導(dǎo)語：如何才能寫好一篇人工神經(jīng)網(wǎng)絡(luò)的起源，這就需要搜集整理更多的資料和文獻(xiàn)，歡迎閱讀由公務(wù)員之家整理的十篇范文，供你借鑒。

篇1

在上世紀(jì)九十年代初期，利用數(shù)學(xué)知識將感知器模型的弊病全面提出，致使社會各界對于人工神經(jīng)網(wǎng)絡(luò)的探究非常少。另一方面，針對邏輯運算的人工神經(jīng)網(wǎng)絡(luò)研究存在一定的弊端，一直沒有被大家發(fā)現(xiàn)，因此，致使人工神經(jīng)網(wǎng)絡(luò)探究工程進(jìn)入嚴(yán)重的低谷期。

關(guān)于人工神經(jīng)網(wǎng)絡(luò)技術(shù)飛速發(fā)展時期，九十年代初期，對于人工神經(jīng)網(wǎng)絡(luò)技術(shù)的弊端予以充分解決，尤其是Hopefield的人工神經(jīng)網(wǎng)絡(luò)技術(shù)模型的提出，致使對于互聯(lián)網(wǎng)的穩(wěn)定性以及收斂性的探究有了充分的理論依據(jù)。而且將人工神經(jīng)網(wǎng)絡(luò)模型全面應(yīng)用到具體的實踐中，并且得到全面推廣，同時，將科學(xué)技術(shù)和人工神經(jīng)網(wǎng)絡(luò)進(jìn)行有機結(jié)合，使人工神經(jīng)網(wǎng)絡(luò)技術(shù)更加具有可研究性。

2關(guān)于人工神經(jīng)技術(shù)的構(gòu)造以及典型模型

互聯(lián)網(wǎng)人工神經(jīng)技術(shù)的構(gòu)造的組成包括以神經(jīng)元件為主，同時，這項包含多種神經(jīng)元結(jié)構(gòu)的互聯(lián)網(wǎng)信息處理技術(shù)是可以并行存在的。每一個具體的人工神經(jīng)元件可以單一輸出，還可以和其他的神經(jīng)元件相結(jié)合，并且具有非常多的連接輸出方法，每一種連接措施都會有相應(yīng)的權(quán)系數(shù)。具體的人工神經(jīng)網(wǎng)絡(luò)技術(shù)的特點有：（1）針對每一個節(jié)點i，都會有相應(yīng)的狀態(tài)變量Xi存在；（2）節(jié)點j到節(jié)點i之間，是相應(yīng)的權(quán)系數(shù)Wij存在；（3）在每一個節(jié)點i的后面，具體存在相應(yīng)的閾值θi；（4）在每一個節(jié)點i的后面，存在變換函數(shù)fi（Xi，Wijθi），但是，通常情況來說，這個函數(shù)取fi(∑，WijXi-θi)的情況。

3將人工神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行全面使用

互聯(lián)網(wǎng)的人工神經(jīng)網(wǎng)絡(luò)技術(shù)具有獨特的結(jié)構(gòu)和處理措施，具體包括在：自動控制處理和網(wǎng)絡(luò)技術(shù)模式識別、模型圖像處理和相應(yīng)的傳感器信號處理技術(shù)。信號處理技術(shù)和機器人控制處理技術(shù)、地理領(lǐng)域和焊接、在電力系統(tǒng)應(yīng)用和相關(guān)數(shù)據(jù)挖掘、軍事和交通行業(yè)、農(nóng)業(yè)和氣象行業(yè)等多個領(lǐng)域紛紛體現(xiàn)出其卓越的貢獻(xiàn)。

ART人工神經(jīng)網(wǎng)絡(luò)技術(shù)的運用。人工神經(jīng)網(wǎng)絡(luò)技術(shù)ART在網(wǎng)絡(luò)語音和網(wǎng)絡(luò)圖像、文字處理和具體識別等方面，得到廣泛的應(yīng)用；同時，在工業(yè)處理系統(tǒng)中也有相應(yīng)的應(yīng)用，例如，在工業(yè)系統(tǒng)中的故障診斷和故障檢測以及事故警報等情況的控制；人工神經(jīng)網(wǎng)絡(luò)ART技術(shù)還應(yīng)用在數(shù)據(jù)挖掘方面，在相關(guān)數(shù)據(jù)中挖掘最穩(wěn)定和最有意義的模式。具體的神經(jīng)網(wǎng)絡(luò)技術(shù)ART的優(yōu)勢為：網(wǎng)絡(luò)技術(shù)處理能力高、穩(wěn)定性強以及聚類效果非常好。

4結(jié)束語

篇2

關(guān)鍵詞 霾；人工神經(jīng)網(wǎng)絡(luò)；R語言；BP算法；預(yù)報方法；山東淄博

中圖分類號 P457.7 文獻(xiàn)標(biāo)識碼 A 文章編號 1007-5739（2017）10-0209-03

近年來，淄博地區(qū)空氣中的細(xì)顆粒物和氣體污染物明顯增加，空氣質(zhì)量變差。這不僅對市民的健康構(gòu)成了危脅，而且降低了大氣的能見度，對交通出行造成影響，也通過遠(yuǎn)距離傳輸對周邊地區(qū)帶來一定的影響。

目前，國內(nèi)外霾的預(yù)報主要有數(shù)值預(yù)報、模式輸出統(tǒng)計預(yù)報等方法。數(shù)值預(yù)報方法在大氣動力學(xué)模式的基礎(chǔ)上耦合了化學(xué)模塊，直接模擬大氣污染與大氣氣象要素場的變化過程，具有良好的發(fā)展前景；但受到源排放清單不確定等因素影響，在日常預(yù)報業(yè)務(wù)中受到一定限制。模式輸出統(tǒng)計預(yù)報方法首先依據(jù)污染物濃度數(shù)據(jù)集篩選出關(guān)聯(lián)性強的氣象因子，然后利用統(tǒng)計方法建立預(yù)報方程，最后利用模式輸出量代入預(yù)報方程進(jìn)行預(yù)報。陳亦君等應(yīng)用基于系統(tǒng)辨識理論的實時迭代模式對WRF模式預(yù)報結(jié)果進(jìn)行后處理，建立了上海地區(qū)霾天氣的模式輸出統(tǒng)計方法，結(jié)果表明霾日預(yù)報成功率為72.7%～73.7%[1]。毛宇清等使用SVM分類和回歸方法分別建立了南京地區(qū)霾日分類預(yù)報模型和有霾日能見度預(yù)報模型，預(yù)報試驗結(jié)果表明南京地區(qū)霾日的SVM分類預(yù)報結(jié)果TS評分均在0.4以上，有霾日14：00能見度的SVM回歸預(yù)報結(jié)果準(zhǔn)確率均達(dá)到86%以上[2]。以上研究主要是基于霾與氣象條件之間的相關(guān)性，但是由于霾的嚴(yán)重程度受氣溶膠濃度的影響很大，所以同時考慮氣象條件、氣溶膠濃度將很大程度上提高霾預(yù)報準(zhǔn)確率。本研究嘗試通過建立動態(tài)的預(yù)報模型，利用氣象和大氣化學(xué)模式輸出的結(jié)果來實現(xiàn)霾等級預(yù)報。

1 人工神經(jīng)網(wǎng)絡(luò)和R語言

1.1 人工神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是由簡單處理單元構(gòu)成的大規(guī)模并行分布式處理器，天然地具有存儲經(jīng)驗知識和使之可用的特性。神經(jīng)網(wǎng)絡(luò)在2個方面與大腦相似：一是神經(jīng)網(wǎng)絡(luò)是通過學(xué)習(xí)過程從外界環(huán)境中獲取知識；二是互聯(lián)神經(jīng)元的連接強度，即突觸權(quán)值，用于存儲獲取的知識[3]。

根據(jù)網(wǎng)絡(luò)結(jié)構(gòu)的不同，可將神經(jīng)網(wǎng)絡(luò)分為3種，即前饋網(wǎng)絡(luò)、競爭網(wǎng)絡(luò)以及遞歸聯(lián)想存儲網(wǎng)絡(luò)，本文采用基于誤差反向傳播算法的多層前饋神經(jīng)網(wǎng)絡(luò)，簡稱BP神經(jīng)網(wǎng)絡(luò)。BP網(wǎng)絡(luò)是1986年由Rumelhart和McCelland為首的科學(xué)家小組提出的，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)具有非線性映射、自適應(yīng)、自學(xué)習(xí)和自組織能力，通過分布儲存和并行處理的方式，使其具有很強的容錯性和很快的處理速度。BP算法本質(zhì)是優(yōu)化計算中的梯度下降法，利用誤差對于權(quán)、閾值的一階導(dǎo)數(shù)信息，應(yīng)用誤差反傳原理不斷調(diào)整網(wǎng)絡(luò)的權(quán)值、閾值，使網(wǎng)絡(luò)輸出值與期望值之間的誤差平方和達(dá)到最小或小于設(shè)定精度。BP網(wǎng)絡(luò)模型由輸入層、隱藏層和輸出層構(gòu)成，如圖1所示。

1.2 R語言與神經(jīng)網(wǎng)絡(luò)

與起源于貝爾實驗室的S語言類似，R是一種為統(tǒng)計計算和繪圖而生的語言和環(huán)境，它是一套開源的數(shù)據(jù)分析解決方案，由一個龐大且活躍的全球性研究型社區(qū)維護(hù)。R語言提供了各式各樣的數(shù)據(jù)分析技術(shù)，擁有頂尖水準(zhǔn)的制圖功能，可進(jìn)行交互式數(shù)據(jù)分析和探索，易于擴(kuò)展，并為快速編程實現(xiàn)新的統(tǒng)計方法提供了一套十分自然的語言[4]。

R有大量的擴(kuò)展包可以使用，目前有1萬多個包可下載使用，這些包提供了橫跨各種領(lǐng)域、數(shù)量驚人的新功能，包括分析地理數(shù)據(jù)、處理蛋白質(zhì)質(zhì)譜、心理測試分析、金融分析、數(shù)據(jù)挖掘、人工智能、數(shù)據(jù)可視化等功能，神經(jīng)網(wǎng)絡(luò)相關(guān)的包就有19個，常用的有nnet、AMORE、RSNNS等，其中AMORE包提供了S富的控制參數(shù)，本研究采用了AMORE包進(jìn)行霾預(yù)報方法研究。

2 神經(jīng)網(wǎng)絡(luò)預(yù)報模型的建立

分析資料采用淄博市8個地面氣象觀測站點的常規(guī)觀測資料、NCEP再分析資料（1°×1°）及淄博市環(huán)境監(jiān)測站提供的污染物濃度資料組建模型訓(xùn)練樣本。構(gòu)建樣本時間段為2015年4月至2016年9月。

2.1 預(yù)報因子的選取

本研究針對預(yù)報因子的選取主要考慮影響霾天氣形成的氣象因子和主要污染物，包括地面氣壓、溫度、露點溫度、相對濕度、水平風(fēng)速及其上空對流層中低層（500～850 hPa）的水平風(fēng)垂直切變、對流層中低層的層結(jié)不穩(wěn)定及近地面層的逆溫，以及主要污染物PM2.5濃度等9個預(yù)報因子作為訓(xùn)練樣本，此處通過計算850 hPa與1 000 hPa假相當(dāng)位溫垂直差代表對流層中低層的層結(jié)不穩(wěn)定、925 hPa與1 000 hPa溫度垂直差代表近地面層的逆溫。

2.2 建模訓(xùn)練樣本的處理

2015年4月1日至2016年9月30日，樣本數(shù)據(jù)為1次/d，每個站的總樣本數(shù)為549個。為提高霾天氣預(yù)報準(zhǔn)確率，在保證有霾和無霾樣本的代表性情況下，本研究保留了有霾的樣本，在無霾樣本中隨機剔除部分樣本，提高了霾日樣本所占比例，最終樣本數(shù)見表1。

2.2.1 樣本資料的歸一化處理。為消除預(yù)報因子之間的量綱影響，提高訓(xùn)練樣本的速度，首先要對網(wǎng)絡(luò)輸入數(shù)據(jù)進(jìn)行歸一化處理，使其值在0～1之間。為保證建立的模型具有一定的外推能力，最好使數(shù)據(jù)預(yù)處理后的值在0.2～0.9之間。本研究中因子的歸一化處理方法如下： f（x）=（x-xmin）×0.7/（xmax-xmin）+0.2，式中xmax代表該組數(shù)據(jù)中的最大值，xmin代表最小值。對網(wǎng)絡(luò)輸出結(jié)果進(jìn)行反算即可得到實際值。

2.2.2 樣本資料的分層抽樣。利用分層抽樣技術(shù)對總體樣本進(jìn)行抽樣，從無霾樣本和不同等級的霾樣本中抽樣，將總體樣本劃分為訓(xùn)練樣本和測試樣本2個部分，訓(xùn)練樣本占總樣本的80%，測試樣本占20%。分層抽樣采用R語言的samping包中的strata函數(shù)來實現(xiàn)，抽樣方法選用無放回的簡單隨機抽樣法（srswor）。

