智能计算模式的统一性和多样性研究重点分析.ppt

智能计算模式的统一性和多样性研究 吴启迪 主要内容 智能计算 智能计算模式的统一框架描述 智能计算模式在统一框架下的多样性研究 人工神经网络 群体智能——蚁群算法和微粒群算法 进化计算 分布估计算法 人工免疫系统 智能计算模式的应用研究 结束语 智能计算 智能计算定义—— 是以自然界，特别是其中典型的生物系统和物理系统的相关功能、特点和作用机理为参照基础，研究其中所蕴含的丰富的信息处理机制，在所需求解问题特征的相关目标导引下，提取相应的计算模型，设计相应的智能算法，通过相关的信息感知积累、知识方法提升、任务调度实施、定点信息交换等模块的协同工作，得到智能化的信息处理效果，并在各相关领域加以应用。 智能计算 学科定位： 相关自然科学（特别是物理学和生命科学）和计算机科学的交叉（可能包括生物社会科学）。 与人工智能的关系： 与人工智能领域有交叉 更关注各相关计算模型及算法模式中自然模拟的本质，而非“人工” ──模仿自然的模型与算法 ──与自然界物理特征、生命特征等相关的作用机理研究 智能计算 智能计算所关注的模式主要包括： 进化计算、神经计算、群体智能计算、人工免疫系统、人工内分泌系统、生态计算、分子计算以及其他相关复杂自适应计算等。 智能计算模式的统一性框架理念 智能计算模式的多样性： 在智能计算相关的研究领域，各类智能算法层出不穷，它们形态各异，理念各异，建模及分析工具各具特色，但这恰恰体现了智能计算模式的多样性。 多样性被公认了，是否在某些智能算法之间存在着一定程度的统一性呢？答案显然是肯定的。 智能计算模式的统一性框架理念 智能计算模式的统一框架模型： 智能计算的各种算法及模型，在具体的计算动态过程中，均具有一定的分布式自主寻优特征，但是这一切都是在客观统一的总体模式框架约束下进行的。因此，智能计算的统一框架可看作是一个分层的模式 。如图１所示。 框架模型的四个层次： 宏观设计及方法提升层 任务分解协调层 计算调度及信息感知层 被控实体运动过程层 智能计算模式的统一性框架理念 主要模块： 用户及模型选择设计过程（模块） 知识方法提升模块 决策分配模块 调度实施模块 信息感知积累模块 信息交换模块 被控实体及传感器系统 智能计算模式在统一框架下的多样性研究 人工神经网络——反馈式Hopfield神经网络和前馈式RBF神经网络 群体智能算法——智能蚁群算法和微粒群算法 进化计算——遗传算法 分布估计算法 人工免疫系统 Hopfield神经网络(HNN) HNN由N个神经元通过平面全互联模式进行能量函数的动态合作寻优，其标准能量函数规定了统一的集体寻优目标。 HNN已知的动态收敛模式： 每个神经元的非线性动态可用以下方程描述： 为神经元的非线性输入输出特性。 Hopfield神经网络的智能计算框架结构表达 在智能计算总体框架下，HNN表现为两层结构： 上层：任务分解协调及模型方法提升层 问题求解HNN模块 模型方法提升模块 下层：计算调度及信息感知层 HNN神经元运动模式计算模块 通信和感知模块： 简化为信息全互联传递及反馈网络 RBF神经网络 RBF神经网络是一种多层前向型神经网络，通常网络结构是一个三层前向网络。输入层由信号源节点组成；隐含层的单元数视所描述问题的需要而定；输出层对输入模式的作用做出响应。 RBF神经网络 隐含层是对作用函数的参数进行调整，采用非线性优化策略；输出层是对线性权进行调整，采用线性优化策略。 隐含层径向基函数 ： RBF神经网络的输出为 ： RBF神经网络的智能计算框架结构表达 在智能计算总体框架下，表现为一类两层结构模型： 上层：任务分解协调及模型方法提升层 问题求解RBF模块 知识方法提升模块 下层：计算调度及信息感知层 RBF中心点运动模式计算模块 RBF输出权值运动模式计算模块 RBF神经网络： 包括输入层、信息前馈式网络（实现神经网络内部信息的交换和传递 ）和输出层。 蚁群算法Ant Colony System (ACS) 1991年M.Dorigo等人首先提出 一种典型的群体智能模式，基本特征： 充分利用蚁群能通过个体间简单的信息传递，搜索到从蚁穴至食物间最短路径的集体寻优特征 通过正反馈、分布式协作进行路径寻优： ──寻优的快速性通过正反馈信息传递