比较专家系统、模糊方法、遗传算法、神经网络、蚁群算法的特点及其适合解决的实际问题

《比较专家系统、模糊方法、遗传算法、神经网络、蚁群算法的特点及其适合解决的实际问题》由会员分享，可在线阅读，更多相关《比较专家系统、模糊方法、遗传算法、神经网络、蚁群算法的特点及其适合解决的实际问题（9页珍藏版）》请在金锄头文库上搜索。

1、比较专家系统、模糊方法、遗传算法、神经网络、蚁群算法的特点及其适合解决的实际问题比较专家系统、模糊方法、遗传算法、神经网络、蚁群算法的特点及其适合解决的实际问题 一、专家系统(Expert System) 1，什么是专家系统？ 在日常生活中大家所认知的“专家”一般都拥有某一特定领域的大量专业 知识，以及丰富的实际经验。在解决问题时，专家们通常拥有一套独特的思维方 式，能较圆满地解决一类困难问题，或向用户提出一些建设性的建议等。 专家系统一般定义为一个具有智能特点的计算机程序。 它的智能化主要表 现为能够在特定的领域内模仿人类专家思维来求解复杂问题。因此，专家系统必 须包含领域专家的大量知识，拥

2、有类似人类专家思维的推理能力，并能用这些知 识来解决实际问题。 专家系统的基本结构如图 1 所示，其中箭头方向为数据流动的方向。 专家系统通常由知识库和推理机两个主要组成要素。 知识库存放着作为专家经验的判断性知识,例如表达建议、 推断、 命令、 策 略的产生式规则等, 用于某种结论的推理、 问题的求解,以及对于推理、 求解 知识的各种控制知识。 知识库中还包括另一类叙述性知识, 也称作数据,用于说 明问题的状态,有关的事实和概念,当前的条件以及常识等。 知识库 规则库 数据库 推理机 解释程序 调度程序 人机交互界面 知识获取 推理咨询 领域专家系统用户 图 1 专家系统的基本组成 专家系统

3、的问题求解过程是通过知识库中的知识来模拟专家的思维方式的， 因此，知识库是专家系统质量是否优越的关键所在，即知识库中知识的质量和数 量决定着专家系统的质量水平。一般来说，专家系统中的知识库与专家系统程序 是相互独立的，用户可以通过改变、完善知识库中的知识内容来提高专家系统的 性能。 推理机实际上是一个运用知识库中提供的两类知识,基于木某种通用的问题 求解模型,进行自动推理、 求解问题的计算机软件系统。 它包括一个解释程序, 用于决定如何使用判断性知识推导新的知识, 还包括一个调度程序, 用于决定 判断性知识的使用次序。 推理机的具体构造取决于问题领域的特点,及专家系统 中知识表示和组织的方法。

4、 推理机针对当前问题的条件或已知信息，反复匹配 知识库中的规则，获得新的结论，以得到问题求解结果。在这里，推理方式可以 有正向和反向推理两种。正向推理是从前件匹配到结论，反向推理则先假设一个 结论成立，看它的条件有没有得到满足。由此可见，推理机就如同专家解决问题 的思维方式，知识库就是通过推理机来实现其价值的。 人机界面是系统与用户进行交流时的界面。 通过该界面， 用户输入基本信息、 回答系统提出的相关问题，并输出推理结果及相关的解释等。 综合数据库专门用于存储推理过程中所需的原始数据、中间结果和最终结 论，往往是作为暂时的存储区。解释器能够根据用户的提问，对结论、求解过程 做出说明，因而使专

5、家系统更具有人情味。 知识获取是专家系统知识库是否优越的关键， 也是专家系统设计的“瓶颈” 问题，通过知识获取，可以扩充和修改知识库中的内容，也可以实现自动学习功 能。 2，专家系统的特点 在功能上, 专家系统是一种知识信息处理系统, 而不是数值信息计算系统。 在结构上, 专家系统的两个主要组成部分 知识库和推理机是独立构造、 分离 组织, 但又相互作用的。 在性能上, 专家系统具有启发性, 它能够运用专家的经 验知识对不确定的或不精确的问题进行启发式推理, 运用排除多余步骤或减少 不必要计算的思维捷径和策略； 专家系统具有透明性, 它能够向用户显示为得出 某一结论而形成的推理链, 运用有关推

6、理的知识(元知识)检查导出结论的精度、 一致性和合理性, 甚至提出一些证据来解释或证明它的推理； 专家系统具有灵活 性, 它能够通过知识库的扩充和更新提高求解专门问题的水平或适应环境对象 的某些变化,通过与系统用户的交互使自身的性能得到评价和监护。 3，专家系统适合解决的实际问题 专家系统是人工智能的一个应用， 但由于其重要性及相关应用系统之迅速发 展，它已是信息系统的一种特定类型。专家系统一词系由以知识为基础的专家系 统(knowledge-based expert system)而来，此种系统应用计算机中储存的人类 知识，解决一般需要用到专家才能处理的问题，它能模仿人类专家解决特定问题 时

7、的推理过程，因而可供非专家们用来增进问题解决的能力，同时专家们也可把 它视为具备专业知识的助理。由于在人类社会中，专家资源确实相当稀少，有了 专家系统，则可使此珍贵的专家知识获得普遍的应用。 专家系统技术广泛应用在工程、科学、医药、军事、商业等方面，而且成果 相当丰硕，甚至在某些应用领域，还超过人类专家的智能与判断。其功能应用领域概括有：解释（Interpretation）如测试肺部测试（如 PUFF） 、预测 （Prediction）如预测可能由黑蛾所造成的玉米损失（如 PLAN） 、 诊断 （Diagnosis）如诊断血液中细菌的感染（MYCIN） 。又如诊断汽车柴油引擎故 障原因之 CA

8、TS 系统、故障排除（Fault Isolation）如电话故障排除系统 ACE、 设 计 （ Design ） 如 专 门 设 计 小 型 马 达 弹 簧 与 碳 刷 之 专 家 系 统 MOTOR BRUSH DESIGNER、规划（Planning）就出名的有辅助规划 IBM 计算 机主架构之布置，重安装与重安排之专家系统 CSS，以及辅助财物管理之 Plan Power 专家系统、 监督（Monitoring）如监督 IBM MVS 操作系统之 YES/MVS、 除错（Debugging）如侦查学生减法算术错误原因之 BUGGY、修理（Repair） 如修理原油储油槽之专家系统 SEC

9、OFOR、行程安排（Scheduling）如制造与 运输行称安排之专家系统 ISA。又如，工作站（work shop）制造步骤安排系统、 教学（Instruction）如教导使用者学习操作系统之 TVC 专家系统、控制 （Control）帮助 Digital Corporation 计算机制造及分配之控制系统 PTRANS、 分析（Analysis）如分析油井储存量之专家系统 DIPMETER 及分析有机分子可 能结构之 DENDRAL 系统。它是最早的专家系统，也是最成功者之一、维护 （Maintenance）如分析电话交换机故障原因之后，能建议人类该如何维修之专 家系统 COMPASS、架

10、构设计（Configuration）如设计 VAX 计算机架构之专家系 统 XCON 以及设计新电梯架构之专家系统 VT 等、校准（Targeting）例如校准 武器准心之专家系统 BATTLE。 二、模糊方法(Fuzzy Method) 模糊方法是一种基于模糊数学理论的新型控制方法。 模糊控制中的模糊量描 述是以模糊集合为基础的,模糊控制的核心在于模糊控制器。模糊控制器在模糊 控制中起十分关键的作用。实施模糊控制要经过 3 个过程,即:将输入的机器、 精确量经输入隶属函数映射成模糊输入变量(模糊化) ;用模糊规则对模糊输入 变量推理,并得到模糊控制变量(模糊推理) ;用输入隶属函数将模糊控制

11、变量 转换成能进行实际控制的精确控制量。 与一般数字逻辑的“0”和“1”不同！模糊逻辑并不是非零即一，它表示了 程度的概念。比如说一个人是否秃顶，用数字的概念就需要一个确定的数字，如 5 万根头发以上不是秃顶，少于 5 万根就是秃顶。这样的逻辑在现实生活中是明 显不合理的，多一根或少一根的误差太大，而模糊逻辑就可以更准确的表达出秃 顶的程度，它可以从零到 1 按接近程度连续变化，比如有 4 万根头发，我们可以 说是 80（或 0.8）的秃顶。如此也可以准确表示人体发烧的程度，38 度属于 高烧的程度为 0.7 等等，自己确定模糊集的范围。 模糊控制的输出量是唯一的，也就是说它给执行机构是一个确

