智能计算与自然计算

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,10/8/2024,李元,香,武汉大学软件工程国家重点实验室,2008,年,6,月,从人工智能到自然计算,报告提纲,梦想与困惑,人工智能及其发展,面临困境,信息时代的呼唤,智能计算,回归自然,自然计算,展望,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,Alan Turing,的文章 “,Computing Machinery and Intelligence.”,（,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,？,测试悖论,公平性问题,图灵测试的出发点显然是刁难电脑，要求电脑模仿人回答问题，公平吗？反过来要求人模仿电脑回答问题，公平吗？,标准性问题,在怎样的智能水平下对电脑进行测试？天才、普通人还是婴幼儿，或者说怎样认定电脑的智力水平？,全面性问题,怎样全面地测试电脑的智能，喜、怒、哀、乐和表情等有关情感的测试如何进行？测试边界怎样确定？,欺骗性问题,电脑如果有意欺骗测试者，测试者能判断出来吗？,在一定的范围内进行测试还是可行的,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？,现实的梦,比尔,盖茨预测：智能计算发展前景乃是机器最终“能看会想，能听会讲”,无论是人工智能，还是智能人工，只要能够殊途同归，造福于人类，那么所有的努力便都是有价值的,今后十年，智能机器作为真正意义上的工作助手和生活良伴，将使我们的生活完全改观,“聪明机器”的出现，也决不会成为人类的灾难，在智慧与创造力方面，永远是人类最有发言权,人工智能,人工智能（,artificial intelligence,，简称,AI,）,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。,符号主义,代表人物,1956,年，美国,Dartmouth,会议，几个年轻的美国学者,McCarthy,、,Simon,、,Minsky,、,Newell,等首次提出人工智能的术语,基本思想,（,1,）认知的本质就是计算，可称为认知可计算主义,与图灵机理论一脉相承,（,2,）思维的基本单元是符号，智能的核心是利用知识以及知识推理进行问题求解,（,3,）智能活动的基础是物理符号运算，人脑和电脑都是物理符号系统,（,4,）人的智能可以通过建了基于符号逻辑的智能理论体系模拟,（,5,）理论基础是符号数学、谓词演算和归结原理,符号主义,-,续,智能表示,（,1,）,1959,年,McCarthy,开发了著名的,LISP,语言（,LISt,Processing Language,，表处理语言），基于函数的语言，通过符号（不是数值）运算进行推理，也是逻辑程序设计语言（,Logic Programming,）,（,2,）,1972,年,PROLOG,语言（,PROgramming,LOGic,）问世，被称为演绎推理机，接口丰富，非常适合于专家系统开发，曾有人试图发明,PROLOG,机器，以模拟人的智能，但未获成功,知识工程与专家系统,典型代表,（,1,）产生式规则表示知识,（,2,）产生式规则系统将领域专家的知识进行整理、存储构建知识库,（,3,）专家系统运用知识库进行推理、问题求解等智能活动,推理方法,知识表示与推理、归纳推理、基于事例的推理等,连接主义,代表人物,（,1,）,1943,年生理学家,McCulloch,和,Pitts,提出神经元的数学模型，神经元模型结合成多层结构成为神经网络,（,2,）,1959,年，,Rosenblatt,提出感知机模型（,Perceptron,),，具有输入层、中间联系层和效验输出层的三层结构,（,3,）,1982,年，,Hopfield,提出全互连的神经网络模型，成功求解,TSP,问题，掀起神经网络研究高潮，对符号主义也产生了巨大冲击,（,4,）,1987,年，戴维,.,努梅尔哈特和杰弗里,.,欣顿提出误差反向传播（,Back-,Propgation,）神经网络学习算法,基本思想,（,1,）人类认知活动主要基于大脑神经元的活动，人类思维的基本单元是神经元而不是符号，智能是互连神经元竞争与协作的结果,（,2,）模拟人的智能要依靠仿生学，特别是模拟人脑，建立脑模型,（,3,）电脑模拟人脑应着重于结构模拟，即人的生理神经网络结构，功能、结构和行为密切相关，不同的结构表现出不同的功能