前言:中文期刊网精心挑选了专家系统论文范文供你参考和学习,希望我们的参考范文能激发你的文章创作灵感,欢迎阅读。
专家系统论文范文1
关键词环境专家系统废物最少化
专家系统(ES)是人工智能(AI)的一个分支,产生于60年代中期。专家系统是一个(或一组)能在某特定领域内,以专家水平去解决领域中困难问题的计算机程序(黄可鸣1988,陈世福等1988,Waterman1986).国外环境专家系统的研究起步较晚,但发展较快。就美国环境专家系统的发展状况而言(白乃彬1993),1985年前尚无环境专家系统,然而最近几年发展很快,环境各个领域都出现了专家系统,实用性强是它们的共同特点。从应用功能来分,有以下类型:评价、预测、诊断、设计、管理、教育和生产控制等,其中大部分是环境评价专家系统。国内环境专家系统的研究从1987年开始,目前已有城市环境噪声防治、城市污水处理、水资源保护、区域大气环境质量评价等方面的专家系统。本文首次报道废物最少化专家系统的研究成果。
1问题界定
废物最少化最早由美国提出,并已在很多国家得到实施。美国国家环境局对废物最少化的定义是:在可行的范围内,减少产生的或随之贮存、处理、处置的有害废物量。废物最少化制度将环保部门通常使用的逆向反馈控制模式与生产部门通常采用的正向控制模式结合起来:它不仅能减少废物的数量和毒性,进而减少其处理与处置成本,而且希望能减少生产成本、提高生产率和产品质量,增加企业收入。废物最少化以系统眼光分析解决问题,不仅仅着眼于生产过程或废物的处理过程,而从产前、产中、产后全过程入手。因此,废物最少化所处理的问题应是如何在企业产前、产中、产后的生产全过程中减少废物的数量、降低废物的毒性。
2废物最少化专家系统的设计原则
2.1实用性
建立废物最少化专家系统是为企业的生产管理、环境管理提供技术咨询服务的,系统是否实用是系统成败的一个重要标志。因此设计人员要紧密结合行业生产特点来设计系统的功能,系统设计的每一个阶段都应与该行业紧密结合,并取得行业专家的配合。
2.2系统性
用系统工程方法,对废物最少化专家系统进行全面的系统分析。废物最少化强调的是企业生产的全过程,应系统分析企业生产的各个环节,明确削减废物的可能性及可行性,确定系统在各个环节的功能目标和作用界面。
2.3领域专家与知识工程师相结合
对于一般的计算机应用系统来说,系统处理问题所使用的知识比较简单、数量也较少。程序设计人员同时扮演着领域专家及知识工程师的角色。对于专家系统来说,情况则大不相同。一方面专家系统要达到领域专家的水平,就必须掌握领域专家处理问题时所使用的大量专门知识,特别是经验知识,另一方面专家系统是一种很复杂的计算机程序,开发一个专家系统需要大量的计算机科学、特别是人工智能和知识工程方面的知识。这就决定了废物最少化专家系统的开发必须是知识工程师、行业专家与环境管理专家密切合作、共同努力的过程。
2.4面向用户
系统的开发应贯穿为用户服务的宗旨,针对企业现有条件及存在的问题,提出切实可行的废物最少化方案。系统应有较好的用户界面,为增强用户对系统信心,系统应具有良好的解释功能,以增加系统的透明度,提高系统的可接受性。
2.5知识库与推理机相分离
这是一般专家系统设计的基本原则,只有知识库与推理机相分离,才能实现解释功能和知识获取功能。
2.6尽量使用统一的知识表示方法
这就便于对系统中的知识统一处理、解释和管理,从而使专家系统的实现工作相对简化。
3废物最少化专家系统的结构设计
废物最少化专家系统是全国范围内推广废物最少化技术的有效手段,将为企业提供涉及废物最少化技术的远程、即时咨询服务。系统开发坚持贯穿废物最少化的综合设计思想。从企业诊断及技术经济分析着手,建立废物最少化专家系统
3.1知识库
用以存放废物最少化技术的专门知识,由规则集及事实组成。因为专家系统的问题求解是运用专家提供的专门知识来模拟专家的思维方式进行的,所以知识是决定一个专家系统性能是否优越的关键因素。知识工程师一方面要频繁地采访专家,从同专家的对话和专家以往处理问题的实例中提取专家知识(称为知识获取),另一方面.耍选择合适的数据结构把获取的专家知识进行形式化存入知识库中(称为知识表示)。
3.2数据库
反映具体问题在当前水解状态下的符号或事实的集合,它由问题的有关初始数据和系统求解期间所产生的所有中间信息组成。
3.3推理机
在一定的控制策略下针对数据库中的当前问题信息,识别和选取知识库中对当前问题的可用知识进行推理,以修改数据库直至最终得出问题的求解结果。推理的控制策略常用的有数据驱动的正向推理方式、目标驱动的逆向推理方式和正向与逆向结合的混合推理方式3种。本设计采用目标驱动的逆向推理方式。由于实际问题的证据和知识库中的知识常常含有不精确成份,因此推理应具有不精确推理功能。
3.4解释器
回答用户对系统的提问,对系统得出结论的求解过程或系统的当前求解状态提供说明。
3.5人机接口
将专家和用户的输入信息翻译成系统可接受的内部形式,同时把系统向专家或用户的输出信息转换为人类易于理解的形式。
