05-总结-计算机与信息社会-智能计算

第五章

智能计算概述课程目的系统地讲授智能计算的有关基础理论、技术及其主要应用。通过本课程的学习，要求学生系统地掌握智能计算的基本内容与方法，了解智能计算的主要应用领域。将智能计算方法与学生未来研究方向相结合，培养学生独立科研思维能力。介绍智能计算研究的前沿领域与最新进展，培养学生科研兴趣。本课程的主要内容1.智能计算概述2.演化计算3.神经计算4.群智能计算5.模糊计算6.机器学习8.展望1.智能计算概述智能学智能学：

即研究生物智能、人类智能以及人造智能的科学。

21世纪的科学技术，已经向我们展示了一个丰富多彩的智能世界：人类智能、生物智能、智能机器人、生物信息系统；人工智能、计算智能、机器学习、智能仪器、智能机器人、机器翻译、人机对弈、人工生命、人工免疫系统、人造昆虫、机器人足球赛…。

智能计算是信息科学、生命科学、认知科学等不同学科相互交叉的产物。它主要借鉴仿生学和拟物的思想，基于人们对生物体智能机理和某些自然规律的认识，采用数值计算的方法去模拟和实现人类的智能、生物智能、其它社会和自然规律。智能计算的主要研究领域包括：神经计算、演化计算、群智能计算、模糊计算、免疫计算、DNA计算和人工生命等。本课程主要学习内容包括神经计算、演化计算、群智能计算和模糊计算等。智能计算梦想机器具有智能—计算机科学家的梦想什么是智能？能感知、能学习、能思维、能记忆、能决策、能行动……，智能的核心是思维。

图灵测试怎样判断机器具有智能—图灵测试

1950年AlanTuring的文章“ComputingMachineryandIntelligence.”

（Mind,Vol.59,No.236）提出图灵测试，检验一台机器或电脑是否具有如人一样的思维能力和智能电脑和人分别封闭在不同的房间，测试者不知道哪个房间是人，哪个房间是电脑，他向双方提出测试问题，电脑和人给出各自的答案，如果一系列的测试问题之后，测试者分不出哪些是电脑的答案，哪些是人的答案，则电脑通过测试，确实具有与人一样的智能。我是人哦！我是谁？如实回答

？困惑哲学问题

（1）规则与规律：规则是制定的，规律是客观存在的，从规则能自动发现规律吗？（2）生命与非生命：智能是高等生命体独有的能力，非生命体内能产生智能吗？（3）物质与意识：唯物主义和唯心主义都承认二元论，只是在何者起决定作用上争论不休，智能能在机器内产生将导致一元论—物质生成一切？（4）智能的本质：理性与感性、思考与行动、社会性与个体性伦理问题（1）电脑与人脑：能否互换？（2）机器人与人：机器能否融入人类社会？（3）情感与役使：机器是人制造并使用的工具，一旦机器人具有了智能和情感，人类还能当奴隶一样地役使吗？（4）机器人叛乱：机器人群体有可能叛乱而反过来役使人类吗？人工智能（artificialintelligence，简称AI）人工智能：用人工的方法和技术，模仿、延伸和扩展人的智能,实现机器智能。人工智能的五个基本问题

(1)知识与概念化是否是人工智能的核心？

(2)认知能力能否与载体分开来研究？

(3)认知的轨迹是否可用类自然语言来描述？

(4)学习能力能否与认知分开来研究？

(5)所有的认知是否有一种统一的结构？学科交叉

与生命科学、认知科学、物理学等众多学科高度交叉，共同研究智能行为的基本理论和实现技术。三大学派

符号主义（Symbolism）、连接主义(Connectionism)、行为主义（Behaviorism）——从不同侧面模拟人的智能和智能行为。什么是智能计算智能计算（ComputationalIntelligence，CI）目前还没有一个统一的的定义，使用较多的是美国科学家贝慈德克（J.C.Bezdek）从智能计算系统角度所给出的定义:如果一个系统仅处理低层的数值数据，含有模式识别部件，没有使用人工智能意义上的知识，且具有计算适应性、计算容错力、接近人的计算速度和近似于人的误差率这4个特性，则它是智能计算的。从学科范畴看，智能计算是在神经网络（NeuralNetworks,NN）、演化计算（EvolutionaryComputation,EC）及模糊系统（FuzzySystem,FS）这3个领域发展相对成熟的基础上形成的一个统一的学科概念。

