人工智能的历史课件

人工智能的历史

从人工智能到计算智能

1997年5月11日北京时间早晨4时50分，一台名叫“深

蓝”的超级电脑在棋盘C4处落下最后一颗棋子，全世

界都听到了震撼世纪的叫杀声一“将车”！这场举世

瞩目的“人机大战”，终于以机器获胜的结局降下了

帏幕。

“深蓝”是一台智能电脑，是人工智能的杰作。新闻

媒体以挑衅性的标题不断地发问：电脑战胜是一个人，

还是整个人类的智能？连棋王都认了输，下一次人类

还将输掉什么？智慧输掉了，人类还剩些什么？于是，

人工智能又一次成为万众关注的焦点，成为电脑科学

界引以自豪的学科。

人工智能(AI)伴随着电脑生长，在风风雨

雨中走过了半个多世纪的艰难历程，已但经是枝

繁叶茂、郁郁葱葱！

人工智能的发展

人工智能的萌芽（56年以前）

■人工智能的诞生（56-61年）

人工智能的发展（61年后）

人工智能的萌芽阶段

亚里斯多德(Aristotle384-322BC),主要贡献

为逻辑(Iogic)及形而上学(metaphysics)两方面

的思想。

亚氏在逻辑主要成就包括主谓命题(statement

insubject-predicateform)及关于此类命题的逻

辑推理方法，特别是三段论证(syllogism)。

所谓「命题」就是可言真(true)或假(false)的句

子，例如「赫格拉底是人」，道是真的命题；

至於问句「我的书在那里？」就不是命题了，

它并没有真假的意义可言。

亚里斯多德与逻辑、推理

逻辑只讨论命题，因它有真假可言。亚氏认为

命题基本是由主言司(subject)与谓言司(predicate)

构成的，主言词是命题所描述的事物或主题，谓

词即是描述主言同的词语。

■亚氏跟著提出四种比较复杂的主谓命题，它们

都具有以下结构：量言司一主言司一系言司一谓言词。造

里我们以符号S及P分别表示主言司及谓能］。

■系言可有两种：「是」或「不是」；量词亦有雨

种：「所有」(all)或「有」(some)o

亚里斯多德与逻辑、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「凡猫不是狗」；

■(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。

■所谓「逻辑推言俞」，即指由前提推导出结论的

正确(valid)的方法，在这种正确推论中，若前

提为真，即结论亦必然为真。

亚里斯多德与逻辑、推理

■关于推言俞，亚氏特别讨论三段论证，道是由雨

彳固(主需命题)前提推出(主言胃式)结论的方法。

例如：⑴凡孔子的后代是人(ii)凡人皆会死，；

因此凡孔子的后代会死。若写成普遍的形式，

即是：⑴凡S是M;(ii)凡M是P,；因此凡S是P。

这里⑴及(ii)是雨他前提，若造雨偃1前提为真，

期以上推出的结论(凡S是P)亦必然地真，因此

这个三段论证是正确的。

2.归纳法

Bacon（培根,1561-1626）在《新工具》中提

出归纳法，提出“知识就是力量”

1、i=1,成立（验证）；

2、假设i=k成立（假设），推出i=k+1成立；

3、推出对于任意的i均成立；

3.Turing图灵与人工智能

艾伦・麦席森•图灵（Turing，1912年6月23日-

1954年6月7日），英国数学家。

以“纸上下棋机”率先探讨了下棋与机器智能

的联系，他还是举世公认的“人工智能之父”。

■3岁那年，他进行了在科学实验方面的首次尝

试——把玩具木头人的胳膊掰下来种植到花园

里，想让它们长成更多的木头人。8岁时，图

灵尝试着写了一部科学著作，题名《关于一种

显微镜》。

Turing图灵与人工智能

1937年，伦敦权威的数学杂志又收到图灵一篇

论文《论可计算数及其在判定问题中的应用》，

作为阐明现代电脑原理的开山之作，被永远载

入了计算机的发展史册。

■这篇论文原本是为了解决一个基础性的数学问

题：是否只要给人以足够的时间演算，数学函

数都能够通过有限次机械步骤求得解答？传统

数学家当然只会想到用公式推导证明它是否成

立，可是图灵独辟蹊径地想出了一台冥冥之中

的机器。

Turing图灵与人工智能

1950年，图灵来到曼彻斯特大学任教，并被指

定为该大学自动计算机项目的负责人。就在这

年10月，他的又一篇划时代论文《计算机与

智能》发表。这篇文章后来被改名为《机器能

思维吗？》

Canamachinethink?

图灵试验

试图通过让机器模仿人回答某些问题，判断它是否具

备智能。图灵试验采用“问”与“答”模式，即观察

者通过控制打字机向两个试验对象通话，其中一个是

人，另一个是机器。要求观察者不断提出各种问题，

从而辨别回答者是人还是机器。

图灵指出：“如果机器在某些现实的条件下，能够非

常好地模仿人回答问题，以至提问者在相当长时间里

误认它不是机器，那么机器就可以被认为是能够思维

的。”

从表面上看，要使机器回答按一定范围提出的问题似

乎没有什么困难，可以通过编制特殊的程序来实现。

然而，如果提问者并不遵循常规标准，编制回答的程

序是极其困难的事情。

图灵试验

问：你会下国际象棋吗？

■答：是的。

问：你会下国际象棋吗？

■答：是的。

■问：请再次回答，你会下国际象棋吗？

■答：是的。

你多半会想到，面前的这位是一部笨机器。

图灵试验

问：你会下国际象棋吗？

■答：是的。

问：你会下国际象棋吗？

■答：是的，我不是已经说过了吗？

■问：请再次回答，你会下国际象棋吗?

答：你烦不烦，干嘛老提同样的问题。

图灵试验

上述两种对话的区别在于，第一种可明显

地感到回答者是从知识库里提取简单的答案，

第二种则具有分析综合的能力，回答者知道观

察者在反复提出同样的问题。“图灵试验”没

有规定问题的范围和提问的标准，如果想要制

造出能通过试验的机器，以我们现在的技术水

平，必须在电脑中储存人类所有可以想到的问

题，储存对这些问题的所有合乎常理的回答，

并且还需要理智地作出选择。

图灵预言

图灵曾预言，随着电脑科学和机器智能的

发展，本世纪末将会出现这样的机器。在这点

上，图灵也过于乐观。但是，“图灵试验”大

胆地提出“机器思维”的概念，为人工智能确

定了奋斗的目标，并指明了前进的方向。

遗憾的是，1954年6月8,图灵英年早逝!