4知识获取及形式化表示
获取知识并把知识表达成专家系统可用的形式,是专家系统开发中的主要瓶颈之一。专家系统的主要知识源是领域专家。由于领域专家的知识绝大部分是启发性知识,这些知识多来源于经验,没有正确性保障,一般不会写入教科书或其它专业书籍中。另一方面,对于行业专家和环境管理专家来说,专家系统是一种新鲜事物,他们并不真正了解构造专家系统需要什么知识、不需要什么知识,所以由他们整理出来的知识往往就能满足构造专家系统的要求。因此,在知识获取过程中,必须长时间同领域专家一起工作,通常要与领域专家进行一系列深入的系统的面谈,从专家对大量实例的分析中获取专家解决问题的思路、知识、经验及规则。例如,对于镀铬行业废物最少化专家系统而言,废物最少化技术涉及到配方工艺、操作工艺、漂洗工艺、铬雾回收工艺、废水处理及无害化工艺等方面,这些方面知识的获取就要与电镀专家、环境管理专家进行深入、细致的面谈,确定各个环节所需要的概念及各种概念之间的关系,同时还需确定问题的控制流程、求解问题的约束条件等。
建立知识库的下一步工作是对获取的知识进行形式化表示。知识表示模式有多种,台规则表示、框架表示和语义网络表示等。当用于表示在某领域中多年解决问题积累的经验知识时,用规则表示方式是很合适的。规则用IF桾HEN语句表示。对于镀铬行业废物最少化专家系统。我们整理了21条规则,该知识库是一个多目标知识库。
5系统的建立
由于专家系统开发工具具有缩短系统开发周期、提高工作效率等优点,我们以系统性能及人机接口较好的M.1专家系统开发工具建立镀铬行业废物最少化专家系统。
6结语
a废物最少化专家系统的开发具有明显的现实意义:能及时有效地利用专家知识和经验,避免了专家个人原因无法提供咨询服务的困难;易于普及专家知识,可以在更大范围内推广废物最少化技术和经验;避免让专家进行雷同的咨询,使专家能够集中精力从事新的创新研究;为用户提供灵活的建议,用户可以根据该建议所基于的系统推理过程自行决定接受建议与否。
b专家系统开发工具能缩短系统开发周期、提高工作效率。由于每种人工智能基本技术都有一定的局限性,所以用这些技术实现的各种专家系统开发工具也不可避免地具有一定的局限性。因此能否选择一个合适的工具是一项重要的工作。M.1是一种适合于小型专家系统开发的专家系统开发工具,实践证明,用M.1建立废物最少化专家系统是合适的。
c废物最少化专家系统的开发是一个长期的过程,是系统不断修改、不断完善的进化过程。一方面由于废物最少化本身是一个相对、动态的概念,废物最少化技术处于不断完善之中;一个方面知识获取是一项长期而艰苦的工作,需用大量实例测试系统的运行结果,不断修改、完善知识库。
d环境专家系统是继环境数据库、环境管理信息系统之后出现的解决环境问题有用工具之一。是环境决策支持系统的重要组成部分,值得做深入的研究。
参考文献
1白乃彬.环境专家系统进展.环境科学.1993,14(1):49?2
专家系统论文范文2
【摘要】电控发动机在结构和功能上均有了较大的改进。主要有:(1)结构的层次性、复杂性从系统论的观点,电控发动机是由有限个“元素”通过各种“联系”构成的多层次系统。(2)功能控制的集中性。电控发动机系统主要由电控燃油喷射系统、电控点火装置、怠速控制、排放控制、进气控制、增压控制、警告提示、自我诊断与报警系统等子系统组成,电控燃油喷射系统又包括了燃油系统、进气系统和电控系统三个组成部分。其中电控系统作为整个发动机系统的控制核心,用来协调各平行和上级系统的工作。发动机电控系统其结构的层次性、复杂性,其控制功能的集中性,导致其故障表现形式的多样性、复杂性。
【关键词】电控发动机故障分析
电控发动机系统主要由电控燃油喷射系统、电控点火装置、怠速控制、排放控制、进气控制、增压控制、警告提示、自我诊断与报警系统等子系统组成。其中电控系统作为整个发动机系统的控制核心,用来协调各平行和上级系统的工作。
1发动机电控系统的组成
电控燃油喷射系统由三个系统组成:燃油系统、进气系统和电控系统。
1.1燃油系统
燃油系统的功能是向汽缸或进气管喷射燃烧时所需的燃油量。燃油从燃油箱内由电动汽油泵吸出,经汽油滤清器后,再由压力调节器加压,将压力调节到比进气管压力高出约250Kpa(2.55kgf/cm2)压力,然后经输油管配送给喷油器和冷起动喷油器,喷油器根据电控单元ECU发来的脉冲信号,把适量燃油喷射到气缸内。如图2.1所示。
1.2进气系统
进气系统为发动机可燃混合气的形成提供必须的空气。空气经过空气滤清器、空气流量计、节气门体、进气总管、进气岐管进入气缸。节气门全闭,发动机在怠速工况下运行时,空气经旁通气道直接进入进气岐管。
1.3电控系统
电控系统是电控单元根据传感器检测到的发动机运行工况和汽车运行工况来确定喷油量及点火提前角,从而控制发动机在最佳工况下的运转。
与传统的化油器式发动机相比,电控发动机在结构和功能上均有了较大的改进。主要有:
(1)结构的层次性、复杂性从系统论的观点,电控发动机是由有限个“元素”通过各种“联系”构成的多层次系统。“联系”可分为:结构类、功能类、传感器测点类,各自均有一定的层次性,包括顶级即电控发动机本身,分系统级由电控系、冷却系、启动系、机械系等组成。各类与各层次间既有各自独立的功能,又相互影响、相互牵制。整个机体通过ECU的控制来协调各子系统,完成发动机总体功能,各子系统的功能又是由各自部件的功能相协调来实现的,各部件的功能又需要通过各元件的协调来实现。
(2)功能控制的集中性随着电子技术的飞速发展,电子控制单元采用了数字电路及大规模集成电路,同时微机处理速度的不断提高和存储容量的增加使其控制功能大大增加,并具有备用功能。另外,与汽油喷射控制、点火控制及其它控制系统相关的各种控制器,由于所用的传感器均可通用,如水温传感器、进气温度传感器等,因此,利用控制功能集中化就可以不必按功能不同设置传感器和ECU,而将多种控制功能集中到一个ECU上,不同控制功能所共同需要的传感器也就只设一个,这就是集中控制系统。
汽车发动机电控系统的主要部件有:电子控制单元(ECU)、空气流量计、节流阀体、发动机转速传感器等,其中节流阀体又包括:节气门电位计、怠速节气门电位计、怠速开关、怠速调节电机等。从控制原理来看,发动机电子控制系统可以简化为传感器、电子控制单元(ECU)和执行器三大组成部分。传感器是感知信息的部件,功用是采集控制系统的信号并转换成电信号输送给ECU,以提供汽车运行状况和发动机工况等相关信息。ECU接收来自传感器的信息,进行存储、计算和分析处理后发出响应的控制指令给执行器。执行器即执行元件,其功用是执行ECU的专项指令,从而完成控制目的。
2发动机电控系统的故障分析
发动机电控系统其结构的层次性、复杂性,其控制功能的集中性,导致其故障表现形式的多样性、复杂性。主要表现有:
(1)多维层次性对电控发动机而言,其故障可划分为电控系、起动系、点火系、冷却系及机械系等子系统,子系统又由各部件与元件构成。同样,其按功能也可划分为若干个层级。因而发动机电控系统的故障原因与故障征兆也相应与不同的结构层级、功能层级以及传感器测点类相关联。
(2)传播性发动机电控系统故障传播方式有两种:横向传播,例如电控系系统内某一传感器故障可引起电控系内其它传感器功能失常或失效;纵向传播,即由元件的故障相继引起部件故障—子系统故障—系统故障。因此微小的故障如不及时发现和排除会造成严重的后果。
(3)相关性某一故障可能对应若干征兆;某一征兆也可能对应若干故障。它们之间存在着错综复杂的关系。
(4)时间性发动机电控系统故障产生与表现常常与时间有关,这是由于发动机运转的动态性所决定的,如间歇性故障。
(5)放射性某一部位的故障可能引起其它部件出现异常,例如发动机抖动的故障中有时仅因为一个轴承的故障引起,而该轴承的故障导致其它轴承的震动增大,而该轴承本身变化反而不明显。
专家系统论文范文3
钟老师,您已经研究了几十年的信息科学。《信息科学原理》一书已经重印到第五版。您能否给读者们讲一讲,信息科学是什么?有什么特点?
钟义信:简要地说,信息科学就是研究信息及其运动规律的科学。具体地说,信息科学是“以信息为研究对象、以信息运动规律为研究内容、以信息科学方法为研究指南、以扩展人的智力能力(它是信息能力的有机整体)为研究目标”的一门新兴横断科学。
武健:从概念、定义来看,信息科学与计算机科学并不完全一样。因为信息科学是以信息运动规律为研究内容的,研究内容既不专指计算,也不是专指计算机。从这个角度思考,信息科技课程与计算机课程的内容将有很大的区别。这对于一线信息技术教师来说,了解信息科学就更加重要了。您能否给我们讲一讲信息科学的核心内容是什么?它对于整个社会能发挥什么作用?
钟义信:信息科学的概念(定义)也可以通过它的基本模型来表现(见下页图1)。
这个模型也可以简化为以下更直观一些的模型(见下页图2)。
考察信息科学的定义和它的基本模型(以及简化模型)可以知道:
信息科学最大的特点是研究“信息”(而不是物质和能量)。
它的核心内容就是研究“信息运动规律,即信息-知识-智能转换的规律”。
世间一切物质的运动都会产生信息。人类正是通过研究信息,才能认识世界(包括自然和社会)。因此,信息科学的研究目标,就是“扩展人类的智力能力,也就是扩展人类认识世界和改造世界的能力”。这就是信息科学对于整个社会的作用所在。
武健:我记得您曾经讲过信息分成主客体关系,那么我们理解基本模型与简化模型也是一步步地发展出来的。从简到繁是否可以这样理解?(如下页图3)
从信息定义的基本模型中,还可以看到信息科学在特别关注着策略,尤其是人的策略。从这个角度来看,信息科技课程中会有着一批以前没有的教学内容。技术课中的学习计算机操作的教学目标是学会操作。而信息科技框架下的课程则需要以应用技术,挖掘其中的问题解决策略,了解信息科学概念与原理为主要目标了。
每个学科都会有一批本学科的科学家,像牛顿对于物理,哈勃对于天文,欧姆对于电学……信息科学是一门新兴的横断科学,那么您认为这门学科中有代表性的信息科学家有哪些人?
