计算智能算法的研究:计算智能中a2算法是什么

　　摘 要：智能计算方法的发展对智能计算的应用有深广的意义。本文对计算智能的主要算法进行了介绍，并对计算智能所取得的成就和存在的问题进行了剖析，对当前广泛关注的热点问题提出了一些新的思路和解决方法，最后对该领域的发展趋势进行了预测。
　　关键词：计算智能 神经网络 模拟退火 模糊逻辑
　　
　　1 概述
　　
　　什么是计算智能，并没有确切的定义。如同人工智能一样，不同的人对计算智能有不同的理解。我们不必急于为计算智能下定义，更不必像争论“智能计算机”一样在名词上浪费时间，重要的是弄明白“计算智能”究竟包含哪些新思想。广义地讲，人工智能也是试图用计算机来实现人的智能，所以人工智能也可以看作计算智能。当加拿大的学者创办“计算智能”学术刊物时，人们只觉得增添了一种人工智能学报，并未仔细考虑这两者的区别。随着人工神经网络、遗传算法、进化程序、混沌计算等研究逐渐兴旺，而每年召开的人工智能学术会议，如AAAI(美国人工智能协会)等，又不太乐意接受这方面的论文与产品演示，从事上述研究的学者逐步组织自己的有相当规模的国际学术会议，取名为计算智能，似乎造成一种与人工智能分庭抗礼的局面。但从学术上讲，把计算智能看成人工智能研究的新方向也许更恰当［１］。
　　计算智能是在1994年IEEE举办的首届计算智能世界大会上提出的，它以连接主义和进化主义思想为基础，计算智能中的主要算法自适应的结构、随机产生的或指定的初始状态、适应度的评测函数、修改结构的操作、系统状态存储器、终止计算的条件、指示结果的方法、控制过程参数等共同要素，具有自学习、自组织、自适应的特征和简单、通用、鲁棒性强、易并行处理等特点，这些特征已被用于信息安全、模式识别、数据分类与挖掘、优化设计、故障诊断、机器学习、联想记忆和控制等领域［２］。本文从计算智能主要算法的角度来对计算智能的研究现状作分析。［２］
　　
　　2 计算智能的主要算法
　　
　　计算智能的主要算法有神经网络、模拟退火、模糊逻辑、遗传与演化算法、禁忌搜索算法、DNA软计算、人工免疫系统、蚁群算法、粒子群算法、多代理（Agent）系统等。
　　计算智能的算法虽然有很多种，但它们多是受自然或生物界规律的启迪，根据其原理、思想来模仿求解问题的算法。这样它们也就具有自然界或生物界的一些特性，同时它们通过长时间的发展变化，逐渐成熟，形成了自己独有的特点。下面对它们的共同特点作一个介绍：（1）它们大都引入了随机因素，具有不确定性。很多计算过程实际上是在计算机上作随机过程的模拟。比如著名的蒙特卡罗模拟。（2）它们大多具有自适应机制的动力体系或随机动力体系，并且在计算过程中体系结构还在不断作自我调整。（3）它们都是针对通用的一般目标而设计的，它们不同于针对特殊问题而设计的算法。（4）一些算法在低维或简单的情况下显得很笨，但是到了高维复杂的情形下具有很强的竞争力。［３］
　　
　　3 主要的计算智能算法
　　
　　3.1 人工神经网络
　　神经系统的基本构造是神经元(神经细胞)，它是处理人体内各部分之间相互信息传递的基本单元。据神经生物学家研究的结果表明，人的一个大脑一般有1010―1011个神经元。每个神经元都由一个细胞体，一个连接其他神经元的轴突和一些向外伸出的其它较短分支――树突组成。轴突的功能是将本神经元的输出信号(兴奋)传递给别的神经元。其末端的许多神经末梢使得兴奋可以同时传送给多个神经元。树突的功能是接受来自其它神经元的兴奋。神经元细胞体将接受到的所有信号进行简单处理(如加权求和，即对所有的输入信号都加以考虑且对每个信号的重视程度――体现在权值上――有所不同)后由轴突输出。神经元的树突与另外的神经元的神经末梢相连的部分称为突触。