行为,（,4,）分布式信息存储和大规模并行处理，自适应和自组织特性，学习和容错能力,（,5,）理论基础是神经生理学与脑科学,神经元与神经网络,连接主义,-,续,智能表示,（,1,）,神经元状态值、连接权值、阈值和激励函数决定输出值,-,隐式表示方法,（,2,）通过学习算法修正神经元之间的连接权值，达到更精确的知识表示，学习算法包括有导师和无导师学习算法两类,模式识别,典型代表,（,1,）建立样本库,（,2,）特征提取与特征库,（,3,）学习算法进行神经网络训练，模式的聚类、分类和识别,学习算法,提高学习和训练速度，保证全局收敛，网络结构设计和自适应调整,行为主义,代表人物,1988,年，,Brooks,等人提出无需知识、知识表示和推理的智能系统，智能来自于系统的“感知,-,动作”模式，基于这样的思路，他发明了六足行走机器，一个模拟昆虫行为的控制器,基本思想,（,1,）智能是一个系统行为，智能行为可以通过与周围环境的的交互作用表现出来,（,2,）智能的基础是“感知,-,动作”模式，类似于心理学的“刺激,-,反应”，它也决定系统的结构和参量,（,3,）系统的智能行为决定于系统的结构和参量,（,4,）自组织、自学习、自适应是智能系统得基本特征,（,5,）理论基础是控制论、系统科学和心理学,行为主义,-,续,智能表示,（,1,）系统模型、模型结构和参量,-,隐式表示方法,（,2,）学习就是一次又一次地从外界接受条件和结果，即“感知,-,动作”，积累知识的过程,（,3,）自学习是指：当一个新的输入条件决定后，能根据经验的积累，给出相应结果的过程，或者当一个新的条件和结果给出后，能够调整结构和参量的过程,智能控制与智能机器人,典型代表,（,1,）建立系统模型,（,2,）行为（,感知,-,动作）,模拟，积累知识，形成基本控制策略,（,3,）学习与自学习进行自适应调整与优化，形成新的控制策略,学习算法,自适应、自学习、自组织、自寻优等智能化方法,面临困境,源于复杂性,知识的复杂性，知识表示的组合爆炸,不完整知识的表达问题,推理的时空爆炸性,神经网络结构复杂,学习、训练低效,难以全局收敛,能力限制,复杂行为模拟,不能用精确的数学模型描述的问题,信息时代的呼唤,工业时代,能量资源,-,创造动力的工具,-,获得能量,物理学、化学,创造动力工具的理论基础,信息时代,信息资源,-,创造智能的工具,-,获得智能,智能计算理论,创造智能工具的理论基础,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，也称为计算智能,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,相互关系,计算智能与人工智能的界限并非十分明显，,1992,年,Bezdek,给出了一个有趣的关系图，其中,NN,神经网络，,PR,模式识别，,I,智能,A,Artificial,， 表示人工的（非生物的），即人造的,B,Biological,， 表示物理的化学的（？）生物的,C,Computational,， 表示数学计算机,ABC,的关系图,计算智能是一种智力方式的低层认知，传统人工智能是中层认知，中层系统含有知识，当一个智能计算系统以非数值方式加上知识值，则为人工智能系统,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,遗传算法,遗传算法（,Genetic Algorithm,）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,(Adaptation in Natural and Artificial Systems),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,免疫系统,人体免疫系统是一个高度进化、复杂的生理机制,免疫系统通过高度复杂的网络结构来识别和排除抗原性异物，维护体内环境的稳定,免疫系统具有识别能力、学习和免疫记忆功能，以及自适应调节机制等特性,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,(GraphColoring),问题,最短超串,(ShortestCommon,Supersequence,),问题,网络路由问题,蚁群觅食原理,A,B,C,D,蚁穴,食物,蚂蚁从蚁穴出发觅食，可沿,AC,找到食物，也可沿,ABC,找到，如右图。,每个蚂蚁找到食物后沿原路返回，并在路上留下外激素。