1    概述

计算智能,广义的讲就是借鉴仿生学思想,基于生物体系的生物进化、细胞免疫、神经细胞网络等某些机制,用数学语言抽象描述的计算方法。是基于数值计算和结构演化的智能,是智能理论发展的高级阶段。计算智能有着传统的人工智能无法比拟的优越性,它的最大特点就是不需要建立问题本身的精确模型,非常适合于解决那些因为难以建立有效的形式化模型而用传统的人工智能技术难以有效解决、甚至无法解决的问题。从方法论的角度和现在的研究现状,计算智能的主要算法有：人工神经网络、模糊算法、进化算法、模拟退火、忌搜索算法、DNA软计算、人工免疫系统、蚁群算法、粒子群算法、多代理(Agent)系统等[1]。

本文对计算智能的四种算法：人工神经网络、模糊计算、进化计算、蚁群算法的生物学基础、计算原理及其特点作一个简单的综述，并对它们已有的成果及工程应用与存在问题作简要的讨论。

2  计算智能的主要算法

计算智能是在神经网络、进化计算及模糊系统这三个领域发展相对成熟的基础上形成的一个统一概念。其中，神经网络是一种对人类智能的结构模拟方法，它是用于人工神经网络系统去模拟生物神经系统的智能机理的；进化运算是一种对人类智能的演化模拟方法，它是用进化算法去模拟人类智能的进化规律的；模糊计算是一种对人类智能的逻辑模拟方法，它是用模糊逻辑去模拟人类的智能行为的[2]。

2.1 人工神经网络

2.1.1  神经网络的生物学基础

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。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。

2.1.2  人工神经网络描述

人工神经网络系统(ANN)是通过对大量人工神经元的广泛并行互联所形成的一种人工网络系统，用于模拟生物神经系统的结构和功能。在人工神经网络中,计算是通过数据在网络中的流动来完成的。在数据的流动过程中,每个神经元从与其连接的神经元处接收输入数据流,对其进行处理以后,再将结果以输出数据流的形式传送到与其连接的其它神经元中去。网络的拓扑结构和各神经元之间的连接权值是由相应的学习算法来确定的。算法不断地调整网络的结构和神经元之间的连接权值,一直到神经网络产生所需要的输出为止。通过这个学习过程,人工神经网络可以不断地从环境中自动地获取知识,并将这些知识以网络结构和连接权值的形式存储于网络之中。几种典型的ANN为:多层感知网络、竞争型神经网络、Hopfield神经网络。

人工神经网络的特点是具有良好的自学习、自适应和自组织能力,以及人规模并行、分布式信息存储和处理等,这使得它非常适合于处理那些需要同时考虑多个因素的、不完整的、不准确的信息处理问题。但应该看到,在神经网络的设计过程中,对各种参数的设置及网络结构的确定等都带有很强的经验性,无完整的理论可循,其规模也远未达到人脑所具有的上百亿个神经元的规模。而且,人工神经网络是基于脑模型的,它的研究受到脑科学研究成果的限制,在没有对人脑的思维规律和认知过程有一个清楚的了解之前,很难真正实现对人脑的模拟。

2.1.3  基于人工神经网络的优化设计

随着人工神经网络理论的日趋成熟，基于人工神经网络优化应用研究也取得了突破性进展，范围正在不断扩大，主要在以下几个方面优化应用：

(1) 信号处理方面

人工神经网络技术被广泛地应用于信号处理,如能分别对通讯、语音、心电和脑电信号进行处理分类、目标检测、杂波去噪或畸变波形的恢复、雷达回波的多目标分类、运动目标的速度估计、多目标跟踪等。

(2) 模式识别方面

包括文字识别、语音识别、图像识别、语音合成、声纳或雷达目标识别、地震波形识别、时变信号识别及多维模式识别等。目前已成功应用于手写字符、汽车牌照、指纹和声音识别。

(3) 自动控制方面

目前，神经网络方法已经覆盖了控制理论中的绝大多数问题，主要有系统建模与辨识、PID参数整定、极点配置、内模控制、优化设计、预测控制、最优控制、自适应控制、滤波与预测容错控制、模糊控制和学习控制等。

[NextPage]

2.2 模糊算法

2.2.1  模糊计算描述

模糊计算通过对人类处理模糊现象的认知能力的认识，用模糊集合和模糊逻辑去模拟人类的智能行为。它是一种精确处理不精确不完全信息的方法,可以比较自然地处理人的概念,即利用模糊规则,通过模糊化和反模糊化方便实现模糊推理。模糊逻辑本身并不模糊,而是用来对“模糊”进行处理以达到消除模糊的逻辑。

