计算智能：技术、特点、集成及展望

计算智能：技术、特点、集成及展望

摘要：作为一种新兴的智能处理技术，计算智能受到各学科领域越来越多研究者的关注。本文简要概括了计算智能主要技术的理论框架和特点，介绍了计算智能技术的综合集成的一些情况及突现的特性，并对进一步的理论和应用研究做了一些展望。

关键词：计算智能；综合集成；突现的特性

Computational Intelligence:Technologies,Characteristics,Integration and Prospect

Abstract:As a rising technology of Intelligent Processing,Computational Intelligence is becoming more and more observable in many fields.This paper makes a brief summary of the theories and characteristics of technologies in Computational Intelligence, and gives a introduction of some situations and unexpected traits of integration in Computational https://www.360docs.net/doc/6e3515509.html,stly,some prospects of further research on theory and application in Computaional Intelligence are given.

Key words:Computational Intelligence;Integration;Unexpected Traits

1 引言

工业革命的伟大历史意义在于使生产机械化，从而使人类从体力劳动中解脱了出来；作为信息革命中主要的计算机处理技术，如果使计算机具有了人类的智能，从机器智能到最终的智能机器，人工智能如若可以使人类在生产中从脑力劳动中解脱出来，那么，这样的革命意义无疑将是划时代的。

传统的人工智能是基于符号处理的，通常也称为符号智能，它以知识为基础，偏重于逻辑推理，以顺序离散符号推理为特征，强调知识表示和推理及规则的形成和表示。而随着科学的发展和时代的进步，人们在工业生产和工程实践中遇到的问题，越来越多地具有规模大、复杂性、约束性、非线性、不确定性等特点，传统的人工智能在感知、理解、学习、联想及形象思维等方面遇到了严重的困难，同时，计算机容量和计算速度的不断提高及大规模并行处理技术的产生，使得智能模拟方法进入了一个全新的发展时期。由诸多智能模拟方法组成的计算智能(Computational Intelligence)技术，是一种借鉴和利用自然界中自然现象或生物体的各种原理和机理而开发的并具有自适应环境能力的计算方法，具有分布、并行、仿生、自学习、自组织、自适应等特性[1-3]。下面，本文将在计算智能研究领域和研究热点中对主要技术的理论框架和特点做一下简要概括，并对计算智能各方面的综合集成及由此而突现的特性做一些介绍。

2 计算智能的主要技术及特点

2.1 进化计算

进化计算(Evolutionary Computing)是基于自然选择和自然遗传等生物进化机制的一种

搜索算法。它以生物界的“优胜劣态、适者生存”作为算法的进化规则，结合达尔文的自然选择与孟德尔的遗传变异理论，将生物进化中的四个基本形式：繁殖、变异、竞争和选择引入到算法过程中。目前研究的进化计算技术主要有四种算法：遗传算法(Genetic Algorithm)、进化规划(Evolutionary Programming)、进化策略(Evolutionary Strategy)和遗传规划(Genetic Programming)。前三种算法是彼此独立发展起来的，最后一种是在遗传算法的基础上发展起来的一个分支[4]。

一般来说，进化计算的求解过程包括以下几个步骤：

（1）给定一组初始解；

（2）评价当前这组解的性能(即对目标满足的优劣程度如何)；

（3）按（2）中计算得到的解的性能从当前这组解中选定一定数量的解作为迭代后解的基础；

（4）对（3）所得到的解进行操作(如基因重组和突变)，作为迭代后的解；

（5）若这些解已满足要求，则停止：否则，将这些迭代得到的解作为当前解，返回（2）。

进化计算的研究之所以有意义，在于它所具有的一系列特点[5]：

（1）具有宽广的适用范围。由于进化计算采用灵活的编码方式（二进制编码、实数编码和字符集编码等），算法处理的是编码集合，因此对优化对象没有过多限制。

（2）具有自组织、自适应和自学习的特征。

（3）具有内在的并行计算特征。

（4）是一种全局随机搜索算法。

2.2 群体智能

自然界存在着很多让人叹为观止的生物群体智能现象，如蚁群、鱼群和鸟群等。这些群居生物所体现的社会性和分布式智能实现模式给了人类很大的启发。

群体智能(Swarm Intelligence)是受社会性昆虫的启发，通过对其行为的模拟形成一系列用于解决复杂问题的新方法。群体中存在众多智能个体，它们通过相互之间的简单合作表现出来的智能行为即称为群体智能。群体指的是一组相互之间可以进行直接通讯或者间接通讯(通过改变局部环境)的主体，它们能够合作进行分布式的问题求解。群体中智能个体是指具有简单能力(如搬运、通信、运动等)的个体，这种能力可以用某一简单的功能函数来表示。简单合作是指个体只能与其邻近的个体进行某种简单的协同动作，或通过改变环境间接地与其它个体之间进行简单通信[6]。

