人工智能及其应用知识点整理

人工智能及其应用知识点整理第一章绪论人工智能的定义人类的自然智能（人类智能）伴随着人类活动时时处处存在。人类的许多活动，如下棋、竞技、解算题、猜谜语、进行讨论、编制计划和编写计算机程序，甚至驾驶汽车和骑自行车等，都需要“智能”。如果机器能够执行这种任务，就可以认为机器已具有某种性质的“人工智能”不同科学或学科背景的学者对人工智能有不同的理解，提出不同的观点，人们称这些观点为符号主义，连接主义和行为主义等，或者叫做逻辑学派，仿生学派，和生理学派。哲学家们对人类思维和非人类思维的研究工作已经进行了两千多年，然而，至今还没有获得满意的解答。智能，人的智能是人类理解和学习事物的能力，或者说，智能是思考和理解的能力而不是本能做事的能力。另一种定义为：智能是一种应用知识处理环境的能力或由目标准则衡量的抽象思考能力。智能机器，智能机器是一种能够呈现出人类智能行为的机器，而这种智能行为是人类用大脑考虑问题或创造思想。另一种定义为：智能机器是一种能够在不确定环境中执行各种拟人任务达到预期目标的机器。人工智能（学科），长期以来，人工智能研究者们认为：人工智能（学科）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摇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。近年来，许多人工智能和智能系统研究者认为：人工智能（学科）是智能科学中涉及研究、设计及应用智能机器和智能系统的一个分支，而智能科学是一门与计算机科学并行的学科。人工智能到底属于计算机科学还是智能科学，可能还需要一段时间的探讨与实践，而实践是检验真理的标准，实践将做出权威的回答。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，这些智能行为涉及学习、感知、思考、理解、识别、判断、推理、证明、通信、设计、规划、行动和问题求解等活动。什么是人工智能，试从学科和能力两方面加以说明从学科角度来看：人工智能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能功能，并开发相关理论和技术。从能力角度来看：人工智能是智能机器所执行的通常与人类智能有关的功能，如判断、推理、证明、识别、感知、理解、设计、思考、规划、学习和问题求解等思维活动在人工智能的发展过程中，有哪些思想和思潮起了项要作用控制论之父维纳1940年主张计算机五原则。他开始考虑计算机如何能像大脑一样工作。系统地创建了控制论，根据这一理论，一个机桢系统完全能进行运算和记忆。著名的英国科学家图灵被称为人工智能之父，图灵不仅创造了一个简单的通用的非数字计算模型，而且直接证明了计算机可能以某种被理解为智能的方法工作。提出了著名的图灵测试。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。为什么能够用机器(计算机)模仿人的智能物理符号系统的假设：任何一个系统，如果它能够表现出智能，那么它就必定能执行输入符号、输出符号、存储符号、复制符号、建立符号结构、条件性迁移6种功能。反之，任何系统如果具有这6种功能，那么它就能够表现出智能(人类所具有的智能)。物理符号系统的假设伴随有3个推论。推论一既然人具有智能，那么他(她)就一定是个物理符号系统。推论二既然计算机是一个物理符号系统，它就一定能够表现出智能。推论三既然人是一个物理符号系统，计算机也是一个物理符号系统，那么我们就能够用计算机来模拟人的活动。联结主义(Connectionism)，又称为仿生学派(Bionicsism)或生理学派(Physiologism)其原理主要为神经网络及神经悯络间的连接机制与学习算法认为人的思维基元是神经元，而不是符号处理过程。认为人脑不同于电脑，并提出联结主义的大脑工作模式，用千取代符号操作的电脑工作模式。行为主义(Actionism)，又称进化主义(Eovlutionism)或控制论学派(Cyberneticsism)其原理为控制论及感知动作型控制系统认为智能取决千感知和行动。认为智能不需要知识、不需要表示、不需萝推理；人工智能可以象人类智能一样逐步进化。智能行为只能在现实世界中与周围环境交互作用而表现出来。符号主义、联结主义对真实世界客观事物的描述及其智能行为工作模式是过于简化的抽象，因而是不能真实地反映客观存在的。人工智能的研究目标在前面从学科和能力定义人工智能时，我们曾指出：人工智能的近期研究目标在千“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。”而且这些智力功能“涉及学习、感知、思考、理解、识别、判断、推理、证明、通信、设计、规划、行动和问题求解等活动”。人工智能的一般研究目标为：(1)更好地理解人类智能，通过编写程序来模仿和检验有关人类智能的理论。(2)创造有用的灵巧程序，该程序能够执行一般需要人类专家才能实现的任务。一般地，人工智能的研究目标又可分为近期研究目标和远期研究目标两种。人工智能的近期研究目标是建造智能计算机以代替人类的某些智力活动。人工智能的远期目标是用自动机模仿人类的思维活动和智力功能。人工智能研究的基本内容人工智能学科有着十分广泛和极其丰富的研究内容。不同的人工智能研究者从不同的角度对人工智能的研究内容进行分类。例如，基于脑功能模拟、基于不同认知观、基于应用领域和应用系统、基于系统结构和支撑环境等。因此，要对人工智能研究内容进行全面和系统的介绍也是比较困难的，而且可能也是没有必要的。人工智能研究的基本内容包括：认知建模，知识表示，知识推理，知识应用，机器感知，机器思维，机器学习，机器学习，智能系统构建。人工智能研究方法由于研究者的专业和研究领域的不同以及他们对智能本质的理解有异，因而形成了不同的人工智能学派，各自采用不同的研究方法。