问题解决探究及其智能化历程.docVIP

问题解决探究及其智能化历程问题解决是思维最一般的形式，它既是一个信息加工过程，同时也是一个学习过程。加工来自环境的信息以做出反应，此过程必须利用主体已有的知识作为基础；学习是获得知识、丰富主体所储存信息的过程，此过程会易化信息加工。分析了问题解决研究的各个阶段，介绍了目前在该领域内应用比较广泛、较为智能的启发式算法。 问题解决智能化启发式算法一、问题解决的划分阶段 人是一种高级智能动物，最与众不同的就是能对遇到的问题进行思考，并且试图为每一个未知的问题寻找答案，人类社会也就是在这种不懈的求索问题答案的过程中前进。从纵向历史脉络看，问题解决作为心理学研究的传统领域，—度受到广泛关注，心理学家们从各自的观点、理论框架和研究范式出发，力图探讨问题解决的心理机制，并在这方面积累了大量的资料。对问题解决的心理学研究大致以20世纪中期的“认知革命”为标志划分成前、后两大阶段，而后一阶段先后发生了一些变化，因此又分成两个时期。 “认知革命”前，最早用实验方法研究问题解决的是美国心理学家桑代克，根据他的迷笼实验，桑代克认为动物解决问题的过程，就是不断尝试错误的渐进过程。后来，格式塔派心理学家苛勒的黑猩猩接竹竿实验，让人们了解到“顿悟”，它往往跟随在一个阶段的尝试与错误之后发生，但这种行为不像桑代克所描述的那样，而更相似于一种“行为假设”的程序，动物在试验了这些假设以后，便会抛弃它们。动物只有在清楚地认识到整个问题情境中各种成分之间的关系时，顿悟才可能发生。因此，这是一个知觉的重新组织过程，从模糊的、无组织状态到有意义、有结构、有组织的状态。 “认知革命”后的第一个时期，不得不提到一个人——西蒙，诺贝尔经济奖的获得者。他不但给经济领域带来革新，也为心理学找到了一个全新的视角，从信息加工的取向研究问题解决。西蒙将人比喻为计算机，认为人的问题解决采用信息加工模式，可以执行6种功能：输入、输出、存储、复制符号、建立符号结构、条件性迁移，这是“一个单线的、进行系列活动的系统。这个时期所使用的研究材料，主要是定义良好的语义贫乏问题或转换问题，如各种版本的“河内塔”问题；研究的内容或目标旨在确定通用的问题解决过程或一般性的策略。另一方面，随着计算机技术的迅速发展，许多心理学家开始醉心于用计算机编程来分析人类问题解决的过程，编写的程序可以下棋、诊断病情、为宇宙飞船导航、解答各种复杂的数学问题等，其中许多活动都是与人类问题解决过程极为相似的。问题解决的模式应该包括： (1)对信息加工系统的结构和能力的完整的描述； (2)对完成问题解决时所经历的每一个步骤予以描述。 对这两方面的描述，要尽可能精确到用计算机能够模拟的程度。 20世纪80年代进入对知识重视的第二阶段。某个领域的专家往往有丰富的专业知识和较高的专业技能，这就构成了专长，人们思考它是如何获得的，专家和新手在问题解决上有什么差异等。在实际应用方面，结合上述理论作为基础诞生了专家系统。例如，MYCIN医疗专家系统存放有大量传染病专家长期积累的知识，通过与许多著名的传染病专家交谈，然后经过推理和总结把得到的知识归纳成500多条规则，采用“IF…THEN…”这种形式存放在计算机中。只要将病人数据送入计算机，系统将外来数据不断与内部知识进行匹配，直到获得最终结果。计算机以这种形式大大提高了看病的效率和准确度，在一定程度上使得问题解决更加智能化。 二、启发式算法 从微观过程上看，问题解决表现为从初始状态到目标状态寻找路径的过程，即基于状态空间的路径搜索。这种路径搜索概括分为3类:深度优先搜索、宽度优先搜索(或称广度优先搜索)和启发式搜索。前两种均需在给定的状态空间中穷举，以求其中最佳路径，非常适合状态空间不大时的求解；但当状态空间十分大且不预测的情况下则效率极低，甚至不可完成。而启发式搜索在状态空间搜索时，对每一个搜索的节点进行评估，得到最佳的节点，再从这个节点进行搜索直到目标节点，可省略大量无谓的搜索路径，极大提到效率，这使得其在状态空间较大的领域得到了广泛应用，如网络传输路径、自驾车路线、游戏中角色行走路线等。 启发式算法为了更有效地搜索一个给定的状态空间，可设计一个估价函数来决定每一次扩展时哪一个节点最有希望到达目标节点，然后搜索就可能沿着这个节点向外扩展。所以，估价函数构造得越准确，则搜索策略越优。一般搜索策略可以通过下面4个准则来评价： (1)完备性。如果存在一个解答，该策略是否保证能够找到？ (2)时间复杂性。需要多长时间可以找到解答？ (3)空间复杂性。执行搜索需要多少存储空间？ (4)最优性。如果存在不同的几个解答，是否可以发现最高质量的解答？估价函数可表示为：f(n)=g(n)+h(n)：f(n)是节点n的估价函数；g(n)称为“深度因