软计算研究综述课件.pptx

软计算研究综述 Content (目录) 软计算概述 软计算组成 软计算特点 软计算分类 软计算融合 软计算概述 信息处理问题大致可分为两类：结构性问题和非结构性问题。 传统观点中计算是和数字相联系的。随着计算机技术发展，计算又和字符联系在一起。这两种计算都和精确性有关，此时计算概念的含义就是要产生精确的计算结果。 但实际中一些与复杂知识和智能机理有关的问题，或由于不要求精确解，或由于求精确解代价太大，这时一些近似解或次优解己能满足需要并被接受。 从这一角度出发，1992年模糊集奠基人Zadeh提出了软计算的概念。 1994年,他提出了将计算分成两类：硬计算(Hard Computing,HC)和软计算。软计算(Soft Computing,SC)概念由此形成并被广泛接受。 软计算概述 软计算( Soft Computing) 方法是将模糊技术与智能技术相结合来解决不确定性问题而提出的， 是能够处理现实环境中一种或多种复杂信息的方法集合。 软计算组成 根据Zadeh对软计算方法的概括性基本划分，软计算包括五种主要方法：“进化计算”(Evolutionary Computation)、模糊逻辑(Fuzzy Logieal)、人工神经网络(ANNs)、粗糙集(Rough SetS)和概率推理(Probabilistic Reasoning) 。 有学者认为还应该包括混沌理论(chaos Theory)、分类系统(Classifier System)、一些和认知(Cognitive)有关的学习规则；还有的学者认为还应包括免疫网络(Immune NetworkS)、分形(Fractal)和小波(Wavelet)等方法。 进化计算 进化计算是一种模拟生物进化过程与机制求解问题的自组织、自适应性人工智能技术。它是以生物界的“优胜劣汰、适者生存”作为算法的进化规则，结合达尔文的自然选择与孟德尔的遗传变异理论，将生物进化中的四种基本形式：繁殖(reproduction)、变异(Mutation)、竞争(Competition)和选择(Selection)引人到算法的过程中,指导算法的进行。 模糊逻辑 模糊逻辑指模仿人脑的不确定性概念判断、推理思维方式，对于模型未知或不能确定的描述系统，以及强非线性、大滞后的控制对象，应用模糊集合和模糊规则进行推理，表达过渡性界限或定性知识经验，模拟人脑方式，实行模糊综合判断，推理解决常规方法难于对付的规则型模糊信息问题。模糊逻辑善于表达界限不清晰的定性知识与经验，它借助于隶属度函数概念，区分模糊集合，处理模糊关系，模拟人脑实施规则型推理，解决因“排中律”的逻辑破缺产生的种种不确定问题 。 人工神经网络 神经网络是由大量处理单元(神经元、处理元件等)广泛互连而成的网络，它是在现代神经科学研究成果的基础上提出的，反映了人脑功能的基本特性。但它并不是人脑的真实描写，而是人脑的某种抽象、简化与模拟。网络的信息处理由神经元之间的相互作用来实现，知识与信息的存贮表现在网络元件互连间分布式的物理联系，网络的学习和识别则是决定于各神经元连接权系数的动态演化过程。 从仿生学角度提出的神经元一般由三部分组成：加权求各部分、线性动态系统部分和非线性函数映射部分。 粗糙集 粗糙集理论是波兰科学家Pawlak在1982年提出的，借鉴了逻辑学和哲学中对不精确、模糊的各种定义，针对知识库，提出不精确范畴等概念，并在此基础上形成了完整的理论体系——粗糙集理论。 粗糙集理论的中心观点是集合的近似表示：任何在其上的集合概念都能用它的下近似集合和上近似集合表示。粗糙集理论是一种处理不精确、不确定和不完整数据的新的数学计算理论，能够有效地处理不确定的信息，并从中发现隐含知识，揭示事物与事件之间的内在联系。 概率推理 概率推理就是根据某一类事件中部分事件出现的概率,推出该类所有事件出现的概率的推理。 其方法可以分为两类：单值(single一value)系统和间隔取值(interval一value)系统。 概率计算提供了一种估计随机性对系统结果影响的方法。 软计算特点 传统计算（硬计算）的主要特征是严格、确定和精确。但是硬计算并不适合处理现实生活中的许多问题 ，例如驾驶汽车。而软计算（Soft Computing, SC）通过对不确定、不精确及不完全真值的容错以取得低代价的解决方案和鲁棒性。它模拟自然界中智能系统的生化过程（人的感知、脑结构、进化和免疫等）来有效处理日常工作。 硬计算的主要特征：（1）易于建立问题的规范数学模型；（2）建立的数学模型易于求解，且能达到较高的精确度；（3）解具有较好的稳定性。 软计算的主要特征：（1）难于建立问题的规范数学模型；（2）难于得到问题的较高精度的解；（3）算法具有较好的适应性，能够适应动态环境。 软计算分类 1