第五章計(jì)算智能(2)

教學(xué)內(nèi)容：遺傳算法的基本機(jī)理和求解步驟；進(jìn)化策略的算法模型、進(jìn)化策略和遺傳算法的區(qū)別；進(jìn)化編程的機(jī)理與表示和算法步驟；人工生命的起源、發(fā)展、定義和研究意義，及其研究內(nèi)容和方法。

教學(xué)重點(diǎn)：遺傳算法的基本機(jī)理和求解步驟；進(jìn)化策略的算法模型；進(jìn)化編程表示和算法步驟；人工生命的定義、研究內(nèi)容和方法。

教學(xué)難點(diǎn)：遺傳算法的交叉和變異機(jī)制；進(jìn)化編程的表示。

教學(xué)方法：課堂教學(xué)為主，結(jié)合適當(dāng)提問，收集學(xué)生學(xué)習(xí)情況。

教學(xué)要求：通過對本章的學(xué)習(xí)，使學(xué)生了解三種進(jìn)化算法和人工生命是如何工作的，并初步了解這些算法研究的進(jìn)展和應(yīng)用情況，以及它們的研究意義，掌握主要算法的求解步驟。

　

　　生物群體的生存過程普遍遵循達(dá)爾文的物競天擇、適者生存的進(jìn)化準(zhǔn)則；生物通過個(gè)體間的選擇、交叉、變異來適應(yīng)大自然環(huán)境。生物染色體用數(shù)學(xué)方式或計(jì)算機(jī)方式來體現(xiàn)就是一串?dāng)?shù)碼，仍叫染色體，有時(shí)也叫個(gè)體；適應(yīng)能力用對應(yīng)一個(gè)染色體的數(shù)值來衡量；染色體的選擇或淘汰問題是按求最大還是最小問題來進(jìn)行。

　　20世紀(jì)60年代以來，如何模仿生物來建立功能強(qiáng)大的算法，進(jìn)而將它們運(yùn)用于復(fù)雜的優(yōu)化問題，越來越成為一個(gè)研究熱點(diǎn)。進(jìn)化計(jì)算(evolutionary computation)正是在這一背景下蘊(yùn)育而生的。進(jìn)化計(jì)算包括遺傳算法(genetic algorithms，GA)，進(jìn)化策略(evolution strategies) 、進(jìn)化編程(evolutionary programming) 和遺傳編程(genetic programming)。

　　人類不滿足于模仿生物進(jìn)化行為，希望能夠建立具有自然生命特征的人造生命和人造生命系統(tǒng)。對人工生命(Artificial Life，ALife)的研究，自1987年起取得了重要進(jìn)展。這是人工智能和計(jì)算智能的一個(gè)新的研究熱點(diǎn)。

5.1 遺傳算法

教學(xué)內(nèi)容：介紹遺傳算法的基本機(jī)理和求解步驟，評介遺傳算法研究進(jìn)展和應(yīng)用情況。

教學(xué)重點(diǎn)：遺傳算法的基本機(jī)理。

教學(xué)難點(diǎn)：遺傳算法的交叉和變異機(jī)制。

教學(xué)方法：課堂教學(xué)為主，并通過演示程序sga.exe加深對遺傳算法的理解。

教學(xué)要求：理解遺傳算法的基本機(jī)理，了解遺傳算法的框圖，掌握一般遺傳算法的主要步驟，初步了解遺傳算法研究的進(jìn)展和應(yīng)用情況。

　

　　遺傳算法是模仿生物遺傳學(xué)和自然選擇機(jī)理，通過人工方式構(gòu)造的一類優(yōu)化搜索算法，是對生物進(jìn)化過程進(jìn)行的一種數(shù)學(xué)仿真，是進(jìn)化計(jì)算的一種最重要形式。

