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(shí)將感知器模型的弊病全面提出，致使社會(huì)各界對(duì)于人工神經(jīng)網(wǎng)絡(luò)的探究非常少。另一方面，針對(duì)邏輯運(yùn)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(shí)期，九十年代初期，對(duì)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(duì)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(shí)踐中，并且得到全面推廣，同時(shí)，將科學(xué)技術(shù)和人工神經(jīng)網(wǎng)絡(luò)進(jìn)行有機(jī)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(shí)，這項(xiàng)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(gè)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(huì)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(diǎn)有：（1）針對(duì)每一個(gè)節(jié)點(diǎn)i，都會(huì)有相應(yīng)的狀態(tài)變量Xi存在；（2）節(jié)點(diǎn)j到節(jié)點(diǎn)i之間，是相應(yīng)的權(quán)系數(shù)Wij存在；（3）在每一個(gè)節(jié)點(diǎn)i的后面，具體存在相應(yīng)的閾值θi；（4）在每一個(gè)節(jié)點(diǎn)i的后面，存在變換函數(shù)fi（Xi，Wijθi），但是，通常情況來說，這個(gè)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(dú)特的結(jié)構(gòu)和處理措施，具體包括在：自動(dòng)控制處理和網(wǎng)絡(luò)技術(shù)模式識(shí)別、模型圖像處理和相應(yīng)的傳感器信號(hào)處理技術(shù)。信號(hào)處理技術(shù)和機(jī)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(gè)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(yùn)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(shí)別等方面，得到廣泛的應(yīng)用；同時(shí)，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(cè)以及事故警報(bào)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(shì)為：網(wǎng)絡(luò)技術(shù)處理能力高、穩(wěn)定性強(qiáng)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(bào)方法；山東淄博

中圖分類號(hào) P457.7 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 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(duì)市民的健康構(gòu)成了危脅，而且降低了大氣的能見度，對(duì)交通出行造成影響，也通過遠(yuǎn)距離傳輸對(duì)周邊地區(qū)帶來一定的影響。

目前，國(guó)內(nèi)外霾的預(yù)報(bào)主要有數(shù)值預(yù)報(bào)、模式輸出統(tǒng)計(jì)預(yù)報(bào)等方法。數(shù)值預(yù)報(bào)方法在大氣動(dòng)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(chǎng)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(bào)業(yè)務(wù)中受到一定限制。模式輸出統(tǒng)計(jì)預(yù)報(bào)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(qiáng)的氣象因子，然后利用統(tǒng)計(jì)方法建立預(yù)報(bào)方程，最后利用模式輸出量代入預(yù)報(bào)方程進(jìn)行預(yù)報(bào)。陳亦君等應(yīng)用基于系統(tǒng)辨識(shí)理論的實(shí)時(shí)迭代模式對(duì)WRF模式預(yù)報(bào)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(jì)方法，結(jié)果表明霾日預(yù)報(bào)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(bào)模型和有霾日能見度預(yù)報(bào)模型，預(yù)報(bào)試驗(yàn)結(jié)果表明南京地區(qū)霾日的SVM分類預(yù)報(bào)結(jié)果TS評(píng)分均在0.4以上，有霾日14：00能見度的SVM回歸預(yù)報(bào)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(shí)考慮氣象條件、氣溶膠濃度將很大程度上提高霾預(yù)報(bào)準(zhǔn)確率。本研究嘗試通過建立動(dòng)態(tài)的預(yù)報(bào)模型，利用氣象和大氣化學(xué)模式輸出的結(jié)果來實(shí)現(xiàn)霾等級(jí)預(yù)報(bào)。

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(jiǎn)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(chǔ)經(jīng)驗(yàn)知識(shí)和使之可用的特性。神經(jīng)網(wǎng)絡(luò)在2個(gè)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(shí)；二是互聯(lián)神經(jīng)元的連接強(qiáng)度，即突觸權(quán)值，用于存儲(chǔ)獲取的知識(shí)[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(jìng)爭(zhēng)網(wǎng)絡(luò)以及遞歸聯(lián)想存儲(chǔ)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(jiǎn)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(chǔ)存和并行處理的方式，使其具有很強(qiáng)的容錯(cuò)性和很快的處理速度。BP算法本質(zhì)是優(yōu)化計(jì)算中的梯度下降法，利用誤差對(duì)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(shí)驗(yàn)室的S語言類似，R是一種為統(tǒng)計(jì)計(jì)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(gè)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(shí)現(xiàn)新的統(tǒng)計(jì)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(gè)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(cè)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(gè)，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(bào)方法研究。

2 神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型的建立

分析資料采用淄博市8個(gè)地面氣象觀測(cè)站點(diǎn)的常規(guī)觀測(cè)資料、NCEP再分析資料（1°×1°）及淄博市環(huán)境監(jiān)測(cè)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(shí)間段為2015年4月至2016年9月。

2.1 預(yù)報(bào)因子的選取

本研究針對(duì)預(yù)報(bào)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(diǎn)溫度、相對(duì)濕度、水平風(fēng)速及其上空對(duì)流層中低層（500～850 hPa）的水平風(fēng)垂直切變、對(duì)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(gè)預(yù)報(bào)因子作為訓(xùn)練樣本，此處通過計(jì)算850 hPa與1 000 hPa假相當(dāng)位溫垂直差代表對(duì)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(gè)站的總樣本數(shù)為549個(gè)。為提高霾天氣預(yù)報(bào)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(jī)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(bào)因子之間的量綱影響，提高訓(xùn)練樣本的速度，首先要對(duì)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(duì)網(wǎng)絡(luò)輸出結(jié)果進(jìn)行反算即可得到實(shí)際值。

2.2.2 樣本資料的分層抽樣。利用分層抽樣技術(shù)對(duì)總體樣本進(jìn)行抽樣，從無霾樣本和不同等級(jí)的霾樣本中抽樣，將總體樣本劃分為訓(xùn)練樣本和測(cè)試樣本2個(gè)部分，訓(xùn)練樣本占總樣本的80%，測(cè)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(shí)現(xiàn)，抽樣方法選用無放回的簡(jiǎn)單隨機(jī)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(gè)輸入層、1個(gè)輸出層和若干個(gè)隱藏層構(gòu)成，輸入層由9個(gè)節(jié)點(diǎn)組成，輸出層由1個(gè)節(jié)點(diǎn)組成。輸入層節(jié)點(diǎn)數(shù)和輸出層節(jié)點(diǎn)數(shù)確定后，對(duì)隱藏層節(jié)點(diǎn)數(shù)和隱藏層數(shù)進(jìn)行優(yōu)化。如果隱藏層節(jié)點(diǎn)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(huì)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(diǎn)，而且會(huì)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(diǎn)數(shù)時(shí)采用經(jīng)驗(yàn)公式或逐步試驗(yàn)法。至于網(wǎng)絡(luò)中的神經(jīng)元層數(shù)，大多數(shù)實(shí)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(yàn)，最后確定采用含有2個(gè)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(yùn)算，運(yùn)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(bào)模型（圖2）。