与符号主义、连接主义和行为主义相应的人工智能研究方法为功能模拟法、结构模拟法和行为模拟法。人工智能计算方法基于符号逻辑的人工智能学派强询基于知识的表示与推理，而不强调计算，但并非没有任何计算。图搜索、谓词演箕和规则运算都属于广义上的计算。显然，这些计算是与传统的采用数理方程、状态方程、差分方程、传递函数、脉冲传递函数和矩阵方程等数值分析计算有根本区别的。随着人T智能的发展，出现了各种新的智能计算技术，如模糊计算、神经计算、进化计算、免疫计算和粒子群计算等，它们是以算法为基础的，也与数值分析计算方法有所不同。从哪些层次对认知行为进行研究心理活动的最高层级是思维策略，中间一层是初级信息处理，最低层级是生理过程，与此相应的是计绑机程序、语言和硬件。研究认知过程的主要任务是探求高层次思维决策与初级信息处理的关系，并用计算机程序来模拟人的思维策略水平，而用计算机语言模拟人的初级信息处理过程。人工智能的主耍研究和应用领域是什么,其中哪些是新的研究热点问题求解（下棋程序），逻辑推理与定理证明（四色定理证明），自然语言理解，自动程序设计，专家系统，机器学习，神经网络，机器人学（星际探索机器人），模式识别（手写识别，汽车牌照识别，指纹识别），机器视觉（机器装配，卫星图像处理），智能控制，智能检索，智能调度与指挥（汽车运输高度，列车编组指挥），系统与语言工具。新的研究热点：分布式人工智能与Agent,计绑智能与进化计算，数据挖掘与知识发现（超市市场商品数据分析），人工生命。第二章知识表示方法本章所讨论的知识表示问题是人工智能研究的核心问题之一。对知识表示新方法和混合表示方法的研究仍然是许多人工智能专家学者感兴趣的研究方向。适当选择和正确使用知识表示方法将极大地提高人工智能问题求解效率。人们总是希望能够使用行之有效的知识表示方法解决面临的问题。知识表示方法很多，本章介绍了其中的7种，有图示法、公式法、结构化方法、陈述式表示和过程式表示等。状态空间法是一种基千解答空间的问题表示和求解的方法，它是以状态和操作符为基础的。在利用状态空间图表示时，从某个初始状态开始，每次加一个操作符，递增地建立起操作符的试验序列，直到达到目标状态为止。由于状态空间法需要扩展过多的节点，容易出现”组合爆炸“，因而只适用于表示比较简单的问题。问题归约法从目标（要解决的问题）出发，逆向推理，通过一系列变换把初始问题变换为子问题集合和子子问题集合，直至最后归约为一个平凡的本原问题集合。这些本原问题的解可以直接得到从而解决了初始问题，用与或图来有效地说明问题归约法的求解途径。问题归约法能够比状态空间法更有效地表示问题。状态空间法是问题归约法的一种特例。在问题归约法的与或图中，包含有与节点和或节点，而在状态空间法中只含有或节点。谓词逻辑法采用谓词合式公式和一阶谓词演算把要解决的问题变为一个有待证明的问题，然后采用消解定理和消解反演来证明一个新语句是从已知的正确语句导出的，从而证明这个新语句也是正确的。谓词逻辑是一种形式语言，能够把数学中的逻辑论证符号化。谓词逻辑法常与其他表示方法混合使用，灵活方便，可以表示比较复杂的问题。语义网络是一种结构化表示方法，它由节点和弧线或链线组成。节点用于表示物体、概念和状态，弧线用千表示节点间的关系。语义网络的解答是一个经过推理和匹配而得到的具有明确结果的新的语义网络。语义网络可用于表示多元关系，扩展后可以表示更复杂的问题。框架是一种结构化表示方法。框架通常由指定事物各个方面的槽组成，每个槽拥有若干个侧面,而每个侧面又可拥有若干个值。大多数实用系统必须同时使用许多框架，并可把它们联成一个框架系统。框架表示已获广泛应用，然而并非所有问题都可以用框架表示。本体是概念化的一个显式规范说明或表示。本体可定义为被共享的概念化的一个形式规范说明O本章在论述了本体的基本概念后，讨论了本体的组成、分类与建模。本体是一种比框架更有效的表示方法。过程是一种知识的过程式表示，它将某一有关问题领域知识同这些使用方法一起，隐式地表示为一个问题求解过程。过程表示用程序来描述问题，具有很高的问题求解效率。由千知识隐含在程序中难以操作，所以适用范围较窄。对于同一间题可以有许多不同的表示方法。不过对于特定间题，有的表示方法比较有效，其他表示方法可能不大适用，或者不是好的表示方法。在表示和求解比较复杂的问题时，采用单一的知识表示方法是远远不够的，往往必须采用多种方法混合表示。例如，综合采用框架、本体、语义网络、谓词逻辑的过程表示方法（两种以上）,可使所研究的问题获得更有效的解决此外，在选择知识表示方法时，还要考虑所使用的程序设计语言所提供的功能和特点，以便能够更好地描述这些表示方法。第三章确定性推理本章所讨论的知识的搜索与推理是人工智能研究的另一核心问题。对这一问题的研究曾经十分活跃，而且至今仍不乏高层次的研究课题。正如知识表示一样，知识的搜索与推理也有众多的方法，同一问题可能采用不同的搜索策略，而其中有的比较有效，有的不大适合具体问题。在应用盲目搜索进行求解的过程中，一般是盲目“地穷举，即不运用特别信息。盲目搜索包括宽度优先搜索、深度优先搜索和等代价搜索等，其中，有界深度优先搜索在某种意义上讲，具有一定的启发性。从搜索效率看，一般来说，有界深度优先搜索较好，宽度优先搜索次之，深度优先搜索较差。不过，如果有解，那么宽度优先搜索和深度优先搜索一定能够找到解答，不管付出多大代价；而有界深度优先搜索则可能丢失某些解。启发式搜索主要讨论有序搜索（或最好优先搜索）和最优搜索A算法。与盲目搜索不同的是，启发式搜索运用启发信息，引用某些准则或经验来重新排列OPEN表中节点的顺序，使搜索沿着某个被认为最有希望的前沿区段扩展。正确选择估价函数，对千寻求最小代价路径或解树，至关重要。启发式搜索要比盲目搜索有效得多，因而应用较为普遍。