2.3 神經(jīng)網(wǎng)絡(luò)模型的建立

神經(jīng)網(wǎng)絡(luò)模型由1個輸入層、1個輸出層和若干個隱藏層構(gòu)成，輸入層由9個節(jié)點組成，輸出層由1個節(jié)點組成。輸入層節(jié)點數(shù)和輸出層節(jié)點數(shù)確定后，對隱藏層節(jié)點數(shù)和隱藏層數(shù)進(jìn)行優(yōu)化。如果隱藏層節(jié)點數(shù)過少，網(wǎng)絡(luò)不具備必要的學(xué)習(xí)能力和信息處理能力；反之，如果過多，則會大大增加網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜性，使網(wǎng)絡(luò)在學(xué)習(xí)過程中更容易陷入局部極小點，而且會使網(wǎng)絡(luò)的學(xué)習(xí)速度變得很慢。一般在確定隱藏層節(jié)點數(shù)時采用經(jīng)驗公式或逐步試驗法。至于網(wǎng)絡(luò)中的神經(jīng)元層數(shù)，大多數(shù)實際的神經(jīng)網(wǎng)絡(luò)僅有2～3層神經(jīng)元，很少有4層或以上[5]。因此，經(jīng)過反復(fù)試驗，最后確定采用含有2個隱藏層的神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。將樣本資料輸入網(wǎng)絡(luò)進(jìn)行循環(huán)運算，運算過程采用精度和循環(huán)次數(shù)雙層控制，達(dá)到所需精度或一定循環(huán)次數(shù)后，利用得到確定的網(wǎng)絡(luò)權(quán)、閾值即構(gòu)建所需的神經(jīng)網(wǎng)絡(luò)預(yù)報模型（圖2）。

構(gòu)建神經(jīng)網(wǎng)絡(luò)預(yù)報模型時誤差準(zhǔn)則選用最小均方（LMS）算法，隱藏層的激活函數(shù)選用sigmoid函數(shù)，輸出層的激活函數(shù)選用purelin函數(shù)，訓(xùn)練方法采用動量自適應(yīng)梯度下降法（ADAPTgdwm）。

2.4 神經(jīng)網(wǎng)絡(luò)模型的測試

利用總樣本中20%的數(shù)據(jù)作為測試樣本集進(jìn)行測試，神經(jīng)網(wǎng)絡(luò)模型輸出的霾日預(yù)報準(zhǔn)確率達(dá)到80%以上。神經(jīng)網(wǎng)絡(luò)訓(xùn)練和測試部分代碼如下：

#進(jìn)行訓(xùn)練

net

result

#進(jìn)行測試

y

y[which（y

y[which（y>4）]

y

precision

cat（′測試準(zhǔn)確率為′，precision，′＼n′）；

3 預(yù)報結(jié)果的檢驗分析

本研究所用的神經(jīng)網(wǎng)絡(luò)模型由R語言進(jìn)行建模并完成測試，基于神經(jīng)網(wǎng)絡(luò)算法搭建了淄博地區(qū)站點霾等級預(yù)報系統(tǒng)。系統(tǒng)中的氣象因子使用歐洲細(xì)網(wǎng)格數(shù)值預(yù)報產(chǎn)品，環(huán)境因子使用CUACE霧霾數(shù)值模式產(chǎn)品，利用每天20：00的預(yù)報產(chǎn)品，預(yù)報未來72 h的霾等級，時間分辨率為3 h。利用該系統(tǒng)對2016年10月26日至11月27日期間淄博地區(qū)的霾進(jìn)行了72 h預(yù)報試驗，并把得到的預(yù)報結(jié)果與地面觀測實況作對比分析（表2）。

對預(yù)報檢驗結(jié)果分析如下：

（1）從單站預(yù)報情況看，5個站點的預(yù)報準(zhǔn)確率達(dá)到了75%以上，預(yù)報模型輸出的預(yù)報結(jié)果可用性較高，而站點54824、54825的空報率和漏報率較高，這可能與EC模式、CUACE模式的預(yù)報誤差有關(guān)。以淄博站（54830）為例，在2016年10月26日至11月27日期間輸入3 h間隔預(yù)報產(chǎn)品，預(yù)報次數(shù)為768次，預(yù)報結(jié)果為無霾正確632次、無霾空報80次、有霾漏報45次、有霾正確11次，漏報率為5.86%，空報率為10.42%，準(zhǔn)確達(dá)到83.72%。

（2）從總體情況來看，淄博8個站點的平均預(yù)報準(zhǔn)確率為74.02%，平均漏報率5.37%，平均空報率為20.61%，霾的漏報率較低，空報率略高。

（3）從霾日分級預(yù)報情況看（表3），除54824站預(yù)報偏輕外，霾等級預(yù)報整體偏重。

4 結(jié)論與討論

（1）本研究采用BP算法的人工神經(jīng)網(wǎng)絡(luò)，利用NCEP再分析資料和實況觀測資料建立了淄博地區(qū)8個站點的霾等級預(yù)報模型，經(jīng)過測試樣本測試，霾日預(yù)報準(zhǔn)確率達(dá)到80%以上。

（2）本研究基于人工神經(jīng)網(wǎng)絡(luò)模型，利用歐洲細(xì)網(wǎng)格數(shù)值模式輸出的氣象預(yù)報產(chǎn)品及CUACE模式輸出的污染物濃度預(yù)報產(chǎn)品搭建了淄博地區(qū)站點霾等級預(yù)報系統(tǒng)，并經(jīng)過1個月的預(yù)報檢驗，平均預(yù)報準(zhǔn)確率可達(dá)74%以上，對實際業(yè)務(wù)中霾的預(yù)報有一定參考意義。

（3）本研究訓(xùn)練樣本數(shù)據(jù)由于受到PM2.5數(shù)據(jù)限制，樣本偏小，有待進(jìn)一步補充，以提高神經(jīng)網(wǎng)絡(luò)模型的穩(wěn)定性和準(zhǔn)確性。

（4）由于本研究中構(gòu)建的霾等級預(yù)報系統(tǒng)是在利用數(shù)值預(yù)報產(chǎn)品解釋應(yīng)用的基礎(chǔ)上進(jìn)行的，準(zhǔn)確率受到數(shù)值預(yù)報本身準(zhǔn)確性的影響，所以檢驗系統(tǒng)預(yù)報準(zhǔn)確率的同時對數(shù)值預(yù)報產(chǎn)品的檢驗和訂正很有必要。

5 參考文獻(xiàn)

[1] 陳亦君，尤佳紅，束炯，等.基于WRF-RTIM的上海地區(qū)霾預(yù)報MOS方法研究[J].環(huán)境科學(xué)學(xué)報，2014，34（3）：574-581.

[2] 毛宇清，孫燕，姜愛軍，等.南京地區(qū)霾預(yù)報方法試驗研究[J].氣候與環(huán)境研究，2011，16（3）：273-279.

[3] HAYKIN S.神經(jīng)網(wǎng)絡(luò)與機器學(xué)習(xí)[M].申富饒，譯.北京：機械工業(yè)出版社，2011：1.

篇3

關(guān)鍵詞：人機大戰(zhàn)；人工智能；發(fā)展前景

中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A

0.引言

2016年3月15日，備受矚目的“人機大戰(zhàn)”終于落下帷幕，最終Google公司開發(fā)的“AlphaGo”以4∶1戰(zhàn)勝了韓國九段棋手李世h。毫無疑問，這是人工智能歷史上一個具有里程碑式的大事件。大家一致認(rèn)為，人工智能已經(jīng)上升到了一個新的高度。

這次勝利與1997年IBM公司的“深藍(lán)”戰(zhàn)勝國際象棋世界冠軍卡斯帕羅不同。主要表現(xiàn)在兩個方面：

（1）AlphaGo的勝利并非僅僅依賴強悍的計算能力和龐大的棋譜數(shù)據(jù)庫取勝，而是AlphaGo已經(jīng)擁有了深度學(xué)習(xí)的能力，能夠?qū)W習(xí)已經(jīng)對弈過的棋盤，并在練習(xí)和實戰(zhàn)中不斷學(xué)習(xí)和積累經(jīng)驗。

（2）圍棋比國際象棋更加復(fù)雜，圍棋棋盤有361個點，其分支因子無窮無盡，19×19格圍棋的合法棋局?jǐn)?shù)的所有可能性是冪為171的指數(shù)，這樣的計算量相當(dāng)巨大。英國圍棋聯(lián)盟裁判托比表示：“圍棋是世界上最為復(fù)雜的智力游戲，它簡單的規(guī)則加深了棋局的復(fù)雜性”。因此，進(jìn)入圍棋領(lǐng)域一直被認(rèn)為是目前人工智能的最大挑戰(zhàn)。

簡而言之，AlphaGo取得勝利的一個很重要的方面就是它擁有強大的“學(xué)習(xí)”能力。深度學(xué)習(xí)是源于人工神經(jīng)網(wǎng)絡(luò)的研究，得益于大數(shù)據(jù)和互聯(lián)網(wǎng)技術(shù)。本文就從人工智能的發(fā)展歷程與現(xiàn)狀入手，在此基礎(chǔ)上分析了人工智能的未來發(fā)展前景。

1.人工智能的發(fā)展歷程

AlphaGo的勝利表明，人工智能發(fā)展到今天，已經(jīng)取得了很多卓越的成果。但是，其發(fā)展不是一帆風(fēng)順的，人工智能是一個不斷進(jìn)步，并且至今仍在取得不斷突破的學(xué)科。回顧人工智能的發(fā)展歷程，可大致分為孕育、形成、暗淡、知識應(yīng)用和集成發(fā)展五大時期。

孕育期：1956年以前，數(shù)學(xué)、邏輯、計算機等理論和技術(shù)方面的研究為人工智能的出現(xiàn)奠定了基礎(chǔ)。德國數(shù)學(xué)家和哲學(xué)家萊布尼茨把形式邏輯符號化，奠定了數(shù)理邏輯的基礎(chǔ)。英國數(shù)學(xué)家圖靈在1936年創(chuàng)立了自動機理論（亦稱圖靈機），1950年在其著作《計算機與智能》中首次提出“機器也能思維”，被譽為“人工智能之父”。總之，這些人為人工智能的孕育和產(chǎn)生做出了巨大的貢獻(xiàn)。

形成期：1956年夏季，在美國達(dá)特茅斯大學(xué)舉辦了長達(dá)2個多月的研討會，熱烈地討論用機器模擬人類智能的問題。該次會議首次使用了“人工智能”這一術(shù)語。這是人類歷史上第一次人工智能研討會，標(biāo)志著人工智能學(xué)科的誕生。其后的十幾年是人工智能的黃金時期。在接下來的幾年中，在眾多科學(xué)家的努力下，人工智能取得了矚目的突破，也在當(dāng)時形成了廣泛的樂觀思潮。

暗淡期：20世紀(jì)70年代初，即使最杰出的AI程序也只能解決問題中最簡單的部分，發(fā)展遇到瓶頸也就是說所有的AI程序都只是“玩具”，無法解決更為復(fù)雜的問題。隨著AI遭遇批評，對AI提供資助的機構(gòu)也逐漸停止了部分AI的資助。資金上的困難使得AI的研究方向縮窄，缺少了以往的自由探索。

知識應(yīng)用期：在80年代，“專家系統(tǒng)”（Expect System）成為了人工智能中一個非常主流的分支。“專家系統(tǒng)”是一種程序，為計算機提供特定領(lǐng)域的專門知識和經(jīng)驗，計算機就能夠依據(jù)一組從專門知識中推演出的邏輯規(guī)則在某一特定領(lǐng)域回答或解決問題。不同領(lǐng)域的專家系統(tǒng)基本都是由知識庫、數(shù)據(jù)庫、推理機、解釋機制、知識獲取等部分組成。

集成發(fā)展期：得益于互聯(lián)網(wǎng)的蓬勃發(fā)展、計算機性能的突飛猛進(jìn)、分布式系統(tǒng)的廣泛應(yīng)用以及人工智能多分支的協(xié)同發(fā)展，人工智能在這一階段飛速發(fā)展。尤其是隨著深度學(xué)習(xí)和人工神經(jīng)網(wǎng)絡(luò)研究的不斷深入，人工智能在近幾十年中取得了長足的進(jìn)步，取得了令人矚目的成就。

人工智能發(fā)展到今天，出現(xiàn)了很多令人矚目的研究成果。AlphaGo的勝利就是基于這些研究成果的一個里程碑。當(dāng)前人工智能的研究熱點主要集中在自然語言處理、機器學(xué)習(xí)、人工神經(jīng)網(wǎng)絡(luò)等領(lǐng)域。

2.人工智能l展現(xiàn)狀與前景

人工智能當(dāng)前有很多重要的研究領(lǐng)域和分支。目前，越來越多的AI項目依賴于分布式系統(tǒng)，而當(dāng)前研究的普遍熱點則集中于自然語言處理、機器學(xué)習(xí)和人工神經(jīng)網(wǎng)絡(luò)等領(lǐng)域。

自然語言處理：自然語言處理（Natural Language Processing，簡稱NLP），是語言學(xué)與人工智能的交叉學(xué)科，其主要功能就是實現(xiàn)讓機器明白人類的語言，這需要將人類的自然語言轉(zhuǎn)化為計算機能夠處理的機器語言。

自然語言處理主要包括詞法分析、句法分析和語義分析三大部分。詞法分析的核心就是分詞處理，即單詞的邊界處理。句法分析就是對自然語言中句子的結(jié)構(gòu)、語法進(jìn)行分析如辨別疑問句和感嘆句等。而語義分析則注重情感分析和整個段落的上下文分析，辨別一些字詞在不同的上下文定的語義和情感態(tài)度。

當(dāng)前自然語言的處理主要有兩大方向。一種是基于句法-語義規(guī)則的理性主義理論，該理論認(rèn)為需要為計算機制定一系列的規(guī)則，計算機在規(guī)則下進(jìn)行推理與判斷。因此其技術(shù)路線是一系列的人為的語料建設(shè)與規(guī)則制定。第二種是基于統(tǒng)計學(xué)習(xí)的經(jīng)驗主義理論，這種理論在最近受到普遍推崇。該理論讓計算機自己通過學(xué)習(xí)并進(jìn)行統(tǒng)計推斷的方式不停地從數(shù)據(jù)中“學(xué)習(xí)”語言，試圖刻畫真實世界的語言現(xiàn)象，從數(shù)據(jù)中統(tǒng)計語言的規(guī)律。