構(gòu)建神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型時(shí)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(dòng)量自適應(yīng)梯度下降法（ADAPTgdwm）。

2.4 神經(jīng)網(wǎng)絡(luò)模型的測(cè)試

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

#進(jìn)行訓(xùn)練

net

result

#進(jìn)行測(cè)試

y

y[which（y

y[which（y>4）]

y

precision

cat（′測(cè)試準(zhǔn)確率為′，precision，′＼n′）；

3 預(yù)報(bào)結(jié)果的檢驗(yàn)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(cè)試，基于神經(jīng)網(wǎng)絡(luò)算法搭建了淄博地區(qū)站點(diǎn)霾等級(jí)預(yù)報(bào)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(bào)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(bào)產(chǎn)品，預(yù)報(bào)未來72 h的霾等級(jí)，時(shí)間分辨率為3 h。利用該系統(tǒng)對(duì)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(bào)試驗(yàn)，并把得到的預(yù)報(bào)結(jié)果與地面觀測(cè)實(shí)況作對(duì)比分析（表2）。

對(duì)預(yù)報(bào)檢驗(yàn)結(jié)果分析如下：

（1）從單站預(yù)報(bào)情況看，5個(gè)站點(diǎn)的預(yù)報(bào)準(zhǔn)確率達(dá)到了75%以上，預(yù)報(bào)模型輸出的預(yù)報(bào)結(jié)果可用性較高，而站點(diǎn)54824、54825的空?qǐng)?bào)率和漏報(bào)率較高，這可能與EC模式、CUACE模式的預(yù)報(bào)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(bào)產(chǎn)品，預(yù)報(bào)次數(shù)為768次，預(yù)報(bào)結(jié)果為無霾正確632次、無霾空?qǐng)?bào)80次、有霾漏報(bào)45次、有霾正確11次，漏報(bào)率為5.86%，空?qǐng)?bào)率為10.42%，準(zhǔn)確達(dá)到83.72%。

（2）從總體情況來看，淄博8個(gè)站點(diǎn)的平均預(yù)報(bào)準(zhǔn)確率為74.02%，平均漏報(bào)率5.37%，平均空?qǐng)?bào)率為20.61%，霾的漏報(bào)率較低，空?qǐng)?bào)率略高。

（3）從霾日分級(jí)預(yù)報(bào)情況看（表3），除54824站預(yù)報(bào)偏輕外，霾等級(jí)預(yù)報(bào)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(shí)況觀測(cè)資料建立了淄博地區(qū)8個(gè)站點(diǎn)的霾等級(jí)預(yù)報(bào)模型，經(jīng)過測(cè)試樣本測(cè)試，霾日預(yù)報(bào)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(bào)產(chǎn)品及CUACE模式輸出的污染物濃度預(yù)報(bào)產(chǎn)品搭建了淄博地區(qū)站點(diǎn)霾等級(jí)預(yù)報(bào)系統(tǒng)，并經(jīng)過1個(gè)月的預(yù)報(bào)檢驗(yàn)，平均預(yù)報(bào)準(zhǔn)確率可達(dá)74%以上，對(duì)實(shí)際業(yè)務(wù)中霾的預(yù)報(bào)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(bǔ)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(jí)預(yù)報(bào)系統(tǒng)是在利用數(shù)值預(yù)報(bào)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(bào)本身準(zhǔn)確性的影響，所以檢驗(yàn)系統(tǒng)預(yù)報(bào)準(zhǔn)確率的同時(shí)對(duì)數(shù)值預(yù)報(bào)產(chǎn)品的檢驗(yàn)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(bào)MOS方法研究[J].環(huán)境科學(xué)學(xué)報(bào)，2014，34（3）：574-581.

[2] 毛宇清，孫燕，姜愛軍，等.南京地區(qū)霾預(yù)報(bào)方法試驗(yàn)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(jī)器學(xué)習(xí)[M].申富饒，譯.北京：機(jī)械工業(yè)出版社，2011：1.

篇3

關(guān)鍵詞：人機(jī)大戰(zhàn)；人工智能；發(fā)展前景

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A

0.引言

2016年3月15日，備受矚目的“人機(jī)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(guó)九段棋手李世h。毫無疑問，這是人工智能歷史上一個(gè)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(gè)新的高度。

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

（1）AlphaGo的勝利并非僅僅依賴強(qiáng)悍的計(jì)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(duì)弈過的棋盤，并在練習(xí)和實(shí)戰(zhàn)中不斷學(xué)習(xí)和積累經(jīng)驗(yàn)。

（2）圍棋比國(guó)際象棋更加復(fù)雜，圍棋棋盤有361個(gè)點(diǎn)，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(jì)算量相當(dāng)巨大。英國(guó)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(jiǎn)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(jiǎn)而言之，AlphaGo取得勝利的一個(gè)很重要的方面就是它擁有強(qiáng)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(gè)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(shí)應(yīng)用和集成發(fā)展五大時(shí)期。

孕育期：1956年以前，數(shù)學(xué)、邏輯、計(jì)算機(jī)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(guó)數(shù)學(xué)家和哲學(xué)家萊布尼茨把形式邏輯符號(hào)化，奠定了數(shù)理邏輯的基礎(chǔ)。英國(guó)數(shù)學(xué)家圖靈在1936年創(chuàng)立了自動(dòng)機(jī)理論（亦稱圖靈機(jī)），1950年在其著作《計(jì)算機(jī)與智能》中首次提出“機(jī)器也能思維”，被譽(yù)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(guó)達(dá)特茅斯大學(xué)舉辦了長(zhǎng)達(dá)2個(gè)多月的研討會(huì)，熱烈地討論用機(jī)器模擬人類智能的問題。該次會(huì)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(huì)，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(shí)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(shí)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(jiǎn)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(píng)，對(duì)AI提供資助的機(jī)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(shí)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(gè)非常主流的分支。“專家系統(tǒng)”是一種程序，為計(jì)算機(jī)提供特定領(lǐng)域的專門知識(shí)和經(jīng)驗(yàn)，計(jì)算機(jī)就能夠依據(jù)一組從專門知識(shí)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(shí)庫、數(shù)據(jù)庫、推理機(jī)、解釋機(jī)制、知識(shí)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(jì)算機(jī)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(zhǎng)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(gè)里程碑。當(dāng)前人工智能的研究熱點(diǎn)主要集中在自然語言處理、機(jī)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(xiàng)目依賴于分布式系統(tǒng)，而當(dāng)前研究的普遍熱點(diǎn)則集中于自然語言處理、機(jī)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(jiǎn)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(shí)現(xiàn)讓機(jī)器明白人類的語言，這需要將人類的自然語言轉(zhuǎn)化為計(jì)算機(jī)能夠處理的機(jī)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(duì)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(gè)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(jì)算機(jī)制定一系列的規(guī)則，計(jì)算機(jī)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(jì)學(xué)習(xí)的經(jīng)驗(yàn)主義理論，這種理論在最近受到普遍推崇。該理論讓計(jì)算機(jī)自己通過學(xué)習(xí)并進(jìn)行統(tǒng)計(jì)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(shí)世界的語言現(xiàn)象，從數(shù)據(jù)中統(tǒng)計(jì)語言的規(guī)律。

