人工智能基礎(chǔ)07-自動規(guī)劃系統(tǒng)

目錄第一章緒論第二章知識表示

第三章搜索技術(shù)第四章推理技術(shù)第五章機器學習

第六章專家系統(tǒng)

第七章自動規(guī)劃系統(tǒng)第八章自然語言理解第九章智能控制第十章人工智能程序設(shè)計自動規(guī)劃概述基于謂詞邏輯的規(guī)劃STRIPS規(guī)劃系統(tǒng)分層規(guī)劃基于專家系統(tǒng)的機器人規(guī)劃軌跡規(guī)劃簡介7.1自動規(guī)劃概述7.1.1規(guī)劃的概念及作用

1.規(guī)劃的概念

定義7.1

從某個特定的問題狀態(tài)出發(fā)，尋求一系列行為動作，并建立一個操作序列，直到求得目標狀態(tài)為止。這個求解過程就稱為規(guī)劃。

定義7.2

規(guī)劃是對某個待求解問題給出求解過程的步驟。規(guī)劃涉及如何將問題分解為若干相應的子問題，以及如何記錄和處理問題求解過程中發(fā)現(xiàn)的各子問題間的關(guān)系。

定義7.3

規(guī)劃系統(tǒng)是一個涉及有關(guān)問題求解過程步驟的系統(tǒng)。如計算機或飛機設(shè)計、火車或汽車運輸路徑、財政和軍事規(guī)劃等問題。7.1自動規(guī)劃概述7.1.1規(guī)劃的概念及作用例：救援仿真機器人系統(tǒng)（RoboCupRescueSimulationSystem，RCRSS）

①

消防智能體②

醫(yī)療智能體③

警察智能體④

普通市民⑤

中心智能體⑥

路障⑦

避難所⑧

著火建筑物⑨

普通建筑物）

7.1自動規(guī)劃概述7.1.1規(guī)劃的概念及作用

2.規(guī)劃的作用規(guī)劃可用來監(jiān)控問題求解過程，并能夠在造成較大的危害之前發(fā)現(xiàn)差錯。規(guī)劃的好處可歸納為簡化搜索、解決目標矛盾以及為差錯補償提供基礎(chǔ)。

“十二五”規(guī)劃、城市規(guī)劃、企業(yè)發(fā)展規(guī)劃7.1自動規(guī)劃概述7.1.2規(guī)劃的分類和問題分解途徑

1.規(guī)劃的分類（1）按規(guī)劃內(nèi)容分國家、地方、重大項目、企業(yè)、交通、城市、環(huán)境…

（2）按規(guī)劃方法分

非遞階（非分層）規(guī)劃與遞階（分層）規(guī)劃；線性規(guī)劃與非線性規(guī)劃；同步規(guī)劃與異步規(guī)劃；基于腳本、框架和本體的規(guī)劃；基于專家系統(tǒng)的規(guī)劃；基于競爭機制的規(guī)劃；…

（3）按規(guī)劃實質(zhì)分

任務規(guī)劃、路徑規(guī)劃、軌跡規(guī)劃…7.1自動規(guī)劃概述7.1.2規(guī)劃的分類和問題分解途徑

2.問題分解途徑把某些較復雜的問題分解為一些較小的子問題。有兩條實現(xiàn)這種分解的重要途徑。第一條重要途徑是當從一個問題狀態(tài)移動到下一個狀態(tài)時，無需計算整個新的狀態(tài)，而只要考慮狀態(tài)中可能變化了的那些部分。第二條重要途徑是把單一的困難問題分割為幾個有希望的較為容易解決的子問題。7.1自動規(guī)劃概述7.1.2規(guī)劃的分類和問題分解途徑

3.域的預測和規(guī)劃的修正

（1）域的預測

問題論域的預測。對于不可預測的論域，考慮可能的結(jié)果集合，按照它們出現(xiàn)的可能性以某個次序排列。然后，產(chǎn)生一個規(guī)劃、并試圖去執(zhí)行這個規(guī)劃。

（2）規(guī)劃的修正

規(guī)劃執(zhí)行失敗導致對規(guī)劃的修正。

在規(guī)劃過程中不僅要記錄規(guī)劃的執(zhí)行步驟，而且要記錄每一步必須要執(zhí)行的理由。7.2基于謂詞邏輯的規(guī)劃

用謂詞邏輯來描述世界模型及規(guī)劃過程。

世界模型的謂詞邏輯表示定義謂詞確定問題初始狀態(tài)確定問題目標狀態(tài)確定基本操作

基于謂詞邏輯規(guī)劃的基本過程問題分解子問題規(guī)劃得到操作序列7.3STRIPS規(guī)劃系統(tǒng)

7.3.1積木世界的機器人規(guī)劃求解機器人完成規(guī)定工作的動作序列

BACCBA機械手機械手(a)(b)7.3STRIPS規(guī)劃系統(tǒng)

7.3.1積木世界的機器人規(guī)劃1.積木世界的機器人問題

機器人能夠執(zhí)行的動作舉例如下：unstack(a,b)：把堆放在積木b上的積木a拾起。在進行這個動作之前，要求機器人的手為空手，且積木a的頂上是空的。stack(a,b)：把積木a堆放在積木b上。動作之前要求機械手必須已抓住積木a，而且積木b頂上必須是空的。pickup(a)：從桌面上拾起積木a，并抓住它不放。在動作之前要求機械手為空手，而且積木a頂上沒有任何東西。putdown(a)：把積木a放置到桌面上。要求動作之前機械手已抓住積木a。7.3STRIPS規(guī)劃系統(tǒng)

