• 1. 计 算 智 能 概 述上海海洋大学
  • 2. 智·能 所以知之在人者,谓之知。知有所合,谓之智。所以能之在人者,谓之能。能有所合,谓之能。 ——荀况《荀子·正名》
  • 3. 课程目的系统地讲授智能计算的有关基础理论、技术及其主要应用。 通过本课程的学习,要求学生系统地掌握智能计算的基本内容与方法,了解智能计算的主要应用领域。 将智能计算方法与学生未来研究方向相结合,培养学生独立科研思维能力。 介绍智能计算研究的前沿领域与最新进展,培养学生科研兴趣。
  • 4. 开课基础 学习本课程之前,要求已经选修过《高等代数》、《运筹学》、《数学实验》等课程。
  • 5. 课程性质与考核课程性质: 专业选修(考查课) 教学方式: 课堂讲授为主,课程实验为辅 考试方式: 1)笔试(开卷) 2)课程实验
  • 6. 要求: 博学之,审问之、慎思之、明辨之,笃行之。 ——《四书.礼记》
  • 7. 本课程的主要内容第一部分:智能计算概述 第二部分:演化计算 第三部分:神经计算 第四部分:模糊计算 第五部分:复习
  • 8. 主要参考书籍1)《智能学简史》冯天瑾 科学出版社 2)《计算智能——理论、技术与应用》丁永生 编著,科学出版社 3)《计算智能中的仿生学:理论与算法》徐宗本,张讲社, 编著,科学出版社 4)《计算智能的数学基础》褚蕾蕾、陈绥阳 编著,科学出版社 5)《智能信息处理》熊和金 国防工业出版社 6)《软计算方法》张颖 刘艳秋 科学出版社 7)《演化计算》潘正君、康立山 清华大学出版社 8)《遗传算法-理论、应用与软件实现》王小平 西安交通大学出版社 9)《遗传算法原理及应用》周明、孙树栋 国防工业出版社
  • 9. 主要参考书籍10)《神经计算科学》阮晓钢 国防工业出版社 11)《人工神经网络教程》韩力群 北京邮电大学出版社 12)《模糊数学教程》 蒋泽军 国防工业出版社 13)《智能计算-关于粗集理论、模糊逻辑、神经网络的理 论及其应用》曾黄麟 重庆大学出版社 14)《群智能算法及其应用》 15)《微粒群算法》 曾建潮、介婧 科学出版社 16)《蚁群优化》[意] Marco Dorigo著 张军 胡晓敏等译 17)《如何求解问题——现代启发式方法》Zbigniew Michalewicz[著] 曹宏庆 李艳等译 中国水利水电出版社
  • 10. 智能学智能学: 即研究生物智能、人类智能以及人造智能的科学。 21世纪的科学技术,已经向我们展示了一个丰富多彩的智能世界:人类智能、生物智能、智能机器人、生物信息系统;人工智能、计算智能、机器学习、智能仪器、智能机器人、机器翻译、人机对弈、人工生命、人工免疫系统、人造昆虫、机器人足球赛…。
  • 11. .robot11
  • 12. 2015robot12
  • 13. 智能计算是信息科学、生命科学、认知科学等不同学科相互交叉的产物。它主要借鉴仿生学和拟物的思想,基于人们对生物体智能机理和某些自然规律的认识,采用数值计算的方法去模拟和实现人类的智能、生物智能、其它社会和自然规律。 智能计算的主要研究领域包括:神经计算、演化计算、群智能计算、模糊计算、免疫计算、DNA计算和人工生命等。 本课程主要学习内容包括神经计算、演化计算、模糊计算等。智能计算
  • 14. Soft Computing Lab.WASEDA UNIVERSITY , IPS14谷歌 特斯拉 苹果
  • 15. 计算 一切思维不过就是计算。 ——霍布斯 作为一般的智能行为,物质符号系统具有的计算手段,既是必要的也是充分的。人类认知和智能活动,经编码成符号系列,都可以通过计算机进行模拟。 ——西蒙
  • 16. 梦 想机器具有智能—计算机科学家的梦想 什么是智能?能感知、能学习、能思维、能记忆、能决策、能行动……,智能的核心是思维。
  • 17. 图灵测试怎样判断机器具有智能—图灵测试 1950年Alan Turing的文章 “Computing Machinery and Intelligence.” (Mind, Vol. 59, No. 236)提出图灵测试,检验一台机器或电脑是否具有如人一样的思维能力和智能 电脑和人分别封闭在不同的房间,测试者不知道哪个房间是人,哪个房间是电脑,他向双方提出测试问题,电脑和人给出各自的答案,如果一系列的测试问题之后,测试者分不出哪些是电脑的答案,哪些是人的答案,则电脑通过测试,确实具有与人一样的智能。我是人哦!我是谁?如实回答 ?