在求解问题时，可把问题表示为一个有待证明的问题或定理，然后用消解原理和消解反演过程来证明。在证明时，采用推理规则进行正向搜索，希望能够使问题（定理）最终获得证明。另一种策略是采用反演方法来证明某个定理的否定是不成立的。为此，首先假定该定理的否定是正确的，接着证明由公理和假定的定理之否定所组成的集合是不成立的，即导致矛盾的结论该定理的否定是不成立的，因而证明了该定理必定是成立的。这种通过证明定理的否定不能成立的方法叫做反演证明。有些问题的搜索既可使用正向搜索，又可使用逆向搜索，还可以混合从两个搜索方向进行搜索，即双向搜索。当这两个方向的搜索边域以某种形式会合时，此搜索以成功而告终。规则演绎系统采用IF-THEN规则来求解问题。其中，IF为前项或前提，THEN为后项或结论。按照推理方式的不同可把规则演绎系统分为3种，即正向规则演绎系统、逆向规则演绎系统和双向规则演绎系统。正向规则演绎系统是从事实到目标进行操作的，即从状况条件到动作进行推理的，也就是从IF到THEN的方向进行推理的。称这种推理规则为正向推理规则或F规则。把F规则应用于与或图结构，使与或图结构发生变化，直至求得目标为止。这时，所得与或图包含有终止目标节点，求解过程从求得目标解图而成功地结束，而且目标节点与目标子句等价。逆向规则演绎系统是从THEN向IF进行推理的，即从目标或动作向事实或状况条件进行推理的。称这种推理规则为逆向推理规则或B规则。把B规则应用千与或图结构，使之发生变化，直至求得某个含有终止在事实节点上的一致解图而成功地终止。逆向规则演绎系统能够处理任何形式的目标表达式，因而得到较为普遍的应用。正向规则演绎系统和逆向规则演绎系统都具有局限性。前者能够处理任意形式的事实表达式，但只适用于由文字的析取组成的目标表达式。后者能够处理任意形式的目标表达式，但只适用于由文字的合取组成的事实表达式。双向规则演绎系统组合了正向和逆向两种规则演绎系统的优点，克服了各自的缺点，具有更高的搜索求解效率。双向组合系统是建立在正向和反向两系统相结合的基础上的，其综合数据库是由表示目标和表示事实的两个与或图组成的。分别使用F规则和B规则来扩展和修正与或图结构。当两个与或图结构之间在某个适当交接处出现匹配时，求解成功，系统即停止搜索。与规则演绎系统有密切关系的是产生式系统，它由总数据库、产生式规则和控制策略3部分组成的。产生式系统的推理也分为正向推理、逆向推理和双向推理3种形式。本章还讨论了非单调推理。非单调推理能够处理那些不适合用谓词逻辑表示的知识，能够较好地处理不完全信息、不断变化的情况以及求解复杂问题过程中生成的假设，具有较为有效的求解效率。缺省推理和正确性维持系统TMS是非单调推理的两种主要技术。第四章非经典推理确定性推理方法在许多情况下，往往无法解决面临的现实问题，因而需要应用不确定性推理等高级知识推理方法，包括非单调推理、时序推理和不确定性推理等。它们属于非经典推理。从4.2节起阐述不确定性推理。在对不确定性表示和推理进行一般叙述之后，用4节分别介绍了概率推理（4.3节）、主观贝叶斯方法（4.4节）、可信度方法（4.5节）和证据理论（4.6节）。不确定性推理是一种建立在非经典逻辑基础上的基于不确定性知识的推理，它从不确定性的初始证据出发，通过应用不确定性知识，推出具有一定程度的不确定性或近乎合理的结论。顾名思义，概率推理就是应用概率论的基本性质和计算方法进行推理的，它具有较强的理论基础和较好的数字描述。概率推理主要采用贝叶斯公式进行计算。对千许多实际问题，直接应用贝叶斯公式计算各种相关概率很难实现。在贝叶斯公式基础上，提出了主观贝叶斯方法，建立了不精确推理模型。应用主观贝叶斯方法可以表示知识的不确定性和证据的不确定性，并通过CP公式用初始证据进行推理，通过EH公式用推理的中间结论为证据进行推理，求得概率的函数解析式。主观贝叶斯方法已在一些专家系统（如PROSPECTOR）得到成功应用。可信度方法是在确定性理论的基础上结合概率论等提出的一种不精确推理模型。在用可信度方法表示不确定时，引入可信度因子、信任增长度和不信任增长度等概念。有好几种可信度方法的推理算法，如组合证据的不确定算法、不确定性的传递算法和多个独立证据推出同一假设的合成算法等。4.5节详细讨论了这些算法，并举例加以证明。4.6节讨论另一种不确定性推理方法证据理论，又称为D-S理论。该理论用集合表示问题。在证据理论中，可充分利用概率分配函数、信任函数和似然函数等描述和处理知识的不确定性。4,6节首先对上述各函数进行定义，研究了它们的性质，举例说明了各函数值的定义，证明了信任函数与似然函数的关系，并计算了概率分配函数的正交和等。接着，给出了一个特殊的概率分配函数，并以该函数为基础建立一个具体的不确定性推理模型。最后，举例说明了证据理论的推理过程，计算出结论的确定性。除了本章介绍与讨论的这些不确定性推理方法外，还有可能性理论和模糊推理等方法。限于篇幅，有些方法不予介绍，而另一些方法(如模糊推理等)将在本书的后续章节中进行叙述。第五章计算智能计算智能的含义是什么，它涉及哪些研究分支贝兹德克认为计算智能取决于制造者提供的数值数据，而不依赖于知识。计算智能是智力的低层认知。主要的研究领域为神经计算，模糊计算，进化计算，人工生命。试述计算智能CI人工智能AI和生物智能BI的关系计算智能是智力的低层认知，主要取决于数值数据而不依赖于知识。人工智能是在计算智能的基础上引入知识而产生的智力中层认知。生物智能，尤其是人类智能，则是最高层的智能。即CI包含AI包含BI人工神经网络发展前景，应用领域人工神经网络具有如下至关重要的特性：(1)并行分布处理，适于实时和动态处理；非线性映射，给处理非线性问题带来新的希望；(2) 通过训练进行学习，一个经过适当训练的神经网络具有归纳全部数据的能力，能够解决那些由数学模型或描述规则难以处理的问题；适应与集成，神经网络的强适应和信息触合能力使得它可以同时输入大显不同的控制信号，实现信息悚成和融合，适于复杂，大规模和多变显系统；(3) 硬件实现，一些超大规模栠成是电路实现硬件已经问世，使得神经网络成为具有快速和大规模处理能力的限络。