機器學(xué)習(xí)：機器學(xué)習(xí)（Machine Learning）是近20年來興起的人工智能一大重要領(lǐng)域。其主要是指通過讓計算機在數(shù)據(jù)中自動分析獲得規(guī)律，從而獲取“自我學(xué)習(xí)”的能力，并利用規(guī)律對未知數(shù)據(jù)進(jìn)行判斷和預(yù)測的方法。

機器學(xué)致可以分為有監(jiān)督的學(xué)習(xí)和無監(jiān)督的學(xué)習(xí)。有監(jiān)督的學(xué)習(xí)是從給定的訓(xùn)練數(shù)據(jù)集中練出一個函數(shù)和目標(biāo)，當(dāng)有新的數(shù)據(jù)到來時，可以由訓(xùn)練得到函數(shù)預(yù)測目標(biāo)。有監(jiān)督的學(xué)習(xí)要求訓(xùn)練集同時有輸入和輸出，也就是所謂的特征和目標(biāo)。而依據(jù)預(yù)測的結(jié)果是離散的還是連續(xù)的，將有監(jiān)督的學(xué)習(xí)分為兩大問題，即統(tǒng)計分類問題和回歸分析問題。統(tǒng)計分類的預(yù)測結(jié)果是離散的，如腫瘤是良性還是惡性等；而回歸分析問題目標(biāo)是連續(xù)的，如天氣、股價等的預(yù)測。

無監(jiān)督學(xué)習(xí)的訓(xùn)練集則沒有人為標(biāo)注的結(jié)果，這就需要計算機去發(fā)現(xiàn)數(shù)據(jù)間的聯(lián)系并用來分類等。一種常見的無監(jiān)督學(xué)習(xí)是聚類分析（Cluster Analysis），它是將相似的對象通過靜態(tài)分類的方法分成不同的組別或者是特定的子集，讓同一個子集中的數(shù)據(jù)對象都有一些相似的屬性，比較常用的聚類方法是簡潔并快速的“K-均值”聚類算法。它基于K個中心并對距離這些中心最近的數(shù)據(jù)對象進(jìn)行分類。

機器學(xué)習(xí)還包括如半監(jiān)督學(xué)習(xí)和增強學(xué)習(xí)等類別。總而言之，機器學(xué)習(xí)是研究如何使用機器來模擬人類學(xué)習(xí)活動的一門學(xué)科，而其應(yīng)用隨著人工智能研究領(lǐng)域的深入也變得越來越廣泛，如模式識別、計算機視覺、語音識別、推薦算法等領(lǐng)域越來越廣泛地應(yīng)用到了機器學(xué)習(xí)中。

人工神經(jīng)網(wǎng)絡(luò)：在腦神經(jīng)科學(xué)領(lǐng)域，人們認(rèn)為人類的意識及智能行為，都是通過巨大的神經(jīng)網(wǎng)絡(luò)傳遞的，每個神經(jīng)細(xì)胞通過突出與其他神經(jīng)細(xì)胞連接，當(dāng)通過突觸的信號強度超過某個閾值時，神經(jīng)細(xì)胞便會進(jìn)入激活狀態(tài)，向所連接的神經(jīng)細(xì)胞一層層傳遞信號。于1943年提出的基于生物神經(jīng)元的M-P模型的主要思想就是將神經(jīng)元抽象為一個多輸入單輸出的信息處理單元，并通過傳遞函數(shù)f對輸入x1，x2…，xn進(jìn)行處理并模擬神經(jīng)細(xì)胞的激活模式。主要的傳遞函數(shù)有階躍型、線性型和S型。

在此基礎(chǔ)上，對神經(jīng)網(wǎng)絡(luò)算法的研究又有諸多進(jìn)展。日本的福島教授于1983年基于視覺認(rèn)知模型提出了卷積神經(jīng)網(wǎng)絡(luò)計算模型。通過學(xué)習(xí)訓(xùn)練獲取到卷積運算中所使用的卷積系數(shù)，并通過不同層次與自由度的變化，可以得到較為優(yōu)化的計算結(jié)果。而AlphaGo也正是采用了這種深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）模型，提高了AlphaGo的視覺分類能力，也就是所謂的“棋感”，增強了其對全盤決策和把握的能力。

3.人工智能的發(fā)展前景

總體來看，人工智能的應(yīng)用經(jīng)歷了博弈、感知、決策和反饋這幾個里程碑。在以上4個領(lǐng)域中，既是縱向發(fā)展的過程，也是橫向不斷改進(jìn)的過程。

人工智能在博弈階段，主要是實現(xiàn)邏輯推理等功能，隨著計算機處理能力的進(jìn)步以及深度學(xué)習(xí)等算法的改進(jìn)，機器擁有了越來越強的邏輯與對弈能力。在感知領(lǐng)域，隨著自然語言處理的進(jìn)步，機器已經(jīng)基本能對人類的語音與語言進(jìn)行感知，并且能夠已經(jīng)對現(xiàn)實世界進(jìn)行視覺上的感知。基于大數(shù)據(jù)的處理和機器學(xué)習(xí)的發(fā)展，機器已經(jīng)能夠?qū)χ車沫h(huán)境進(jìn)行認(rèn)知，例如微軟的Kinect就能夠準(zhǔn)確的對人的肢體動作進(jìn)行判斷。該領(lǐng)域的主要實現(xiàn)還包括蘋果的Siri，谷歌大腦以及無人駕駛汽車中的各種傳感器等。在以上兩個階段的基礎(chǔ)上，機器擁有了一定的決策和反饋的能力。無人駕駛汽車的蓬勃發(fā)展就是這兩個里程碑很好的例證。Google的無人駕駛汽車通過各種傳感器對周圍的環(huán)境進(jìn)行感知并處理人類的語言等指令，利用所收集的信息進(jìn)行最后的決策，比如操作方向盤、剎車等。

人工智能已經(jīng)滲透到生活中的各個領(lǐng)域。機器已經(jīng)能識別語音、人臉以及視頻內(nèi)容等，從而實現(xiàn)各種人際交互的場景。在醫(yī)學(xué)領(lǐng)域，人工智能可以實現(xiàn)自動讀片和輔助診斷以及個性化t療和基因排序等功能。在教育領(lǐng)域，機器也承擔(dān)了越來越多的輔助教育，智能交互的功能。在交通領(lǐng)域，一方面無人車的發(fā)展表明無人駕駛是一個可以期待的未來，另一方面人工智能能夠帶來更加通暢和智能的交通。另外人工智能在安防、金融等領(lǐng)域也有非常廣闊的發(fā)展前景。總之，人工智能在一些具有重復(fù)性的和具備簡單決策的領(lǐng)域已經(jīng)是一種非常重要的工具，用來幫助人們解決問題，創(chuàng)造價值。

參考文獻(xiàn)

[1]阮曉東.從AlphaGo的勝利看人工智能的未來[J].新經(jīng)濟(jì)導(dǎo)刊，2016 （6）：69-74.

篇4

【關(guān)鍵詞】供水系統(tǒng)；供水泵站；PID控制；人工神經(jīng)網(wǎng)絡(luò)；模糊控制；專家控制；控制策略

一、前言

隨著自動化程度的不斷提高，運動控制系統(tǒng)可以采用以前很難實現(xiàn)的復(fù)雜算法，控制性能也有了很大的提高。運動控制系統(tǒng)中控制器的智能化，為解決那些用傳統(tǒng)方法難以解決的復(fù)雜系統(tǒng)的控制提供了有效的理論和方法。運動控制方法較為成熟的有：PID控制算法、人工神經(jīng)網(wǎng)絡(luò)控制、模糊控制、專家控制、仿人智能控制等。

二、運動控制的主要方法

1．PID控制。PID控制是最早發(fā)展起來的、應(yīng)用領(lǐng)域至今仍然廣泛的控制方法之一，它是基于對象數(shù)學(xué)模型的方法，尤其適用于可建立精確數(shù)學(xué)模型的確定性控制系統(tǒng)。但對于非線形、時變不確定性系統(tǒng)，難以用常規(guī)的PID控制器達(dá)到理想的控制效果。而且，在實際生產(chǎn)中，由于受參數(shù)整定方法繁雜的困擾，常規(guī)的PID參數(shù)往往整定不良、性能欠佳。

2．人工神經(jīng)網(wǎng)絡(luò)控制。人工神經(jīng)網(wǎng)絡(luò)起源于20世紀(jì)40年代，它從某些方面反映了人腦的基本特征，但并不是人腦的真實描寫，而只是它的抽象、簡化和模擬，網(wǎng)絡(luò)的信息處理由神經(jīng)元間的相互作用來實現(xiàn)。神經(jīng)網(wǎng)絡(luò)控制的關(guān)鍵是選擇一個合適的神經(jīng)網(wǎng)絡(luò)模型，并對其進(jìn)行訓(xùn)練與學(xué)習(xí)，直至達(dá)到要求為止，即尋找最優(yōu)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與權(quán)值。然而，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，需要一定的實驗樣本，這些實驗樣本也必須從已知經(jīng)驗和事先的實驗中獲得。同時，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與學(xué)習(xí)過程，有時較為復(fù)雜，需要運行成千上萬次才能獲得最佳結(jié)構(gòu)。有時獲得的是一個局部最優(yōu)解，而不是全局最優(yōu)解，因方法的局限性，同樣也難于對所討論的對象實現(xiàn)有效的控制。

3．模糊控制。實際工程中，一個非常熟練的操作人員，能憑借自己豐富的實踐經(jīng)驗，通過對現(xiàn)場的各種現(xiàn)象的判斷取得較滿意的控制效果。如果將憑經(jīng)驗所采取的措施轉(zhuǎn)變成相應(yīng)的控制規(guī)則，并且研制一個控制器來代替這些規(guī)則，也可實現(xiàn)對復(fù)雜工業(yè)過程的控制。實踐證明，以模糊控制理論為基礎(chǔ)的模糊控制器(FC)能夠完成這個任務(wù)。

模糊控制是基于模糊推理和模仿人的思維方法，對難以建立數(shù)學(xué)模型的對象實施的一種控制。它用模糊數(shù)學(xué)中的模糊集合來刻畫這些模糊語言，并用產(chǎn)生式規(guī)則，即“假如條件成立則執(zhí)行”語句予以實現(xiàn)。模糊控制技術(shù)的應(yīng)用在國內(nèi)已取得明顯效果。

4．專家控制。專家控制是智能控制的一個重要部分，它在將專家系統(tǒng)的理論和技術(shù)同控制理論的理論和方法有機結(jié)合的基礎(chǔ)上，在未知環(huán)境下模仿專家的智能，實現(xiàn)對系統(tǒng)的有效控制。專家控制的核心是專家系統(tǒng)，它具有處理各種非結(jié)構(gòu)性問題，尤其是處理定性的、啟發(fā)式的或不確定性的知識信息，經(jīng)過各種推理過程達(dá)到系統(tǒng)的控制目標(biāo)。

5．仿人智能控制。仿人智能控制(HSIC)經(jīng)過20年來的努力，已形成了基本理論體系和較系統(tǒng)的設(shè)計方法，并在大量的實際應(yīng)用中獲得成功。其主要內(nèi)容是總結(jié)人的控制經(jīng)驗，模仿人的控制思想和行為，以產(chǎn)生式規(guī)則描述其在控制方面的啟發(fā)與直覺推理行為。由于HSIC的基本特點是模仿控制專家的控制行為，因此它的控制算法是多模態(tài)控制的，是多種模態(tài)控制間的相互交替使用。該算法可以完美地協(xié)調(diào)控制系統(tǒng)中諸多相互矛盾的控制品質(zhì)的要求。比如，魯棒性與精確性，快速性與平穩(wěn)性等。

三、供水泵站特點與其控制要求

在城市建設(shè)的發(fā)展過程中，智能建筑已成為人們追求良好居住條件的一個標(biāo)準(zhǔn)，而供水泵站是智能建筑群域不可缺少的環(huán)節(jié)，合理選擇水泵的控制方式，不僅可以降低工程造價，還能節(jié)能。

1．供水系統(tǒng)特性。針對特定對象，用戶用水最突出的特點是隨機性，哪個用戶用水、用多少水、什么時候用水等，都具有很大的不確定性。從宏觀角度考慮，供水系統(tǒng)特性主要表現(xiàn)在以下幾個方面：

（1）系統(tǒng)參數(shù)的未知性、時變性、隨機性和分散性；

（2）系統(tǒng)滯后的未知性和時變性；

（3）系統(tǒng)嚴(yán)重的非線性；

（4）系統(tǒng)各變量間的關(guān)聯(lián)性；

（5）環(huán)境干擾的未知性、多樣性和隨機性。

2．控制中存在的問題。上述特性，屬于不確定性的復(fù)雜對象(或過程)的控制問題，傳統(tǒng)控制已經(jīng)無能為力，主要表現(xiàn)在：

轉(zhuǎn)貼于 （1）不確定性問題。供水系統(tǒng)中的很多控制問題具有不確定性，用傳統(tǒng)方法難以建模，因而也無法實現(xiàn)有效的控制。

（2）高度非線性。在供水系統(tǒng)中有大量的非線性問題存在，傳統(tǒng)控制理論中，非線性理論遠(yuǎn)不如線性理論成熟，因方法過分復(fù)雜而難以應(yīng)用。