人工智能的萌芽阶段

4、Mauchly和Eckert等研制成功ENIAC电子数字

计算机，为人工智能研究奠定物质基础。

5、VonNeumann提出冯•诺依曼计算机模型。

6、McCulloch和Pitts建立神经网络数学模型，通

过模拟人脑实现智能，开创人工神经网络研究。

7、Wiener创立控制论，Shannon创立信息论

8、英国数学家、逻辑学家Boole(1815-1864)

实现了布莱尼茨的思维符号化和数学化的思想，

提出了一种崭新的代数系统——布尔代数。

人工智能的诞生

1、导因

现实世界中相当多的问题求解是复杂的，常无

算法可循，即使有计算方法，也是NP（Non-

deterministicPolynomial，即是多项式复杂程

度的非确定性问题）问题。为此，人们可采用

启发式知识进行问题求解，把复杂的问题大大

简化，可在浩瀚的搜索空间中迅速找到解答。

运用专门领域的经验知识，经常会取得有关问

题的满意解，而非数学上的最优解。这就是启

发式搜索。

达特莫斯会议

1956年夏天，美国达特莫斯大学召开了一f5E

次影响深远的历史性会议。

主要发起人是该校青年助教麦卡锡（71,图灵

奖），此外会议发起者还有哈佛大学明斯基（69,图

灵奖）、贝尔实验室香农（E.Shannon）和旧M公

司信息研究中心罗彻斯特（N.Lochester）,他们

邀请了卡内基一梅隆大学纽厄尔和赫伯特•西蒙

（75,图灵奖）、麻省理工学院塞夫里奇（0.

Selfridge）和索罗门夫R.Solomamff）,以及旧M

公司塞缪尔（A.Samuel,跳棋机，56）和莫尔

（「More）。

达特莫斯会议

这些青年学者的研究专业包括数学、心理学、

神经生理学、信息论和电脑科学，分别从不同的

角度共同探讨人工智能的可能性。

达特莫斯会议历时长达两个多月，学者们在

充分讨论的基础上，首次提出了“人工智能”

(ArtificialIntelligence)这一术语,标志着人工

智能(AI)作为一门新兴学科正式诞生。

生物智能

对低级动物来讲，它的生存、繁衍是一种智

能。为了生存，它必须表现出某种适当的行为，

如觅食、避免危险、占领一定的地域、吸引异性

以及生育和照料后代。因此，从个体的角度看，

生物智能是动物为达到某种目标而产生正确行为

的生理机制。

自然界智能水平最高的生物就是人类自身，

不但具有很强的生存能力，而且具有感受复杂环

境、识别物体、表达和获取知识以及进行复杂的

思维推理和判断的能力。

人类智能

人类个体的智能是一种综合性能力。具体地讲，可包

括：

1）感知与认识事物、客观世界与自我的能力；

2）通过学习取得经验、积累知识的能力；

3）理解知识、运用知识和运用经验分析问题和解决问题

的能力；

4）联想、推理、判断、决策的能力；

5）运用语言进行抽象、概括的能力；

6）发现、发明、创造、创新的能力；

7）实时地、迅速地、合理地应付复杂环境的能力；

8）预测、洞察事物发展变化的能力；

注:

智能是相对的、发展的。离开特定时间说智

能是困难的、没有意义的。

智能定义

智能是人类具有的特征之一，然而，对于什

么是人类智能（或者说智力），科学界至今还没

有给出令人满意的定义。

1.从生物学角度定义为“中枢神经系统的功能”。

2.从心理学角度定义为“进行抽象思维的能力”。

3.有人同义反复地把它定义为“获得能力的能力”

智能定义

4.智能是个体或群体在不确定的动态环境中作出

适当反应的能力，这种反应必须有助于它（它们）

实现其最终的行为目标。

5,智能是个体有目的的行为、合理的思维，以及

有效地适应环境的综合能力。通俗地讲，智能是

个体认识客观事物、客观世界和运用知识解决问

题的能力。

人工智能

人工智能是相对人的自然智能而言，即用人

工的方法和技术，研制智能机器或智能系统来模

仿、延伸和扩展人的智能，实现智能行为和“机

器思维”，解决需要人类专家才能处理的问题。

人工智能是人工制品(artifact)中所涉及的智能行

为。其中，智能行为包括：感知(perception)、

推理(Reasoning)、学习(learning)、通信

(communicating，和复杂环境下南动作行为

(acting)o

人工智能定义

西蒙认为：AI是学会怎样编制计算机程序完成机

智的行为，学习人类怎样做这些机智行为；

明斯基则认为人工智能一方面帮助人的思考，另

一方面使计算机更有用。

鉴于图灵是用行为来判断机器是否具有智能，麻

省理工学院温斯顿(P.Winston)在Al教科书里

下定义说：“人工智能就是研究如何使计算机去

做过去只有人才能做的智能的工作。”

人工智能其他定义

定义1智能机器

能够在各类环境中自主地或交互地执行各种拟人任务的机器。

定义2人工智能(学科)

台匕是计算机科学中涉及研究、设计和应用智能机器的

一个分支。它的近期主要目标在于研究用机器来模仿和执行人脑的

某些智力功能，并开发相关理论和技术。

定义3人工智能(能力)人工智能(能力)是智能机器所执行的通常与人

类智能有关的智能行为，如判断、推理、证明、识别、感知、理解、

通信、设计、思考、规划、学习和问题求解等思维活动。

定义4人工智能是一种使计算机能够思维，使机器具有智力的激动人

心的新尝试(Haugeand,)

定义5人工智能是那些与人的思维、决策、问题求解和学习等有关活

动的自动化(Bellman)

