计算智能---绪论

计算智能—绪论

  • 计算智能绪论
    • 简介
    • 体系结构
    • 智能系统
    • 计算智能

写作由来:本人今年大三,最近学院给我们分配了导师,并且要跟着导师后面做一些研究,恰好我的导师是做计算智能以及数据挖掘方向的,因此开始涉足这一方面的知识。俗话说好记性不如烂笔头,为了使学到的知识能够得到巩固,因此以写博客这种方式来激励自己,不要偷懒,记录下学习的点滴过程,以期有所成就。


简介

    随着技术的进步,在工程实践中遇到的问题变得越来越复杂,采用传统的计算方法来解决这些问题面临着计算复杂度高,计算时间长等问题,特别是对应一些NP难问题,传统的算法是无法在可以忍受的时间范围内可以解决的,比如像经典的TSP问题,采用分支限界法最多只能解20个以内的结点。因此,为了在求解时间和求解精度上取得平衡,计算机科学家提出了很多具有启发式的计算智能算法。这些算法或模仿生物界的进化过程,或模仿生物的生理构造和身体机能,或模仿动物的群体行为,或模仿人类的思维、语言和记忆过程的特性,或模仿自然界的物理现象,希望通过模拟大自然和人类的智慧实现对问题的优化求解,在可接受的时间内求解出可以接受的解。这些算法共同组成了计算智能优化算法。
   自计算机问世以来,人工智能(Artificial Intelligence,AI)一直是计算机科学家追求的目标之一。作为人工智能的一个重要领域,计算智能(Computational Intelligence,CI)因其智能性、并行性和健壮性,具有很好的自适应能力和很强的全局搜索能力,得到了众多研究者的广泛关注,目前已经在算法理论和算法性能方面取得了很多突破性的进展,并且已经被广泛应用于各种领域,在科学研究和生产实践中发挥着重要的作用。


体系结构

   本篇博文作为绪论部分,主要介绍一些计算智能的基本信息,参考书籍为:Computational Intelligence, A methodological Introduction,博客总目标架构为:

  • 绪论

  • 神经网络

    • 介绍
    • 阈值逻辑单元
    • 一般神经网络
    • 多层感知
    • 径向基函数网络
    • 自组织映射
    • Hopfield网络
    • 递归神经网络
    • 数学评论
  • 进化算法

    • 进化算法导论
    • 进化算法的基础
    • 主要进化算法
    • 特殊的应用和技巧
  • 模糊系统

    • 模糊集合与模糊逻辑
    • 拓展法则
    • 模糊关系
    • 相似关系
    • 模糊控制
    • 模糊聚类
  • 贝叶斯网络

    • 贝叶斯网络导论
    • 概率和图论基础
    • 分解
    • 证据传播
    • 图学习模型

智能系统

    在广阔的不同的技术、商业以及金融等领域环境中,复杂问题激发起了一种能够表现出“智能行为”的计算机应用的需求。这些应用被期望能够提供决策制定,控制过程,以及识别和解释模式,或者在未知的环境中操纵机器或机器人。新颖的方法、工具和编程环境已经开发出来完成这些任务。这些智能行为所蕴含的机制和工序已经处于人工智能的研究领域。同其他计算机科学一样,计算智能(Computational Intelligence,CI)包括理论和应用两个方面。
    在开发智能系统的一开始,研究人员就经常聚焦观察“人类作为一台机器”的想法,事实上从欧洲17世纪的启蒙运动时代就出现了。在这个领域的初期阶段,一种设计人工智能的典型方法是描述一个基于符号的关系机制,这种方法包括自顶向下的解决问题方法,主要强调这些系统为什么能够工作的问题,回答这个问题通常是考虑符号表示和基于逻辑的接口机制,例如基于规则的专家系统,定理证明的自动化,以及许多运筹学技巧。虽然这些经典的方法在一些方面非常成功,他们同样有缺陷,尤其是谈到可测量性,对于一些实际问题,他们很少能有适应性。对于一些类型的问题,通过自然和生物上的过程所启发的方法被证实非常有效,这些方法意味着范式的改变,从符号表示转向自适应性和学习的推理策略,在这些方法中,我们发现人工神经网络,进化算法,模糊系统等新奇的方法,他们在传统的组合优化方面非常有技巧。


计算智能

    对于给定的问题,在计算智能中通常采用的策略是应用近似技巧和方法来寻找粗糙的、不完全的或者部分有效的解决方案。这些算法通常具有启发式的特点,即简单的子功能通过交互导致复杂的、自组织的行为。本书篇幅有限,不可能覆盖计算智能的所有方面,本书的前两部分讨论自然启发的方法,通常只是模仿,不必苛求完全正确,甚至不需要保证生物上的合理性,这部分成功的应用有神经网络和进化算法,蚁群算法。本书的后两部分聚焦整体不确定化,模糊的和不确定知识的问题解决策略,这部分的指导性的思想是对于人类来说不完美的知识非常有价值,因此,使计算机与这种知识一起工作是可取的,并且不会降低精度和一定的知识。能够处理模糊和不确定知识的部分成功的方法是模糊系统和贝叶斯网络。在许多应用中,混合计算智能系统,例如神经-模糊系统,已经证明非常成功,有些时候这些技巧也和相关的方法,例如机器学习或基于案例的推理结合起来。

你可能感兴趣的:(计算智能)