（3）半結(jié)構(gòu)化與非結(jié)構(gòu)化問題。傳統(tǒng)控制理論無法解決供水系統(tǒng)中的半結(jié)構(gòu)化與非結(jié)構(gòu)化問題。

（4）供水系統(tǒng)復(fù)雜性問題。復(fù)雜系統(tǒng)中各子系統(tǒng)間關(guān)系錯綜復(fù)雜，各要素間高度耦合，互相制約，外部環(huán)境又極其復(fù)雜，傳統(tǒng)控制缺乏有效的解決方法。

（5）可靠性問題。常規(guī)的基于數(shù)學(xué)模型的控制問題傾向于是一個相互依賴的整體，對簡單系統(tǒng)的控制的可靠性問題并不突出。而對供水系統(tǒng)，如果采用上述方法，則(下轉(zhuǎn)第18頁）（上接第16頁）可能由于條件的改變使整個控制系統(tǒng)崩潰。

由此可見，用傳統(tǒng)的方法不能對這類系統(tǒng)進(jìn)行有效的控制，必須探索更有效的控制方法。

3．控制要求。無論采用什么樣的控制手段，都要滿足用戶用水需求(即維持一定的水壓)、保護(hù)環(huán)境不受噪聲污染，此外還要考慮節(jié)能。因此，控制要求可以確定為在滿足用戶對供水要求的前提下，盡可能減少環(huán)境污染和節(jié)約能源。

四、控制策略的選取

控制策略選取與被控對象特性是緊密相關(guān)的，錯誤或不當(dāng)?shù)目刂撇呗酝鶗?dǎo)致控制效果極差，甚至導(dǎo)致系統(tǒng)失控。

目前，在現(xiàn)代的供水泵站中為了節(jié)能都普遍采用了變頻器，為提高控制品質(zhì)創(chuàng)造了良好條件。

變頻器里一般都有PID控制模塊，但對不確定性的供水復(fù)雜系統(tǒng)，用PID算法并不恰當(dāng)。

人工神經(jīng)網(wǎng)絡(luò)，因方法的局限性，同樣也難于對所討論的對象實現(xiàn)有效的控制。

專家控制系統(tǒng)(ECS)，由于特征信息的采集、特征信息的表達(dá)以及完備知識庫的建立實現(xiàn)難度大，采用專家控制系統(tǒng)也不一定是—個好的選擇。

以模糊控制理論為基礎(chǔ)的模糊控制器(FC)能夠?qū)崿F(xiàn)對復(fù)雜工業(yè)過程的控制。其控制品質(zhì)和效果還是令人滿意的，是一種可供選擇的策略。

仿人智能控制，專家分別采用HISC與FC控制策略對不確定性復(fù)雜對象(或過程)作過仿真研究，雖然兩者都是基于誤差和誤差變化率等來計算控制量，但因系統(tǒng)復(fù)雜、不確定性因素多、關(guān)聯(lián)性特強(強耦合)的特點，經(jīng)現(xiàn)場試驗比較，HISC與FC都能實施有效控制，但控制品質(zhì)與魯棒性前者更好，因此采用HSIC完成對不確定性供水系統(tǒng)的控制，是—種較理智的選擇。

五、結(jié)語

智能控制已廣泛應(yīng)用于工業(yè)、農(nóng)業(yè)、軍事等多個領(lǐng)域，已經(jīng)解決了大量的傳統(tǒng)控制無法解決的實際控制應(yīng)用問題，呈現(xiàn)出強大的生命力和發(fā)展前景，隨著基礎(chǔ)理論研究和實際應(yīng)用的擴(kuò)展，智能控制將會實現(xiàn)控制領(lǐng)域的一個大的飛躍。

參考文獻(xiàn)

篇5

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；生存分析；賁門癌

生存分析（survivalanalysis）起源于19世紀(jì)對壽命表的分析，目前已廣泛應(yīng)用到臨床研究中，可以處理含有刪失值的數(shù)據(jù)，可以同時考慮事件發(fā)生的結(jié)局及發(fā)生結(jié)局的時間。目前處理生存資料的方法有參數(shù)模型、非參數(shù)模型及半?yún)?shù)模型。參數(shù)模型對生存時間的分布要求非常嚴(yán)格，醫(yī)學(xué)資料中很少能滿足；生存分析中傳統(tǒng)的回歸模型，例如：Cox比例風(fēng)險模型、加速失效時間模型也要求模型滿足一定的假設(shè)前提，而實際數(shù)據(jù)往往難以滿足這些假設(shè)。神經(jīng)網(wǎng)絡(luò)近年來受到普遍的關(guān)注，在醫(yī)學(xué)領(lǐng)域中的應(yīng)用主要預(yù)測與分類，與傳統(tǒng)回歸模型不同，它可以克服這些缺點，在模型中可以容納非線性效應(yīng)，交互效應(yīng)、協(xié)變量的效應(yīng)可以隨時間變化。目前國內(nèi)研究神經(jīng)網(wǎng)絡(luò)在生存分析中的應(yīng)用尚較少，本文擬探討幾種不同的神經(jīng)網(wǎng)絡(luò)生存模型在賁門癌預(yù)后中的應(yīng)用。

1方法

BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最多的神經(jīng)網(wǎng)絡(luò)，一般由一個輸入層（inputlayer）、一個輸出層（outputlayer）、一個或幾個中間層（隱層）組成，每一層可包含一個或多個神經(jīng)元，其中每一層的每個神經(jīng)元和前一層相連接，同一層之間沒有連接。輸入層神經(jīng)元傳遞輸入信息到第一隱層或直接傳到輸出層，隱層的神經(jīng)元對輸入層的信息加權(quán)求和，加一個常數(shù)后，經(jīng)傳遞函數(shù)運算后傳到下一個隱層（或輸出層），常用的傳遞函數(shù)是logistic函數(shù)，即φh=1/(1+exp(－z))，輸出層神經(jīng)元對前一層的輸入信息加權(quán)求和經(jīng)傳遞函數(shù)φ0（線性或logistic函數(shù)或門限函數(shù)）運算后輸出，例如：如果輸入為xi，對于含一個隱層的神經(jīng)網(wǎng)絡(luò)可以得到：

g(xi,θ)=φ0(αk+∑i≠kwikxi+∑jwjkφh(αj+∑iwijxi))（1）

θ表示未知的參數(shù)矢量（即各層的網(wǎng)絡(luò)權(quán)值），BP神經(jīng)網(wǎng)絡(luò)一般采用BP算法訓(xùn)練網(wǎng)絡(luò)，訓(xùn)練開始時選擇初始值0，BP算法通過梯度下降法得到估計值，使得g(x,)能很好地估計實測值，關(guān)于BP算法及改進(jìn)可參考相關(guān)文獻(xiàn)［1］。

利用BP神經(jīng)網(wǎng)絡(luò)模型建立生存分析模型，常用的方法有：連續(xù)時間模型（continuoustimemodels）與離散時間模型（discretetimemodels）。

1.1連續(xù)時間模型（continuoustimemodels）

最常用的是Faraggi和Simon［2］提出的方法，在Cox比例風(fēng)險模型中,風(fēng)險函數(shù)與時間、協(xié)變量有如下關(guān)系：

h(t,xi)=h0(t)exp(βxi)（2）

通過最大化偏似然函數(shù)，使用Newton-Raphson法得到參數(shù)的估計值，現(xiàn)在使用神經(jīng)網(wǎng)絡(luò)的輸出值g(xi,θ)來代替（2）中的線性項βxi，比例風(fēng)險模型變成h(t,xi)=h0(t)exp［g(xi,θ)］，有偏似然函數(shù)：

Lc(θ)=∏i∈uexp∑jwjk/(1+exp(－wijxi))/∑j∈Riexp∑jwjk/(1+exp(－wijxj))(3)

g(xi,θ)可以依賴時間和協(xié)變量變化，也就是說協(xié)變量的效應(yīng)可以隨時間而變化，這給我們提供了一個可以處理刪失變量但又不需要滿足比例風(fēng)險模型的PH假定的可供選擇的方法。1.2離散時間模型（discretetimemodels）

常用的模型有［3］：（1）直接預(yù)測患者是否可以存活到某年(例如5年)，是最簡單的神經(jīng)網(wǎng)絡(luò)模型，模型的輸出層只有一個神經(jīng)元結(jié)點，如欲預(yù)測多個時間點，則需建立多個神經(jīng)網(wǎng)絡(luò)模型（每個模型對應(yīng)一個時間區(qū)間)；（2）多個輸出結(jié)點的單個神經(jīng)網(wǎng)絡(luò)模型。

1.2.1輸出層有單個結(jié)點的神經(jīng)網(wǎng)絡(luò)模型是一個標(biāo)準(zhǔn)的分類神經(jīng)網(wǎng)絡(luò)模型，生存時間被分成2個區(qū)間，例如生存時間是否大于5年。其似然函數(shù)為：

∏patientsptii(1-pi)(1-ti)

其對數(shù)似然函數(shù)為：

∑patientstilogpi+(1-ti)log(1-pi)

pi：第i個病人死亡的概率，ti：第i個觀測在某時間點（例如5年）的結(jié)果，如觀測死亡，取值為1，否則取值為0。對于刪失的觀測不能簡單地排除，這樣會造成偏性，我們使用Cox線性比例風(fēng)險模型產(chǎn)生的個體預(yù)測值對刪失值做填補。1.2.2輸出層有多個結(jié)點的神經(jīng)網(wǎng)絡(luò)模型將生存時間分成幾個離散的區(qū)間，估計某個區(qū)間事件發(fā)生的概率。

不考慮時間區(qū)間的順序，有模型：logpk-logp1=ηk(X)(k=2,…,P)

從神經(jīng)網(wǎng)絡(luò)可以得到輸出值yk：yk=∑iwikxi+∑jwjkφ1(∑iwijxi)（K=1，…，P）（這里我們設(shè)ηk(x)=yk－y1），

于是可以得到時間區(qū)間k的概率：pk=exp(yk)∑l(yl)

建立似然函數(shù)∏patients∑lik=mi+1pki

mi：觀測i存活的前一個生存區(qū)間，li：最后的時間區(qū)間，pki：第i個病人在時間區(qū)間k死亡的概率。

本次研究采用靈敏度、特異度、一致性指數(shù)C(concordanceindex)［4,5］作為預(yù)測準(zhǔn)確性的評價指標(biāo)。一致性指數(shù)C是對含有刪失數(shù)據(jù)的ROC曲線下面積的推廣(generalization)，是指預(yù)測結(jié)果和實際結(jié)果一致的觀察單位的對子數(shù)占總的有用對子數(shù)的比例,即C=一致的對子數(shù)/有用的對子數(shù)，C接近0.5表明模型的預(yù)測性能差，接近1表明預(yù)測性能好。一致性指數(shù)的計算步驟為［5］：①產(chǎn)生所有的病例配對。若有n個觀察個體,則所有的對子數(shù)為C2n。②排除兩種對子:對子中具有較小觀察時間的個體沒有達(dá)到觀察終點及對子中2個個體都沒達(dá)到觀察終點。③計算有用對子中,預(yù)測結(jié)果和實際相一致的對子數(shù),④計算一致性指數(shù)。

2實例分析

 

賁門癌是常見惡性腫瘤,對236例經(jīng)手術(shù)切除但未行放化療的賁門癌患者隨訪，生存時間為確診到最后一次隨訪，按月記錄，分析的協(xié)變量包括：性別、年齡、腫瘤的長度、組織學(xué)類型、大體分型、浸潤深度、淋巴結(jié)轉(zhuǎn)移情況、TNM分期等臨床上可能的預(yù)后因素。為了減少訓(xùn)練時間，先采用COX比例危險模型對可能影響預(yù)后的因素進(jìn)行篩選，采用向前逐步法，引入標(biāo)準(zhǔn)為0.05，剔除標(biāo)準(zhǔn)為0.10，結(jié)果顯示對賁門癌患者生存率有影響的因素為：病人的腫瘤長度、淋巴結(jié)轉(zhuǎn)移情況、組織學(xué)類型、篩選結(jié)果見表1。

表1賁門癌患者生存的COX逐步回歸分析結(jié)果（略）

Tab.1TheresultofCoxregressionmodelforcarcinomaofthegastriccardia

2.1BP網(wǎng)訓(xùn)練集、校驗集和測試集的確定

從原始數(shù)據(jù)中隨機抽取80例作為訓(xùn)練集，80例作為校驗集，76例為預(yù)測樣本。

2.2輸入數(shù)據(jù)的預(yù)處理

使輸入變量的取值落在0到1的范圍內(nèi)。對于腫瘤長度使用x′i=ximax(x)進(jìn)行歸一化處理；病理分型為無序分類變量，以啞變量的形式賦值。

2.3神經(jīng)網(wǎng)絡(luò)模型的建立及訓(xùn)練

選取Cox回歸選出的3個變量作為網(wǎng)絡(luò)的輸入。建立輸出層為1個結(jié)點的離散型神經(jīng)網(wǎng)絡(luò)時，將病人生存時間按下式分為兩類作為輸出變量

yi（i=1,2,…,n），

即yi=1生存t≥5年

0生存t<5年；建立輸出層為5個結(jié)點的離散型神經(jīng)網(wǎng)絡(luò)時，將病人生存時間分為5類作為輸出變量yi，time<1year，1year≤time<2year，2≤time<3year，3≤time<5year，time>5year。

