人工智能第五章9

人工智能原理

ArtificialIntelligencePrinciple信息工程学院张永梅第5章计算智能(2)进化计算人工生命第五章计算智能(2)5.1遗传算法5.2进化战略5.3进化编程5.4人工生命第五章计算智能(2)作业：5-2，5-7，5-9答疑时间及地点答疑时间：每周四5、6节答疑地点：三教2604电子邮件：zhangym@联络方式：10842037第四章计算智能(1)4.1概述4.2神经计算4.3模糊计算计算智能涉及神经网络、模糊逻辑、进化计算和人工生命等领域，它的研讨和开展反映了当代科学技术多学科交叉与集成的重要开展趋势。计算智能是自创仿生学的思想，基于人们对生物体智能机理的认识，采用数值计算的方法去模拟和实现人类的智能。计算智能是一种以模型〔计算模型、数学模型〕为根底，以分布、并行计算为特征的自然智能模拟方法。进化计算〔EvolutionaryComputation,EC〕包括：遗传算法(geneticalgorithms，GA)进化战略(evolutionstrategies)进化编程(evolutionaryprogramming)遗传编程(geneticprogramming)人类不满足于模拟生物进化行为，希望可以建立具有自然生命特征的人造生命和人造生命系统。人工生命是人工智能和计算智能的一个新的研讨热点。进化计算是一种对人类智能的演化模拟方法，它是经过对生物遗传和演化过程的认识，用进化算法去模拟人类智能的进化规律的。人工生命(Artificiallife，AL)是经过人工模拟生命系统，来研讨生命的领域。人工生命的概念，包括两个方面内容：〔1〕属于计算机科学领域的虚拟生命系统，涉及计算机软件工程与人工智能技术；〔2〕基因工程技术人工改造生物的工程生物系统，涉及合成生物学技术。AL是首先由计算机科学家ChristopherLangton于1987年在LosAlamosNationalLaboratory召开的"生成以及模拟生命系统的国际会议"上提出。世界首个人工生命构造诞生中新网2021年5月22日电综合媒体报道，美国克莱格.文特尔研讨所一个有华人参与的研讨团队宣布，在实验中制造出世界首个完全由人造基因指令控制的人造生命，使人类的才干拓展到可以支配自然世界，未来可制造有特殊功能的生物，在消费疫苗及干净能源等领域大派用场。由美国生物学家文特尔指点的研讨团队，重塑“丝状支原体丝状亚种〞(Mycoplasmamycoides)这种微生物的DNA，并将新DNA片段“黏〞在一同，植入另一种山羊支原体中。新生命于2021年4月诞生，昵称“Synthia〞(合成体)，这种微生物由蓝色细胞组成，可以生长、繁衍，细胞分裂了逾10亿次，产生一代又一代的人造生命。植入的DNA片段包含约850个基因，而人类DNA图谱上共有约2万个基因。

进化计算〔EvolutionaryComputation,EC〕包括：遗传算法(geneticalgorithms，GA)进化战略(evolutionstrategies)进化编程(evolutionaryprogramming)遗传编程(geneticprogramming)其中，遗传算法是进化计算中最初构成的一种具有普遍影响的模拟进化优化算法。因此我们主要讨论遗传算法。进化计算是一种模拟自然界生物进化过程与机制进展问题求解的自组织、自顺应的随机搜索技术。它将生物进化过程中的繁衍〔Reproduction〕变异〔Mutation〕竞争〔Competition〕选择〔Selection〕引入到了算法中。什么是进化计算进化计算的生物学根底自然界生物进化过程是进化计算的生物学根底，它主要包括:遗传(Heredity)变异(Mutation)进化(Evolution)实际