钟义信:横断科学,是在概括和综合多门学科的基础上形成的一类学科。它不是以客观世界的某种物质结构及其运动形式为研究对象,而是从许多物质结构及其运动形式中抽出某一特定的共同方面作为研究对象,其研究对象横贯多个领域甚至一切领域。所以,信息科学家、信息技术专家会有自己的领域,但会在共同的信息方向有突出贡献。
如香农(Shannon)在1948年发表了论文“通信的数学理论”,奠定了“通信信息论”;维纳(Wiener)在1948年出版了著作《控制论》,奠定了随机控制理论,贝塔朗菲(Bertalanffy)在20世纪60年代出版了《一般系统论》,建立了系统论。西蒙(Simon)对功能模拟的人工智能理论做出了奠基性的贡献,费根鲍姆(Feigenbaum)是人工智能专家系统的开拓者,闵斯基(Minsky)对人工神经网络和认知理论有突出的贡献,查德(Zadeh)创建了支持信息科学研究的模糊集合和模糊逻辑, 柯尔莫戈洛夫(Kolmogorov)对信息理论和控制理论都有杰出贡献,等等。这些人都在信息科学领域有过不同方面的重要建树,都可以称之为信息科学家。
由于我国只有各种信息技术的学术机构而没有专门的信息科学的学术机构,很少纯粹信息科学方面的交流机会,因此很难确定谁是信息科学家。不过,由于我国信息化建设的迅猛发展,确实出现了不少在信息科学技术方面做出重要贡献的人员。
武健:信息科学是一门新兴的学科。既然是“新兴”,那么它一定在发展,甚至是快速发展。您认为信息科学主要研究的方向与进展如何?现阶段出现了什么样的困难?
钟义信:相对而言,信息科学是一门非常年轻的学科。因此,它的主要研究方向应当是信息科学的基础理论,研究信息的基本运动规律。其中包括信息理论、知识理论、智能理论,特别是信息、知识、智能之间的转换理论(一体化理论)。
经过半个多世纪的研究和探索,我们在这些基础研究方面取得了可喜的进展,具体表现在:建立了超越与拓展传统信息论的“全信息理论”,发现了“知识的生态学规律”,创建了“机制模拟的人工智能理论”,实现了“结构主义、功能主义、行为主义人工智能理论”的统一,还创建了“基础意识―情感―理智三位一体的高等人工智能”,特别值得提到的是,发现了意义重大的“信息转换与智能创生定律”。
在取得这些进展的过程中,发现物质科学(代表性科学是物理科学)的科学观(还原论)和方法论(分而治之)不适用于信息科学(和智能科学)研究,总结并提出了适用于信息科学研究的新的科学观和方法论。
面临的主要困难是:由于信息科学和智能理论的研究对象多数是非常复杂的问题,因此现有的数学工具不敷应用,特别是其中的逻辑理论还相当单薄,不足以支持这些复杂问题的创新研究。这是当前信息科学发展中的“瓶颈”。
武健:信息科学关系到的方法论可以分成信息科学研究的方法论和信息技术应用的方法论。根据这样的观点,在信息科技课程中,需要以完整的信息综合活动展开教学,而不适合片面地学习信息获取、信息处理某一个片段。因为信息科学方法论更强调从整体到局部,不建议从信息运动中的某一细节去理解典型的信息过程。
信息科技的方法论分成理论研究层级和技术应用层级。您认为在信息科学研究中,常用的方法与手段有哪些?
钟义信:与物理科学研究方法最大的不同,是不再采用“分而治之,各个击破”这种流行了数百年之久而且一直行之有效的传统科学研究方法论,而是改为运用全新的“信息转换与智能创生”方法论。
原因是:“分而治之”方法论在把系统分解为若干子系统的时候,必定会丢失各个子系统之间相互联系相互作用的信息,而这些信息正是复杂信息系统的生命线。就像研究人脑思维奥秘的时候,如果采用“分而治之”的方法把人脑分解为若干部分进行研究,即使把每个部分都研究好了,也无法揭示人脑思维的奥秘,因为分解之后的这些人脑部分根本无法复原为活的人脑。
“信息转换与智能创生”方法认为,信息系统是一个生态系统:由信息生成知识进而生成智能(策略),从而按照策略解决问题。它强调信息、知识、智能(策略)之间的相互联系和相互作用,强调信息、知识、智能(策略)之间的生态联系,根据外部世界客体的信息和认识主体的目的,可以通过学习创生解决问题的智能策略。
至于具体的研究工具,基本也是硬件试验和软件仿真(包括虚拟现实)。
武健:在信息科学体系中,您认为这个领域中最基本的概念和原理是什么?