自20世纪90年代以来，群体智能计算的研究引起了许多学者的极大兴趣，并出现了蚁群优化(Ant Colony Optimization)、粒子群优化(Particle Swarm Optimization)和人工鱼群算法(Atificial Fish Swarm Algorithm)等一些著名的群体智能计算算法。群体智能计算是基于种群行为对给定的目标进行寻优的启发式搜索算法，其寻优过程体现了随机性、并行性和分布式，适合于对没有集中控制且不提供全局模型的复杂分布式问题的求解。群体智能计算具有以下特点[7]：

(1) 控制是分布的，不存在中心控制。每个个体只能感知局部的信息，不能直接拥有全局信息，使得系统更具有鲁棒性；

(2) 个体可改变环境，个体间通过感知环境变化来进行彼此间接通讯合作，这样可使系统中因个体增加而引起的系统通信开销的增加变得很小，从而使系统具有更好的可扩充性；

(3) 自组织，即群体的复杂行为是通过简单个体的交互过程中突现出来的智能。

2.3 人工神经网络

现代的计算机又称冯-诺伊曼机，它的特点是有很强的计算和信息处理能力，按事先编好的程序机械地执行，缺乏向环境学习、适应环境的能力，对于模式识别、感知和在复杂环境中作出决策等问题的处理还远不如人。

人工神经网络(Artificial Neural Network)以对脑组织的生理研究成果为基础，模拟大脑的某些机理与机制，以神经元联接机制为基础，从网络结构上去直接地模拟人类的智能，有人类的联想思维功能，其智能信息处理可具有形象思维、灵感，当然也有推理意识诸功能。它大规模模拟并行处理，具有很强的鲁棒性和容错性，有很强的自学的能力[8]。

人工神经网络是由简单的处理单元组成的并行互联网络，它的组织能够模拟生物神经系

统对真实世界物体所作出的交互反应。人工神经网络的最主要的特征之一是可以学习。一个人工神经网络的模型要实现某种功能的操作，就必须先对它进行训练，即让它学会要做的事情，并把这些知识存储在网络的加权中，所以学习或训练的实质就是加权矩阵随外部激励作自适应变化。网络被训练后，它每加入一组输入就会产生一组要求的输出。这里的一组输入或输出就是所谓的向量。训练就是相继加入输入向量，并按着预定的规则调整网络加权。在训练过程中网络的加权都收敛到一个确定值，以使每个输入向量都会产生一个要求的输出向量，调节加权要遵循一定的算法[9]。

2.4 模糊计算

真实世界中的问题，概念往往没有明确的界限，而传统数学的分类总试图定义清晰的界限，这是一种矛盾，一定条件下会变成对立的东西。从而引出了一个极其简单而又重要的思想：任何事情都离不开隶属程度这样一个概念[10]。这就是模糊理论的基本出发点。随着系统越来越复杂，当其复杂性达到与人类思维系统可比拟时，传统的数学分析方法就不适应了，模糊数学或模糊逻辑更接近于人类思维和自然语言，因此模糊理论为复杂系统分析，进而为人工智能研究提供了一种有用的方法和工具。

模糊计算(Fuzzy Computing)是一门崭新的信息学科。自1965年美国自动控制论学者L.Zadeh教授开创模糊数学以来，这门新兴学科呈现出旺盛的生命力和渗透力，它的应用已扩展到许多科学技术领域。模糊计算以模糊逻辑为基础，以模糊规则、模糊变量和隶属函数为核心，抓住了人类思维中的模糊特点，以模仿人的模糊综合判断推理来处理常规方法难以解决的模糊信息处理难题，使计算机应用扩大到了人文、社会和心理学等领域[11]。

