趣谈人工智能——李志勇教授
从自然世界到智能时代
第一章 无处不在的“自然智能”
1.1 课程引入与自然智能
人法天,天法地,地法道,道法自然——老子《道德经》
蜻蜓——直升飞机 蝙蝠——雷达
蚂蚁——蚁群优化算法
无人驾驶汽车
自然智能是指自然界(包括生命个体、生物群体、生态系统、物理化学、社会经
济等)中所蕴含的天然的信息处理机制与系统
自然计算
1.2 自然智能研究的兴起、发展与分类
1994 年美国计算机科学家
雷纳德.阿德勒曼(L.Adleman)
——第一次利用现代分子生物技术,成功地在
DNA 溶液试管中完成了哈密尔顿有向路问题的实验(experiment)
人工免疫系统最初是由免疫学理论和观察到的免疫功能、原理和模型启发而产生
的适应性系统
1990 年伯西尼(Bersini)首次使用免疫算法来解决实际问题
20 世纪末福雷斯特(Forrest)等人开始将免疫算法应用于计算机安全领域;同
期亨特(Hunt)等人开始将免疫算法应用于机器学习领域
自然计算研究的发展:1953 模拟退火,1979 遗传生物,1989 禁忌搜索,1991
蚁群算法,1995 粒子群优化算法,2005 人工蜂群算法,2010 化学反应优化算法
自然计算与人工智能的关系:前者是后者最重要的数学基础之一,
前者也需要后者的问题驱动发展
自然计算包括生物启发计算、进化计算、群体智能等
1.3 典型的自然计算案例
生物启发计算
生物启发计算与传统人工智能:
生物启发计算与传统人工智能的区别在于:
传统人工智能遵循自上而下、一次性的设计过程;
生物启发计算采用自下而上,分而治之的原则
生物启发计算的方法通常包括通过一套简约的规则或一组结
构简单的种群,以及迭代地应用这些规则的过程。在反复应用这
些规则多代后,通常会出现一些复杂的行为,当复杂性急剧积累
后,最后出现复杂的智能效应
免疫算法的生物学原理——免疫系统
免疫算法
免疫算法模拟免疫系统的机制与功能
将实际问题的目标函数和约束条件模拟为抗原;
将问题的可行解模拟为抗体;可行解的目标函数值就代表了
抗体与抗原之间的亲和度;
优先选择那些与抗原亲和性比较好,而且浓度小的个体进入下一代,以实现对适
应度好的抗体的促进;
对浓度大的抗体的抑制,使之在进化的过程中保持生物多样性,避免陷入局部最
优解;利用记忆单元的作用,提高局部搜索能力,加快计算速度
进化计算的模型——物种进化论
进化论,又称演化论(Theory of Evolution),是指关于生物由低级到高级,
由简单到复杂逐步演变过程的学说
进化计算最典型的方法有 4 种:遗传算法(Genetic AI gor ithm,
简称 GA)、进化策略(Evolutionary Strategy,简称 ES)、进化规划
(Evolut ionary Progr amming,简称 EP)和遗传程序设计(Genetic
Progr ammi ng,简称 GP)
进化计算——以遗传算法为例
遗传算法( Genetic Algorithm )
1975 年, 美国 Michigan 大学 J. Holland 提出遗传算法。
Inspired:
(1)自然界的进化准则
适者生存 优胜劣汰
(2)生物的遗传学原理
基因复制、交叉、变异
群体智能
(蜜蜂、蚂蚁、鱼群、鸟群)
群体智能的方法的特点
采用分布式控制,不存在中心控制节点
具有较好的扩展性
实现较简单
具有较好的自组织性
蚁群算法——最短路径——外信息素
鸟群——大雁队形(省力)——麻雀快速觅食(通信机制)
鱼群——逃避天敌
蜜蜂——筑巢、采蜜
群体智能——以蚁群算法为例
个体觅食行为规则:
每个蚂蚁无规则行走,沿着嗅迹随机寻找食物;
如果发现食物,一边往巢穴搬运食物,同时沿途留下可挥发
的外激素,其强度与发现食物的品质和数量成正比;
其他蚂蚁遇到外激素,既可能循嗅迹前进,也可能走失(选
择其他路径),其走失率与嗅迹的强度成反比;
群觅食原理
蚁
蚁群优化算法
蚁群算法(Ant Colony Algorithm,ACA)是由意大利 M.Dorigo(多里戈)等人
于 1990 到 200(有一种说法是 1991)发展起来的群体智能算法,模拟自然界蚂
蚁群体觅食行为进行寻优
算法特点
模拟蚂蚁群体社会行为
较强的鲁棒性(鲁棒 Robust 强壮的。鲁棒性,反映在异常和危险情况下系统生
存的能力的一种性质)
优良的分布式计算机制
易于与其他方法结合
模拟退火(simulated annealing, SA)算法的起源
模拟退火算法来源于固体退火原理,将固体加温至充分高,
再让其慢慢冷却。加温时,固体内部粒子随温升变为无序状,内
能增大;而慢慢冷却时粒子渐趋有序,在每个温度都达到平衡态,
最后在常温时达到基态,内能减为最小
模拟退火算法的基本原理与应用
它是基于概率统计学中 Mente Carlo(蒙特卡罗)迭代求解策略的一-种随机.
