人工智能与计算智能概述.pptx
- 文档编号:15118975
- 上传时间:2023-06-30
- 格式:PPTX
- 页数:66
- 大小:643.23KB
人工智能与计算智能概述.pptx
《人工智能与计算智能概述.pptx》由会员分享,可在线阅读,更多相关《人工智能与计算智能概述.pptx(66页珍藏版)》请在冰点文库上搜索。
,1,人工神经网络(ArtificialNeuralNetworks,ANN),裴振奎,计算机与通信工程学院计算机科学系,教材及参考书,
(1)人工神经网络导论,蒋宗礼编著,高等教育出版社
(2)人工神经网络原理及仿真实例(第2版),高隽编著,机械工业出版社(3)人工神经网络与模拟进化计算(第2版),阎平凡、张长水编著清华大学出版社(4)神经网络模型及MATLAB仿真程序设计,周开利编著,清华大学出版社(5)神经网络(英文影印版),SatishKumar著,清华大学出版社,教材及参考书,人工神经网络计算智能人工智能人工智能这个词看起来似乎一目了然,人制造的智能,但是要给人工智能这个科学名词下一个准确的定义却很困难。
智能是个体有目的的行为、合理的思维以及有效的适应环境的综合性能力。
通俗地讲,智能是个体认识客观事物和运用知识解决问题的能力。
特别指出智能是相对的、发展的,如果离开特定时间说智能是困难的、没有意义的。
人工智能简介,人工智能是相对于人的自然智能而言,即通过人工的方法和技术,研制智能机器或智能系统来模仿、延伸和扩展人的智能,实现智能行为和“机器思维”活动,解决需要人类专家才能处理的问题。
本质上讲,人工智能是研究怎样让计算机模仿人脑从事推理、规划、设计、思考和学习等思维活动,解决需要人类的智能才能处理的复杂问题。
简单地讲,人工智能就是由计算机来表示和执行人类的智能活动。
远期目标是建立信息处理的智能理论,制造智能机器。
智能机器是指能够在各类环境中自主地或交互的执行各种拟人任务,与人的智力相当或相近的机器。
具体地讲,这就要求使计算机能够理解人类语言,并能够进行学习和推理。
近期目标是解决制造智能机器或智能系统相关原理和技术问题,以实现部分智能。
人工智能的研究目标,1.2人工智能的发展简史,第一阶段孕育期(1956年以前)第二阶段人工智能基础技术的研究和形成(1956年1970年)第三阶段发展和实用化阶段(1971年1980年)第四阶段知识工程与专家系统(1980年至今),第一阶段孕育期,公元前,古希腊哲学家亚里士多德(Aristotle)创立了古典形式逻辑。
17世纪,英国哲学家和自然科学家培根(F.Bacon)系统地提出了古典归纳推理。
17世纪,德国数学家莱布尼茨(G.W.Leibniz)提出了数理逻辑的基本思想。
1642年,法国物理学家和数学家帕斯卡(B.Pascal)发明了世界上第一台会演算的机械加法机。
1673年,Leibniz在这台加法机的基础上发展并制成了可进行四则运算的计算器。
1832年,英国数学家巴比奇(C.Babbage)制成可用来计算简单数学表的差分机,并提出分析机(能自动完成各种类型数字计算)的设计思想。
19世纪中叶,英国数学家布尔(G.Boole)出了布尔代数,初步实现了Leibniz的数理逻辑思想。
1879年,德国逻辑学家费雷治(G.Frege)提出用机械推理的符号表示系统,发明了谓词逻辑。
1930年,奥地利数学家歌德尔(K.Godel)证明了一阶谓词的完备性定理。
1936年,英国数学家Turing提出了一种理想计算机的数学模型(即图灵机);在1950年,他还提出了著名的“图灵测验”,给智能的标准提供了明确的定义。
1943年,美国神经生理学家麦卡洛(W.McCulloch)和数理逻辑学家匹茨(W.Pitts)提出了第一个神经元的数学模型(M-P模型),开创了神经科学研究的新时代。
1945年,美籍匈牙利数学家冯诺依曼(J.V.Neumann)提出了以二进制和程序存储控制为核心的通用电子数字计算机体系结构原理,奠定了现代电子计算机体系结构的基础。