定义6人工智能是用计算模型研究智力行为(Charniak和

McDermott,1985)。

人工智能其他定义

定义7人工智能是研究那些使理解、推理和行为成为可能的计算

(Winston,1992)。

定义8人工智能是一种能够执行需要人的智能的创造性机器的技术

(Kurzweil,1990)。

定义9人工智能研究如何使计算机做事让人过得更好(Rick和

Knight,1991)。

定义10人工智能是一门通过计算过程力图理解和模仿智能行为的学

科(Schalkoff,1990)。

定义11人工智能是计算机科学中与智能行为的自动化有关的一个分

支(Luger和tubblefield)。

人工智能的特点与分支

特点：具备推理、学习和联想

■人工智能从一开始就形成了其中两种重要的研

究范式，即符号主义和联接主义。符号主义采

用知识表达和逻辑符号系统来模拟人类的智能。

联接主义则从大脑和神经系统的生理背景出发

来模拟它们的工作机理和学习方式。符号主义

试图对智能进行宏现研究，而联接主义则是一

种微观意义上的探索。

人工智能的目标

人工智能科学想要解决的问题，是让电脑也具

有人类那种听、说、读、写、思考、学习、适

应环境变化、解决各种实际问题等等能力。换

言之，人工智能是电脑科学的一个重要分支，

它的近期目标是让电脑更聪明、更有用，它的

远期目标是使电脑变成“像人一样具有智能的

机器”。

人工智能的主要学派

(1)符号主义，又称为逻辑主义、心理学派或计

算机学派，其原理主要为物理符号系统(即符号操

作系统)假设和有限合理性原理。

⑵联结主义，又称为仿生学派或生理学派，其

原理主要为神经网络及神经网络间的连接机制与

学习算法。

⑶行为主义，又称进化主义或控制论学派。

符号主义

认为人工智能源于数理逻辑。数理逻辑从19世

纪末起就获迅速发展；到20世纪30年代开始用

于描述智能行为。计算机出现后，又在计算机

上实现了逻辑演绎系统正是这些符号主义者，

早在1956年首先采用“人工智能”这个术语。

后来又发展了启发式算法-专家系统一知识工

程理论与技术，并在80年代取得很大发展。符

号主义曾长期一枝独秀，为人工智能的发展作

出重要贡献，这个学派的代表有纽厄尔、肖、

西蒙和尼尔逊(Nilsson)o

连接主义

认为人工智能源于仿生学，特别是人脑模型的研究。

它的代表性成果是1943年由生理学家麦卡洛克

(McCulloch)和数理逻辑学家皮茨(P让ts)创立的脑模型，

即MP模型。60-70年代，联结主义，尤其是对以感知

机(perceptron)为代表的脑模型的研究曾出现过热潮，

由于当时的理论模型、生物原型和技术条件的限制，

脑模型研究在70年代后期至80年代初期落入低潮。(学

术权威M.L.Minsky,明斯基和S・Papert)

1986年鲁梅尔哈特(Rumelhart)等人提出多层网络中的

反向传播(BP)算法。此后，联结主义势头大振，从模

型到算法，从理论分析到工程实现，为神经网络计算

机走向市场打下基础。现在，对ANN的研究热情仍然

不减。

行为主义

行为主义,认为人工智能源于控制论。控制论

思想早在40-50年代就成为时代思潮的重要部分，

影响了早期的人工智能工作者。至U60-70年代，

控制论系统的研究取得一定进展，播下智能控制

和智能机器人的种子，并在80年代诞生了智能控

制和智能机器人系统。行为主义是近年来才以人

工智能新学派的面孔出现的，引起许多人的兴趣

与研究.

现代电脑的智能

现代电脑是一种具有高超能力的机器，它的

种类多，价格低，体积小，用途广，它在计算、

控制和数据处理方面，广泛替代人类完成了大量

的工作，甚至比人做得更加出色。

仿照“图灵试验”，请它做几件简单的工作,

探讨这种机器的智能究竟能达到多高的水平

现代电脑的智能

让世界上运算速度最高的超级电脑计算一个

小小的题目：“树上有10只鸟，被猎人用枪打下

1只，问树上还剩下几只鸟？”这台超级电脑

或许对此不屑一顾，或许会在0.0000000001秒

时间内，斩钉截铁地输出答案“9只！”

如果你把同样的问题问小学一年级学生，有

谁会回答说是“9只”呢？连小学生都能正确推

理的问题，电脑却不会。

现代电脑的智能

幼儿园的孩子也能自己横穿马路。老师告诉

他：过马路前先向两边看，附近没有汽车再横穿。

小朋友记住了这些常识，即使在较远处有驶来的

汽车，他也敢于不慌不忙穿过马路。现在，假如

有一位盲人也想横穿马路，请来电脑帮助计算。

那么，电脑会向他提出各种问题：马路宽度是多

少米？附近有汽车吗？最近的一辆离我们多远？

时速是每小时多少公里？这些都是电脑计算所必

须输入的基本数据，它不会根据生活常识进行模

糊判断。

现代电脑的智能

电脑能计算出10亿位的TT值，能快速处理全

国人口普查的海量数据，能精确地控制宇宙飞船

登上月球的每一步骤，使任何聪明绝顶的人在它

面前都相形见细；另一方面，电脑的智力水平可

以说连普通3岁孩童都不如。

快速的、按规矩行事的傻子机器。

人工智能的发展。机器数学家

1956年AI研究另外一个重大的突破，是赫伯

特・西蒙等人合作编制的《逻辑理论机》，即数学

定理证明程序，从而使机器迈出了逻辑推理的第

_.rH

/J/o

在卡内基一梅隆大学的计算机实验室，西蒙从

分析人类解答数学题的技巧入手，让一些人对各

种数学题作周密的思考，要求他们不仅写出求解

的答案，而且说出自己推理的方法和步骤。

机器证明

人工智能定理证明研究最有说服力的例子，

是机器证明了困扰数学界长达100余年之久的

难题——“四色定理”。据说，“四色问题”

最早是1852年由一位21岁的大学生提出来的数

学难题：任何地图都可以用最多四种颜色着色,

就能区分任何两相邻的国家或区域。这个看似

简单的问题，就象“哥德巴赫猜想”一样，属

于世界上最著名的数学难题之一。

机器证明

1976年6月，美国伊利诺斯大学的两位数学

家沃尔夫冈・哈肯(W.Haken)和肯尼斯・阿佩尔

(K.Apple)宣布，他们成功地证明了这一定理,

使用的方法就是机器证明。

人工智能先驱们认真地研究下棋，研究机器

定理证明，但效果仍不尽如人意。问题的症结在

于，虽然机器能够解决一些极其错综复杂的难题,

但是有更多的工作，对人来说是简单到不能再简

单的事情，对电脑却难似上青天。

机器证明

60年代末，由于许多世界一流的人工智能学

者过高地估计了智能电脑的能力，而现实却一再

无情地打破了他们乐观的梦想，以致遭到越来越

多的嘲笑和反对。AI研究曾一度堕入低谷，出现

了所谓“黑暗时期”。

人工智能的复兴

1977年，曾是赫伯特・西蒙的研究生、斯坦

福大学青年学者费根鲍姆(E.Feigenbaum),

在第五届国际人工智能大会上提出了“知识工程”

的概念，标志着AI研究从传统的以推理为中心，

进入到以知识为中心的新阶段。人工智能重新获

得人们的普遍重视，逐步跨进了复兴期。

专家系统

费根鲍姆他具体介绍了他们开发的第一个

“专家系统”，并提出“知识库”、“知识表达”

和“知识工程”等一系列全新的概念。

一个人要成为专家，至少必须掌握某一学科

渊博的知识，具有丰富的实践经验，能解决一般

人不能够解决的疑难问题。专家的数量和质量标

志着一个国家、一个时代的科学水平。

专家系统

费根鲍姆构建的“专家系统”，就是要在机

器智能与人类智慧集大成者——专家的知识经验

之间建造桥梁。他解释说：专家系统“是一个已

被赋予知识和才能的计算机程序，从而使这种程

序所起到的作用达到专家的水平”