模糊计算最大特点是用它可以自然地处理人类的概念。主要应用有:模糊控制、模糊决策、模糊模式识别、模糊综合评判、模糊聚类分析、模糊建模等。由于输入、输出均为实型变量,所以特别适用于工程应用系统。模糊计算的知识表达易于理解,但难于利用数值信息,自学习能力较差。目前，关于模糊控制自适应、自学习、自组织策略研究颇多,但现场真正成功应用的很少,亟待技术实用化研究。

2.2.2  基于模糊计算的优化设计

工程设计存在大量的模糊信息,如:设计标准的模糊性、设计准则(规范)的模糊性、外部环境作用的模糊性等。由于模糊信息不能用准确的数量来表达,必须用模糊计算的方法来处理,包括:模糊变量、模糊约束、模糊目标函数、模糊推理计算等。模糊优化设计包括三个方面的内容:①模糊优化设计方法;②自适应模糊优化系统模型;③模糊专家系统。

最典型的基于模糊计算的优化设计应用是模糊逻辑在火灾监控系统中的应用。传统监控系统的一个主要缺点是利用单一传感器来监控单一监控点，由于传感器内部品质和系统外部噪声的影响使得系统的可靠性不理想。而多传感器数据融合技术可以改善单一传感器信息的局部性和片面性，克服传感器自身品质、性能和噪声带来的影响。可见监控系统是一类典型的不确定性问题。模糊逻辑是处理不确定性问题的基本数学工具。我们可以用数据融合技术把互相独立的传感器变为互相联系的整体，增加信息的冗余度，然后利用模糊逻辑把数据很好地融合在一起，最终大大提高系统的可靠性，降低系统的虚警率。

2.3 进化算法

2.3.1  进化计算的生物学基础

进化是自然界最为壮丽的过程。进化的自然法则是过度繁殖、生存斗争、遗传和变异、优胜劣汰、适者生存。这一法则的选择结果就是物种的优化。进化过程也是自然界的优化过程。进化计算是模仿自然界进化过程的计算方法。该方法无须明确描述问题的全部特征,只需根据自然法则来产生新的更好的解。

2.3.2  进化计算描述

进化计算采用简单的编码技术表示各种复杂的结构,并通过对一组编码表示进行简单的遗传操作和优胜劣汰的自然选择策略来指导学习和确定搜索方向。通过对群体进行复制、杂交和变异等遗传操作来进行学术研究。进化算法可以在解空间的不同区域中对多个点进行搜索,它能以很大的概率找到全局最优解而不易陷入局部最优情况。

进化计算的最大特点是对待求解问题本身一无所知,但只要给出了表示方案、适应函数、遗传算子、控制参数、终止准则等内容,算法就可以按不依赖于问题本身的方式对未知空间进行有效的搜索,最后找出问题的解。进化算法还具有简单、通用、稳健性强、适合于并行处理等特点,及自组织、自适应、自学习等智能特性,已被成功地应用到那些难以用传统的方法进行求解的复杂问题之中。特别是在系统识别、故障诊断、机器学习及神经网络设计等领域,进化计算已经显示出它的魅力。然而,作为一个新的、跨学科的研究课题,进化计算的理论研究还有待进一步完善,其中包括基础理论、编码机制、控制参数的选择策略、收敛性分析等等。

2.3.3  基于遗传算法的优化设计

进化计算包括遗传算法、进化策略、进化规划和遗传规划。遗传算法为求解复杂系统优化问题提供一个通用的框架，它不依赖于问题的具体领域，因此基于遗传算法的优化设计广泛存在于很多领域之中。其主要应用领域有[3]:

[NextPage]

(1) 函数优化.函数优化是遗传算法的经典应用领域.对于一些非线性、多模型、多目标的函数优化问题，用其它优化方法较难求解，而遗传算法却可以方便的得到较好的结果.

(2) 组合优化.对较大规模的组合问题，目前在计算机上用枚举法很难或甚至不可能求出其精确最优解，而遗传算法则较为方便的求得其满意解.实践证明，遗传算法对于组合优化中的NP完全问题非常有效.

(3) 生产调度问题.遗传算法已成为解决复杂调度问题的有效工具，在单件生产车间调度、流水线生产车间调度、生产规划、任务分配等方面都有有效的应用.

(4) 图像处理.图像处理是计算机视觉中的一个重要研究领域.遗传算法在图像处理的优化计算如模式识别、图像恢复、图像边缘特征提取等方面都有很好的应用.