智能计算与人工智能的关系目前，对智能计算与人工智能的关系有2种不同观点，一种点认为智能计算是人工智能的一个子集，另一种观点认为智能计算和人工智能是不同的范畴。第一种观点的代表人物是贝慈德克。他把智能（Intelligence，I）和神经网络（NeuralNetwork，NN）都分为计算的（Computational，C）、人工的（Artificial，A）和生物的（Biological,B）3个层次，并以模式识别（PR）为例，给出了下图所示的智能的层次结构。在该图中，底层是计算智能（CI），它通过数值计算来实现，其基础是CNN；中间层是人工智能（AI），它通过人造的符号系统实现，其基础是ANN；顶层是生物智能（BI），它通过生物神经系统来实现，其基础是BNN。按照贝慈德克的观点，CNN是指按生物激励模型构造的NN，ANN是指CNN+知识，BNN是指人脑，即ANN包含了CNN，BNN又包含了ANN。对智能也一样，贝慈德克认为AI包含了CI，BI又包含了AI，即智能计算是人工智能的一个子集。第二种观点是大多数学者所持有的观点，其代表人物是艾伯哈特（R.C.Eberhart）。他们认为：虽然人工智能与智能计算之间有重合，但智能计算是一个全新的学科领域，无论是生物智能还是机器智能，智能计算都是其最核心的部分，而人工智能则是外层。事实上，CI和传统的AI只是智能的两个不同层次，各自都有自身的优势和局限性，相互之间只应该互补，而不能取代。大量实践证明，只有把AI和CI很好地结合起来，才能更好地模拟人类智能，才是智能科学技术发展的正确方向。智能计算与人工智能的关系智能计算-回归自然自下而上的研究思路传统人工智能研究思路是自上而下，现代智能计算方法强调通过计算实现生物内在的智能行为，也称为智能计算从简单到复杂的演化进程智能的获得不是一蹴而就，是渐进式的积累过程，简单中孕育复杂，平凡中蕴含智慧在传统学科中寻找算法

如生命科学（遗传算法）、物理学（模拟退火算法）和化学（DNA计算）等从自然与社会系统中获得灵感

如蚂蚁算法、禁忌搜索和粒子群优化方法，模糊计算及模糊系统、粗造集及其系统自然计算自然计算的含义

学习、运用自然规律，模拟自然系统乃至社会系统的演变过程的智能计算方法，借鉴自然科学学科的原理和理论进行问题的求解方法自然计算方法

演化计算、蚁群算法、粒子群优化方法、人工免疫系统、模糊计算演化计算演化计算的概念：（EvolutionaryComputation,EC）是在达尔文（Darwin）的进化论和孟德尔（Mendel）的遗传变异理论的基础上产生的一种在基因和种群层次上模拟自然界生物进化过程与机制，进行问题求解的自组织、自适应的随机搜索技术。它以达尔文进化论的“物竟天择、适者生存”作为算法的进化规则，并结合孟德尔的遗传变异理论，将生物进化过程中的繁殖、变异、竞争和选择引入到了算法中，是一种对人类智能的演化模拟方法。演化计算演化计算的主要分支：遗传算法、演化策略、演化规划和遗传规划四大分支。其中，遗传算法是演化计算中最初形成的一种具有普遍影响的模拟演化优化算法。遗传算法的基本思想：(美国密执安大学霍兰德教授1962提出)是使用模拟生物和人类进化的方法来求解复杂问题。它从初始种群出发，采用优胜略汰、适者生存的自然法则选择个体，并通过杂交、变异产生新一代种群，如此逐代进化，直到满足目标为止。