7.3.1積木世界的機器人規(guī)劃1.積木世界的機器人問題

狀態(tài)描述謂詞：

ON(a,b)：積木a在積木b之上。

ONTABLE(a)：積木a在桌面上。

CLEAR(a)：積木a頂上沒有任何東西。

HOLDING(a)：機械手正抓住積木a。

HANDEMPTY：機械手為空手。7.3STRIPS規(guī)劃系統(tǒng)

7.3.1積木世界的機器人規(guī)劃2.用F規(guī)則求解規(guī)劃序列采用F規(guī)則表示機器人的動作，這是一個叫做STRIPS規(guī)劃系統(tǒng)的規(guī)則，它由3部分組成：第一部分是先決條件。為了使F規(guī)則能夠應用到狀態(tài)描述中去。第二部分是一個叫做刪除表的謂詞。當一條規(guī)則被應用于某個狀態(tài)描述或數(shù)據(jù)庫時，就從該數(shù)據(jù)庫刪去刪除表的內(nèi)容。第三部分叫做添加表。當把某條規(guī)則應用于某數(shù)據(jù)庫時，就把該添加表的內(nèi)容添進該數(shù)據(jù)庫。7.3STRIPS規(guī)劃系統(tǒng)

7.3.1積木世界的機器人規(guī)劃2.用F規(guī)則求解規(guī)劃序列例：

move(x,y,z):把物體x從物體y上面移到物體z上面。

先決條件：CLEAR(x),CLEAR(z),ON(x,y)

刪除表：ON(x,y),CLEAR(z)添加表：ON(x,z),CLEAR(y)7.3STRIPS規(guī)劃系統(tǒng)

7.3.2STRIPS規(guī)劃系統(tǒng)斯坦福大學人工智能研究所于1966-72年研制的Shakey機器人是第一臺能夠進行行動推理的多用移動機器人，該項目融合了機器人視覺、機器人學和自動推理研究成果。機器人的任務是在一些相連的房間里，將用戶指定的箱子推到指定的位置。對于用戶輸入的每一個任務，Shakey自主地規(guī)劃完成該任務的行動并依次執(zhí)行。Shakey項目技術(shù)：規(guī)劃語言STRIPS（STanfordResearchInstituteProblemSolver——STRIPS）和A*算法等。STRIPS語言用來描述外部世界模型并支持任務規(guī)劃，它提供了框架問題的一種簡潔、高效的解法，但理論上并不完備。7.3STRIPS規(guī)劃系統(tǒng)

7.3.2STRIPS規(guī)劃系統(tǒng)STRIPS系統(tǒng)的組成如下：

(1)世界模型。為一階謂詞演算公式。

(2)操作符(F規(guī)則)。包括先決條件、刪除表和添加表。

(3)操作方法。應用狀態(tài)空間表示和中間-結(jié)局分析。規(guī)劃過程每個STRIPS問題的解答為某個實現(xiàn)目標的操作符序列，即達到目標的規(guī)劃。

AServiceRobotCopeswithChangesUnderstanding,Learning,Planning,andActing7.4分層規(guī)劃探索規(guī)劃時首先只考慮一層的細節(jié)，然后再注意規(guī)劃中比這一層低一層的細節(jié)，所以把它叫做長度優(yōu)先搜索。NOAH規(guī)劃系統(tǒng)1.應用最小約束策略一個尋找非線性規(guī)劃而不必考慮操作符序列的所有排列的方法是把最少約束策略應用來選擇操作符執(zhí)行次序的問題。問題求解系統(tǒng)NOAH采用一種網(wǎng)絡結(jié)構(gòu)來記錄它所選取的操作符之間所需要的排序。它也分層進行操作運算，即首先建立起規(guī)劃的抽象輪廓，然后在后續(xù)的各步中，填入越來越多的細節(jié)。7.4分層規(guī)劃2.檢驗準則

準則法已被應用于各種規(guī)劃生成系統(tǒng)。對于早期的系統(tǒng)，如HACKER系統(tǒng)，準則只用于舍棄不滿足的規(guī)劃。在NOAH系統(tǒng)中，準則被用來提出推定的方法以便修正所產(chǎn)生的規(guī)劃。

第一個涉及的準則是歸結(jié)矛盾準則。第二個準則叫做消除多余先決條件準則，包括除去對子目標的多余說明。可以把分層規(guī)劃和最少約束策略十分直接地結(jié)合起來，以求得非線性規(guī)劃而不產(chǎn)生一個龐大的搜索樹。

7.5基于專家系統(tǒng)的機器人規(guī)劃1.系統(tǒng)結(jié)構(gòu)及規(guī)劃機理

（1）知識庫：用于存儲某些特定領(lǐng)域的專家知識和經(jīng)驗，包括機器人工作環(huán)境的世界模型、狀態(tài)、物體描述等事實和可行操作或規(guī)則等。（2）

控制策略：包含綜合機理，確定系統(tǒng)應當應用什么規(guī)則以及采取什么方式去尋找該規(guī)則。（3）

推理機：用于記憶所采用的規(guī)則和控制策略及推理策略。（4）知識獲?。菏紫全@取某特定域的專家知識。然后用程序設(shè)計語言把這些知識變換為計算機程序。最后把它們存入知識庫待用。7.5基于專家系統(tǒng)的機器人規(guī)劃

(5)

解釋與說明：通過用戶接口，在專家系統(tǒng)與用戶之間進行對話，從而使用戶能夠輸入數(shù)據(jù)、提出問題、知道推理結(jié)果以及了解推理過程等。2.任務級機器人規(guī)劃三要素（1）建立模型：世界模型。（2）任務說明：定義狀態(tài)及狀態(tài)變換次序。（3）程序綜合。3.ROPES機器人規(guī)劃系統(tǒng)7.6軌跡規(guī)劃簡介