5.1.1 遺傳算法的基本機(jī)理

　　霍蘭德提出的遺傳算法通常稱為簡單遺傳算法（SGA）。現(xiàn)以此作為討論主要對象，加上適應(yīng)的改進(jìn)，來分析遺傳算法的結(jié)構(gòu)和機(jī)理。在討論中會結(jié)合銷售員旅行問題（TSP）來說明。

　

1、編碼與解碼

　　許多應(yīng)用問題的結(jié)構(gòu)很復(fù)雜，但可以化為簡單的位串形式編碼表示。將問題結(jié)構(gòu)變換為位串形式編碼表示的過程叫編碼；而相反將位串形式編碼表示變換為原問題結(jié)構(gòu)的過程叫解碼或譯碼。把位串形式編碼表示叫染色體，有時(shí)也叫個(gè)體。

　　GA的算法過程簡述如下。首先在解空間中取一群點(diǎn)，作為遺傳開始的第一代。每個(gè)點(diǎn)（基因）用一個(gè)二進(jìn)制數(shù)字串表示，其優(yōu)劣程度用一目標(biāo)函數(shù)棗適應(yīng)度函數(shù)（fitness function）來衡量。

　　遺傳算法最常用的編碼方法是二進(jìn)制編碼。

　　二進(jìn)制編碼的最大缺點(diǎn)之一是長度較大，對很多問題用其他主編碼方法可能更有利。其他編碼方法主要有：浮點(diǎn)數(shù)編碼方法、格雷碼、符號編碼方法、多參數(shù)編碼方法等。

　　舉例：對于銷售員旅行問題，按一條回路中城市的次序進(jìn)行編碼。從城市w₁開始，依次經(jīng)過城市w₂，……，w_n，最后回到城市w₁，我們就有如下編碼表示：

　　w₁ w₂ …… w_n

　　由于是回路，記w_n+1=w₁。它其實(shí)是1，……，n的一個(gè)循環(huán)排列。要注意w₁，w₂，……，w_n是互不相同的。

提問：二進(jìn)制編碼存在的缺點(diǎn)是什么?

課后查資料：浮點(diǎn)數(shù)編碼方法、格雷碼、符號編碼方法、多參數(shù)編碼方法

舉例：銷售員旅行問題采用符號編碼方法。

　

2、適應(yīng)度函數(shù)

　　為了體現(xiàn)染色體的適應(yīng)能力，引入了對問題中的每一個(gè)染色體都能進(jìn)行度量的函數(shù)，叫適應(yīng)度函數(shù)（fitness function）。TSP的目標(biāo)是路徑總長度為最短，自然地，路徑總長度就可作為TSP問題的適應(yīng)度函數(shù)。

　　適應(yīng)度函數(shù)要有效反映每一個(gè)染色體與問題的最優(yōu)解染色體之間的差距。適應(yīng)度函數(shù)的取值大小與求解問題對象的意義有很大的關(guān)系。

舉例：TSP問題的適應(yīng)度函數(shù)。

討論：適應(yīng)度函數(shù)如何有效反映每一個(gè)染色體與問題的最優(yōu)解染色體之間的差距？

　

3、遺傳操作

　　簡單遺傳算法的遺傳操作主要有有三種:選擇(selection)、交叉(crossover)、變異(mutation)。改進(jìn)的遺傳算法大量擴(kuò)充了遺傳操作，以達(dá)到更高的效率。

　　選擇操作也叫復(fù)制（reproduction）操作，根據(jù)個(gè)體的適應(yīng)度函數(shù)值所度量的優(yōu)劣程度決定它在下一代是被淘汰還是被遺傳。

　　交叉操作的簡單方式是將被選擇出的兩個(gè)個(gè)體P1和P2作為父母個(gè)體，將兩者的部分碼值進(jìn)行交換。

　　變異操作的簡單方式是改變數(shù)碼串的某個(gè)位置上的數(shù)碼。二進(jìn)制編碼表示的簡單變異操作是將0與1互換：0變異為1，1變異為0。

5.1.2 遺傳算法的求解步驟

1、遺傳算法的特點(diǎn)

