家估計(jì)，

一個(gè)人一生中存儲(chǔ)的信息總量可超過1000萬億比

特。有人推算出全世界圖書館大約藏書7.7億冊(cè)，

積累的信息總量約為4600萬億比特，與人腦能夠

儲(chǔ)存的信息總量屬于同一數(shù)量級(jí)。

人腦與電腦

對(duì)于電腦來說，只要某一個(gè)小部件出了毛病，就

會(huì)導(dǎo)致整個(gè)機(jī)器癱瘓。但是，人的大腦細(xì)胞具有

自行組合和分裂的活性，構(gòu)成了高度可靠的“自

適應(yīng)系統(tǒng)”。在人的一生中，腦神經(jīng)元大約每小

時(shí)就有1000個(gè)發(fā)生故障，一年之內(nèi)累計(jì)為800多

萬個(gè)。如果人活到人0歲,將會(huì)有10億個(gè)神經(jīng)細(xì)

胞功能失效，約占總數(shù)的1/10。即使在這種嚴(yán)重

的故障面前，大腦仍然可以正常地運(yùn)作。

人腦與電腦

從以上這些數(shù)字看，人類的大腦不啻于世界

上最復(fù)雜、最高級(jí)、最有效、儲(chǔ)存容量最大的超

級(jí)計(jì)算機(jī)。除了運(yùn)算速度比電腦略遜一籌外，人

腦在結(jié)構(gòu)、尺寸、性能、能耗等各方面都令最先

進(jìn)的電腦望塵莫及。

人腦復(fù)制

1988年，美國最負(fù)盛名的學(xué)術(shù)出版機(jī)構(gòu)哈佛大學(xué)

出版社，出版了一本《思維兒童》的專著（有人

譯作《換腦兒童》），作者是卡內(nèi)基一梅隆大學(xué)

活動(dòng)機(jī)器人實(shí)驗(yàn)室主任漢斯?莫拉維克。

莫拉維克在書中生動(dòng)地描述了人怎樣把思維輸入

電腦，以及這一切怎樣在未來50年之內(nèi)變成現(xiàn)實(shí)。

人腦復(fù)制

按照莫拉維克等人的設(shè)想，一旦我們能夠把

思維轉(zhuǎn)移到計(jì)算機(jī)或者儲(chǔ)存介質(zhì)中，既使原件

（大腦）受到損傷或者衰老，仍然可以把它拷貝

到新克隆出的大腦中，先FORMAT（格式化），

再COPY（拷貝）。

人腦復(fù)制

科學(xué)家也愛做科幻之夢(mèng)。至少在相當(dāng)長(zhǎng)的時(shí)

間內(nèi)，復(fù)制大腦的幻想幾乎不可能實(shí)現(xiàn)。既使實(shí)

現(xiàn)了對(duì)人腦記憶的簡(jiǎn)單拷貝，對(duì)人類的思想，以

及情感、個(gè)性、氣質(zhì)、人格等非智力因素，又如

何能簡(jiǎn)單地復(fù)制出副本？

電腦與人腦相連接

人工智能的泰斗明斯基教授想用另外的辦法,

即把微電腦嵌入人的大腦，以便使“我們能設(shè)計(jì)

出我們的‘思維兒童'，他們思考問題的速度比

我們現(xiàn)在快100萬倍?！?/p>

將電腦植入人腦，用微型芯片配合腦神經(jīng)細(xì)胞工

作，只要求解決兩者之間的接口問題。

電腦與人腦相連接

德國科學(xué)家已經(jīng)在硅芯片上培植成功一種與

人類神經(jīng)細(xì)胞極為相似的老鼠神經(jīng)細(xì)胞，并且可

以把神經(jīng)細(xì)胞發(fā)出的電子脈沖信號(hào)傳送到特制傳

感器上。由此看來，人機(jī)連“腦”不是夢(mèng)，人腦

與電腦相連能優(yōu)勢(shì)互補(bǔ)，可以彌補(bǔ)人類記憶和運(yùn)

算能力的不足，大大增強(qiáng)人腦的功能。

人工智能預(yù)言

1958年紐厄爾和赫伯特?西蒙在預(yù)言“電腦將在10內(nèi)戰(zhàn)

勝國際象棋世界冠軍”的同時(shí)，還大膽地預(yù)言說：

—不出10年，電腦便能找到并證明到那時(shí)還未被證明

的重要數(shù)學(xué)定理。

—不出10年，大部分心理學(xué)理論將采取電腦的程序形

式。

1970年，明斯基所作的預(yù)言卻有些離譜：

“在三年到八年的時(shí)間里，我們將研制出具有普通人

一般智力的計(jì)算機(jī)。這樣的機(jī)器能讀懂莎士比亞的著

作，會(huì)給汽車上潤(rùn)滑油，會(huì)玩弄政治權(quán)術(shù)，能講笑話，

會(huì)爭(zhēng)吵。到了這個(gè)程度后，計(jì)算機(jī)將以驚人的速度進(jìn)

行自我教育。幾個(gè)月之后，它將具有天才的智力，再

過幾個(gè)月，它的智力將無以倫比?！?/p>

人工智能的現(xiàn)狀

人工智能先驅(qū)這些充滿樂觀的預(yù)言，除了40

年后電腦戰(zhàn)勝了卡斯帕洛夫之外，其余的直到現(xiàn)