機(jī)器學(xué)習(xí)：機(jī)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(jì)算機(jī)在數(shù)據(jù)中自動(dòng)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(duì)未知數(shù)據(jù)進(jìn)行判斷和預(yù)測(cè)的方法。

機(jī)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(gè)函數(shù)和目標(biāo)，當(dāng)有新的數(shù)據(jù)到來時(shí)，可以由訓(xùn)練得到函數(shù)預(yù)測(cè)目標(biāo)。有監(jiān)督的學(xué)習(xí)要求訓(xùn)練集同時(shí)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(cè)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(jì)分類問題和回歸分析問題。統(tǒng)計(jì)分類的預(yù)測(cè)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(jià)等的預(yù)測(cè)。

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(jì)算機(jī)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(duì)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(gè)子集中的數(shù)據(jù)對(duì)象都有一些相似的屬性，比較常用的聚類方法是簡(jiǎn)潔并快速的“K-均值”聚類算法。它基于K個(gè)中心并對(duì)距離這些中心最近的數(shù)據(jù)對(duì)象進(jìn)行分類。

機(jī)器學(xué)習(xí)還包括如半監(jiān)督學(xué)習(xí)和增強(qiáng)學(xué)習(xí)等類別?？偠灾瑱C(jī)器學(xué)習(xí)是研究如何使用機(jī)器來模擬人類學(xué)習(xí)活動(dòng)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(shí)別、計(jì)算機(jī)視覺、語音識(shí)別、推薦算法等領(lǐng)域越來越廣泛地應(yīng)用到了機(jī)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(shí)及智能行為，都是通過巨大的神經(jīng)網(wǎng)絡(luò)傳遞的，每個(gè)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(hào)強(qiáng)度超過某個(gè)閾值時(shí)，神經(jīng)細(xì)胞便會(huì)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(hào)。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(gè)多輸入單輸出的信息處理單元，并通過傳遞函數(shù)f對(duì)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(duì)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(jì)算模型。通過學(xué)習(xí)訓(xùn)練獲取到卷積運(yùn)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(jì)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(qiáng)了其對(duì)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(gè)里程碑。在以上4個(gè)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(shí)現(xiàn)邏輯推理等功能，隨著計(jì)算機(jī)處理能力的進(jìn)步以及深度學(xué)習(xí)等算法的改進(jìn)，機(jī)器擁有了越來越強(qiáng)的邏輯與對(duì)弈能力。在感知領(lǐng)域，隨著自然語言處理的進(jìn)步，機(jī)器已經(jīng)基本能對(duì)人類的語音與語言進(jìn)行感知，并且能夠已經(jīng)對(duì)現(xiàn)實(shí)世界進(jìn)行視覺上的感知?；诖髷?shù)據(jù)的處理和機(jī)器學(xué)習(xí)的發(fā)展，機(jī)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(duì)人的肢體動(dòng)作進(jìn)行判斷。該領(lǐng)域的主要實(shí)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(gè)階段的基礎(chǔ)上，機(jī)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(gè)里程碑很好的例證。Google的無人駕駛汽車通過各種傳感器對(duì)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(gè)領(lǐng)域。機(jī)器已經(jīng)能識(shí)別語音、人臉以及視頻內(nèi)容等，從而實(shí)現(xiàn)各種人際交互的場(chǎng)景。在醫(yī)學(xué)領(lǐng)域，人工智能可以實(shí)現(xiàn)自動(dòng)讀片和輔助診斷以及個(gè)性化t療和基因排序等功能。在教育領(lǐng)域，機(jī)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(gè)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(jiǎn)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(jià)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(dòng)化程度的不斷提高，運(yùn)動(dòng)控制系統(tǒng)可以采用以前很難實(shí)現(xiàn)的復(fù)雜算法，控制性能也有了很大的提高。運(yùn)動(dòng)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(yùn)動(dòng)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(yùn)動(dòng)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(duì)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(duì)于非線形、時(shí)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(shí)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(shí)描寫，而只是它的抽象、簡(jiǎn)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(shí)現(xiàn)。神經(jīng)網(wǎng)絡(luò)控制的關(guān)鍵是選擇一個(gè)合適的神經(jīng)網(wǎng)絡(luò)模型，并對(duì)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(shí)驗(yàn)樣本，這些實(shí)驗(yàn)樣本也必須從已知經(jīng)驗(yàn)和事先的實(shí)驗(yàn)中獲得。同時(shí)，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與學(xué)習(xí)過程，有時(shí)較為復(fù)雜，需要運(yùn)行成千上萬次才能獲得最佳結(jié)構(gòu)。有時(shí)獲得的是一個(gè)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(duì)所討論的對(duì)象實(shí)現(xiàn)有效的控制。

3．模糊控制。實(shí)際工程中，一個(gè)非常熟練的操作人員，能憑借自己豐富的實(shí)踐經(jīng)驗(yàn)，通過對(duì)現(xiàn)場(chǎng)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(yàn)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(gè)控制器來代替這些規(guī)則，也可實(shí)現(xiàn)對(duì)復(fù)雜工業(yè)過程的控制。實(shí)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(gè)任務(wù)。

模糊控制是基于模糊推理和模仿人的思維方法，對(duì)難以建立數(shù)學(xué)模型的對(duì)象實(shí)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(shí)現(xiàn)。模糊控制技術(shù)的應(yīng)用在國(guó)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(gè)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(jī)結(jié)合的基礎(chǔ)上，在未知環(huán)境下模仿專家的智能，實(shí)現(xiàn)對(duì)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(shí)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(jì)方法，并在大量的實(shí)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(yàn)，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(diǎn)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(diǎn)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(gè)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(jià)，還能節(jié)能。

1．供水系統(tǒng)特性。針對(duì)特定對(duì)象，用戶用水最突出的特點(diǎn)是隨機(jī)性，哪個(gè)用戶用水、用多少水、什么時(shí)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(gè)方面：

（1）系統(tǒng)參數(shù)的未知性、時(shí)變性、隨機(jī)性和分散性；

（2）系統(tǒng)滯后的未知性和時(shí)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(jī)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(duì)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(shí)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(cuò)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(gè)相互依賴的整體，對(duì)簡(jiǎn)單系統(tǒng)的控制的可靠性問題并不突出。而對(duì)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(gè)控制系統(tǒng)崩潰。