生物神经元生物神经元大多数神经元由一个细胞体(cellbody或soma)和突(process)两部分组成。突分两类，即轴突(axon)和树突(dendrite)，轴突是个突出部分，长度可达lm,把本神经元的输出发送至其它相连接的神经元。树突也是突出部分，但一般较短，且分枝很多，与其它神经元的轴突相连，以接收来自其它神经元的生物信号。轴突的未端与树突进行信号传递的界面称为突触(synpase)，通过突触向其它神经元发送信息。对某些突触的刺激促使神经元触发(fire)。只有神经元所有愉入的总效应达到闾值电平，它才能开始工作。此时，神经元就产生一个全强度的输出窄脉冲，从细胞体经轴突进入轴突分枝。这时的神经元就称为被触发。突触把经过一个神经元轴突的脉冲转化为下一个神经元的兴奋或抑制。学习就发生在突触附近。每个人脑大约含有10A11-10A12个神经元，每一神经元又约有10A3-10A4个突触。神经元通过突触形成的网络，传递神经元间的兴奋与抑制。大脑的全部神经元构成极其复杂的拓扑网络群体，用于实现记忆与思维。人工神经网络的结构人工神经网络的结构；人工神经网络由神经元模型构成。每个神经元具有单一输出，并且能够与其它神经元连接，存在许多输出连接方法，每种连接方法对应于一个连接权系数。人工神经网络的结构分为2类：递归（反馈）网络，有些神经元的轴出被反馈至同层或前层神经元。信号能够从正向和反向流通。Hopfield网络，Elmman网络和Jordan网络是代表。前馈网络，具有递阶分层结构，由一些同层神经元间不存在互连的层级组成。从输入层至输出层的信号通过单向连接流通，神经元从一层连接至下一层，不存在同层神经元之间的连接。多层感知器（MLP）,学习矢量量化网络（LVQ），小脑模型连接控制网络（CMAC）和数据处理方法网络（GMDH是代表。人工神经网络主要学习算法人工神经限络的主要学习镜法：指导式（有师）学习，根据期望和实际的网络偷出之间的差来调整神经元连接的强度或权。包括Delta规则，广义Delta规则，反向传播算法及LVQ算法。非指导（无导师）学习，训练过程中，神经网络能自动地适应连接权，以便按相似特征把输入模式分组聚媒。包括Kohonen算法，Carpenter-Grossberg自适应谐振理论（ART）强化学习，是有师学习的一种特例。它不需要老师给出目标输出，而是由一个“评论员”来评介与给定输入相对应的神经网络输出的优度。例如遗传绰法（GA）神经网络的知识表示传统人工智能系统中所用的方法是知识的显式表示，而神经网络中的知识表示是一种隐式的表示方法。在有些神经网络系统中，知识是用神经网络所对应的有向权图的邻接矩阵以及阙值向蜇表示的。神经网络的表示还有很多种方法，这里仅仅以邻接矩阵为例。对千网络的不同表示，其相应的运算处理方法也随之改变。近年来，很多学者将神经网络的权值和结构统一编码表示成一维向量，结合进化算法对其进行处理，取得很好的效果。神经网络知识推理基于神经网络的知识推理实质上是在一个已经训练成熟的网络基础上对未知样本进行反应或者判断。神经网络的训练是一个网络对训练样本内在规律的学习过程，而对网络进行训练的目的主要是为了让网络模型对训练样本以外的数据具有正确的映射能力。通常定义神经网络的泛化能力，也称推广能力，是指神经网络在训练完成之后输入其训练样本以外的新数据时获得正确输出的能力。泛化特性在人工神经网络的应用过程中表现出来，但由网络的设计和建模过程所决定。从本质上来说，不管是内插泛化还是外推泛化，泛化特性的好坏取决于人工神经网络是否从训练样本中找到内部的真正规律。影响泛化能力的因素主要有：心训练样本的质量和数量；网络结构；问题本身的复杂程度。神经网络的训练次数也称为神经网络的学习时间。由试验结果可以看出，在一定范陨内，训练次数的增加可以提高神经网络的泛化能力。然而在神经网络的训练过程中经常出现一种过拟合现象，误差逐渐减小并达到某个定值以后，往往会出现网络对训练样本以外的测试样本的误差反而开始增加的情况。对网络的训练，并不是使训练误差越小越好，而是要从实际出发，提高对训练样本以外数据的映射能力，即泛化性能。基于神经网络的推理是通过网络计算实现的。把用户提供的初始证据用作网络的输入，通过网络计算最终得到输出结果。由上例可看出网络推理的大致过程。一般来说，正向网络推理的步骤如下：(1)把已知数据输入网络输入层的各个节点。(2)利用特性函数分别计算网络中各层的输出。计算中，前一层的输出作为后一层有关节点的输入，逐层进行计算，直至计算出输出层的输出值。用阙值函数对输出层的输出进行判定，从而得到输出结果模糊推理，膜糊推理方法模糊推理是建立在模糊逻辑基础上的，一种不确定性推理方法，是在二值逻辑三段论基础上发展起来的。它以模糊判断为前提，动用模糊语言规则，推导出一个近似的模砌判断结论。有许多模糊推理方法。在Zadeh法中，有2种重要的模糊推理规则：广义取式（肯定前提）假言推理法（GMP）和广义拒式（否定结论）假言推理法（GMT），分别简称为广义前向推理法和广义后向推理法。模糊判决，膜糊判决方法从推理得到的模糊集合中，取一个相对最能代表这个模糊集合的单值的过程就称为解模糊或模糊判决。常用的模糊判决方法有：重心法，最大隶属度法，系数加权平均法，隶属度限幅元素平均法进化计算，出发点优化是自然界进化的核心，每个物种都在随着自然界的进化而不断优化自身结构以适应自然的变化。模仿生物来建立功能强大的算法，进而将它们运用于复杂的优化问题。进化计算包括遗传算法、进化策略。进化编程和遗传编程。进化算法的主要原理：通过多点出发来同步搜索全局最优解，在进化算法中，这些点称为个体，所有的个体构成了一个群体。