2.5 人工免疫系统

20世纪70年代，Jerne提出了免疫网络假说，给出了免疫网络的数学框架，这是人工免疫系统开创性的工作。随后在80年代，Farmer基于免疫网络假说，构造了一个免疫系统的动态模型。生物免疫系统是一个具有复杂的抗病原生物体机理的独特系统。免疫系统的目标是识别所有体内的细胞（或分子）并区分是“自身”还是“非己”的，而“非己”的细胞被进一步分类以构造防御机理的合适种类。免疫系统通过进化学习辨别危险的外部物体（细菌、病毒等）和体内自身的细胞和分子，通过从不同种类的抗体中构造自身非己的非线性自适应网络，在处理动态变化环境中起作用。从计算的角度看，生物免疫系统是一个高度并行、分布、自适应和自组织的系统，具有很强的学习、识别、记忆和特征提取能力[12]。

人工免疫系统(Artificial Immune System)就是人们从生物免疫系统的运行机制中获取灵感而开发出来的面向应用的免疫计算模型，它模拟免疫学的克隆选择、细胞克隆、亲和突变、克隆抑制和动态平衡维持等机理，并将这些机理作为自己的运行机制[13]。

2.6 分形计算

分形(Fractal)作为新兴学科，已应用到自然科学与社会学科的许多领域，成为计算智能和非线性科学的研究热点之一。由B.Mandelbort建立的分形几何学，从它诞生一开始便于计算机图示结下不解之缘，从引人入胜的Mandelbort集到自然景观的计算机仿真，分形之美风靡一时。现在，分形计算在模式识别、自然图像的模拟、图像处理、图形生成以及智能信息处理等方面都取得了极大的成功。

分形以自然界和非线性系统中出现的不光滑和不规则的几何形体为研究对象，以分形几何为基础。虽然分形还没有确切而简介的定义，但是分形的集合具有如下特征[14]：（1）该集合有精细结构，即在任意小的比例尺度内包含整体。

（2）无论从局部还是整体来看，分形集都是很不规则的，传统的几何语言无法来描述。

（3）通常分形集都有某种自相似性，可能是近似的，也可能是统计意义上的。

（4）通常分形集的“分形维数”比它的拓扑维数更大。

（5）许多情况下，分形集是非常简单的，或者是递归的。

2.7 混沌计算

混沌科学创立于20世纪70年代，80年代，混沌科学获得了进一步发展，进入90年代，混沌科学得到了广泛的应用。目前混沌计算已成为继模糊逻辑和神经网络之后，并与它们相互交叉和融合进行智能模拟和智能信息处理的强有力工具。

混沌(Chaos)在我们日常生活中到处可见，自然界中许多表面服从决定论定律的简单系统，其行为仍然是很难预测的，由此产生了混沌。正如普里高金(I. Prigogine)所认为的，有序可以通过自组织过程从无序和混沌中自发地产生出来，混沌和有序同在。从物理学的观点，“混沌”指的是自然界中普遍存在的一种运动状态，学术上关于混沌的定义是“确定性的力学系统中呈现的有界的、非周期性的运动的总称”。并非随机却貌似随机的现象被称为混沌，非线性、非平衡性、确定性、动态性、内秉随机性、初值敏感性、时间序列的不规则性和有奇异吸引子是混沌的必要条件[15]。

3 计算智能的综合集成

计算智能的综合集成有三个层次的含义：其一，计算智能是多学科的渗透和交叉；其二，不同的计算智能技术相互融合，因为各种不同的技术，各有其特长与局限，如果我们把不同的技术结合起来，构成一个优势互补、复合协同的综合集成系统，那么，计算智能就会有更强大的解决问题能力并可能拥有集成后意想不到的特性；其三，在单个计算智能技术里，处理问题的某种智能模拟算法往往是由一些算子组成，这些算子综合集成后，又使这种算法突现了一些特性。

3.1 模糊系统与神经网络的融合[16]

模糊技术与神经网络技术各有自己的特点。前者以模糊逻辑为基础，抓住了人类思维中的模糊特点，以模仿人的模糊综合判断来处理问题；后者以对脑组织的生理研究成果为基础，模拟大脑的某些机理与机制，以神经元联接机制为基础，从网络结构上去直接地模拟人类的智能。如果将它们进行综合，即将逻辑推理方法与联接机制方法进行有机结合，可有效地发挥各自的优势并弥补其不足。将模糊技术引入神经网络可大大拓宽神经网络处理信息的范围和能力，不仅能实现精确性联想映射，还可以实现不精确性联想映射，特别是模糊联想及模糊映射。将神经网络技术引入模糊信息处理中则使得模糊规则的自动提取及模糊隶属函数的自动生成得以解决，使模糊系统成为一种具有自适应、自学习和自组织功能的模糊系统。

可以说，模糊系统与神经网络的有机结合，使人工智能更接近人脑的处理功能，已引起人们的极大关注，成为当前一个重要的人工智能领域的热门话题。

3.2 模糊技术、神经网络和混沌的综合集成[17]

在现实中，人们通过分析健康人的脑电图发现其中存在混沌现象，说明了混沌也是神经系统的正常特征。在模糊理论方面，人们也在研究模糊集合空间所涉及的混沌现象。神经网络、模糊和混沌显然各自具有不同特点，但是从本质上讲，它们之间具有共同的特性，即系统的非线性和状态的模拟性。因此，近年来国内外许多学者都把这三者结合起来研究，或者研究其两两结合的共同特性。神经网络中的大规模并行计算和自适应学习等特性，模糊理论中的模糊性和自由性特性，混沌理论中的非周期背后隐藏着有序性和对初始条件的敏感性等特点，根据这些特性，把三者结合起来，研究模糊神经网络和混沌神经网络以及这些网络在信息处理中的应用。有人把混沌计算、神经计算和模糊计算视为智能技术的关键和支柱，特别是三者的相互渗透、相互结合，具有巨大的研究潜力。

3.3 混沌与分形

混沌与分形是非线性科学中的一对孪生兄弟。研究表明，宇宙中许多表面上服从决定论规律的简单系统，其行为是很难预测的，由此产生了混沌理论。大自然中许多常见不规则的复杂现象，如山峦和云团的外形、曲折的海岸线等，它们处处无规则可言，但整体与其局部有相似性，因而产生了分形理论。混沌事件在时间标度上表现了相似的变化模式，分形在空间标度上表现出相似的结构模式，它们表明了混沌与分形之间有密切的关系，事实上，混沌吸引子就是分形集。混沌是演化的科学，分形是存在的科学；混沌是过程的科学，分形是状态的科学，混沌与分形的结合日益紧密，它们的应用也日益广泛。

3.4 计算智能的涌现及混沌现象[18-20]

自然界普遍存在着一种现象——涌现，涌现常常与混沌联系在一起。柏拉图(Plato)从哲学的高度将整体划分为两种：一种是“部分的总和”的整体；另一种是“与部分总和不同”的整体。为了了解整体的性质，不仅要了解整体组成部分的性质，还要了解组成部分之间的相互关系，系统的整体性质是由各组成部分相互作用、相互激发而“涌现”出来的，不是简单的各部分性质累加的结果，即整体大于部分总和。穆勒提出了判断涌现存在与否的三个条件：

（1）一个整体的涌现特征不是其部分的特征之和；

（2）涌现特征的种类与组成部分特征的种类完全不同；

（3）涌现特征不能由独自考察组成部分的行为中推导或预测出来。

系统的涌现现象和系统的混沌现象是紧密相关的，系统的涌现特征不能由各组成部分的特征推导或预测出来，这种系统的不规则性，正是混沌的本质，可以说，没有系统的涌现现象就没有系统的混沌现象。

计算智能技术是人们从自然现象或生物体的各种原理和机理中受到启发，提出的许多用以解决复杂系统问题的新方法。混沌现象普遍存在于自然界和生物体，而复杂系统问题越来越多地具有规模大、非线性和不确定性，其混沌特征不言而喻。我们把仿生、自学习、自组织的计算智能作为一个系统来说，无论是多学科的渗透和交叉，还是不同计算智能技术的相互融合，或是由一些算子组成的某种智能模拟算法，我们都应该考虑综合集成后的系统是否存在涌现现象及其各种智能模拟算法动力系统的混沌问题，这样无疑有益于弄清楚各种智能模拟算法的本质，从而有力地推动计算智能的研究与发展。