1946年,美国数学家莫克利(J.W.Mauchly)和埃克特(J.P.Eckert)研制成功了世界上第一台通用电子数字计算机ENIAC(ElectronicNumericalIntegratorAndCalculator)。
1949年,加拿大心理学家赫布(D.O.Hebb)提出了关于神经元连接强度的Hebb规则。
Hebb学习规则为神经网络学习算法的研究奠定了基础。
第二阶段人工智能基础技术的研究和形成,1956年夏,美国的达特茅斯(Dartmouth)大学的麦卡锡(J.McCarthy)、哈佛大学的明斯基(M.Minsky)、IBM公司的罗彻斯特(N.Lochester)和贝尔实验室的香农(E.Shannon)四人共同发起,邀请IBM公司的摩尔(T.More)和塞缪尔(A.Samuel)、麻省理工学院的塞弗里奇(O.Selfridge)和门罗索夫(R.Solomonff)、卡内基-梅隆大学的西蒙(H.Simon)和纽厄尔(A.Newell)等人参加学术讨论班,在一起共同学习和探讨用机器模拟智能的各种问题。
Minsky构建的第一个神经元网络模拟器SNARC(StochasticNeural-AnalogReinforcementComputer)、McCarthy的-搜索法、以及Simon和Newell的逻辑理论家程序(LogicTheorist)成为这次研讨会的三个亮点。
经McCarthy提议,决定使用“人工智能”一词来概括这个研究方向。
这次具有历史意义的会议标志着人工智能这个学科的正式诞生,McCarthy也由此被称为“人工智能之父”。
1956年,Newell和Simon等人编写的程序LogicTheorist证明了数学原理中第二章的三十八条定理,又于1963年证明了该章中的全部五十二条定理。
他们的成果使人工智能研究走上以计算机程序来模拟人类思维的道路,第一次把求解方法和问题的领域知识分离开。
在相同的研究途径下,Selfridge编制了字符识别程序、Samuel研制了跳棋程序。
Samuel的跳棋程序具有学习功能,在1959和1962年分别打败了Samuel本人和美国一个州的跳棋冠军。
1957年,Simon、Newell和肖(J.C.Shaw)合作开发了表处理语言IPL(InformationProcessingLanguage。
1957年,罗森勃拉特(F.Rosenblatt)提出著名的感知机(Perceptron)模型,该模型是第一个完整的人工神经网络。
1958年,美籍逻辑学家王浩在自动定理证明中取得的重要进展。
他的程序在IBM-704计算机上用不到5分钟的时间证明了数学原理中“命题演算”的全部220条定理。
1959年,王浩的改进程序用8.4分钟证明了上述220条定理及谓词演算的绝大部分定理。
1959年,Minsky和McCarthy在麻省理工学院创建世界上第一个人工智能实验室。
1959年,McCarthy开发出了著名表处理语言LISP(ListProcessor)。
IBM公司的格伦特尔(H.Gelernter)研制出平面几何证明程序。
1960年,Simon、Newell和Shaw又一次合作开发了通用问题求解系统GPS(GeneralProblemSolver)。
1962年,美国工程师威德罗(B.Windrow)和霍夫(E.Hoff)提出了自适应线性单元Adaline(Adaptivelinearelement)。
人工神经网络研究的第一次高潮。
1965年,罗伯特(L.G.Roberts)编制了可以分辨积木构造的程序,开创了计算机视觉的新领域。
同年,美国数理逻辑学家鲁宾逊(J.A.Robinson)提出了与传统演绎法完全不同的消解法(也称归结原理),掀起了研究计算机定理证明的又一高潮。
1968年,美国斯坦福大学教授费根鲍姆(E.Feigenbaum)主持开发出世界上第一个化学分析专家系统DENDRAL,开创以知识为基础的专家咨询系统研究领域。
1968年,奎廉(J.R.Quillian)提出了语义网络的知识表示方法,试图解决记忆的心理学模型,后来Simon等人将语义网络应用于自然语言理解方面取得了很大的成效。