演化计算是一种模拟自然界生物进化过程与机制进行问题求解的自组织、自适应的随机搜索技术。它以达尔文进化论的“物竟天择、适者生存”作为算法的进化规则，并结合孟德尔的遗传变异理论，将生物进化过程中的繁殖（Reproduction）变异（Mutation）竞争（Competition）选择（Selection）引入到了算法中。

(1)什么是演化计算演化计算概述遗传算法遗传算法（GeneticAlgorithm）模拟达尔文的遗传选择和自然淘汰的生物进化过程1975年首先由Holland提出用于自然和人工系统的自适应行为研究(AdaptationinNaturalandArtificialSystems)组成：个体与群体、适应值函数、遗传操作、终止条件特点：隐含并行性、过程性、非确定性、群体性、内在学习、统计性、稳健性、整体优化

神经计算麦克卡洛和匹茨把生物脑神经系统研究、数理逻辑思想以及图灵的计算理论相结合，将其成果转向人造物，这是有一次科学飞跃，可视为人工智能（计算智能）的起步。能不能造出有智能的机器？在这方面取得重大突破的，就是继莱布尼茨、巴贝奇、图灵之后的冯.诺依曼。神经计算是以人工神经网络为基础的一种智能计算方法。它。它是智能计算的重要基础和核心，也是智能计算乃至智能科学技术的一个重要研究领域。

神经计算的特点

（1）可以充分逼近任意复杂的非线性关系

（2）所有定量或定性的信息都等势分布贮存于网络内的各神经元，故有很强的鲁棒性和容错性

（3）采用并行分布处理方法，使得快速进行大量运算成为可能

（4）可学习和自适应不知道或不确定的系统

（5）能够同时处理定量、定性知识。TheNeuronInputsignalSynapticweightsSummingfunctionBiasbActivationfunctionLocalFieldvOutputyx1x2xmw2wmw1蚁群算法概述受蚂蚁觅食行为的的启发，90年代Dorigo提出蚁群优化算法(Ant

Colony

Optimization，ACO)求解TSP问题设计虚拟的“蚂蚁”，摸索不同路线，并留下会随时间挥发的虚拟“信息素”根据“信息素较浓，则路径更短”的原则，每只蚂蚁每次随机选择要走的路径，但倾向于信息素比较浓的路径算法利用了正反馈机制，使得较短的路径能够有较大的机会得到选择

ACO已成功用于解决其他组合优化问题

图的着色(Graph

Coloring)问题最短超串(Shortest

Common

Supersequence)问题网络路由问题本节内容1.一个故事2.机器学习的定义3.机器学习的范围4.机器学习的方法5.机器学习的应用--大数据6.机器学习的子类--深度学习7.机器学习的父类--人工智能8.机器学习的思考--计算机的潜意识机器学习的定义从广义上来说，机器学习是一种能够赋予机器学习的能力，以此让它完成直接编程无法完成的功能的方法。但从实践的意义上来说，机器学习是一种通过利用数据，训练出模型，然后使用模型预测的一种方法。让我们具体看一个例子CPI指数2015123456789101112CPI100.8101.4101.4101.5101.2101.4101.6102.0101.6101.3101.5101.6机器学习的定义在求解过程中透露出了两个信息：1.模型是根据拟合的函数类型决定的。如果是直线，那么拟合出的就是直线方程。如果是其他类型的线，例如抛物线，那么拟合出的就是抛物线方程。机器学习有众多算法，一些强力算法可以拟合出复杂的非线性模型，用来反映一些不是直线所能表达的情况。2.如果数据越多，模型涵盖的情况越多，由此对于新情况的预测效果就越好。这是机器学习界“数据为王”思想的一个体现。一般来说(不是绝对)，数据越多，最后机器学习生成的模型预测的效果越好。机器学习的定义现在对机器学习过程做一个完整的回顾：首先，我们需要在计算机中存储历史的数据。接着，我们将这些数据通过机器学习算法进行处理，这个过程在机器学习中叫做“训练”，处理的结果可以被我们用来对新的数据进行预测这个结果一般称之为“模型”。对新数据的预测过程在机器学习中叫做“预测”。“训练”与“预测”是机器学习的两个过程“模型”则是过程的中间输出结果，“训练”产生“模型”，“模型”指导“预测”。机器学习的定义机器学习的过程与人类对历史经验归纳的过程做个比对机器学习的范围机器学习的范围模式识别

