《参数化设计中的人工智能方法》由会员分享，可在线阅读，更多相关《参数化设计中的人工智能方法（54页珍藏版）》请在金锄头文库上搜索。
1、人工智能方法人工智能方法人工智能方法人工智能方法A r t i f i c i a lA r t i f i c i a lI n t e l l i g e n c eI n t e l l i g e n c eM e t h o d sM e t h o d sA r t i f i c i a lA r t i f i c i a lI n t e l l i g e n c eI n t e l l i g e n c eM e t h o d sM e t h o d s人工智能的定义人工智能的定义所谓人工智能，就是用人工的 方法在机器（计算机）上实现 的智能；或者说，是人们使用
2、机器模拟人类的智能。人工智能是指研究如何用计算 机去模拟、延伸和扩展人的智 能；如何使计算机变得更聪敏、 更能干；如何设计和制造具有 更高智能水平的计算机的理论、 方法、技术及应用系统的一门 新兴科学技术。人工智能研究的目标人工智能研究的目标近期目标：近期目标：在近期，人工智能研究的任务是利用 冯.偌依曼型计算机模拟人类智力行为 ，研制智能程序；在近期，人工智能研究的任务是利用 冯.偌依曼型计算机模拟人类智力行为 ，研制智能程序；远期目标：远期目标：远期是研制全新的计算机，即智能计 算机。远期是研制全新的计算机，即智能计 算机。（根据冯（根据冯.诺依曼的思想，计算机由运算器、存储器、控制器和输
3、入诺依曼的思想，计算机由运算器、存储器、控制器和输入/ 输出五个部分组成； “存储程序”的概念：在典型情况下，完成一条指令需要输出五个部分组成； “存储程序”的概念：在典型情况下，完成一条指令需要3个步骤， 即：取指令、指令译码和执行指令。）个步骤， 即：取指令、指令译码和执行指令。）人工智能研究及应用领域人工智能研究及应用领域1.问题求解； 2.机器学习； 3.专家系统； 4.模式识别； 5.自动定理证明； 6.自动程序设计； 7.自然语言理解； 8.机器人学； 9.人工神经网络； 10. 智能检索1.问题求解； 2.机器学习； 3.专家系统； 4.模式识别； 5.自动定理证明； 6.自动程
4、序设计； 7.自然语言理解； 8.机器人学； 9.人工神经网络； 10. 智能检索强人工智能与弱人工智能强人工智能与弱人工智能强人工智能强人工智能强人工智能观点认为有可能制造出真正能推理（Reasoning）和解 决问题（Problem_solving）的智能机器，并且，这样的机器能将被认为 是有知觉的，有自我意识的。强人工智能可以有两类：类人的人工智能，即机器的思考和推理就像人的思维一样。非类人的人工智能，即机器产生了和人完全不一样的知觉和意识， 使用和人完全不一样的推理方式。弱人工智能弱人工智能弱人工智能观点认为不可能制造出能真正地推理（Reasoning）和 解决问题（Problem_s
5、olving）的智能机器，这些机器只不过看起来像是 智能的，但是并不真正拥有智能，也不会有自主意识。主流科研集中在弱人工智能上，并且一般认为这一研究领域已经取 得可观的成就。强人工智能的研究则处于停滞不前的状态下。建筑设计问题的特点建筑设计问题的特点软计算软计算传统计算（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。软计算通过对不确定、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。软计算包括几种计算模式：模糊逻辑、人工神经网络、遗传算法和混沌
6、 理论。这些模式是互补及相互配合的，因此在许多应用系统中组合使用。多目标求解多目标求解维特鲁威在建筑十书中提出了建筑的“坚固、适用、美观（firmitas, utilitas, venustas）”的原则。从问题求解的角度来看，我们可以将建筑设 计看作是一个多目标问题的求解过程，建筑师必须在设计中同时处理“坚固、 适用、美观”及其他设计要求，实现最好的综合效益。多目标问题中的各目标采用了不同的评价体系，有的时候它们会相互促 进，有的时候则相互制约。建筑设计研究中常用的人工智能方法建筑设计研究中常用的人工智能方法 人工神经原网络 (Artificial Neural Network, ANN)人
7、工神经原网络 (Artificial Neural Network, ANN) 多代理系统 (Multi-Agent System, MAS)多代理系统 (Multi-Agent System, MAS) 遗传算法 (Genetic Algorithm, GA)遗传算法 (Genetic Algorithm, GA)一大脑神经网络一大脑神经网络1.大脑神经元结构模型（生理结构）1.大脑神经元结构模型（生理结构）大脑的神经系统由10大脑的神经系统由101111到10到101212个神经元组成，每个神经元可直 接与100020000个其他神经元相互作用。大脑所具有的强大 功能来自大量的多层次的神经
8、元的相互连接。最简单的生物神经元结构模型是：树突（接收信息）细胞核（信息处理）轴突（发出信息）个神经元组成，每个神经元可直 接与100020000个其他神经元相互作用。大脑所具有的强大 功能来自大量的多层次的神经元的相互连接。最简单的生物神经元结构模型是：树突（接收信息）细胞核（信息处理）轴突（发出信息）2大脑神经系统的功能2大脑神经系统的功能大脑的神经元通过突触互相连接，形成了复杂的神经 网络系统，实现人类的各种智能行为。作为一个智能的信息 处理系统，人脑具有以下几方面的固有特征：（1）并行分布处理的工作模式。单个神经元的信息处理速度很慢，每次约1 ms，但人 脑对某一复杂过程的反应却是很快
9、，一般只需几百微秒。 例如，要判断人眼看到的两个图形是否一样，实际需要400 微秒。在这个处理过程中，人脑是一个超高密度的并行处 理系统。（2）神经系统的可塑性和自组织性。人工种经网络的学习机制就是基于这种可塑现象，并 通过修正突触的结合强度来实现的。大脑的神经元通过突触互相连接，形成了复杂的神经 网络系统，实现人类的各种智能行为。作为一个智能的信息 处理系统，人脑具有以下几方面的固有特征：（1）并行分布处理的工作模式。单个神经元的信息处理速度很慢，每次约1 ms，但人 脑对某一复杂过程的反应却是很快，一般只需几百微秒。 例如，要判断人眼看到的两个图形是否一样，实际需要400 微秒。在这个处理
10、过程中，人脑是一个超高密度的并行处 理系统。（2）神经系统的可塑性和自组织性。人工种经网络的学习机制就是基于这种可塑现象，并 通过修正突触的结合强度来实现的。（3）神经系统的系统性。大脑中的各个部件可以看成是一个大系统中的许多子系 统，各个子系统之间具有很强的相互关系，一些子系统可以 调节另一些子系统的行为。例如视觉系统和运动系统就存在很强的系统联系，可相 互协调各种信息处理功能。（4）信息分布式记忆。大脑神经系统的信息存储是分布存储于整个网络中，并 体现在神经网络之间突触的结合强度上。当少量神经元受到 损伤（或正常死亡）时，网络的总体功能继续有效。（3）神经系统的系统性。大脑中的各个部件可以
11、看成是一个大系统中的许多子系 统，各个子系统之间具有很强的相互关系，一些子系统可以 调节另一些子系统的行为。例如视觉系统和运动系统就存在很强的系统联系，可相 互协调各种信息处理功能。（4）信息分布式记忆。大脑神经系统的信息存储是分布存储于整个网络中，并 体现在神经网络之间突触的结合强度上。当少量神经元受到 损伤（或正常死亡）时，网络的总体功能继续有效。二人工神经元网络二人工神经元网络1人工神经元模型1人工神经元模型 人工神经网络中的人工神经元（有时也称为计算单元或 计算节点），模拟了大脑神经元的简单特性。人工神经元模 型如图所示。人工神经网络中的人工神经元（有时也称为计算单元或 计算节点），模
12、拟了大脑神经元的简单特性。人工神经元模 型如图所示。1niijji jIw x=+w wijij表示神经元i和神经元j的结合强度，称为连接权（权 值）；x表示神经元i和神经元j的结合强度，称为连接权（权 值）；xj j为神经元j的输出；表示神经元i的阈值。为神经元j的输出；表示神经元i的阈值。i神经元i的输出为O神经元i的输出为Oi if（If（Ii i） 式中，） 式中，f f（）为激发函数。（）为激发函数。x1x2xniOi i三、BP神经元网络三、BP神经元网络BP算法于1986年由Rumelhart等提出来的，通过数学上的 详细分析和完整的推导，系统地解决了多层神经元网络 中隐层单元连
13、接权的学习问题。单层感知机BP算法于1986年由Rumelhart等提出来的，通过数学上的 详细分析和完整的推导，系统地解决了多层神经元网络 中隐层单元连接权的学习问题。单层感知机虽具有较好的记忆和学习功能，可以进行模 式识别（分类），但不能解决非线性问题，于是研究者 提出了虽具有较好的记忆和学习功能，可以进行模 式识别（分类），但不能解决非线性问题，于是研究者 提出了多层感知机多层感知机，并采用，并采用误差反向传递学习算法误差反向传递学习算法 （Error Back Propagation，简称BP算法）进行网络 训练。因为多层前馈网络的训练经常采用误差反向传播算法， 所以通常人们都将多层前
14、馈网络直接称为BP网络（Error Back Propagation，简称BP算法）进行网络 训练。因为多层前馈网络的训练经常采用误差反向传播算法， 所以通常人们都将多层前馈网络直接称为BP网络。由于 BP算法得到广泛的使用，BP模型已成为神经网络的重要 模式之一。由于 BP算法得到广泛的使用，BP模型已成为神经网络的重要 模式之一。12p1qana1a2c1cqy1yqnpqw11w12v11v12SpBpLqCqBP网络学习方法的基本思想：网络学习方法的基本思想：将训练过程分为两个阶段：第一阶段：将训练过程分为两个阶段：第一阶段：正向传播，输入信息从输入层经隐含层单 元处理后传向输出层，每
15、一层神经元的状态只影响下一层 神经元状态。第二阶段：第二阶段：倘若在输出层得不到希望的输出，则转入 第二阶段反向传播，将误差信号沿原来的神经元连接通路 返回，通过修改各层神经元的权值，逐次地向输入层传播 进行计算。这样，反复地运用这两个过程，使得误差信号最小， 最后使得信号误差达到允许的范围之内，网络就结束学习 训练过程。四、应用例四、应用例如图用六个神经元组成的BP网络（图a）来产生图 b的理想输出。如图用六个神经元组成的BP网络（图a）来产生图 b的理想输出。（a）(b)随机选取的权矩阵为：121212120.2,0.3,0.4,0.5wwww=263646560.5,0.2,0.1,0.
16、4wwww=采用采用S函数输出，学习数据如下：函数输出，学习数据如下：输入00.050.10.150.20.90.95输出0.50.5250.550.5750.60.950.975图（a）为训练1493次后的示意图，图(b) 为训练30588次后的示意图。(a)(b)ANN研究案例：ANN研究案例：多代理系统(MAS)是由多个相互作用的智能主体(Agent)组成 的系统。 CharacteristicsCharacteristicsThe agents in a multi-agent system have several important characteristics:AutonomyAutonomy:the agents are at least partially autonomousLocal viewsLocal views: no agent has a full global view of the system, or the system is too complex for