軌跡：機械手在運動過程中的位移、速度和加速度。

軌跡規(guī)劃：根據(jù)任務的要求，計算出預期的軌跡。

在機械手運動學和動力學基礎(chǔ)上，討論在關(guān)節(jié)空間和笛卡爾空間中機器人運動的軌跡規(guī)劃和軌跡生成方法

7.6軌跡規(guī)劃簡介

例：NAO機器人檢球動作。地球上的生物物種在漫長的過程中形成了豐富的行為特性，并且一直不斷地完善和發(fā)展，以更好地適應其所生存的環(huán)境。生物群體和自然生態(tài)系統(tǒng)可以通過自身的演化就能使許多在人類看起來高度復雜的優(yōu)化問題得到完美解決。因此，各種模仿生物群體的智能仿生算法被相繼提出，得到了深入研究和應用實踐。群智能思想的產(chǎn)生主要源于復雜適應系統(tǒng)理論以及人工生命的研究。群智能算法——群智能思想起源群智能算法——群智能思想起源

復雜適應系統(tǒng)(ComplexAdaptiveSystem,CAS)理論：1994年由Holland教授正式提出。CAS中成員稱為具有適應性的主體,簡稱主體。

主體的適應性,是指它能夠與環(huán)境以及其它主體進行交流，在交流的過程中“學習”或“積累經(jīng)驗”，并且根據(jù)學到的經(jīng)驗改變自身的結(jié)構(gòu)和行為方式。CAS具有四個基本特點:

（1）首先,主體是主動的、活的實體。具有適應性的主體的概念把個體主動性提高到了系統(tǒng)進化基本動因的位置,從而成為研究與考察宏觀行為的出發(fā)點。

（2）其次,個體與環(huán)境(包括個體之間)之間的相互影響、相互作用是系統(tǒng)演變和進化的主要動力。相互作用是“可記憶”的,它表現(xiàn)為進化過程中每個個體的結(jié)構(gòu)和行為方式的變化，以不同的方式“存儲”在個體內(nèi)部。群智能算法——群智能思想起源（3）再次,這種方法不像許多其他的方法那樣,把宏觀和微觀截然分開,而是把它們有機地聯(lián)系起來。

（4）最后,這種建模方法還引進了隨機因素的作用,使它具有更強的描述和表達能力。隨機因素的影響不僅影響狀態(tài),而且影響組織結(jié)構(gòu)和行為方式。具有主動性的個體會接受教訓,總結(jié)經(jīng)驗,并且以某種方式把“經(jīng)歷”記住,使之“固化”在自己以后的行為方式中。CAS理論提供了模擬生物、生態(tài)、經(jīng)濟、社會等復雜系統(tǒng)的巨大潛力。群智能算法——群智能思想起源

人工生命(ArtificialLife,AL)是用來研究具有某些生命基本特征的人工系統(tǒng)。近年來,人工生命的研究發(fā)展非常快,在某些方面的研究已與傳統(tǒng)的生物科學形成了互補。人工生命包括兩方面的內(nèi)容:①如何利用計算技術(shù)研究生物現(xiàn)象;②如何利用生物技術(shù)研究計算問題。第二部分的內(nèi)容的研究中，現(xiàn)已經(jīng)有了很多源于生物現(xiàn)象的計算技巧，例如，人工神經(jīng)網(wǎng)絡是簡化的大腦模型，遺傳算法是模擬基因進化的過程，目前這一類計算技術(shù)被統(tǒng)稱為自然計算。群智能屬于自然計算中的一類，它模擬另一種生物系統(tǒng)：社會系統(tǒng)，更確切地說，是模擬由簡單個體組成的群落與環(huán)境以及個體之間的互動行為，這些模擬系統(tǒng)利用局部信息從而可能產(chǎn)生不可預測的群體行為。群智能算法——群智能思想起源

群智能(SwarmIntelligence,SI)：1992年由Beni,Hack-wood和Wang在分子自動機系統(tǒng)中提出。1999年,Bonabeau,Dorigo和Theraulaz在《SwarmIntel-ligence:FromNaturaltoArtificialSystems》中對群智能進行了詳細的論述和分析。

2003年IEEE第一屆國際群智能研討會在美國印第安納州首府召開。

群智能定義：任何一種由昆蟲群體或其它動物社會行為機制而激發(fā)設(shè)計出的算法或分布式解決問題的策略均屬于群智能。

群智能算法——群智能思想起源Swarm可被描述為一些相互作用相鄰個體的集合體,蜂群、蟻群、鳥群、魚群都是Swarm的典型例子。社會性動物群體所擁有的這種特性能幫助個體很好地適應環(huán)境，個體所能獲得的信息遠比它通過自身感覺器官所取得的多，其根本原因在于個體之間存在著信息交互能力。信息的交互過程不僅僅在群體內(nèi)傳播了信息，而且群內(nèi)個體還能處理信息，并根據(jù)所獲得的信息(包括環(huán)境信息和附近其它個體的信息)改變自身的一些行為模式和規(guī)范,這樣就使得群體涌現(xiàn)出一些單個個體所不具備的能力和特性,尤其是對環(huán)境的適應能力。這種對環(huán)境變化所具有的適應能力可以被認為是一種智能,也就是說動物個體通過聚集成群而涌現(xiàn)出了智能。

