《人工智能》學習報告.doc

深圳大學碩士研究生課程作業(yè)人工智能人工智能學習報告深圳大學機電與控制工程學院 彭建柳學號：09430102101. 引言人工智能(Artificial Intelligence，AI)，曾經(jīng)有一部電影，著名導演斯蒂文斯皮爾伯格的科幻片人工智能(A.I.)對許多人的頭腦又一次產(chǎn)生了震動，引起了一些人士了解并探索人工智能領域的興趣。人工智能對于普通人來說是那樣的可望而不可及，然而它卻吸引了無數(shù)研究人員為之奉獻才智，從美國的麻省理工學院(MIT)、卡內(nèi)基-梅隆大學(CMU)到IBM公司，再到日本的本田公司、SONY公司以及國內(nèi)的清華大學、中科院等科研院所，全世界的實驗室都在進行著AI技術的實驗。一直以來，關于人工智能的理論，我一直認為是科學的前沿，理解起來較為飄渺。但是，從本學期人工智能課程的學習中，本人較系統(tǒng)的接觸到了關于人工智能的理論，從有限的課程中，通過老師的詳細介紹和查閱人工智能方面的書籍，學習了關于人工智能幾個主要方面的知識，如模糊控制、專家系統(tǒng)、神經(jīng)網(wǎng)絡等。下面是本人關于人工智能理論的一些基本認識。2. 人工智能的形成與發(fā)展說到人工智能，首先先認識下自動控制理論，自動控制理論從形成到發(fā)展至今，已經(jīng)經(jīng)歷了六十多年的歷程，其主要分為三個階段：第一階段是40年代興起的以調節(jié)原理為標志，稱為經(jīng)典控制理論階段；第二階段是以60年代興起的以狀態(tài)空間為標志，稱為現(xiàn)代控制理論階段；第三階段是80年代興起的智能控制理論階段智能控制是在控制論人工智能系統(tǒng)論和信息論等多學科的高度綜合與集成，是一門新興的交叉前沿學科。智能控制技術，即是在無人干預的情況下能自主地驅動智能機器實現(xiàn)控制目標的自動控制技術。對許多復雜的系統(tǒng)，難以建立有效的數(shù)學模型和用常規(guī)的控制理論去進行定量計算和分析，而必須采用定量方法與定性方法相結合的控制方式。定量方法與定性方法相結合的目的是，要由機器用類似于人的智慧和經(jīng)驗來引導求解過程。因此，在研究和設計智能系統(tǒng)時，主要注意力不放在數(shù)學公式的表達、計算和處理方面，而是放在對任務和現(xiàn)實模型的描述、符號和環(huán)境的識別以及知識庫和推理機的開發(fā)上，即智能控制的關鍵問題不是設計常規(guī)控制器，而是研制智能機器的模型。此外，智能控制的核心在高層控制，即組織控制。高層控制是對實際環(huán)境或過程進行組織、決策和規(guī)劃，以實現(xiàn)問題求解。為了完成這些任務，需要采用符號信息處理、啟發(fā)式程序設計、知識表示、自動推理和決策等有關技術。這些問題求解過程與人腦的思維過程有一定的相似性，即具有一定程度的“智能”。隨著人工智能和計算機技術的發(fā)展，已經(jīng)有可能把自動控制和人工智能以及系統(tǒng)科學中一些有關學科分支(如系統(tǒng)工程、系統(tǒng)學、運籌學、信息論)結合起來，建立一種適用于復雜系統(tǒng)的控制理論和技術。智能控制正是在這種條件下產(chǎn)生的。它是自動控制技術的最新發(fā)展階段，也是用計算機模擬人類智能進行控制的研究領域。1965年，傅京孫首先提出把人工智能的啟發(fā)式推理規(guī)則用于學習控制系統(tǒng)。1985年，在美國首次召開了智能控制學術討論會。1987年又在美國召開了智能控制的首屆國際學術會議，標志著智能控制作為一個新的學科分支得到承認。智能控制具有交叉學科和定量與定性相結合的分析方法和特點。3. 模糊控制在傳統(tǒng)的控制領域里，控制系統(tǒng)動態(tài)模式的精確與否是影響控制優(yōu)劣的最主要關鍵，系統(tǒng)動態(tài)的信息越詳細，則越能達到精確控制的目的。然而，對于復雜的系統(tǒng)，由于變量太多，往往難以正確的描述系統(tǒng)的動態(tài)，于是工程師便利用各種方法來簡化系統(tǒng)動態(tài)，以達成控制的目的，但卻不盡理想。換言之，傳統(tǒng)的控制理論對于明確系統(tǒng)有強而有力的控制能力，但對于過于復雜或難以精確描述的系統(tǒng)，則顯得無能為力了。因此便嘗試著以模糊數(shù)學來處理這些控制問題。通過課堂中，導師生動的講解，以及引用到生活當中鮮活的例子，如冰箱溫度的模糊控制，智能汽車的行駛路線控制等等，充分的認識到，模糊控制在當今社會的應用已經(jīng)很廣泛，只是理論知識的缺乏而感覺不到它們的存在。