钟义信:信息科学最基本的概念包括信息、知识、智能。人们往往把信息科学技术仅仅局限在“信息”范畴,这其实是对信息科学技术严重的。经过这样的信息科学技术的作用,就大大被削弱了。
信息科学最基本的原理则是:信息―知识―智能转换原理。正确运用这个基本原理,人们就可以在具体的环境中求出解决问题、而且保证实现“主客双赢”的智能策略,从而满意地解决问题。
武健:一般人都知道,现代科学与技术有着不可分割的密切关系。一方面,很多人还不知道什么是信息科学,另一方面,还不能想象信息科学与信息技术之间有什么关系。您认为两者有什么样的区别与联系?
钟义信:信息科学与信息技术是一对孪生的概念,信息科学是信息技术的理论基础,信息技术是信息科学理论的具体实现。两者相互联系,相互促进。
武健:很多人认为信息技术就是计算机技术加上网络技术,信息技术就是能够用计算机上网。这部分人觉得,信息技术就是信息技术,不是什么“关于信息的技术”。关于这些观点您是怎么看的?从信息科学的角度来看信息技术应当包含什么内容?
钟义信:只要对照信息科学的简化模型,就可以很明确地回答:信息技术不等于计算机技术和网络技术,因为这个说法很不全面,忽略了传感技术,忽略了控制技术,特别是忽略了人工智能技术。
实际上,在以往,关于“信息技术”的概念,确实曾经流行过很多各不相同的说法。其中比较出名的包括:
1C说――认为“信息技术就是Communication技术”,理由是:信息论就是通信论;也有一些人认为“信息技术就是Computer技术”,理由是:计算机就是用来处理信息的技术。
2C说――认为“信息技术就是Computer+ Communication技术”。
3C说――认为“信息技术就是Computer+ Communication + Control技术”。
但是,对照信息科学的简化模型就可以明白,这些说法都属于“以偏概全”的认识,都是不全面的认识。
从信息科学的简化模型可以非常清晰地了解到具体的信息技术内容,包括实现信息获取功能的“传感技术”,实现信息传递和策略传递功能的“通信技术”,实现信息预处理功能的“计算机技术和存储技术”,实现信息认知功能和智能决策功能的“人工智能技术”,实现策略执行功能的“控制技术”,以及实现反馈学习和策略优化的“信息系统自组织技术”等。
武健:您认为未来20~30年,信息科技最有意思的发展可能是什么?
钟义信:根据“科学技术拟人律”,未来20~30年,信息科学技术最有意义的发展将是人工智能技术。
对照信息科学简化模型就知道,扩展感觉器官功能的传感技术、扩展传导神经系统的通信技术、扩展思维器官预处理功能的计算机技术以及扩展效应器官功能的控制技术都是相对而言的技术,扩展思维器官认知功能和决策功能的人工智能技术才是核心技术。目前信息技术已经得到长足的发展(未来当然还会继续发展),这就为核心信息技术的发展打好了基础,也产生了需求。因此,未来20~30年间,人工智能科学技术必然成为发展的主导潮流。
武健:您认为学习信息科技的知识对于中小学生来说有何意义?有没有哪一部分内容需要在现阶段特别强调的?
钟义信:中小学生绝对应当学习基本的信息科学知识,掌握信息技术的基本能力。当今的时代是信息时代,不学习信息科学技术,就会成为落伍的一代,被淘汰的一代。这是非常危险的。
当然,中小学生学习信息科学技术应当遵循“循序渐进”的认知规律和“兴趣引导”的教学方法。事实上,信息科学技术本身的发展就是循序渐进的,如图4所示。
武健:您对中小学的信息科学与技术课程(不等同于计算机课程)有何期望与要求?