使用Matlab軟件建立神經(jīng)網(wǎng)絡(luò)模型，學(xué)習(xí)率為0.01，傳遞函數(shù)采用logistic傳遞函數(shù),單結(jié)點網(wǎng)絡(luò)的隱單元數(shù)為2，多結(jié)點網(wǎng)絡(luò)隱單元數(shù)為3，采用“早停止”策略防止過度擬合。2.4兩種神經(jīng)網(wǎng)絡(luò)模型預(yù)測性能

使用靈敏度、特異度、一致性指數(shù)C評價模型的預(yù)測性能。

表2兩種神經(jīng)網(wǎng)絡(luò)模型預(yù)測性能*（略）

Tab.2Thepredictiveperformanceofthreetypeofneuralnetwork

*判斷界值取0.5

3討論

神經(jīng)網(wǎng)絡(luò)已在語音識別、圖像診斷分析、臨床診斷、高分子序列分析等許多方面取得了成功的應(yīng)用，在醫(yī)學(xué)研究領(lǐng)域，變量間關(guān)系往往非常復(fù)雜，神經(jīng)網(wǎng)絡(luò)正逐漸變成分析數(shù)據(jù)的流行工具，目前主要應(yīng)用于分類與預(yù)測，用于生存分析方面的研究還較少。國內(nèi)黃德生［5］等建立利用BP神經(jīng)網(wǎng)絡(luò)建立time-codedmodel和single-timepointmodel用于肺鱗癌預(yù)后預(yù)測，賀佳［6］等對肝癌術(shù)后無瘤生存期的預(yù)測做了應(yīng)用嘗試。

本文通過實例建立連續(xù)時間模型與離散時間模型探討B(tài)P神經(jīng)網(wǎng)絡(luò)在生存分析中的應(yīng)用，F(xiàn)araggi提出的方法還可以擴(kuò)展到其他可以處理刪失數(shù)據(jù)的模型,例如加速失效時間模型、Buckley-James模型，但哪一種模型更好，還有待進(jìn)一步研究。神經(jīng)網(wǎng)絡(luò)在生存分析中的應(yīng)用主要在于［7］：個體患者預(yù)后的預(yù)測，研究預(yù)后因子的重要性，研究預(yù)后因子的相互作用；對于預(yù)測變量的影響力強弱，解釋性還有待進(jìn)一步探討。還有研究者在建立多個時間區(qū)間的模型時將時間區(qū)間也作為一個輸入變量，也有學(xué)者將神經(jīng)網(wǎng)絡(luò)納入Bayes方法的研究框架，神經(jīng)網(wǎng)絡(luò)建立的生存分析模型可以探測復(fù)雜的非線性效應(yīng)，復(fù)雜的交互效應(yīng)，相信會逐漸應(yīng)用到生物醫(yī)學(xué)研究領(lǐng)域。

【參考文獻(xiàn)】

［1］余雪麗.神經(jīng)網(wǎng)絡(luò)與實例學(xué)習(xí)［M］.中國鐵道出版社,1996:56-61.

［2］DAVIDF,RICHARDS.Aneuralnetworkmodelforsurvivaldata［J］.StatisticsinMedicine,1995,14:73-82.

［3］RUTH,RIPLEY,ADRIANL,etal.Non-linearsurvivalanalysisusingneuralnetworks［J］.StatisticsinMedicine,2004,23:825-842.

篇6

【關(guān)鍵詞】移動機器人；強化學(xué)習(xí)；Q學(xué)習(xí)算法；避障

1.引言

在實際的環(huán)境中，機器人的無碰撞路徑規(guī)劃是智能機器人研究的重要課題之一。Elisha Sacks詳細(xì)地介紹了路徑規(guī)劃的前期研究工作[1]。在障礙空間中，機器人運動規(guī)劃的高度復(fù)雜性使得這一問題至今未能很好的解決。特別對于不確定的動態(tài)環(huán)境下避障軌跡的生成是較為困難的。

本研究應(yīng)用強化學(xué)習(xí)算法來實現(xiàn)移動機器人的路徑規(guī)劃。強化學(xué)習(xí)是機器人通過學(xué)習(xí)來完成任務(wù)，它是將動態(tài)規(guī)劃和監(jiān)督學(xué)習(xí)結(jié)合起來的一種新的學(xué)習(xí)方法，通過機器人與環(huán)境的試錯交互，借助于來自成功和失敗經(jīng)驗的獎勵和懲罰信號不斷改進(jìn)機器人的自治能力，從而到達(dá)最終目標(biāo)，并容許后評價。在強化學(xué)習(xí)中，Q學(xué)習(xí)算法是從有延遲的回報中獲取最優(yōu)控制策略的方法 [2]。自從Watkins提出Q學(xué)習(xí)算法并證明其收斂性后[3]，該算法在強化學(xué)習(xí)研究領(lǐng)域中受到了人們的普遍關(guān)注。Wiliam 利用HEDGER算法實現(xiàn)了Q函數(shù)值的更新，并把此算法成功地應(yīng)用在移動機器人上，從而實現(xiàn)了Q學(xué)習(xí)算法在連續(xù)狀態(tài)和空間的求解問題[4]。Takahashi提出了連續(xù)值的Q學(xué)習(xí)方法，可以用來估計連續(xù)的動作值，但此方法只能實現(xiàn)簡單的動作，有待于進(jìn)一步的研究。我們將BP人工神經(jīng)網(wǎng)絡(luò)與Q學(xué)習(xí)算法相結(jié)合，采用人工勢場法確定強化函數(shù)值和Boltzmann分布方法選取動作。利用這種控制策略得到的仿真結(jié)果證明，移動機器人能夠在不確定環(huán)境下，有效地躲避障礙物，沿著最佳路徑到達(dá)目標(biāo)。

2.強化學(xué)習(xí)

強化學(xué)習(xí)是一種重要的機器學(xué)習(xí)方法，同時也是連接主義學(xué)習(xí)的一種。在與復(fù)雜不確定環(huán)境交互作用時，它是決策者尋找最小耗費費用的方法。RL起源于人工智能領(lǐng)域的試湊學(xué)習(xí)。強化學(xué)習(xí)不同于監(jiān)督學(xué)習(xí)，在監(jiān)督學(xué)習(xí)中，對每次輸入而言，相應(yīng)的期望輸出是已知的，即學(xué)習(xí)系統(tǒng)知道它的實際輸出與期望輸出的差值。然后通過真實輸出和參考輸出的差值來修改參數(shù)。在強化學(xué)習(xí)中，接收的信號是對一個行為的評價，這個評價可能是正、負(fù)或者零。這個信號表示不用告訴系統(tǒng)怎么做，而是系統(tǒng)自己決定做什么。機器人用這個信號決定到達(dá)目標(biāo)的策略。強化學(xué)習(xí)算法如下所述：

1）在每個離散時間步t，機器人感知到當(dāng)前狀態(tài)x（t），

2）在這個狀態(tài)選擇可能活動中的一個動作a（t），

3）給出一個強化信號，并產(chǎn)生一個新的后繼狀態(tài)x（t+1），

4）t

5）如果信號的狀態(tài)是最終的狀態(tài)，那么停止運動，如果不是則返回2）步。

若X是機器人可感知到其環(huán)境的不同狀態(tài)的集合，A是一個可執(zhí)行動作的集合。強化信號r（t）是在狀態(tài)x（t）選擇動作a（t）的結(jié)果。

強化學(xué)習(xí)的目標(biāo)函數(shù)是最優(yōu)控制策略π： XA，它在給定當(dāng)前狀態(tài)X集合中的x時，從集合A中輸出一個合適的動作a。

通常，最優(yōu)控制策略采用兩種方法計算：第一種是策略重復(fù)，直接對策略進(jìn)行操作；第二種是值重復(fù)，尋找最優(yōu)值函數(shù)。這兩個方法分別給出了專門的強化學(xué)習(xí)算法。

3. BP神經(jīng)網(wǎng)絡(luò)與Q學(xué)習(xí)算法結(jié)合

3.1 Q學(xué)習(xí)算法

Q學(xué)習(xí)算法是求解信息不完全馬爾可夫決策過程的一種有效的強化學(xué)習(xí)方法，也可以將其視為一種異步動態(tài)規(guī)劃方法。Q學(xué)習(xí)算法用Q （x，a）函數(shù)來表達(dá)在每個狀態(tài)之下的每種動作的效果。有限馬爾可夫決策問題的模型如下：在每個離散時間步k=1，2，…，控制器觀察馬氏過程的狀態(tài)為xk，選擇決策ak，收到即時回報rk，并使系統(tǒng)轉(zhuǎn)移到下一個后繼狀態(tài)yk，轉(zhuǎn)移概率為Pxy（a），則控制的目的是尋求極大化回報期望值的最優(yōu)控制策略，0≤γ

（1）

其中：

（2）

定義，其中π*表示最優(yōu)策略，b為在狀態(tài)y下所對應(yīng)的動作。Q學(xué)習(xí)的目的就是在轉(zhuǎn)移概率和所獲回報函數(shù)未知的情況下來估計最優(yōu)策略的Q值。

在初始階段學(xué)習(xí)中，Q可能是不準(zhǔn)確地反映了它們所定義的策略，初始值Q （x，a）對所有的狀態(tài)和動作假定是給出的。Q學(xué)習(xí)系統(tǒng)結(jié)構(gòu)不同于AHC（Adaptive Heuristic critic）算法的結(jié)構(gòu)，采用Q學(xué)習(xí)的智能系統(tǒng)只有一個決策單元，同時起到動作的評價及選擇作用，這樣有利于移動機器人根據(jù)外界環(huán)境實時選擇相應(yīng)的動作。

3.2 Q學(xué)習(xí)算法的實現(xiàn)

Q函數(shù)的實現(xiàn)方法主要有兩種方式：一種是采用神經(jīng)網(wǎng)絡(luò)方法；另一種是采用lookup表格方法。采用lookup表格方法，就是利用表格來表示Q函數(shù)，當(dāng)在環(huán)境狀態(tài)集合下，智能系統(tǒng)可能的動作集合A較大時，Q （x，a）需要占用大量的內(nèi)存空間，而且也不具有泛化能力。那么，在一個合理的時間里，訪問所有的狀態(tài)和檢測到所有的動作，將變得十分困難。因此，在一個連續(xù)的狀態(tài)空間和一個離散的動作空間的情況下，用BP人工神經(jīng)網(wǎng)絡(luò)來實現(xiàn)Q學(xué)習(xí)算法。

應(yīng)用神經(jīng)網(wǎng)絡(luò)實現(xiàn)Q學(xué)習(xí)的關(guān)鍵是學(xué)習(xí)算法的確定。根據(jù)Q函數(shù)的定義可以簡化為：

（3）

只有在得到最優(yōu)策略的前提下上式才成立。在學(xué)習(xí)階段，誤差信號為：

（4）

其中， Q（xt+1，at）表示下一狀態(tài)所對應(yīng)的Q值，其中ΔQ通過調(diào)整網(wǎng)絡(luò)的權(quán)值使誤差盡可能小一些。

4.強化函數(shù)和動作選取

4.1強化函數(shù)

移動機器人總共配置3個超聲波傳感器，采用人工勢場法來確定強化函數(shù)值。其基本思想是將機器人在環(huán)境中的運動視為一種虛擬的人工受力場中的運動。障礙物對機器人產(chǎn)生斥力，而目標(biāo)點對機器人產(chǎn)生引力，引力和斥力的合力作為機器人的加速力來控制機器人的運動方向和計算機器人的位置。該法結(jié)構(gòu)簡單，便于低層的實時控制，在實時避障和平滑軌跡控制方面，得到了廣泛應(yīng)用。

F（t）為機器人所受的斥力的合力，相鄰時刻受力之差為

（5）

故獎勵函數(shù)r（t）可表示為：

（6）

r（t）=-1表明移動機器人離障礙物較近，應(yīng)該得到懲罰；r（t）=1表明移動機器人離障礙物較遠(yuǎn)，應(yīng)該得到獎勵；r（t） =0表明移動機器人距離障礙物的相對位置沒變化，即不得到獎勵，也不得到懲罰。

4.2 動作選取

在Q學(xué)習(xí)收斂以后，最優(yōu)策略就是對每一個狀態(tài)選擇一個使Q函數(shù)值最大的動作，這個最優(yōu)策略也被稱為貪婪策略。然而，在訓(xùn)練的開始，Q（x，a）并不是非常有意義，因此，時常會產(chǎn)生局部的重復(fù)。為了獲得Q的一個有用的估計值，移動機器人必須掃描和估計所有狀態(tài)下可能的活動。

探測方法有三種：第一種方法是隨機Pseudo方法，最佳值的動作按概率P選擇，否則，在被給定的狀態(tài)下所有可能的動作中任意的選取一個動作；第二種方法是極端Pseudo方法，最佳值的動作按概率P選擇，否則，我們選取在給定的狀態(tài)下很少選擇的動作；第三種方法是Boltzmann分布方法。

Q學(xué)習(xí)算法的目的是迭代出一個最大的希望折扣強化信號，這意味著學(xué)習(xí)的目的是學(xué)會對應(yīng)于環(huán)境狀態(tài)的最優(yōu)的策略動作。因為強化學(xué)習(xí)只能根據(jù)當(dāng)前的狀態(tài)（包括Q值和環(huán)境的狀態(tài)）加以某種隨機源產(chǎn)生一個動作。探測方法中的第三種方法能很好的實現(xiàn)隨機動作的選取。因此，選用第三種方法作為隨機源產(chǎn)生隨機動作的方法。

5.仿真試驗結(jié)果

為了驗證算法的可行性，對基于Q學(xué)習(xí)算法移動機器人的控制進(jìn)行了仿真，仿真平臺使用的是MOBOTSIM，并在此基礎(chǔ)上進(jìn)行了二次開發(fā)。

6.結(jié)論

本文提出了一種用Q學(xué)習(xí)算法來實現(xiàn)移動機器人智能避障的控制策略，把BP神經(jīng)網(wǎng)絡(luò)結(jié)合到Q學(xué)習(xí)算法中，應(yīng)用人工勢場法來確定強化函數(shù)值。仿真試驗結(jié)果證明了移動機器人能夠在不確定的環(huán)境下成功地躲避障礙物，并以最佳的路徑到達(dá)目標(biāo)。基于Q學(xué)習(xí)算法的控制策略能使移動機器人獲取自學(xué)習(xí)功能，增強了機器人自治導(dǎo)航的能力。

參考文獻(xiàn)：

[1]Elisha Sacks. Path Planning for Planar Articulated Robots Using Configuration Spaces and Compliant Motion. IEEE Transactions on Robotics and Automation ，2003 19（3）：381-390.