知识

人类专家的知识通常包括两大类。一类是书

本知识，它可能是专家在学校读书求学时所获，

也可能是专家从杂志、书籍里自学而来；然而，

仅仅掌握了书本知识的学者还不配称为专家，专

家最为宝贵的知识是他凭借多年的实践积累的经

验知识，这是他头脑中最具魅力的知识瑰宝。在

AI研究里，这类知识称之为“启发式知识”。

专家系统

专家本人不一定了解电脑程序，构建专家系

统还必须有所谓“知识工程师”参与，帮助领域

专家从头脑中挖掘启发式知识，并设计知识库和

知识推理程序。因此，专家系统又被称为知识工

程，这两种不同的称谓在英国和日本泾渭分明：

英国学界崇尚科学，成为专家是人们追逐的境界;

而日本学界推崇技术，工程师是人们向往的职业,

于是，才有了“专家系统”与“知识工程”两种

同义的名称。

专家系统实例之一

1965年，在斯坦福大学化学专家的配合下,

费根鲍姆研制的第一个专家系统DENDRAL是化

学领域的“专家”。在输入化学分子式和质谱图

等信息后，它能通过分析推理决定有机化合物的

分子结构，其分析能力已经接近、甚至超过了有

关化学专家的水平。该专家系统为AI的发展树立

了典范，其意义远远超出了系统本身在实用上创

造的价值。

专家系统实例之一

专家系统最成功的实例之一，是1976年美国斯坦福

大学肖特列夫（Shortl用）开发的医学专家系统MYCIN,

这个系统后来被知识工程师视为“专家系统的设计规

范”。

在MYCIN的知识库里，大约存放着450条判别规则和

1000条关于细菌感染方面的医学知识。它一边与用户进

行对话，一边进行推理诊断。它的推理规则称为“产生

式规则”，类似于：“IF（打喷嚏）OR（鼻塞）OR（咳

嗽），THEN（有感冒症状）”这种医生诊断疾病的经验

总结，最后显示出它“考虑”的可能性最高的病因，并

以给出用药的建议而结束。

专家系统和知识工程成为符号主义人工智能发展的主

流。

80年代，人工智能发展达到阶段性的顶峰。

87,89年世界大会有6-7千人参加。硬件公司有上千

个。并进行Lisp硬件、Lisp机的研究。

在专家系统及其工具越来越商品化的过程中，国际软件市

场上形成了一门旨在生产和加工知识的新产业——知识

产业。应该说，知识工程和专家系统是近十余年来人工

智能研究中最有成就的分支之一。

同年代，1986年Rumlhart领导的并行分布处理(PDP)研

究小组提出了神经元网络的反向传播学习算法，解决了

神经网络的根本问题之一。从此，神经网络的研究进入

新的高潮。

90年代，计算机发展趋势为小型化、并行化、

网络化、智能化。

■人工智能技术逐渐与数据库、多媒体等主流技

术相结合，并融合在主流技术之中，旨在使计

算机更聪明、更有效、与人更接近。

日本政府于1992年结束了为期十年的称为“知

识信息处理体统”的第五代计算机系统研究开

发计划。并开始了为期十年的实况计算(Real

WordComputing)计戈ll。

诺依曼机

我们知道，从用电子管制作的ENIAC,直到用超

大规模集成电路设计的微型电脑，都毫无例外遵

循着40年代冯・诺依曼为它们确定的体系结构。

这种体系必须不折不扣地执行人们预先编制、并

且已经储存的程序，不具备主动学习和自适应能

力。所有的程序指令都必须调入CPU,一条接着

一条地顺序执行。人们把这种顺序执行（串行）

已储存程序的电脑类型统称为“诺依曼机”。

第五代计算机

达特莫斯会议以来数十年间，除了在问题求解（包括机

器博弈、定理证明等）、专家系统、模式识别等领域外,

人工智能在自然语言理解、自动程序设计、机器人学、

知识库的智能检索等各种不同的领域，都开拓出极其广

阔的应用前景。

纵观人类科学技术发展历史，当一门科学技术的各组

成部分，分别发展到一定阶段时，总是需要有人出来作

综合工作，将分散的理论与实践成果集成为系统。

谁也没有想到，勇敢地站出来，试图集人工智能研

究成果之大成者，竟然是在这个领域并没有多少影响力

的日本科学家。

第五代计算机

1982年夏天，日本“新一代计算机技术研究所”

(ICOT),40位年轻人在渊一博带领开始了新

一代计算机机的研究。

“新一代计算机”的主要目标之一是突破电

脑所谓“冯・诺依曼瓶颈”。

渊一博和研究人员甚至不把他们研制的机器

命名为计算机，而称作“知识信息处理系统”卬F

第五代计算机

日本人宣称这种机器将以Prolog（人工智能

语言）为机器的语言，其应用程序将达到知识表达

级，具有听觉、视觉甚至味觉功能，能够听懂人

说话，自己也能说话，能认识不同的物体，看懂

图形和文字。人们不再需要为它编写程序指令，

只需要口述命令，它自动推理并完成工作任务。

第五代计算机

“五代机”的命运是悲壮的。1992年，因最

终没能突破关键性的技术难题，无法实现自然语

言人机对话、程序自动生成等目标，导致了该计

划最后阶段研究的流产，渊一博也不得不重返大

学讲坛。

第五代计算机

1992年6月，就在“五代机”计划实施整整

10年之际，ICOT展示了它研制的五代机原型试

制机，由64台处理器实现了并行处理，已初步具

备类似人的左脑的先进功能，可以对蛋白质进行

高精度分析，已经在基因研究中发挥了作用。

1992年，它重新开始实施“现实世界计算机”

计划，接着研制具有类似于人的右脑功能的计算

机。

我国人工智能研究的历史

1978,纳入国家计划的研究“智能模拟”

■1984,智能计算机及其系统的全国学术研讨会

1986,智能计算机，智能机器人和智能信息处

理流入国家高技术研究计划

1993,智能控制和智能自动化等列入国家科技

攀登计划

1981,成立中国人工智能学会（CAAI）

1989,中国人工智能控制联合会议（CJCAI）

今天的人工智能

计算机智能化技术的主攻方向体现在：

■并行与分布式处理技术。

包括大规模并行机和机群的体系结构、并行操作系统与

并行数据结构，分布式Client/Server计算模型及其处理

技术，多专机系统的合作与知识共享技术等。

■知识的获取、表示、更新和推理新机制。

包括新的知识获取方法，常识性知识的表示、更新与推

理，大型知识库的组织与维护，新一代逻辑处理机制等

今天的人工智能

计算机智能化技术的主攻方向体现在:

感知技术，包括对语音文字、图形与图像等信

号的获取、识别、压缩与转化，以及多媒体输

出和VR技术等。

今天的人工智能

当前人工智能的研究热点

■分布式处理

智能Agent

数据挖掘(DataMining)

环境自适应

会看会听的机器

1997年12月，美国微软公司比尔・盖茨第五

次访问中国。

当介绍到微软正在着手开发手写输入和语音

识别软件时，比尔・盖茨当场为听众播放了一段电

脑识别人体语言的录像，精彩的情节引起了与会

者浓厚的兴趣。人们看到一台电脑正在分辨人用

点头或摇头表示YES和NO的动作，还有电脑跟

踪人眼的指向，在眼睛的指挥下，下了一盘“三

子棋”。

模式识别

模式识别是近30年来得到迅速发展的人工智

能分支学科。但是，对于什么是“模式”，或者

什么是机器（也包括人）能够辨认的模式，迄今

尚无确切的定义。

我们只能形象地解释说，人之所以能识别图

象、声音、动作，文字字形、面部表情等等，因

为它们都存在着反映其特征的某种模式。

人类可识别的模式?