群智能算法——群智能思想起源

SI的定義進一步推廣（Bonabeau）:無智能或簡單智能的主體通過任何形式的聚集協(xié)同而表現(xiàn)出智能行為的特性。群智能理論還非常不成熟,但已成為有別于傳統(tǒng)人工智能中連接主義、行為主義和符號主義的一種新的關(guān)于智能的描述方法,并成為人工智能領(lǐng)域的新研究熱點。群智能算法——群智能理論JamesKennedy和RussellC.Eberhart在2001年出版的《SwarmIntelligence》是群智能發(fā)展的一個重要歷程碑。他們不反對Bonabeau關(guān)于SI的定義，贊同其定義的基本精神，但反對定義中使用“主體”一詞。其理由是“主體”所帶有的自治性和特殊性是許多Swarm的個體所不具備和擁有的，這將大大限制Swarm的定義范圍。MarkMillonas(1994)構(gòu)建一個SI系統(tǒng)所應滿足的五條基本原則:ProximityPrinciple:群內(nèi)個體具有能執(zhí)行簡單的時間或空間上的評估和計算的能力。

群智能算法——群智能理論QualityPrinciple:群內(nèi)個體能對環(huán)境(包括群內(nèi)其它個體)的關(guān)鍵性因素的變化做出響應。PrincipleofDiverseResponse:群內(nèi)不同個體對環(huán)境中的某一變化所表現(xiàn)出的響應行為具有多樣性。StabilityPrinciple:不是每次環(huán)境的變化都會導致整個群體的行為模式的改變。AdaptabilityPrinciple:環(huán)境所發(fā)生的變化中,若出現(xiàn)群體值得付出代價的改變機遇,群體必須能夠改變其行為模式。群智能算法——群智能理論以上五條原則現(xiàn)在成為了群智能的最基本理論，現(xiàn)有的群智能方法和策略都符合這些原則。《SwarmIntelligence》最重要的觀點是：Mindissocial,也就是認為人的智能是源于社會性的相互作用，文化和認知是人類社會性不可分割的重要部分，這一觀點成為了群智能發(fā)展的基石。群智能模擬的是社會系統(tǒng)的變化，其最基本單位是“敏因”(Meme)，這一詞由Dawkin在《TheSelfishGene》中提出，它是指思想文化傳播中的基本單位，個體在社會中會根據(jù)環(huán)境來改變自身的思想，敏因的傳播途徑是在個體與個體之間，在人類社會中它還可以在人腦與書本之間、人腦與計算機、計算機與計算機之間傳播。當然，“敏因”應該如何嚴格描述和定義還沒有定論。群智能算法——群智能理論群智能研究的更進一步目標是對人類思想變化的社會行為的模擬。人類心理中存在著群體性、習慣性、一致性,常常是習慣性地遵循一些習俗和規(guī)則。無論什么時候,人們思想和行為總是因相互影響而變得非常近似,道德規(guī)范以及文化的形成就是這種通過相互間影響而導致近似的結(jié)果。人類的社會思想行為并不簡單類似鳥群或魚群的行為,人類思想的形成過程是一種在高維認知空間的探索歷程。兩種思想意見在認知空間上聚集到一點上,被稱為“一致”或“認同”,而不是鳥群或魚群系統(tǒng)中的“碰撞”。如果某人認同認知空間某個點,那么就努力靠近它,反之則盡量遠離它,這里認知空間中的某個點就是某個人的思想。人類通過這種社會行為達成社會的共識:習俗、道德規(guī)范等。目前,群智能理論研究處于基本思想描述階段,還未能提出一些較為明確的概念和定義,盡管已經(jīng)有人提出廣義群智能的模型。蟻群算法(AntColonyOptimization—ACO)由Colorni,Dorigo和Maniezzo于1991年提出,它是通過模擬自然界螞蟻社會的尋找食物的方式而得出的一種仿生優(yōu)化算法。自然界種蟻群尋找食物時會派出一些螞蟻分頭在四周游蕩,如果一只螞蟻找到食物,它就返回巢中通知同伴并沿途留下“信息素”(pheromone)作為蟻群前往食物所在地的標記。信息素會逐漸揮發(fā),如果兩只螞蟻同時找到同一食物,又采取不同路線回到巢中,那么比較繞彎的一條路上信息素的氣味會比較淡,蟻群將傾向于沿另一條更近的路線前往食物所在地。ACO算法設(shè)計虛擬的“螞蟻”,讓它們摸索不同路線,并留下會隨時間逐漸消失的虛擬“信息素”。根據(jù)“信息素較濃的路線更近”的原則,即可選擇出最佳路線。

群智能算法——蟻群算法

ACO算法首先應用于TSP問題中,這里以TSP問題為例對算法作簡單介紹。當某一個螞蟻走到一個城市,下一步可選的路徑集合為E,集合中任一條路徑e∈E上的信息素濃度為τe,走這條路的代價為ηe,那么選擇某一條路徑v∈E的幾率為：群智能算法——蟻群算法其中,α和β兩個參數(shù)分別用來控制信息素和路徑長度的相對重要程度。當螞蟻在所有城市走過一遍之后，路徑上的信息素濃度將變?yōu)?τe(t+1)=(1-ρ)·τe(t)+Δe其中，0≤ρ<1用于控制信息素隨時間揮發(fā)的速度，Δe是上次螞蟻經(jīng)過此路段所留下的信息素，未經(jīng)過則為0。上式以及Δe可以根據(jù)問題進行設(shè)計。目前，ACO算法已被廣泛應用于組合優(yōu)化問題中，在車輛調(diào)度問題、機器人路徑規(guī)劃問題、路由算法設(shè)計等領(lǐng)域均取得了良好的效果。由于ACO算法具有廣泛實用價值，成為了群智能領(lǐng)域第一個取得成功的實例，曾一度成為群智能的代名詞，相應理論研究及改進算法近年來不斷取得新的成果。群智能算法——蟻群算法