  • 18. 图灵Soft Computing Lab.WASEDA UNIVERSITY , IPS18
  • 19. <<模仿游戏>>Soft Computing Lab.WASEDA UNIVERSITY , IPS19
  • 20. 图灵的故事“一个古怪的不信上帝的同性恋,一个成就辉煌的英国数学家,两顶大帽子把图灵扣得好生纠结。然而,他却肩负着两项伟大的历史使命,一边是计算机科学中最有诗意的概念和理论,一边是在第二次世界大战时为世界和平而解谜。”——道格拉斯·霍夫施塔特 有人说,多年后图灵一生都着迷于人工智能,这表达了图灵的一种愿望,希望克里斯朵夫能回到他的生活中,要把少年时代的爱人重新找回来。当然这只是一个美好的愿望。这个美好的愿望甚至被带进了电影《模仿游戏》里。在电影里,图灵把他制造的早期计算机取名为克里斯朵夫。Soft Computing Lab.WASEDA UNIVERSITY , IPS20
  • 21. 测试悖论公平性问题 图灵测试的出发点显然是刁难电脑,要求电脑模仿人回答问题,公平吗?反过来要求人模仿电脑回答问题,公平吗? 标准性问题 在怎样的智能水平下对电脑进行测试?天才、普通人还是婴幼儿,或者说怎样认定电脑的智力水平? 全面性问题 怎样全面地测试电脑的智能,喜、怒、哀、乐和表情等有关情感的测试如何进行?测试边界怎样确定? 欺骗性问题 电脑如果有意欺骗测试者,测试者能判断出来吗? 在一定的范围内进行测试还是可行的
  • 22. 困 惑哲学问题 (1)规则与规律:规则是制定的,规律是客观存在的,从规则能自动发现规律吗? (2)生命与非生命:智能是高等生命体独有的能力,非生命体内能产生智能吗? (3)物质与意识:唯物主义和唯心主义都承认二元论,只是在何者起决定作用上争论不休,智能能在机器内产生将导致一元论—物质生成一切? (4)智能的本质:理性与感性、思考与行动、社会性与个体性 伦理问题 (1)电脑与人脑:能否互换? (2)机器人与人:机器能否融入人类社会? (3)情感与役使:机器是人制造并使用的工具,一旦机器人具有了智能和情感,人类还能当奴隶一样地役使吗? (4)机器人叛乱:机器人群体有可能叛乱而反过来役使人类吗?
