英语原文共 630 页，剩余内容已隐藏，支付完成后下载完整资料
1.1计算机智能模式
这本书认为有五个主要的计算机智能(CI)的模式，即人工神经网络(NN)，进化算法(EC)，群体智慧(SI)，人工免疫系统(AIS)和模糊系统(FS)。图1.1给出了这本书总的目的。除了CI范例，概率统计方法往往与计算机智能技术一起使用，也显示在图。软计算、是Lotfi Zadeh给出的术语，是一种范式的不同分组，通常指的是计算机智能范例和概率方法的集合。箭头表明不同的范式的技术可以结合形成混合动力系统。
每个计算机智能范式起源于生物系统。人工神经网络模仿生物/神经系统， 进化算法模型来源自然进化(包括遗传和行为进化)， 群体智慧模型模仿生物生活成群的社会行为， 人工免疫系统模仿人体免疫系统，模糊系统起源于研究有机体与环境交互的方式。
图1.1 计算机智能模型
1.1.1人工神经网络
人工神经网络是一个复杂的、非线性的并行计算机。它有能力执行任务，如模式识别、认知和运动控制速度远远超过任何计算机——尽管事件发生在纳秒范围内，或者神经系统的毫秒级范围内。除了这些特点外，其他如学习能力、记忆和一般性，促进生物神经系统算法的建模研究——被称为人工神经网络(人工神经网络)。
据估在人类的大脑皮层有100-5000亿个神经元，以及60万亿个突触。神经元排列在大约1000个主要模块，每一个拥有大约500神经网络。然而它将可能真正模拟人脑吗?至少目前不能。目前在神经网络成功的建模为小型人工人工神经网络，旨在解决一个特定的任务。单一目标的问题很快能解决，通过优秀的计算能力和巨大的存储空间。然而，大脑有同时使用分布式的大脑区域解决几个问题的能力。我们仍然有很长的路要走hellip;hellip;
人类神经系统的基本构建是神经细胞，称为神经元。如图1.2所示，一个神经元由细胞体，树突和轴突组成。神经元大量相互关联，之间的互连是一个神经元的轴突和另一个神经元的树突。此连接被称为突触。树突的信号传播，通过轴突细胞;传播到所有树突连接。只有当细胞“激活”，一个信号才会通过神经元的轴突细胞传递。神经元可以抑制或激活一个信号。
图1.2 生物神经元
一个人工神经元是生物神经元的模型(BN)。每一个从环境或其他人工神经元中接收到信号，收集这些信号，发射时，传输一个信号到所有连接的神经元。图1.3表示一个人工神经元。输入信号是通过正面和负面的抑制或兴奋的权重数值与每个连接点有关。发射和退出的强度信号通过一个函数控制，称为激活函数。收集所有传入的信号，计算净输入信号作为各自的权重函数。净输入信号作为输入激活函数计算出一个输出信号。
图1.3 一个人工神经元
一个人工神经网络是一个分层的人工神经网络。神经网络可由一个输入层、隐藏层和输出层组成。神经网络在一层连接，全部或部分，连接神经网络的部分在下一层。反馈连接前一层也是可行的。一个典型的神经网络结构如图1.4所示。
图1.4 一个典型的神经网络结构
几种不同的神经网络类型已经被开发出来，例如(读者应该注意下面的列表并不意味着已经完成):
bull;单层人工神经网络，如Hopfield网络;
bull;多层前馈人工神经网络，例如，标准的反向传播，功能链接和产品单位网络;
bull;暂时性的人工神经网络，比如Elman和Jordan简单复发性网络以及时滞神经网络;
bull;自己组件的人工神经网络，例如Kohonen自组织特征映射和学习矢量量化器;
bull;结合指导和非指导的人工神经网络，例如一些径向基函数网络。这些神经网络类型已被用于广泛的应用程序，包括疾病诊断、语音识别、数据挖掘、作曲、图像处理、预测、机器人控制、信贷审批、分类、模式识别、规划游戏策略，压缩，和许多其他方面。
1.1.2进化计算
进化计算(EC)其作为模拟自然进化过程为目标，那里的主要概念是适者生存，弱者必须死。在自然进化过程中，生存是通过繁殖后代，复制从两个父母(有时是两个以上)，含有父母的遗传物质，希望从每个父辈获得最好的特征。那些继承的不良特征的个体，失去生存的能力。这是很好地说明了在一些鸟类在刚孵化出来的时候的努力得到更多的食物，变得更强，最后将所有的兄弟姐妹从鸟巢中踢出去。