进化算法从选定的初始群体出发，通过不断迭代逐步改进当前群体，直至最后收敛于全局最优解或满意解。这种群体迭代进化的思想给优化问题的求解提供了一种全新思路。遗传算法基本原理，遗传算法求解步骤遗传算法是模仿生物遗传学和自然选择机理，通过人工方式构造的一类优化搜索算法，是对生物进化过程进行的一种数学仿真，是进化计算的一种最重要形式。求解步骤：（1）随机产生一个由确定长度的特征字符串组成的初始种群体（2）对该字符串种群迭代地执行下步的步骤I和步骤2，直到满足停止准则为止：I计算种群中每个个体字符中的适应值，2应用复制，交叉和变异等遗传算子产生下一代种群（3）把在后代中出现的最好个体字符指定为遗传贺法的执行结果，这个结果可以表示问题的一个解遗传算法，进化策略和进化编程关系：它们都是模拟生物界自然进化过程而建立的兽棒性计算机算法。区别：进化策略和进化编程把变异作为主要搜索算子，标准遗传算法中，变异处千次要位置。交叉在遗传法起若重要作用，而在进化编程中却被完全省去，在进化策略中与自适应结合使用，起了很重要的作用。标准遗传算法和进化编程都强调随机选择机制的重要性，而进化策略的选择是完全确定的。进化策略和进化编程，确定地把某个个体排除在被选择之外，而标准遗传算法都对每个个体指定一个非零的选择概率。人工生命人工生命是研究能够演示出自然生命系统特征行为的人造系统。通过计算机或其它机器对类似生命的行为进行综合研究，以便对传统生物科学起互补作用。凡是具有自然生命现象和特征的人造系统，都可称为人工生命。为什么研究人工生命具有重大的科学意义和广泛的应用价值：(I)开发基于人工生命的工程技术新方法，新系统，新产品；为自然生命的研究提供新模型、新工具、新环境；(2) 延伸人类寿命，减缓衰老，防治疾病；扩展自然生命，实现人工进化和优生优育；(3) 促进生命和学，信息和学，系统科学的交叉发展人工生命研究内容，研究方法研究内容大致分为两类：l)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；2)生物体及其群体的外部系统，包括环境适应系统和遗传进化系统研究方法主要可分为两类：l)信息模型法，根据内部和外部系统所表现出来的生命行为来建造信息模型；2)工作原理法：生命行为所显示的自律分散和非线性行为，其工作原理是混沌和分形，以此为基础研究人工生命的机理。群智能和粒群优化概述同类生物之间的信息共享常常提供了一种进化的优势；这一猜想后来成为研究各种群智能系统的基础。可把群这一猜想后来成为研究各种群智能系统的基础。可把群(swarm)定义为某种交互作用的组织或agent之结构集合。在群智能计算研究中，群的个体组织包括蚂蚁、白蚁、蜜蜂、黄蜂、鱼群和鸟群等。在这些群体中，个体在结构上是很简单的，而它们的集体行为却可能变得相当复杂。粒群优化算法是一种基于群体搜索的算法，它建立在模拟鸟群社会的基础上。在粒群优化中，被称为粒子的个体是通过超维搜索空间“流动”的。粒子在搜索空间中的位置变化是以个体成功地超过其他个体的社会心理意向为基础的。因此，群中粒子的变化是受其邻近粒子（个体）的经验或知识影响的。一个粒子的搜索行为受到群中其他粒子的搜索行为的影响。由此可见，粒群优化是一种共生合作算法。建立这种社会行为模型的结果是：在搜索过程中，粒子随机地回到搜索空间中一个原先成功的区域。蚁群算法基本原理蚁群算法是受到对真实蚁群行为研究的启发而提出的。单个昆虫的行为极其简单，但由单个简单的个体所组成的群体却表现出极其复杂的行为。大批蚂蚁组成的蚁群的集体行为便表现出一种信息正反馈现象：某一路径上走过的蚂蚁越多，则后来者选择该路径的概率就越大蚁群箕法源千对自然界中的蚂蚁寻找蚁巢到食物以及食物回到蚁巢的最短路径方法的研究。它是一种并行算法，所有蚂蚁均独立行动，没有监督机构。它又是一种合作算法，依靠群体行为进行寻优。它还是一种鲁棒算法，只要对算法稍作修改，就可以求解其他组合优化问题。本章总结本章开始讨论计算智能问题，并把神经计算、模糊计算、进化计算、人工生命、群优化作为计算智能的主要研究领域。这些研究领域体现出生命科学与信息科学的紧密结合，也是广义人工智能力图研究和模仿人类和动物智能（主要是人类的思维过程和智力行为）的重要进展。把计算智能理解为智力的低层认知，它主要取决千数值数据而不依赖于知识。人工智能是在计算智能的基础上引入知识而产生的智力中层认知。生物智能，尤其是人类智能，则是最高层的智能也就是说，CIinAIinBI。神经网络的基元是神经元，具有多个输入和一个输出。神经元间为带权的有向连接。输入信号借助激励函数得到输出。人工神经网络可分为递归（反馈）网络和多层（前馈）网络两种基本结构。在学习算法上，人工神经网络可采用有师（监督式）学习和无师（自）学习两种。有时，对强化（增强）学习单独进行讨论；实际上，可把强化学习看做有师学习的特例。人工神经网络的模型种类很多，其中以反向传播网络和Hopfield网络的应用更为广泛。人工神经网络可用来进行知识表示和推理。人工神经网络已获得比较广泛的应用。本章讨论了模糊集合和模糊逻辑的各种定义及其运算，研究了模糊推理。模糊推理是以模糊判断为前提，采用模糊语言规则，推导出一个近似的模糊判断结论。其中，以Zadeh推理方法最为成熟和普遍运用。Zadeh推理有广义前向推理和广义后向推理两种方法。通过模糊推理得到一个模糊集合或隶属函数。从该模糊集合中选取一个能最好代表该集合单值的过程叫做解模糊、去模糊或模糊判决。常用的模糊判决方法有重心法、最大隶属度法、系数加权平均法和隶属度限幅元素平均法等。以神经网络为基础的神经计算和以模糊逻辑为基础的模糊计算，都是建立在数值计算上的。它们是计算智能的重要组成部分。进化计算遵循自然界优胜劣汰、适者生存的进化准则，模仿生物群体的进化机制，并被用于处理复杂系统的优化问题。