在依然遠(yuǎn)沒有被實(shí)現(xiàn)，甚至引發(fā)長(zhǎng)時(shí)期無休無止

的爭(zhēng)論和哲學(xué)意義上的思辯。人工智能雖然作出

了許多令人鼓舞的工作，但在前進(jìn)的道路上，還

面臨著相當(dāng)難以克服的障礙。

人工智能的未來

現(xiàn)有的計(jì)算機(jī)技術(shù)已充分實(shí)現(xiàn)了人類左腦的

邏輯推理功能，人工智能的下一步是模仿人類右

腦的模糊處理能力，以及模擬整個(gè)大腦并行處理

大量信息的功能，把人類從那些繁瑣的重復(fù)性的

腦力勞動(dòng)中解放出來，去從事那些具有高創(chuàng)造性

的腦力勞動(dòng)，如科學(xué)發(fā)明和藝術(shù)創(chuàng)作等等，生產(chǎn)

效率也將得到大幅度提高。

人工智能的主要研究?jī)?nèi)容

一、博弈

跳棋、國際象棋、五子棋

二、機(jī)器定理證明

LogicTheorist

王浩：利用一階謂詞邏輯

吳文俊：吳方法

三、自動(dòng)程序設(shè)計(jì)

四、通用問題求解GPS

人工智能的主要研究?jī)?nèi)容

五、感知

1、視覺

2、語音

六、自然語言理解與生成：計(jì)算語言學(xué)

七、自動(dòng)推理

1、推理

從一個(gè)或幾個(gè)已知的判斷（前提）邏輯地推論出

一個(gè)新的判斷（結(jié)論）的思維形式。

人工智能的主要研究?jī)?nèi)容

七、自動(dòng)推理

1、推理

注：利用以往的知識(shí)通過推理可得到新的結(jié)論。

2、主要工作

1）機(jī)器定理證明

2）歸結(jié)原理：推理規(guī)則簡(jiǎn)單。在邏輯上是完備的,

是PROLOG的計(jì)算模型

3）非單調(diào)推理：閉世假說（CWA）、默認(rèn)推理、

限定推理

人工智能的主要研究?jī)?nèi)容

七、自動(dòng)推理

2、主要工作

4）定性推理：把物理系統(tǒng)或物理過程細(xì)分為子

系統(tǒng)或子過程，對(duì)于每個(gè)子系統(tǒng)或子過程及它

們之間的相互作用或影響均建立起結(jié)構(gòu)描述，

通過局部因果性的傳播和行為合成，獲得實(shí)際

物理系統(tǒng)的行為描述和功能描述

人工智能的主要研究?jī)?nèi)容

七、自動(dòng)推理

2、主要工作

5)不確定性推理：不確定性來自人類的主觀認(rèn)

識(shí)與客觀實(shí)際之間存在的差異。事物發(fā)生的隨

機(jī)性，人類知識(shí)的不完全、不可靠、不精確和

不一致，自然語言中存在的模糊性和歧義性均

反映了這種差異，均會(huì)帶來不確定性。

有代表性的不確定性理論和推理方法有：概率論,

Bayes理論，證據(jù)理論(Dempster和Shafer),

模糊集理論等。

人工智能的主要研究?jī)?nèi)容

八、機(jī)器學(xué)習(xí)

知識(shí)、知識(shí)表示及運(yùn)用知識(shí)的推理算法是人工智能的核

心，而機(jī)器學(xué)習(xí)則是關(guān)鍵問題。

1、學(xué)習(xí)

學(xué)習(xí)是獲取知識(shí)、積累經(jīng)驗(yàn)、改進(jìn)性能、發(fā)現(xiàn)規(guī)律、適

應(yīng)環(huán)境的過程。其基本機(jī)制是設(shè)法將在一種情形下成

功的表現(xiàn)行為轉(zhuǎn)移到另一類似的新情形中去。

2、學(xué)習(xí)種類

1）無知識(shí)的學(xué)習(xí)：神經(jīng)元模擬和基于決策論方法的自適

應(yīng)和自組織系統(tǒng)。

人工智能的主要研究?jī)?nèi)容

2）歸納學(xué)習(xí)：AQ算法、ID3算法等。

3）分析學(xué)習(xí)（實(shí)例學(xué)習(xí)）：基于解釋的學(xué)習(xí)、

知識(shí)塊（Chunking）學(xué)習(xí)。

4）類比學(xué)習(xí)

5）發(fā)現(xiàn)學(xué)習(xí)：根據(jù)實(shí)驗(yàn)數(shù)據(jù)或模型重新發(fā)現(xiàn)定

律的方法。

人工智能的主要研究?jī)?nèi)容

6）遺傳學(xué)習(xí)：自然選擇、變異。

7）連接學(xué)習(xí)：神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)。

8）數(shù)據(jù)庫知識(shí)發(fā)現(xiàn)：主要發(fā)現(xiàn)分類規(guī)則、特征

規(guī)劃、關(guān)聯(lián)規(guī)則、差異規(guī)則、演化規(guī)則、異常

規(guī)則等。

其方法有統(tǒng)計(jì)方法、機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)、數(shù)據(jù)