  • 23. 现实的梦比尔·盖茨预测:智能计算发展前景乃是机器最终“能看会想,能听会讲”。 无论是人工智能,还是智能人工,只要能够殊途同归,造福于人类,那么所有的努力便都是有价值的。 未来,智能机器作为真正意义上的工作助手和生活良伴,将使我们的生活完全改观。 “聪明机器”的出现,也决不会成为人类的灾难,在智慧与创造力方面,永远是人类最有发言权。
  • 24. 人工智能(artificial intelligence,简称AI)人工智能:用人工的方法和技术,模仿、延伸和扩展人的智能, 实现机器智能。 人工智能的五个基本问题 (1) 知识与概念化是否是人工智能的核心? (2) 认知能力能否与载体分开来研究? (3) 认知的轨迹是否可用类自然语言来描述? (4) 学习能力能否与认知分开来研究? (5) 所有的认知是否有一种统一的结构? 学科交叉 与生命科学、认知科学、物理学等众多学科高度交叉,共同研究智能行为的基本理论和实现技术。 三大学派 符号主义(Symbolism)、连接主义(Connectionism)、行为主义(Behaviorism)——从不同侧面模拟人的智能和智能行为。
  • 25. 符号主义代表人物 1956年,美国Dartmouth会议,几个年轻的美国学者McCarthy、Simon、Minsky、Newell等首次提出人工智能的术语 基本思想 (1)认知的本质就是计算,可称为认知可计算主义—与图灵机理论一脉相承 (2)思维的基本单元是符号,智能的核心是利用知识以及知识推理进行问题求解 (3)智能活动的基础是物理符号运算,人脑和电脑都是物理符号系统 (4)人的智能可以通过建了基于符号逻辑的智能理论体系模拟 (5)理论基础是符号数学、谓词演算和归结原理
  • 26. 符号主义-续智能表示 (1)1959年McCarthy开发了著名的LISP语言(LISt Processing Language,表处理语言),基于函数的语言,通过符号(不是数值)运算进行推理,也是逻辑程序设计语言(Logic Programming) (2)1972年PROLOG语言(PROgramming LOGic)问世,被称为演绎推理机,接口丰富,非常适合于专家系统开发,曾有人试图发明PROLOG机器,以模拟人的智能,但未获成功 知识工程与专家系统—典型代表 (1)产生式规则表示知识 (2)产生式规则系统将领域专家的知识进行整理、存储构建知识库 (3)专家系统运用知识库进行推理、问题求解等智能活动 推理方法 知识表示与推理、归纳推理、基于事例的推理等
  • 27. 连接主义代表人物 (1)1943年生理学家McCulloch和Pitts提出神经元的数学模型,神经元模型结合成多层结构成为神经网络 (2)1959年,Rosenblatt提出感知机模型(Perceptron),具有输入层、中间联系层和效验输出层的三层结构 (3)1982年,Hopfield提出全互连的神经网络模型,成功求解TSP问题,掀起神经网络研究高潮,对符号主义也产生了巨大冲击 (4)1987年,戴维.努梅尔哈特和杰弗里.欣顿提出误差反向传播(Back-Propgation)神经网络学习算法 基本思想 (1)人类认知活动主要基于大脑神经元的活动,人类思维的基本单元是神经元而不是符号,智能是互连神经元竞争与协作的结果 (2)模拟人的智能要依靠仿生学,特别是模拟人脑,建立脑模型 (3)电脑模拟人脑应着重于结构模拟,即人的生理神经网络结构,功能、结构和行为密切相关,不同的结构表现出不同的功能行为 (4)分布式信息存储和大规模并行处理,自适应和自组织特性,学习和容错能力 (5)理论基础是神经生理学与脑科学
  • 28. 神经元与神经网络
  • 29. 连接主义-续智能表示 (1)神经元状态值、连接权值、阈值和激励函数决定输出值--隐式表示方法 (2)通过学习算法修正神经元之间的连接权值,达到更精确的知识表示,学习算法包括有导师和无导师学习算法两类 模式识别—典型代表 (1)建立样本库 (2)特征提取与特征库 (3)学习算法进行神经网络训练,模式的聚类、分类和识别 学习算法 提高学习和训练速度,保证全局收敛,网络结构设计和自适应调整