遗传算法是模仿生物遗传学和自然选择机理，通过人工方式而构造的一类搜索算法，是对生物进化过程的一种数学仿真，也是进化计算的最重要形式。本章分析了遗传算法的原理与框架、遗传算法的编码与解码、遗传算法的遗传算子、遗传算法的执行过程和执行实例。人工生命是计算智能研究的一个最新领域。人们试图采用人工方法建造具有自然生命现象和特征的人造系统。本章归纳出自然生命的共同特征以作为人工生命研究的追求目标。人工生命的研究内容包括构成生物体的内部系统和生物体生存的外部系统，涉及生命现象的仿生系统、建模与仿真、进化动力学、计算理论与工具以及人工生命的应用等。研究方法主要有信息模型法和工作原理法两种，其具体研究途径则有工程技术和生物科学两个方面。人工生命的研究具有诱人的发展前景和广泛的应用领域。人们已在人工脑、计算机病毒、计算机进程、细胞自动机和人工核昔酸等课题的研究上取得突破性进展。粒群优化算法是一种基于群体搜索的算法，它是建立在模拟鸟群社会的基础上的。在粒群优化中，被称为粒子的个体是通过超维搜索空间“流动”的。粒子在搜索空间中的位置变化是以个体成功地超过其他个体的社会心理意向为基础的。一粒子的搜索行为受到群中其他粒子的搜索行为的影响。因此可见，粒群优化是一种共生合作算法。建立这种社会行为模型的结果是：在搜索过程中，粒子随机地回到搜索空间中一个原先成功的区域。粒群优化算法有个体最佳算法、全局最佳算法和局部最佳算法三种。近年来的研究使这些算法得以改进，其中包括改善其收敛性和提高其适应性。从生物进化和仿生学角度出发，研究蚂蚁寻找食物路径的自然行为，提出了蚁群算法。用该方法求解TSP问题、分配问题和调度等问题，取得较好结果。蚁群算法已显示出它在求解复杂优化问题特别是离散优化问题方面的优势，是一种很有发展前景的计算智能方法。第六章专家系统专家系统，特点和优点专家系统是一种模拟人类专家解决领域问题的智能计算机程序系统，其内部含有大星的某个领域专家水平的知识与经验，能够利用人类专家的知识和解决问题的方法来处理该领域问题。也就是说，专家系统是一个具有大星的专门知识与经验的程序系统，它应用人工智能技术和计算机技术，根据某一个领域或多个专家提供的知识和经验，进行推理和判断，模拟人类专家的决策过程，一边解决那些需要人类专家处理的复杂问题。特点：(l)启发性专家系统能运用专家的知识与经验进行推理、判断和决策；透明性专家系统能够解释本身的推理过程和回答用户提出的问题，以便让用户能够了解推理过程，提高对专家系统的信赖感。(3)灵活性专家系统能不断地增长知识，修改原有知识，不断更新优点：(1) 专家系统能够高效率、准确、周到、迅速和不知疲倦地进行工作；专家系统解决实际问题时不受周围环境的影响，也不可能遗漏忘记；(2) 可以使专家的专长不受时间和空间的限制，以便推广珍贵和稀缺的专家知识与经验；专家系统能够促进各领域的发展，它使各领域专家的专业知识和经验得到总结和精炼，能够广泛有力地传播专家的知识、经验和能力；(3) 专家系统能够汇集多领域专家的知识和经验以及他们写作解决重大问题的能力，它拥有更渊博的知识、甲丰宫的经验和甲强的工作能力；军事专家系统的水平是一个国家国防现代化的重要标志之一；(4) 专家系统的研制和应用，具有巨大的经济效益和社会效益；研究专家系统能够促进整个科学技术的发展。专家系统对人工智能的各个领域的发展起了很大的促进作用，并将对科技、经济、国防、教育、社会和人民生活产生极其深远的影呴。专家系统构成部分(I)知识库，知识库用千存储某领域的专门知识，包括事实、可行操作与规则等。(2) 综合数据库。综合数据库又称全局数据库或总数据库，它用于存储领域或问题的厨师数据和推理过程中得到的中间数据(信息)，即被处理对象的一些当们事实。(3) 推理机，推理机用于记忆所采用的规则和控制策略的程序，使整个专家系统能够以逻辑方式协调地工作。推理机能够根据指示进行推理和寻出结论，而不是简单地搜索现成的答案。(4) 解释器，解释器能够向用户解释专家系统的行为，包括解释推理结论的正确性以及系统输出其他候选解的原因。(5) 接口，又称界面，他能够使系统与用户进行对话，使用户能够愉入必要的数据、提出问题和了解推理过程及推理结果等。系统则通过接口，要求用户回答提问，并回答用户提出的问题，进行必要的解释。专家系统建造步骤是否拥有大呈知识是专家系统成功与否的关键，因而知识表示就成为设计专家系统的关键：(l)设计初始知识库，问题知识化、知识概念化、概念形式化、形式规则化、规则合法化；原型机(prototype)的开发与试验，建立整个系统所需要的实验子集，它包括整个模型的典型知识，而且只涉及与试验有关的足够简单的任务和推理过程；(2) 知识库的改进与归纳，反复对知识库及推理规则进行改进试验，归纳出更完善的结果专家系统与一般的问题求解软件程序一般应用程序与专家系统的区别在于：前者把问题求解的知识隐含地编入程序，而后者则把其应用领域的问题求解知识单独组成一个实体，即为知识库。知识库的处理时通过与知识库分开的控制策略进行的。更明确地说，一般应用程序把知识组织为两级：数据级和程序级；大多数专家系统则将知识组织成三级：数据、知识库和控制。在数据级上，是已经解决了的特定问题的说明性知识以及需要求解问题的有关事件的当前状态、在知识库级是专家系统的专门知识与经验。是否拥有大呈知识是专家系统成功与否的关键，因而知识表示就成为设计专家系统的关键。在控制程序级，根据既定的控制策略和所求解问题的性质来决定应用知识库中的哪些知识。基于规则的专家系统系统的主要部分是知识库和推理引擎。知识库由谓词派算事实和有关讨论主题的规则构成。”知识工程师”与应用领域的专家共同工作以便把专家的相关知识表示成一种形式，由一个知识采媒子系统协助，输入到知识库。推理引擎由所有操作知识库来演绎用户要求的信息的过程构成如消解、前向链或反向链。用户接口可能包括某种自然语言处理系统，它允许用户用一个有限的自然语言形式与系统交互。