4 总结与展望

经过近几十年的发展，计算智能已成为一种新兴的智能处理技术，并受到各学科领域越来越多研究者的关注。计算智能技术具有分布、并行、自学习、自组织、自适应等特性，因此，在求解当前复杂问题时，必将得到广泛应用。本文只是对计算智能主要技术的理论框架和特点做了一下简要概括，并对计算智能各方面的综合集成及由此而突现的特性做了一些介绍。然而计算智能作为一种新兴的智能处理技术，还不能说达到了成熟和完善的地步，还有一些理论和应用问题有待进一步研究和解决：

（1）作为计算智能各种智能模拟算法基石的理论研究应更加深入。对各种算法的工作机理、数学基础和动力学特性等的深入研究和认识，不仅可以使我们更好地分析算法的性质，而且可以帮助设计新的算法、改进已有的算法。

（2）新的智能模拟算法将成为重要的研究方向。随着人工智能研究的深入和应用的日益广泛，在研究和改进现有算法的基础上，在各学科不断交叉发展的大背景下，新的智能模拟算法必将成为研究热点。

（3）计算智能各种智能算法的综合集成将是研究的一个热点。各种不同的算法，各有其特长与局限，如果我们把不同的算法结合起来，构成一个优势互补、复合协同的综合集成系统，那么计算智能就会有更强大的解决问题能力并可能拥有意想不到的效果。

（4）应用是计算智能研究的推动力。加强计算智能的应用研究以指导并推广其在工程中的应用，为社会带来更大的价值和节约更多的资源。

（5）更好地接近大脑的智能和更好地模拟自然现象的本质是计算智能技术研究的精髓。计算智能是对自然现象或生物体的各种原理和机理的借鉴和模拟，而自然现象的涌现及复杂系统动力学的混沌，还有大脑的模糊逻辑思维、空间想象和形象思维等人类智慧，这些正是智能模拟算法要模拟的精髓和本质。

参考文献

[1] 史忠植. 高级人工智能[M]. 北京: 科学出版社，1998.

[2] 邵军力，张景，魏长华. 人工智能基础[M]. 北京: 电子工业出版社，2000.

[3] Nils J. Nilsson. Artificial Intelligence: A new synthesis[M]. 北京: 机械工业出版社，2000.

[4] 王正志，薄涛. 进化计算. 长沙: 国防科技大学出版社，2000.

[5] Fogel, D. B. Evolutionary Computation: Toward a New Philosophy of Machine Intelligence.

New York: IEEE,1995.

[6] 郑毅，吴斌. 由鸟群和蚂蚁想到的-基于主体的仿真和群集智能的研究[J]. 微电脑世界，

2001.

[7] Kennedy J, Eberhart R C, and Yuhui Shi. Swarm Intelligence. San Francisco: Morgan

Kaufmann,2001. 512

[8] 丁永生. 计算智能-理论、技术与应用. 北京: 科学出版社，2004.

[9] Fredric M H, Ivica K. Principles of Neurocomputing for Science and Engineering. New York

Publishers,2001.

[10] 贾鑫，卢昱. 模糊信息处理. 长沙: 国防科技大学出版社，1996.

[11] 王耀南. 智能信息处理技术. 北京: 高等教育出版社，2003.

[12] Dasgupta D. Artificial Immune Systems and Their Applications. New York:

Springer-Verlag,1999. 300

[13] 黄席樾等著. 现代智能算法理论及应用. 北京: 科学出版社，2005.

[14] 王东生，曹磊. 混沌、分形及其应用. 合肥：中国科学技术大学出版社，1995.

[15] Crilly A.J, Earnshaw R.A.& Jones H. Fractals and Chaos. Springer-Verlag,1991.

[16] 王耀南. 智能控制系统-模糊逻辑、专家系统、神经网络. 长沙：湖南大学出版社，1996.

[17] K Aihara. Chaotic neural networks. Lett. A. 144:330-340

[18] 欧阳莹之. 复杂系统理论基础. 上海：上海科学教育出版社，2002年.

[19] 杨海军. 进化计算中的模式理论、涌现及应用研究. 天津大学博士学位论文，2003.

[20] 洛伦兹. 混沌的本质. 北京：气象出版社，1997年.