人工智能发展综述
Posted
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了人工智能发展综述相关的知识，希望对你有一定的参考价值。
参考技术A 近十多年来，随着算法与控制技术的不断提高，人工智能正在以爆发式的速度蓬勃发展。并且，随着人机交互的优化、大数据的支持、模式识别技术的提升，人工智能正逐渐的走入我们的生活。本文主要阐述了人工智能的发展历史、发展近况、发展前景以及应用领域。人工智能（Artificial Intelligence）简称AI，是麦卡赛等人在1956年的一场会议时提出的概念。
近几年，在“人机大战”的影响下，人工智能的话题十分的火热，特别是在“阿尔法狗”（AlphaGo）战胜李世石后，人们一直在讨论人是否能“战胜”自己制造的有着大数据支持的“人工智能”，而在各种科幻电影的渲染中，人工智能的伦理性、哲学性的问题也随之加重。
人工智能是一个极其复杂又令人激动的事物，人们需要去了解真正的人工智能，因此本文将会对什么是人工智能以及人工智能的发展历程、未来前景和应用领域等方面进行详细的阐述。
人们总希望使计算机或者机器能够像人一样思考、像人一样行动、合理地思考、合理地行动，并帮助人们解决现实中实际的问题。而要达到以上的功能，则需要计算机（机器人或者机器）具有以下的能力：
自然语言处理（natural language processing）
知识表示（knowledge representation）
自动推理（automated reasoning）
机器学习（machine learning）
计算机视觉（computer vision）
机器人学（robotics）
这6个领域，构成了人工智能的绝大多数内容。人工智能之父阿兰·图灵（Alan Turing）在1950年还提出了一种图灵测试（Turing Test），旨在为计算机的智能性提供一个令人满意的可操作性定义。
关于图灵测试，是指测试者在与被测试者（一个人和一台机器）隔开的情况下，通过一些装置（如键盘）向被测试者随意提问。进行多次测试后，如果有超过30%的测试者不能确定出被测试者是人还是机器，那么这台机器就通过了测试，并被认为具有人类智能。
图灵测试是在60多年前就已经提出来了，但是在现在依然适用，然而我们现在的发展其实远远落后于当年图灵的预测。
在2014年6月8日，由一个俄罗斯团队开发的一个模拟人类说话的脚本——尤金·古斯特曼（Eugene Goostman）成为了首个通过图灵测试的“计算机”，它成功的使人们相信了它是一个13岁的小男孩，该事件成为了人工智能发展的一个里程碑。
在2015年，《Science》杂志报道称，人工智能终于能像人类一样学习，并通过了图灵测试。一个AI系统能够迅速学会写陌生文字，同时还能识别出非本质特征，这是人工智能发展的一大进步。
①1943-1955年人工智能的孕育期
人工智能的最早工作是Warren McCulloch和Walter Pitts完成的，他们利用了基础生理学和脑神经元的功能、罗素和怀特海德的对命题逻辑的形式分析、图灵的理论，他们提出了一种神经元模型并且将每个神经元叙述为“开”和“关”。人工智能之父图灵在《计算机与智能》中，提出了图灵测试、机器学习、遗传算法等各种概念，奠定了人工智能的基础。
②1956年人工智能的诞生
1956年的夏季，以麦卡锡、明斯基、香农、罗切斯特为首的一批科学家，在达特茅斯组织组织了一场两个月的研讨会，在这场会议上，研究了用机器研究智能的一系列问题，并首次提出了“人工智能”这一概念，人工智能至此诞生。
③1952-1969年人工智能的期望期
此时，由于各种技术的限制，当权者人为“机器永远不能做X”，麦卡锡把这段时期称作“瞧，妈，连手都没有！”的时代。
后来在IBM公司，罗切斯特和他的同事们制作了一些最初的人工智能程序，它能够帮助学生们许多学生证明一些棘手的定理。
