软计算研究综述

论文：Survey on soft computing 作者：Yun Liang1 • Tian-ping He  在线发布时间: 13 November 2019，本篇为阅读笔记！

目录

摘要

1 介绍

2 软计算发展史

2.1 胚胎时期（1900s~1960s）

2.2 软计算初始发展阶段（1960s-1990s）

2.3 软计算概念的引入（1992）

2.4 软计算繁荣发展时期（1992至今）

3 软计算应用

3.1 软计算在工程领域的应用

3.1.1 误差诊断

3.1.2 结构参数识别

3.1.3 油气资源勘探

3.1.4 焊接

3.1.5 人工智能

3.1.6 大数据

3.2 软计算在人文社科领域的应用

---

摘要

软计算如何演化至今？软计算的应用场景是什么？  软计算被广泛用于哪个领域？  在哪个领域中软计算仍需得到普及？  

1 介绍

软计算不同于传统硬计算，软计算是一系列方法，其旨在探索对非精确和非确定性的容忍度以此获得可追溯性、鲁棒性、以及较低的问题解决成本。软计算方法主要包含：粗糙系统、神经网络、概率推理、进化计算（混沌理论、遗传算法、人工生命、学习理论等等）

当今，软计算在AI、科学以及工程领域应用广泛，在人文社科领域却发展迟缓。

2 软计算发展史

2.1 胚胎时期（1900s~1960s）

传统计算模式面临巨大挑战  1）过度依赖数学模型，然而理想化的数学模型很难在实际问题中找到。2）在大多数实际问题中，人们最终的理想是寻求全局最优解。3）寻求特定解，然而实际决策制定问题常常引入非特定解。

2.2 软计算初始发展阶段（1960s-1990s）

1、模糊计算：模糊集 —— 近似推理的应用 —— 可能性理论的形成 —— 专家系统和智能控制的应用。模糊计算的逻辑基础是模糊逻辑，模糊逻辑是软计算众多方法的核心。

2、神经元计算：众多神经网络的基础是“兴奋和抑制的神经元模型”和“神经元连接强度的修正模型”。1982年Hopfield完善了自组织映射模型，引入能源函数（energy function）并且整体提升了神经网络计算的可靠性。

3、进化计算：通过通过程序迭代的方法寻求最优解，模拟“适者生存”的自然选择机制和生物进化中遗传信息传递的规律。进化计算不是一个特定的算法，而是一个算法蔟。是软计算方法中最大的分支。

4、粗糙集理论：粗糙集理论和模糊逻辑理论都描述了集合的不确定性，模糊理论重点描述集合内元素的不确定性，粗糙集理论重点描述集合之间的不确定性。

2.3 软计算概念的引入（1992）

参考书籍：Genetic Algorithm and Machine Learning,Intelligent

参考书籍：Reasoning—Application and Development of Rough Set Theory

参考期刊：Advances in Intelligent and Soft Computing

参考期刊：Applied Soft Computing

参考期刊：Natural Computing

软计算是一种计算方法，它能利用其在不精确和不确定环境下超强的推理和学习能力来与人脑竞争。

2.4 软计算繁荣发展时期（1992至今）

进化计算有四个分支（基因算法，基因编程，进化策略，进化编程）四个分支之间交流密切且相互补充。总的来说软计算各个成员之间相互补充而非相互竞争，因此我们经常结合使用各种方法。

1、模拟退火算法：基于蒙特卡洛迭代求解的随机最优算法，广泛用于生产调度、控制工程、机器学习、神经网络、信号处理等领域

2、情感计算：定义：通过给予计算机识别、理解、表达和适应情感的能力和让计算机更高和更复杂的智能来构建一个复杂的人机环境。情感计算是软计算方法中最新兴的领域。

3 软计算应用

3.1 软计算在工程领域的应用

机器学习、误差诊断、信号识别、数据挖掘、人工智能

3.1.1 误差诊断

基于软计算的误差诊断主要包括神经网络、模糊理论、进化计算。

1、基于神经网络的：限制因素，难以描述对象参数之间的关系，黑箱性，神经网络参数的物理意义难以确定，并且学习算法复杂。

2、模糊误差诊断方法可以分为两种：基于模糊理论的和基于模糊混合的。优点：1）可以为系统确立精确的数学模型2）能够轻松的运用诸如专家知识操作经验之类的语言模糊信息。缺点 1）模糊规则大多由人的经验制定，对于诊断大且复杂的系统和新装备来说这是十分困难的。2）系统本身无学习能力，且难于做出适应性调整，更不必说优化设计。

3、遗传算法在误差诊断领域有两个应用：1）主要用于解决优化问题，在连接权值调整过程中解决局部极值问题  2）误差诊断问题转变为优化问题，总结：将DNA计算与模糊系统、神经网络和免疫算法结合使得软计算在误差诊断中发挥更大作用。

4、基于粗糙集的误差诊断：使用粗糙集简化初始数据导出最简单的诊断规则。

3.1.2 结构参数识别

1、频率和振动模型通常用作信息的参数辨识。

2、基于遗传算法的系统辨识是一种新的优化算法，其特征是强全局检索能力和不易陷入局部最优，非常适合复杂问题和非线性问题。

3、模糊逻辑理论广泛用于非线性系统辨识领域：优点 1）有效辨识复杂和结构不良的系统。

4、混沌、分岔和分形理论是非线性科学的三个重要分支：分形理论的研究对象是由非线性系统产生的不可微几何。

3.1.3 油气资源勘探

聚焦点主要在于：储层参数预测，模式识别，产量预测。

3.1.4 焊接

焊接是一个有很多不确定性因素的非线性过程，软计算因其有高度的误差容纳自我学习与并行处理能力而应用在焊接领域。

3.1.5 人工智能

软计算是人工智能领域最重要的方法之一。

3.1.6 大数据

加速诸如非结构化数据处理技术、非相关性数据集管理技术和可视化技术等基础技术的研发，并且用云计算、物联网、移动互联网和其他技术来形成一个成熟可靠的解决方案。只有通过全面理解软计算的深刻内涵，我们才能够更好的实现“大数据时代”的方法需求。

软计算在数据挖掘中主要应用在以下几个方面：

1、聚类：包括模糊聚类算法和粗糙集算法。聚类的实质是信息简化，粗糙集理论提供了信息系统中数据约简的有效方法。

2、关联规则：数据挖掘的做重点是关联规则的发现。因为模糊概念表示的规则和人的思考表达习惯更一致，模糊理论成为了数据挖掘系统中的关键技术。

3、规则提取：基于结构化分析的神经网络规则提取将规则提取视作一个检索过程，并且其基本思想是将训练好的神经网络结构映射到对应的规则。

4、数据综合：将大数据集从较低的概念层抽象到较高的概念层。

5、web应用：通过web日志挖掘，可以发现用户的行为模式。

6、图像检索：基于内容的图像检索变成一个活跃领域。

Banerjee通过结合粗糙集系统、神经网络和模糊逻辑设计了一个数据挖掘系统。

3.2 软计算在人文社科领域的应用

社会科学，经济学，心理学，哲学，语言学，政治学，宗教学。作者惊奇发现，即使是在今天仍然只有少得可怜的社科学家发现了软计算在其中多么有用。目前软计算在该领域发展缓慢，成果甚少，且发展空间大。

参考书籍：Soft Computing Methods in Human Sciences  斯普林格

参考书籍：Soft Computing in Humanities and Social Sciences  斯普林格