粒子群優(yōu)化算法（ParticleSwarmOptimization—PSO)源于1987年Reynolds對鳥群社會系統(tǒng)boids的仿真研究，boids也是一個CAS。在boids中,一群鳥在空中飛行,每個鳥遵守以下三條規(guī)則:

（1）避免與相鄰的鳥發(fā)生碰撞沖突;（2）盡量與自己周圍的鳥在速度上保持協(xié)調(diào)和一致;

（3）盡量試圖向自己所認為的群體中心靠近。僅僅通過使用這三條規(guī)則,boids系統(tǒng)就出現(xiàn)非常逼真的群體聚集行為,鳥成群地在空中飛行,當遇到障礙時它們會分開繞行而過,隨后又會重新形成群體。不過Reynolds僅僅將其作為CAS的一個實例作仿真研究,而并未將它用于優(yōu)化計算中,也無任何實用價值。

群智能算法——粒子群優(yōu)化算法Kennedy和Eberhart（1995年）在boids中加入了一個特定點,定義為食物,鳥根據(jù)周圍鳥的覓食行為來尋找食物。他們的初衷是希望通過這種模型來模擬鳥群尋找食源的現(xiàn)象,然而實驗結(jié)果卻揭示這個仿真模型中蘊涵著很強的優(yōu)化能力,尤其是在多維空間尋優(yōu)中。由于最初的仿真系統(tǒng)中每個鳥在計算機屏幕上表示為一個點,而“點(Points)”這個詞在數(shù)學領(lǐng)域具有非常多的意義,因此作者用了“粒子(Particle)”來表示每一個個體。于是也就得到了基本PSO算法。群智能算法——粒子群優(yōu)化算法群智能算法——粒子群優(yōu)化算法粒子群特性群智能算法——粒子群優(yōu)化算法

在PSO系統(tǒng)初始化為一群隨機粒子(隨機解)，然后通過迭代找到最優(yōu)解。在每一次迭代中,粒子通過跟蹤兩個“極值”來更新自己,同時也通過跟蹤它們實現(xiàn)粒子間的信息交換。第一個就是粒子本身所找到的最優(yōu)解,這個解叫作個體極值pBest(“自身經(jīng)驗”)。另一個極值是整個群體目前找到的最優(yōu)解,這個極值是群體極值gBest(群體的“社會經(jīng)驗”)。群智能算法——粒子群優(yōu)化算法

1998年,Shi和Eberhart正式給出標準PSO算法的數(shù)學描述如下:

設(shè)搜索空間為M維,粒子數(shù)為N。第i個粒子位置表示為向量Xi=(xi1,xi2,…,xiD);第i個粒子“飛行”歷史中的過去最優(yōu)位置(即該位置對應解最優(yōu))為Pi=(pi1,pi2,…,piD)也就是pBest，其中所有Pi(i=1,…,N)中的最優(yōu)個體被記作Pg也就是gBest；第i個粒子的位置變化率(速度)為向量Vi=(vi1,vi2,…,viD)。每個粒子的位置按如下公式進行變化(“飛行”):群智能算法——粒子群優(yōu)化算法

其中,c1,c2為正常數(shù),稱為加速因子;rand()為[0,1]之間的隨機數(shù);w稱慣性因子。第d(1≤d≤M)維的位置變化范圍和速度變化范圍分別為[-xd,max,xd,max]和[-vd,max,vd,max](變化范圍可通過平移處理使之對稱),迭代中若某一維的xid或vid超過邊界則取邊界值。粒子群初始位置和速度隨機產(chǎn)生,然后按公式進行迭代,直至滿足停止條件。群智能算法——粒子群優(yōu)化算法

2003年李曉磊、邵之江等提出的人工魚群算法（ArtificialFish-SwarmAlgorithm—AFSA)，它利用自上而下的尋優(yōu)模式模仿自然界魚群覓食行為,主要利用魚的覓食、聚群和追尾行為,構(gòu)造個體底層行為;通過魚群中各個體的局部尋優(yōu),達到全局最優(yōu)值在群體中凸現(xiàn)出來的目的。在基本運算中引入魚群的生存機制、競爭機制以及魚群的協(xié)調(diào)機制,提高算法的有效效率。李曉磊等又采用分解協(xié)調(diào)的思想構(gòu)造一種改進的人工魚群算法,并以換熱器系統(tǒng)為例,驗證了該算法，結(jié)果表明該算法具有較好的收斂性。

AFSA只使用目標函數(shù)的函數(shù)值，無需目標函數(shù)的梯度值等特殊信息，對搜索空間具有一定的自適應能力。算法對初值無要求，對各參數(shù)的選擇也不很敏感。群智能算法——人工魚群算法群智能算法——人工魚群算法

基于SI的優(yōu)化算法和EC都是基于群體迭代的啟發(fā)式隨機優(yōu)化算法,有著非常多相似之處,它們都是對自然中隨機系統(tǒng)的仿真,都具有本質(zhì)并行性。另外,與EC還一樣的是,SI的目的并不是為了忠實地模擬自然現(xiàn)象,而是利用它們的某些特點去解決實際問題。ACO和PSO也一度曾被歸類于EC之中,但它們與EC之間的區(qū)別也是明顯的。ACO、PSO在本質(zhì)上不能用廣義EC算法的流程進行描述。

首先，EC和SI所模擬的自然隨機系統(tǒng)不一樣。EC是模擬生物系統(tǒng)進化過程,其最基本單位是基因(Gene),它在生物體的每一代之間傳播;已有的基于SI的優(yōu)化算法都是源于對動物社會通過協(xié)作解決問題行為的模擬,它主要強調(diào)對社會系統(tǒng)中個體之間相互協(xié)同作用的模擬,其最基本單位是敏因。群智能算法——與進化計算比較