1958年，麦卡锡发表了“Program with Common Sense”的论文，文中他描述了“Advice Taker”，这个假想的程序可以被看作第一个人工智能的系统。
④1966-1973人工智能发展的困难期
这个时期，在人工智能发展时主要遇到了几个大的困难。
第一种困难来源于大多数早期程序对其主题一无所知；
第二种困难是人工智能试图求解的许多问题的难解性。
第三种困难是来源于用来产生智能行为的基本结构的某些根本局限。
⑤1980年人工智能成为产业
此时期，第一个商用的专家系统开始在DEC公司运转，它帮助新计算机系统配置订单。1981年，日本宣布了“第五代计算机”计划，随后美国组建了微电子和计算机技术公司作为保持竞争力的集团。随之而来的是几百家公司开始研发“专家系统”、“视觉系统”、“机器人与服务”这些目标的软硬件开发，一个被称为“人工智能的冬天”的时期到来了，很多公司开始因为无法实现当初的设想而开始倒闭。
⑥1986年以后
1986年，神经网络回归。
1987年，人工智能开始采用科学的方法，基于“隐马尔可夫模型”的方法开始主导这个领域。
1995年，智能Agent出现。
2001年，大数据成为可用性。
在1997年时，IBM公司的超级计算机“深蓝”战胜了堪称国际象棋棋坛神话的前俄罗斯棋手Garry Kasparov而震惊了世界。
在2016年时，Google旗下的DeepMind公司研发的阿尔法围棋（AlphaGo）以4:1的战绩战胜了围棋世界冠军、职业九段棋手李世石，从而又一次引发了关于人工智能的热议，随后在2017年5月的中国乌镇围棋峰会上以3:0的战绩又战胜了世界排名第一的柯洁。
2017年1月6日，百度的人工智能机器人“小度”在最强大脑的舞台上人脸识别的项目中以3:2的成绩战胜了人类“最强大脑”王峰。1月13日，小度与“听音神童”孙亦廷在语音识别项目中以2:2的成绩战平。随后又在1月21日又一次在人脸识别项目中以2:0的成绩战胜了“水哥”王昱珩，更在最强大脑的收官之战中战胜了人类代表队的黄政与Alex。
2016年9月1日，百度李彦宏发布了“百度大脑”计划，利用计算机技术模拟人脑，已经可以做到孩子的智力水平。李彦宏阐述了百度大脑在语音、图像、自然语言处理和用户画像领域的前沿进展。目前，百度大脑语音合成日请求量2.5亿，语音识别率达97%。
“深度学习”是百度大脑的主要算法，在图像处理方面，百度已经成为了全世界的最领先的公司之一。
百度大脑的四大功能分别是：语音、图像，自然语言处理和用户画像。
语音是指具有语音识别能力与语音合成能力，图像主要是指计算机视觉，自然语言处理除了需要计算机有认知能力之外还需要具备推理能力，用户画像是建立在一系列真实数据之上的目标用户模型。
工业4.0是由德国提出来的十大未来项目之一，旨在提升制造业的智能化水平，建立具有适应性、资源效率及基因工程学的智慧工厂。
工业4.0已经进入中德合作新时代，有明确提出工业生产的数字化就是“工业4.0”对于未来中德经济发展具有重大意义。
工业4.0项目主要分为三大主题：智能工厂、智能生产、智能物流。
它面临的挑战有：缺乏足够的技能来加快第四次工业革命的进程、企业的IT部门有冗余的威胁、利益相关者普遍不愿意改变。
但是随着AI的发展，工业4.0的推进速度将会大大推快。
人工智能可以渗透到各行各业，领域很多，例如：
①无人驾驶：它集自动控制、体系结构、人工智能、视觉计算等众多技术于一体，是计算机科学、模式识别和智能控制技术高度发展的产物世界上最先进的无人驾驶汽车已经测试行驶近五十万公里，其中最后八万公里是在没有任何人为安全干预措施下完成的。英国政府也在资助运输研究实验室（TRL），它将在伦敦测试无人驾驶投递车能否成功用于投递包裹和其他货物，使用无人驾驶投递车辆将成为在格林威治实施的众多项目之一。