也可是用带有菜单的图形接口界面。解释子系统分析被系统只需的推理结构，并把它解释给用户。基于框架的专家系统与面向目标的编程面向目标的编程其所有数据结构均以目标形式出现，每个目标含有两种基本信息：描述目标的信息和说明目标能做什么的信息。面向目标的编程为表示实际世界目标提供了一种自然的方法。应用专家系统的术语来说，每个目标具有陈述性知识和过程知识。结构的主要特点在于基千框架的专家系统采用框架而不是规则来表示知识。框架提供一种比规则更丰富的获取问题知识的方法，不仅提供某些目标的包描述，而且还规定了该目标如何工作。开发基于框架的专家系统的主要任务有：(l)定义问题(对问题和结论的考察与综述)(2)分析领域(定义事物、事物特征、事件和框架结构)(3)定义类及其特征(4)定义例及其框架结构(5)确定模式匹配法则(6)规定事物通信方法(7)设计系统界面(8)对系统进行评价(9)对系统进行扩展，深化和扩展知识基于模型的专家系统有一种关于人工智能的观点认为：人工智能是对各种定性模型的获得、表达及使用的计算方法进行研究的学问。根据这一观点，一个知识系统中的知识库是由各种模犁综合而成的，而这些樑型又往往是定性的模型。采用各种定性模型来设计专家系统，一方面它增加了系统的功能，提高了性能指标，另一方面，可独立地深入研究各种模型及其相关问题，把获得的结果用于改进系统设计。分布式专家系统和协同式专家系统新型专家系统的特征：(1)并行于分布处理(2)多专家系统协同工作(3)高级语言和知识语言描述，知识工程师只需用一种高级专家系统描述语言对系统进行功能、性能及接口描述，并用知识表示语言描述领域知识，专家系统生成系统就能自动或半自动地生成所需专家系统。(4)具有自学习功能，具有高级的知识获取与学习能力(5)引入新的推理机制，除了能进行演绎推理之外，还有归纳推理(联想、类比)、非标准逻辑推理(非单调逻辑推理、加权逻辑推理)及各种基于不完全知识和模糊知识的推理。(6)具有自纠错和自完善能力(7)先进的智能人机接口，理解自然语言，实现语声、文字、图形和图像的直接输入输出时如今人们对智能计算机提出的要求。分布式专家系统，具有分布处理的特征，能把一个专家系统的功能经分解以后分布到多个处理器上去并行地工作，从而有总体上提高系统的处理效率。它可以工作在紧耦合的多处理器系统环境中，也可工作在松耦合的计算机树络环境中，其总体结构在很大程度上依赖千其所在的硬件环境协同式专家系统，又称为“群专家系统”，是一个能综合若干个相近领域或一个领域的多个方面的子专家系统互相协作，共同解决一个更广领域问题的专家系统。是克服一般专家系统的局限性的重要途径。它不着重于处理的分布和知识的分布，而是更强调子系统间的协同合作。它并不一定要求有多高处理机的硬件环境，而且一般都是在同一个处理机上实现各子专家系统的专家系统设计技术(I)具有可靠知识与数据的小搜索空间问题，数据可靠(无噪声、无错误、不丢失、不多余)和知识可靠(不出现假的、近似的或推测性的结论)，决定了系统具有单调性并可采用单路推理路线。而小搜索空间的问题一般允许采用穷举搜索策略。(2)不可靠的数据或知识，这种情况应采用枫率推理、模糊推理、不可靠数据的精确推理方法或专门的不确定性推理技术。(2) 时变数据，一般要设计时佪推理技术，推理过程要求较复杂的表示法(3) 大搜索空间的问题，一般要引入启发式搜索策略或采用分层体系结构，来降低求解过程的复杂程度。对打空间的问题通常还要根据具体问题的特征来去相应的对策。基于Web的专家系统基于Web的专家系统是集成传统专家系统和Web数据交互的新型技术。这种组合技术可简化复杂决策分析方法的应用，通过内部网将解决方案递送到工作人员手中，或通过Web将解决方案递送到客户和供应商手中。基于Web的专家系统将人机交互定位在Internet层次，专家、知识工程师和普通用户通过浏览器可访问专家系统应用服务器，将问题传递给Web推理机，然后Web推理机通过后台数据库服务摇对数据库和知识库进行存取，来推导出一些结论，然后将这些结论告诉用户。专家系统建造工具专家系统开发工具室一些比较通用的工具，作为设计和开发专家系统的辅助手段和环境，以求提高专家系统的开发效率、质量和自动化水平。专家系统工具是一种更高级的计算机程户设计语言。比一般的计笋机商级语言具有更强的功能。主要分为骨架型工具(又称外壳)、语言型工具、构造辅助工具和支撑环境等四类。本章总结作为人工智能应用的一个重要突破口，专家系统已在众多领域得到日益广泛的应用，显示出它的强大生命力。本章在产生式系统的基础上，首先研究了专家系统的基本问题，包括专家系统的定义、类型、特点、结构和建造步骤等。接着讨论了基千不同技术建立的专家系统，即6.2节基于规则的专家系统、6.3节基于框架的专家系统、6.4节基千模型的专家系统和6.5节基于Web的专家系统。从这些系统的工作原理和模型可以看出，人工智能的各种技术和方法在专家系统中得到很好的结合和应用，为人工智能的发展提供很好的范例。计算机科学的一些新思想和新技术也对专家系统的发展起了重要作用。6.6节归纳的新型专家系统，就是应用计算机科学中分布式处理和协同工作机制的结果，它们分别是分布式专家系统和协同式专家系统。对上述各种专家系统的更深入研究，应由专家系统专著或教材去进行。6.7节介绍了专家系统的设计。首先以一个基于规则的维修咨询系统为例，说明了专家系统的设计过程，并采用EXPERT发工具进行设计。接着讨论基千规则专家系统的一般设计方法，然后以反向推理规则专家系统为例说明介绍专家系统的设计任务。这将对专家系统有更具体和深入的了解。为了提高专家系统的开发效率、质量和自动化水平，需要专家系统的开发下具。6.8节简介了4种主要开发工具，即骨架型工具、语言型工具、构造辅助工具和支撑环境，并介绍了专家系统的Matlab开发工具。专家系统是人工智能应用研究的一个最早最有成效领域。