　　遺傳算法是一種基于空間搜索的算法，它通過自然選擇、遺傳、變異等操作以及達(dá)爾文適者生存的理論，模擬自然進(jìn)化過程來尋找所求問題的解答。遺傳算法具有以下特點(diǎn)：

　　(1) 遺傳算法是對參數(shù)集合的編碼而非針對參數(shù)本身進(jìn)行進(jìn)化；

　　(2) 遺傳算法是從問題解的編碼組開始而非從單個(gè)解開始搜索；

　　(3)遺傳算法利用目標(biāo)函數(shù)的適應(yīng)度這一信息而非利用導(dǎo)數(shù)或其它輔助信息來指導(dǎo)搜索；

　　(4) 遺傳算法利用選擇、交叉、變異等算子而不是利用確定性規(guī)則進(jìn)行隨機(jī)操作。

提問：遺傳算法的主要優(yōu)點(diǎn)有哪些？

　

2、遺傳算法的框圖

　　簡單遺傳算法框圖如圖5.2所示。

　　算法的停止條件最簡單的有如下二種：（1）完成了預(yù)先給定的進(jìn)化代數(shù)則停止；（2）群體中的最優(yōu)個(gè)體在連續(xù)若干代沒有改進(jìn)或平均適應(yīng)度在連續(xù)若干代基本沒有改進(jìn)時(shí)停止。

　　一般遺傳算法的主要步驟如下：

　　(1)　 隨機(jī)產(chǎn)生一個(gè)由確定長度的特征字符串組成的初始群體。

　　(2)　對該字符串群體迭代的執(zhí)行下面的步(a)和(b)，直到滿足停止標(biāo)準(zhǔn)：

　　　　(a)計(jì)算群體中每個(gè)個(gè)體字符串的適應(yīng)值；

　　　　(b)應(yīng)用復(fù)制、交叉和變異等遺傳算子產(chǎn)生下一代群體。

　　(3)　把在后代中出現(xiàn)的最好的個(gè)體字符串指定為遺傳算法的執(zhí)行結(jié)果，這個(gè)結(jié)果可以表示問題的一個(gè)解。

　　根據(jù)遺傳算法思想可以畫出簡單遺傳算法框圖5.2。

演示：看例子的演示，觀察SGA是否收斂，參數(shù)對算法有什么影響。

　

　

3、遺傳算法求解舉例

　　為了便于理解，下面通過一個(gè)簡單的例子來說明遺傳算法的主要內(nèi)容及其運(yùn)行步驟。

　　例：設(shè)，用SGA求

　　首先用程序SGA.exe對例2進(jìn)行實(shí)算。

　　其求解步驟如下：

　　(1)方案表示

　　用一個(gè)二進(jìn)制矢量表示一個(gè)染色體，由染色體來代表變量x的實(shí)數(shù)值，每個(gè)染色體的每一位二進(jìn)制數(shù)稱為遺傳因子。

　　(2)群體初始化

　　隨機(jī)產(chǎn)生一定數(shù)量的染色體，每個(gè)染色體為22位字節(jié)的二進(jìn)制數(shù)。

　　(3)適應(yīng)度函數(shù)

　　適應(yīng)度函數(shù)必須有能力計(jì)算搜索空間中每個(gè)確定長度的特征字符串的適應(yīng)值。

　　(4)遺傳操作

　　采用的遺傳操作分別是復(fù)制、交叉和變異。交叉相對于復(fù)制和變異的不同之處在于：交叉需要兩個(gè)父代染色體配合進(jìn)行，而復(fù)制和變異只需要一個(gè)父代染色體即可進(jìn)行。變異可根據(jù)一定的變異率來改變一個(gè)或多個(gè)遺傳因子。

　　(5)算法參數(shù)

　　遺傳算法的主要參數(shù)有群體規(guī)模和算法執(zhí)行的最大代數(shù)目，次要參數(shù)有復(fù)制概率、雜交概率和變異概率等參數(shù)。