[2]Leslie Pack Kaelbling， Michael L. Littman and Andrew W. Moore. Reinforcement Learning： A Survey[J].Artificial Intelligence Research. 1996，4：237～285.

[3]Watkins C I C H .Learning from delayed rewards. Ph. D Dissertation， King’s college.UK，1989.

[4]Wiliam D Smart. Practical Reinforcement Learning in Continuous Spaces. http：//cs.wustl.edu/～wds/content/papers/icml00.pdf

作者簡介：

篇7

一、水文預(yù)報的作用

水文預(yù)報不僅在防洪中是不可缺少的， 對已建成的水利工程管理運用也是不可缺少的， 只有依靠水文預(yù)報， 才能做到在各用水部門及地區(qū)間合理分配水資源， 取得最大的社會經(jīng)濟(jì)效益。水文預(yù)報技術(shù)和方法發(fā)展很快， 特別是近些年計算機技術(shù)的應(yīng)用和其它電子產(chǎn)品的快速更新， 在水情信息的傳輸預(yù)報技術(shù)和方法上都較以往有所改變， 從而提高了預(yù)報精度， 增長了預(yù)見期， 為防汛抗洪贏得了寶貴的時間。為了更有效的防汛抗洪， 發(fā)揮現(xiàn)有防洪設(shè)施的作用， 減輕洪災(zāi)損失， 科學(xué)的洪水預(yù)報是一項重要的工作。正確及時的預(yù)報可以使工程合理調(diào)度， 可以有計劃采取分洪， 蓄洪措施， 及時進(jìn)行防洪搶險， 把洪災(zāi)損失降到最低程度。因此， 水文預(yù)報在其中起著非常重要的作用。

二、傳統(tǒng)和現(xiàn)代中長期水文預(yù)報方法

中長期水文預(yù)報存在的主要問題是預(yù)報精度較低。傳統(tǒng)的中長期預(yù)報方法主要是根據(jù)河川徑流的變化具有連續(xù)性、周期性、地區(qū)性和隨機性等特點來開展研究， 主要有成因分析和水文統(tǒng)計方法。近年來， 計算機技術(shù)的發(fā)展和新的數(shù)學(xué)方法的不斷涌現(xiàn)， 為中長期水文預(yù)報拓展了新的途徑 ， 如模糊數(shù)學(xué)、人工神經(jīng)網(wǎng)絡(luò)、灰色系統(tǒng)分析、小波分析、混沌理論、近鄰預(yù)報等以及這些方法的相互耦合， 每種方法都有各自的適用條件， 或存在有待深入研究的問題。

三、傳統(tǒng)中長期水文預(yù)報方法

1.成因分析法。成因分析法有以下幾類: （1）應(yīng)用前期環(huán)流進(jìn)行預(yù)報， 也可稱為天氣學(xué)方法， 主要是對大量的歷史氣候資料(高空環(huán)流形勢與水文要素) 進(jìn)行綜合分析， 概括出旱澇前期的環(huán)流模式， 然后再由前期特征做出后期水文情況的定性預(yù)報， 或在前期月平均環(huán)流形勢圖上分析與預(yù)報對象關(guān)系密切的地區(qū)與時段， 從中挑選出物理意義明確、統(tǒng)計貢獻(xiàn)顯著的預(yù)報因子，然后用逐步回歸或其他多元分析方法與預(yù)報對象建立函數(shù)關(guān)系， 并據(jù)此進(jìn)行定量預(yù)測; （2）應(yīng)用前期海溫特征進(jìn)行預(yù)報， 即分析歷史海溫資料與預(yù)報對象的關(guān)系， 概括出旱澇年前期海溫分布的定性模式， 或考慮海溫在時間上與空間上的連續(xù)性， 在關(guān)鍵時段內(nèi)挑選若干個點的海溫作為預(yù)報因子， 與預(yù)報對象建立回歸方程并進(jìn)行定量預(yù)報; （3）根據(jù)太陽黑子相對數(shù)n 年周期中的相位或分析黑子數(shù)與江河水量變化之間的關(guān)系， 對后期可能發(fā)生的旱澇進(jìn)行定性預(yù)測;（4）分析地球自轉(zhuǎn)速度的變化、行星運動的位置、火山爆發(fā)、臭氧的多少等與水文過程的對應(yīng)關(guān)系，對后期可能發(fā)生的水文情況做出定性預(yù)估;（5）概率統(tǒng)計預(yù)報，簡稱統(tǒng)計預(yù)報， 即從大量歷史資料中應(yīng)用數(shù)理統(tǒng)計方法去尋找分析水文要素歷史變化的統(tǒng)計規(guī)律以及與其他因素的關(guān)系， 然后運用這些規(guī)律來進(jìn)行預(yù)報。

2. 數(shù)理統(tǒng)計法。數(shù)理統(tǒng)計方法是水文中長期預(yù)報中應(yīng)用比較廣泛的一種方法， 它從大量歷史資料中尋找已經(jīng)出現(xiàn)過的預(yù)報對象和預(yù)報因子之間的統(tǒng)計規(guī)律和關(guān)系或水文要素自身歷史變化的統(tǒng)計規(guī)律， 建立預(yù)報模式進(jìn)行預(yù)報。按預(yù)報時考慮因素的多寡可分為單因素預(yù)報和多因素綜合預(yù)報。單因素預(yù)報是利用水文要素自身歷史演變規(guī)律， 來預(yù)報該要素未來可能出現(xiàn)的數(shù)值， 又稱時間序列分析預(yù)報。常用的有歷史演變法、周期分析方法等。事實上， 水文氣象要素是由多種因素決定的， 要做出未來較長期的水文氣象預(yù)報， 往往需要挑選多個相關(guān)程度比較高的因子， 進(jìn)行多要素綜合預(yù)報。常用的有多元線性回歸分析法， 主成分分析等。數(shù)理統(tǒng)計法是建立在對大量歷史資料進(jìn)行統(tǒng)計分析基礎(chǔ)上的一種預(yù)報方法， 故其對歷史水文資料及相關(guān)因子的資料長度與可靠度要求較高， 但數(shù)理統(tǒng)計法具有概念清晰、易實現(xiàn)的優(yōu)點， 因此在實際中獲得了廣泛的應(yīng)用。

四、現(xiàn)代中長期水文預(yù)報方法

1. 人工神經(jīng)網(wǎng)絡(luò)法。人工神經(jīng)網(wǎng)絡(luò)技術(shù)近些年來進(jìn)展非常迅速，在很多領(lǐng)域得到了廣闊的應(yīng)用，如預(yù)測預(yù)報、模式識別、自動控制等領(lǐng)域的智能模擬和信息處理。在水文水資源中的應(yīng)用也越來越多。大量的研究表明：神經(jīng)網(wǎng)絡(luò)技術(shù)具有大規(guī)模并行處理、分布式存儲、自適應(yīng)性、容錯性等顯著優(yōu)點，利用該技術(shù)可以有效地解決水文水資源中難以精確建模、具有高度非線性和各種不確定性的問題。

2. 灰色系統(tǒng)理論法。1982年鄧聚龍創(chuàng)立了灰色系統(tǒng)理論，認(rèn)為水資源系統(tǒng)可以當(dāng)作灰色系統(tǒng)看待。最常用的描述灰色系統(tǒng)模型的數(shù)學(xué)模型GM（1，1），G代表Grey（灰色），M代表Model（模型），GM（1，1）指1階、1個變量的線性常微分方程模型。它在徑流預(yù)報、災(zāi)害預(yù)測中有不少應(yīng)用實例。灰色系統(tǒng)理論由于其模型特點，比較適合具有指數(shù)增長趨勢的問題，對于其他變化趨勢，則有時擬合灰度較大，導(dǎo)致精度難以提高。且灰色系統(tǒng)理論體系尚不完善，正處于發(fā)展階段，它在中長期水文預(yù)報中的應(yīng)用是屬于嘗試和探索性質(zhì)的。

3.模糊數(shù)學(xué)理論法。在水文領(lǐng)域應(yīng)用模糊數(shù)學(xué)進(jìn)行預(yù)測的方法有兩類，一類是模糊模式識別預(yù)測法，另一類是模糊邏輯法。 模糊模式識別預(yù)測法的基本思路是：以對歷史樣本模式的模糊聚類為基礎(chǔ)，計算待測狀態(tài)的類別特征值，從而根據(jù)預(yù)報值與類別特征值之間的回歸方程進(jìn)行預(yù)報。該方法將水文成因分析、統(tǒng)計分析、模糊集分析有機地結(jié)合起來，為提高中長期預(yù)報特征的精度提供了一條新途徑。 模糊邏輯方法可以描述變量之間不十分明確的因果關(guān)系。

4. 小波理論法。小波分析理論是當(dāng)前數(shù)學(xué)中一個迅速發(fā)展的新領(lǐng)域，由Morlet于1974年首次提出。小波分析技術(shù)是一種強有力的信號分析處理手段，在傅立葉（Fourier）分析的基礎(chǔ)上融合了樣條分析、數(shù)值分析、泛函分析等技術(shù)。與Fourier變換、Cabor 變換相比，小波變換能夠從時域（時間）和頻域（頻率）進(jìn)行變化，能更有效地從信號中提取信息，因而日益受到關(guān)注。從時頻分析的角度來看，水文序列含有多種頻率成分，每一頻率成分都有其自身的制約因素和發(fā)展規(guī)律，因此僅從水文序列本身出發(fā)構(gòu)造模型，將難以把握水文序列的內(nèi)在機制，有必要對水文序列進(jìn)行分頻率研究，故可以利用小波分析理論分析水文序列。

5. 混沌理論法。混沌理論起源于20世紀(jì)60年代初美國氣象學(xué)家Lorenz在研究天氣預(yù)報中大氣流動問題時的思考，由李天巖于1975年首次提出。該理論認(rèn)為，客觀事物的運動除定常、周期、準(zhǔn)周期運動外，還存在著一種更加普遍的運動形式———混沌運動，即一種由確定性系統(tǒng)產(chǎn)生的、對初始條件具有敏感依賴性、永不重復(fù)的回復(fù)性周期運動。水文序列兼?zhèn)淞舜_定性和隨機性，符合混沌理論的研究范疇，因而許多學(xué)者利用混沌理論開展對中長期水文預(yù)報的研究。

6. 近鄰預(yù)報方法。其基本思想是， 從歷史樣本中選擇與當(dāng)前待預(yù)報狀態(tài)相近的一個或k 個歷史狀態(tài)( 比如歷史流量序列片段) ， 根據(jù)這一個或k 個歷史狀態(tài)的下一時刻觀測值預(yù)報當(dāng)前待預(yù)報狀態(tài)的下一步值. 該方法最早在20 世紀(jì)80 年代應(yīng)用于流量預(yù)報， 近年來隨著混沌時間序列研究的增溫，近鄰預(yù)報方法受到較多關(guān)注， 在日、月流量預(yù)報中都有應(yīng)用。

總之，中長期水文預(yù)報對防汛抗旱、水資源規(guī)劃管理以及水庫等水利工程的綜合利用有著十分重要的意義，水文預(yù)報仍有許多值得研究和探索的問題，因此，我們應(yīng)進(jìn)一步加強對中長期水文預(yù)報的探索和研究，使其能夠滿足實際應(yīng)用的需求。

參考文獻(xiàn)

[1] 湯成友，官學(xué)文，張世明，等.現(xiàn)代中長期水文預(yù)報方法及應(yīng)用［M］，北京：中國水利水電出版社，2008。

[2] 王富強，霍風(fēng)霖，中長期水文預(yù)報方法研究綜述，人[J]，人民黃河，2010(3)。

作者簡介：

篇8

關(guān)鍵詞 水污染修復(fù)；物理法；化學(xué)法；生物法

中圖分類號：X52 文獻(xiàn)標(biāo)識碼：A 文章編號：1671-7597（2014）07-0098-01

當(dāng)前，水污染已經(jīng)成為了熱點問題，如何處理好水污染，一直是人們在探討的話題，目前對于水污染的處理已經(jīng)有了日趨成熟的方法。常用于水污染修復(fù)的方法主要有三方面：物理法、化學(xué)法和生物法。這些方法的使用都是為了讓水質(zhì)達(dá)到標(biāo)準(zhǔn)。因此只有水污染的處理技術(shù)更加先進(jìn)才能夠使得水質(zhì)處理的更好，為社會提供干凈的水質(zhì)[1]。