寻优算法。模拟退火算法从某-较高初温出发,伴随温度参数的
不断下降,结合概率突跳特性在解空间中随机寻找目标函数的全
局最优解。在局部最优状态能以更大概率跳出,并最终收敛于全
局最优解
(本章彩蛋:中国大佬打败意大利佬)
第二章 视听系统与仿生感知
2.1 感知计算的仿生学原理
智能生物的感知方式包括视觉、听觉、触觉、嗅觉等。,其中视听觉信息最为普
遍与重要,其获取和加工处理占人类感知觉信息输入的 85%以上
概念:仿生学主要是观察、研究和模拟自然界生物各种特殊结构、机理与能力,
包括生物体的生理结构、行为能力、器官功能、能量传递、记忆学习等,利用这
些原理。为科技发展提供新的设计思想、工作原理和系统框架对的学科
仿生学的主要研究方法就是建模,
面向智能技术的仿生研究程序大致有三个阶段:
生物模型:对生物原型进行研究,建立生物模型
计算模型:将生物模型提供的资料进行数学与信息分析,并将其内在的机理抽象
成具有一定意义的计算模型
系统模型:根据计算模型,综合机械、传感、电子与软件等技术制造出可在工程
技术上进行实验的智能机器或系统
智能仿生学的典型案例
智能机器人 蝙蝠与雷达 海豚与声呐
特殊视觉仿生感知技术
“鹰眼”导弹系统 电子蛙眼(见动不见静) 蝇眼照相机(模拟复眼)
(本章彩蛋:内涵段子之仿生学)
第三章 大脑结构与机器推理
3.1 大脑自然结构与仿生原推理
大脑是人类生理结构最复杂的部分,是所有神经系统的中枢,也是产生人类智能
最关键的器官
思维与推理是人工智能最重要的特征之一。模拟人类的思维与推理能力,实现高
效率的机器推理,是人工智能不断努力的目标之一
人机对战:
1959 年美国的塞缪尔,通过模拟人类学习、推理活动,设计了具有学习能力的
下棋程序。通过 4 年学习,该程序战胜了设计者本人;又通过 3 年,战胜了美国
常胜冠军
1997 年,IBM 深蓝电脑击败国际象棋世界冠军卡斯巴罗夫——加利·卡斯巴罗夫
(Garry Kasparov)——卡斯帕罗夫,俄罗斯人
人脑仿生芯片:
IBM 模仿人脑的运算过程,研究仿生芯片,该芯片由一个集成的内存(模仿突
触)、通信(模仿轴突)和计算(模仿神经元)组成。目标是能够记忆和学习,并
找到知识的相关性,甚至能自行创造知识
从狭义方面,脑是指中枢神经系统,有时特指大脑。从广义方面则泛指整个神
经系统
基本机构:人脑大体上是由大脑、小脑、间脑和脑干组成,其中大脑是人体控制
运动、产生感觉及实现高级脑功能的高级神经中枢
大脑思维流程
大脑的思维流程可分为三个步骤
信息采集->资源整理->数据分析
信息采集,主要是依靠人的眼睛、耳朵、手、皮肤等一切可对自然产生感应的感
官进行信息采集的,所采集的信息将会全部记录于大脑
资源整理,主要是将采集后的信息进行整合,其主要目的是选取优先分析项,依
次排序,便利分析
数据分析,将整理出来的资源进行分析,进而形成有用的并可被自身理解的数据
现代脑科学的研究内容:
揭秘神经元之间的连接形式,奠定智能行为的脑机制与 结构基础
阐明神经活动的基本过程,说明在分子、细胞到行为等
不同层次上神经信号的产生、传递、调制等基本过程
鉴别神经元的特殊细胞生物学特性
认识实现各种功能的神经回路基础
解释脑的高级功能机制
大脑思维与仿生推理计算: