[6]黄 文 奇 ，许 如 初 著. 近 世 计 算 理 论 导 引— ——NP 难 度 问 题
关键词： 智能计算； 算法； 研究方法
0 引言
硬件性能越来越高的计算机为人类完成各类计 算提供了强有力的工具。 然而，有许多困难的问题由 于其需要搜索的解空间异常庞大， 如果没有好的算 法， 即使采用再强大的计算机来求解也是不现实的， 需要花费相当长的时间。 这促使人们在不断强化计算
人工神经元是对生物神经元的模仿，其有三个基 本 要 素[1]：①一 组 连 接 （与 生 物 神 经 元 的 突 触 相 对 应 ）， 连接强度由各连接上的权重表示；②一个求和单元，实 现多输入信号的叠加（线性加权叠加）；③一个非线性 激活函数，用于控制输出。 可以用下图加以表示[1]：
的线性叠加，φ（·）为激活函数，而 θk 为阈值，yk=φ（uk-
1 智能计算的主要组成部分
θk）为相应的输出。 大量的人工神经元按照一定的拓扑结构进行连
智能计算是一个很广的范畴， 其内容非常丰富，
接组成 NN，适当选择连接强度（权重）以及激活函数，
这里只介绍其中的若干主要部分， 包括人工神经网
NN 可以实现计算功能， 对于给定的输入信号而给出
①对微粒群作初始化； ②计算每个微粒的适应值（主要取决于微粒的当 前位置）； ③更新每个微粒所经过的最好位置； ④更新群体所经过的最好位置； ⑤每个微粒结合自己和群体所经过的最好位置， 按照所谓的速度进化方程和位置进化方程进行进化； ⑥若未达到结束条件（足够好的适应值或迭代次 数达到最大代数），返回步骤②继续迭代；否则算法结 束，输出最好的解及目标函数值。
3 结语
智能计算是随着计算机技术发展和人们对自然 界的深入理解而发展起来，它强调对人类和其他生物 智能行为的模仿，注重向自然界学习、汲取其中有益 的规律和原理。 与传统方法相比，智能计算更具有柔 性和自适应能力，它不需要太多的领域知识，可以解 决许多问题，尤其是一些大规模的复杂问题。 智能计 算将不同的学科紧密联系起来，它不仅是计算机科学 中求解问题的一种计算方法，更是人们研究自然以及 人类社会自身的一种非常有效的手段，其应用前景非 常广阔。
为人类解决问题提供了更多可供选择的方法，促进了
其 中 ，x1，x2，… ，xp 为 输 入 信 号 ， wk1，wk2，… ，wkn 为
包括数学、 计算机和生物等在内的众多学科的发展，
神经元 k 的权值 （连接强度），uk=wk1x1+…+wkpxp 为信号
并形成了一门新的交叉学科分支，即智能计算。
研究与开发
值模仿自然选择的压力，并提出选择、交叉和变异算 子以模仿进化过程。 GA 的算法流程简单，鲁棒性高， 对求解的问题不作太多的要求，因此非常适于求解用 传统方法难以对付的复杂问题。 GA 的框架如下[2]：
Begin t:=0； 初始化种群 P(t)； 评估 P(t)； while 不满足终止条件 do 对 P(t)施加交叉和变异算子得到子代 C(t)； 评估 C(t)； 从 P(t)和 C(t)中选择个体组成新的种群 P(t+1)； t:=t+1； end
2 智能计算主要研究方法
2.1 仿生
仿生是智能计算的一个非常重要的研究方法，它 强调向自然界学习，采用类比的思想，通过模仿其中 的原理规律以得到解决问题的一般方法。 神经网络、 进化算法、蚁群以及微粒群算法，等等，无不体现了仿 生这一研究方法。 此外，还有很多智能计算方法也是 通过模仿一些现象和规律得到的，例如模拟退火算法 就是其中的一类常用算法，它是通过模仿液体的结晶 过程而设计的[5]，而免疫算法是通过模 拟生物免疫系 统自我调节功能而得到的[7]。 也有学者提出所谓的拟 人和拟物方法，例如黄文奇等人所设计的算法在求解 一些组合优化难题方面取得了很好的效果[6]。 本质上， 拟人和拟物都是仿生思想的体现，是仿生法的另一种 表达。
代
EA 是模仿达尔文的生物进化论而设计的一类计
计 算
算模型，它包括遗传算法（GA）、进化规划（EP）和进化 机
策略 （ES）等 3 个 主 要 的 分 支 ，其 中 GA 是 主 要 代 表 。 根据达尔文的进化论，生物种群的进化主要是通过自
（总 第
然选择、遗传和变异实现的。 在 GA 中，通过引入适应 三
2.5 系统理论
智能计算是为了解决复杂问题而发展起来，其算 法本身的行为也是比较复杂的，以系统理论对算法和 问题做统一的思考是有益的，因为系统理论是研究大 规模复杂问题的有效的方法。 系统理论主要包括协同 论、突变论和耗散结构等内容，这些在指导算法设计、 改进算法和理解算法的复杂行为方面都能起作用。 结 合系统理论，对算法进行改进的工作已有所见，相信 今后这一方面的研究工作和成果会越来越丰富。
end
（3）蚁群算法（ACO） 我们都知道蚂蚁具有高强的觅食本领，它们可以 通过群体的协作找出从蚁穴到食物源的最短路径。 研 究发现，其中的奥秘在于，蚂蚁能在其觅食过程中分 泌一种叫做信息素的化学物质留在所走过的路径上， 蚂蚁能够感知这种物质的存在并根据信息素的强度 选择最合适的运动方向，从而尽快地在蚁穴与食物源 之间往返。 最初的 ACO 算法正是模仿蚁群的这种行 为而设计的， 它被用于寻找两点之间的最短路径，经 过不断改进扩展， 现在已发展成被广泛用于函数优 化、路由选择和工件排序等领域中。 ACO 算法的基本 流程可以用图 2 表示[3], 其中，A(t)表示第 t 代的蚁群， 评 价 A(t)指 根 据 目 标 函 数 对 每 只 蚂 蚁 的 适 应 度 做 评 价，信息素挥发指信息素随时间不断消散。
2.2 实验算法学
物理学的形成和发展在很大程度上得益于伟大 的物理学家伽利略所提出的实验方法学，他强调实验 的重要性，通过做实验去研究自然现象，进而利用归 纳方法发现其中的规律。 智能计算源自于计算机技术
研究与开发
的发展以及人们对自然界的深入思考，其中的算法大 多有深刻而合理的仿生背景，然而如果要彻底地说清 楚算法为什么行之有效却不容易。 和传统的确定性算 法相比，智能计算方法具有随机性，算法的实际运行 可以呈现出复杂的行为，这就使得我们要从数学角度 严格分析算法的性能是比较困难的。 借鉴物理实验方 法学的思想，人们提出了实验算法学，它强调通过计 算机仿真实验去分析算法的复杂行为。 通常的做法 是，人们选择大量的有代表性的问题实例作为输入去 测试解决该问题的某个算法，记录其中的数据（例如 运行时间等），然后根据所得到的数据对算法做分析。 实验算法学的好处在于它简单易行， 可以先于理论， 而且对算法可以有直观认识。 许多时候，我们通过实 验分析而提高对算法机理的认识，然后再寻求理论上 的严格证明。 此外，通过实验我们还能发现算法的不 足，进而改进算法本身。
工具的同时，也积极地探索和设计好的算法。 为此，人
们将目光投向自 经过不懈努力，众多简单实用有效的算
法被提出，其中包括人工神经网络、进化算法以及蚁
群算法，等等。 这些算法都是通过类比和模仿生物的 某些行为或者是某种物理现象而获得的；它们的出现
图1 人工神经元
2.3 群体智能 NN、GA、ACO 和 PSO 等 算 法 的 成 功 让 人 们 意 识
到群体智能（Swarm Intelligence）的重要性。 自然界中 群体智能的现象非常普遍，正所谓“三个臭皮匠胜过 诸葛亮”。 群体智能的关键在于个体之间的信息交流 和相互协作，对应到算法方面，我们需要设计一套合 理的机制以指导个体对环境的变化作出自适应的调 整，不同的机制带来的效果也不同。 随着分布式计算 技 术 的 发 展 ， 近 年 来 兴 起 了 一 种 基 于 多 智 能 体 （Multi-Agent）的 问 题 求 解 策 略[8]，这 是 群 体 智 能 的 进 一 步 发展的体现。 所谓的智能体是指能感知周围环境并能 根据一定的策略反作用于环境的物理的或者是虚拟 的实体。 借助于分布式计算技术，大量的智能体可以 分布在不同的物理位置，它们能进行信息交流和协同 工作，可以有效地求解大规模的复杂问题。 2.4 融合
一
收稿日期：2009-08-25 修稿日期：2009-09-20
七
作 者 简 介 ：周 清 艳 （1977-），女 ，湖 南 株 洲 人 ，本 科 ，讲 师 ，研 究 方 向 为 计 算 机 应 用 方 面 的 研 究 和 教 学 工 作
期
）
M O D E R N C OM P U T E R 2009．10 趮趨
t:=1
A(t)
A(t)


现
t:=t+1
代

计
算
图 2 ACO 算法框图
机
（总
（4）微粒群算法（PSO）
第
PSO 算法的基本思想来自生物学家 Frank Happ-
三 ner 等人的鸟群模型[2]。 他们在对鸟类的群体行为的研
一 究中发现，鸟类个体通常使用一些简单的规则而确定
大量复杂问题的存在使得没有一个算法是普遍 有效的，换句话说，我们无法做到一劳永逸。 智能计算 中的方法各具优点，也都有不足之处。 算法融合的思 想是取长补短，将不同的算法有机地结合起来，以提 高求解能力。 例如，在人工神经网络的设计方面，如何 确定其中的一些参数是比较困难的，缺乏好的理论指 导，通常都是结合实验进行手工调整的，为了解决这 个问题， 我们可以嵌入遗传算法去优化相关参数，从 而提高人工神经网络的性能。 此外，我们也可考虑将 智能计算和传统的方法结合起来， 关于这一方面，人 们已做了大量的工作，并取得了良好的效果。
ÂÃÄÁÂÃÄÁ研究与开发
浅谈智能计算及其研究方法
周清艳
（广东省国防科技高级技工学校， 广州 510515）
摘 要： 智能计算是最近兴起的一类仿生计算方法，已在许多实际领域中得到成功应用。 系统地 介绍几种有代表性的智能计算方法，其中包括人工神经网络、进化算法、蚁群算法以及 粒子群算法。 在此基础上，从仿生、实验算法学、群体智能、融合以及系统理论等角度对 智能计算中的研究方法作适当探讨