生物进化与遗传算法群体种群子群选择婚配变异遭淘汰的群体遗传算法(GeneticAlgorithm)达尔文进化论：“物竞天择、适者生存〞。70年代由美国的密执根大学的Holland在他的著作<AdaptationinNaturalandArtificialSystems>初次提出遗传算法，并主要由他和他的学生开展起来。近年来，遗传算法作为一种有效的工具，已广泛地运用于最优化问题求解之中。第五章计算智能(2)5.1遗传算法5.2进化战略5.3进化编程5.4人工生命5.1遗传算法遗传算法是模拟生物遗传学和自然选择机理，经过人工方式所构造的一类优化搜索算法，是对生物进化过程进展的一种数学仿真，是进化计算的最重要的方式。遗传算法为那些难以找到传统数学模型的难题指出了一个处理方法。进化计算和遗传算法自创了生物科学中的某些知识，这也表达了人工智能这一交叉学科的特点。5.1遗传算法遗传算法的来源自然界所提供的答案是经过漫长的自顺应——遗传过程获得的结果。我们也可以利用这一过程本身去处理一些复杂的问题。遗传算法的研讨主要集中在以下几个方面：函数优化、组合优化消费调度、自动控制、机器人学、图像处置、人工生命、演化编程和机器学习。5.1.1遗传算法的根本机理霍兰德的遗传算法通常称为简单遗传算法〔SimpleGeneticAlgorithm,SGA〕。现以此作为讨论主要对象，加上顺应的改良，来分析遗传算法的构造和机理。5.1遗传算法编码与解码顺应度函数遗传操作5.1.1遗传算法的根本机理5.1遗传算法根本思想是从初始种群出发，采用优胜劣汰、适者生存的自然法那么选择个体，并经过杂交、变异来产生新一代种群，如此逐代进化，直到满足目的为止。遗传算法的根本概念遗传算法〔GeneticAlgorithm〕是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，是一种经过模拟自然进化过程搜索最优解的方法。5.1.1遗传算法的根本机理5.1遗传算法遗传算法的根本概念遗传算法是从代表问题能够潜在的解集的一个种群〔population〕开场的，而一个种群那么由经过基因〔gene〕编码的一定数目的个体〔individual〕组成。初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代〔generation〕演化产生出越来越好的近似解，在每一代，根据问题域中个体的顺应度〔fitness〕大小挑选〔selection〕个体，并借助于自然遗传学的遗传算子〔geneticoperators〕进展组合交叉〔crossover〕和变异〔mutation〕，产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加顺应于环境，末代种群中的最优个体经过解码〔decoding〕，可以作为问题近似最优解。5.1.1遗传算法的根本机理5.1遗传算法遗传算法的根本概念遗传算法是一类可用于复杂系统优化的具有鲁棒性的搜索算法，与传统的优化算法相比，主要有以下特点：1、遗传算法以决策变量的编码作为运算对象。传统的优化算法往往直接决策变量的实践值本身，而遗传算法处置决策变量的某种编码方式，使得我们可以自创生物学中的染色体和基因的概念，可以模拟自然界生物的遗传和进化机理，也使得我们可以方便地运用遗传操作算子。

2、遗传算法直接以顺应度作为搜索信息，无需导数等其它辅助信息。

3、遗传算法运用多个点的搜索信息，具有隐含并行性。4、遗传算法运用概率搜索技术，而非确定性规那么。5.1.1遗传算法的根本机理5.1遗传算法根本思想是从初始种群出发，采用优胜劣汰、适者生存的自然法那么选择个体，并经过杂交、变异来产生新一代种群，如此逐代进化，直到满足目的为止。遗传算法的根本概念种群〔Population〕：种群是初始给定的多个解的集合。它普通是整个搜索空间的一个很小的子集。个体〔Individual〕：个体是指种群中的单个元素。一个个体也就是搜索空间中的一个点。染色体〔Chromos〕：由多个基因组成，表示一个个体。染色体是指对个体进展编码后所得到的编码串。染色体中的每1位称为基因，染色体上由假设干个基因构成的一个有效信息段称为基因组。顺应度〔Fitness〕函数：顺应度函数是一种用来对种群中各个个体的环境顺应性进展度量的函数。其函数值是遗传算法实现优胜劣汰的主要根据。5.1.1遗传算法的根本机理5.1遗传算法遗传算法的根本概念顺应度(fitness)自创生物个体对环境的顺应程度，而对问题中的个体对象所设计的表征其优劣的一种测度顺应度函数(fitnessfunction)问题中的全体个体与其顺应度之间的一个对应关系普通是一个实值函数该函数就是遗传算法中指点搜索的评价函数5.1.1遗传算法的根本机理5.1遗传算法遗传算法的根本概念染色体(chromosome)染色体是由假设干基因组成的位串〔生物学〕个体对象由假设干字符串组成来表示〔遗传算法〕个体染色体9----1001〔2，5，6〕----010101110遗传算法(geneticalgorithm)染色体就是问题中个体的某种字符串方式的编码表示染色体以字符串来表示基因是字符串中的一个个字符5.1.1遗传算法的根本机理5.1遗传算法遗传算法的根本概念编码与解码将问题构造变换为位串方式编码表示的过程叫编码；将位串方式编码表示变换为原问题构造的过程叫解码或译码。Huffman编码方法是一种效率高、方法简单的编码。信源中符号出现的概率相差越大，Huffman编码效果越好。哈夫曼〔Huffman〕编码Huffman编码普通可将数据紧缩20%至90%，其紧缩效率取决于被紧缩数据的特征。〔1〕把信源符号xi(i=1,2,…,N)按出现概率的值由小到大的顺序陈列；Huffman编码步骤〔2〕对两个概率最小的符号分别分配以“0〞和“1〞，然后把这两个概率相加作为一个新的辅助符号的概率；〔3〕将这个新的辅助符号与其他符号一同重新按概率大小顺序陈列；〔4〕跳到第2步，直到出现概率相加为1为止；Huffman编码步骤〔5〕用线将符号衔接起来，从而得到一个码树，树的N个端点对应N个信源符号；