,AC,路径短，,AC,上留下了两次外激素，而,ABC,路径长，沿,CBA,返回的蚂蚁，还只到了,D,处，故,AD,上只留下一次外激素。,后续离穴觅食者选择外激素浓度大的,AC,路径，,于是,AC,上外激素浓度将越来越大，,最后，绝大多数蚂蚁沿较短的,AC,路径觅食。,蚁群算法,初始化，设置时间计数器，循环计数器，为每条边设置信息素浓度的初始值,初始化,tabu,表,tabu,表满？,按概率将某一个蚂蚁从第,i,个城市移动到第,j,个城市，并将,j,插入其,tabu,表,封闭回路，分别计算每个蚂蚁走过的总长度，记录最短路径，计算信息素浓度改变量,达到最大循环次数或不 发展状态？,输出结果,粒子群优化概述,粒子群优化算法,(Particle Swarm Optimization,，,PSO)1995,年由,Eberhart,和,Kennedy,提出，源于模拟鸟群捕食行为,一群鸟在随机搜索区域里的一块食物，所有的鸟都不知道食物在那里，但知道当前的位置离食物还有多远,那么找到食物的最优策略是什么呢？最简单有效的就是搜寻目前离食物最近的鸟的周围区域,PSO,中，优化问题的可行解就是搜索空间中的一只鸟，称之为“粒子”，一群鸟称为粒子群，所有的粒子都有一个由优化的函数决定的适应值（,fitnessvalue),每个粒子还有一个速度决定其飞行的方向和距离，目的是追随当前的最优粒子在解空间中搜索,粒子通过跟踪两个“极值”来更新自己，第一个就是粒子自己当前找到的最优解，这个解叫做个体极值,pBest,，另一个极值是整个种群目前找到的最优解，这个极值是全局极值,gBest,粒子移动原理,粒子,i,在,N,维空间里的位置表示为矢量,Xi,(,x,1,，,x,2,，,，,xN,),，飞行速度表示为矢量,Vi,(,v1,，,v2,，,，,vN,),对于第,k,次迭代，,PSO,中的每一个粒子的移动按照下式进行,粒子群优化算法,Step1,：,初始化一群粒子,(,群体规模为,m),，包括随 机 位置和速度；,Step2,：,评价每个粒子的适应度；,Step3,：,对每个粒子，将其适应值与其经历过的最好位置,pbest,作比较，如果较好，则将其作为当前的最好位置,pbest,；,Step4,：,对每个粒子，将其适应值与全局所经历的最好位置,gbest,作比较，如果较好，则重新设置,gbest,的索引号；,Step5,：,根据方程,(1),变化粒子的速度和位置；,Step6,：,如未达到结束条件（通常为足够好的适应值或达到一个预设最大代数,Gmax,），则返回,Step2,标准,PSO,的算法流程,模糊集,（,1,）,美国控制论专家扎德（,L,A,Zadeh,）,于,1965,年将普通集合论的特征函数的取值范围由,0,1,推广到区间,0 , 1,提出了模糊集的概念。,设在论域,U,上给定了一个映射,：,U,0 , 1,u,则 称为,U,上的模糊（,Fuzzy,）集, ( u ),称为的隶属函数（或称为,u,对 的隶属度），模糊（,Fuzzy,）集简记为“,F”,集。,（,2,）,-,截集实现模糊集合到普通集合的映射，实际应用中对应,等级标志，或称置信水平。,=u|,uU, (u) ,粗糙集,粗糙集的基本概念,信息系统,S=(U,A,V,f),对于信息系统,S,若属性集分为条件属性集,C,和决策属性集,D,两者不相交,则它是一个决策系统,L,；,S,的属性子集,B,则可定义一个二元等价关系,IND(I) = |B,中的任意属性,a,有,a,(x)=,a,(y),x,与,y,为对象,；,X,为对象集,R,是,U,上的,等价关系,即将,U,划分成了一些基本类,若,X,是一些基本类的并集,则称,X,是,R-,可定义集,(,或精确集,),否则称为,R-,不可定义集,也就是,R-,粗糙集；,X,为对象集, R,是,U,上等价关系,则,X,的,R-,下近似和,R-,上近似为：,U,a,1,a,2,d,x,1,1,0,1,x,2,2,0,0,信息系统中往往存在大量的冗余知识,(,属性,),这不利于作出正确而简洁的决策。,属性约简,就是要在保持决策系统的分类能力不变的情况下,删除不相关或不重要的属性,以提高系统潜在知识的清晰度。,展 望,人工脑对生物脑已不只是功能模仿，而是机制模拟，人工脑与生物脑将具有相同的特性,多学科的交叉、结合将开辟全新的智能计算领域，开辟很多新的研究方向,数学将大有用武之地，计算科学、统计学、模糊数学和系统学等将是智能计算理论的基石,智能计算将探索智能的新概念、新理论、新方法和新技术,21,世纪的智能科学将有重大突破，取得重大成就,谢 谢 ！,Thanks!,