人们期待它有新的发展和新的突破，成为21世纪人类进行智能管理与决策的得力工具。第七章机器学习什么是学习和机器学习按照人工智能大师西蒙的观点，学习就是系统在不断重复的工作中对本身能力的增强或者改进，使得系统在下一次执行同祥认为或类似任务时，会比现在做得更好或效率跟高。机器学习室研究如何使用机器来模拟人类学习活动的一门学科，机器学习是一门研究机器获取新知识和新枝能，并识别现有知识的学问。这甲说的“机器”，指的就是计绑机。现有的计绰机系统和人工智能系统没有什么学习能力，至多也只有非常有限的学习能力，因而不能满足和技和生产提出的新要求。机器学习主要策略机器学习所采用的策略大体上可分为4种机械学习、示教学习、类比学习和示例学习。机械学习的模式机械学习是最简单的机器学习方法。机桢学习就是记忆，即把新的知识存储起来，供需要时检索调用，而不需要计绑和推理。是最基本的学习过程。任何学习系统都必须记住它们获取的知识。在机械学习系统中，知识的获取是以较稳定和直接的方式进行的，不需要系统进行过多的加工。要研究的问题：(1)存储组织信息，只有当检索一个项目的时间比重新计绑一个项目的时间短时，机械学习才有意义，检索的越快，其意义也就越大。(2)环境的稳定性，机械学习基础的一个重要嘉定是在某一时刻存储的信息必须适用于后来的情况。(3)存储与计算之间的权衡，如果检索一个数据比重新计算一个数据所花的时间还要多，那么机械学习就失去了意义归纳学习的模式和学习方法归纳是一种从个别到一般，从部分到整体的推理行为。归纳学习的一般模式为：给定：观察陈述(事实)F,假定的初始归纳断言可能为空)，及背景知识。求：归纳断言(假设)H,能重言蕴含或弱蕴含观察陈述，并满足背景知识。学习方法：(1)示例学习，它属于有师学习，是通过从环境中取得若干与某概念有关的例子，经归纳得出一般性行概念的一种学习方法。示例学习就是要从这些特殊知识中归纳出适用于更大范围的一般性知识，它将覆盖所有的正例并排除所有的反例。(2)观察发现学习，它属于无师学习，其目标是确定一个定律或理论的一般性描述，刻画观察集，制定某类对象的性质。它分为观察学习与机器发现两种，前者用于对事例进行聚类，形成概念描述，后者用于发现规律，产生定律或规则。类比推理过程如下：回忆与联想，通过回忆与联想在源域S中找出与目标域T相似的情况。选择，从找出的相似情况中，选出与目标域T最相似的情况及其有关知识。(3)建立对应关系，在源域S与目标域T之间建立相似元素的对应关系，并建立起相应的映射。(4)转换，把S中的有关知识引导T中来，从而建立起求解当前问题的方法或者学习到关于T的新知识。类比学习过程主要包括：(I)输入一组已经条件(已解决问题)和一组未完全确定的条件(新问题)；按照某种相似性的定义，寻找两者可类比的对应关系；(2) 根据相似变换的方法，建立从已解决问题到新问题的映射，以获得带求解问题所需的新知识。(4)对通过类比推理得到的关千新问题的知识进行校验。验证正确的知识存入知识库中，暂时无法验证的知识作为参考性知识，置于数据库中。解释学习解释学习根据任务所在领域知识和正在学习的概念知识，对当前实例进行分析和求解，得出一个表征求解过程的因果解释树，以获取新的知识。在获取新知识的过程中，通过对属性、表征现象和内在关系等进行解释而学习到新的知识。知识发现与数据挖掘根据费亚德的定义，数据库中的知识发现时从大量数据中辨识出有效的，新颖的，潜在有用的，并可被理解的模式的高级处理过程。数据挖掘是知识发现中的一个步骤，它主要是利用某些特定的知识发现算法，在一定的运算效率内，从数据中发现出有关知识知识发现的处理过程(l)数据选择，根据用户需求从数据库中提取与知识发现相关的数据；(2)数据预处理，检视数据的完整性与数据的一致性，对噪音数据进行处理，对丢失的数据利用统计方法进行填补，进行发掘数据库；(3)数据变换，利用聚类分析和判别分析，从发掘数据库甲选择数据；数据挖掘；(3) 知识评价；对所获得的规则进行价值评定，以决定所得到的的规则是否存入基础知识库知识发现的全过程，可进一步归纳为三个步骤，即数据挖掘预处理，数据挖掘，数据挖掘后处理。一般来说，深度学习算法具有如下特点：(1)使用多重非线性变换对数据进行多层抽象。(2)以寻求更适合的概念表示方法为目标。第八章自动规划本章探讨自动规划问题，即机器人规划问题。首先论述自动规划的概念、定义、分类和作用，并说明执行机器人规划系统任务的一般方法。从规划问题的实质对自动规划进行分类，将它们分为任务规划、路径规划和轨迹规划。然后，分节依次研究了任务规划、路径规划和轨迹规划。任务规划从积木世界的机器人规划入手，逐步深入地开展对机器人规划的讨论。所讨论的机器人规划包括下列几种方法：规则演绎法。用F规则求解规划序列。(2)逻辑演算(消解原理)和通用搜索法。STRIPS和ABSTRIPS系统即属此法。(3)具有学习能力的规划系统。如PULP-I系统，它采用类比技术和语义网络表示。(4)分层规划方法。如NOAHB划系统，它特别适用于非线性规划。(5)基千专家系统的规划如ROPES划系统，它具有更快的规划速度、更强的规划能力和更大的适应性。还有其他一些机器人任务规划系统，如三角表规划法(具有最初步的学习能力)、应用目标集的非线性规划以及应用最小约束策略的非线性规划等。限千篇幅，恕不一一介绍。在路径规划部分，讨论了机器人路径规划的主要方法和发展趋势，介绍了我们的最新研究成果，包括基千模拟退火算法的机器人局部路径规划、基于免疫进化和示例学习的机器人路径规划以及基于蚁群算法的机器人路径规划等。路径规划还有许多规划方法，本章只是给出了一些示例，与大家交流。这些研究实例，都是以计算智能为基础的，而实际上存在许多传统人工智能的规划方法。我们并不是说传统人工智能的规划方法再没有用处，而是限于篇幅未能对它们加以介绍。至于轨迹规划，由于把它归类