　　“人工神经网络”（artificial neural network：简称ANN）是在对人脑组织结构和运行机制的认识理解基础之上模拟其结构和智能行为的一种工程系统，是对人大脑神经细胞的简单近似的模拟。大量的神经元广泛互连而成的系统，它的这一结构特点决定着人工神经网络具有高速信息处理的能力。人脑的每个神经元大约有103―104个树突及相应的突触，一个人的大脑总计约形成1014―1015个突触。用神经网络的术语来说，即是人脑具有1014―1015个互相连接的存储潜力。虽然每个神经元的运算功能十分简单，且信号传输速率也较低(大约100次/秒)，但由于各神经元之间的极度并行互连功能，最终使得一个普通人的大脑在约1秒内就能完成现行计算机至少需要数10亿次处理步骤才能完成的任务。
　　因为人工神经网络的结构特点和其信息存储的分布式特点，使得它相对于其它的判断识别系统，如专家系统等，具有另一个显著的优点：健壮性。生物神经网络不会因为个别神经元的损失而失去对原有模式的记忆。最有力的证明是，当一个人的大脑因意外事故受轻微损伤之后，并不会失去原有事物的全部记忆。人工神经网络也有类似的情况。因某些原因，无论是网络的硬件实现还是软件实现中的某个或某些神经元失效，整个网络仍然能继续工作。
　　因此ANN具有快速、并行处理、容错性强和自学习能力强等特点。几种典型的ANN为：多层感知网络、竞争型神经网络、Hopfield神经网络。
　　3.2 模拟退火
　　模拟退火(SA，simulated annealing)算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。根据Metropolis准则，粒子在温度T时趋于平衡的概率为e-ΔE/(kT)，其中E为温度T时的内能，ΔE为其改变量，k为Boltzmann常数。用固体退火模拟组合优化问题，将内能E模拟为目标函数值f，温度T演化成控制参数t，即得到解组合优化问题的模拟退火算法：由初始解i和控制参数初值t开始，对当前解重复“产生新解→计算目标函数差→接受或舍弃”的迭代，并逐步衰减t值，算法终止时的当前解即为所得近似最优解，这是基于蒙特卡罗迭代求解法的一种启发式随机搜索过程。退火过程由冷却进度表(Cooling Schedule)控制，包括控制参数的初值t及其衰减因子Δt、每个t值时的迭代次数L和停止条件S。
　　模拟退火是一种全局优化方法，就是人为地引入噪声，使得当某算法陷入局部最优的陷阱时，而造成从该陷阱中逃脱的条件，进而再逐步减小噪声，以使得算法能停留在全局最优点。其实早在1965年，Khas就提出了这一想法，不过并未受到计算机科学与优化应用领域的足够重视。直到1983年，Kirkpatrick提出模拟退火算法，才引起了优化应用领域的重视，成为热点流行起来。它的特点主要有以下几个方面：（1）以一定的概率接受恶化解，在迭代过程中不仅接受使目标函数变“好”的试探点，而且还能以一定的概率接受目标函数值变“差”的试探点，迭代中出现的状态是随机产生的，并且不强求后一个状态一定优于前一个状态，即以一定的可能容忍的退化状态的出现；（2）引进算法控制参数T，它将优化过程分为各个阶段，并决定各个阶段下随机状态的取舍标准，接受函数由Metropolis算法给出一个简单的数学模型，接受概率随着温度的下降而逐渐减小；（3）使用对象函数值（即适应值）进行搜索，它仅使用由目标函数变换来的适应度函数值，就可确定进一步的搜索方向和搜索范围，无需其它一些辅助信息［４］。
　　3.3 模糊逻辑
　　模糊逻辑（FUZZY，fuzzy logic system）自提出以后，特别是在人工智能和控制等领域得到较好的应用之后，已经引起研究人员的浓厚兴趣。进入20世纪90年代，模糊逻辑无论在理论上还是在应用方面都得到了较快地发展。
　　模糊逻辑本身并不模糊，而是用来对“模糊”进行处理以达到消除模糊的逻辑。其最大特点是用它可以自然地处理人类的概念。由于输入、输出均为实型变量，所以特别适用于工程应用系统，FUZZY提供了一种描述专家组织的模糊“If-then”规则的一般化模式，模糊产生器、模糊推理机和反模糊化的选择也有很大的自由度。FUZZY的知识表达易于理解，但难于利用数值信息，自学习能力较差。