1969年,Minsky出版了感知机一书,该书对感知机进行了深入分析,并且从数学上证明了感知机功能的局限性,即只能解决一阶谓词逻辑问题,不能解决高阶谓词问题。
同时,还发现有许多模式不能用单层人工神经网络训练,而多层人工神经网络是否可行还很值得怀疑。
因此,人工神经网络的研究由此进入低潮时期,而专家系统的研究进入高潮。
第三阶段发展和实用化阶段,以Feigenbaum为首的一批年轻科学家改变了人工智能研究的战略思想,开展了以知识为基础的专家咨询系统研究与应用。
在20世纪70年代有不少专家系统被研制开发,如麻省理工学院研制的符号数学专家系统MACSYMA和自然语言理解系统SHRDLU,诊断和治疗青光眼病的专家系统CASNET,诊断内科疾病的专家系统INTERNIST,肾脏病专家咨询系统PIP,DEC公司开发的诊断系统VAX,卡内基-梅隆大学开发的计算机配置专家系统XCON(RI)和XSEL。
1972年,肖特利夫(E.H.Shortliffe)等人开发了医学诊断专家系统MYCIN,1972年,吴兹(W.Woods)研制成功了自然语言理解系统LUNAR。
1973年,法国马赛大学教授考尔麦劳厄(A.Colmerauer)的研究小组实现逻辑式程序设计语言PROLOG(ProgramminginLogic)。
1974年,沃博斯(P.J.Werbos)在其博士论文中提出在感知机的基础上加入隐含层的学习算法,有效解决了多层网络中隐含节点的学习问题。
1975年,Minsky创立了框架理论(FrameTheory)1975,美国密执根大学教授霍兰德(J.H.Holland)提出了遗传算法。
1976年7月,美国的阿佩尔(K.Appel)等用三台大型计算机,用1200小时的时间,证明了四色定理。
1977年,Feigenbaum在第五届国际智能联合会议上提出“知识工程”的概念,人工智能的研究从以基于推理为主的模型转向以基于知识为主的模型。
1977年,休维特(C.Hewitt)在研究ConcurrentActorModel时就首次提出了具有自组织性、反应机制和同步执行能力的软件模型,这就是最初的软件Agent思想。
1977年,我国的吴文俊院士给出了一类平面几何问题的机械化证明理论,在计算机上证明了一大批平面几何定理。
1979年,由鲍勃罗夫(D.G.Boborow)采用基于框架的设计,实现了KRL语言(KnowledgeRepresentationLanguage)。
第四阶段知识工程与专家系统,20世纪80年代,人工智能发展达到了阶段性的顶峰。
1982年日本开始了“第五代计算机研制计划”。
美国物理学家霍普菲尔德(J.J.Hopfield)提出了一个新的人工神经网络模型Hopfield网络模型。
1984年,希尔顿(G.Hinton)等人将模拟退火算法引入到人工神经网络中,提出了波尔兹曼(Boltzmann)机网络模型。
1986年,鲁姆尔哈特(D.E.Rumelhart)和麦克莱伦(J.LMcclelland)重新提出了多层网络的误差反向传播算法BP(Back-Propagation)。
1987年6月,第一届国际人工神经网络会议在美国召开,宣告了这一新学科的诞生。
1987年,美国神经计算机专家尼尔森(R.H.Nielsen)提出了对向传播神经网络(CPN,CounterPropagationNetwork),进入90年代,计算机发展趋势为小型化、并行化、网络化、智能化。
人工智能技术逐渐与数据库、多媒体等主流技术相结合,并融合在主流技术之中,旨在使计算机更聪明、更有效、与人更接近。
1992年,日本政府在第五代计算机研制计划宣布失败,但随后启动RWC计划(RealWorldComputingProject)。
1993年,美国斯坦福教授肖汉姆(Y.Shoham)提出面向Agent的程序设计(AOP,Agent-OrientedProgramming)。
1995年,瓦普尼克(V.Vapnik)提出支持向量机(SVM,SupportVectorMachine)理论。