由此可見，用傳統(tǒng)的方法不能對(duì)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(duì)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(duì)象特性是緊密相關(guān)的，錯(cuò)誤或不當(dāng)?shù)目刂撇呗酝鶗?huì)導(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(duì)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(duì)所討論的對(duì)象實(shí)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(shí)庫的建立實(shí)現(xiàn)難度大，采用專家控制系統(tǒng)也不一定是—個(gè)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(duì)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(duì)不確定性復(fù)雜對(duì)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(jì)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(qiáng)(強(qiáng)耦合)的特點(diǎn)，經(jīng)現(xiàn)場(chǎng)試驗(yàn)比較，HISC與FC都能實(shí)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(duì)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(gè)領(lǐng)域，已經(jīng)解決了大量的傳統(tǒng)控制無法解決的實(shí)際控制應(yīng)用問題，呈現(xiàn)出強(qiáng)大的生命力和發(fā)展前景，隨著基礎(chǔ)理論研究和實(shí)際應(yīng)用的擴(kuò)展，智能控制將會(huì)實(shí)現(xiàn)控制領(lǐng)域的一個(gè)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(duì)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(shí)考慮事件發(fā)生的結(jié)局及發(fā)生結(jié)局的時(shí)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(duì)生存時(shí)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(xiǎn)模型、加速失效時(shí)間模型也要求模型滿足一定的假設(shè)前提，而實(shí)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(cè)與分類，與傳統(tǒng)回歸模型不同，它可以克服這些缺點(diǎn)，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(shí)間變化。目前國(guó)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(gè)輸入層（inputlayer）、一個(gè)輸出層（outputlayer）、一個(gè)或幾個(gè)中間層（隱層）組成，每一層可包含一個(gè)或多個(gè)神經(jīng)元，其中每一層的每個(gè)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(duì)輸入層的信息加權(quán)求和，加一個(gè)常數(shù)后，經(jīng)傳遞函數(shù)運(yùn)算后傳到下一個(gè)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(duì)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(yùn)算后輸出，例如：如果輸入為xi，對(duì)于含一個(gè)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(shí)選擇初始值0，BP算法通過梯度下降法得到估計(jì)值，使得g(x,)能很好地估計(jì)實(shí)測(cè)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(shí)間模型（continuoustimemodels）與離散時(shí)間模型（discretetimemodels）。

1.1連續(xù)時(shí)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(xiǎn)模型中,風(fēng)險(xiǎn)函數(shù)與時(shí)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(jì)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(xiàng)βxi，比例風(fēng)險(xiǎn)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(shí)間和協(xié)變量變化，也就是說協(xié)變量的效應(yīng)可以隨時(shí)間而變化，這給我們提供了一個(gè)可以處理刪失變量但又不需要滿足比例風(fēng)險(xiǎn)模型的PH假定的可供選擇的方法。1.2離散時(shí)間模型（discretetimemodels）

常用的模型有［3］：（1）直接預(yù)測(cè)患者是否可以存活到某年(例如5年)，是最簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)模型，模型的輸出層只有一個(gè)神經(jīng)元結(jié)點(diǎn)，如欲預(yù)測(cè)多個(gè)時(shí)間點(diǎn)，則需建立多個(gè)神經(jīng)網(wǎng)絡(luò)模型（每個(gè)模型對(duì)應(yīng)一個(gè)時(shí)間區(qū)間)；（2）多個(gè)輸出結(jié)點(diǎn)的單個(gè)神經(jīng)網(wǎng)絡(luò)模型。

1.2.1輸出層有單個(gè)結(jié)點(diǎn)的神經(jīng)網(wǎng)絡(luò)模型是一個(gè)標(biāo)準(zhǔn)的分類神經(jīng)網(wǎng)絡(luò)模型，生存時(shí)間被分成2個(gè)區(qū)間，例如生存時(shí)間是否大于5年。其似然函數(shù)為：

∏patientsptii(1-pi)(1-ti)

其對(duì)數(shù)似然函數(shù)為：

∑patientstilogpi+(1-ti)log(1-pi)

pi：第i個(gè)病人死亡的概率，ti：第i個(gè)觀測(cè)在某時(shí)間點(diǎn)（例如5年）的結(jié)果，如觀測(cè)死亡，取值為1，否則取值為0。對(duì)于刪失的觀測(cè)不能簡(jiǎn)單地排除，這樣會(huì)造成偏性，我們使用Cox線性比例風(fēng)險(xiǎn)模型產(chǎn)生的個(gè)體預(yù)測(cè)值對(duì)刪失值做填補(bǔ)。1.2.2輸出層有多個(gè)結(jié)點(diǎn)的神經(jīng)網(wǎng)絡(luò)模型將生存時(shí)間分成幾個(gè)離散的區(qū)間，估計(jì)某個(gè)區(qū)間事件發(fā)生的概率。

不考慮時(shí)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?cè)O(shè)ηk(x)=yk－y1），

于是可以得到時(shí)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(cè)i存活的前一個(gè)生存區(qū)間，li：最后的時(shí)間區(qū)間，pki：第i個(gè)病人在時(shí)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(cè)準(zhǔn)確性的評(píng)價(jià)指標(biāo)。一致性指數(shù)C是對(duì)含有刪失數(shù)據(jù)的ROC曲線下面積的推廣(generalization)，是指預(yù)測(cè)結(jié)果和實(shí)際結(jié)果一致的觀察單位的對(duì)子數(shù)占總的有用對(duì)子數(shù)的比例,即C=一致的對(duì)子數(shù)/有用的對(duì)子數(shù)，C接近0.5表明模型的預(yù)測(cè)性能差，接近1表明預(yù)測(cè)性能好。一致性指數(shù)的計(jì)算步驟為［5］：①產(chǎn)生所有的病例配對(duì)。若有n個(gè)觀察個(gè)體,則所有的對(duì)子數(shù)為C2n。②排除兩種對(duì)子:對(duì)子中具有較小觀察時(shí)間的個(gè)體沒有達(dá)到觀察終點(diǎn)及對(duì)子中2個(gè)個(gè)體都沒達(dá)到觀察終點(diǎn)。③計(jì)算有用對(duì)子中,預(yù)測(cè)結(jié)果和實(shí)際相一致的對(duì)子數(shù),④計(jì)算一致性指數(shù)。

2實(shí)例分析

 

賁門癌是常見惡性腫瘤,對(duì)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(shí)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(zhǎng)度、組織學(xué)類型、大體分型、浸潤(rùn)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(shí)間，先采用COX比例危險(xiǎn)模型對(duì)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(duì)賁門癌患者生存率有影響的因素為：病人的腫瘤長(zhǎng)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(yàn)集和測(cè)試集的確定