一般控制架構包括：定義變量、模糊化、知識庫、邏輯判斷及反模糊化，詳細如下：(1) 定義變量：也就是決定程序被觀察的狀況及考慮控制的動作，例如在一般控制問題上，輸入變量有輸出誤差E與輸出誤差之變化率CE，而控制變量則為下一個狀態(tài)之輸入U。其中E、CE、U統(tǒng)稱為模糊變量。(2) 模糊化（fuzzify）：將輸入值以適當?shù)谋壤D換到論域的數(shù)值，利用口語化變量來描述測量物理量的過程，依適合的語言值（linguisitc value）求該值相對之隸屬度，此口語化變量我們稱之為模糊子集合（fuzzy subsets）。(3) 知識庫：包括數(shù)據(jù)庫（data base）與規(guī)則庫（rule base）兩部分，其中數(shù)據(jù)庫是提供處理模糊數(shù)據(jù)之相關定義；而規(guī)則庫則藉由一群語言控制規(guī)則描述控制目標和策略。(4) 邏輯判斷：模仿人類下判斷時的模糊概念，運用模糊邏輯和模糊推論法進行推論，而得到模糊控制訊號。此部分是模糊控制器的精髓所在。(5) 解模糊化（defuzzify）：將推論所得到的模糊值轉換為明確的控制訊號，做為系統(tǒng)的輸入值。模糊控制很重要的一點就是模糊規(guī)則的制定，其規(guī)則制定的來源主要由專家的經(jīng)驗和知識、操作員的操作模式、自學習提供。模糊規(guī)則的形式則分為狀態(tài)評估和目標評估兩種。但都是以模糊控制為基礎，達到自動控制的目的。4. 專家系統(tǒng)專家系統(tǒng)(expert system)是人工智能應用研究最活躍和最廣泛的課題之一。運用特定領域的專門知識，通過推理來模擬通常由人類專家才能解決的各種復雜的、具體的問題，達到與專家具有同等解決問題能力的計算機智能程序系統(tǒng)。它能對決策的過程作出解釋，并有學習功能，即能自動增長解決問題所需的知識。專家系統(tǒng)的發(fā)展已經(jīng)歷了3個階段，正向第四代過渡和發(fā)展。第一代專家系統(tǒng)（dendral、macsyma等）以高度專業(yè)化、求解專門問題的能力強為特點。但在體系結構的完整性、可移植性等方面存在缺陷，求解問題的能力弱。第二代專家系統(tǒng)（mycin、casnet、prospector、hearsay等）屬單學科專業(yè)型、應用型系統(tǒng)，其體系結構較完整，移植性方面也有所改善，而且在系統(tǒng)的人機接口、解釋機制、知識獲取技術、不確定推理技術、增強專家系統(tǒng)的知識表示和推理方法的啟發(fā)性、通用性等方面都有所改進。第三代專家系統(tǒng)屬多學科綜合型系統(tǒng)，采用多種人工智能語言，綜合采用各種知識表示方法和多種推理機制及控制策略，并開始運用各種知識工程語言、骨架系統(tǒng)及專家系統(tǒng)開發(fā)工具和環(huán)境來研制大型綜合專家系統(tǒng)。在總結前三代專家系統(tǒng)的設計方法和實現(xiàn)技術的基礎上，已開始采用大型多專家協(xié)作系統(tǒng)、多種知識表示、綜合知識庫、自組織解題機制、多學科協(xié)同解題與并行推理、專家系統(tǒng)工具與環(huán)境、人工神經(jīng)網(wǎng)絡知識獲取及學習機制等最新人工智能技術來實現(xiàn)具有多知識庫、多主體的第四代專家系統(tǒng)。對專家系統(tǒng)可以按不同的方法分類。通常，可以按應用領域、知識表示方法、控制策略、任務類型等分類。如按任務類型來劃分，常見的有解釋型、預測型、診斷型、調試型、維護型、規(guī)劃型、設計型、監(jiān)督型、控制型、教育型等。簡而言之，專家系統(tǒng)是一種模擬人類專家解決領域問題的計算機程序系統(tǒng)。5. 神經(jīng)網(wǎng)絡由于神經(jīng)網(wǎng)絡是多學科交叉的產(chǎn)物，各個相關的學科領域對神經(jīng)網(wǎng)絡都有各自的看法，因此，關于神經(jīng)網(wǎng)絡的定義，在科學界存在許多不同的見解。目前使用得最廣泛的是T.Koholen的定義，即“神經(jīng)網(wǎng)絡是由具有適應性的簡單單元組成的廣泛并行互連的網(wǎng)絡，它的組織能夠模擬生物神經(jīng)系統(tǒng)對真實世界物體所作出的交互反應?！比斯ど窠?jīng)網(wǎng)絡是模擬人思維的第二種方式。這是一個非線性動力學系統(tǒng)，其特色在于信息的分布式存儲和并行協(xié)同處理。雖然單個神經(jīng)元的結構極其簡單，功能有限，但大量神經(jīng)元構成的網(wǎng)絡系統(tǒng)所能實現(xiàn)的行為卻是極其豐富多彩的。6. 小結關于人工智