倉庫等。

人工智能的主要研究?jī)?nèi)容

九、分布式人工智能(DistributedAl)

第一屆DAI會(huì)議是在1980年。

1、基本概念

DAI是研究在邏輯上或物理上分散的智能動(dòng)作者

如何協(xié)調(diào)其智能行為(知識(shí)、技能和規(guī)劃)，

求解單目標(biāo)和多目標(biāo)問題，為設(shè)計(jì)和建立大型

復(fù)雜的智能系統(tǒng)或計(jì)算機(jī)支持協(xié)同工作

(CSCW)提供有效途徑。

人工智能的主要研究?jī)?nèi)容

2、主要內(nèi)容

1)分布式問題求解(DPS)

2)多Agent系統(tǒng)(MAS)

Agent是自主的，可能是預(yù)先存在的，并且是異

構(gòu)的，是一開放的系統(tǒng)。

人工智能的主要研究?jī)?nèi)容

十、人工思維模型

開放式自主系統(tǒng)

人工智能的主要研究?jī)?nèi)容

十一、知識(shí)系統(tǒng)

知識(shí)工程已成為人工智能應(yīng)用最顯著的特點(diǎn)。

知識(shí)系統(tǒng)主要研究?jī)?nèi)容：

1、專家系統(tǒng)知識(shí)庫+推理機(jī)

2、知識(shí)庫系統(tǒng)

將知識(shí)以一定的結(jié)構(gòu)存入，進(jìn)行知識(shí)管理,

實(shí)現(xiàn)知識(shí)共享。

3、智能決策系統(tǒng)

4、知識(shí)科學(xué)

人工智能的新生：計(jì)算智能

年求

義

應(yīng)有

號(hào)

日

符號(hào)

件

8上0

本

射

與

到

義

主

受

挫

濾

論

展

目

矚

發(fā)

，

20世紀(jì)90年代后，聯(lián)接主義AI的研究逐漸占據(jù)主導(dǎo)作

用，同時(shí)模糊邏輯理論及其應(yīng)用的研究也取得了重大

進(jìn)展。模糊邏輯突破了傳統(tǒng)邏輯的思維模式，對(duì)于深

刻研究人類的認(rèn)識(shí)能力具有舉足輕重的作用。特別是

它與專家系續(xù)、神經(jīng)網(wǎng)絡(luò)以及控制理論的結(jié)合，說明

它正在AI研兌中扮演重要角色。同時(shí)，在自然選擇和

進(jìn)化理論基礎(chǔ)上發(fā)展起來的進(jìn)化計(jì)算理論在優(yōu)化計(jì)算

等方面也有其特定的優(yōu)勢(shì)，成為AI研究的一個(gè)新方向。

計(jì)算智能

計(jì)算智能系統(tǒng)是在神經(jīng)網(wǎng)絡(luò)、模糊系統(tǒng)、進(jìn)化

計(jì)算三個(gè)分支發(fā)展相對(duì)成熟的基礎(chǔ)上，通過相互

之間的有機(jī)融合而形成的新的科學(xué)方法，也是智

能理論和技術(shù)發(fā)展的嶄新階段。

這些不同的成員方法從表面上看各不相同，但

實(shí)際上它們是緊密相關(guān)、互為補(bǔ)充和促進(jìn)的。

近年來的研究發(fā)現(xiàn):神經(jīng)網(wǎng)絡(luò)反映大腦思維的

高層次結(jié)構(gòu);模糊系統(tǒng)模仿低層次的大腦結(jié)構(gòu)；進(jìn)

化系統(tǒng)則與一個(gè)生物體種群的進(jìn)化過程有著許多

相似的特征。

計(jì)算智能

這些研究方法各自可以在某些特定方面起到

特殊的作用，但是也存在一些固有的局限，將這

些智能方法有機(jī)地融合起來進(jìn)行研究，就能為建

立一種統(tǒng)一的智能系統(tǒng)設(shè)計(jì)和優(yōu)化方法提供基礎(chǔ)。

基于這種考慮，將三者結(jié)合起來研究已經(jīng)成為了

一種發(fā)展趨勢(shì)。1994年起，IEEE的神經(jīng)網(wǎng)絡(luò)、

模糊系統(tǒng)、進(jìn)化計(jì)算三大會(huì)議合在一起召開，就

反映了這種趨勢(shì)，計(jì)算智能作為人工智能新發(fā)展

的主流地位就從自確定了。

計(jì)算智能

按照Bezdek的觀點(diǎn)，計(jì)算智能是基于操作者提

供的數(shù)據(jù)，而傳統(tǒng)人工智能是基于“知識(shí)”。

他定義計(jì)算智能系統(tǒng)如下：當(dāng)一個(gè)系統(tǒng)僅僅處

理底層的數(shù)據(jù)，具有模式識(shí)別的部分，并且不

使用AI意義中的知識(shí)，那末這個(gè)系統(tǒng)便是計(jì)算

智能系統(tǒng)。具有如下特點(diǎn)：

具有計(jì)算的適應(yīng)性；

具有計(jì)算誤差的容忍度；

接近人處理問題的速度；

近似人的誤差率。

關(guān)于計(jì)算智能(ComputationalIntelligence,CI)

92年，美國學(xué)者James首次提出:計(jì)算智能(Cl)它是依靠生產(chǎn)者提供的數(shù)

字，數(shù)據(jù)材料進(jìn)行加工處理,而不是依賴于知決o;人工智能(A巾ficial

Intelligence,Al)則是須用知識(shí)進(jìn)行處理.

個(gè)人理解：采用各類軟計(jì)算方法，主要是神經(jīng)元網(wǎng)絡(luò)、模糊邏輯和遺傳

進(jìn)化算法等去模擬人類決策智能的一個(gè)新興領(lǐng)域。

94年,James在Florida,Orlando,94IEEEEWCCI會(huì)議上又闡述他的觀點(diǎn),

智能有三個(gè)層次：

生物智能(BiologicalIntelligence,Bl)。由腦的物理化學(xué)過程反映出來的,

腦是有機(jī)物，它息智能的基礎(chǔ).

人工智能(Art由cialIntelligence,Al)是非生物的，人造的,常用符號(hào)來表

示冏的來源是人類知識(shí)島精華。

計(jì)算智能(ComputationalIntelligence,Cl)

是由數(shù)學(xué)方法罰計(jì)算機(jī)實(shí)現(xiàn)的6的來源數(shù)值計(jì)算的傳感器.

BLALCI之間的關(guān)系

從復(fù)雜性來看:Bl>Al>Cl;從隸屬關(guān)系來看

BI包含AI包含CL

AI是CI到BI的過渡，因?yàn)锳I中除計(jì)算算法之外，

還包括符號(hào)表示及數(shù)值信息處理.模糊集合和模

糊邏輯是AI到CI的過渡.

也有些人認(rèn)為CI不屬于AI,僅有部分重合.

A上符號(hào)主義，知識(shí)，規(guī)則，推理.左腦

。:連接主義，數(shù)據(jù)，學(xué)習(xí)，記憶.右腦

計(jì)算智能所包含的領(lǐng)域

人工神經(jīng)網(wǎng)絡(luò)(A巾ficialNeuralNetwork,ANN)

進(jìn)化計(jì)算(EvolutionComputing,EC)

模糊系統(tǒng)(FuzzySystem,FS)

進(jìn)化計(jì)算(EvolutionComputing)

遺傳算法(GeneticAlgorithm,GA)75年,Holand

首次提出,組合優(yōu)化等問題得到廣泛應(yīng)用.

進(jìn)化規(guī)戈U(EvoEionProgramming,EP)

60年代，由美國人LJFogel等人提出的.背景是

求解時(shí)間序列預(yù)測(cè)問題.

進(jìn)化策略(EvolutionStrategies,ES)

64年，由德國人LRechenberg等提出,背景是求

解流體動(dòng)力學(xué)柔性彎曲管形狀優(yōu)化問題.

模糊系統(tǒng)(FuzzySystem,FS)

■65年,美國加州大學(xué)伯克萊分校的L.Zadeh發(fā)表

了著名論文FuzzySets開創(chuàng)了模糊論.

主要內(nèi)容：模糊邏輯，模糊規(guī)則，模糊推理，模糊

控制,隸屬度，模糊集合等

神經(jīng)網(wǎng)絡(luò)(NeuralNetwork,NN)

人工神經(jīng)網(wǎng)絡(luò)是指模擬人腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和

功能,運(yùn)用大量的處理部件，由人工方式構(gòu)造的

網(wǎng)絡(luò)系統(tǒng).

■神經(jīng)網(wǎng)絡(luò)理論突破了傳統(tǒng)的，線性處理的數(shù)字電

子計(jì)算機(jī)的局限，是一個(gè)非線形動(dòng)力學(xué)系統(tǒng)，并

以分布式存儲(chǔ)和并行協(xié)同處理為特色，雖然單個(gè)

神經(jīng)元的結(jié)構(gòu)和功能極其簡(jiǎn)單有限，但是大量的

神經(jīng)元構(gòu)成的網(wǎng)絡(luò)系統(tǒng)所實(shí)現(xiàn)的行為卻是極其

豐富多彩的.

人工神經(jīng)網(wǎng)絡(luò)研究的歷史

第一階段初始發(fā)展期(40年代-60年代)

1.1943年,美國心理學(xué)家McCulloch和數(shù)學(xué)家Pitts合作提

出了形式神經(jīng)元的數(shù)學(xué)模型，即M-P模型.能完成有限的邏

輯運(yùn)算.

2.1949年，心理學(xué)家Hebb提出了改變神經(jīng)元間連接強(qiáng)度的

Hebb規(guī)則.

3.1957年,計(jì)算機(jī)科學(xué)家Rosenblatt用硬件完成了最早的

神經(jīng)網(wǎng)絡(luò)模型，稱之為感知器(Perceptron)用來模擬生物的

感知和學(xué)習(xí)能力.

4.1962年,電機(jī)工程師Windrow和Hoff提出了自適應(yīng)線形

元件Adaline是一個(gè)連續(xù)取值的線形網(wǎng)絡(luò)，在信號(hào)處理系統(tǒng)

中用于抵消通訊中的回波和噪聲，應(yīng)用十分廣泛.

第二階段低谷期（60年代末-70年代末）

第二階段低谷期（60年代末-70年代末）

原因：

1.69年,人工智能之父Minskey和Papert發(fā)表了《Perdeptron》一

書指出了Perdeptron無科學(xué)價(jià)值而百，逢XOR邏輯分類新做不到，

只能作線形切分

2.VonNeumann機(jī)的興盛期，陶醉在成功的喜悅之中，掩蓋了新型

計(jì)算機(jī)的發(fā)展的必然.

但是仍然有不少有識(shí)之士不斷努力：

1.Boston大學(xué)的?rossberg和Carpenter提出了自適應(yīng)共振理論

ART網(wǎng)絡(luò).”

2.芬蘭的Helsinki大學(xué)的Kohonen提出了自組織映射網(wǎng)絡(luò).

3.日本的大坂大學(xué)的Fukushima提出了神經(jīng)認(rèn)知機(jī)網(wǎng)絡(luò)模型.

4.日本東京大學(xué)的Amari對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行了數(shù)學(xué)理論的研究，為神

經(jīng)網(wǎng)絡(luò)的研究奠定了理論基礎(chǔ).

第三階段興盛期（80年代以后）

原因：

1.70年代末期研究和試圖模擬視聽覺的人工智能專家遇到了挫折，人

們習(xí)以為常的知識(shí)難能教給計(jì)算機(jī).

2.計(jì)算機(jī)的科學(xué)家發(fā)現(xiàn)前面有不可逾越的鴻溝，線路微型的物理極限，

人們思考Von.Neumann機(jī)到底還能走多遠(yuǎn).

3.VLSI,腦科學(xué)，生物學(xué),光學(xué)的進(jìn)步為人工神經(jīng)網(wǎng)絡(luò)的發(fā)展打下了基礎(chǔ).

興盛期的代表人物：

1.1982年，加州大學(xué)的物理學(xué)家Hopfield提出了Hopfield網(wǎng)絡(luò)模型，并

用電路實(shí)現(xiàn).

2.1985年,Rumelhart提出了BP算法.

3.1~1屆011等人提出了30版171211機(jī)模型.

4.1988年，蔡少堂提出了細(xì)胞神經(jīng)網(wǎng)絡(luò)模型.

目前國內(nèi)外研究狀況

1.研究機(jī)構(gòu)

美國DARPA計(jì)劃，日本HFSP計(jì)劃，法國尤里卡計(jì)劃,德國歐洲防御

計(jì)劃,前蘇聯(lián)高技術(shù)發(fā)展計(jì)劃等；

2學(xué)會(huì)

86年4月，美國物理學(xué)會(huì)在Snowbirds召開了國際神經(jīng)網(wǎng)絡(luò)學(xué)術(shù)會(huì)

議；

87年6月,IEEE在SanDiego召開了國際神經(jīng)網(wǎng)絡(luò)學(xué)術(shù)會(huì)議,并成立

了國際神經(jīng)網(wǎng)絡(luò)學(xué)會(huì)；

88年起,IEEE和國際神經(jīng)網(wǎng)絡(luò)學(xué)會(huì)每年召開一次國際會(huì)議；

我國自91年開始每?jī)赡暾匍_一次學(xué)術(shù)會(huì)議.

3.刊物

1990年3月,IEEE神經(jīng)網(wǎng)絡(luò)會(huì)刊問世.

神經(jīng)網(wǎng)絡(luò)應(yīng)用范圍

已經(jīng)滲透到各個(gè)領(lǐng)域，智能控制，模式識(shí)別,計(jì)算機(jī)

視覺，自適應(yīng)濾波，信號(hào)處理，非線形優(yōu)化，語音識(shí)別

知識(shí)處理，傳感技術(shù)與機(jī)器人等等.

神經(jīng)網(wǎng)絡(luò)代表一種新的主義一連接主義，解決諸如

知識(shí)表達(dá)，推理學(xué)習(xí)，聯(lián)想記憶，乃至復(fù)雜的社會(huì)現(xiàn)

象,如混沌，社會(huì)演變的復(fù)雜系統(tǒng)的統(tǒng)一模型，它預(yù)

示著一個(gè)新的工業(yè).

模糊系統(tǒng)(模糊系統(tǒng)理論的起源和發(fā)展)

1.1965年，美國控制論專家、加利福尼亞大學(xué)教授扎

德(LAZadH?)首先提出模糊集合的概念,發(fā)表了開創(chuàng)性

論文《模糊集合論(Fuzzysets)》。他提出模糊數(shù)學(xué)的

核心思想就是運(yùn)用數(shù)學(xué)手段，仿效人腦思維，對(duì)復(fù)雜事

物進(jìn)行模糊處理。模糊數(shù)學(xué)在基礎(chǔ)理論和實(shí)際應(yīng)用等

方面引起了各國學(xué)者的極大興趣,并產(chǎn)生了許多有價(jià)值

的應(yīng)用和驚人的成果。

2.1973年，扎德教授又提出模糊邏輯(FuzzyLog/'c)的

理論，并積極倡導(dǎo)將模糊理論向人工智能方向發(fā)展。

模糊邏輯的研究雖然時(shí)間還不很長(zhǎng)，但在智能模擬和

智能控制等領(lǐng)域卻已有了飛快的發(fā)展。

模糊系統(tǒng)(模糊系統(tǒng)理論的起源和發(fā)展)

3.74年，印度裔英國學(xué)者馬德尼(EH./V/amdam)

首先將模糊理論用于鍋爐和蒸汽機(jī)的控制，并實(shí)

驗(yàn)成功，開創(chuàng)了模糊控制的新領(lǐng)域。

4.80年代后期以來，在日本采用模糊控制技術(shù)

的家電產(chǎn)品大量上市，模糊技術(shù)在圖像識(shí)別、自

動(dòng)控制、市場(chǎng)預(yù)測(cè)、人工智能等領(lǐng)域普遍應(yīng)用，

掀起了一股模糊熱。日本、美國和我國都成功地

研制出了智能化的模糊推理機(jī)，這表現(xiàn)了模糊理

論的強(qiáng)大生命力和偉大意義。

模糊系統(tǒng)(模糊系統(tǒng)理論的起源和發(fā)展)

5.另一方面，模糊理論在學(xué)術(shù)界也得到了普遍

的認(rèn)同和重視。1992年，/EEE召開了第一屆關(guān)

于模糊系統(tǒng)的國際會(huì)議(FUZZ-IEEE),并決

定以后每年舉行一次。1993年/EEE創(chuàng)辦了?？?/p>

IEEETransactiononFuzzySystemo

■6.當(dāng)前，模糊理論和應(yīng)用正向深度和廣度進(jìn)一

步發(fā)展，發(fā)展的速度越來越快，研究成果大量涌

現(xiàn)，已經(jīng)成為世界各國高科技競(jìng)爭(zhēng)的重要領(lǐng)域之

模糊系統(tǒng)的研究范疇

模糊系統(tǒng)基于模糊數(shù)學(xué)理論，能對(duì)復(fù)雜事物

進(jìn)行模糊處理。模糊數(shù)學(xué)的理論基礎(chǔ)包括模糊邏

輯、模糊規(guī)則、模糊推理、隸屬度和模糊集合等。

另外，以模糊數(shù)學(xué)為基礎(chǔ)的模糊控制器和模糊神

經(jīng)網(wǎng)絡(luò)的理論和設(shè)計(jì)。

進(jìn)化計(jì)算

進(jìn)化計(jì)算（EvolutionComputing）是采用

簡(jiǎn)單的編碼技術(shù)來表示各種復(fù)雜的結(jié)構(gòu)，并通過

簡(jiǎn)單的遺傳操作和優(yōu)勝劣汰的自然選擇來指導(dǎo)學(xué)

習(xí)和確定搜索的方向。由于它采用種群（即一組

表示）的方式組織搜索，這使得它可以同時(shí)搜索

解空間內(nèi)的多個(gè)區(qū)域，特別適合大規(guī)模并行計(jì)算。

進(jìn)化計(jì)算具有自組織、自適應(yīng)、自學(xué)習(xí)的特點(diǎn)，

并且不受其搜索空間限制性條件（如可微、單峰

等）的約束，不需要其它輔助信息（如導(dǎo)數(shù)）。

這使得進(jìn)化計(jì)算不僅能獲得較高的效率，而且操

作簡(jiǎn)單、通用性強(qiáng)。

進(jìn)化計(jì)算的發(fā)展過程

1.進(jìn)化計(jì)算在20世紀(jì)六七十年代并未受到普遍的重視。

其主要原因之一是因?yàn)檫@些方法本身還不夠成熟；二是

由于這些方法需要較大的計(jì)算量，而當(dāng)時(shí)的計(jì)算機(jī)還不

夠普及且速度較慢，這樣便限制了它們的應(yīng)用；三是當(dāng)

時(shí)基于符號(hào)處理的人工智能方法正處于其頂峰時(shí)期，使

得人們難以認(rèn)識(shí)到其它方法的有效性及適應(yīng)性。

2.到了80年代，人工智能方法的局限性越來越突出，并

且隨著計(jì)算機(jī)速度的提高和并行計(jì)算機(jī)的普及，已使得

進(jìn)化計(jì)算對(duì)機(jī)器速度的要求不再是制約其發(fā)展的因素。

進(jìn)化計(jì)算的不斷發(fā)展及其在一些應(yīng)用領(lǐng)域內(nèi)取得的成功，

已表現(xiàn)出了良好的應(yīng)用前景。

進(jìn)化計(jì)算的發(fā)展過程

3.由于進(jìn)化計(jì)算在機(jī)器學(xué)習(xí)、過程控制、經(jīng)濟(jì)預(yù)

測(cè)、工程優(yōu)化等領(lǐng)域取得的成功，引起了各領(lǐng)域

科學(xué)家們的極大興趣，自80年代中期以來，世界

上許多國家都掀起了進(jìn)化計(jì)算的研究熱潮。目前,

有數(shù)種以進(jìn)化計(jì)算為主題的國際會(huì)議在世界各地

定期召開，并已出版了兩種以上專門關(guān)于進(jìn)化計(jì)

算的雜志。可以預(yù)料，隨著進(jìn)化計(jì)算理論研究的

不斷深入和應(yīng)用領(lǐng)域的不斷拓廣，進(jìn)化計(jì)算必將

取得更大的成功。

進(jìn)化計(jì)算的主要分支

進(jìn)化計(jì)算的三大分支包括：遺傳算法

(GeneticA/gonthm,簡(jiǎn)稱GA)、進(jìn)化規(guī)劃

(EvolutionProgramming，簡(jiǎn)稱￡P(guān))和進(jìn)化策略

(EvolutionStrategies,簡(jiǎn)ES)。這三個(gè)分支在

算法實(shí)現(xiàn)方面具有一些細(xì)微的差別，但它們具有

一個(gè)共同的特點(diǎn)，即都是借助生物進(jìn)化的思想和

原理來解決實(shí)際問題。

■下面我們分別就這三個(gè)分支作以簡(jiǎn)單的介紹。

進(jìn)化計(jì)算的主要分支

①遺傳算法

遺傳算法是一類通過模擬生物界自然選擇和自然遺傳

機(jī)制的隨機(jī)化搜索算法，由美國J.Holand教授于1975

年首次提出。它是利用某種編碼技術(shù)作用于稱為染色

體的二進(jìn)制數(shù)串，其基本思想是模擬由這些串組成的

種群的進(jìn)化過程，通過有組織的、隨機(jī)的信息交換來

重新組合那些適應(yīng)性好的串。遺傳算法對(duì)求解問題的

本身一無所知，它所需要的僅是對(duì)算法所產(chǎn)生的每個(gè)

染色體進(jìn)行評(píng)價(jià)，并根據(jù)適應(yīng)度來選擇染色體，使適

應(yīng)度好的染色體比適應(yīng)度差的染色體有更多的繁殖機(jī)

會(huì)。

進(jìn)化計(jì)算的主要分支

遺傳算法尤其適用于處理傳統(tǒng)搜索方法難于解決的復(fù)雜

的非線性問題，可廣泛用于組合優(yōu)化、機(jī)器學(xué)習(xí)、自適

應(yīng)控制、規(guī)劃設(shè)計(jì)和人工生命等領(lǐng)域，是21世紀(jì)有關(guān)智能

計(jì)算中的關(guān)鍵技術(shù)之一。

②進(jìn)化策略。1964年，由德國柏林工業(yè)大學(xué)的

LRechenberg等人提出。在求解流體動(dòng)力學(xué)柔性彎曲管

的形狀優(yōu)化問題時(shí)，用傳統(tǒng)的方法很難優(yōu)化設(shè)計(jì)描述物

體形狀的參數(shù)，從而利用生物變異的思想來隨機(jī)地改變

參數(shù)值并獲得了較好的結(jié)果。隨后，他們便對(duì)這種方法

進(jìn)行了深入的研究和發(fā)展，形成了進(jìn)化計(jì)算的另一個(gè)分

支——進(jìn)化策略。

進(jìn)化計(jì)算的主要分支

進(jìn)化策略與遺傳算法的不同之處在于：進(jìn)化策

略直接在解空間上進(jìn)行操作，強(qiáng)調(diào)進(jìn)化過程中從

父體到后代行為的自適應(yīng)性和多樣性，強(qiáng)調(diào)進(jìn)化

過程中搜索步長(zhǎng)的自適應(yīng)性調(diào)節(jié)；而遺傳算法是

將原問題的解空間映射到位串空間之中，然后再

施行遺傳操作，它強(qiáng)調(diào)個(gè)體基因結(jié)構(gòu)的變化對(duì)其

適應(yīng)度的影響。

進(jìn)化策略主要用于求解數(shù)值優(yōu)化問題。

進(jìn)化計(jì)算的主要分支

③進(jìn)化規(guī)劃

進(jìn)化規(guī)劃的方法最初是由美國人LJ.Foge/等人在

20世紀(jì)60年代提出的。他們?cè)谌斯ぶ悄艿难芯恐?/p>

發(fā)現(xiàn)，智能行為要具有能預(yù)測(cè)其所處環(huán)境的狀態(tài),

并按照給定的目標(biāo)作出適當(dāng)?shù)捻憫?yīng)的能力。在研

究中，他們將模擬環(huán)境描述成是由有限字符集中

符號(hào)組成的序列。

進(jìn)化計(jì)算的主要特點(diǎn)

進(jìn)化算法與傳統(tǒng)的算法具有很多不同之處，但其

最主要的特點(diǎn)體現(xiàn)在下述兩個(gè)方面：

①智能性

進(jìn)化計(jì)算的智能性包括自組織、自適應(yīng)和自

學(xué)習(xí)性等。應(yīng)用進(jìn)化計(jì)算求解問題時(shí)，在確定了

編碼方案、適應(yīng)度函數(shù)及遺傳算子以后，算法將

根據(jù)“適者生存、不適應(yīng)者淘汰”的策略，利用

進(jìn)化過程中獲得的信息自行組織搜索，從而不斷

地向最佳解方向逼近。

進(jìn)化計(jì)算的主要特點(diǎn)