從原始數(shù)據(jù)中隨機(jī)抽取80例作為訓(xùn)練集，80例作為校驗(yàn)集，76例為預(yù)測(cè)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(duì)于腫瘤長(zhǎng)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(gè)變量作為網(wǎng)絡(luò)的輸入。建立輸出層為1個(gè)結(jié)點(diǎn)的離散型神經(jīng)網(wǎng)絡(luò)時(shí)，將病人生存時(shí)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(gè)結(jié)點(diǎn)的離散型神經(jīng)網(wǎng)絡(luò)時(shí)，將病人生存時(shí)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(diǎn)網(wǎng)絡(luò)的隱單元數(shù)為2，多結(jié)點(diǎn)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(cè)性能

使用靈敏度、特異度、一致性指數(shù)C評(píng)價(jià)模型的預(yù)測(cè)性能。

表2兩種神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)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(shí)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(cè)，用于生存分析方面的研究還較少。國(guó)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(cè)，賀佳［6］等對(duì)肝癌術(shù)后無瘤生存期的預(yù)測(cè)做了應(yīng)用嘗試。

本文通過實(shí)例建立連續(xù)時(shí)間模型與離散時(shí)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(shí)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(gè)體患者預(yù)后的預(yù)測(cè)，研究預(yù)后因子的重要性，研究預(yù)后因子的相互作用；對(duì)于預(yù)測(cè)變量的影響力強(qiáng)弱，解釋性還有待進(jìn)一步探討。還有研究者在建立多個(gè)時(shí)間區(qū)間的模型時(shí)將時(shí)間區(qū)間也作為一個(gè)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(cè)復(fù)雜的非線性效應(yīng)，復(fù)雜的交互效應(yīng)，相信會(huì)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(shí)例學(xué)習(xí)［M］.中國(guó)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(dòng)機(jī)器人；強(qiáng)化學(xué)習(xí)；Q學(xué)習(xí)算法；避障

1.引言

在實(shí)際的環(huán)境中，機(jī)器人的無碰撞路徑規(guī)劃是智能機(jī)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(jī)器人運(yùn)動(dòng)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(duì)于不確定的動(dòng)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(qiáng)化學(xué)習(xí)算法來實(shí)現(xiàn)移動(dòng)機(jī)器人的路徑規(guī)劃。強(qiáng)化學(xué)習(xí)是機(jī)器人通過學(xué)習(xí)來完成任務(wù)，它是將動(dòng)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(jī)器人與環(huán)境的試錯(cuò)交互，借助于來自成功和失敗經(jīng)驗(yàn)的獎(jiǎng)勵(lì)和懲罰信號(hào)不斷改進(jìn)機(jī)器人的自治能力，從而到達(dá)最終目標(biāo)，并容許后評(píng)價(jià)。在強(qiáng)化學(xué)習(xí)中，Q學(xué)習(xí)算法是從有延遲的回報(bào)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(qiáng)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(shí)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(dòng)機(jī)器人上，從而實(shí)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(jì)連續(xù)的動(dòng)作值，但此方法只能實(shí)現(xiàn)簡(jiǎn)單的動(dòng)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(shì)場(chǎng)法確定強(qiáng)化函數(shù)值和Boltzmann分布方法選取動(dòng)作。利用這種控制策略得到的仿真結(jié)果證明，移動(dòng)機(jī)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(qiáng)化學(xué)習(xí)

強(qiáng)化學(xué)習(xí)是一種重要的機(jī)器學(xué)習(xí)方法，同時(shí)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(shí)，它是決策者尋找最小耗費(fèi)費(fèi)用的方法。RL起源于人工智能領(lǐng)域的試湊學(xué)習(xí)。強(qiáng)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(duì)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(shí)際輸出與期望輸出的差值。然后通過真實(shí)輸出和參考輸出的差值來修改參數(shù)。在強(qiáng)化學(xué)習(xí)中，接收的信號(hào)是對(duì)一個(gè)行為的評(píng)價(jià)，這個(gè)評(píng)價(jià)可能是正、負(fù)或者零。這個(gè)信號(hào)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(jī)器人用這個(gè)信號(hào)決定到達(dá)目標(biāo)的策略。強(qiáng)化學(xué)習(xí)算法如下所述：

1）在每個(gè)離散時(shí)間步t，機(jī)器人感知到當(dāng)前狀態(tài)x（t），

2）在這個(gè)狀態(tài)選擇可能活動(dòng)中的一個(gè)動(dòng)作a（t），

3）給出一個(gè)強(qiáng)化信號(hào)，并產(chǎn)生一個(gè)新的后繼狀態(tài)x（t+1），

4）t

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

若X是機(jī)器人可感知到其環(huán)境的不同狀態(tài)的集合，A是一個(gè)可執(zhí)行動(dòng)作的集合。強(qiáng)化信號(hào)r（t）是在狀態(tài)x（t）選擇動(dòng)作a（t）的結(jié)果。

強(qiáng)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(shí)，從集合A中輸出一個(gè)合適的動(dòng)作a。

通常，最優(yōu)控制策略采用兩種方法計(jì)算：第一種是策略重復(fù)，直接對(duì)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(gè)方法分別給出了專門的強(qiáng)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(qiáng)化學(xué)習(xí)方法，也可以將其視為一種異步動(dòng)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(gè)狀態(tài)之下的每種動(dòng)作的效果。有限馬爾可夫決策問題的模型如下：在每個(gè)離散時(shí)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(shí)回報(bào)rk，并使系統(tǒng)轉(zhuǎn)移到下一個(gè)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(bào)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(duì)應(yīng)的動(dòng)作。Q學(xué)習(xí)的目的就是在轉(zhuǎn)移概率和所獲回報(bào)函數(shù)未知的情況下來估計(jì)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(duì)所有的狀態(tài)和動(dòng)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(gè)決策單元，同時(shí)起到動(dòng)作的評(píng)價(jià)及選擇作用，這樣有利于移動(dòng)機(jī)器人根據(jù)外界環(huán)境實(shí)時(shí)選擇相應(yīng)的動(dòng)作。

3.2 Q學(xué)習(xí)算法的實(shí)現(xiàn)

Q函數(shù)的實(shí)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(dòng)作集合A較大時(shí)，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(gè)合理的時(shí)間里，訪問所有的狀態(tài)和檢測(cè)到所有的動(dòng)作，將變得十分困難。因此，在一個(gè)連續(xù)的狀態(tài)空間和一個(gè)離散的動(dòng)作空間的情況下，用BP人工神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)Q學(xué)習(xí)算法。

應(yīng)用神經(jīng)網(wǎng)絡(luò)實(shí)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(jiǎn)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(hào)為：

（4）

其中， Q（xt+1，at）表示下一狀態(tài)所對(duì)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(qiáng)化函數(shù)和動(dòng)作選取

4.1強(qiáng)化函數(shù)