其次，

EC中強調(diào)“適者生存”,不好的個體在競爭中被淘汰;SI強調(diào)“協(xié)同合作”,不好的個體通過學習向好的方向轉(zhuǎn)變,不好的個體被保留還可以增強群體的多樣性。EC中最好的個體通過產(chǎn)生更多的后代來傳播自己的基因,而SI中的優(yōu)秀個體通過吸引其它個體向它靠近來傳播自己的敏因。最后，EC的迭代由選擇、變異和交叉重組操作組成，而SI的迭代中的操作是“跟隨”，ACO中螞蟻跟隨信息素濃度爬行,PSO中粒子跟隨最優(yōu)粒子飛行。在某種程度上看，SI的跟隨操作中隱含了選擇、變異和交叉重組操作。群智能算法——與進化計算比較例如，PSO中g(shù)Best和pBest的更新可以類似一種弱選擇；而粒子位置更新則類似于3個父代：Xi、gBest和pBest的之間重組，其中還包含了變異的成分。SI中所隱含的變異是有偏好的，而并非通常EC中的完全隨機變異，這與最近對實際生物系統(tǒng)變異行為的新研究成果相符。Kennedy認為，EC和SI所分別模擬的兩個偉大的自然隨機系統(tǒng)：Evolution和Mind之間存在著顯著的差異，盡管它們都是基于群體的，都是由其中的隨機成分帶來創(chuàng)新，但其本質(zhì)是不同的，因此不能將SI簡單地歸類于EC中?，F(xiàn)在，人工智能領(lǐng)域已將SI作為一個獨立方向，與EC的地位是同等的。群智能算法——與進化計算比較演講完畢，謝謝觀看！附錄資料：人工智能簡介?AboutTeachingPlan基本要求：人工智能是計算機科學中涉及研究、設(shè)計和應用智能機器的一個分支，是目前迅速發(fā)展的一門新興學科，新思想新方法層出不窮。其基本思想是利用機器來模仿和執(zhí)行人腦的功能，如判斷、推理、證明、識別、感知、理解、設(shè)計、思考、規(guī)劃、學習和問題求解等思維活動。對于培養(yǎng)學生計算機技術(shù)的應用能力，開闊思路和視野，有重要意義。

?AboutTeachingPlan因此，要求學生掌握知識表示和問題求解的幾種常用方法，尤其是不確定性推理；掌握機器學習基本概念，了解幾種機器學習方法尤其是神經(jīng)網(wǎng)絡學習方法；掌握專家系統(tǒng)的概念，了解專家系統(tǒng)設(shè)計方法，掌握一些智能控制方法，了解國內(nèi)外人工智能研究尤其是機器人的最新進展；具有一定的人工智能編程設(shè)計能力（利用Lisp或Prolog語言）。?AboutTeachingPlan課程內(nèi)容以及學時分配人工智能引論(1) 人工智能概念及與計算機的關(guān)系，研究途徑、內(nèi)容和應用領(lǐng)域概況介紹，其他最新材料。符號主義、連接主義、行為主義三大流派人工智能數(shù)學基礎(chǔ)(1)知識表示方法（2） 狀態(tài)空間法、問題歸約法，謂詞邏輯法、產(chǎn)生式表示法（動物識別系統(tǒng)）；CLIPS語言；語義網(wǎng)絡法、框架法（這是結(jié)構(gòu)化表示）；劇本、過程、Petri網(wǎng)、面向?qū)ο蟮谋硎尽?AboutTeachingPlan 搜索技術(shù)和策略（3-4）狀態(tài)空間法，盲目搜索和啟發(fā)式搜索，A*算法；海伯倫理論、消解原理和策略；與\或形推理和搜索策略；其他求解技術(shù)。 不確定推理技術(shù)（3-4）主觀Bayes理論；可信度方法和證據(jù)理論；系統(tǒng)組織技術(shù)；非單調(diào)推理；Rete快速算法；模糊推理技術(shù)；基于語義網(wǎng)絡和框架不確定推理； 專家系統(tǒng)（2）專家系統(tǒng)概念、結(jié)構(gòu)和知識獲?。缓诎迥Ｐ?、知識組織、管理及系統(tǒng)建造和開發(fā)工具；專家系統(tǒng)舉例及編程。