模式识别=机器学习。两者的主要区别在于前者是从工业界发展起来的概念，后者则主要源自计算机学科。在著名的《PatternRecognitionAndMachineLearning》这本书中，ChristopherM.Bishop在开头是这样说的“模式识别源自工业界，而机器学习来自于计算机学科。不过，它们中的活动可以被视为同一个领域的两个方面，同时在过去的10年间，它们都有了长足的发展”。机器学习的范围数据挖掘

数据挖掘=机器学习+数据库。这几年数据挖掘的概念实在是太耳熟能详。大部分数据挖掘中的算法是机器学习的算法在数据库中的优化。统计学习

统计学习近似等于机器学习。统计学习是个与机器学习高度重叠的学科。因为机器学习中的大多数方法来自统计学，甚至可以认为，统计学的发展促进机器学习的繁荣昌盛。统计学习者重点关注的是统计模型的发展与优化，偏数学，而机器学习者更关注的是能够解决问题，偏实践，因此机器学习研究者会重点研究学习算法在计算机上执行的效率与准确性的提升。机器学习的范围计算机视觉

计算机视觉=图像处理+机器学习。图像处理技术用于将图像处理为适合进入机器学习模型中的输入，机器学习则负责从图像中识别出相关的模式。计算机视觉相关的应用非常的多，例如百度识图、手写字符识别、车牌识别等等应用。这个领域是应用前景非常火热的，同时也是研究的热门方向。随着机器学习的新领域深度学习的发展，大大促进了计算机图像识别的效果，因此未来计算机视觉界的发展前景不可估量。机器学习的范围语音识别

语音识别=语音处理+机器学习。语音识别就是音频处理技术与机器学习的结合。语音识别技术一般不会单独使用，结合自然语言处理的相关技术。目前的相关应用有苹果的语音助手siri等。机器学习的范围自然语言处理

自然语言处理=文本处理+机器学习。自然语言处理技术主要是让机器理解人类的语言的一门领域。在自然语言处理技术，词法分析，语法分析等等，除此之外，在理解这个层面，则使用了语义理解，机器学习等技术。作为唯一由人类自身创造的符号，自然语言处理一直是机器学习界不断研究的方向。按照百度机器学习专家余凯的说法“听与看，说白了就是阿猫和阿狗都会的，而只有语言才是人类独有的”。如何利用机器学习技术进行自然语言的的深度理解，一直是工业和学术界关注的焦点。机器学习的方法简要介绍一下机器学习中的经典代表方法。这部分介绍的重点是这些方法内涵的思想。1、回归算法在大部分机器学习课程中，回归算法都是介绍的第一个算法。原因有两个：一是回归算法比较简单，介绍它可以让人平滑地从统计学迁移到机器学习中。二是回归算法是后面若干强大算法的基石，如果不理解回归算法，无法学习那些强大的算法。回归算法有两个重要的子类：即线性回归和逻辑回归。线性回归就是我们前面说过的PCI问题2.神经网络神经网络(也称之为人工神经网络，ANN)算法是80年代机器学习界非常流行的算法，不过在90年代中途衰落。现在，携着“深度学习”之势，神经网络重装归来，重新成为最强大的机器学习算法之一。机器学习的方法3、SVM（支持向量机）支持向量机算法是诞生于统计学习界，同时在机器学习界大放光彩的经典算法。支持向量机算法从某种意义上来说是逻辑回归算法的强化：通过给予逻辑回归算法更严格的优化条件，支持向量机算法可以获得比逻辑回归更好的分类界线。但是如果没有某类函数技术，则支持向量机算法