钟义信:根据“信息科学技术”的定义,“计算机科学技术”只是“信息科学技术”的一个组成部分。部分不等于全体,部分不能代替全体。所以,不能用“计算机”课程代替“信息科学技术”课程。
中小学的信息科学技术教育是一个极其重要的问题,又是一个十分复杂的问题。我们不能就事论事孤立地讨论中小学的信息科学技术课程,而应当把它作为“国家信息科学技术教育系统工程”来统筹考虑:小学阶段学什么?中学阶段学什么?大学阶段学什么?硕士研究生阶段学什么?博士研究生阶段学什么?等等。
按照“信息科学技术教育系统工程”的思路,中小学生应当通过“学习最为基础的信息科学概念”和“掌握最为基本的信息技术能力”形成“最浅层(然而又是准确的)的信息科学技术观念和浓厚的兴趣”。其中,“观念和兴趣”是最重要的,而“概念和能力”则是支撑这种“观念和兴趣”的支柱。
武健:钟老师,感谢您的指导。您认为2010年后,学科基本研究才逐步成熟起来。一门学科从成熟到走进基础教育往往需要十多年的工作,而信息科技课程的发展将是长期的。希望您以后能够经常关注基础教育中的信息科技课程发展,给我们更多指导。
附录:
专家系统论文范文4
关键词:人工神经网络 遗传算法 模拟退火算法 群集智能 蚁群算法 粒子群算
1 什么是智能算法
智能计算也有人称之为“软计算”,是们受自然(生物界)规律的启迪,根据其原理,模仿求解问题的算法。从自然界得到启迪,模仿其结构进行发明创造,这就是仿生学。这是我们向自然界学习的一个方面。另一方面,我们还可以利用仿生原理进行设计(包括设计算法),这就是智能计算的思想。这方面的内容很多,如人工神经网络技术、遗传算法、模拟退火算法、模拟退火技术和群集智能技术等。
2 人工神经网络算法
“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。早在本世纪40年代初期,心理学家McCulloch、数学家Pitts就提出了人工神经网络的第一个数学模型,从此开创了神经科学理论的研究时代。其后,F Rosenblatt、Widrow和J. J .Hopfield等学者又先后提出了感知模型,使得人工神经网络技术得以蓬勃发展。
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。
2.1 人工神经网络的特点
人工神经网络是由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。
人工神经网络的知识存储容量很大。在神经网络中,知识与信息的存储表现为神经元之间分布式的物理联系。它分散地表示和存储于整个网络内的各神经元及其连线上。每个神经元及其连线只表示一部分信息,而不是一个完整具体概念。只有通过各神经元的分布式综合效果才能表达出特定的概念和知识。
由于人工神经网络中神经元个数众多以及整个网络存储信息容量的巨大,使得它具有很强的不确定性信息处理能力。即使输入信息不完全、不准确或模糊不清,神经网络仍然能够联想思维存在于记忆中的事物的完整图象。只要输入的模式接近于训练样本,系统就能给出正确的推理结论。
正是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。
人工神经网络是一种非线性的处理单元。只有当神经元对所有的输入信号的综合处理结果超过某一门限值后才输出一个信号。因此神经网络是一种具有高度非线性的超大规模连续时间动力学系统。它突破了传统的以线性处理为基础的数字电子计算机的局限,标志着人们智能信息处理能力和模拟人脑智能行为能力的一大飞跃。
2.2 几种典型神经网络简介
2.2.1 多层感知网络(误差逆传播神经网络)
在1986年以Rumelhart和McCelland为首的科学家出版的《Parallel Distributed Processing》一书中,完整地提出了误差逆传播学习算法,并被广泛接受。多层感知网络是一种具有三层或三层以上的阶层型神经网络。典型的多层感知网络是三层、前馈的阶层网络,即:输入层I、隐含层(也称中间层)J和输出层K。相邻层之间的各神经元实现全连接,即下一层的每一个神经元与上一层的每个神经元都实现全连接,而且每层各神经元之间无连接。
但BP网并不是十分的完善,它存在以下一些主要缺陷:学习收敛速度太慢、网络的学习记忆具有不稳定性,即:当给一个训练好的网提供新的学习记忆模式时,将使已有的连接权值被打乱,导致已记忆的学习模式的信息的消失。
2.2.2 竞争型(KOHONEN)神经网络
它是基于人的视网膜及大脑皮层对剌激的反应而引出的。神经生物学的研究结果表明:生物视网膜中,有许多特定的细胞,对特定的图形(输入模式)比较敏感,并使得大脑皮层中的特定细胞产生大的兴奋,而其相邻的神经细胞的兴奋程度被抑制。对于某一个输入模式,通过竞争在输出层中只激活一个相应的输出神经元。许多输入模式,在输出层中将激活许多个神经元,从而形成一个反映输入数据的“特征图形”。竞争型神经网络是一种以无教师方式进行网络训练的网络。它通过自身训练,自动对输入模式进行分类。竞争型神经网络及其学习规则与其它类型的神经网络和学习规则相比,有其自己的鲜明特点。在网络结构上,它既不象阶层型神经网络那样各层神经元之间只有单向连接,也不象全连接型网络那样在网络结构上没有明显的层次界限。它一般是由输入层(模拟视网膜神经元)和竞争层(模拟大脑皮层神经元,也叫输出层)构成的两层网络。两层之间的各神经元实现双向全连接,而且网络中没有隐含层。有时竞争层各神经元之间还存在横向连接。竞争型神经网络的基本思想是网络竞争层各神经元竞争对输入模式的响应机会,最后仅有一个神经元成为竞争的胜者,并且只将与获胜神经元有关的各连接权值进行修正,使之朝着更有利于它竞争的方向调整。神经网络工作时,对于某一输入模式,网络中与该模式最相近的学习输入模式相对应的竞争层神经元将有最大的输出值,即以竞争层获胜神经元来表示分类结果。这是通过竞争得以实现的,实际上也就是网络回忆联想的过程。
除了竞争的方法外,还有通过抑制手段获取胜利的方法,即网络竞争层各神经元抑制所有其它神经元对输入模式的响应机会,从而使自己“脱颖而出”,成为获胜神经元。除此之外还有一种称为侧抑制的方法,即每个神经元只抑制与自己邻近的神经元,而对远离自己的神经元不抑制。这种方法常常用于图象边缘处理,解决图象边缘的缺陷问题。
竞争型神经网络的缺点和不足:因为它仅以输出层中的单个神经元代表某一类模式。所以一旦输出层中的某个输出神经元损坏,则导致该神经元所代表的该模式信息全部丢失。
2.2.3 Hopfield神经网络
1986年美国物理学家J.J.Hopfield陆续发表几篇论文,提出了Hopfield神经网络。他利用非线性动力学系统理论中的能量函数方法研究反馈人工神经网络的稳定性,并利用此方法建立求解优化计算问题的系统方程式。基本的Hopfield神经网络是一个由非线性元件构成的全连接型单层反馈系统。
网络中的每一个神经元都将自己的输出通过连接权传送给所有其它神经元,同时又都接收所有其它神经元传递过来的信息。即:网络中的神经元t时刻的输出状态实际上间接地与自己的t-1时刻的输出状态有关。所以Hopfield神经网络是一个反馈型的网络。其状态变化可以用差分方程来表征。反馈型网络的一个重要特点就是它具有稳定状态。当网络达到稳定状态的时候,也就是它的能量函数达到最小的时候。这里的能量函数不是物理意义上的能量函数,而是在表达形式上与物理意义上的能量概念一致,表征网络状态的变化趋势,并可以依据Hopfield工作运行规则不断进行状态变化,最终能够达到的某个极小值的目标函数。网络收敛就是指能量函数达到极小值。如果把一个最优化问题的目标函数转换成网络的能量函数,把问题的变量对应于网络的状态,那么Hopfield神经网络就能够用于解决优化组合问题。
对于同样结构的网络,当网络参数(指连接权值和阀值)有所变化时,网络能量函数的极小点(称为网络的稳定平衡点)的个数和极小值的大小也将变化。因此,可以把所需记忆的模式设计成某个确定网络状态的一个稳定平衡点。若网络有M个平衡点,则可以记忆M个记忆模式。
当网络从与记忆模式较靠近的某个初始状态(相当于发生了某些变形或含有某些噪声的记忆模式,也即:只提供了某个模式的部分信息)出发后,网络按Hopfield工作运行规则进行状态更新,最后网络的状态将稳定在能量函数的极小点。这样就完成了由部分信息的联想过程。
Hopfield神经网络的能量函数是朝着梯度减小的方向变化,但它仍然存在一个问题,那就是一旦能量函数陷入到局部极小值,它将不能自动跳出局部极小点,到达全局最小点,因而无法求得网络最优解。 3 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。
近几年来,遗传算法主要在复杂优化问题求解和工业工程领域应用方面,取得了一些令人信服的结果,所以引起了很多人的关注。在发展过程中,进化策略、进化规划和遗传算法之间差异越来越小。遗传算法成功的应用包括:作业调度与排序、可靠性设计、车辆路径选择与调度、成组技术、设备布置与分配、交通问题等等。
3.1 特点
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。搜索算法的共同特征为: ① 首先组成一组候选解; ② 依据某些适应性条件测算这些候选解的适应度; ③ 根据适应度保留某些候选解,放弃其他候选解; ④ 对保留的候选解进行某些操作,生成新的候选解。在遗传算法中,上述几个特征以一种特殊的方式组合在一起: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。
遗传算法还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。
3.2 运用领域
前面描述是简单的遗传算法模型,可以在这一基本型上加以改进,使其在科学和工程领域得到广泛应用。下面列举了一些遗传算法的应用领域: ① 优化:遗传算法可用于各种优化问题。既包括数量优化问题,也包括组合优化问题。 ② 程序设计:遗传算法可以用于某些特殊任务的计算机程序设计。 ③ 机器学习:遗传算法可用于许多机器学习的应用,包括分类问题和预测问题等。 ④ 经济学:应用遗传算法对经济创新的过程建立模型,可以研究投标的策略,还可以建立市场竞争的模型。 ⑤ 免疫系统:应用遗传算法可以对自然界中免疫系统的多个方面建立模型,研究个体的生命过程中的突变现象以及发掘进化过程中的基因资源。 ⑥ 进化现象和学习现象:遗传算法可以用来研究个体是如何学习生存技巧的,一个物种的进化对其他物种会产生何种影响等等。 ⑦ 社会经济问题:遗传算法可以用来研究社会系统中的各种演化现象,例如在一个多主体系统中,协作与交流是如何演化出来的。
4 模拟退火算法
模拟退火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。
5 群体(群集)智能(Swarm Intelligence)
受社会性昆虫行为的启发,计算机工作者通过对社会性昆虫的模拟产生了一系列对于传统问题的新的解决方法,这些研究就是群集智能的研究。群集智能(Swarm Intelligence)中的群体(Swarm)指的是“一组相互之间可以进行直接通信或者间接通信(通过改变局部环境)的主体,这组主体能够合作进行分布问题求解”。而所谓群集智能指的是“无智能的主体通过合作表现出智能行为的特性”。群集智能在没有集中控制并且不提供全局模型的前提下,为寻找复杂的分布式问题的解决方案提供了基础。
群集智能的特点和优点:群体中相互合作的个体是分布式的(Distributed),这样更能够适应当前网络环境下的工作状态; 没有中心的控制与数据,这样的系统更具有鲁棒性(Robust),不会由于某一个或者某几个个体的故障而影响整个问题的求解。可以不通过个体之间直接通信而是通过非直接通信(Stimergy)进行合作,这样的系统具有更好的可扩充性(Scalability)。由于系统中个体的增加而增加的系统的通信开销在这里十分小。系统中每个个体的能力十分简单,这样每个个体的执行时间比较短,并且实现也比较简单,具有简单性(Simplicity)。因为具有这些优点,虽说群集智能的研究还处于初级阶段,并且存在许多困难,但是可以预言群集智能的研究代表了以后计算机研究发展的一个重要方向。