5.2 進(jìn)化策略

教學(xué)內(nèi)容：介紹進(jìn)化策略的算法模型、進(jìn)化策略和遺傳算法的區(qū)別。

教學(xué)重點(diǎn)：進(jìn)化策略的算法模型。

教學(xué)難點(diǎn)：沒有要求。

教學(xué)方法：課堂教學(xué)為主。

教學(xué)要求：了解進(jìn)化策略的算法模型，一般了解進(jìn)化策略和遺傳算法的區(qū)別。

　

　　進(jìn)化策略是一類模仿自然進(jìn)化原理以求解參數(shù)優(yōu)化問題的算法。它是由雷切伯格（Rechenberg）、施韋費(fèi)爾（Schwefel）和彼得·比納特（Peter Bienert）于1964年提出的，并在德國共同建立的。

5.2.1 進(jìn)化策略的算法模型

　　最簡單形式的進(jìn)化策略可描述如下：

　　(1) 問題被定義為尋求與函數(shù)的極值相關(guān)聯(lián)的實(shí)數(shù)n維矢量x，F(x):Rⁿ→R。

　　(2) 從每個(gè)可能的范圍內(nèi)隨機(jī)選擇父矢量的初始群體，初始試探的分布具有典型的一致性。

　　(3) 父矢量x_i,i=1,…,p通過加入一個(gè)零均方差的高斯隨機(jī)變量以及預(yù)先選擇x的標(biāo)準(zhǔn)偏差來產(chǎn)生子代矢量x_i。

　　(4) 通過對誤差 (i=1,…,p)排序以選擇和決定保持哪些矢量。那些擁有最小誤差的P矢量成為下一代的新的父代。

　　(5) 產(chǎn)生新的試驗(yàn)數(shù)據(jù)以及選擇最小誤差矢量的過程將繼續(xù)到找到符合條件的答案或者所有的計(jì)算已經(jīng)全部完成為止。

（舉例說明）

舉例：求一個(gè)3維問題的最小值。

　

5.2.2 進(jìn)化策略和遺傳算法的區(qū)別

　　除了研究和應(yīng)用領(lǐng)域外，進(jìn)化策略和遺傳算法
　　還有以下區(qū)別：

　　(1) 進(jìn)化策略和遺傳算法表示個(gè)體的方式不同，
　　進(jìn)化策略在浮點(diǎn)矢量上運(yùn)行，而遺傳算法一般運(yùn)行在二進(jìn)制矢量上。

　　(2) 進(jìn)化策略和遺傳算法的選擇過程不同。

　　(3) 進(jìn)化策略和遺傳算法的復(fù)制參數(shù)不同，遺傳算法的復(fù)制參數(shù)(交叉和變異的可能性)在進(jìn)化過程中保持恒定，而進(jìn)化策略時(shí)時(shí)改變它們。

　　隨著技術(shù)的發(fā)展，進(jìn)化策略和遺傳算法以上的差別越來越不明顯。

提問：進(jìn)化策略和遺傳算法還有什么區(qū)別？

　

5.3 進(jìn)化編程

教學(xué)內(nèi)容：介紹進(jìn)化編程的機(jī)理與表示及算法步驟。

教學(xué)重點(diǎn)：進(jìn)化編程的機(jī)理與表示。

教學(xué)難點(diǎn)：進(jìn)化編程的表示。

教學(xué)方法：課堂教學(xué)為主，充分利用網(wǎng)絡(luò)課程中的有關(guān)素材及示例程序闡述抽象概念。

教學(xué)要求：了解進(jìn)化編程的機(jī)理與表示，一般了解算法步驟。

　