移動(dòng)機(jī)器人總共配置3個(gè)超聲波傳感器，采用人工勢(shì)場(chǎng)法來確定強(qiáng)化函數(shù)值。其基本思想是將機(jī)器人在環(huán)境中的運(yùn)動(dòng)視為一種虛擬的人工受力場(chǎng)中的運(yùn)動(dòng)。障礙物對(duì)機(jī)器人產(chǎn)生斥力，而目標(biāo)點(diǎn)對(duì)機(jī)器人產(chǎn)生引力，引力和斥力的合力作為機(jī)器人的加速力來控制機(jī)器人的運(yùn)動(dòng)方向和計(jì)算機(jī)器人的位置。該法結(jié)構(gòu)簡(jiǎn)單，便于低層的實(shí)時(shí)控制，在實(shí)時(shí)避障和平滑軌跡控制方面，得到了廣泛應(yīng)用。

F（t）為機(jī)器人所受的斥力的合力，相鄰時(shí)刻受力之差為

（5）

故獎(jiǎng)勵(lì)函數(shù)r（t）可表示為：

（6）

r（t）=-1表明移動(dòng)機(jī)器人離障礙物較近，應(yīng)該得到懲罰；r（t）=1表明移動(dòng)機(jī)器人離障礙物較遠(yuǎn)，應(yīng)該得到獎(jiǎng)勵(lì)；r（t） =0表明移動(dòng)機(jī)器人距離障礙物的相對(duì)位置沒變化，即不得到獎(jiǎng)勵(lì)，也不得到懲罰。

4.2 動(dòng)作選取

在Q學(xué)習(xí)收斂以后，最優(yōu)策略就是對(duì)每一個(gè)狀態(tài)選擇一個(gè)使Q函數(shù)值最大的動(dòng)作，這個(gè)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(shí)常會(huì)產(chǎn)生局部的重復(fù)。為了獲得Q的一個(gè)有用的估計(jì)值，移動(dòng)機(jī)器人必須掃描和估計(jì)所有狀態(tài)下可能的活動(dòng)。

探測(cè)方法有三種：第一種方法是隨機(jī)Pseudo方法，最佳值的動(dòng)作按概率P選擇，否則，在被給定的狀態(tài)下所有可能的動(dòng)作中任意的選取一個(gè)動(dòng)作；第二種方法是極端Pseudo方法，最佳值的動(dòng)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(dòng)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(gè)最大的希望折扣強(qiáng)化信號(hào)，這意味著學(xué)習(xí)的目的是學(xué)會(huì)對(duì)應(yīng)于環(huán)境狀態(tài)的最優(yōu)的策略動(dòng)作。因?yàn)閺?qiáng)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(jī)源產(chǎn)生一個(gè)動(dòng)作。探測(cè)方法中的第三種方法能很好的實(shí)現(xiàn)隨機(jī)動(dòng)作的選取。因此，選用第三種方法作為隨機(jī)源產(chǎn)生隨機(jī)動(dòng)作的方法。

5.仿真試驗(yàn)結(jié)果

為了驗(yàn)證算法的可行性，對(duì)基于Q學(xué)習(xí)算法移動(dòng)機(jī)器人的控制進(jìn)行了仿真，仿真平臺(tái)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(shí)現(xiàn)移動(dòng)機(jī)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(shì)場(chǎng)法來確定強(qiáng)化函數(shù)值。仿真試驗(yàn)結(jié)果證明了移動(dòng)機(jī)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)?；赒學(xué)習(xí)算法的控制策略能使移動(dòng)機(jī)器人獲取自學(xué)習(xí)功能，增強(qiáng)了機(jī)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(jiǎn)介：

篇7

一、水文預(yù)報(bào)的作用

水文預(yù)報(bào)不僅在防洪中是不可缺少的， 對(duì)已建成的水利工程管理運(yùn)用也是不可缺少的， 只有依靠水文預(yù)報(bào)， 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(huì)經(jīng)濟(jì)效益。水文預(yù)報(bào)技術(shù)和方法發(fā)展很快， 特別是近些年計(jì)算機(jī)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(bào)技術(shù)和方法上都較以往有所改變， 從而提高了預(yù)報(bào)精度， 增長(zhǎng)了預(yù)見期， 為防汛抗洪贏得了寶貴的時(shí)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(bào)是一項(xiàng)重要的工作。正確及時(shí)的預(yù)報(bào)可以使工程合理調(diào)度， 可以有計(jì)劃采取分洪， 蓄洪措施， 及時(shí)進(jìn)行防洪搶險(xiǎn)， 把洪災(zāi)損失降到最低程度。因此， 水文預(yù)報(bào)在其中起著非常重要的作用。

二、傳統(tǒng)和現(xiàn)代中長(zhǎng)期水文預(yù)報(bào)方法

中長(zhǎng)期水文預(yù)報(bào)存在的主要問題是預(yù)報(bào)精度較低。傳統(tǒng)的中長(zhǎng)期預(yù)報(bào)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(jī)性等特點(diǎn)來開展研究， 主要有成因分析和水文統(tǒng)計(jì)方法。近年來， 計(jì)算機(jī)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(zhǎng)期水文預(yù)報(bào)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(bào)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(zhǎng)期水文預(yù)報(bào)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(bào)， 也可稱為天氣學(xué)方法， 主要是對(duì)大量的歷史氣候資料(高空環(huán)流形勢(shì)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(bào)， 或在前期月平均環(huán)流形勢(shì)圖上分析與預(yù)報(bào)對(duì)象關(guān)系密切的地區(qū)與時(shí)段， 從中挑選出物理意義明確、統(tǒng)計(jì)貢獻(xiàn)顯著的預(yù)報(bào)因子，然后用逐步回歸或其他多元分析方法與預(yù)報(bào)對(duì)象建立函數(shù)關(guān)系， 并據(jù)此進(jìn)行定量預(yù)測(cè); （2）應(yīng)用前期海溫特征進(jìn)行預(yù)報(bào)， 即分析歷史海溫資料與預(yù)報(bào)對(duì)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(shí)間上與空間上的連續(xù)性， 在關(guān)鍵時(shí)段內(nèi)挑選若干個(gè)點(diǎn)的海溫作為預(yù)報(bào)因子， 與預(yù)報(bào)對(duì)象建立回歸方程并進(jìn)行定量預(yù)報(bào); （3）根據(jù)太陽黑子相對(duì)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(duì)后期可能發(fā)生的旱澇進(jìn)行定性預(yù)測(cè);（4）分析地球自轉(zhuǎn)速度的變化、行星運(yùn)動(dòng)的位置、火山爆發(fā)、臭氧的多少等與水文過程的對(duì)應(yīng)關(guān)系，對(duì)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(jì)預(yù)報(bào)，簡(jiǎn)稱統(tǒng)計(jì)預(yù)報(bào)， 即從大量歷史資料中應(yīng)用數(shù)理統(tǒng)計(jì)方法去尋找分析水文要素歷史變化的統(tǒng)計(jì)規(guī)律以及與其他因素的關(guān)系， 然后運(yùn)用這些規(guī)律來進(jìn)行預(yù)報(bào)。