在计算智能(Computational Intelligence)领域有两种基于群智能的算法,蚁群算法(Ant Colony Optimization)和粒子群算法(Particle Swarm Optimization),前者是对蚂蚁群落食物采集过程的模拟,已经成功运用在很多离散优化问题上。
5.1 蚁群优化算法
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(Ant Colony Optimization,ACO)来解决计算机算法学中经典的“货郎担问题”。如果有n个城市,需要对所有n个城市进行访问且只访问一次的最短距离。
在解决货郎担问题时,蚁群优化算法设计虚拟的“蚂蚁”将摸索不同路线,并留下会随时间逐渐消失的虚拟“信息素”。虚拟的“信息素”也会挥发,每只蚂蚁每次随机选择要走的路径,它们倾向于选择路径比较短的、信息素比较浓的路径。根据“信息素较浓的路线更近"的原则,即可选择出最佳路线。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。
蚁群优化算法对于解决货郎担问题并不是目前最好的方法,但首先,它提出了一种解决货郎担问题的新思路;其次由于这种算法特有的解决方法,它已经被成功用于解决其他组合优化问题,例如图的着色(Graph Coloring)以及最短超串(Shortest Common Supersequence)等问题。
5.2 粒子群优化算法
粒子群优化算法(PSO)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。
5.2.1 算法介绍
PSO模拟鸟群的捕食行为。一群鸟在随机搜索食物,在这个区域里只有一块食物。所有的鸟都不知道食物在那里。但是他们知道当前的位置离食物还有多远。那么找到食物的最优策略是什么呢。最简单有效的就是搜寻目前离食物最近的鸟的周围区域。
PSO从这种模型中得到启示并用于解决优化问题。PSO中,每个优化问题的解都是搜索空间中的一只鸟。我们称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应值(fitness value),每个粒子还有一个速度决定他们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。
PSO初始化为一群随机粒子(随机解),然后通过叠代找到最优解,在每一次叠代中,粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所找到的最优解,这个解叫做个体极值pBest,另一个极值是整个种群目前找到的最优解,这个极值是全局极值gBest。另外也可以不用整个种群而只是用其中一部分最优粒子的邻居,那么在所有邻居中的极值就是局部极值。
5.2.2 PSO算法过程
① 种群随机初始化。
② 对种群内的每一个个体计算适应值(fitness value)。适应值与最优解的距离直接有关。
③ 种群根据适应值进行复制 。
④ 如果终止条件满足的话,就停止,否则转步骤 ② 。
从以上步骤,我们可以看到PSO和遗传算法有很多共同之处。两者都随机初始化种群,而且都使用适应值来评价系统,而且都根据适应值来进行一定的随机搜索。两个系统都不是保证一定找到最优解。但是,PSO没有遗传操作如交叉(crossover)和变异(mutation),而是根据自己的速度来决定搜索。粒子还有一个重要的特点,就是有记忆。
与遗传算法比较,PSO的信息共享机制是很不同的。在遗传算法中,染色体(chromosomes) 互相共享信息,所以整个种群的移动是比较均匀的向最优区域移动。在PSO中, 只有gBest (or lBest) 给出信息给其他的粒子, 这是单向的信息流动。整个搜索更新过程是跟随当前最优解的过程。与遗传算法比较, 在大多数的情况下,所有的粒子可能更快的收敛于最优解。
现在已经有一些利用PSO代替反向传播算法来训练神经网络的论文。研究表明PSO 是一种很有潜力的神经网络算法,同时PSO速度比较快而且可以得到比较好的结果。
6 展望
目前的智能计算研究水平暂时还很难使“智能机器”真正具备人类的常识,但智能计算将在21世纪蓬勃发展。不仅仅只是功能模仿要持有信息机理一致的观点。即人工脑与生物脑将不只是功能模仿,而是具有相同的特性。这两者的结合将开辟一个全新的领域,开辟很多新的研究方向。智能计算将探索智能的新概念,新理论,新方法和新技术,而这一切将在以后的发展中取得重大成就。
参考文献
[1] “Ant-Colony Optimization Algorithms(ACO)”,
leanair4.mit.edu/docushare/dscgi/ds.py/Get/File-378/RG_EE141_W8ACO.pdf
[2 ] “Swarm intelligence-what is it and why is it interesting”
micro.caltech.edu/Courses/EE150/dungeon/Week1/OH_W1SwarmIntel.pdf
[3] Tony White,“Swarm Intelligence: A Gentle Introduction With Application”,
sce.carleton.ca/netmanage/tony/swarm-presentation/index.htm
[4] 胡守仁等.神经网络导论[M].长沙:国防科技大学出版社,1993.113~117.
[5] 姚新,陈国良,徐惠敏等.进化算法研究进展[J].计算机学报,1995,18(9):694-706.