搜索
基于仿生学的智能计算浅谈摘要：本文介绍了仿生学智能计算的自然及数学原理，同时分析了基于仿生学的智能计算的几种经典的算法，最后就仿生学智能计算的发展方向提出了一点个人见解。关键词：仿生；智能；算法；蚁群算法；遗传算法；人工神经网络中图分类号：tp183文献标识码：a文章编号：1007-9599(2011)22-0000-01intelligentcomputingbasedonbionicszhangguangshun(schoolofinformationscience,jiujianguniversity,jiujiang332005,china)abstract:thispaperdescribesbionicsintelligentcomputingandmathematicalprinciplesofnatural,simultaneousanalysisofintelligencebasedonbionicalgorithmforthecalculationofseveralclassic,andfinallythedevelopmentofintelligentcomputingthedirectionofbionicsmadeapersonalopinion.keywords:bionic;intelligent;algorithm;antcolonyalgorithm;geneticalgorithm;artificialneuralnetwork一、仿生学智能计算的原理（一）自然原理。达尔文在进化论中提出，大自然中的生物“物竞天择，适者生存”，经历万亿年的进化，在解决生存问题时已经积累了丰富的智慧。人类曾经根据鸟类的飞行发明了滑翔机；根据鱼类的游泳发明了潜艇等。现在人们在智能方面也在向自然界学习。例如根据人类大脑的构造，开创了人工神经网络算法这一重要领域；根据进化论遗传学理论提出了遗传算法等。模仿生物智慧而产生的方法，在解决复杂的问题上已经有了显著的效果。（二）数学原理。智能计算的多种算法都有坚实的数学基础[1]，可以利用数学方法判定算法的有效性及证明。虽然有些算法现在还未完全严格证明，但其使用效果已经说明了算法的可行性。很多基于仿生学的智能计算都可以看作是一个markov链：一个随机过程x={xt，t∈t}，可能取到的值空间为s，称为状态空间。若状态xn+1满足p{xn+1=j|x0=i0，x1=i1，…xn=in}=p{xn+1=j|xn=in}则称xn为markov链。markov链是一类概率问题，许多智能计算方法都属于markov链范畴。另一个常用的数学工具是图论。图论以图、点及连线为研究对象，利用图论可以验证各种算法的有效性及效率。以经典的0-1背包问题为例，现在使用仿生学原理产生的蚁群算法，效果明显更好[2]。二、智能算法（一）群集智能算法。根据自然界中群体性动物合作的研究，人们提出了多种模仿群体智慧的算法。例如根据蚂蚁采食而产生的蚁群算法，根据蜜蜂寻找蜜源而产生的蜂群算法等，这些方法在路径搜索等领域已经取得了很好的应用[3]。现在以蚁群算法为例进行简要分析。蚂蚁是一种群居性动物，单个蚂蚁很难在自然界存活。但由于群体合作的存在，使蚂蚁成为世界上分布最广泛的物种之一。通过研究发现，蚂蚁在将食物搬回家的过程中，开始时的路径有长有短。但经过大量蚂蚁的路径试探后，最后越来越归于最短的那条路径。这是因为每只蚂蚁在行进过程中都会产生一种“信息素”，用来给后来的蚂蚁指路。当大量蚂蚁在行进时，不同路径产生的信息素浓度不同。浓度最大的路径表示单位时间内通过的蚂蚁数量最多，这就是最短路径[4]。这种算法在开始时可以随机选择数值，到最后最佳结果的概率会最大，这就求得了问题的解。蚁群算法在求解图的路径上是一个比较好的方法，具有良好的鲁棒性，且易于并行分布式实现；但是搜索时间较长，开销较大，需要大量的运行才能收敛于解，而且可能会陷入局部最优。（二）进化算法。模仿生物的进化而产生的算法成为进化算法，主要包括遗传算法、文化算法等。进化算法通过模仿自然界的选择、重组和变异来逐步得到问题更好的解。现在以遗传算法为例，分析算法的特点。遗传算法通过选定初始种群，利用选择较优解、重组新解、变异、再继续选择的方法，不断演化，直至找到符合条件的解[5]。遗传算法不是以一个初始解开始运算，而是从一系列解开始迭代优化。遗传算法的这一特性，能够在整个解集中寻找全局最优，而不是陷于局部最优。通过一定程度的变异和筛选，可以产生更加适合的解，如同生物的变异和淘汰，能够生存下来的是最适应环境的品种一样。遗传算法能够自组织、自适应和自学习，容错性能更好。但是遗传算法的效率有待提高，将遗传算法和其他算法结合，能更快得到问题的解。（三）其他算法。根据生物学、医学、心理学等的发展，人们又提出了几种算法，并已得到实际应用。例如人工神经网络、dna计算、模糊计算等。现以人工神经网络为例进行简要介绍。人类的大脑皮层约有140亿个神经元。每一个神经元只能进行简单的信息传递或存储，但大量神经元集合在一起，则会产生智能。人工神经网络就是模仿人脑的这一特点，进行信息的处理和问题的求解。人工神经网络的工作方式是学习并实践。人工神经网络通过训练，不断提高正确结果的权值。在实践中人工神经网络系统就会根据已有的学习选择最优的方法，并根据实际情况调整权值。人工神经网络是典型的并行分布式系统，具有良好的容错性，通过不断学习，可以达到较好的分析和识别效果。将人工神经网络应用于模式识别领域，比如人脸识别等，是当前热门的应用方向。三、小结本文浅谈基于仿生学的智能计算，简述了自然及数学原理，以及几个方面的具体实现。自然造物神奇，自然界中还有许多领域待人探索。基于仿生学的智能计算，也才兴起不久，理论和应用等方面尚未完善。目前，有几个方面值得人们研究：一是不断开拓智能计算的领域，寻找新的启发，以新的更有效的算法解决问题；二是在已有算法基础上深入研究，并讲几种已有算法相互融合，提高算法的效率和有效性；三是推进应用，在工业、农业、经济、社会等各个方面都大有可为，能实现更好的效果。参考文献：[1]段海滨,张祥银,徐春芳.仿生智能计算[m].北京:科学出版社,2011,19-36[2]何小锋,马良.求解0-1背包问题的量子蚁群算法[j].计算机工程与应用,2011,47(16):29-31[3]邹海洋.蚁群算法在智能交通系统中的应用[j].科技信息,2011,19:68[作者简介]张广顺，九江学院信息学院，讲师，硕士。