2. 數(shù)理統(tǒng)計(jì)法。數(shù)理統(tǒng)計(jì)方法是水文中長(zhǎng)期預(yù)報(bào)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(bào)對(duì)象和預(yù)報(bào)因子之間的統(tǒng)計(jì)規(guī)律和關(guān)系或水文要素自身歷史變化的統(tǒng)計(jì)規(guī)律， 建立預(yù)報(bào)模式進(jìn)行預(yù)報(bào)。按預(yù)報(bào)時(shí)考慮因素的多寡可分為單因素預(yù)報(bào)和多因素綜合預(yù)報(bào)。單因素預(yù)報(bào)是利用水文要素自身歷史演變規(guī)律， 來預(yù)報(bào)該要素未來可能出現(xiàn)的數(shù)值， 又稱時(shí)間序列分析預(yù)報(bào)。常用的有歷史演變法、周期分析方法等。事實(shí)上， 水文氣象要素是由多種因素決定的， 要做出未來較長(zhǎng)期的水文氣象預(yù)報(bào)， 往往需要挑選多個(gè)相關(guān)程度比較高的因子， 進(jìn)行多要素綜合預(yù)報(bào)。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(jì)法是建立在對(duì)大量歷史資料進(jìn)行統(tǒng)計(jì)分析基礎(chǔ)上的一種預(yù)報(bào)方法， 故其對(duì)歷史水文資料及相關(guān)因子的資料長(zhǎng)度與可靠度要求較高， 但數(shù)理統(tǒng)計(jì)法具有概念清晰、易實(shí)現(xiàn)的優(yōu)點(diǎn)， 因此在實(shí)際中獲得了廣泛的應(yīng)用。

四、現(xiàn)代中長(zhǎng)期水文預(yù)報(bào)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(cè)預(yù)報(bào)、模式識(shí)別、自動(dòng)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(chǔ)、自適應(yīng)性、容錯(cuò)性等顯著優(yōu)點(diǎn)，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(gè)變量的線性常微分方程模型。它在徑流預(yù)報(bào)、災(zāi)害預(yù)測(cè)中有不少應(yīng)用實(shí)例。灰色系統(tǒng)理論由于其模型特點(diǎn)，比較適合具有指數(shù)增長(zhǎng)趨勢(shì)的問題，對(duì)于其他變化趨勢(shì)，則有時(shí)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(zhǎng)期水文預(yù)報(bào)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(cè)的方法有兩類，一類是模糊模式識(shí)別預(yù)測(cè)法，另一類是模糊邏輯法。 模糊模式識(shí)別預(yù)測(cè)法的基本思路是：以對(duì)歷史樣本模式的模糊聚類為基礎(chǔ)，計(jì)算待測(cè)狀態(tài)的類別特征值，從而根據(jù)預(yù)報(bào)值與類別特征值之間的回歸方程進(jìn)行預(yù)報(bào)。該方法將水文成因分析、統(tǒng)計(jì)分析、模糊集分析有機(jī)地結(jié)合起來，為提高中長(zhǎng)期預(yù)報(bào)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(gè)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(qiáng)有力的信號(hào)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(shí)域（時(shí)間）和頻域（頻率）進(jìn)行變化，能更有效地從信號(hào)中提取信息，因而日益受到關(guān)注。從時(shí)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(jī)制，有必要對(duì)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?；煦缋碚撈鹪从?0世紀(jì)60年代初美國(guó)氣象學(xué)家Lorenz在研究天氣預(yù)報(bào)中大氣流動(dòng)問題時(shí)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(yùn)動(dòng)除定常、周期、準(zhǔn)周期運(yùn)動(dòng)外，還存在著一種更加普遍的運(yùn)動(dòng)形式———混沌運(yùn)動(dòng)，即一種由確定性系統(tǒng)產(chǎn)生的、對(duì)初始條件具有敏感依賴性、永不重復(fù)的回復(fù)性周期運(yùn)動(dòng)。水文序列兼?zhèn)淞舜_定性和隨機(jī)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(duì)中長(zhǎng)期水文預(yù)報(bào)的研究。

6. 近鄰預(yù)報(bào)方法。其基本思想是， 從歷史樣本中選擇與當(dāng)前待預(yù)報(bào)狀態(tài)相近的一個(gè)或k 個(gè)歷史狀態(tài)( 比如歷史流量序列片段) ， 根據(jù)這一個(gè)或k 個(gè)歷史狀態(tài)的下一時(shí)刻觀測(cè)值預(yù)報(bào)當(dāng)前待預(yù)報(bào)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(bào)， 近年來隨著混沌時(shí)間序列研究的增溫，近鄰預(yù)報(bào)方法受到較多關(guān)注， 在日、月流量預(yù)報(bào)中都有應(yīng)用。

總之，中長(zhǎng)期水文預(yù)報(bào)對(duì)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(bào)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(qiáng)對(duì)中長(zhǎng)期水文預(yù)報(bào)的探索和研究，使其能夠滿足實(shí)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(zhǎng)期水文預(yù)報(bào)方法及應(yīng)用［M］，北京：中國(guó)水利水電出版社，2008。

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

作者簡(jiǎn)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(hào)：X52 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1671-7597（2014）07-0098-01

當(dāng)前，水污染已經(jīng)成為了熱點(diǎn)問題，如何處理好水污染，一直是人們?cè)谔接懙脑掝}，目前對(duì)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(huì)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(gè)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(gè)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(shí)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?yàn)V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(dòng)力下進(jìn)行過濾，進(jìn)行去除水中細(xì)菌和有機(jī)物質(zhì)等。

1.3 隔油法

隔油法主要利用隔油池對(duì)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(dòng)，流動(dòng)中油類物質(zhì)上浮到水面，最后利用到刮油機(jī)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》?、生物及化學(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(jī)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(jī)使用的，通常是作為含油污水隔油后進(jìn)行補(bǔ)充處理。作為二級(jí)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(jí)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(jí)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(duì)穩(wěn)定，或者放在二級(jí)生物處理之后作為二級(jí)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(jī)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(diǎn)研究?jī)?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(chǎng)中分離必然需要很長(zhǎng)的時(shí)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(shí)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(duì)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(duì)廢水進(jìn)行處理的時(shí)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(jī)污染物的一種方法，簡(jiǎn)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(guó)[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(diǎn)主要是有機(jī)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(shì)主要表現(xiàn)在：對(duì)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(zhǎng)，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(duì)水質(zhì)進(jìn)行處理。

基金項(xiàng)目

國(guó)家自然科學(xué)基金青年基金（11201485）；徐州工程學(xué)院校青年項(xiàng)目（XKY2010201）。

參考文獻(xiàn)

[1]凌敏華，左其亭.水質(zhì)評(píng)價(jià)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(huì)君，王新華.應(yīng)用人工神經(jīng)網(wǎng)絡(luò)確定評(píng)價(jià)指標(biāo)的權(quán)重[J].山東科技大學(xué)學(xué)報(bào)（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(cè)中的應(yīng)用[J].南方農(nóng)業(yè)學(xué)報(bào)，2011，42（10）.