自然選擇消除了傳統(tǒng)算法設(shè)計(jì)過程中的一個(gè)最大障礙：

即需要事先描述問題的全部特點(diǎn)，并說明針對(duì)問題的不

同特點(diǎn)算法應(yīng)采取的措施。于是，利用進(jìn)化計(jì)算的方法

可以解決那些結(jié)構(gòu)尚無人能理解的復(fù)雜問題。

②本質(zhì)并行性

進(jìn)化計(jì)算的本質(zhì)并行性表現(xiàn)在兩個(gè)方面：一是進(jìn)化

計(jì)算是內(nèi)在并行的，即進(jìn)化計(jì)算本身非常適合大規(guī)模并

行。二是進(jìn)化計(jì)算的內(nèi)含并行性，由于進(jìn)化計(jì)算采用種

群的方式組織搜索，從而它可以同時(shí)搜索解空間內(nèi)的多

個(gè)區(qū)域，并相互交流信息，這種搜索方式使得進(jìn)化計(jì)算

能以較少的計(jì)算獲得較大的收益。

神經(jīng)網(wǎng)絡(luò)、模糊系統(tǒng)進(jìn)化計(jì)算相互融合

人工神經(jīng)網(wǎng)絡(luò)能夠通過學(xué)習(xí)和訓(xùn)練獲得用數(shù)據(jù)表達(dá)的知

識(shí)，除了可以記憶已知的信息之外，神經(jīng)網(wǎng)絡(luò)還具有較

強(qiáng)的概括能力和聯(lián)想記憶能力。但神經(jīng)網(wǎng)絡(luò)的推理知識(shí)

表示體現(xiàn)在網(wǎng)絡(luò)連接權(quán)值上，表達(dá)比較難以理解，這是

它的一個(gè)缺點(diǎn)。

模糊系統(tǒng)的顯著特點(diǎn)是能夠直接地表示邏輯，適于直接

的或高級(jí)的知識(shí)表達(dá)，具有較強(qiáng)的邏輯功能。但它沒有

本質(zhì)的獲取知識(shí)的能力，模糊規(guī)則的確定也比較困難，

通常需要領(lǐng)域?qū)＜抑R(shí)的指導(dǎo)。因此如何構(gòu)造可自動(dòng)處

理模糊信息的模糊系統(tǒng)，即實(shí)現(xiàn)模糊規(guī)則的自動(dòng)提取和

模糊變量隸屬度函數(shù)的自動(dòng)生成及優(yōu)化，一直是困擾模

糊信息處理技術(shù)進(jìn)一步推廣的難題。

神經(jīng)網(wǎng)絡(luò)、模糊系統(tǒng)進(jìn)化計(jì)算相互融合

進(jìn)化計(jì)算模擬生物進(jìn)化的過程，依據(jù)適者生存、優(yōu)勝劣

汰的進(jìn)化規(guī)則，對(duì)包含可能解的種群反復(fù)進(jìn)行基于遺傳

的操作，不斷生成新的種群并使種群不斷進(jìn)化，同時(shí)以

全局并行搜索方式來搜索優(yōu)化種群中的最優(yōu)個(gè)體，以求

得滿足要求的最優(yōu)解。其主要優(yōu)點(diǎn)是簡(jiǎn)單、魯棒性強(qiáng)、

捶用空間大。

隨著對(duì)模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)研究的深入，兩個(gè)領(lǐng)域間相

互獨(dú)立的關(guān)系逐漸改變。如果將它們進(jìn)行綜合，即將符

號(hào)邏輯推理方法與聯(lián)接機(jī)制方法進(jìn)行結(jié)合，將數(shù)值方法

和模糊邏輯方法進(jìn)行結(jié)合，其優(yōu)勢(shì)將遠(yuǎn)遠(yuǎn)高于單項(xiàng)研究。

模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的融合導(dǎo)致了模糊神經(jīng)網(wǎng)絡(luò)的產(chǎn)生，

許多學(xué)者已對(duì)此進(jìn)行了嘗試。

神經(jīng)網(wǎng)絡(luò)、模糊系統(tǒng)進(jìn)化計(jì)算相互融合

神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)和權(quán)值的訓(xùn)練是一個(gè)十分重

要而困難的問題，傳統(tǒng)的方法多是憑經(jīng)驗(yàn)或啟發(fā)知識(shí)來

設(shè)計(jì)網(wǎng)絡(luò)，用梯度法來確定其中的權(quán)值，常常需要進(jìn)行

反復(fù)試驗(yàn)而且還很難找到最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)和權(quán)值。而進(jìn)

化計(jì)算為神經(jīng)網(wǎng)絡(luò)的自動(dòng)設(shè)計(jì)和訓(xùn)練提供了一種新的途

徑，這就是進(jìn)化神經(jīng)網(wǎng)絡(luò)。

神經(jīng)網(wǎng)絡(luò)、模糊系統(tǒng)、進(jìn)化算法三者研究同步發(fā)展、相

互滲透、界限日益模糊，人們逐漸認(rèn)識(shí)到由三者交叉組

成的新系統(tǒng)具有更強(qiáng)的功能，因而三者相互融合的研究

是當(dāng)今三個(gè)分支研究的熱點(diǎn)。

自然計(jì)算(Nature-inspiredComputation)

以自然界，特別是生物體的功能、特點(diǎn)和作用機(jī)理為

基礎(chǔ)，研究其中所