1 物理處理方法

1.1 沉淀法

沉淀法主要是是利用水體中懸浮物顆粒沉降性能，在重力作用下，產(chǎn)生了下沉作用，，以達(dá)到固液分離目的的一種處理方法。根據(jù)廢水性質(zhì)與所需要達(dá)到的要求不同，沉淀處理工藝能夠作為整個水處理中的一道工序和處理方法。在一般污水廠處理方法中，主要有四種方法：廢水的預(yù)處理，在污水進(jìn)入主反應(yīng)單元之前的進(jìn)入初次沉淀池的處理，在二次沉淀池中進(jìn)行固液分離，在污泥處理階段污泥濃縮四個方面的處理。

1.2 過濾法

過濾法師將含懸浮物廢水在流過的固有一定孔隙率的過濾介質(zhì)中的時候，懸浮物被截留，最終能夠在介質(zhì)表面被去除。根據(jù)過濾介質(zhì)不同，將過濾分為四類：格柵過濾，膜過濾，微孔過濾和深層過濾。格篩利用的過濾介質(zhì)主要是篩條或濾網(wǎng)，進(jìn)行去除粗的大的懸浮物。微孔過濾利用成型濾材[2]。膜過濾介質(zhì)中所用特別的半透膜，在一定推動力下進(jìn)行過濾，進(jìn)行去除水中細(xì)菌和有機物質(zhì)等。

1.3 隔油法

隔油法主要利用隔油池對污染水質(zhì)進(jìn)行處理。由于油與水的密度差異，分離除去掉污染水體中一些顆粒較大的懸浮油的一種處理構(gòu)筑物。在石油工業(yè)和石油化學(xué)工業(yè)的生產(chǎn)處理水污染中，由于其中含有大量的油類的廢水，因此需要進(jìn)行很好的處理。隔油池與沉定池相似。隔油池主要采用的是平流式，含有大量油類的廢水通過陪水槽進(jìn)入到隔油池內(nèi)，水平緩慢的流動，流動中油類物質(zhì)上浮到水面，最后利用到刮油機將油類除去。其中有一些重油物質(zhì)沉積到池底，通過排污泥管除去。

1.4 氣浮法

氣浮法，是設(shè)法水中產(chǎn)生大量微小氣泡，形成氣、水及懸浮物質(zhì)三相，在氣泡上升浮力、界面張力等多種力作用下，顆粒黏附氣泡，形成密度小于水漂浮絮體，絮體上浮被刮除。氣浮法可以分為電氣浮法、布?xì)鈿飧》ā⑸锛盎瘜W(xué)氣浮法和溶氣氣浮法。其中布?xì)鈿飧》ㄊ亲顝V泛的，是該利用機械剪切刀，將混合于水中的空氣粉碎成細(xì)小氣泡。

氣浮法主要是制作OLTE氣浮機使用的，通常是作為含油污水隔油后進(jìn)行補充處理。作為二級生物處理之前預(yù)處理，隔油池出水中，含有50～150 mg的乳化油，經(jīng)過氣浮的處理方法，可將含油量降到30 mg以下，再由二級氣浮處理，出水油可達(dá)到10 mg以下。這種方法的主要作為二級生物處理的預(yù)處理裝置，保證生物處理進(jìn)水水質(zhì)相對穩(wěn)定，或者放在二級生物處理之后作為二級生物處理的深度處理，確保排放出水水質(zhì)符合有關(guān)標(biāo)準(zhǔn)的要求。

1.5 離心分離法

離心分離法處理水質(zhì)，主要是利用離心力，讓比重不同物質(zhì)進(jìn)行分離好。離心機等設(shè)備能夠產(chǎn)生高的角速度，以至于離心力大于重力，溶液中懸浮物便便于分離出來。另外比重不同物質(zhì)所受到離心力都不同，因此沉降速度也是不同的，能夠讓比重不同物質(zhì)很好分離。隨著離心技術(shù)的發(fā)展，離心分離技術(shù)在廢水處理中的應(yīng)用已經(jīng)成為了處理廢水的重點研究內(nèi)容。

兩相密度的相差較小，黏度也是比較大，顆粒的粒度較細(xì)非均相體系中，重力場中分離必然需要很長的時間，甚至不能夠完全的分離。若改用離心的分離，轉(zhuǎn)鼓高速旋轉(zhuǎn)產(chǎn)生離心力遠(yuǎn)遠(yuǎn)的大于重力，可以大大提高沉降速率，離心分離在較短的時間能獲得大于重力沉降的效果。因此特別在廢水的大物質(zhì)的分離上，應(yīng)用的很廣泛。

2 化學(xué)處理方法

廢水的化學(xué)處理方法主要是通過化學(xué)反應(yīng)進(jìn)行對水質(zhì)中的溶解態(tài)和膠態(tài)的污染物質(zhì)進(jìn)行去除，將廢水無害化處理的方法。主要方法分成兩種，分別是投加藥劑進(jìn)行化學(xué)反應(yīng)和傳質(zhì)作用進(jìn)行處理。

2.1 投加藥劑

在投加藥劑的方法中，主要有酸堿中和、氧化處理、廢水電解處理法和化學(xué)沉定法等等。其中最多的是中和法。廢水進(jìn)行中和處理主要利用中和原理處理廢水，使廢水得到凈化的方法。主要是使酸性廢水中H+與外加的OH-反應(yīng)，或者讓堿性廢水中的OH-與外加H+相互反應(yīng)，生成水分子，從而消除有害作用。這種方法能夠處理回收和利用酸性廢水與堿性廢水，調(diào)節(jié)酸性或者堿性廢水pH值。

2.2 傳質(zhì)作用

利用傳質(zhì)作用對廢水進(jìn)行處理的時候，主要方法有萃取、吸附、離子交換、電滲析和反滲透方法等等，其中利用比較多的是離子交換方法。離子交換方法主要有一下步驟：第一步：將被處理溶液中離子遷移到離子交換劑顆粒表面液膜中；第二步：在顆粒的孔道中擴(kuò)散到達(dá)離子交換劑交換基團(tuán)部位上；第三部步：離子同離子交換劑上離子進(jìn)行交換；第四步：被交換下來離子沿相反途徑轉(zhuǎn)移到溶液中。

3 生物法處理

生物法處理水質(zhì)是利用微生物代謝除去廢水中有機污染物的一種方法，簡稱廢水生化法。經(jīng)過多年探索和研究，生物法治理水污染日益受到人們的重視。其中應(yīng)用比較的多的是生物接觸氧化法。生物接觸氧化起源在歐洲，在中國[4]的應(yīng)用很廣泛，在生物膜法處理污水領(lǐng)域處使用的較為廣泛，其中曝氣生物濾池更是研究處理水質(zhì)比較關(guān)注的工藝，它的特點主要是有機負(fù)荷高、節(jié)約投資等，在污水處理設(shè)施中廣泛的進(jìn)行應(yīng)用。特別在小規(guī)模污水處理中，使用大量的生物膜處理工藝，優(yōu)勢主要表現(xiàn)在：對于微生物方面，生物膜中使用的微生物很多，微生物食物鏈很長，便于存活，因此在目前的大多數(shù)的領(lǐng)域內(nèi)生物膜尤為的突出重要，掌握好生物膜技術(shù)，能夠很好的對水質(zhì)進(jìn)行處理。

基金項目

國家自然科學(xué)基金青年基金（11201485）；徐州工程學(xué)院校青年項目（XKY2010201）。

參考文獻(xiàn)

[1]凌敏華，左其亭.水質(zhì)評價的模糊數(shù)學(xué)方法及其研究應(yīng)用[J].人民黃河，2006，28（01）：34-36.

[2]孫會君，王新華.應(yīng)用人工神經(jīng)網(wǎng)絡(luò)確定評價指標(biāo)的權(quán)重[J].山東科技大學(xué)學(xué)報（自然科學(xué)版），2001，20（3）：84-86.

[3]郭慶春，何振芳，李力，李海寧.BP人工神經(jīng)網(wǎng)絡(luò)模型在太湖水污染指標(biāo)預(yù)測中的應(yīng)用[J].南方農(nóng)業(yè)學(xué)報，2011，42（10）.

[4]萬金保，李媛媛.模糊綜合評價法在鄱陽湖水質(zhì)評價中的應(yīng)用[J].上海環(huán)境科學(xué)，2007，26（05）：215-218.

篇9

關(guān)鍵詞：群集智能；蟻群算法；微粒群算法

中圖分類號：TP311文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044(2007)17-31415-01

Study of Algorithm Based on Swarm Intelligence

YANG Yuan-hua,SONG Zhong-shan

(School of Computer Science, Central South University of Nationalities, Wuhan 43074, China )

Abstract:Algorithm based swarm intelligence have gained considerable amount of attention in recent years. In this paper, we review ant colony algorithm and particle swarm optimization. The methodolog- ies of theses algorithm were reviewed and described systematically. Finally, we introduce some applica- tions in the developed areas and discuss the future research issues.

Key words:Swarm intelligence; Ant colony algorithm; Particle swarm optimization

1 引言

自然界中，群居昆蟲以集體的力量，進(jìn)行覓食、御敵、筑巢，如蜜蜂采蜜、筑巢、螞蟻覓食、筑巢等。這些群居昆蟲，它們單個的智能很低、能力微弱，可是一旦形成規(guī)模，卻可以解決很多復(fù)雜的問題。比如白蟻，單個白蟻的智能很低，可是，一旦形成群體，它們建造的蟻巢就是建筑學(xué)上的奇觀，即使蟻巢不斷擴(kuò)大，也能夠保持適宜的環(huán)境溫度和適當(dāng)?shù)难鯕饧岸趸己俊嶋H上，對群居昆蟲來說，團(tuán)隊合作主要是通過群居成員之間個體的互動進(jìn)行協(xié)調(diào)的。盡管單次互動可能非常簡單，但通過多次互動就能解決復(fù)雜的問題，我們把群居昆蟲的智能行為稱作“群集智能”。

從本質(zhì)上說，群居昆蟲之所以如此成功，主要是因為它們具備三個特性：靈活性、穩(wěn)健型和自我組織能力。群居昆蟲可以適應(yīng)隨時變化的環(huán)境，即使個體失敗，整個群體仍然能完成任務(wù)。

2 群集智能算法

人們從群居昆蟲相互之間協(xié)調(diào)合作的工作原理及合作規(guī)則中得到啟示，提出了基于群集智能的新的算法來解決現(xiàn)實生活中的一些復(fù)雜問題。目前，在計算智能領(lǐng)域有兩種基于群集智能的算法：蟻群算法和微粒群算法。蟻群算法是由意大利學(xué)者M(jìn).Dorigo等人首先提出的，是一種新型的模擬進(jìn)化算法,初步的研究已經(jīng)表明該算法具有許多優(yōu)良的性質(zhì)。目前國內(nèi)對蟻群算法的研究主要針對離散優(yōu)化問題，如基于蟻群算法進(jìn)行動態(tài)路由表設(shè)計，求最短路徑等。對于連續(xù)空間優(yōu)化問題的研究是近來研究的一個新方向。微粒群算法是1995年由Kennedy和Ebrhart 率先提出的，是一種有別于遺傳算法的并行進(jìn)化計算技術(shù)。近幾年的發(fā)展中，微粒群算法已廣泛應(yīng)用于函數(shù)優(yōu)化、人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練、模糊控制等領(lǐng)域，成為目前進(jìn)化計算研究的一個新熱點。

3 蟻群算法

3.1 蟻群算法的基本原理

蟻群算法是人們通過對自然界中蟻群群體行為的研究而提出的一種基于種群的模擬進(jìn)化算法。該算法通過模擬螞蟻搜索食物的過程來求解一些實際問題。螞蟻能夠在沒有任何可見的提示下找出蟻穴到食物源的最短路徑，并且能隨著環(huán)境的變化而變化的搜索新的路徑，產(chǎn)生新的選擇。

但是，蟻群是如何完成這些復(fù)雜的任務(wù)的呢？人們發(fā)現(xiàn)螞蟻在從食物源返回洞穴的途中會分泌一種信息素（Pheromone，也稱外激素）,這種物質(zhì)會隨著時間的變化而揮發(fā)。螞蟻在運動中傾向于朝著信息素濃度高的方向移動。假設(shè)螞蟻從洞穴出發(fā)搜尋食物，洞穴與食物之間有n條路經(jīng)。最初，所有路徑上都沒有信息素，螞蟻選擇每條路徑的概率是相同的，當(dāng)找到食物后螞蟻返回洞穴并在回來的路上留下信息素。由于越短的路徑需要的時間越短，因此在短的路徑上殘留的信息素濃度就高，就會有越多的螞蟻選擇這條路徑。假設(shè)我們把信息素的壽命用時間尺度來測量，當(dāng)使用適當(dāng)?shù)臅r間尺度時，信息素的揮發(fā)可以使蟻群避免陷于選擇次優(yōu)路徑。

3.2基本蟻群算法

我們以旅行商問題為例，給出基本蟻群算法。旅行商問題是指，給定n個城市和每兩個城市之間的距離，要求確定一條經(jīng)過每個城市一次且只有一次的最短路徑。我們引入如下記號來描述蟻群算法。

設(shè)： m――螞蟻的規(guī)模；

初始時刻，所有路徑上的τij均為一個相同的常數(shù)。運動過程中，螞蟻根據(jù)各條路徑上信息素的濃度決定移動方向。螞蟻k從城市i移動到城市j的概率用下式得出。