②语音识别：该技术可以使让机器知道你在说什么并且做出相应的处理，1952年贝尔研究所研制出了第一个能识别10个英文数字发音的系统。在国外的应用中，苹果公司的siri一直处于领先状态，在国内，科大讯飞在这方面的发展尤为迅速。
③自主规划与调整：NASA的远程Agent程序未第一个船载自主规划程序，用于控制航天器的操作调度。
④博弈：人机博弈一直是最近非常火热的话题，深度学习与大数据的支持，成为了机器“战胜”人脑的主要方式。
⑤垃圾信息过滤：学习算法可以将上十亿的信息分类成垃圾信息，可以为接收者节省很多时间。
⑥机器人技术：机器人技术可以使机器人代替人类从事某些繁琐或者危险的工作，在战争中，可以运送危险物品、炸弹拆除等。
⑦机器翻译：机器翻译可以将语言转化成你需要的语言，比如现在的百度翻译、谷歌翻译都可以做的很好，讯飞也开发了实时翻译的功能。
⑧智能家居：在智能家居领域，AI或许可以帮上很大的忙，比如模式识别，可以应用在很多家居上使其智能化，提高人机交互感，智能机器人也可以在帮人们做一些繁琐的家务等。
专家系统是一个智能计算机程序系统，其内部含有大量的某个领域专家水平的知识与经验，能够利用人类专家的知识和解决问题的方法来处理该领域问题。也就是说，专家系统是一个具有大量的专门知识与经验的程序系统，它应用人工智能技术和计算机技术，根据某领域一个或多个专家提供的知识和经验，进行推理和判断，模拟人类专家的决策过程，以便解决那些需要人类专家处理的复杂问题，简而言之，专家系统是一种模拟人类专家解决领域问题的计算机程序系统。
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。
机器学习(Machine Learning, ML)是一门涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等的多领域交叉学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能，它是人工智能的核心，是使计算机具有智能的根本途径,也是深度学习的基础。
机器学习领域的研究工作主要围绕以下三个方面进行：
（1）面向任务的研究
研究和分析改进一组预定任务的执行性能的学习系统。
（2）认知模型
研究人类学习过程并进行计算机模拟。
（3）理论分析
从理论上探索各种可能的学习方法和独立于应用领域的算法
机器学习是继专家系统之后人工智能应用的又一重要研究领域，也是人工智能和神经计算的核心研究课题之一。但是现有的计算机系统和人工智能系统没有什么学习能力，至多也只有非常有限的学习能力，因而不能满足科技和生产提出的新要求。
遗传算法（Genetic Algorithm）是模拟达尔文生物进化论的自然选择和遗传学机理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。它借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）进行随机化搜索，它是由美国的J.Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域，它是现代有关智能计算中的关键技术。
Deep Learning即深度学习，深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。是机器学习中一种基于对数据进行表征学习的方法。
他的基本思想是：假设我们有一个系统S，它有n层（S1,…Sn），它的输入是I，输出是O，形象地表示为：I =>S1=>S2=>…..=>Sn