　　3.4 遗传算法
　　遗传算法（Genetic Algorithms）是基于生物进化理论的原理发展起来的一种广为应用的、高效的随机搜索与优化的方法。其主要特点是群体搜索策略和群体中个体之间的信息交换，搜索不依赖于梯度信息。它是在70年代初期由美国密执根（Michigan）大学的霍兰（Holland）教授发展起来的。1975年霍兰教授发表了第一本比较系统论述遗传算法的专著《自然系统与人工系统中的适应性》（《Adaptation in Natural and Artificial Systems》）。遗传算法最初被研究的出发点不是为专门解决最优化问题而设计的，它与进化策略、进化规划共同构成了进化算法的主要框架，都是为当时人工智能的发展服务的。迄今为止，遗传算法是进化算法中最广为人知的算法。
　　遗传算法是解决搜索问题的一种通用算法，对于各种通用问题都可以使用。在遗传算法中，基于染色体群的并行搜索，带有猜测性质的选择操作、交换操作和突变操作。这种特殊的组合方式将遗传算法与其它搜索算法区别开来。
　　遗传算法具有以下几方面的特点：（1）遗传算法从问题解的串集开始嫂索，而不是从单个解开始。这是遗传算法与传统优化算法的极大区别。传统优化算法是从单个初始值迭代求最优解的；容易误入局部最优解。遗传算法从串集开始搜索，覆盖面大，利于全局择优。
　　(2)许多传统搜索算法都是单点搜索算法，容易陷入局部的最优解。遗传算法同时处理群体中的多个个体，即对搜索空间中的多个解进行评估，减少了陷入局部最优解的风险，同时算法本身易于实现并行化。
　　(3)遗传算法基本上不用搜索空间的知识或其它辅助信息，而仅用适应度函数值来评估个体，在此基础上进行遗传操作。适应度函数不仅不受连续可微的约束，而且其定义域可以任意设定。这一特点使得遗传算法的应用范围大大扩展。
　　(4)遗传算法不是采用确定性规则，而是采用概率的变迁规则来指导他的搜索方向。
　　(5)具有自组织、自适应和自学习性。遗传算法利用进化过程获得的信息自行组织搜索时，硬度大的个体具有较高的生存概率，并获得更适应环境的基因结构。
　　3.5 禁忌搜索算法
　　Tabu Search是由美国科罗拉多州大学的Fred Glover教授在1977年左右提出来的，是一个用来跳出局部最优的搜寻方法。
　　禁忌搜索是对局部邻域搜索的一种扩展，是一种全局逐步寻求最优算法。禁忌搜索算法中充分体现了集中和扩散两个策略，它的集中策略体现在局部搜索，即从一点出发，在这点的邻域内寻求更好的解，以达到局部最优解而结束，为了跳出局部最优解，扩散策略通过禁忌表的功能来实现。禁忌表中记下已经到达的某些信息，算法通过对禁忌表中点的禁忌，而达到一些没有搜索的点，从而实现更大区域的搜索。
　　禁忌搜索算法算法具有以下几方面的特点：（1）从移动规则看，每次只与最优点比较，而不与经过点比较，故可以爬出局部最优。
　　（2）选优规则始终保持曾经达到的最优点，所以即使离开了全局最优点也不会失去全局最优性。
　　（3）终止规则不以达到局部最优为终止规则，而以最大迭代次数、出现频率限制或者目标值偏离成都为终止规则。
　　所以禁忌搜索算法是一种局部搜索能力很强的全局迭代寻优算法。
　　3.6 DNA软计算
　　DNA软计算是一种基于DNA汤（种群）和生物进货机制的随机搜索算法，其设计变量服从均值和方差进化过程变化的正态分布，不必预先设定其取值范围，且算法引导种群逐步向优化区域搜索，确保其全局收敛能力［５］，它的特点主要有以下几个方面：首先，DNA具有不可估量水平的并行性。其次，DNA软计算有很高的能量效率和存贮容量。此外，尝试开发实际的DNA软计算能促进生物学和生物化学获得更灵活的操作和更可靠的技术［６］。
　　3.7 人工免疫系统
　　人工免疫系统（AIS，artificial immune system）是研究借鉴和利用生物免疫系统的信息处理机制而发展的各类信息处理技术、计算技术及应用的总称，用于复杂问题的解决。AIS结合了分类器、神经网络和机器推理学习系统的优点，是一种突现计算，但也存在收敛速度慢等缺点。1994年以来，AIS成为国际上新的研究热点。目前这一领域还处于起步阶段［２］。
　　3.8 蚁群算法
　　蚁群算法是人们通过对自然界中蚁群群体行为的研究而提出的一种基于种群的模拟进化算法［７］。该算法通过模拟蚂蚁搜索食物的过程来求解一些实际问题。蚂蚁能够在没有任何可见提示下找出蚁穴到食物源的最短路径，并且能随着环境的变化而变化，然后搜索新的路径，产生新的选择。受蚂蚁觅食时的通信机制的启发，90年代Dorigo提出了蚁群优化算法。由于这个算法利用了正反馈机制，使得较短的路径能够有较大的机会得到选择，并且由于采用了概率算法，所以它能够不局限于局部最优解。
　　3.9 粒子群算法
　　粒子群算法(PSO，particle swarm optimization)是一种进化计算技术(Evolutionary Computation)，有Eberhart博士和Kennedy博士发明。源于对鸟群捕食的行为研究。PSO同遗传算法类似，是一种基于叠代的优化工具。系统初始化为一组随机解，通过叠代搜寻最优值。但是并没有遗传算法用的交叉(crossover)以及变异(mutation)。而是粒子在解空间追随最优的粒子进行搜索。同遗传算法比较，PSO的优势在于简单，容易实现并且没有许多参数需要调整。目前已广泛应用于函数优化、神经网络训练、模糊系统控制以及其他遗传算法的应用领域。粒子群优化算法(PSO)也是起源对简单社会系统的模拟，最初设想是模拟鸟群觅食的过程，但后来发现PSO是一种很好的优化工具。
　　3.10 多代理（Agent）系统
　　多Agent系统（Multi-Agent System，MAS）是指由多个自主构件组成的所有类型的系统，它是一个松散耦合的问题求解器网络，其目标是为了解决那些超出每个问题求解器的单独能力或知识的问题。这些问题的求解器就是Agent，它们是自主的，并可能是异构的。
　　多Agent系统的表现通过Agent的交互来实现，主要研究多个Agent，为了联合采取行动实际系统时，多Agent系统通过各Agent间的通信、合作、协调、管理及控制来表达系统的结构、功能及行为特性。多代理体系中，知识具有局部性，而问题具有全局性，在大多数情况下，需要同其他的代理联合解决一个问题，这样代理间的信息传递不可避免，因此需要有代理通讯语言（ACL）。
　　
　　结束语
　　本文对主要的计算智能算法及各自的特点作了一个介绍，这些算法在解决实际问题中都发挥了相当的作用，当然也有待我们进一步研究、改进和提高。计算智能是一个发展潜力巨大的方向，未来的发展一定会越来越智能化，个性化的倾向越来越浓，目的性变得日益明确，应用的领域也会越来越广。
　　
　　参考文献：
　　［1］李国杰.计算智能：一个重要的研究方向［A］.
　　［2］苏建元.计算智能主要算法的比较与融合［J］.中国电子科学研究院学报，2007.2，(1)：52-56.
　　［3］钱敏平，龚光鲁.从数学角度看计算智能［J］.科学通报，1998，（16）：1681-1695.
　　［4］项宝卫，凌塑勇.计算智能算法的研究现状［J］.台州学院学报，2006.6，(3)：22-25.
　　［5］黄自元，师黎等.一类自适应范围DNA软计算模型.控制理论与应用，2004.12，（6）：889-992.
　　［6］任立红，丁永生，邵世煌.DNA计算研究的现状与展望.信息与控制，1999，（4）.
　　［7］Marco Dorigo，Vittorio Maniezzo，Alberto Colorni。The ant system：Optimization by a colony of co-operation agents［J］.IEEE Transaction on Systems，1996.26，(1)：1-2.