进化算法使用生物种群，个体称为染色体。染色体定义种群中个体的特点。每一个特征被称为基因。基因的值称为一个等位基因。每一代的个体竞争繁殖后代。那些生存能力强的个体有最好的繁殖机会。后代是由父母的部分结合，这一过程称为交叉。每个个体也可以进行突变改变一些等位基因的染色体。个人的生存力使用适应度函数反映，反映了目标要解决的问题。每一代后，个体将忍受优胜劣汰的选择，或者个体可以生存繁衍到下一代(称为精英主义)。此外，行为特征(如封装在表型)可以用来影响进化过程在两个方面:表型可能会影响基因变化和/或行为特征分别进化。
不同类型的进化算法(EA)正在发展中:
bull;基因进化的遗传算法模型。
bull;基于遗传算法的遗传编程(其代表是树)。
bull;源自适应行为的模拟进化编程 (表型进化)。
bull;针对建模的策略参数的进化策略来控制变异进化，即进化的进化。
bull;微分进化，这是类似于遗传算法，使用不同的繁殖机制。
bull;文化进化，人口文化的演变和文化如何影响个体的遗传和表型进化。
bull;共同进化，最初“哑巴”个人发展通过合作，或与彼此竞争，获得必要的生存特点。
自然进化的其他方面也被建模。例如，灭绝和分布式遗传算法，不同人群时刻都在在发生遗传进化。在此外，在迁移的人口中也是。寄生行为的建模也导致进化。在这种情况下寄生虫感染人。那些太弱的个体死亡。另一方面，免疫学已被用于研究病毒和抗体如何进化用于杀死病毒。
进化计算已经成功地应用在真实的应用程序中，例如，数据挖掘、组合优化、故障诊断、分类、聚类、调度、和时间序列近似。
1.1.3群体智慧
群体智慧(SI)源自殖民地的研究，或成群的社会有机体。研究成群的社会行为的有机体(个人)非常有效的优化了聚类算法的设计。例如，模拟研究很好，但不可预知，飞舞的鸟群导致了粒子群优化算法的出现，研究蚂蚁的觅食行为导致了蚁群优化算法的产生。
粒子群优化(PSO)是一种随机优化方法，仿照鸟禽群的社会行为。算法是基于个人搜索过程，称为粒子，被分组到一群。群中的每个粒子代表候选人，解决优化问题。在算法系统中，每个粒子在飞，通过多维搜索空间， 根据自己的经验调整其位置在搜索空间中寻找相邻的粒子。遇到粒子，利用最佳位置本身和其邻近的最佳位置定位到一个最佳的解决方案。粒子的效果是“飞”向一个最佳，同时仍然搜索周边一大片地区当前的最佳解决方案。每个粒子的性能使测量根据预定义的适应度函数相关的问题被解决。算法的应用包括函数近似，集群、机械结构的优化，解决系统的方程。
蚁群的研究贡献了大量的智能算法。建模信息素沉积的蚂蚁在寻找食物来源导致的最短路径最短路径优化算法的发展。其他应用蚁群优化包括电信网络路由优化、图着色、调度和二次分配问题的解决。蚂蚁和蜜蜂的巢建筑的研究导致了集群的发展和结构优化算法。
1.1.4人工免疫系统
自然免疫系统(NIS)有一个惊人的模式匹配能力，用于区分外部细胞进入身体(称为异己分子，或抗原)，属于身体的细胞(称为自我)。NIS遇到抗原，NIS展现自适应特性，NIS记忆这些抗原的结构未来更快反应抗原。
在NIS的研究中，可以找到NIS的四个模型:
bull;经典的免疫系统，免疫系统区分自我和非自我，用淋巴器官产生的淋巴细胞。这些淋巴细胞与抗原结合“学习”。bull;克隆选择学说，通过克隆过程，一个活跃的b细胞产生抗体。克隆也产生突变。
bull;危险理论，免疫系统有能力区分危险和无害的抗原。
bull;网络理论，假定b细胞形成一个网络。当一个b细胞对抗原，b细胞的激活和刺激其他b细胞连接的网络。
人工免疫系统(AIS)模仿了NIS的一些方面，主要用于解决模式识别问题，完成分类任务，集群数据。其中特别有指导性的主要应用领域之一是在异常检测中，如欺诈检测和计算机病毒检测。
1.1.5模糊系统
传统集合理论需要一组元素。同样，二进制的逻辑要求参数的值是0或1，具有类似限制一个推论的过程的结果。然而，人类的推理都不够准确。我们的观察和推理通常包括一定程度的不确定性。例如，人类能够理解这句话:“一些计算机科学的学生可以可以使用大多数编程语言”。但是计算机和如何识别这一事件?
模糊集和模糊逻辑称为近似推理。用模糊集，一个元素属于一个集合在一定程度上有确定性保障。模糊逻辑推理可以与这些不确定的事实推断出新的事实，以一定程度的确定性与每一个相关的事实。在某种意义上，模糊集的建模和逻辑是达成共识了的。
在模糊系统的不确定性称为非统计性的不确定性，并与统计不确定性不应被混淆。概率统计是基于规则的不确定性，而非统计性的不确定性是基于模糊、不精确和/或歧义，通过观察统计的不确定性得到解决。例如，当一个硬币扔我们特定的结果是什么，而在抛硬币之前，我们知道每个结果的概率是50%。非统计性的不确定性或模糊性，是一个系统的固有财产，不能改变或通过观察来解决。
模糊系统已经成功地应用于控制系统，齿轮传动和制动系统的车辆，控制电梯，家用电器、控制交通信号，和许多其他方面。
1.2历史很短
亚里士多德(公元前384 - 322)可能是第一个人工智能的人。他的目标是演绎推理解释和编纂风格的，他称为三段论。雷蒙Llull(1235 - 1316)发明麦格纳系统:乐观的试图建立一个组合一组车轮的机器 ，这应该能够回答所有的问题。今天这仍然只是一个梦想——或者更确切地说是一个错觉。数学家莱布(1646 - 1716)认为关于微积分逻辑哲学论的存在，一个通用的代数， 一个演绎系统可以用来代表所有知识(包括道德真理)。
第一个重大贡献是1854年乔治·布尔，与他发展的命题逻辑的基础。1879年，Gottlieb弗雷格发展了谓词演算的基础。命题和谓词演算构成第一个人工智能工具的一部分。
直到1950年，第一个人工智能的定义由阿兰·图灵提出。图灵研究机械可以用来模拟人类大脑的过程。研究导致的第一个人工智能的出版物——《智能机器》。智能机器除了介绍了他的对机械的兴趣，他同样也对生物如何以及为什么会形成特定的器官感兴趣。1952年，他发表了一篇论文，题为形态发生——可能是第一个人造生命的研究。
人工智能这个词是最早在1956年在达特茅斯会议上，由约翰·麦卡锡——现在被认为是人工智能之父——提出。从1956年到1969年许多在生物神经元建模的研究被完成。Rosenblatt感知器上最引人注目的是，以及 韦德罗和霍夫的学习机。1969年，明斯基和帕波特提出人工神经网络研究的一个重大挫折。他们出了一本书，被称为感知器，他们得出结论是在他们的“直观的判断”，简单的多层感知器感知器的扩展是无菌的。这使得人工神经网络的研究进入冬眠，直到1980年代中期。在此期间冬眠的一些研究者，尤其是Grossberg， Carpenter，Kohonen和Fukushima，继续他们的研究工作。
人工神经网络研究的从Hopfield，Hinton，Rumelhart以及McLelland创作的神经网络研究领域内具有里程碑意义的出版物中复活，这个出版物与1980世纪中期出现。从1980年代后期研究人工神经网络开始爆炸，直到今天，人工神经网络的研究是在计算机科学中最大的研究领域之一。
基于Fraser，Bremerma和Reed在人工神经网络的研究，发展进化计算(EC)在1950年代开始使用遗传算法。然而，约翰·霍兰通常被视为遗传算法的父亲，称其为最具体的遗传算法。在这些作品中，达尔文的进化论参考了元素建模算法。在1960年代，Rechenberg发现进化策略(ES)。独立于这项工作，劳伦斯霍格尔发展进化编程的方法为演变行为模型。在其他领域做出重要贡献的是De Jong，Schaffer，Goldberg，Koza Schwefel、Storn，和Price。
许多人认为，模糊逻辑的历史始于乔达摩佛(公元前563年)的佛教，他们常常用灰色描述一个东西。然而，西方社会认为亚里士多德的作品二值逻辑模糊逻辑的诞生的标志。1920年Lukasiewicz发表了第一个偏离二值逻辑的作品，他提出了三值逻辑，后来扩展到任意数量的值。量子哲学家马克斯布莱克是第一个引入准模糊集，其中隶属度集分配给元素。是Lotfide贡献最模糊逻辑、模糊集的开发[944]。从那时起，直到1980年代模糊系统是一个活跃的领域，出现了很多有名的科学家，;例如Mamdani，Sugeno，Takagi和Bezdek。然后， 在1980年代模糊系统也经历了一段黑暗时期，但是1980年代末被日本研究人员重新开始提出出来。今天，它是一个非常活跃的领域，有许多成功的应用，特别是在控制系统。1991年，pswlak介绍了粗糙集理论的基本概念是，找到一个输入空间的上下近似，所有元素在接近下限的位置都有完整集，而边界元素(这些元素之间的上、下近似)某种程度上属于同一个集。
有趣的是，一个不被承认的南非诗人，尤金·N玛莱(1871 - 1936)，他是第一批发现群体智慧的人，他最重要的贡献是研究社会行为的猿和蚂蚁。在他死后30多年，他所出版的两本书，即白蚁的灵魂和猿的灵魂，被人们所发现。通过Marco Dorigo在蚁群算法的建模分析方面的努力，在1990年代早起，蚁群算法的研究飞速发展。在1995年，埃伯哈特和肯尼迪(224、449)开发了粒子群优化算法，其原本模型来自鸟群。群体智能是处于起步阶段，是一个有前途的领域，导致很多有趣的应用程序
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[151317]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