=> O，如果输出O等于输入I，即输入I经过这个系统变化之后没有任何的信息损失，设处理a信息得到b，再对b处理得到c，那么可以证明：a和c的互信息不会超过a和b的互信息。这表明信息处理不会增加信息，大部分处理会丢失信息。保持了不变，这意味着输入I经过每一层Si都没有任何的信息损失，即在任何一层Si，它都是原有信息（即输入I）的另外一种表示。Deep Learning需要自动地学习特征，假设我们有一堆输入I（如一堆图像或者文本），假设设计了一个系统S（有n层），通过调整系统中参数，使得它的输出仍然是输入I，那么就可以自动地获取得到输入I的一系列层次特征，即S1，…, Sn。对于深度学习来说，其思想就是对堆叠多个层，也就是说这一层的输出作为下一层的输入。通过这种方式，就可以实现对输入信息进行分级表达了。
深度学习的主要技术有：线性代数、概率和信息论；欠拟合、过拟合、正则化；最大似然估计和贝叶斯统计；随机梯度下降；监督学习和无监督学习深度前馈网络、代价函数和反向传播；正则化、稀疏编码和dropout；自适应学习算法；卷积神经网络；循环神经网络；递归神经网络；深度神经网络和深度堆叠网络；
LSTM长短时记忆；主成分分析；正则自动编码器；表征学习；蒙特卡洛；受限波兹曼机；深度置信网络；softmax回归、决策树和聚类算法；KNN和SVM；
生成对抗网络和有向生成网络；机器视觉和图像识别；自然语言处理；语音识别和机器翻译；有限马尔科夫；动态规划；梯度策略算法；增强学习（Q-learning）。
随着人工智能的发展，人工智能将会逐渐走入我们的生活、学习、工作中，其实人工智能已经早就渗透到了我们的生活中，小到我们手机里的计算机，Siri,语音搜索，人脸识别等等，大到无人驾驶汽车，航空卫星。在未来，AI极大可能性的去解放人类，他会替代人类做绝大多数人类能做的事情，正如刘慈欣所说：人工智能的发展，它开始可能会代替一部分人的工作，到最后的话，很可能他把90%甚至更高的人类的工作全部代替。吴恩达也表明，人工智能的发展非常快，我们可以用语音讲话跟电脑用语音交互，会跟真人讲话一样自然，这会完全改变我们跟机器交互的办法。自动驾驶对人也有非常大的价值，我们的社会有很多不同的领域，比如说医疗、教育、金融，都会可以用技术来完全改变。
[1] Russell,S.J.Norvig,P.人工智能：一种现代的方法（第3版）北京：清华大学出版社，2013（2016.12重印）
[2]库兹韦尔，人工智能的未来杭州：浙江人民出版社，2016.3
[3]苏楠.人工智能的发展现状与未来展望[J].中小企业管理与科技(上旬刊),2017,(04):107-108.
[4]王超.从AlphaGo的胜利看人工智能的发展历程与应用前景[J].中国新技术新产品,2017,(04):125-126.
[5]朱巍,陈慧慧,田思媛,王红武.人工智能:从科学梦到新蓝海——人工智能产业发展分析及对策[J].科技进步与对策,2016,(21):66-70.
[6]王江涛.浅析人工智能的发展及其应用[J].电子技术与软件工程,2015,(05):264.
[7]杨焱.人工智能技术的发展趋势研究[J].信息与电脑(理论版),2012,(08):151-152.
[8]张妮,徐文尚,王文文.人工智能技术发展及应用研究综述[J].煤矿机械,2009,(02):4-7.
[9]王永忠.人工智能技术在智能建筑中的应用研究[J].科技信息,2009,(03):343+342.
[10]李德毅,肖俐平.网络时代的人工智能[J]中文信息学报,2008,(02):3-9.
[11]李红霞.人工智能的发展综述[J].甘肃科技纵横,2007,(05):17-18
[12]孙科.基于Spark的机器学习应用框架研究与实现[D].上海交通大学,2015.
[13]朱军,胡文波.贝叶斯机器学习前沿进展综述[J].计算机研究与发展,2015,(01):16-26.
[14]何清,李宁,罗文娟,史忠植.大数据下的机器学习算法综述[J].模式识别与人工智能,2014,(04):327-336.
[15]郭亚宁,冯莎莎.机器学习理论研究[J].中国科技信息,2010,(14):208-209+214.
[16]陈凯,朱钰.机器学习及其相关算法综述[J].统计与信息论坛,2007,(05):105-112.
