l 1.1.3 脑智能和群智能l 脑（主要指人脑）的宏观心理层次的智能表现称为脑智能（Brain Intelligence, BI）l 由群体行为所表现出的智能称为群智能（Swarm Intelligence, SI）l 脑智能和群智能是属于不同层次的智能：l 脑智能是一种个体智能（Individual Intelligence, II）； 群智能是一种社会智能（Social Intelligence, SI）， 或者说系统智能（System Intelligence, SI）1.1.4 符号智能和计算智能 1. 符号智能符号智能就是符号人工智能，它是模拟脑智能的人工智能，也就是所说的传统人工智能或经典人工智能符号智能以符号形式的知识和信息为基础，主要通过逻辑推理，运用知识进行问题求解符号智能的主要内容包括知识获取（knowledge acquisition）、知识表示（knowledge representation）、知识组织与管理和知识运用等技术（这些构成了所谓的知识工程（Knowledge Engineering, KE））以及基于知识的智能系统等 幻灯片5 2. 计算智能 计算智能就是计算人工智能，它是模拟群智能的人工智能。
计算智能以数值数据为基础，主要通过数值计算，运用算法进行问题求解计算智能的主要内容包括：神经计算（Neural Computation， NC）、进化计算（亦称演化计算，Evolutionary Computation，EC，包括遗传算法（Genetic Algorithm，GA）、进化规划（Evolutionary Planning，EP）、进化策略（Evolutionary Strategies，ES）等）、免疫计算（immune computation）、粒群计算（Particle Swarm Algorithm，PSA）、蚁群算法（Ant Colony Algorithm，ACA）、自然计算（Natural Computation，NC）以及人工生命（Artificial Life，AL）等l 1.2.2 人工智能的研究目标和策略l 研究目标就是制造智能机器和智能系统，实现智能化社会具体来讲，就是要使计算机不仅具有脑智能和群智能，还要具有看、听、说、写等感知和交流能力l 研究策略则是先部分地或某种程度地实现机器的智能，并运用智能技术解决各种实际问题特别是工程问题，从而使现有的计算机更灵活、更好用和更有用，成为人类的智能化信息处理工具，而逐步扩展和不断延伸人的智能，逐步实现智能化。
幻灯片7 1.3 人工智能的学科范畴 人工智能已构成信息技术领域的一个重要学科当前的人工智能既属于计算机科学技术的一个前沿领域，也属于信息处理和自动化技术的一个前沿领域还涉及到智能科学、认知科学、心理科学、脑及神经科学、生命科学、语言学、逻辑学、行为科学、教育科学、系统科学、数理科学以及控制论、科学方法论、哲学甚至经济学等众多学科领域人工智能实际上是一门综合性的交叉学科和边缘学科幻灯片8 1.4 人工智能的研究内容1.5.1 搜索与求解 学习与发现 知识与推理 发明与创造 感知与交流 记忆与联想 系统与建造 应用与工程 1.5 人工智能的研究途径与方法 心理模拟，符号推演 生理模拟，神经计算 行为模拟，控制进化 群体模拟，仿生计算 博采广鉴，自然计算 原理分析，数学建模l 1.8 人工智能的分支领域与研究方向l 从模拟的层次和所用的方法来看，人工智能可分为符号智能和计算智能两大主要分支领域而这两大领域各自又有一些子领域和研究方向如符号智能中又有图搜索、自动推理、不确定性推理、知识工程、符号学习等计算智能中又有神经计算、进化计算、免疫计算、蚁群计算、粒群计算、自然计算等。
另外，智能Agent也是人工智能的一个新兴的重要领域智能Agent或者说Agent智能则是以符号智能和计算智能为基础的更高一级的人工智能 从模拟的脑智能或脑功能来看，AI中有机器学习、机器感知、机器联想、机器推理、机器行为等分支领域而机器学习又可分为符号学习、连接学习、统计学习等许多研究领域和方向机器感知又可分为计算机视觉、计算机听觉、模式识别、图像识别与理解、语音识别、自然语言处理等领域和方向 幻灯片13l 从应用角度看，如1.7节所述，AI中有难题求解等数十种分支领域和研究方向 l 从系统角度看，有智能计算机系统和智能应用系统两大类智能计算机系统又可分为：智能硬件平台、智能操作系统、智能网络系统等智能应用系统又可分为：基于知识的智能系统、基于算法的智能系统和兼有知识和算法的智能系统等另外，还有分布式人工智能系统l 从基础理论看，AI中有数理逻辑和多种非标准逻辑、图论、人工神经网络、模糊集、粗糙集、概率统计（贝叶斯统计决策理论）和贝叶斯网络、统计学习理论与支持向量机、形式语言与自动机等领域和方向3.1.2 状态图搜索1. 搜索方式●树式搜索●线式搜索2. 搜索策略●盲目搜索●启发式(heuristic)搜索 3.1.4 启发式搜索 1. 问题的提出2. 启发性信息 按其用途划分, 启发性信息可分为以下三类： (1) 用于扩展节点的选择, 即用于决定应先扩展哪一个节点, 以免盲目扩展。
(2) 用于生成节点的选择,即用于决定应生成哪些后续节点,以免盲目地生成过多无用节点 (3) 用于删除节点的选择,即用于决定应删除哪些无用节点, 以免造成进一步的时空浪费 3.启发函数 启发函数是用来估计搜索树上节点x与目标节点Sg接近程度的一种函数, 通常记为h(x)4.启发式搜索算法 1) 全局择优搜索2) 局部择优搜索全局择优搜索算法： 步1 把初始节点So放入OPEN表中,计算h(So) 步2 若OPEN表为空,则搜索失败, 退出 步3 移出OPEN表中第一个节点N放入CLOSED表中, 并冠以序号n 步4 若目标节点Sg=N, 则搜索成功, 结束 步5 若N不可扩展, 则转步2 步6 扩展N, 计算每个子节点x的函数值h(x), 并将所有子节点配以指向N的返回指针后放入OPEN表中, 再对OPEN表中的所有子节点按其函数值大小以升序排序,转步23.1.7 状态图搜索策略小结 3.2 状态图搜索问题求解 3.2.1 问题的状态图表示 1. 状态 状态就是问题在任一确定时刻的状况,它表征了问题特征和结构等状态在状态图中表示为节点。
状态一般用一组数据表示在程序中用字符、数字、记录、数组、结构、对象等表示 幻灯片8 2. 状态转换规则 状态转换规则就是能使问题状态改变的某种操作、规则、 行为、变换、关系、函数、算子、过程等等状态转换规则也称为操作,问题的状态也只能经定义在其上的这种操作而改变状态转换规则在状态图中表示为边在程序中状态转换规则可用数据对、条件语句、规则、函数、过程等表示 幻灯片93. 状态图表示一个问题的状态图是一个三元组 (S, F, G) 其中S是问题的初始状态集合, F是问题的状态转换规则集合, G是问题的目标状态集合 一个问题的全体状态及其关系就构成一个空间, 称为状态空间所以,状态图也称为状态空间图 1. 个体与种群 ● 个体就是模拟生物个体而对问题中的对象（一般就是问题的解）的一种称呼，一个个体也就是搜索空间中的一个点● 种群(population)就是模拟生物种群而由若干个体组成的群体, 它一般是整个搜索空间的一个很小的子集2. 适应度与适应度函数● 适应度(fitness)就是借鉴生物个体对环境的适应程度,而对问题中的个体对象所设计的表征其优劣的一种测度。
● 适应度函数(fitness function)就是问题中的全体个体与其适应度之间的一个对应关系它一般是一个实值函数该函数就是遗传算法中指导搜索的评价函数 3. 染色体与基因 染色体（chromosome）就是问题中个体的某种字符串形式的编码表示字符串中的字符也就称为基因（gene） 例如： 个体 染色体 9 ---- 1001 （2，5，6）---- 010 101 1104. 遗传操作 亦称遗传算子(genetic operator)，就是关于染色体的运算遗传算法中有三种遗传操作: ● 选择-复制(selection-reproduction)● 交叉(crossover，亦称交换、交配或杂交) ● 变异(mutation，亦称突变) 选择-复制 通常做法是：对于一个规模为N的种群S,按每个染色体xi∈S的选择概率P(xi)所决定的选中机会, 分N次从S中随机选定N个染色体, 并进行复制 交叉 就是互换两个染色体某些位上的基因 例如, 设染色体 s1=01001011, s2=10010101, 交换其后4位基因, 即 s1′=01000101, s2′=10011011可以看做是原染色体s1和s2的子代染色体。
幻灯片8 变异 就是改变染色体某个(些)位上的基因 例如, 设染色体 s=11001101将其第三位上的0变为1, 即 s=11001101 →11101101= s′ s′也可以看做是原染色体s的子代染色体 遗传算法基本流程框图生成初始种群计算适应度选择-复制交叉变异生成新一代种群终止 ?结束4.2 基本遗传算法 算法中的一些控制参数：■ 种群规模 ■ 最大换代数 ■ 交叉率(crossover rate)就是参加交叉运算的染色体个数占全体染色体总数的比例，记为Pc,取值范围一般为0.4～0.99 ■ 变异率(mutation rate)是指发生变异的基因位数所占全体染色体的基因总位数的比例，记为Pm，取值范围一般为0.0001～0.1 基本遗传算法 步1 在搜索空间U上定义一个适应度函数f(x)，给定种群规模N，交叉率Pc和变异率Pm，代数T； 步2 随机产生U中的N个个体s1, s2, …, sN，组成初始种群S={s1, s2, …, sN}，置代数计数器t=1； 步3 计算S中每个个体的适应度f() ； 步4 若终止条件满足，则取S中适应度最大的个体作为所求结果，算法结束。
幻灯片12 步5 按选择概率P(xi)所决定的选中机会，每次从S中随机选定1个个体并将其染色体复制，共做N次，然后将复制所得的N个染色体组成群体S1； 步6 按交叉率Pc所决定的参加交叉的染色体数c，从S1中随机确定c个染色体，配对进行交叉操作，并用产生的新染色体代替原染色体，得群体S2；幻灯片13 步7 按变异率Pm所决定的变异次数m，从S2中随机确定m个染色体，分别进行变异操作，并用产生的新染色体代替原染色体，得群体S3； 步8 将群体S3作为新一代种。