人工智能中的软计算

【摘要】软计算是一个新的发展方向。它为人工智能学科今后的发展开辟了许多新的发展思路, 由此传统的人工智能由精确性、确定性、完整性走向了模糊性、随机性、不精确性、不完整性, 人工智能演变成了计算智能。

[abstract] the soft computing is a new development direction. It in artificial intelligence discipline of future development opened many new . Development mentality, thus the traditional artificial intelligence by accuracy, uncertainty, integrity to move towards the fuzziness and randomness, inaccuracy and imperfection that artificial intelligence evolved into computing intelligence.

【关键词】人工智能；软计算；计算智能

1 “软计算”概述

传统计算（硬计算）的主要特征是严格、确定和精确。但是硬计算并不适合处理现实生活中的许多问题，例如驾驶汽车。而软计算（Soft Computing,SC）通过对不确定、不精确及不完全真值的容错以取得低代价的解决方案和鲁棒性。它模拟自然界中智能系统的生化过程（人的感知、脑结构、进化和免疫等）来有效处理日常工作。软计算包括几种计算模式：模糊逻辑、人工神经网络、遗传算法和混沌理论。这些模式是互补及相互配合的，因此在许多应用系统中组合使用。

“软计算”是相对于“硬计算”( 传统计算) 而言的, 所谓的软计算是指对研究对象只求近似而非精确解释的有效计算方法。传统计算的主要特征是严格、确定和精确。但是它并不适合处理现实生活中的许多问题, 例如汽车驾驶。“软计算”通过对不确定、不精确及不完全真值的容错来取得低代价的解决方案和鲁棒性。它模拟自然界中智能系统的生化过程(人的感知、脑结构、进化和免疫等)来有效地处理日常工作。1992 年, Loft A. Zadeh教授指出人工神经网络、模糊逻辑及遗传算法与传统计算模式的区别, 将它们命名为软计算。

" 软计算是正在发展起来的一种计算方法, 它与人脑相对应, 具有在不确定及不精确环境中进行推理和学习的卓越能力"。软计算由若干种计算方法构成, 除上面提到的神经元网络、模糊集合理论、遗传算法外, 近年来将近似推理、模拟退火算法等都归入软计算。

2 从传统人工智能到计算智能

人工智能,它是计算机科学、控制论、信息论、神经生理学、心理学、语言学等多种学科互相渗透而发展起来的一门综合性学科。从计算机应用系统的角度出发, 人工智能是研究如何制造出人造的智能机器或智能系统, 以模拟、延伸和扩展人类的智力能力的科学。

在某些很窄的问题领域, 不可否认, 如果存在明显的知识,“物理符号系统”假设将具有重要的意义, 如专家系统, 可谓成功的传统AI 成果的典范。但是“, 物理符号系统”假设的实现本身依赖于十分苛刻的条件, 即如果把计算机看成是符号系统的物理实现,那么,就必须要把被求解的问题形式化, 也就是把对象用统一的抽象符号和固定规则精确地表示出来。人们曾认为, 只要符号足够丰富,操纵这些符号的规则足够细致和严密,建立起一个能够为计算机识别和处理的形式化系统是可能的。但是,在其后的研究中人们发现,基于“物理符号系统”假设的人工智能以静止的、精确的逻辑方式来处理问题, 这与人类智能依靠人脑思维灵活地处理问题的方式显然不是同一个概念。

3 软计算对计算智能的意义

计算智能(Computational Intelligence) 本质上是一种借鉴仿生学思想, 基于自然界的生物进化、神经网络、模糊推理等机制,用数学语言进行抽象描述的计算方法。单从概念上我们可以看到, 它与软计算之间存在很大的正交关系, 曾有观点形象的描述计算智能为“模仿生命的软计算”, 更有观点认为“计算智能就是软计算”。当然, 这些观点不可避免的依赖于个人的判断, 我们也不能就此表面的类似作为二者存在联系的论据。下面我们从软计算所包含的主要方面和特征来探讨它对计算智能的启示和意义。