人工智能程序設(shè)計（1）人工智能語言基本機制：LISP和PROLOG。?AboutTeachingPlan 模式識別導論（3）模式識別專題：概率模式識別。模式識別專題：結(jié)構(gòu)模式識別 機器學習（1）：機械,解釋經(jīng)驗,事例,歸納,概念,類比學習等；統(tǒng)計,結(jié)構(gòu),模糊模式識別。 專題講座（3次） 1)神經(jīng)網(wǎng)絡基本理論和應用 (史奎凡課程：安排于人工智能理論與應用課程內(nèi))； 2)智能體（Agent）； 3)自然語言處理； 4)智能控制和機器人科學 智能控制的結(jié)構(gòu)理論和研究領(lǐng)域，智能控制系統(tǒng)及應用示例；機器人規(guī)劃、機器視覺和自然語言理解等。?AboutTeachingPlan 實踐：1) 搜索技術(shù)和策略2) 不確定推理技術(shù)3) 專家系統(tǒng)：動物識別系統(tǒng)4) 模式識別技術(shù)5) 調(diào)研： 搜索技術(shù)和策略、不確定推理技術(shù)、統(tǒng)計模式識別、機器學習等四個領(lǐng)域進展報告。?ChapterOne:BriefIntroductiontoArtificialIntelligence1.WhatisAI?人工智能（ArtificialIntelligence,AI）是當前科學技發(fā)展的一門前沿學科，同時也是一門新思想，新觀念，新理論，新技術(shù)不斷出現(xiàn)的新興學科以及正在發(fā)展的學科。它是在計算機科學，控制論，信息論，神經(jīng)心理學，哲學，語言學等多種學科研究的基礎(chǔ)發(fā)展起來的，因此又可把它看作是一門綜合性的邊緣學科。它的出現(xiàn)及所取得的成就引起了人們的高度重視,并取得了很高的評價。有的人把它與空間技術(shù)，原子能技術(shù)一起并譽為20世紀的三大科學技術(shù)成就。?Intelligence智能是知識與智力的總合。 知識——智能行為的基礎(chǔ)； 智力——獲取知識并運用知識求解問題的能力。智能具有以下特征：(1)具有感知能力——指人們通過視覺、聽覺、觸覺、味覺、嗅覺等感覺器官感知外部世界的能力；(2)具有記憶與思維的能力——這是人腦最重要的功能，亦是人之所以有智能的根本原因；(3)具有學習能力及自適應能力；(4)具有行為能力。ArtificialIntelligence人工智能——計算機科學的一個分支，是智能計算機系統(tǒng)，即人類智慧在機器上的模擬，或者說是人們使機器具有類似于人的智慧（對語言能理解、能學習、能推理）。?2.BriefHistoryofAI (1) 孕育（1956年前）古希臘的Aristotle（亞里士多德）（前384-322），給出了形式邏輯的基本規(guī)律。英國的哲學家、自然科學家Bacon（培根）（1561-1626），系統(tǒng)地給出了歸納法?！爸R就是力量”德國數(shù)學家、哲學家Leibnitz（布萊尼茨）（1646-1716）。提出了關(guān)于數(shù)理邏輯的思想，把形式邏輯符號化，從而能對人的思維進行運算和推理。做出了能做四則運算的手搖計算機英國數(shù)學家、邏輯學家Boole（布爾）（1815-1864）實現(xiàn)了布萊尼茨的思維符號化和數(shù)學化的思想，提出了一種嶄新的代數(shù)系統(tǒng)——布爾代數(shù)。?美籍奧地利數(shù)理邏輯學家Godel（哥德爾）（1906-1978），證明了一階謂詞的完備性定；任何包含初等數(shù)論的形式系統(tǒng)，如果它是無矛盾的，那么一定是不完備的。意義在于，人的思維形式化和機械化的某種極限，在理論上證明了有些事是做不到的。英國數(shù)學家Turing(圖靈)（1912-1954）,1936年提出了一種理想計算機的數(shù)學模型（圖靈機），1950年提出了圖靈試驗，發(fā)表了“計算機與智能”的論文。圖靈獎。美國數(shù)學家Mauchly，1946發(fā)明了電子數(shù)字計算機ENIAC美國神經(jīng)生理學家McCulloch，建立了第一個神經(jīng)網(wǎng)絡數(shù)學模型。美國數(shù)學家Shannon（香農(nóng)）,1948年發(fā)表了《通訊的數(shù)學理論》，代表了“信息論”的誕生。? (2) 形成（1956-1969）1956年提出了“ArtificialIntelligence（人工智能）”1956年夏由麻省理工學院的J.McCarthy、M.L.Minsky,IBM公司信息研究中心的N.Rochester,貝爾實驗室的C.E.Shannon共同發(fā)起，邀請了Moore,Samuel,Selfridge,Solomonff,Simon,Newell等人，10位數(shù)學家、信息學家、心理學家、神經(jīng)生理學家、計算機科學家，在Dartmouth大學召開了一次關(guān)于機器智能的研討會，會上McCarthy提議正式采用了ArtificialIntelligence（人工智能）這一術(shù)語。這次會議，標志著人工智能作為一門新興學科正式誕生了。 McCarthy（麥卡錫）——人工智能之父。這次會議之后的10年間，人工智能的研究取得了許多引人矚目的成就.機器學習方面：塞繆爾于1956年研制出了跳棋程序，該程序能從棋譜中學習，也能從下棋實踐中提高棋藝；?在定理證明方面：王浩于1958年在IBM機上證明了《數(shù)學原理》中有關(guān)命題演算的全部定理（220條），還證明了謂詞演算中150條定理85%；1965年，魯賓遜（Robinson）提出了消解原理；在模式識別方面：1959年塞爾夫里奇推出了一個模式識別程序；1965年羅伯特（Robert）編制出可辨別積木構(gòu)造的程序；在問題求解方面：1960年紐厄爾等人通過心理學試驗總結(jié)出了人們求解問題的思維規(guī)律，編制了通用問題求解程序GPS,可以用來求解11種不同類型的問題；在專家系統(tǒng)方面：斯坦福大學的費根鮑姆（E.A.Feigenbaum）自1965年開始進行專家系統(tǒng)DENDRAL（化學分析專家系統(tǒng)），1968年完成并投入使用；在人工智能語言方面：1960年McCarthy等人建立了人工智能程序設(shè)計語言Lisp，該語言至今仍是建造智能系統(tǒng)的重要工具；1969年成立了國際人工智能聯(lián)合會議（InternationalJointConferencesOnArtificialIntelligence）? (3) 發(fā)展（1970年以后）70年代，開始從理論走向?qū)嵺`，解決一些實際問題。同時很快就發(fā)現(xiàn)問題：歸結(jié)法費時、下棋贏不了全國冠軍、機器翻譯一團糟。以Feigenbaum為首的一批年輕科學家改變了戰(zhàn)略思想，1977年提出知識工程的概念，以知識為基礎(chǔ)的專家咨詢系統(tǒng)開始廣泛的應用。著名專家系統(tǒng)的有：DENDRAL化學分析專家系統(tǒng)（斯坦福大學1968）MACSYMA符號數(shù)學專家系統(tǒng)（麻省理工1971）MYCIN診斷和治療細菌感染性血液病的專家咨詢系統(tǒng)（斯坦福大學1973）CASNET(CausalASsciationalNetwork)診斷和治療青光眼的專家咨詢系統(tǒng)（拉特格爾斯（Rutgers）大學70年代中）CADUCEUS(原名INTERNIST)醫(yī)療咨詢系統(tǒng)（匹茲堡大學）；HEARSAYI和II語音理解系統(tǒng)（卡內(nèi)基-梅隆大學）PROSPECTOR地質(zhì)勘探專家系統(tǒng)（斯坦福大學1976）XCON計算機配置專家系統(tǒng)（卡內(nèi)基-梅隆大學1978）??80年代，人工智能發(fā)展達到階段性的頂峰。?87,89年世界大會有６－７千人參加。硬件公司有上千個。并進行Lisp硬件、Lisp機的研究。?在專家系統(tǒng)及其工具越來越商品化的過程中,國際軟件市場上形成了一門旨在生產(chǎn)和加工知識的新產(chǎn)業(yè)——知識產(chǎn)業(yè)。應該說，知識工程和專家系統(tǒng)是近十余年來人工智能研究中最有成就的分支之一。?同年代，1986年Rumlhart領(lǐng)導的并行分布處理研究小組提出了神經(jīng)元網(wǎng)絡的反向傳播學習算法，解決了神經(jīng)網(wǎng)絡的根本問題之一。從此，神經(jīng)網(wǎng)絡的研究進入新的高潮。?90年代，計算機發(fā)展趨勢為小型化、并行化、網(wǎng)絡化、智能化。?人工智能技術(shù)逐漸與數(shù)據(jù)庫、多媒體等主流技術(shù)相結(jié)合，并融合在主流技術(shù)之中，旨在使計算機更聰明、更有效、與人更接近。?日本政府于1992年結(jié)束了為期十年的稱為“知識信息處理體統(tǒng)”的第五代計算機系統(tǒng)研究開發(fā)計劃。并開始了為期十年的實況計算（RealWordComputing）計劃。?3.ResearchObjectsandMainContents