〔6〕从最后一个概率为1的节点开场，沿着到达信源的每个符号，将一路遇到的二进制码“0〞或“1〞顺序陈列起来，就是端点所对应的信源符号的码字。Huffman编码方法例如：信源符号分布为：a:4/22b:3/22c:2/22d:1/22e:5/22f:7/22排序为：d,c,b,a,e,f1/222/223/224/225/227/22Huffman编码方法cbafe7/225/224/222/2210f=11e=01a=00b=101c=1001d=1000d1/223/226/2222/2213/229/223/2210101010哈夫曼解码在通讯中，假设将字符用哈夫曼编码方式发送出去，对方接纳到编码后，将编码复原成字符的过程，称为哈夫曼解〔译〕码。解码:从根结点起，每输入一个数码即沿二叉树下移一层，数码为0时移向左分支，数码为1时移向右分支，待到达叶子结点时即译出一个字符，再输入的数码又从根结点开场重新做起。反复由根出发，直到译码完成。5.1.1遗传算法的根本机理5.1遗传算法遗传算法的根本概念遗传操作〔GeneticOperator〕：遗传操作是指作用于种群而产生新的种群的操作。包括以下3种根本方式：选择〔Selection〕交叉〔Crosssover〕变异〔Mutation〕5.1.1遗传算法的根本机理5.1遗传算法遗传算法的根本概念遗传操作选择操作也叫复制〔reproduction〕操作，根据个体的顺应度函数值所度量的优劣程度决议它在下一代是被淘汰还是被遗传。交叉操作的简一方式是将被选择出的两个个体P1和P2作为父母个体，将两者的部分码值进展交换。变异操作的简一方式是改动数码串的某个位置上的数码。二进制编码表示的简单变异操作是将0与1互换：0变异为1，1变异为0。选择算子模拟生物界优胜劣汰的自然选择法那么的一种染色体运算从种群中选择顺应度较高的染色体进展复制，以生成下一代种群算法：个体顺应度计算在被选集中每个个体具有一个选择概率选择概率取决于种群中个体的顺应度及其分布个体顺应度计算，即个体选择概率计算个体选择方法按照顺应度进展父代个体的选择交叉算子交换、交配、杂交互换两个染色体某些位上的基因随机化算子，生成新个体变异算子突变改动染色体某个/些位上的基因随机化算子，生成新个体次要算子，但在恢复群体中失去的多样性方面具有潜在的作用生物进化与遗传算法之间的对应关系生物进化中的概念遗传算法中的作用环境适应性适者生存个体染色体基因种群(群体)交叉变异生物进化与遗传算法之间的对应关系生物进化中的概念遗传算法中的作用环境适应函数适应性函数适应值适者生存适应函数值最大的解被保留的概率最大个体问题的一个解染色体解的编码基因编码的元素种群(群体)根据适应函数选择的一组解交叉以一定的方式由双亲产生后代的过程变异编码的某些分量发生变化的过程5.1.2遗传算法的求解步骤遗传算法的主要特点5.1遗传算法(1)

遗传算法利用目的函数的顺应度这一信息而非利用导数或其它辅助信息来指点搜索；(2)

遗传算法利用选择、交叉、变异等算子而不是利用确定性规那么进展随机操作。遗传算法对种群中的染色体反复做三种遗传操作使其朝着顺应度增高的方向不断更新换代，直至出现了顺应度满足目的条件的染色体为止遗传算法参数种群规模种群的大小，用染色体个数表示最大换代数种群更新换代的上限，也是算法终止一个条件交叉率Pc参与交叉运算的染色体个数占全体染色体总数的比例取值范围：0.4-0.99变异率Pm发生变异的基因位数占全体染色体的基因总位数的比例取值范围：0.0001-0.1染色体编码长度L

遗传算法流程图(1)初始化群体;5.1遗传算法(2)计算群体上每个个体的顺应度值;(3)按由个体顺应度值所决议的某个规那么选择将进入下一代的个体;(4)按概率Pc进展交叉操作;

(5)按概率Pc进展变异操作;

(6)假设没有满足某种停顿条件，那么转第(2)步，否那么进入下一步。(7)输出群体中顺应度值最优的染色体作为问题的称心解或最优解。GA算法框图普通遗传算法的主要步骤如下：(1)随机产生一个由确定长度的特征字符串组成的初始群体。5.1遗传算法(2)

对该字符串群体迭代地执行下面的步骤①和②，直到满足停顿规范：①计算群体中每个个体字符串的顺应值；②运用选择、交叉、变异等遗传算子产生下一代群体。(3)

把在后代中出现的最好的个体字符串指定为遗传算法的执行结果，这个结果可以表示问题的一个解。产生初始群体能否满足停顿准那么计算每个个体的顺应值i=M?GEN:=GEN+1依概率选择遗传操作执行复制选择一个个体i:=i+1选择两个个体选择一个个体执行变异i:=0GEN:=0复制到新群体i:=i+1将两个后代插入新群体插入到新群体执行杂交指定结果终了是否是否变异复制交叉5.1遗传算法流程图例：求函数的最大值例：求函数的最大值其中x为[0,31]间的整数编码：采用二进制方式编码由于x的定义域是[0,31]间的整数，刚好可以用5位二进制数表示，因此可以用5位二进制数表示该问题的解，即染色体。如00000表示x＝0，10101表示x＝21，11111表示x＝31等问题：求〔1〕编码：此时取均长为5，每个染色体〔2〕初始群体生成：群体大小视情况而定，此处设置为4，随机产生四个个体：编码：01101，11000，01000，10011解码：1324819顺应度：16957664361〔3〕顺应度评价：〔4〕选择：选择概率个体：01101，11000，01000，10011顺应度：16957664361选择概率：0.140.490.060.31选择结果：01101，11000，11000，10011〔5〕交叉操作：发生交叉的概率较大，变异概率很小。哪两个个体配对交叉是随机的。交叉点位置的选取是随机的〔单点交叉〕0110101100110001101111000110011001110000假设采用轮盘式选择个体，四个个体依次选中次数为1，2，0，1。染色体11001在种群中出现了2次，而原染色体01000那么因顺应值太小而被淘汰。轮盘式选择首先计算每个个体i被选中的概率然后根据概率的大小将圆盘分为n个扇形。选择时转动轮盘，参考点r落到扇形i，那么选择个体i。......p1p2pir从统计角度看，个体的顺应度值越大，其对应的扇区的面积越大，被选中的能够性也越大。这种方法有点类似于发放奖品运用的轮盘，并带有某种赌博的意思，因此亦被称为赌轮选择。交叉操作交叉〔Crossover〕操作是指按照某种方式对选择的父代个体的染色体的部分基因进展交配重组，从而构成新的个体。交配重组是自然界中生物遗传进化的一个主要环节，也是遗传算法中产生新的个体的最主要方法。

根本遗传操作单点交叉单点交叉也称简单交叉，它是先在两个父代个体的编码串中随机设定一个交叉点，然后对这两个父代个体交叉点前面或后面部分的基因进展交换，并生成子代中的两个新的个体。假设两个父代的个体串分别是：X=x1x2…xkxk+1…xnY=y1y2…ykyk+1…yn随机选择第k位为交叉点，假设采用对交叉点后面的基因进展交换的方法，交叉后生成的两个新的个体是：X’=x1x2…xkyk+1…ynY’=y1y2…ykxk+1…xn

例设有两个父代的个体串A=001101和B=110010，假设随机交叉点为4，那么交叉后生成的两个新的个体是：A’=001110B’=110001〔4〕选择：选择概率个体：01101，11000，01000，10011顺应度：16957664361选择概率：0.140.490.060.31选择结果：01101，11000，11000，10011〔5〕交叉操作：发生交叉的概率较大，变异概率很小。哪两个个体配对交叉是随机的。交叉点位置的选取是随机的〔单点交叉〕0110101100110001101111000110011001110000假设采用轮盘式选择个体，四个个体依次选中次数为1，2，0，1。染色体11001在种群中出现了2次，而原染色体01000那么因顺应值太小而被淘汰。〔6〕变异：发生变异的概率很小。假设本次没有发生变异，那么变异前的种群即为进化后所得到的第1代种群。〔7〕新群体的产生：保管上一代最优个体，普通为10%左右，至少1个用新个体取代旧个体，随机取代或择优取代。11000，11011，11001，10011〔8〕反复上述操作。阐明：GA的终止条件普通人为设置；GA只能求次优解或称心解。分析：按第二代新群体进展遗传操作，假设无变异，永远也找不到最优解——择优取代有问题。假设随机地将个体01101选入新群体中，有能够找到最优解。在经过编码以后，遗传算法几乎不需求任何与问题有关的知识，独一需求的信息是顺应值的计算。也不需求运用者对问题有很深化的了解和求解技巧，经过选择、交叉和变异等简单的操作求解复杂的问题，是一个比较通用的优化算法。收敛性定理假设在代的进化过程中，遗传算法每次保管到目前为止的最好解，并且算法以交叉和变异为其随机化操作，那么对于一个全局最优化问题，当进化代数趋于无穷时，遗传算法找到最优解的概率为1。遗传算法图搜索解空间搜索问题空间搜索->解随机搜索、随机选取初始点集/种群固定初始/目标节点寻找最优解/次优解寻找解点集->点集、并行计算点->点需适应度函数需先验知识全局搜索约束较多算法比较遗传算法的实现5.1遗传算法遗传算法是一种自创生物界自然选择和进化机制开展起来的高度并行、随机、自顺应的搜索方法。MATLAB通用遗传算法工具箱GAOT运用群体搜索技术，将种群代表一组问题的解，经过对当前种群施加选择、交叉和变异等一系列遗传操作，从而得到新的一代种群，并逐渐使种群进化到包含近似最优解形状。第五章计算智能(2)5.1遗传算法5.2进化战略5.3进化编程5.4人工生命5.2进化战略进化战略(EvolutionStrategies，ES)是一类模拟自然进化原理以求解参数优化问题的算法。它是由雷切伯格〔Rechenberg〕、施韦费尔〔Schwefel〕和彼得·比纳特〔PeterBienert〕于1964年提出的，并在德国共同建立的。5.2.1进化战略的算法模型寻求与函数极值关联的实n维矢量x。随机选择父矢量的初始群体。〔双亲向量的初始群体〕父矢量xi,i=1,…,p产生子代矢量xi。〔子孙向量的创建〕对误差(i=1,…,p)排序以选择和决议坚持哪些矢量。继续产生新的实验数据以及选择最小误差矢量。该过程将继续到找到符合条件的答案或者一切的计算曾经全部完成为止。5.2进化战略最简单方式的进化战略可描画如下：5.2.2进化战略和遗传算法的区别进化战略和遗传算法有着很强的类似性，它们都是一类模拟自然进化原理的算法。5.2进化战略两者也存在着区别，其中最根本的区别是它们的研讨领域不同。进化战略是一种数值优化的方法，它采用一个具有自顺应步长和倾角的特定爬山方法。遗传算法从广义上说是一种自顺应搜索技术。5.2.2进化战略和遗传算法的区别除了研讨和运用领域外，进化战略和遗传算法还有以下区别：(1)进化战略和遗传算法表示个体的方式不同，