　　進(jìn)化編程又稱為進(jìn)化規(guī)劃（Evolutionary Planning），是由福格爾（Fogel）在1962年提出的一種模仿人類智能的方法。他們?yōu)橛邢逘顟B(tài)機(jī)的演化而提出進(jìn)化規(guī)劃來預(yù)測問題。這些狀態(tài)機(jī)的狀態(tài)變換表是通過對應(yīng)的離散有界集上進(jìn)行的均勻隨機(jī)變異來修改的。進(jìn)化編程根據(jù)正確預(yù)測的符號數(shù)來度量適應(yīng)值。通過變異，為父代群體中的每個(gè)機(jī)器狀態(tài)產(chǎn)生一個(gè)子代。父代和子代中最好的部分被選擇生存下來。

5.3.1 進(jìn)化編程的機(jī)理與表示

　　進(jìn)化編程的過程，可理解為從所有可能的計(jì)算機(jī)程序形成的空間中，搜索具有高的適應(yīng)度的計(jì)算機(jī)程序個(gè)體。在進(jìn)化編程中，可能有幾百或幾千個(gè)計(jì)算機(jī)程序參與遺傳進(jìn)化。

　　進(jìn)化編程最初由一隨機(jī)產(chǎn)生的計(jì)算機(jī)程序群體開始，這些計(jì)算機(jī)程序由適合于問題空間領(lǐng)域的函數(shù)所組成，這樣的函數(shù)可以是標(biāo)準(zhǔn)的算術(shù)運(yùn)算函數(shù)、標(biāo)準(zhǔn)的編程操作、邏輯函數(shù)或由領(lǐng)域指定的函數(shù)。群體中每個(gè)計(jì)算機(jī)程序個(gè)體是用適應(yīng)度來評價(jià)的，該適應(yīng)值與特定的問題領(lǐng)域有關(guān)。

5.3.2 進(jìn)化編程的步驟

　　進(jìn)化編程可繁殖出新的計(jì)算機(jī)程序以解決問題，它分為三個(gè)步驟：

　　(1) 產(chǎn)生出初始群體，它由關(guān)于問題（計(jì)算機(jī)程序）的函數(shù)隨機(jī)組合而成。

　　(2) 迭代完成下述子步驟，直至滿足選種標(biāo)準(zhǔn)為止：

　　　　(a)執(zhí)行群體中的每個(gè)程序，根據(jù)它解決問題的能力，給它指定一個(gè)適應(yīng)值。

　　　　(b)應(yīng)用變異等操作創(chuàng)造新的計(jì)算機(jī)程序群體。

　　(3) 在后代中適應(yīng)值最高的計(jì)算機(jī)程序個(gè)體被指定為進(jìn)化編程的結(jié)果。

　　進(jìn)化編程的基本過程如圖5.6所示。

　　進(jìn)化計(jì)算的三種算法棗遺傳算法、進(jìn)化策略和進(jìn)化編程都是模擬生物界自然進(jìn)化過程而建立的魯棒性計(jì)算機(jī)算法。在統(tǒng)一框架下對三種算法進(jìn)行比較，可以發(fā)現(xiàn)它們有許多相似之處，同時(shí)也存在較大的差別。進(jìn)化策略和進(jìn)化編程都把變異作為主要搜索算子，而在標(biāo)準(zhǔn)的遺傳算法中，變異只處于次要位置。交叉在遺傳算法中起著重要作用，而在進(jìn)化編程中卻被完全省去，在進(jìn)化策略中與自適應(yīng)結(jié)合使用，起了很重要的作用。標(biāo)準(zhǔn)遺傳算法和進(jìn)化編程都強(qiáng)調(diào)隨機(jī)選擇機(jī)制的重要性，而從進(jìn)化策略的角度看，選擇（復(fù)制）是完全確定的。進(jìn)化策略和進(jìn)化編程確定地把某些個(gè)體排除在被選擇（復(fù)制）之外，而標(biāo)準(zhǔn)遺傳算法一般都對每個(gè)個(gè)體指定一個(gè)非零的選擇概率。

討論：試考慮進(jìn)化計(jì)算的三種算法棗遺傳算法、進(jìn)化策略和進(jìn)化編程的相似之處和存在的差別。

　

5.4 人工生命

教學(xué)內(nèi)容：本節(jié)介紹人工生命的起源、發(fā)展、定義和研究意義，及其研究內(nèi)容和方法，并列出幾個(gè)人工生命的實(shí)例。

教學(xué)重點(diǎn)：人工生命的定義、研究內(nèi)容和方法。

教學(xué)難點(diǎn)：人工生命的研究方法。

教學(xué)方法：課堂教學(xué)為主，并及時(shí)提問、收集學(xué)生學(xué)習(xí)情況、調(diào)整施教手段。

教學(xué)要求：了解人工生命的定義、研究內(nèi)容和方法，一般了解人工生命的起源和發(fā)展。

　

　　人工生命（Artificial Life，AL）試圖通過人工方法建造具有自然生命特征的人造系統(tǒng)。

　　進(jìn)化計(jì)算的主要方法，即遺傳算法、遺傳編程和進(jìn)化策略，是開發(fā)人工生命系統(tǒng)的有效工具。

5.4.1 人工生命研究的起源和發(fā)展

　　人類長期以來一直力圖用科學(xué)技術(shù)方法模擬自然界，包括人腦本身。

　　人工生命的許多早期研究工作也源于人工智能。20世紀(jì)60年代羅森布拉特研究感知機(jī)，斯塔爾（Stahl）建立細(xì)胞活動(dòng)模型，林登邁耶（Lindenmayer）提出了生長發(fā)育中的細(xì)胞交互作用數(shù)學(xué)模型。這些模型支持細(xì)胞間的通信和差異。

　　20世紀(jì)70年代以來，康拉德（Conrad）等研究人工仿生系統(tǒng)中的自適應(yīng)、進(jìn)化和群體動(dòng)力學(xué)，提出不斷完善的“人工世界”模型。

　　80年代，人工神經(jīng)網(wǎng)絡(luò)再度興起促進(jìn)人工生命的發(fā)展。在1987年第一次人工生命研討會上，美國圣塔菲研究所（Santa Fe Institute，SFI）非線性研究組的蘭頓（Langton）正式提出人工生命的概念，建立起人工生命新學(xué)科。此后，人工生命研究進(jìn)入一個(gè)蓬勃發(fā)展的新時(shí)期。

提問：簡述人工生命和人工智能的關(guān)系。

　

5.4.2 人工生命的定義和研究意義

　　人工生命研究是一項(xiàng)抽象地提取控制生物現(xiàn)象的基本動(dòng)態(tài)原理，并通過物理媒介（如計(jì)算機(jī)）模擬生命系統(tǒng)動(dòng)態(tài)發(fā)展過程的工作。

1、人工生命的定義

　　通俗地講，人工生命即人造的生命，非自然的生命。然而，要對人工生命做出嚴(yán)格的定義，卻需要對問題進(jìn)行深入研究。

　　1987年蘭德提出的人工生命定義為：“人工生命是研究能夠演示出自然生命系統(tǒng)特征行為的人造系統(tǒng)”。通過計(jì)算機(jī)或其它機(jī)器對類似生命的行為進(jìn)行綜合研究，以便對傳統(tǒng)生物科學(xué)起互補(bǔ)作用。地球上存在著由進(jìn)化而來的碳鏈生命，而人工生命則在“生命之所能”（life-as-it-could-be）的廣泛意象中把“生命之所識”（life-as-we-know-it）加以定位，為理論生物學(xué)的發(fā)展做出貢獻(xiàn)。蘭德在計(jì)算機(jī)上演示了他們研制的具有生命特征的軟件系統(tǒng)，并把這類具有生命現(xiàn)象和特征的人造系統(tǒng)稱為人工生命系統(tǒng)。