模式识别

一种可能的解决方案是：图象上的每一点都

用一个神经细胞与之对应并逐一判别，最后综合

为整体；但是，既使只描述图象局部的大致轮廓,

神经元的数目仍不敷使用。另一种可能的方案更

符合实际：大脑感知的不是图象上所有的点，而

是其轮廓中最典型的特征，如线段、角度、弧度、

反差、颜色等等，把它们从图象中抽取出来，然

后结合头脑中过去的记忆和有关经验和知识分析

判断。

人脑与电脑

长期以来，一个诱人的科学幻想主题经常涉及到人

脑与电脑的关系。人类大脑有140多亿个脑神经细胞，每

个细胞都与另外5万个其他细胞相互连结。比目前全球电

话网还要复杂1500倍。

据前苏联学者阿诺克欣测算，一个普通的大脑拥有

的神经突触连接和冲动传递途径的数目，是在1后面加上

1000万公里长的、用标准打字机打出的那么多个零！但

是，由如此庞大数目元件构成的大脑，平均重量不足

1400克，平均体积约为1.5立方分米，消耗的总功率只有

10瓦。若采用半导体器件组装成相应的电脑装置，则必

须!故成一座高达40层的摩天大楼，所需功率要以百万千

瓦计。

人脑与电脑

脑细胞储存信息的密度极高，每立方厘米可

存放1000亿以上比特的信息量，脑科学家估计，

一个人一生中存储的信息总量可超过1000万亿比

特。有人推算出全世界图书馆大约藏书7.7亿册，

积累的信息总量约为4600万亿比特，与人脑能够

储存的信息总量属于同一数量级。

人脑与电脑

对于电脑来说，只要某一个小部件出了毛病，就

会导致整个机器瘫痪。但是，人的大脑细胞具有

自行组合和分裂的活性，构成了高度可靠的“自

适应系统”。在人的一生中，脑神经元大约每小

时就有1000个发生故障，一年之内累计为800多

万个。如果人活到人0岁,将会有10亿个神经细

胞功能失效，约占总数的1/10。即使在这种严重

的故障面前，大脑仍然可以正常地运作。

人脑与电脑

从以上这些数字看，人类的大脑不啻于世界

上最复杂、最高级、最有效、储存容量最大的超

级计算机。除了运算速度比电脑略逊一筹外，人

脑在结构、尺寸、性能、能耗等各方面都令最先

进的电脑望尘莫及。

人脑复制

1988年，美国最负盛名的学术出版机构哈佛大学

出版社，出版了一本《思维儿童》的专著（有人

译作《换脑儿童》），作者是卡内基一梅隆大学

活动机器人实验室主任汉斯・莫拉维克。

莫拉维克在书中生动地描述了人怎样把思维输入

电脑，以及这一切怎样在未来50年之内变成现实。

人脑复制

按照莫拉维克等人的设想，一旦我们能够把

思维转移到计算机或者储存介质中，既使原件

（大脑）受到损伤或者衰老，仍然可以把它拷贝

到新克隆出的大脑中，先FORMAT（格式化），

再COPY（拷贝）。

人脑复制

科学家也爱做科幻之梦。至少在相当长的时

间内，复制大脑的幻想几乎不可能实现。既使实

现了对人脑记忆的简单拷贝，对人类的思想，以

及情感、个性、气质、人格等非智力因素，又如

何能简单地复制出副本？

电脑与人脑相连接

人工智能的泰斗明斯基教授想用另外的办法,

即把微电脑嵌入人的大脑，以便使“我们能设计

出我们的‘思维儿童'，他们思考问题的速度比

我们现在快100万倍。”

将电脑植入人脑，用微型芯片配合脑神经细胞工

作，只要求解决两者之间的接口问题。

电脑与人脑相连接

德国科学家已经在硅芯片上培植成功一种与

人类神经细胞极为相似的老鼠神经细胞，并且可

以把神经细胞发出的电子脉冲信号传送到特制传

感器上。由此看来，人机连“脑”不是梦，人脑

与电脑相连能优势互补，可以弥补人类记忆和运

算能力的不足，大大增强人脑的功能。

人工智能预言

1958年纽厄尔和赫伯特・西蒙在预言“电脑将在10内战

胜国际象棋世界冠军”的同时，还大胆地预言说：

—不出10年，电脑便能找到并证明到那时还未被证明

的重要数学定理。

—不出10年，大部分心理学理论将采取电脑的程序形

式。

1970年，明斯基所作的预言却有些离谱：

“在三年到八年的时间里，我们将研制出具有普通人

一般智力的计算机。这样的机器能读懂莎士比亚的著

作，会给汽车上润滑油，会玩弄政治权术，能讲笑话，

会争吵。到了这个程度后，计算机将以惊人的速度进

行自我教育。几个月之后，它将具有天才的智力，再

过几个月，它的智力将无以伦比。”