进化战略在浮点矢量上运转，而遗传算法普通运转在二进制矢量上。

5.2进化战略(2)进化战略和遗传算法的选择过程不同。(3)进化战略和遗传算法的复制参数不同，遗传算法的复制参数(交叉和变异的能够性)在进化过程中坚持恒定，而进化战略时时改动它们。随着技术的开展，进化战略和遗传算法以上的差别越来越不明显。第五章计算智能(2)5.1遗传算法5.2进化战略5.3进化编程5.4人工生命5.3进化编程进化编程(EvolutionaryProgramming，EP)，又称为进化规划〔EvolutionaryPlanning〕，是由福格尔〔Fogel〕在1962年提出的一种模拟人类智能的方法。进化编程根据正确预测的符号数来度量顺应值。经过变异，为父代群体中的每个机器形状产生一个子代。父代和子代中最好的部分被选择生存下来。它的提出是受自然生物进化机制的启发。5.3.1进化编程的机理与表示进化编程的过程，可了解为从一切能够的计算机程序构成的空间中，搜索具有高的顺应度的计算机程序个体。在进化程序设计中，几百或几千个计算机程序参与遗传进化。5.3进化编程进化编程由一随机产生的计算机程序群体开场，群体中每个计算机程序个体是用顺应度来评价的，该顺应值与特定的问题领域有关。5.3.2进化编程的步骤进化编程分为三个步骤：产生初始群体。它由关于问题(计算机程序)的函数随机组合而成。5.3进化编程迭代完成下述子步骤，直至满足选中规范为止：执行群体中的每个程序，根据它处理问题的才干，给它指定一个顺应值。运用变异等操作发明新程序群体。基于顺应值根据概率从群体中选出一个计算机程序个体，然后用适宜的操作作用于该计算机程序个体。把现有的计算机程序复制到新的群体中。经过遗传随机重组两个现有的程序,发明出新的计算机程序个体。在后代中顺应值最高的计算机程序个体被指定为进化编程的结果。这一结果能够是问题的解或近似解。变异和发明子代评价已存在的FSM用最好的形状机预测和添加符号选择父代初始化观测顺序是否能否预测初始化群体图进化编程的根本过程5.3进化编程FSM〔FiniteStateMachine，有限形状机〕进化计算的三种算法即遗传算法、进化战略和进化编程都是模拟生物界自然进化过程而建立的鲁棒性计算机算法。在一致框架下对三种算法进展比较，可以发现它们有许多类似之处，同时也存在较大的差别。进化战略和进化编程都把变异作为主要搜索算子，而在规范的遗传算法中，变异只处于次要位置。交叉在遗传算法中起着重要作用，而在进化编程中却被完全省去，在进化战略中与自顺应结合运用，起了很重要的作用。规范遗传算法和进化编程都强调随机选择机制的重要性，而从进化战略的角度看，选择〔复制〕是完全确定的。进化战略和进化编程确定地把某些个体排除在被选择〔复制〕之外，而规范遗传算法普通都对每个个体指定一个非零的选择概率。第五章计算智能(2)5.1遗传算法5.2进化战略5.3进化编程5.4人工生命5.4人工生命自然界是生命之源。自然生命千千万万，千姿百态，千差万别，巧夺天工，奇妙无穷。人工生命〔ArtificialLife，AL〕试图经过人工方法建造具有自然生命特征的人造系统。人工生命是生命科学、信息科学和系统科学等学科交叉研讨的产物，其研讨成果必将促进人工智能的开展。5.4.1人工生命研讨的来源和开展人类长期以来不断力图用科学技术方法模拟自然界，包括人脑本身。1943年麦卡络奇和皮茨提出了M－P神经学网络模型。5.4人工生命人工生命的许多早期研讨任务也源于人工智能。20世纪70年代以来，康拉德〔Conrad〕等提出不断完善的“人工世界〞模型。20世纪80年代，人工神经网络再度兴起促进人工生命的开展。在1987年第一次人工生命研讨会上，美国圣塔菲研讨所〔SantaFeInstitute，SFI〕非线性研讨组的兰顿〔Langton〕正式提出人工生命的概念，建立起人工生命新学科。以后，人工生命研讨进入一个蓬勃开展的新时期。5.4.2人工生命的定义和研讨意义人工生命是一项笼统地提取控制生物景象的根本动态原理，并且经过物理媒介〔如计算机〕来模拟生命系统动态开展过程的研讨任务。5.4人工生命通俗地讲，人工生命即人造的生命，非自然的生命。然而，要对人工生命做出严厉的定义，却需求对问题进展深化研讨。人工生命系统1987年兰德提出的人工生命定义为：“人工生命是研讨可以演示出自然生命系统特征行为的人造系统〞。5.4人工生命经过计算机或其它机器对类似生命的行为进展综合研讨，以便对传统生物科学起互补作用。兰德在计算机上演示了他们研制的具有生命特征的软件系统，并把这类具有生命景象和特征的人造系统称为人工生命系统。自然生命的共同特征和景象自繁衍、自进化、自寻优自生长、自学习、自组织自稳定、自顺应、自协调物质构造能量转换信息处置5.4人工生命研讨人工生命的意义人工生命是自然生命的模拟、延伸与扩展，其研讨开发有艰苦的科学意义和广泛的运用价值。5.4人工生命