3.1 模糊逻辑理论和模糊计算

自然和人工系统中存在着三种复杂性: 随机性, 模糊性和不确知性。20 世纪60 年代, L.A Zadeh 教授系统地提出了刻画和处理模糊不确定性的理论基础: 模糊集合论。模糊集合论是处理模糊信息的有效方法, 其特点是用严格的数学方法分析模糊的系统信息, 它铺设了经典的定量化方法和“模糊”世界的桥梁。而模糊逻辑则是建立在模糊集合论基础上的处理不确定知识和近似推理的主要方法。具体来讲, FL 有逻辑的方面: 源于多值逻辑系统; 集合论方面: 源于难以定义边界结合的表达; 推理方面: 注重模糊关系的表达与应用; 认识论方面: 包含了FL 在基于知识的模糊系统和数据库上的应用。

3.2 人工神经网络

人工神经网络系统是由大量简单的处理单元, 即神经元广泛地连接而形成的复杂网络系统。在人工神经网络中, 计算是通过数据在网络中的流动来完成的。在数据的流动过程中, 每个神经元从与其连接的神经元处接收输入数据流, 对其进行处理以后, 再将结果以输出数据流的形式传送到与其连接的其它神经元中去。通过这个学习过程, 人工神经网络可以不断地从环境中自动地获取知识, 并将这些知识以网络结构和连接权值的形式存储于网络之中。人工神经网络具有良好的自学习、自适应和自组织能力, 以及大规模并行、分布式信息存储和处理等特点, 这使得它非常适合于处理那些需要同时考虑多个因素的、不完整的、不准确的信息处理问题。

3.3 进化计算

受生物界的自然选择和自然遗传机制启发, 20 世纪后半叶以来, 一类模拟生物界“物竞天择, 适者生存”的思想用以分析、设计、控制和优化人工系统计算方法———进化计算提出。进化计算采用简单的编码技术表示各种复杂的结构, 并通过对一组编码表示进行简单的遗传操作和优胜劣汰的自然选择策略来指导学习和确定搜索方向。

纵观软计算方法包含的几个主要内容, 它的工作特性可归纳为几点: 受感于生物的计算模型: 受生物神经元网络的鼓励,软计算中大量使用人工神经元网络来处理有关感知、模式识别、非现性回归与分类的问题; 处理问题的灵活性: 软计算中应用了来源于不同思想领域的新颖的最优化方法, 包括遗传算法、蚁群算法、模拟退火、随机搜索等, 这些优化方法不需要目标函数的梯度向量, 因此在解决复杂优化问题时有更大的灵活性; 容错性: 神经元网络和模糊推理系统都有很好的容错性, 从神经元网络中删除一个神经元, 或从模糊推理系统中去掉一条规则, 并不会破坏整个系统。基于这些优势, 软计算方法可谓对传统人工智能所面临的问题提出了新的解决方案, 不失为一种创建计算智能系统的新颖方法。

4 展望

1994 年, Adleman[6]在《Science》杂志上发表开创性文章, 提出了DNA 计算得概念, 并成功地解决了著名的Hamilton 路径问题, 还指出了DNA 计算潜在的巨大并行性及待研究的问题。

1995 年, Lipton[7]也在《Science》杂志上发表文章, 进一步论证了DNA 计算可解决完全性问题。至此, DNA 计算引起了国际学术界的广泛关注。DNA 计算与软计算的集成使人们萌生了用DNA 来构筑符号的想法, 这种实时的、人性化的“生命符号系统”弥补了传统的静止的、严格的“物理符号系统”之不足, 为人工智能的发展提供了新思路, 加之软计算方法将众多的解决复杂问题的技术结合在一起, 为不确定性和不确切性问题的解决提供了更为有效的方法, 从而为人工智能的发展奠定了新的理论基础。

参考文献

[1]林尧瑞,马少平.人工智能导论[M].北京:清华大学出版社.1989

[2]史忠植.高级人工智能[M].北京:科学出版社.1998

[3] 蔡自兴.人工智能及其应用[M].北京:清华大学出版社.2004

[4] 张颖,刘艳秋.软计算方法[M]. 北京:科学出版社.2004

[5] 郭嗣琮,陈刚.信息科学中的软计算方法[M].沈阳:东北大学出版社.2001