人工智能的现状

人工智能先驱这些充满乐观的预言，除了40

年后电脑战胜了卡斯帕洛夫之外，其余的直到现

在依然远没有被实现，甚至引发长时期无休无止

的争论和哲学意义上的思辩。人工智能虽然作出

了许多令人鼓舞的工作，但在前进的道路上，还

面临着相当难以克服的障碍。

人工智能的未来

现有的计算机技术已充分实现了人类左脑的

逻辑推理功能，人工智能的下一步是模仿人类右

脑的模糊处理能力，以及模拟整个大脑并行处理

大量信息的功能，把人类从那些繁琐的重复性的

脑力劳动中解放出来，去从事那些具有高创造性

的脑力劳动，如科学发明和艺术创作等等，生产

效率也将得到大幅度提高。

人工智能的主要研究内容

一、博弈

跳棋、国际象棋、五子棋

二、机器定理证明

LogicTheorist

王浩：利用一阶谓词逻辑

吴文俊：吴方法

三、自动程序设计

四、通用问题求解GPS

人工智能的主要研究内容

五、感知

1、视觉

2、语音

六、自然语言理解与生成：计算语言学

七、自动推理

1、推理

从一个或几个已知的判断（前提）逻辑地推论出

一个新的判断（结论）的思维形式。

人工智能的主要研究内容

七、自动推理

1、推理

注：利用以往的知识通过推理可得到新的结论。

2、主要工作

1）机器定理证明

2）归结原理：推理规则简单。在逻辑上是完备的,

是PROLOG的计算模型

3）非单调推理：闭世假说（CWA）、默认推理、

限定推理

人工智能的主要研究内容

七、自动推理

2、主要工作

4）定性推理：把物理系统或物理过程细分为子

系统或子过程，对于每个子系统或子过程及它

们之间的相互作用或影响均建立起结构描述，

通过局部因果性的传播和行为合成，获得实际

物理系统的行为描述和功能描述

人工智能的主要研究内容

七、自动推理

2、主要工作

5)不确定性推理：不确定性来自人类的主观认

识与客观实际之间存在的差异。事物发生的随

机性，人类知识的不完全、不可靠、不精确和

不一致，自然语言中存在的模糊性和歧义性均

反映了这种差异，均会带来不确定性。

有代表性的不确定性理论和推理方法有：概率论,

Bayes理论，证据理论(Dempster和Shafer),

模糊集理论等。

人工智能的主要研究内容

八、机器学习

知识、知识表示及运用知识的推理算法是人工智能的核

心，而机器学习则是关键问题。

1、学习

学习是获取知识、积累经验、改进性能、发现规律、适

应环境的过程。其基本机制是设法将在一种情形下成

功的表现行为转移到另一类似的新情形中去。

2、学习种类

1）无知识的学习：神经元模拟和基于决策论方法的自适

应和自组织系统。

人工智能的主要研究内容

2）归纳学习：AQ算法、ID3算法等。

3）分析学习（实例学习）：基于解释的学习、

知识块（Chunking）学习。

4）类比学习

5）发现学习：根据实验数据或模型重新发现定

律的方法。

人工智能的主要研究内容

6）遗传学习：自然选择、变异。

7）连接学习：神经网络学习。

8）数据库知识发现：主要发现分类规则、特征

规划、关联规则、差异规则、演化规则、异常

规则等。

其方法有统计方法、机器学习、神经网络、数据

仓库等。

人工智能的主要研究内容

九、分布式人工智能(DistributedAl)

第一届DAI会议是在1980年。

1、基本概念

DAI是研究在逻辑上或物理上分散的智能动作者

如何协调其智能行为(知识、技能和规划)，

求解单目标和多目标问题，为设计和建立大型

复杂的智能系统或计算机支持协同工作

(CSCW)提供有效途径。

人工智能的主要研究内容

2、主要内容

1)分布式问题求解(DPS)

2)多Agent系统(MAS)

Agent是自主的，可能是预先存在的，并且是异

构的，是一开放的系统。

人工智能的主要研究内容

十、人工思维模型

开放式自主系统

人工智能的主要研究内容

十一、知识系统

知识工程已成为人工智能应用最显著的特点。

知识系统主要研究内容：

1、专家系统知识库+推理机

2、知识库系统

将知识以一定的结构存入，进行知识管理,

实现知识共享。

3、智能决策系统

4、知识科学

人工智能的新生：计算智能

年求

义

应有

号

日

符号

件

8上0

本

射

与

到

义

主

受

挫

滤

论

展

目

瞩

发

，

20世纪90年代后，联接主义AI的研究逐渐占据主导作

用，同时模糊逻辑理论及其应用的研究也取得了重大

进展。模糊逻辑突破了传统逻辑的思维模式，对于深

刻研究人类的认识能力具有举足轻重的作用。特别是

它与专家系续、神经网络以及控制理论的结合，说明

它正在AI研兑中扮演重要角色。同时，在自然选择和

进化理论基础上发展起来的进化计算理论在优化计算

等方面也有其特定的优势，成为AI研究的一个新方向。

计算智能

计算智能系统是在神经网络、模糊系统、进化

计算三个分支发展相对成熟的基础上，通过相互

之间的有机融合而形成的新的科学方法，也是智

能理论和技术发展的崭新阶段。

这些不同的成员方法从表面上看各不相同，但

实际上它们是紧密相关、互为补充和促进的。

近年来的研究发现:神经网络反映大脑思维的

高层次结构;模糊系统模仿低层次的大脑结构；进

化系统则与一个生物体种群的进化过程有着许多

相似的特征。

计算智能

这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，将这

些智能方法有机地融合起来进行研究，就能为建

立一种统一的智能系统设计和优化方法提供基础。

基于这种考虑，将三者结合起来研究已经成为了

一种发展趋势。1994年起，IEEE的神经网络、

模糊系统、进化计算三大会议合在一起召开，就

反映了这种趋势，计算智能作为人工智能新发展

的主流地位就从自确定了。

计算智能

按照Bezdek的观点，计算智能是基于操作者提

供的数据，而传统人工智能是基于“知识”。

他定义计算智能系统如下：当一个系统仅仅处

理底层的数据，具有模式识别的部分，并且不

使用AI意义中的知识，那末这个系统便是计算

智能系统。具有如下特点：

具有计算的适应性；

具有计算误差的容忍度；

接近人处理问题的速度；

近似人的误差率。

关于计算智能(ComputationalIntelligence,CI)

92年，美国学者James首次提出:计算智能(Cl)它是依靠生产者提供的数

字，数据材料进行加工处理,而不是依赖于知决o;人工智能(A巾ficial

Intelligence,Al)则是须用知识进行处理.

个人理解：采用各类软计算方法，主要是神经元网络、模糊逻辑和遗传

进化算法等去模拟人类决策智能的一个新兴领域。

94年,James在Florida,Orlando,94IEEEEWCCI会议上又阐述他的观点,

智能有三个层次：

生物智能(BiologicalIntelligence,Bl)。由脑的物理化学过程反映出来的,

脑是有机物，它息智能的基础.

人工智能(Art由cialIntelligence,Al)是非生物的，人造的,常用符号来表

示冏的来源是人类知识岛精华。

计算智能(ComputationalIntelligence,Cl)

是由数学方法罚计算机实现的6的来源数值计算的传感器.

BLALCI之间的关系

从复杂性来看:Bl>Al>Cl;从隶属关系来看

BI包含AI包含CL

AI是CI到BI的过渡，因为AI中除计算算法之外，

还包括符号表示及数值信息处理.模糊集合和模

糊逻辑是AI到CI的过渡.

也有些人认为CI不属于AI,仅有部分重合.

A上符号主义，知识，规则，推理.左脑

。:连接主义，数据，学习，记忆.右脑

计算智能所包含的领域

人工神经网络(A巾ficialNeuralNetwork,ANN)

进化计算(EvolutionComputing,EC)

模糊系统(FuzzySystem,FS)

进化计算(EvolutionComputing)

遗传算法(GeneticAlgorithm,GA)75年,Holand

首次提出,组合优化等问题得到广泛应用.

进化规戈U(EvoEionProgramming,EP)

60年代，由美国人LJFogel等人提出的.背景是

求解时间序列预测问题.

进化策略(EvolutionStrategies,ES)

64年，由德国人LRechenberg等提出,背景是求

解流体动力学柔性弯曲管形状优化问题.