  • 30. 行为主义代表人物 1988年,Brooks等人提出无需知识、知识表示和推理的智能系统,智能来自于系统的“感知-动作”模式,基于这样的思路,他发明了六足行走机器,一个模拟昆虫行为的控制器。 基本思想 (1)智能是一个系统行为,智能行为可以通过与周围环境的的交互作用表现出来 (2)智能的基础是“感知-动作”模式,类似于心理学的“刺激-反应”,它也决定系统的结构和参量 (3)系统的智能行为决定于系统的结构和参量 (4)自组织、自学习、自适应是智能系统得基本特征 (5)理论基础是控制论、系统科学和心理学
  • 31. 行为主义-续智能表示 (1)系统模型、模型结构和参量--隐式表示方法 (2)学习就是一次又一次地从外界接受条件和结果,即“感知-动作”,积累知识的过程 (3)自学习是指:当一个新的输入条件决定后,能根据经验的积累,给出相应结果的过程,或者当一个新的条件和结果给出后,能够调整结构和参量的过程。 智能控制与智能机器人—典型代表 (1)建立系统模型 (2)行为(感知-动作)模拟,积累知识,形成基本控制策略 (3)学习与自学习进行自适应调整与优化,形成新的控制策略 学习算法 自适应、自学习、自组织、自寻优等智能化方法
  • 32. 面临困境源于复杂性 知识的复杂性,知识表示的组合爆炸 不完整知识的表达问题 推理的时空爆炸性   神经网络结构复杂 学习、训练低效 难以全局收敛 能力限制 复杂行为模拟 不能用精确的数学模型描述的问题
  • 33. “盲人摸象”《大般涅盘经》三二:“尔时大王,即唤众盲各各问言:‘汝 见象耶?’众盲各言:‘我已得见。’王言:‘象为何类?’其触牙者即言象形如芦菔根,其触耳者言象如箕,其触头者言象如石,其触鼻者言象如杵,其触脚者言象如木臼,其触脊者言象如床,其触腹者言象如瓮,其触尾者言象如绳。 从前,有四个盲人很想知道大象是什么样子,可他们看不见,只好用手摸。胖盲人先摸到了大象的牙齿。他就说:“我知道了,大象就像一个又大、又粗、又光滑的大萝卜。”高个子盲人摸到的是大象的耳朵。“不对,不对,大象明明是一把大蒲扇嘛!”他大叫起来。“你们净瞎说,大象只是根大柱子。”原来矮个子盲人摸到了大象的腿。而那位年老的盲人呢,却嘟嚷:“唉,大象哪有那么大,它只不过是一根草绳。”原来他摸到的是大象的尾巴。四个盲人争吵不休,都说自己摸到的才是大象真正的样子。而实际上呢?他们一个也没说对。后以“盲人摸象”比喻看问题以偏概全。Soft Computing Lab.WASEDA UNIVERSITY , IPS33
  • 34. 信息时代的呼唤工业时代 能量资源-创造动力的工具- 获得能量 物理学、化学 创造动力工具的理论基础信息时代 信息资源-创造智能的工具- 获得智能 智能计算理论 创造智能工具的理论基础
  • 35. 大数据时代大数据时代 数据分析 对大数据的处理 传统方法 新的智能方法Soft Computing Lab.WASEDA UNIVERSITY , IPS35
  • 36. 什么是智能计算智能计算(Computational Intelligence,CI)目前还没有一个统一的的定义,使用较多的是美国科学家贝慈德克(J.C.Bezdek)从智能计算系统角度所给出的定义: 如果一个系统仅处理低层的数值数据,含有模式识别部件,没有使用人工智能意义上的知识,且具有计算适应性、计算容错力、接近人的计算速度和近似于人的误差率这4个特性,则它是智能计算的。 从学科范畴看,智能计算是在神经网络(Neural Networks,NN)、演化计算(Evolutionary Computation,EC)及模糊系统(Fuzzy System,FS)这3个领域发展相对成熟的基础上形成的一个统一的学科概念。