12、定的信号。在 模糊控制器的设计过程中，一般是先将一个精确的输入量模糊化。使每一个输入 量都对于一个模糊集合。然后又专家经验制订模糊控制规则，并进行模糊推理。 控制规则使模糊控制器的核心所在。 最后， 要将模糊控制的输出进行清晰化处理， 使输出量唯一。这是因为输入量开始时对应了一个模糊集合。经过模糊推理，必 然得到一个模糊的输出量集合。但是一个执行机构的控制是唯一的，不能模棱两 可。所以，要根据一定的计算方法得出一个唯一的输出量，传递给执行机构。进 行各项调节。 运用模糊逻辑可以简便的输入几个参数， 用模糊逻辑设计一个表格查出合理 的输出值，比数字式 PID 或者建立数学模型要简单有效的多，但是

13、缺点是输出值 是否正确不能事先验证。 该控制器的设计是基于模糊控制理论。 传统的控制理论需要建立反应相关对 象实质的数学模型，但是在很多工程中（如人工智能，生物学等）要进行精确的 数学建模是很困难的。所以在实际控制过程中，通常采取模糊技术。 模糊数学由美国控制论专家 L.A.扎德（L.A.Zadeh,1921-）教授所创立。 他于 1965 年发表了题为模糊集合论 （ Fuzzy Sets ）的论文，从而宣告模 糊数学的诞生。L.A.扎德教授多年来致力于“计算机”与“大系统”的矛盾研 究，集中思考了计算机为什么不能象人脑那样进行灵活的思维与判断问题。尽管 计算机记忆超人，计算神速，然而当其面对

14、外延不分明的模糊状态时，却“一筹 莫展”。可是，人脑的思维，在其感知、辨识、推理、决策以及抽象的过程中， 对于接受、贮存、处理模糊信息却完全可能。计算机为什么不能象人脑思维那样 处理模糊信息呢？其原因在于传统的数学， 例如康托尔集合论 （Cantors Set） , 不能描述“亦此亦彼”现象。 集合是描述人脑思维对整体性客观事物的识别和分 类的数学方法。康托尔集合论要求其分类必须遵从形式逻辑的排中律，论域（即 所考虑的对象的全体）中的任一元素要么属于集合 A，要么不属于集合 A，两者 必居其一， 且仅居其一。 这样， 康托尔集合就只能描述外延分明的“分明概念”， 只能表现“非此即彼”，而对于外

15、延不分明的“模糊概念”则不能反映。这就是 目前计算机不能象人脑思维那样灵活、敏捷地处理模糊信息的重要原因。为克服 这一障碍，L.A.扎德教授提出了“模糊集合论”。在此基础上，现在已形成一个 模糊数学体系。言下之意，模糊数学控制模块要比单片机好。模糊方法已初步应 用于模糊控制、模糊识别、模糊聚类分析、模糊决策、模糊评判、系统理论、信 息检索、医学、生物学等各个方面。在气象、结构力学、控制、心理学等方面已 有具体的研究成果。它的应用还包括: 开关感应电动机模糊滑动模位置控制,导 弹末端制导的模糊逻辑 PID 控制器等。 三、遗传算法(Genetic Algorithm) 1, 遗传算法定义 遗传算

16、法（Genetic Algorithm）是模拟达尔文的遗传选择和自然淘汰的生 物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法，它是 有美国 Michigan 大学 J.Holland 教授于 1975 年首先提出来的， 并出版了颇有影 响的专著Adaptation in Natural and Artificial Systems ，GA 这个名称才 逐渐为人所知，J.Hilland 教授所提出的 GA 通常为简单遗传算法（SGA） 。 遗传算法是从代表问题可能潜在的解集的一个种群（population）开始的，而一个种群则由经过基因（gene）编码的一定数目的个体(individual)组成。每 个个体实际上是染色体(chromosome)带有特征的实体。 染色体作为遗传物质的主 要载体，即多个基因的集合，其内部表现（即基因型）是某种基因组合，它决定 了个体的形状的外部表现， 如黑头发的特征是由染色体中控制这一特征的某种基 因组合决定的。因此，在一开始需要实现从