　　從各種不同的自然生命的特征和現(xiàn)象中，可以歸納和抽象出自然生命的共同特征和現(xiàn)象，包括但不限于：

　　（1）自繁殖、自進(jìn)化、自尋優(yōu)。

　　（2）自成長、自學(xué)習(xí)、自組織。

　　（3）自穩(wěn)定、自適應(yīng)、自協(xié)調(diào)。

　　（4）物質(zhì)構(gòu)造。

　　（5）能量轉(zhuǎn)換。

　　（6）信息處理。

　　如果把人工生命定義為具有自然生命現(xiàn)象和（或）特征的人造系統(tǒng)，那么，凡是具有上述自然生命現(xiàn)象和（或）特征的人造系統(tǒng)，都可稱為人工生命。

提問：人工生命和自然生命有些什么聯(lián)系？

　

2、研究人工生命的意義

　　人工生命是自然生命的模擬、延伸與擴(kuò)展，其研究開發(fā)有重大的科學(xué)意義和廣泛的應(yīng)用價(jià)值。

（1）發(fā)基于人工生命的工程技術(shù)新方法、新系統(tǒng)、新產(chǎn)品。

（2）為自然生命的研究提供新模型、新工具、新環(huán)境。

　　人工生命的研究開發(fā)可以為自然生命的研究探索提供新模型、新工具、新環(huán)境。

（3）延伸人類壽命、減緩衰老、防治疾病。

（4）擴(kuò)展自然生命，實(shí)現(xiàn)人工進(jìn)化和優(yōu)生優(yōu)育。

（5）促進(jìn)生命科學(xué)、信息科學(xué)、系統(tǒng)科學(xué)的交叉與發(fā)展。

5.4.3 人工生命的研究內(nèi)容和方法

　　人工生命的研究對象包括人工動(dòng)物、人工植物和人工人等，而人工人的研究又涉及人工腦和其它人工器官。

1、人工生命的研究內(nèi)容

　　（1）構(gòu)成生物體的內(nèi)部系統(tǒng)，包括腦、神經(jīng)系統(tǒng)、內(nèi)分泌系統(tǒng)、免疫系統(tǒng)、遺傳系統(tǒng)、酶系統(tǒng)、代謝系統(tǒng)等。

　　（2）生物體及其群體的外部系統(tǒng)，包括環(huán)境適應(yīng)系統(tǒng)和遺傳進(jìn)化系統(tǒng)等。

　　人工生命的科學(xué)框架可由下列主要內(nèi)容構(gòu)成：

（1）生命現(xiàn)象仿生系統(tǒng)

（2）生命現(xiàn)象的建模與仿真

（3）進(jìn)化動(dòng)力學(xué)

（4）人工生命的計(jì)算理論和工具

（5）進(jìn)化機(jī)器人

（6）進(jìn)化和學(xué)習(xí)等方面的結(jié)合

（7）人工生命的應(yīng)用

討論：人工生命的研究內(nèi)容與自然生命有何密切聯(lián)系。

2、人工生命的研究方法

　　從生物體內(nèi)部和外部系統(tǒng)的各種信息出發(fā)，可得到人工生命的不同研究方法，主要可分為兩類：

　　（1）信息模型法。（2）工作原理法。

　　人工生命的研究技術(shù)途徑也可分為兩種：

　　（1）工程技術(shù)途徑。　　　　　　（2）生物科學(xué)途徑。

5.4.4 人工生命的實(shí)例

　　人工生命的理論可通過有代表性的研究實(shí)例來闡述。下面簡要介紹幾個(gè)比較成功的研究和應(yīng)用范例。

　　1、人工腦 2、計(jì)算機(jī)病毒 3、計(jì)算機(jī)進(jìn)程

　　4、細(xì)胞自動(dòng)機(jī) 5、人工核苷酸

思考：什么是人工生命？人工生命包括哪些研究內(nèi)容？其研究方法如何？

　

5.5 小結(jié)

　

　from: http://netclass.csu.edu.cn/jpkc2003/rengongzhineng/rengongzhineng/jiaoan/chapter5.htm

總結(jié)

以上是生活随笔為你收集整理的人工智能：第五章 计算智能(2)的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。