[17]闫友彪,陈元琰.机器学习的主要策略综述[J].计算机应用研究,2004,(07):4-10+13.
[18]张建明,詹智财,成科扬,詹永照.深度学习的研究与发展[J].江苏大学学报(自然科学版),2015,(02):191-200.
[19]尹宝才,王文通,王立春.深度学习研究综述[J].北京工业大学学报,2015,(01):48-59.
[20]刘建伟,刘媛,罗雄麟.深度学习研究进展[J].计算机应用研究,2014,(07):1921-1930+1942
[21]马永杰,云文霞.遗传算法研究进展[J].计算机应用研究,2012,(04):1201-1206+1210.
[22]曹道友.基于改进遗传算法的应用研究[D].安徽大学,2010
人工神经网络发展历史及算法应用综述
- 作者：柯悦
简 介： 人工神经网络概念自提起以来,它的发展经历了起起落落,而如今人工神经网络也与各个领域相结合,实现它的价值。人工神经网络主要用来处理分类与回归的问题。决定神经网络发展的三个基本要素主要有:神经元的数学模型、神经元的网络连接方法、以及神经网络学习方法,而将这三者综合起来便是不同的网络模型与算法。
关键词： ANN，算法，应用
§01 人工神经网络
1.1 人工神经网络的发展历史
人工神经网络,是对身体头脑或天然神经网络中某些特征的抽象式思考与仿真,是基于生物神经网络的特征所创建起来的一个能够实现简单数据处理的模式。人工神经网络以对人脑的生理学研究为基础,其目的就是模拟人脑的某些原理和工作机制,以达到某些方面的功能。它与人工智能同时起步，但却没有像人工智能一样蓬勃发展，而是在中间经历了一段低谷时期，之后便进入了平稳的发展时期。
人工神经网络的起源,是在一九五七年由计算机物理学家Rosenblatt首先给出了具备高度学习力的"认知机"模式,实现了由单个神经元到三层神经网络的转换,是目前最早实现的人工神经网络。但后来却因为单层感知机的局限导致许多人放弃了研发,就此,人工神经网络的发展走向低潮。
人工神经网络理论研究的第二个热潮,是由Hopfield在一九八二年发明了一种新型的神经网络模式——HopfNd网络模式,第一次引进了计算机网络中能量函数的定义,并顺利解答了旅行商最优路由(TSP)的提问,这也是ANN理论研究史上一个突破。之后,随着BP算法、遗传算法、模糊神经网络等的发明,以及电脑科学技术、大数据分析、人工智能的发展,让人工神经网络步入了稳步发展时代,并且渐渐与各个学科领域结合。发展让人工神经网络进入了稳步发展时期，并且渐渐与各个学科领域结合。
1.2 人工神经网络的特点
神经网络由大量的神经元,彼此或互相链接而构成。各个节点都代表着一组特别的输入输出函数,也就是触发函数。每二个节点之间的链接信息都代表着某种关于使用该链接信息的加权价值,也就是权重,神经网络就利用了这个方法来模仿人的记忆。
▲ 图1.2.1 人工神经网络的特点
人工神经网络的特色与优势,一般表现在如下三方面:
首先,具备了自学习能力。首先,如果我们通过对一个模型进行练习,可以将输入与对应的输出信息告诉给网络,而网络也将会利用自学习能力,逐渐地学习并识别相应的输入与相应的输出。自学习功能对预测有着非常重大的意义。
第二个,有联系的功能。也就是可以把任意的输入向量集合经过线性或非线性映射,转化为输入输出的向量集合,用人工神经网络的反馈网络也能够进行这种联系。
第三,具有高速寻找优化解的能力。即神经网络在进行动力学演化工作过程获得平稳态时相应的能量函数为最小,因此平稳态也是最佳解。第四，人工神经网络的并行机制结合计算机的工作速度使得问题的处理速度达到惊人的效果。这些优势让人工神经网络在各个领域应用非常广泛。
§02 算法发展
2.1 人工神经网络基础模型
2.1.1 BP神经网络
BP神经网络是一种按误差反向传播(简称误差反传)训练的多层前馈网络系统，称为BP算法，它的基础思想是梯度下降法，利用梯度搜寻技能，以期使网络的实际输出值和期望输出值的误差均方差为最小。试图使网络系统的现实输入输出值与预测输出值的误差均方差为最小化。BP网络技术主要是在入口层和出口层的中间添加了一些层神经元,这种神经元称为隐单位,它和外部并不是直观的联系,而其状态的改变,又可以直观影响入口层和出口相互之间的联系,因此每一级都可以有若干个节点。
▲ 图2.1.1 BP网络结构
魏连锁等人提出利用BP神经网络对时钟同步误差进行补偿, 考虑到因为节点移动而时钟精度出现问题，以及误差补偿等因素，结合水下BP网络，从而设计出一个水下传感器时钟算法，经过实验得证该算法的误差明显小于其他算法。
李鑫星等人采用局部点云和BP神经网络相结合的苹果树剪枝体系，通过输入的树枝形态等参数，利用BP网络判定是否需要修建以及对不同的树枝进行分类。通过实验得出结果整体符合要求。该体系实现了对苹果树剪枝环节的数字化管理和自动化剪枝,为水果科学剪枝技术提供了更安全可靠的开发工具。
1999年夏爱国通过对一些改进型BP算法进行了深入研究，找到了上述改进 算法的特点及使用范围，并给出了一种系统控制训练算法(SBP)，还通过对经典的XOR问题，和实际的航空发动机起车数据的自联想问题的实际建网,更进一步证实了这种计算的效果。利用该算法训练建网不但比标准BP算法有着快得多的收敛速度，相比其他一些改进算 法也都有着更快的收敛速度；同时由于该算法中加入了跳出平台模块可使训练过程不至于停滞在平台区，可保证训练的正常进行。
2010年樊海玮、张国翊等人根据传统BP算法抗干扰能力较差、学习速率缓慢而且易进入局部极小值等缺点，发明了一个能够通过变更传递函数倾斜度和动态调整不同学习速率的BP改进算法。
2.1.2 CNN模型
卷积神经网络由具有可学习的权重和偏置常量的神经元所构成，一般会使用卷积神经网络对图像进行识别，所以，它的输入一般是图像，CNN通过训练数据来学习网络结构中的权重和神经元，从而能把输入的图片正确分类。卷积神经网络在迭代中分布趋势会有所改变，这就需要不断地进行学习和训练，会出现梯度消失以及效率的下降等问题。
▲ 图2.1.2 CNN 网络结构
陈彩虹,王诚在2020年故障预测研发中采用了改进的CNN深度算法，在传统的CNN算法基础上，使用随机梯度下降方法的优化训练模型，在优化时利用检测目标函数值随时间的学习曲线变化来选择学习率，从而使得改善后的预测方案在各种分析技术指标上都具备了较好的准确度。
2022年蔚超、邓洁清等人在变电站智能消防监测技术的研究中针对CNN的梯度消失和效率下降问题在传统的CNN 中新增一个调优层,从而控制输入层的值呈现正态分布使用,提高了模型的效率。
2.1.3 Hopfield网络模型
Hopfield网络一般用于聚类，具有联想记忆功能以及处理优化问题的能力。它的缺点是容易陷入局部极小值，记忆容量的有限性，当记忆样本较接近时，网络不能始终回忆出正确的记忆等。
潘园园、张力等人在2011年利用离散Hopfield网络系统模拟识别手写数字，结果显示尽管小型得Hopfield神经网络非常适合二进制图像识别问题，但由于神经元模型的所有相互耦合矩阵均为给定的权矩阵, 并不存在自适应性, 因此须对自适应的耦合系数及随机相互耦合网络做更深入的动力学解析。