开发基于人工生命的工程技术新方法、新系统、新产品为自然生命的研讨提供新模型、新工具、新环境延伸人类寿命、减缓衰老、防治疾病扩展自然生命，人工进化、优生优育促进生命、信息、系统科学的交叉与开展5.4.3人工生命的研讨内容和方法

人工生命的研讨内容人工生命的研讨内容大致可分为两类：构成生物体的内部系统，包括脑、神经系统、内分泌系统、免疫系统、遗传系统、酶系统、代谢系统等。5.4人工生命在生物体及其群体的外部系统，包括环境顺应系统和遗传进化系统等。人工生命的科学框架生命景象仿生系统生命景象的建模与仿真进化动力学人工生命的计算实际和工具进化机器人进化和学习等的结合人工生命的运用5.4人工生命人工生命的研讨方法〔1〕信息模型法根据内部和外部系统所表现的生命行为来建造信息模型。5.4人工生命〔2〕任务原理法生命行为所显示的自律分数和非线性行为，其任务原理是混沌和分形，以此为根底研讨人工生命的机理。人工生命的研讨技术途径

(1)工程技术途径利用计算机、自动化、微电子、精细机械、光电通讯、人工智能、神经网络等有关工程技术方法和途径，研讨开发、设计制造人工生命。经过计算机屏幕，以及三维动画，虚拟现实的软件方法或采用光机电一体化的硬件安装来演示和表达人工生命。5.4人工生命(2)生物科学途径利用生物科学方法和技术，经过人工合成、基因控制，无性繁衍过程，培育生成人工生命。5.4人工生命由于伦理学、社会学、人类学等方面的问题，经过生物科学途径生成的人工生命，如克隆人引起了不少争论。需求研讨和制定相应的社会监视、国家法律和国际公约。5.4.4人工生命的实例人工脑波兰人工智能和心思学教授安奇·布勒〔AndrzejBuller〕及一些日本学者在日本现代通讯研讨所进化系统研讨室对人工脑的研讨，已获得重要进展。5.4人工生命计算机病毒计算机进程细胞自动机人工核苷酸在计算机病毒出现以前，病毒不断是一个纯生物学的概念。它是指具有一定生物学构造的最小的生命单位，是一团可以自主复制的遗传物质。自然界的生物病毒有很多种，总共1000多种，是自然界普遍存在的一种生命景象。

普通以为，计算机病毒这一概念是在1983年由美国专家科恩〔FredCohen〕在一次计算机平安学术会议上正式提出的，并获准进展了实验演示，从而证明了计算机病毒的存在。世界上最早发现的计算机病毒是“巴基斯坦〞病毒，时间是1986年1月。1987年和1988年，计算机病毒肆虐欧美，1989年计算机病毒悄然登陆中华大地。截止目前，估计世界上已有的计算机病毒达6000余种，并越来越严重地要挟着计算机系统的平安，使得计算机用户谈毒色变、惶恐不安。于是人们一致地对计算机病毒采取了消灭与预防的战略和方针。计算机病毒能够并非人们通常所以为的那样只需消极作用、破坏性作用，假设我们可以哲学地思索与对待计算机病毒，那么我们就会发现它所潜在的一些非常有益的作用、建立性的作用。计算机病毒有能够对人类探求生命的奥妙发扬非常独特而积极的作用。

根据科恩于1983年给计算机病毒下的定义：计算机病毒是一种程序。它用修正其他程序的方法将本身的准确拷贝或者能够演化的拷贝放入其他程序，从而感染其