模糊系统(FuzzySystem,FS)

■65年,美国加州大学伯克莱分校的L.Zadeh发表

了著名论文FuzzySets开创了模糊论.

主要内容：模糊逻辑，模糊规则，模糊推理，模糊

控制,隶属度，模糊集合等

神经网络(NeuralNetwork,NN)

人工神经网络是指模拟人脑神经系统的结构和

功能,运用大量的处理部件，由人工方式构造的

网络系统.

■神经网络理论突破了传统的，线性处理的数字电

子计算机的局限，是一个非线形动力学系统，并

以分布式存储和并行协同处理为特色，虽然单个

神经元的结构和功能极其简单有限，但是大量的

神经元构成的网络系统所实现的行为却是极其

丰富多彩的.

人工神经网络研究的历史

第一阶段初始发展期(40年代-60年代)

1.1943年,美国心理学家McCulloch和数学家Pitts合作提

出了形式神经元的数学模型，即M-P模型.能完成有限的逻

辑运算.

2.1949年，心理学家Hebb提出了改变神经元间连接强度的

Hebb规则.

3.1957年,计算机科学家Rosenblatt用硬件完成了最早的

神经网络模型，称之为感知器(Perceptron)用来模拟生物的

感知和学习能力.

4.1962年,电机工程师Windrow和Hoff提出了自适应线形

元件Adaline是一个连续取值的线形网络，在信号处理系统

中用于抵消通讯中的回波和噪声，应用十分广泛.

第二阶段低谷期（60年代末-70年代末）

第二阶段低谷期（60年代末-70年代末）

原因：

1.69年,人工智能之父Minskey和Papert发表了《Perdeptron》一

书指出了Perdeptron无科学价值而百，逢XOR逻辑分类新做不到，

只能作线形切分

2.VonNeumann机的兴盛期，陶醉在成功的喜悦之中，掩盖了新型

计算机的发展的必然.

但是仍然有不少有识之士不断努力：

1.Boston大学的©rossberg和Carpenter提出了自适应共振理论

ART网络.”

2.芬兰的Helsinki大学的Kohonen提出了自组织映射网络.

3.日本的大坂大学的Fukushima提出了神经认知机网络模型.

4.日本东京大学的Amari对神经网络进行了数学理论的研究，为神

经网络的研究奠定了理论基础.

第三阶段兴盛期（80年代以后）

原因：

1.70年代末期研究和试图模拟视听觉的人工智能专家遇到了挫折，人

们习以为常的知识难能教给计算机.

2.计算机的科学家发现前面有不可逾越的鸿沟，线路微型的物理极限，

人们思考Von.Neumann机到底还能走多远.

3.VLSI,脑科学，生物学,光学的进步为人工神经网络的发展打下了基础.

兴盛期的代表人物：

1.1982年，加州大学的物理学家Hopfield提出了Hopfield网络模型，并

用电路实现.

2.1985年,Rumelhart提出了BP算法.

3.1~1届011等人提出了30版171211机模型.

4.1988年，蔡少堂提出了细胞神经网络模型.

目前国内外研究状况

1.研究机构

美国DARPA计划，日本HFSP计划，法国尤里卡计划,德国欧洲防御

计划,前苏联高技术发展计划等；

2学会

86年4月，美国物理学会在Snowbirds召开了国际神经网络学术会

议；

87年6月,IEEE在SanDiego召开了国际神经网络学术会议,并成立

了国际神经网络学会；

88年起,IEEE和国际神经网络学会每年召开一次国际会议；

我国自91年开始每两年召开一次学术会议.

3.刊物

1990年3月,IEEE神经网络会刊问世.

神经网络应用范围

已经渗透到各个领域，智能控制，模式识别,计算机

视觉，自适应滤波，信号处理，非线形优化，语音识别

知识处理，传感技术与机器人等等.

神经网络代表一种新的主义一连接主义，解决诸如

知识表达，推理学习，联想记忆，乃至复杂的社会现

象,如混沌，社会演变的复杂系统的统一模型，它预

示着一个新的工业.

模糊系统(模糊系统理论的起源和发展)

1.1965年，美国控制论专家、加利福尼亚大学教授扎

德(LAZadH?)首先提出模糊集合的概念,发表了开创性

论文《模糊集合论(Fuzzysets)》。他提出模糊数学的

核心思想就是运用数学手段，仿效人脑思维，对复杂事

物进行模糊处理。模糊数学在基础理论和实际应用等

方面引起了各国学者的极大兴趣,并产生了许多有价值

的应用和惊人的成果。

2.1973年，扎德教授又提出模糊逻辑(FuzzyLog/'c)的

理论，并积极倡导将模糊理论向人工智能方向发展。

模糊逻辑的研究虽然时间还不很长，但在智能模拟和

智能控制等领域却已有了飞快的发展。

模糊系统(模糊系统理论的起源和发展)

3.74年，印度裔英国学者马德尼(EH./V/amdam)

首先将模糊理论用于锅炉和蒸汽机的控制，并实

验成功，开创了模糊控制的新领域。

4.80年代后期以来，在日本采用模糊控制技术

的家电产品大量上市，模糊技术在图像识别、自

动控制、市场预测、人工智能等领域普遍应用，

掀起了一股模糊热。日本、美国和我国都成功地

研制出了智能化的模糊推理机，这表现了模糊理

论的强大生命力和伟大意义。

模糊系统(模糊系统理论的起源和发展)