[4]萬金保，李媛媛.模糊綜合評(píng)價(jià)法在鄱陽湖水質(zhì)評(píng)價(jià)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(hào)：TP311文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：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(gè)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(gè)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?。?shí)際上，對(duì)群居昆蟲來說，團(tuán)隊(duì)合作主要是通過群居成員之間個(gè)體的互動(dòng)進(jìn)行協(xié)調(diào)的。盡管單次互動(dòng)可能非常簡(jiǎn)單，但通過多次互動(dòng)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?yàn)樗鼈兙邆淙齻€(gè)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(shí)變化的環(huán)境，即使個(gè)體失敗，整個(gè)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(shí)生活中的一些復(fù)雜問題。目前，在計(jì)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(guó)內(nèi)對(duì)蟻群算法的研究主要針對(duì)離散優(yōu)化問題，如基于蟻群算法進(jìn)行動(dòng)態(tài)路由表設(shè)計(jì)，求最短路徑等。對(duì)于連續(xù)空間優(yōu)化問題的研究是近來研究的一個(gè)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(jì)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(jì)算研究的一個(gè)新熱點(diǎn)。

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(duì)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(shí)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(huì)分泌一種信息素（Pheromone，也稱外激素）,這種物質(zhì)會(huì)隨著時(shí)間的變化而揮發(fā)。螞蟻在運(yùn)動(dòng)中傾向于朝著信息素濃度高的方向移動(dòng)。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(shí)間越短，因此在短的路徑上殘留的信息素濃度就高，就會(huì)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(shí)間尺度來測(cè)量，當(dāng)使用適當(dāng)?shù)臅r(shí)間尺度時(shí)，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(gè)城市和每?jī)蓚€(gè)城市之間的距離，要求確定一條經(jīng)過每個(gè)城市一次且只有一次的最短路徑。我們引入如下記號(hào)來描述蟻群算法。

設(shè)： m――螞蟻的規(guī)模；

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

算公式也會(huì)不同。針對(duì)實(shí)際問題，研究者們?cè)诨鞠伻核惴ǖ幕A(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(jī)制的耦合算法；Bullnheimer等人提出了AS算法的另一個(gè)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(jī)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(shí)，針對(duì)算法本身的研究也取得了很大的進(jìn)展。如：H.M.Botee等人對(duì)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(shí)際應(yīng)用

蟻群算法在現(xiàn)實(shí)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(shí)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(duì)簡(jiǎn)單社會(huì)系統(tǒng)的模擬，人們通過對(duì)鳥類的研究發(fā)現(xiàn)，鳥在運(yùn)動(dòng)過程中會(huì)通過參考同伴的運(yùn)動(dòng)信息來調(diào)整自己的運(yùn)動(dòng)狀態(tài)。在運(yùn)動(dòng)中，每個(gè)個(gè)體的信息都是共享的，正是通過這種相互借鑒可以使個(gè)體運(yùn)動(dòng)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(gè)n維空間。每個(gè)微粒都有一個(gè)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(jì)算每個(gè)微粒的適應(yīng)度。

Step 3：對(duì)每個(gè)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(duì)每個(gè)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(qǐng)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(gè)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(shí)際優(yōu)化問題中當(dāng)逼近最優(yōu)解時(shí)性能較差。針對(duì)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(jì)算與PSO的思想,此方法加入選擇后具有更強(qiáng)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(shí)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(dòng)態(tài)問題中，如多目標(biāo)優(yōu)化、分類、模式識(shí)別、信號(hào)處理、機(jī)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(duì)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(shí)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(duì)薄弱，需要進(jìn)行更進(jìn)一步的深入研究。目前，我國(guó)對(duì)于群集智能算法的研究和應(yīng)用都很少，我們還要加強(qiáng)這一領(lǐng)域的研究，以促進(jìn)我國(guó)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(hào):TP18 文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):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(jì)算此類問題時(shí),若不能利用問題的固有知識(shí)來縮小搜索空間則會(huì)產(chǎn)生搜索的組合爆炸。因此,研究能在搜索過程中自動(dòng)獲取和積累有關(guān)搜索空間的知識(shí)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(jiǎn)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(jī)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(jī)信息交換的思想,適者生存消除了解中不適應(yīng)因素,隨機(jī)信息交換利用了原有解中已知的知識(shí),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(gè)種群開始的,一個(gè)種群由經(jīng)過基因編碼的一定數(shù)目的個(gè)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(gè)體的適應(yīng)度大小挑選個(gè)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(gè)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(gè)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(diǎn)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(jià)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(gè)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(shí),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(qiáng)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(duì)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(duì)全局信息有效利用和隱含并行性是遺傳算法的兩大特點(diǎn),同時(shí)遺傳算法對(duì)問題本身的限制較少,因而具有很強(qiáng)的通用優(yōu)化能力。但遺傳算法容易過早收斂,這樣就會(huì)使其他個(gè)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(gè)種群進(jìn)化停滯不前,搜索效率較低,這樣就會(huì)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(dòng)遺傳算法的發(fā)展,對(duì)編碼方式、控制參數(shù)的確定、選擇方式和交叉機(jī)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(gè)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(dòng)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(yùn)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(duì)遺傳算法進(jìn)行性能評(píng)價(jià)的常用算例。對(duì)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(shí)到把精力放在尋找其滿意解上。實(shí)踐證明,遺傳算法對(duì)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(jiǎn)化之后可以進(jìn)行求解,也會(huì)因簡(jiǎn)化太多而使得求解結(jié)果與實(shí)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(dòng)控制:在自動(dòng)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(shí)、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(jì)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(jī)器人智能控制:機(jī)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(duì)人工自適應(yīng)系統(tǒng)的研究。例如遺傳算法已經(jīng)在移動(dòng)機(jī)器人路徑規(guī)劃、關(guān)節(jié)機(jī)器人運(yùn)動(dòng)軌跡規(guī)劃、機(jī)器人逆運(yùn)動(dòng)學(xué)求解、細(xì)胞機(jī)器人的結(jié)構(gòu)優(yōu)化和行動(dòng)協(xié)調(diào)等方面得到研究和應(yīng)用。

(5)圖像處理和模式識(shí)別:圖像處理和模式識(shí)別是計(jì)算機(jī)視覺中的一個(gè)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(huì)影響到圖像處理和識(shí)別的效果。如何使這些誤差最小是使計(jì)算機(jī)視覺達(dá)到實(shí)用化的重要要求。遺傳算法在圖像處理中的優(yōu)化計(jì)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(shí)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(jià)值,但其在很多方面有待于進(jìn)一步研究、探討和完善?？梢灶A(yù)期,隨著計(jì)算機(jī)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(jì)算機(jī)系統(tǒng),1995,2