(1)人工智能的研究目標

人工智能的長期研究目標：構(gòu)造智能計算機。

人工智能的近期研究目標：使現(xiàn)有的電子計算機更聰明，更有用，使它不僅能做一般的數(shù)值計算及非數(shù)值信息的數(shù)據(jù)處理，而且能運用知識處理問題，能模擬人類的部分智能行為。?(2)人工智能研究的基本內(nèi)容

1.機器感知以機器視覺與機器聽覺為主。機器感知是機器獲取外部信息的基本途徑，是使機器具有智能不可或缺的組成部分，對此人工智能中已形成兩個專門的研究領(lǐng)域——

模式識別和自然語言理解。2.機器思維指通過感知的外部信息及機器內(nèi)部的各種工作信息進行有目的的處理。主要開展以下幾方面的研究：(1)知識表示(2)知識的組織，累計，管理技術(shù)(3)知識的推理(4)各種啟發(fā)式搜索及控制策略(5)神經(jīng)網(wǎng)絡，人腦的結(jié)構(gòu)及其工作原理?3.機器學習

使計算能自動獲取知識，能直接向書本學習，能通過與人談話學習，能通過對環(huán)境的觀察學習，并能在實踐中自我完善。4.機器行為機器行為主要指計算機的表達能力，即“說”、“寫”、“畫”等，對智能機器人，還應該有人的四肢功能，即能走路，能取物，能操作等。5.智能系統(tǒng)及智能計算機的構(gòu)造技術(shù)?4.ResearchObjectsandMainContents人工智能面世以來，其研究途徑存在兩種不同的觀點：以符號處理為核心的方法——主張通過運用計算機科學的方法進行研究，實現(xiàn)人工智能在計算機的模擬。以網(wǎng)絡連接為主的連接機制方法——主張用生物學的方法進行研究，搞清楚人類智能的本質(zhì)。(1)以符號處理為核心的方法該方法起源于紐厄爾等人的通用問題求解系統(tǒng)（GPS），用于模擬人類求解問題的心理過程，逐漸形成為物理符號系統(tǒng)，這種方法認為： 人類研究的目標是實現(xiàn)機器智能，而計算機自身具有符號處理能力，這種能力本身就蘊含著演繹推理的內(nèi)涵，因而可通過運行相應的程序來體現(xiàn)某種基于邏輯思維的智能行為，達到模擬人類智能活動的效果。目前人工智能的大部分研究成果都是基于這種方法實現(xiàn)的。?

該方法的主要特征是：

?立足于邏輯運算和符號操作，適合于模擬人的邏輯思維過程，解決需要進行邏輯推理的復雜問題；

?知識可用顯式的符號表示；

?便于模塊化；?能與傳統(tǒng)的符號數(shù)據(jù)庫鏈接；?可對推理結(jié)論做出解釋，便于對各種可能性進行選擇。

但該方法不適合于形象思維；而且在用符號表示概念時其有效性在很大程度上取決于符號表示的正確性，且對帶噪聲的信息及不完整的信息難以處理。(2)以網(wǎng)絡連接為主的連接機制方法該方法是在人腦神經(jīng)元及其相互連接而成網(wǎng)絡的啟示下，