算公式也會不同。針對實際問題，研究者們在基本蟻群算法的基礎(chǔ)上提出一些改進(jìn)算法。如：M.Dorigo等人提出了稱之為Ant-Q的蟻群算法,是蟻群系統(tǒng)（Ant System，AS）和Q學(xué)習(xí)機制的耦合算法；Bullnheimer等人提出了AS算法的另一個改進(jìn)算法,采用類似于Max-Min 蟻群系統(tǒng)(MMAS)的信息素貢獻(xiàn)機制,在新算法中螞蟻是按比例在經(jīng)過的路徑上釋放信息素,同樣最佳路徑上的信息素亦按照比例進(jìn)行更新。在各種新的算法被不斷提出的同時，針對算法本身的研究也取得了很大的進(jìn)展。如：H.M.Botee等人對算法的參數(shù)選擇進(jìn)行研究后，用遺傳算法求得了參數(shù)的最優(yōu)組合；Amrbadr等人給出了蟻群算法收斂性的證明。

3.3蟻群算法的實際應(yīng)用

蟻群算法在現(xiàn)實問題中的應(yīng)用很廣泛。目前，主要的應(yīng)用集中在網(wǎng)絡(luò)上，如路由器路由選擇、網(wǎng)絡(luò)傳輸中內(nèi)容的組織、網(wǎng)絡(luò)的協(xié)議優(yōu)化等。實踐表明，在網(wǎng)絡(luò)方面使用蟻群算法，無論在數(shù)據(jù)流量最大化方面還是在延遲最小化方面，都優(yōu)于目前其它的算法。

4 微粒群算法（particle swarm optimization , PSO）

4.1 PSO的基本原理

PSO起源于對簡單社會系統(tǒng)的模擬，人們通過對鳥類的研究發(fā)現(xiàn)，鳥在運動過程中會通過參考同伴的運動信息來調(diào)整自己的運動狀態(tài)。在運動中，每個個體的信息都是共享的，正是通過這種相互借鑒可以使個體運動達(dá)到最優(yōu)狀態(tài)。

在PSO算法中，我們把鳥群中的鳥稱為微粒，鳥群飛行的空間可以看成是一個n維空間。每個微粒都有一個由目標(biāo)函數(shù)決定的適應(yīng)度和相應(yīng)的位置與速度。所有的微粒在空間中以一定的速度飛行，通過追隨當(dāng)前搜索到的最優(yōu)適應(yīng)度來尋找全局的最優(yōu)值。

4.2 基本PSO

Step 2：計算每個微粒的適應(yīng)度。

Step 3：對每個微粒，把當(dāng)前適應(yīng)度與Pbest比較，如果優(yōu)于Pbest，則將其記為Pbest。

Step 4：對每個微粒，把當(dāng)前適應(yīng)度與gbest 比較，如果優(yōu)于gbest，則將其記為gbest。

本文為全文原貌 未安裝PDF瀏覽器用戶請先下載安裝 原版全文

Step 5：根據(jù)式(1),(2)變化微粒的速度與位置。

Step 6：如果未達(dá)到結(jié)束條件（常為足夠好的適應(yīng)值或達(dá)到一個預(yù)設(shè)的值），則返回Step 2。

PSO在迭代早期性能優(yōu)異，但在有些實際優(yōu)化問題中當(dāng)逼近最優(yōu)解時性能較差。針對PSO的不足，研究者們提出了新的改進(jìn)算法。如：雜交的PSO（HS），組合了進(jìn)化計算與PSO的思想,此方法加入選擇后具有更強的搜索能力；基于鄰域算子的PSO，鄰域算子能改進(jìn)PSO性能，保持微粒群的多樣性，避免過早收斂；基于不同收縮方向的PSO能進(jìn)行多目標(biāo)搜索，避免微粒陷入局部最優(yōu)。

4.3 PSO的應(yīng)用

PSO已得到了廣泛的應(yīng)用。它最直接的應(yīng)用是關(guān)于多元函數(shù)的優(yōu)化問題，包括帶約束的優(yōu)化問題。如果所討論的函數(shù)受到嚴(yán)重的噪音干擾而呈現(xiàn)不規(guī)則的形狀，同時所求得不一定是精確的最優(yōu)值，PSO都能得到很好的應(yīng)用。在演化人工神經(jīng)網(wǎng)絡(luò)中PSO也得到了更為廣泛的應(yīng)用。另外PSO還可用于動態(tài)問題中，如多目標(biāo)優(yōu)化、分類、模式識別、信號處理、機器人技術(shù)應(yīng)用、決策制定、模擬和證明等。

5 結(jié)論

本文對群集智能的算法和基本概念進(jìn)行了說明。群集智能算法，在實際問題的解決中為人們提供了新的思路，并已得到了廣泛的應(yīng)用。但是，有關(guān)群集智能的研究仍缺乏完整的理論，數(shù)學(xué)基礎(chǔ)也相對薄弱，需要進(jìn)行更進(jìn)一步的深入研究。目前，我國對于群集智能算法的研究和應(yīng)用都很少，我們還要加強這一領(lǐng)域的研究，以促進(jìn)我國科技的進(jìn)一步發(fā)展。

參考文獻(xiàn)：

[1]Kennedy j, Eberhart R C, Shi Y. Swarm IntelligenceMarco Dorigo, Vittorio Maniezzo, Alberto Colorni. The ant system: Optimization by a colony of co- operating agents Colorni A, Dorigo M, Maniezzo V. Distributed Optimization by Ant Colonies李志偉. 基于群集智能的蟻群優(yōu)化算法研究L. M. Gambardella and M. Dorigo. Ant-Q: A reinforcement learning approach to the traveling sales- man problemClerc M, Kennedy J. The Particle Swarm Explosion, Stability, and Convergence in a

Multidimensio- nal Complex Space謝曉峰，張文君，楊之廉. 微粒群算法綜述[J].控制與決策，2003，18(2): 129.

篇10

關(guān)鍵詞:遺傳算法;GA;進(jìn)化;最優(yōu)化

中圖分類號:TP18 文獻(xiàn)標(biāo)識碼:A文章編號:1007-9599 (2010) 04-0000-01

Summary on Genetic Algorithm

Gao Ying

(Shandong Industry Vocational College,Zibo256414,China)

Abstract:This article has summarized the genetic algorithm basic principle and the characteristic, as well as in each domain application situation.

Keyword:Genetic algorithm;Evolution;Optimization

一、引言

在人工智能領(lǐng)域中,有不少問題需要在復(fù)雜而龐大的搜索空間中尋找最優(yōu)解或準(zhǔn)最優(yōu)解。在計算此類問題時,若不能利用問題的固有知識來縮小搜索空間則會產(chǎn)生搜索的組合爆炸。因此,研究能在搜索過程中自動獲取和積累有關(guān)搜索空間的知識并自適應(yīng)地控制搜索過程從而得到最優(yōu)解的通用搜索算法一直是令人矚目的課題[1]。遺傳算法簡稱就是這類特別有效的算法之一。

二、遺傳算法基本原理

遺傳算法是建立在自然選擇和群眾遺傳學(xué)機理基礎(chǔ)上的,具有廣泛適應(yīng)性的搜索方法。遺傳算法搜索結(jié)合了達(dá)爾文適者生存和隨機信息交換的思想,適者生存消除了解中不適應(yīng)因素,隨機信息交換利用了原有解中已知的知識,從而有力地加快了搜索過程。

遺傳算法的基本思想[2]:遺傳算法是從代表問題可能潛在解集的一個種群開始的,一個種群由經(jīng)過基因編碼的一定數(shù)目的個體組成,初始種群產(chǎn)生之后,按照適者生存和優(yōu)勝劣汰的原理,逐步演化產(chǎn)生出越來越好的近似解。在每一代,根據(jù)問題域中個體的適應(yīng)度大小挑選個體,并借助自然遺傳學(xué)的遺傳算子進(jìn)行交叉和變異,產(chǎn)生出代表新的解集的種群。這個過程將導(dǎo)致種群向自然進(jìn)化一樣的后代種群比前代更加適應(yīng)環(huán)境,末代種群中的最優(yōu)個體經(jīng)過解碼,可以作為問題近似最優(yōu)解。

三、遺傳算法的主要特點及改進(jìn)

隨著問題種類的不同以及問題規(guī)模的擴(kuò)大,要尋求一種能以有限的代價來解決搜索和優(yōu)化的通用方法,遺傳算法正是為我們提供的一個有效的途徑,它不同于傳統(tǒng)的搜索和優(yōu)化方法。主要區(qū)別在于:

(1)自組織、自適應(yīng)和自學(xué)習(xí)性。

(2)遺傳算法的本質(zhì)并行性。

(3)遺傳算法不要求導(dǎo)或其他輔助知識,而只需要影響搜索方向的目標(biāo)函數(shù)和相應(yīng)的適應(yīng)度函數(shù)。

(4)遺傳算法強調(diào)概率轉(zhuǎn)換規(guī)則,而不是確定的轉(zhuǎn)換規(guī)則。

(5)遺傳算法可以更加直接地應(yīng)用。

(6)遺傳算法對給定問題,可以產(chǎn)生許多的潛在解,最終選擇可以由使用者確定。

其中對全局信息有效利用和隱含并行性是遺傳算法的兩大特點,同時遺傳算法對問題本身的限制較少,因而具有很強的通用優(yōu)化能力。但遺傳算法容易過早收斂,這樣就會使其他個體中的有效基因不能得到有效復(fù)制,最終丟失;而且在進(jìn)化后期染色體之間的差別極小,整個種群進(jìn)化停滯不前,搜索效率較低,這樣就會導(dǎo)致搜索到的結(jié)果不是全局最優(yōu)解。

自從1975年J.H.Holland系統(tǒng)地提出遺傳算法的完整結(jié)構(gòu)和理論以來,眾多學(xué)者一直致力于推動遺傳算法的發(fā)展,對編碼方式、控制參數(shù)的確定、選擇方式和交叉機理等進(jìn)行了深入的探究,其基本途徑概括起來有以下幾個方面[3]:

(1)改變遺傳算法的組成部分或使用技術(shù);

(2)采用混合遺傳算法;

(3)采用動態(tài)自適應(yīng)技術(shù),在進(jìn)化過程中調(diào)整算法控制參數(shù)和編碼粒度;

(4)采用非標(biāo)準(zhǔn)的遺傳操作算子;

(5)采用并行遺傳算法等。

四、遺傳算法的應(yīng)用領(lǐng)域

遺傳算法經(jīng)過幾十年的發(fā)展,逐漸被人們接受和運用,遺傳算法的應(yīng)用研究比理論研究更為豐富,下面是遺傳算法的一些主要應(yīng)用領(lǐng)域[4]:

(1)優(yōu)化問題:優(yōu)化問題包括函數(shù)優(yōu)化和組合優(yōu)化兩種。函數(shù)優(yōu)化是遺傳算法的經(jīng)典領(lǐng)域,也是對遺傳算法進(jìn)行性能評價的常用算例。對于組合優(yōu)化,隨著問題規(guī)模的擴(kuò)大,搜索空間急劇擴(kuò)大,這類復(fù)雜問題,人們已經(jīng)意識到把精力放在尋找其滿意解上。實踐證明,遺傳算法對于組合優(yōu)化中的NP完全問題非常有效。

(2)生產(chǎn)調(diào)度問題:生產(chǎn)調(diào)度問題在許多情況下所建立起來的數(shù)學(xué)模型難以精確求解,即使經(jīng)過一些簡化之后可以進(jìn)行求解,也會因簡化太多而使得求解結(jié)果與實際相差甚遠(yuǎn)。遺傳算法已成為解決復(fù)雜調(diào)度問題的有效工具,在單件生產(chǎn)車間調(diào)度、流水線生產(chǎn)車間、生產(chǎn)規(guī)劃、任務(wù)分配等方面遺傳算法都得到了有效的應(yīng)用。

(3)自動控制:在自動控制領(lǐng)域中許多與優(yōu)化相關(guān)的問題需要求解,遺傳算法的應(yīng)用日益增加,并顯示了良好的效果。例如用遺傳算法進(jìn)行航空控制系統(tǒng)的優(yōu)化、基于遺傳算法的參數(shù)辨識、利用遺傳算法進(jìn)行人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)化設(shè)計和權(quán)值學(xué)習(xí),都顯示了遺傳算法在這些領(lǐng)域中應(yīng)用的可能性。

(4)機器人智能控制:機器人是一類復(fù)雜的難以精確建模的人工系統(tǒng),而遺傳算法的起源就來自于對人工自適應(yīng)系統(tǒng)的研究。例如遺傳算法已經(jīng)在移動機器人路徑規(guī)劃、關(guān)節(jié)機器人運動軌跡規(guī)劃、機器人逆運動學(xué)求解、細(xì)胞機器人的結(jié)構(gòu)優(yōu)化和行動協(xié)調(diào)等方面得到研究和應(yīng)用。

(5)圖像處理和模式識別:圖像處理和模式識別是計算機視覺中的一個重要研究領(lǐng)域。在圖像處理過程中,如掃描、特征提取、圖像分割等不可避免地產(chǎn)生一些誤差,這些誤差會影響到圖像處理和識別的效果。如何使這些誤差最小是使計算機視覺達(dá)到實用化的重要要求。遺傳算法在圖像處理中的優(yōu)化計算方面是完全勝任的。目前已在圖像恢復(fù)、圖像邊緣特征提取、幾何形狀識別等方面得到了應(yīng)用。

五、總結(jié)

遺傳算法作為一種非確定性的模擬自然演化的學(xué)習(xí)過程的求解問題方法,在很多領(lǐng)域具有廣泛的應(yīng)用價值,但其在很多方面有待于進(jìn)一步研究、探討和完善。可以預(yù)期,隨著計算機技術(shù)的進(jìn)步和生物學(xué)研究的深入,遺傳算法在操作技術(shù)和方法上將更通用、更有效。

參考文獻(xiàn):

[1]王煦法.遺傳算法及其應(yīng)用.小型微型計算機系統(tǒng),1995,2