  • 37. 智能计算与人工智能的关系目前,对智能计算与人工智能的关系有2种不同观点,一种点认为智能计算是人工智能的一个子集,另一种观点认为智能计算和人工智能是不同的范畴。 第一种观点的代表人物是贝慈德克。他把智能(Intelligence,I)和神经网络(Neural Network,NN)都分为计算的(Computational,C)、人工的(Artificial,A)和生物的(Biological,B)3个层次,并以模式识别(PR)为例,给出了下图所示的智能的层次结构。 在该图中,底层是计算智能(CI),它通过数值计算来实现,其基础是CNN;中间层是人工智能(AI),它通过人造的符号系统实现,其基础是ANN;顶层是生物智能(BI),它通过生物神经系统来实现,其基础是BNN。 按照贝慈德克的观点,CNN是指按生物激励模型构造的NN,ANN是指CNN+知识,BNN是指人脑,即ANN包含了CNN,BNN又包含了ANN。对智能也一样,贝慈德克认为AI包含了CI,BI又包含了AI,即智能计算是人工智能的一个子集。
  • 38. CNNCPRCIANNAPRAIBNNBPRBI人类知识 (+)传感输入知识 (+)传感数据计算 (+)传感器B~生物的A~符号的C~数值的复杂性复杂性输入层次 贝慈德克的智能的3个层次
  • 39. 第二种观点是大多数学者所持有的观点,其代表人物是艾伯哈特(R.C.Eberhart)。他们认为:虽然人工智能与智能计算之间有重合,但智能计算是一个全新的学科领域,无论是生物智能还是机器智能,智能计算都是其最核心的部分,而人工智能则是外层。 事实上,CI和传统的AI只是智能的两个不同层次,各自都有自身的优势和局限性,相互之间只应该互补,而不能取代。 大量实践证明,只有把AI和CI很好地结合起来,才能更好地模拟人类智能,才是智能科学技术发展的正确方向。智能计算与人工智能的关系
  • 40. 智能计算的产生与发展1992年,贝慈德克在《Approximate Reasoning》学报上首次 提出了“智能计算”的概念。 1994年6月底到7月初,IEEE在美国佛罗里达州的奥兰多市召开了首届国际智能计算大会(简称WCCI’94)。会议第一次将神经网络、演化计算和模糊系统这三个领域合并在一起,形成了“智能计算”这个统一的学科范畴。 在此之后,WCCI大会就成了IEEE的一个系列性学术会议,每4年举办一次。1998年5月,在美国阿拉斯加州的安克雷奇市又召开了第2届智能计算国际会议WCCI’98。2002年5月,在美国州夏威夷州首府火奴鲁鲁市又召开了第3届智能计算国际会议WCCI’02。此外,IEEE还出版了一些与智能计算有关的刊物。 目前,智能计算的发展得到了国内外众多的学术组织和研究机构的高度重视,并已成为智能科学技术一个重要的研究领域。
  • 41. 智能计算-回归自然自下而上的研究思路 传统人工智能研究思路是自上而下,现代智能计算方法强调通过计算实现生物内在的智能行为,也称为智能计算 从简单到复杂的演化进程 智能的获得不是一蹴而就,是渐进式的积累过程,简单中孕育复杂,平凡中蕴含智慧 在传统学科中寻找算法 如生命科学(遗传算法)、物理学(模拟退火算法)和化学(DNA计算)等 从自然与社会系统中获得灵感 如蚂蚁算法、禁忌搜索和粒子群优化方法,模糊计算及模糊系统、粗造集及其系统
  • 42. 相互关系 智能计算与人工智能的界限并非十分明显,1992年Bezdek给出了一个有趣的关系图,其中 NN—神经网络,PR—模式识别,I—智能 A-Artificial, 表示人工的(非生物的),即人造的 B-Biological, 表示物理的+化学的+(??)=生物的 C-Computational, 表示数学+计算机ABC的关系图 智能计算是一种智力方式的低层认知,传统人工智能是中层认知,中层系统含有知识,当一个智能计算系统以非数值方式加上知识值,则为人工智能系统