5.另一方面，模糊理论在学术界也得到了普遍

的认同和重视。1992年，/EEE召开了第一届关

于模糊系统的国际会议(FUZZ-IEEE),并决

定以后每年举行一次。1993年/EEE创办了专刊

IEEETransactiononFuzzySystemo

■6.当前，模糊理论和应用正向深度和广度进一

步发展，发展的速度越来越快，研究成果大量涌

现，已经成为世界各国高科技竞争的重要领域之

模糊系统的研究范畴

模糊系统基于模糊数学理论，能对复杂事物

进行模糊处理。模糊数学的理论基础包括模糊逻

辑、模糊规则、模糊推理、隶属度和模糊集合等。

另外，以模糊数学为基础的模糊控制器和模糊神

经网络的理论和设计。

进化计算

进化计算（EvolutionComputing）是采用

简单的编码技术来表示各种复杂的结构，并通过

简单的遗传操作和优胜劣汰的自然选择来指导学

习和确定搜索的方向。由于它采用种群（即一组

表示）的方式组织搜索，这使得它可以同时搜索

解空间内的多个区域，特别适合大规模并行计算。

进化计算具有自组织、自适应、自学习的特点，

并且不受其搜索空间限制性条件（如可微、单峰

等）的约束，不需要其它辅助信息（如导数）。

这使得进化计算不仅能获得较高的效率，而且操

作简单、通用性强。

进化计算的发展过程

1.进化计算在20世纪六七十年代并未受到普遍的重视。

其主要原因之一是因为这些方法本身还不够成熟；二是

由于这些方法需要较大的计算量，而当时的计算机还不

够普及且速度较慢，这样便限制了它们的应用；三是当

时基于符号处理的人工智能方法正处于其顶峰时期，使

得人们难以认识到其它方法的有效性及适应性。

2.到了80年代，人工智能方法的局限性越来越突出，并

且随着计算机速度的提高和并行计算机的普及，已使得

进化计算对机器速度的要求不再是制约其发展的因素。

进化计算的不断发展及其在一些应用领域内取得的成功，

已表现出了良好的应用前景。

进化计算的发展过程

3.由于进化计算在机器学习、过程控制、经济预

测、工程优化等领域取得的成功，引起了各领域

科学家们的极大兴趣，自80年代中期以来，世界

上许多国家都掀起了进化计算的研究热潮。目前,

有数种以进化计算为主题的国际会议在世界各地

定期召开，并已出版了两种以上专门关于进化计

算的杂志。可以预料，随着进化计算理论研究的

不断深入和应用领域的不断拓广，进化计算必将

取得更大的成功。

进化计算的主要分支

进化计算的三大分支包括：遗传算法

(GeneticA/gonthm,简称GA)、进化规划

(EvolutionProgramming，简称£P)和进化策略

(EvolutionStrategies,简ES)。这三个分支在

算法实现方面具有一些细微的差别，但它们具有

一个共同的特点，即都是借助生物进化的思想和

原理来解决实际问题。

■下面我们分别就这三个分支作以简单的介绍。

进化计算的主要分支

①遗传算法

遗传算法是一类通过模拟生物界自然选择和自然遗传

机制的随机化搜索算法，由美国J.Holand教授于1975

年首次提出。它是利用某种编码技术作用于称为染色

体的二进制数串，其基本思想是模拟由这些串组成的

种群的进化过程，通过有组织的、随机的信息交换来

重新组合那些适应性好的串。遗传算法对求解问题的

本身一无所知，它所需要的仅是对算法所产生的每个

染色体进行评价，并根据适应度来选择染色体，使适

应度好的染色体比适应度差的染色体有更多的繁殖机

会。

进化计算的主要分支

遗传算法尤其适用于处理传统搜索方法难于解决的复杂

的非线性问题，可广泛用于组合优化、机器学习、自适

应控制、规划设计和人工生命等领域，是21世纪有关智能

计算中的关键技术之一。

②进化策略。1964年，由德国柏林工业大学的

LRechenberg等人提出。在求解流体动力学柔性弯曲管

的形状优化问题时，用传统的方法很难优化设计描述物

体形状的参数，从而利用生物变异的思想来随机地改变

参数值并获得了较好的结果。随后，他们便对这种方法

进行了深入的研究和发展，形成了进化计算的另一个分

支——进化策略。

进化计算的主要分支

进化策略与遗传算法的不同之处在于：进化策

略直接在解空间上进行操作，强调进化过程中从

父体到后代行为的自适应性和多样性，强调进化

过程中搜索步长的自适应性调节；而遗传算法是

将原问题的解空间映射到位串空间之中，然后再

施行遗传操作，它强调个体基因结构的变化对其

适应度的影响。

进化策略主要用于求解数值优化问题。

进化计算的主要分支

③进化规划

进化规划的方法最初是由美国人LJ.Foge/等人在

20世纪60年代提出的。他们在人工智能的研究中

发现，智能行为要具有能预测其所处环境的状态,

并按照给定的目标作出适当的响应的能力。在研

究中，他们将模拟环境描述成是由有限字符集中

符号组成的序列。

进化计算的主要特点

进化算法与传统的算法具有很多不同之处，但其

最主要的特点体现在下述两个方面：

①智能性

进化计算的智能性包括自组织、自适应和自

学习性等。应用进化计算求解问题时，在确定了

编码方案、适应度函数及遗传算子以后，算法将

根据“适者生存、不适应者淘汰”的策略，利用

进化过程中获得的信息自行组织搜索，从而不断

地向最佳解方向逼近。

进化计算的主要特点

自然选择消除了传统算法设计过程中的一个最大障碍：

即需要事先描述问题的全部特点，并说明针对问题的不

同特点算法应采取的措施。于是，利用进化计算的方法

可以解决那些结构尚无人能理解的复杂问题。

②本质并行性

进化计算的本质并行性表现在两个方面：一是进化

计算是内在并行的，即进化计算本身非常适合大规模并

行。二是进化计算的内含并行性，由于进化计算采用种

群的方式组织搜索，从而它可以同时搜索解空间内的多

个区域，并相互交流信息，这种搜索方式使得进化计算

能以较少的计算获得较大的收益。

神经网络、模糊系统进化计算相互融合

人工神经网络能够通过学习和训练获得用数据表达的知

识，除了可以记忆已知的信息之外，神经网络还具有较

强的概括能力和联想记忆能力。但神经网络的推理知识

表示体现在网络连接权值上，表达比较难以理解，这是

它的一个缺点。

模糊系统的显著特点是能够直接地表示逻辑，适于直接

的或高级的知识表达，具有较强的逻辑功能。但它没有

本质的获取知识的能力，模糊规则的确定也比较困难，

通常需要领域专家知识的指导。因此如何构造可自动处

理模糊信息的模糊系统，即实现模糊规则的自动提取和

模糊变量隶属度函数的自动生成及优化，一直是困扰模

糊信息处理技术进一步推广的难题。

神经网络、模糊系统进化计算相互融合

进化计算模拟生物进化的过程，依据适者生存、优胜劣

汰的进化规则，对包含可能解的种群反复进行基于遗传

的操作，不断生成新的种群并使种群不断进化，同时以

全局并行搜索方式来搜索优化种群中的最优个体，以求

得满足要求的最优解。其主要优点是简单、鲁棒性强、

捶用空间大。

随着对模糊系统和神经网络研究的深入，两个领域间相

互独立的关系逐渐改变。如果将它们进行综合，即将符

号逻辑推理方法与联接机制方法进行结合，将数值方法

和模糊逻辑方法进行结合，其优势将远远高于单项研究。

模糊系统和神经网络的融合导致了模糊神经网络的产生，

许多学者已对此进行了尝试。

神经网络、模糊系统进化计算相互融合

神经网络的网络结构的设计和权值的训练是一个十分重

要而困难的问题，传统的方法多是凭经验或启发知识来

设计网络，用梯度法来确定其中的权值，常常需要进行

反复试验而且还很难找到最优的网络结构和权值。而进

化计算为神经网络的自动设计和训练提供了一种新的途

径，这就是进化神经网络。

神经网络、模糊系统、进化算法三者研究同步发展、相

互渗透、界限日益模糊，人们逐渐认识到由三者交叉组

成的新系统具有更强的功能，因而三者相互融合的研究

是当今三个分支研究的热点。

自然计算(Nature-inspiredComputation)

以自然界，特别是生物体的功能、特点和作用机理为

基础，研究其中所