2.4 蚁群算法

2.4.1  蚁群算法的生物学基础

其原理可大致描述如下：蚂蚁属于群居昆虫，个体行为极其简单，而群体行为却相当复杂。相互协作的一群蚂蚁很容易找到从蚁巢到食物源的最短路径，而单个蚂蚁则不能。此外，蚂蚁还能够适应环境的变化，例如在蚁群的运动路线上突然出现障碍物时，它们能够很快地重新找到最优路径。人们通过大量的研究发现，蚂蚁个体之间是通过在其所经过的路上留下一种可称之为“信息素”（pheromone）的物质来进行信息传递的。随后的蚂蚁遇到信息素时，不仅能检测出该物质的存在以及量的多少，而且可根据信息素的浓度来指导自己对前进方向的选择。同时，该物质随着时间的推移会逐渐挥发掉，于是路径的长短及该路径上通过的蚂蚁的多少就对残余信息素的强度产生影响，反过来信息素的强弱又指导着其它蚂蚁的行动方向。因此，某一路径上走过的蚂蚁越多，则后来者选择该路径的概率就越大。这就构成了蚂蚁群体行为表现出的一种信息正反馈现象。蚂蚁个体之间就是通过这种信息交流达到最快捷搜索到食物源的目的。

2.4.2  蚁群算法描述

蚁群算法就是模拟蚂蚁搜索食物的过程,该算法的思想是:用蚂蚁的行走路线表示待求解问题的可行解,每只蚂蚁在解空间中独立地搜索可行解,解的质量越高,在“行走路线”上留下的信息素也就越多,随着算法的推进,代表较好解的路线上的信息素逐渐增多,选择它的蚂蚁也逐渐增多,最终整个蚁群在正反馈的作用下集中到代表最优解的路线上,也就找到了最优解。

蚁群算法的核心有三条。第一，选择机制：信息素越多的路径，被选中的概率越大；第二，信息素更新机制：路径越短，迹增加越快；第三，协作机制：个体之间通过信息素进行交流。

蚁群算法的特点是不仅能够智能搜索、全局优化，而且具有稳健性（鲁棒性）、正反馈、分布式计算、易与其它算法结合等特点[4]。利用正反馈原理，可以加快进化过程；分布式计算使该算法易于并行实现，个体之间不断进行信息交流和传递，有利于找到较好的解，不容易陷入局部最优；该算法易与多种启发式算法结合，可改善算法的性能；由于鲁棒性强，故在基本蚁群算法模型的基础上进行修改，便可用于其它问题。但是，蚁群算法还不像其它的启发式算法那样已形成系统的分析方法和具有坚实的数学基础。参数的选择更多的是依靠实验和经验，没有定理来确定，而且它的计算时间偏长。

2.4.3  基于蚁群算法的优化设计

蚁群算法主要用于求解不同的组合优化问题，一类应用于静态组合优化问题，另一类用于动态组合优化问题。静态问题指一次性给出问题的特征,在解决问题过程中,问题的特征不再改变。动态问题被定义为一些量的函数,这些量的值由隐含系统动态设置。

基于蚁群算法优化设计在静态组合中的优化应用包括[5]：旅行商问题(TSP)、二次分配问题(QAP)、车间任务调度问题(JSP)、车辆路线问题(VRP)、图着色问题(GCP)、有序排列问题(SOP)。在动态组合中的优化应用包括：大规模集成电路中的综合布线以及电信网络中的路由等方面。同时，蚁群算法在其他领域上的组合问题上都取得比较理想的效果，如管线敷设问题、机构同构判定问题、开关盒布线问题、学习模糊规则问题等。

[NextPage]

3  结束语

从以上分析可以知道,计算智能理论的共同特点:它们都是受生物体系的某些机制启发而产生,都已经或正在理论和实践应用中不断完善,取得了许多实际成果。另外,它们各有特点,模糊系统善于描述和利用经验知识;神经网络善于直接从数据中进行学习;而进化计算善于求解复杂的全局最优问题,具有极强的稳健性和整体优化性。蚁群算法能够不局限于局部最优解，为复杂困难的系统优化问题提供了新的具有竞争力的求解算法。模糊系统的推理能力强于神经网络和进化计算,而神经网络、进化计算的学习、搜索能力强于模糊系统。进化计算优化搜索的广度和适应性优于神经网络,而神经网络的优化、学习精度优于进化计算。

虽然每个算法各有特点,但它们共同的仿生基础决定了它们存在必然的联系。将进化算法、模糊逻辑、神经网络、蚁群算法、免疫算法以及其他算法结合起来是目前计算智能一项新的研究课题。总之，计算智能是一个发展潜力巨大的方向,未来的发展一定会越来越智能化,个性化的倾向越来越浓,目的性变得日益明确,故其应用的领域也会越来越广。(田晓艳)

参考文献

[1]项宝卫,凌塑勇.计算智能算法的研究现状[J].台州学院学报,2006.6,(3):22-25.

[2]王万森.人工智能原理及其应用.北京:电子工业出版社,2006,11.

[3]王凌.智能优化算法及其应用.北京:清华大学出版社,施普林格出版社,2001,10.

[4]Marco Dorigo, Luca Maria Gambardella. Ant Colony System: Cooperative Learning Approach to the Traveling Salesman Problem [J].IEEE Transaction on Evolutionary Computation,1997；1(4)

[5]邓玉芬,项凤红.蚂蚁算法在组合优化中的应用[J].电子测量与技术,2007.1(2):32-36.