1997年,麦克昆(W.McCune)提出了定理证明系统,成功地证明了1930年提出的未被证明的数学难题Robbins问题。
1998年,在IBM的“深蓝”计算机与著名大师的国际象棋比赛中,“深蓝”战胜了卡斯帕罗夫大师。
随着计算机和网络技术的发展与普及,当今人工智能主攻方向体现于:
并行与分布式处理技术;知识的获取、表示、更新和推理新机制;多功能的感知技术;关于Agent的研究;数据挖掘。
人工智能是计算机研究中一个非常重要的领域,在20世纪40位图灵奖获得者中有6位人工智能学者。
其中,Minsky在1969年获奖,McCarthy在1971年获奖,Simon和Newell在1975年获奖,Feigenbaum和雷迪(R.Reddy)在1994年获奖。
由于人们对人工智能本质的不同理解和认识,形成了人工智能研究的多种不同的途径。
在不同的研究途径下,其研究方法、学术观点和研究重点有所不同,进而形成不同的学派。
这里主要介绍认知学派、逻辑学派、行为主义学派和连接主义学派。
人工智能的研究途径和方法,1.认知学派以Minsky、Simon和Newell等为代表从人的思维活动出发,利用计算机进行宏观功能模拟。
该学派认为认知的基元是符号,智能行为通过符号操作来实现,它以美国的Robinson提出的消解法(即归结原理)为基础,以LISP和Prolog语言为代表,着重于问题求解中的启发式搜索和推理过程。
该学派在逻辑思维的模拟方面取得成功,如自动定理证明和专家系统。
2.逻辑学派以McCarthy和尼尔逊(N.J.Nillson)等为代表主张用逻辑来研究人工智能,即用形式化的方法描述客观世界。
该学派主要观点如下:
首先,智能机器必须有关于自身环境的知识;其次,通用智能机器要能陈述性地表达关于自身环境的大部分知识;再次,通用智能机器表示陈述性知识的语言至少要有一阶逻辑的表达能力。
3.行为主义学派以布鲁克斯(R.A.Brooks)为代表认为智能行为只能在现实世界中,由系统与周围环境的交互过程中表现出来。
主要观点:
首先,智能系统与环境进行交互,即从运行的环境中获取信息(感知),并通过自己的动作对环境施加影响;其次,指出智能取决于感知和行为,提出了智能行为的“感知-行为”模型,认为智能系统可以不需要知识、不需要表示、不需要推理,像人类智能一样可以逐步进化;再次,强调直觉和反馈的重要性,智能行为体现在系统与环境的交互之中,功能、结构和智能行为是不可分割的。
4.连接主义学派以Rumelhart、Mcclelland和Hopfield等为代表,从人的大脑神经系统结构出发,研究非程序的、适应性的、类似大脑风格的信息处理的本质和能力,人们也称它为神经计算。
这种方法一般通过人工神经网络的“自学习”获得知识,再利用知识解决问题。
此外,还有知识工程学派和分布式学派。
知识工程学派是以Feigenbaum为代表的研究知识在人类智能中的作用和地位。
分布式学派是以Hewitt为代表的研究智能系统中知识的分布行为。
人工智能的研究与应用领域,从应用的角度看,人工智能的研究主要集中在以下几个方面。
专家系统是一个具有大量专门知识与经验的程序系统,它应用人工智能技术,根据某个领域一个或多个人类专家提供的知识和经验进行推理和判断,模拟人类专家的决策过程,以解决那些需要专家决定的复杂问题。
专家系统与传统计算机程序的本质区别在于,专家系统所要解决的问题一般没有算法解,并且经常要在不完全、不精确或不确定的信息基础上做出结论。
从体系结构上可分为集中式专家系统、分布式专家系统、协同式专家系统、神经网络专家系统等;从方法上可分为基于规则的方法专家系统、基于模型的专家系统、基于框架的专家系统等。
1.专家系统,2.自然语言理解,自然语言理解是研究实现人类与计算机系统之间用自然语言进行有效通信的各种理论和方法。
实现人机间自然语言通信意味着计算机系统既能理解自然语言文本的意义,也能生成自然语言文本来表达给定的意图和思想等。
而语言的理解和生成是一个极为复杂的解码和编码问题。