▲ 图2.1.3 相互连接的NN
曹瑾、刘晓芬在2021年采用量子遗传算法优化了离散Hopfield神经网络权重与阈值，自主地选取并引导优化解的方向,从而减少了进入局部最优预测解的几率,从而使得在军事训练效果与评价的搜索过程中具备了计算简便、收敛速率快、全局寻优性强和寻优效率好等优势。它的缺点是所占空间大以及运算的周期较长、运行效率低。
2.2 人工神经网络智能仿生算法
2.2.1 遗传算法
遗传算法则是利用模拟自然界达尔文的进化论来寻找最优解,它经过筛选、交叉、突变这三种过程选出最佳的个体，不断地迭代以上步骤，这样使每一个新个体形成最优解，直至最后选出问题的最优解，在求解较为复杂的优化问题时，与常规算法相比，具有较好的结果。
▲ 图2.2.1 遗传算法模拟的DNA的演变
2.2.2 狼群算法
狼群计算主要由探狼游走、头狼召唤、猛狼围困这三种智慧行动所构成,按照胜者为王、选优淘劣的原则进行,虽然算法会淘汰目标函数值较差的弱狼,但头狼的目标函数值却会由于按照胜者为王的原则而显得更强,最后判定头狼的目标函数值能否满足最大精度条件,或者算法能否满足最大迭代次数条件来进行最优化求解。狼群算法很易于进入局部优化,因此全局搜索能力也会不足。
▲ 图2.2.2 狼群
2.2.3 粒子算法
粒子群算法是指使用群体中的个体通过对信息的相互分配,使整体集群的运动在问题解决空间中,形成由无序到有序的演进流程,进而获得对问题的有效解决。每个个体的最佳位置都相当于局部最优解,而鸟群中所有个体的最佳位置也可以看作全局最优解,这样通过不断迭代逼近问题的最优解。它的优点是实现容易、精度高、收敛快。它的主要缺陷是局部搜寻能力较差,易于进入局部极值,且搜寻的准确度较低。
▲ 图2.2.3 粒子算法示例
2.2.4 蚁群算法
蚁群算法是指利用蚂蚁的步行途径描述待优化提问的可行性解,利用完整蚁集群的每个路径组成待优化提问的求解空间。并利用信息素的更新来实现正反馈机理,从而导致寻找流程的进一步收敛,结果接近较优解。该算法简洁,且有更高的自适应能力和很好的鲁棒性。它的主要缺点是收敛速度慢、易于进入局部最优化,而且算法的统计实际操作量很大,求解所需时间较长。
▲ 图2.2.4 蚁群算法示例
2.2.5 智能仿生算法改进
各种智能算法都有相应的优缺点并且有各自适应的问题领域,通常会采用改进的仿生算法来解决相应的问题,或者将不同的仿生算法结合起来达到较好的结果。
鲁飞、鲁照权等人在2022年以路径的适应度值为优化标准，引入了夹角因素和可行性因素并对蚁群算法加以改进，从而解决了搜索效果低下,易进入局部最优等的问题。
宫月红、张少军等人在2020年提出一种遗传-粒子群混合算法，在传统PSO的基础上，引入GA中变异、交叉思想，同时按照算法得迭代次数对惯性权重进行自适应调整，以防止整个计算过程陷入局部最优求解,从而提高解的准确度,并提高收敛速率。
▲ 图2.2.5 工业机器人
王豪、赵学军等人于2022年对自适应遗传算法做出了改进，通过设计一个新的适应度函数，同时也对遗传操作方式做出了改进,从而得出该算法在复杂的情形下,依然可以迅速进行最优求解,针对工业机器人的路线规划问题,得到的路径相较于已有算法更短。
刘邦、曲鸿春等人在2021年提出基于狼群算法解调中心波长，并引入学习因子和变异系数，跳出局部极值以增强全局搜索能力，对多个FBG复用系统进行解调，提高了解调精度。
§03 ANN应用
人工神经网络独特的非线性适应性数据处理能力,使其在各个行业中使用普遍,近些年来,人工神经网络主要是在模式识别、信息处理、机器人控制等领域发挥它的作用。
（1）模式识别
模式识别是指利用电子计算机将某些一定量度或观测基准上待知模型分类到相应的模类中去。张福明、李洪奇等人应用神经网络模式识别研制相应软件，在沉积微相自动识别工作中取得了较好的结果。李涛、钟玉琴、曲明亮采用神经网络模式识别方法对红景天品种进行准确的识别分类。
▲ 图3.1 人工神经网络进行模式识别
（2）信息处理
人工神经网络利用计算机的处理速度可以实现许多智能化的系统,在医学、军事、工程等领域被广泛使用。熊和金、刘祖源等运用神经网络在水面目标的雷达、红外线和声纳检测,并结合信息处理技术来解决了现代水面交通安全中遇到的一系列问题。马俊骏、李建华等人以无人机数据处理为背景,构造出了一个基于卷积神经网络计算的数据处理能力改进模式,进而优化了无人机数据处理能力,进而有效提升了无人机总体作战效率。
▲ 图3.2 四旋翼无人机
（3）机器人控制
机器人在现实生活中的自由运行、人机交互等方面真正模仿人体的特点是相当艰难的事,而运用了神经网络,加州大学伯克利分校的学者们就设想出了一个神经网络动力学模型,让一个六足机器人在十七分钟内就可以学会沿着理想的轨道运动。这种利用神经网络来使机器人达到真正的类人效果是非常有潜力的一项任务。
▲ 图3.3 运动的麦克纳姆轮机器人
§04 结 论
人工神经网络发展至今，已经有许多的算法被提出来来处理相应的问题，它的使用也十分普遍，尽管神经网络的影响如此之大，但还是有一定局限：神经网络需要大量的数据准备、神经网络在信息概括方面不是很好、以及神经网络是不透明的。这些局限性是我们需要克服的。
目前人工神经网络的算法更多的是在传统的算法上进行改进优化、或者不同算法相结合的模式来处理问题，但我们更多的是需要创新出新的算法，来是神经网络发挥出它最大的潜力。
4.1 参考文献
[1]李朝静,唐幼纯,黄霞.BP神经网络的应用综述[J].劳动保障世界,2012(16):71-74.
[2]王祎,贾文雅,尹雪婷,张亮明,白艳明.人工神经网络的发展及展望[J].智能城市,2021,7(08):12-13.
[3]张驰,郭媛,黎明.人工神经网络模型发展及应用综述[J].计算机工程与应用,2021,57(11):57-69.
[4]张驰,郭媛,黎明.人工神经网络模型发展及应用综述[J].计算机工程与应用,2021,57(11):57-69.
[5]窦嘉铭.浅谈自然辩证法视角下人工神经网络发展历程[J].电脑知识与技术,2021,17(01):202-204+207.
[6]彭驿茹.人工神经网络发展历史与训练算法概述[J].科技传播,2018,10(21):129-130.
※ 综述评论 ※
人工神经网络概念自提起以来,它的发展经历了起起落落,而如今人工神经网络也与各个领域相结合,实现它的价值。人工神经网络主要用来处理分类与回归的问题。决定神经网络发展的三个基本要素主要有:神经元的数学模型、神经元的网络连接方法、以及神经网络学习方法,而将这三者综合起来便是不同的网络模型与算法。
目前较为常用的网络模型主要有:多层网BP算法,卷积式神经网络,递归神经网络,以及Hopfield网络模型,自组织特征映射理论等。而通过查阅文献可以看出虽然目前人工神经网络的应用非常广泛,但没有提出太多创新的算法,更多的是在之前经典算法的基础上提出改进。本章将重点介绍人工神经网络的发展历程以及最新的模型算法改进、它在各个领域的应用这三个方面进行描述。
● 相关图表链接: