返回代写论文首页
当前位置 :代写论文>计算机论文>人工智能>
简论人工智能的发展前景
来源： 作者： 时间：2009-04-17 点击：
人工智能是人造的智能,是计算机科学、逻辑学、认知科学交叉形成的一门科学。其基本目标就是使机器表现出类似人类的智慧,使机器具有类似人类的智能行为,使机器思维(Making Machine“Think”)。关于人工智能,科学界存在各种各样的认识和看法,这些看法可以归纳为:技术观、模拟观、建模观、理论观。
技术观将人工智能视为一门技术。技术观追求人工智能的工程目标,即智能机的实现。技术观只注重智能机的外部功能,不关心智能机的工作过程。技术观认为,只要机器能做那些原来需要人的智能才能完成的工作,机器便具有了智能。模拟观着眼于计算程序复现人脑在完成同一任务时的内部状态和过程,强调必须先了解人脑的活动机制,才能通过模拟使器表现出智能。建模观希望基于数学模型的理论和法,建立人脑的模型。建模观认为,通过对人脑输入出信号的观察,即对人脑外部行为的观察,可以建立脑的数学模型,这种模型与人脑在外部行为上的相性将使机器表现出智能。理论观注重理解形成或产生智能的规律和原理。理论观追求人工智能的科学目标,即Winston所阐述的人工智能的中心目标,试图建立使智能的实现成为可能的原理。
人类有关“用机器模拟人类智能”的思想可以追溯到很远,甚至可以追溯到公元前四世纪的亚里士多德时代。然而,作为一门学科,可以说,人工智能诞生于1956年Dartmouth夏季会议。
人工智能在20世纪经历了四个发展阶段:五十年代是神经网络时代,六十年代是弱方法时代,七十年代是知识工程时代,八十和九十年代是知识工业时代。1948年Wiener发表了《控制论》。Wiener将机器与生物的控制和通讯机制进行类比,抽象出共同特征,形成控制论这门独立的新学科。Wiener指出:“就其控制行为而言,所有的人工系统都模仿生物系统,但没有任何一种生物系统模仿人工系统。”Wiener的思想及其控制论引发了科学界对生物控制机能、生物通讯机能、生物信息处理机能和生物智能进行模拟的科学研究热情。特别是Wiener关于生物神经系统及其信息处理机制的观点,引起了人们对生物神经系统进行仿真研究的兴趣。Wiener在其《控制论》中指出:“能够做计算系统所做工作的人和动物的神经系统,它们的工作单元动作起来就像继电器。这个事实值得我们注意,这些工作单元就是所谓的神经元或神经细胞。”在这一思想的影响下,五十年代兴起了基于开关网的神经系统模拟研究,其中较为成功和较有影响的是对青蛙视神经的模拟。Simon和Newell称,用计算机程序实现的人对弱结构化问题的求解搜索方法为弱方法,其“弱”的含义为:求解的问题为弱结构化问题,求解问题的过程具有试探性,所得的问题的解是非最优的。对于弱结构化问题,由于知识的不完备性,人只能运用试验、试探和搜索的方法,在巨大的问题空间中,运用非完备的知识、经验和启发性的知识,寻求可行的问题求解途径,做计划、设计和决策,获取问题的可行解,而非最优解。Simon和Newell的“弱方法”强调问题求解方法的重要性,注重对人脑思维过程的模拟和仿真,却忽视了对知识的研究。人求解问题的过程是一个基于知识,应用知识的过程。一个知识贫乏的大脑,不可能有多少智能,这就是“弱方法”为什么只能用于一些简单的和游戏性质的智力求解问题的原因。代写论文
七十年代,鉴于“弱方法”存在的问题,人工智能研究领域出现了知识工程学派。知识工程学派认为,没有知识,就没有智能;要使计算机表现出智能,必须给予它知识。使人工智能由弱方法的研究转向知识工程研究的是DENDRAL项目。这项研究工作是Feigenbaum1965年到斯坦福大学后不久开始的。六十年代末七十年代初,第一个专家系统问世以来,有影响的专家系统有:DENDRAL,世界上第一个专家系统,帮助化学家解释和设计化学结构式;MYCIN,世界上最有影响的专家系统,帮助医生诊断抗菌性感染病,并推荐治疗方案。
专家系统的成就使人们看到了知识工程的前景专家系统解决实际问题的能力展现了智能系统的商用价值,由此,智能产业在八十年代初期开始形成。智能产业指智能应用系统和智能计算机构成的产业。尽管全球的智能产业在1981年只有1亿美元,但人们仍然乐观地预测,二十一世纪初,全球的智能产业将超过2500亿美元。
面对人工智能的大好发展形势,Machlup等人在知识工程概念的基础上,提出了一个更具感召力的概念:知识工业。人工智能的研究并不像人们一开始所期望的那样一帆风顺,成果辉煌。五十年代,神经网络随Perceptron被否定而沉寂。六十年代,游戏性质的弱方法没有大的作为。七十年代,专家系统受到了来自许多方面的怀疑和批评。八十年代,日本人雄心勃勃的第五代计算机计划以彻底的失败而告终。人工智能从诞生那天起就承受着来自多方面的批评和攻击。人工智能过分乐观的预言大多未能实现。尽管人工智能的发展未能跟上人们对它的期望,但它的确在不断地进步。人工智能取得的成就足以让人们相信,机器正变得越来越聪明。以人们今天的想象力,很难想象出,人工智能能走多远,未来的机器能有多聪明,类似DeepBlue战胜Kasparov之类的事情在Chess之外的其它领域是否还会发生。人,没有理由说,机器不能思维,更没有理由否定人工智能。
最近几年,人工神经网络技术和遗传算法的应用取得了很大的成功。广泛应用于工业、军事等各个领域。
人工神经网络技术在20世纪70到80年代取得了重大进展,其成果大量应用于系统的识别,建模和控制。比如,关于建模,神经网络通过对输入输出样本的学习,不断地调整网络的权值和阈值,使网络实现给定的输入输出映射关系,并具有一定的学习和泛化能力。以研究直升机在偏航方向上的动力学特性和建立动力学模型为例,可将直升机偏航方向上的输入和输出数据作为学习样本,对神经网络进行训练,从而得到直升机在偏航方向上的神经网络预测模型。在这个模型的基础上,可以进一步设计出直升机的偏航方向控制器。众所周知,在很多场合要求对数字进行准确识别。例如最常见的邮电系统中的自动分信设备,就涉及到邮政编码的识别。这六位数都标示在信封的六个方框中,如何利用一种快速有效的智能方法或技术正确地进行识别是急待解决的问题。神经网络具有并行处理和大规模平行计算能力,既是高度非线性动力学系统,又是自适应组织系统,可以用来描述认知、决策及控制的智能行为。它的中心问题是智能的认知和模拟,能高度逼近非线性系统并对不确定问题具有自适应能力,因而利用神经网络有望解决这一问题。
遗传算法(GA)是1975年美国密执安大学J.H.Holland教授提出的,是一种基于达尔文生物进化思想的优化算法,与其它优化算法相比,GA具有更好的通用性,较强的鲁棒性和智能性,使其广泛地应用于各个领域。遗传算法是一种基于自然选择和自然遗传的全局优化算法。它采用从自然界选择、遗传操作中抽象出来的几个算子,对参数编码的字符串进行遗传操作,每一个字符串对应于一个可行解。这种遗传操作是对多个可行解组成的群体进行的,故在进化过程中可以并行地对解空间的不同区域进行搜索,可使搜索趋于全局最优解而不会陷于局部极小解。正是由于这种内在的优良特性,GA可广泛应用于各种优化问题。
对于动态环境中移动机器人的局部路径规划问题,遗传算法具有很大潜力。移动机器人是能够在道路和野外连续、实时地自主运动的智能机器人是一种集环境感知,动态决策与规划,行为控制与执行等多项功能于一体的高智能化机器系统。移动机器人的动态行为是,机器视觉获取前方的路面环境及障碍物信息,然后用智能系统产生最优化路径,并用智能路径跟踪控制方法使移动机器人沿规划路径行走。类似传统方法不能解决的这类问题,遗传算法表现出很大的优越性。
上一篇：智能五子棋博弈程序的核心算法
下一篇：人工智能与智能系统