一个能够理解自然语言的计算机系统看起来就像一个人一样,它需要有上下文知识和信息,并能用信息发生器进行推理。
理解口头和书写语言的计算机系统的基础就是表示上下文知识结构的某些人工智能思想以及根据这些知识进行推理的某些技术。
3.机器学习,机器学习研究的主要目标是让机器自身具有获取知识的能力,使机器能够总结经验、修正错误、发现规律、改进性能,对环境具有更强的适应能力。
通常要解决如下几方面的问题:
(1)选择训练经验。
包括如何选择训练经验的类型,如何控制训练样本序列,以及如何使训练样本的分布与未来测试样本的分布相似等子问题
(2)选择目标函数。
所有的机器学习问题几乎都可简化为学习某个特定的目标函数的问题;(3)选择目标函数的表示。
在确定了理想的目标函数后,接下来的任务是必须从很多(甚至是无数)种表示方法中选择一种最优或近似最优的表示方法。
它是数学和计算机科学相结合的研究课题。
数学定理的证明是人类思维中演绎推理能力的重要体现。
数理逻辑的建立使自动定理证明的设想有了更明确的数学形式。
1965年,Robinson提出了一阶谓词演算中的归结原理,这是自动定理证明的重大突破。
1976年,美国的Appel等三人利用高速计算机证明了124年未能解决的“四色问题”。
我国数学家吴文俊在1976年底开始研究可判定问题。
他在微型机上成功地设计了初等几何与初等微分几何中一大类问题的判定算法及相应的程序。
我国数学家张景中等人进一步推出了“可读性证明”的机器证明方法。
4.自动定理证明,5.自动程序设计,自动程序设计是指根据给定问题的原始描述,自动生成满足要求的程序。
自动程序设计主要包含程序综合和程序验证两方面内容。
前者实现自动编程,即用户只需告知机器“做什么”,无须告诉“怎么做”,这后一步的工作由机器自动完成;后者是程序的自动验证,自动完成正确性的检查。
目前程序综合的基本途径主要是程序变换,即通过对给定的输入、输出条件进行逐步变换,已构成所要求的程序。
程序验证是利用一个已验证过的程序系统来自动证明某一给定程序P的正确性。
6.分布式人工智能,主要研究在逻辑上或物理上分散的智能动作者如何协调其智能行为,求解单目标和多目标问题。
主要研究内容有分布式问题求解(DistributionProblemSolving,DPS)和Multi-Agent系统(MAS)。
DPS的方法是,先把问题分解成任务,再为之设计相应的任务执行系统。
MAS主要研究多个Agent为了联合采取行动或求解问题,如何协调各自的知识、目标、策略和规划。
在表达实际系统时,MAS通过各Agent间的通讯、合作、互解、协调、调度、管理及控制来表达系统的结构、功能及行为特性。
机器人学是机械结构学、传感技术和人工智能结合的产物。
机器人的发展经历了以下几个阶段:
第一代为程序控制机器人;第二代为自适应机器人;第三代为分布式协同机器人。
从功能上来考虑,机器人学研究主要涉及两个方面:
一方面是模式识别,即给机器人配备视觉和触觉,使其能够识别空间景物的实体和阴影,甚至可以辨别出两幅图像的微小差别,从而完成模式识别的功能;另一方面是运动协调推理。
机器人的运动协调推理是指机器人在接受外界的刺激后,驱动机器人行动的过程。
7.机器人学,8.模式识别,模式识别研究的是计算机的模式识别系统,即用计算机代替人类或帮助人类感知模式。
模式通常具有实体的形式,如声音、图片、图像、语言、文字、符号、物体和景象等等,可以用物理的、化学的及生物的传感器进行具体地采集和测量。
但模式所指的不是事物本身,而是从事物获得的信息,因此,模式往往表现为具有时间和空间分布的信息。
人们在观察、认识事物和现象时,常常寻找它与其它事物和现象的相同与不同之处,根据使用目的进行分类、聚类和判断,人脑的这种思维能力就构成了模式识别的能力。
9.博弈,计算机博弈主要是研究下棋程序。
在20世纪60年代就出现了很有名的西洋跳棋和国际象棋的程序,并达到了大师的水平。
进入20世纪90年代,IBM公司以其雄厚硬件基础,支持开发后来被称之为“深蓝”的国际象棋系统,10.计算机视觉,计算机视觉研究的任务是理解一个图像,这里的图像是利用像素所描绘的景物。
该领域可分为如下三类:
第一是信号处理,即研究把一个图像转换为具有所需特征的另一个图像的方法;第二是分类,即研究如何把图像划分为预定类别。
分类是从图像中抽取一组预先确定的特征值,然后根据用于多为特征空间的统计决策方法决定一个图像是否符合某一类;第三是理解,即在给定某一图像的情况下,一个图像理解程序不仅描述这个图像的本身,而且也描述该图像所描绘的景物。
通常把人工神经网络、模糊计算和进化计算作为计算智能的三个主要内容。
一般来说,计算智能多应用于缺乏足够的先验知识,只有一大堆相关的数据和记录的问题。
人工神经网络是一种应用类似于大脑神经突触连接的结构进行信息处理的数学模型。
在这一模型中,大量的节点之间相互连接构成网络,即“神经网络”,以达到处理信息的目的。
模糊计算处理的是模糊集合和逻辑连接符,以描述现实世界中类似人类处理的推理问题。
模糊集合包含论域中所有元素,但是具有0,1区间的可变隶度属值。
进化计算是通过模拟自然界中生物进化机制进行搜索的一种算法,以遗传算法进化策略等为代表。
遗传算法是一种随机算法,它是模拟生物进化中“优胜劣汰”自然法则的进化过程而设计的算法。
11.计算智能,智能控制是把人工智能技术引入控制领域,建立智能控制系统。
智能控制具有两个显著的特点:
首先,智能控制同时具有知识表示的非数学广义世界模型和传统数学模型混合表示的控制过程,并以知识进行推理,以启发来引导求解过程。
其次,智能控制的核心在高层控制,即组织级控制。
其任务在于对实际环境或过程进行组织,即决策和规划,以实现广义问题求解。
12.智能控制,13.智能规划,智能规划的主要思想:
对周围环境进行认识与分析,根据自己要实现的目标,对若干可供选择的动作及所提供的资源限制施行推理,综合制定出实现目标的规划。
最早的规划系统通用问题求解系统GPS。
1969年,格林(G.Green)QA3系统。
1971年,菲克斯(R.E.Fikes)和NilssonSTRIPS系统。
19711977年间,先后出现了HACKER、WARPLAN、INTERPLAN、ABSTRIPS、NOAH、NONLIN等规划系统。
上述系统也被称做经典规划系统。
进入八十年代中期后,规划技术研究的热点转向开拓非经典的实际规划问题。
人工智能相关网站介绍,我们要对计算智能这一当今的热点研究领域做进一步的讨论!
Contents,最优化问题,1,计算智能的分类与理论计算智能的研究与发展计算智能的特征与应用,1.1最优化问题,最优化问题的求解模型如下公式所示Minf(X),XD其中D是问题的解空间,X是D中的一个合法解。
一般可将X表示为X=(x1,x2,xn),表示一组决策变量最优化问题就是在解空间中寻找一个合法的解X(一组最佳的决策变量),使得X对应的函数映射值f(X)最小(最大)最优化问题的分类,1.1最优化问题,根据决策变量xi的取值类型,我们可以将最优化问题分为函数优化问题和组合优化问题两大类,1.1.1函数优化问题,例如:
其中,n=30表示问题空间的维数,xi-100,100是定义域,这个函数的最小值为0这是一个最简单的函数优化问题,1.1.1函数优化问题,很多科学实验参数配置和工农业生产实践都需要面临这种类型的最优化问题例如设计神经网络的过程中,需要确定神经元节点间的网络连接权重,从而使得网络性能达到最优在这种问题中,需要优化的变量的取值是某个连续区间上的值,是一个实数。
各个决策变量之间可能是独立的,也可能是相互关联、相互制约的,它们的取值组合构成了问题的一个解由于决策变量是连续值,因此对每个变量进行枚举是不可能的。
在这种情况下,必须借助最优化方法对问题进行求解,1.1.2组合优化问题,组合优化问题的决策变量是离散取值的例如整数规划问题,0-1规划问题等等很多离散组合优化问题都是从运筹学(Operations
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 人工智能 计算 智能 概述