偽智能演算法

㈠ 智能家居全語音控制哪家好

智能家居是在互聯網影響之下物聯化的體現。智能家居是以住宅為平台，利用網路通信技術、無線通訊技術、安全防範技術、自動控制技術、音視頻技術將家居生活有關的設施集成，構建高效的住宅設施與家庭日程事務的管理系統，提升家居安全性、便利性、舒適性、藝術性，並實現環保節能的居住環境。
近年來，隨著物聯網、雲計算、無線通信等技術的演進，這幾年智能家居得到了迅猛發展，取代傳統家居已成為未來的發展趨勢，但無論是谷歌和蘋果等國際巨頭，還是阿里，騰訊等國內知名企業這幾年的智能家居布局都進行的很艱難，在消費者接受度上難有突破性的進展，智能家居產品無法做到大規模的推廣落地，具體原因歸納如下：

對消費者來說，用手機APP軟體操作智能家居復雜麻煩，家庭成員情況又不同，使用操作---成 為智能家居市場需求落地的一個高門檻；
智能家居產品涉及范圍太廣和品種太多，任何一家企業要想把產品做齊和做專，讓系統既要穩定可靠又要功能強大，需要時間試錯沉澱；
各種良莠不齊的偽智能產品橫行於市場，功能的實用性沒法和生活需求結合，不以人為本，有時候會被誤認為智能可能還是一種麻煩。
不同於傳統智能家居只能APP硬體控制和單項聯動，我們打造了全語音交互控制，多手段語音助手，可視化遠程操作，全智能定製聯動和人性化場景應用的兆能智能家居系統，實現了操作和使用智能家居的簡易化和便利化，融匯了頂級自動化控制技術和人工智慧交互技術，結合系統強大的邏輯判斷和編輯功能，用科技將最自然的聲音與用戶的心境融合，用可視即可得讓最真實的呈現在眼前，用人工智慧演算法和情景應用讓人和生活高度融合，讓每個家庭成員都有專屬的隨心律動的場景，給用戶帶來妙不可言的極致享受和科技體驗。

㈡ 不確定性人工智慧有哪些演算法

人工智慧（Artificial Intelligence），英文縮寫為AI。它是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。 人工智慧是計算機科學的一個分支，它企圖了解智能的實質，並生產出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。人工智慧從誕生以來，理論和技術日益成熟，應用領域也不斷擴大，可以設想，未來人工智慧帶來的科技產品，將會是人類智慧的「容器」。
人工智慧是對人的意識、思維的信息過程的模擬。人工智慧不是人的智能，但能像人那樣思考、也可能超過人的智能。
人工智慧是一門極富挑戰性的科學，從事這項工作的人必須懂得計算機知識，心理學和哲學。人工智慧是包括十分廣泛的科學，它由不同的領域組成，如機器學習，計算機視覺等等，總的說來，人工智慧研究的一個主要目標是使機器能夠勝任一些通常需要人類智能才能完成的復雜工作。但不同的時代、不同的人對這種「復雜工作」的理解是不同的。[1]

㈢ 偽演算法是什麼意思

偽演算法即偽代碼
概述：
偽碼（Pseudocode）是一種演算法描述語言。使用偽碼的目的是使被描述的演算法可以容易地以任何一種編程語言（Pascal，C，Java等）實現。因此，偽代碼必須結構清晰、代碼簡單、可讀性好，並且類似自然語言。 介於自然語言與編程語言之間。以編程語言的書寫形式指明演算法職能。使用偽代碼， 不用拘泥於具體實現。相比程序語言（例如Java, C++,C, Dephi 等等）它更類似自然語言。它是半形式化、不標準的語言。可以將整個演算法運行過程的結構用接近自然語言的形式（可以使用任何一種你熟悉的文字，關鍵是把程序的意思表達出來）描述出來。
定義
人們在用不同的編程語言實現同一個演算法時意識到，他們的實現（注意：這里是實現，不是功能）很不同。尤其是對於那些熟練於不同編程語言的程序員要理解一個（用其他編程語言編寫的程序的）功能時可能很難，因為程序語言的形式限制了程序員對程序關鍵部分的理解。這樣偽代碼就應運而生了。偽代碼提供了更多的設計信息，每一個模塊的描述都必須與設計結構圖一起出現。偽代碼是一種非正式的，類似於英語結構的，用於描述模塊結構圖的語言。
應用領域
當考慮演算法功能（而不是其語言實現）時，偽碼常常得到應用。偽碼中常被用於技術文檔和科學出版物中來表示演算法，也被用於在軟體開發的實際編碼過程之前表達程序的邏輯。偽代碼不是用戶和分析師的工具，而是設計師和程序員的工具。計算機科學在教學中通常使用虛擬碼，以使得所有的程序員都能理解。
綜上，簡單地說，讓人便於理解的代碼。不依賴於語言的，用來表示程序執行過程，而不一定能編譯運行的代碼。在數據結構講演算法的時候用的很多。偽代碼用來表達程序員開始編碼前的想法。

㈣ 智能計算/計算智能、仿生演算法、啟發式演算法的區別與關系

我一個個講好了，
1）啟發式演算法：一個基於直觀或經驗構造的演算法，在可接受的花費（指計算時間和空間）下給出待解決組合優化問題每一個實例的一個可行解，該可行解與最優解的偏離程度不一定事先可以預計。意思就是說，啟發式演算法是根據經驗或者某些規則來解決問題，它求得的問題的解不一定是最優解，很有可能是近似解。這個解與最優解近似到什麼程度，不能確定。相對於啟發式演算法，最優化演算法或者精確演算法（比如說分支定界法、動態規劃法等則能求得最優解）。元啟發式演算法是啟發式演算法中比較通用的一種高級一點的演算法，主要有遺傳演算法、禁忌搜索演算法、模擬退火演算法、蟻群演算法、粒子群演算法、變鄰域搜索演算法、人工神經網路、人工免疫演算法、差分進化演算法等。這些演算法可以在合理的計算資源條件下給出較高質量的解。
2）仿生演算法：是一類模擬自然生物進化或者群體社會行為的隨機搜索方法的統稱。由於這些演算法求解時不依賴於梯度信息，故其應用范圍較廣，特別適用於傳統方法難以解決的大規模復雜優化問題。主要有：遺傳演算法、人工神經網路、蟻群演算法、蛙跳演算法、粒子群優化演算法等。這些演算法均是模仿生物進化、神經網路系統、螞蟻尋路、鳥群覓食等生物行為。故叫仿生演算法。
3）智能計算：也成為計算智能，包括遺傳演算法、模擬退火演算法、禁忌搜索演算法、進化演算法、蟻群演算法、人工魚群演算法，粒子群演算法、混合智能演算法、免疫演算法、神經網路、機器學習、生物計算、DNA計算、量子計算、模糊邏輯、模式識別、知識發現、數據挖掘等。智能計算是以數據為基礎，通過訓練建立聯系，然後進行問題求解。
所以說，你接觸的很多演算法，既是仿生演算法，又是啟發式演算法，又是智能演算法，這都對。分類方法不同而已。

樓主，我這么辛苦給你打這么字，給我多加點懸賞分吧！謝謝了哈

㈤ 智能演算法的智能演算法概述

智能優化演算法要解決的一般是最優化問題。最優化問題可以分為（1）求解一個函數中，使得函數值最小的自變數取值的函數優化問題和（2）在一個解空間裡面，尋找最優解，使目標函數值最小的組合優化問題。典型的組合優化問題有：旅行商問題（Traveling Salesman Problem，TSP），加工調度問題（Scheling Problem），0－1背包問題（Knapsack Problem），以及裝箱問題（Bin Packing Problem）等。
優化演算法有很多，經典演算法包括：有線性規劃，動態規劃等；改進型局部搜索演算法包括爬山法，最速下降法等，本文介紹的模擬退火、遺傳演算法以及禁忌搜索稱作指導性搜索法。而神經網路，混沌搜索則屬於系統動態演化方法。
優化思想裡面經常提到鄰域函數，它的作用是指出如何由當前解得到一個（組）新解。其具體實現方式要根據具體問題分析來定。
一般而言，局部搜索就是基於貪婪思想利用鄰域函數進行搜索，若找到一個比現有值更優的解就棄前者而取後者。但是，它一般只可以得到「局部極小解」，就是說，可能這只兔子登「登泰山而小天下」，但是卻沒有找到珠穆朗瑪峰。而模擬退火，遺傳演算法，禁忌搜索，神經網路等從不同的角度和策略實現了改進，取得較好的「全局最小解」。

㈥ 偽人工智慧橫行，什麼才是真正的人工智慧

偽人工智慧橫行

現在大多數人工智慧都屬於偽人工智慧。為什麼這么說，可以從以下兩個方面來解釋。

第一，人工智慧不是一下就能做出來的，需要時間以及實驗的積累。

由此可以看出，真正的人工智慧體現在其卓越的學習能力。如果你隔一段時間，大概3個月左右去看一個演算法的進步，比如面部識別，如語音識別，如果該演算法進步只是代數級，沒有達到指數級，那麼這種演算法可能更多的是機器學習，還未達到人工智慧水平。

既然已經辨別了什麼是真正的人工智慧，那麼對於人工智慧而言，什麼才是最重要的。可能有些人會說演算法，有些人會說設備，有些人會說編程技術。雖然它們也是構成人工智慧中重要的一環，但是這些都不是最重要的。對於真正的人工智慧而言，最重要的永遠是大數據，只有擁有完整的數據，人工智慧才能真正的發展起來。就像是一把寶刀，需要有一塊好的磨刀石才能讓它更加銳利，而大數據恰好就是這塊最好的磨刀石。

㈦ 智能演算法的演算法分類

模擬退火演算法的依據是固體物質退火過程和組合優化問題之間的相似性。物質在加熱的時候，粒子間的布朗運動增強，到達一定強度後，固體物質轉化為液態，這個時候再進行退火，粒子熱運動減弱，並逐漸趨於有序，最後達到穩定。
模擬退火的解不再像局部搜索那樣最後的結果依賴初始點。它引入了一個接受概率p。如果新的點（設為pn）的目標函數f（pn）更好，則p=1，表示選取新點；否則，接受概率p是當前點（設為pc）的目標函數f（pc），新點的目標函數f（pn）以及另一個控制參數「溫度」T的函數。也就是說，模擬退火沒有像局部搜索那樣每次都貪婪地尋找比現在好的點，目標函數差一點的點也有可能接受進來。隨著演算法的執行，系統溫度T逐漸降低，最後終止於某個低溫，在該溫度下，系統不再接受變化。
模擬退火的典型特徵是除了接受目標函數的改進外，還接受一個衰減極限，當T較大時，接受較大的衰減，當T逐漸變小時，接受較小的衰減，當T為0時，就不再接受衰減。這一特徵意味著模擬退火與局部搜索相反，它能避開局部極小，並且還保持了局部搜索的通用性和簡單性。
在物理上，先加熱，讓分子間互相碰撞，變成無序狀態，內能加大，然後降溫，最後的分子次序反而會更有序，內能比沒有加熱前更小。就像那隻兔子，它喝醉後，對比較近的山峰視而不見，迷迷糊糊地跳一大圈子，反而更有可能找到珠峰。
值得注意的是，當T為0時，模擬退火就成為局部搜索的一個特例。
模擬退火的偽碼表達：
procere simulated annealing
begin
t:=0;
initialize temperature T
select a current string vc at random;
evaluate vc;
repeat
repeat
select a new string vn in the neighborhood of vc; (1)
if f(vc)<f(vn)
then vc:=vn;
else if random [0,1] <exp ((f (vn)-f (vc))/T) (2)
then vc:=vn;
until (termination-condition) (3)
T:=g(T,t); (4)
T:=t+1;
until (stop-criterion) (5)
end;
上面的程序中，關鍵的是(1)新狀態產生函數，(2)新狀態接受函數，(3)抽樣穩定準則，(4)退溫函數，(5)退火結束准則（簡稱三函數兩准則）是直接影響優化結果的主要環節。雖然實驗結果證明初始值對於最後的結果沒有影響，但是初溫越高，得到高質量解的概率越大。所以，應該盡量選取比較高的初溫。
上面關鍵環節的選取策略：
（1）狀態產生函數：候選解由當前解的鄰域函數決定，可以取互換，插入，逆序等操作產生，然後根據概率分布方式選取新的解，概率可以取均勻分布、正態分布、高斯分布、柯西分布等。
（2）狀態接受函數：這個環節最關鍵，但是，實驗表明，何種接受函數對於最後結果影響不大。所以，一般選取min [1, exp ((f (vn)-f (vc))/T)]。
（3）抽樣穩定準則：一般常用的有：檢驗目標函數的均值是否穩定；連續若干步的目標值變化較小；規定一定的步數；
（4）退溫函數：如果要求溫度必須按照一定的比率下降，SA演算法可以採用，但是溫度下降很慢；快速SA中，一般採用 。目前，經常用的是 ，是一個不斷變化的值。
（5）退火結束准則：一般有：設置終止溫度；設置迭代次數；搜索到的最優值連續多次保持不變；檢驗系統熵是否穩定。
為了保證有比較優的解，演算法往往採取慢降溫、多抽樣、以及把「終止溫度」設的比較低等方式，導致演算法運行時間比較長，這也是模擬退火的最大缺點。人喝醉了酒辦起事來都不利索，何況兔子？ 「物競天擇，適者生存」，是進化論的基本思想。遺傳演算法就是模擬自然界想做的事。遺傳演算法可以很好地用於優化問題，若把它看作對自然過程高度理想化的模擬，更能顯出它本身的優雅——雖然生存競爭是殘酷的。
遺傳演算法以一種群體中的所有個體為對象，並利用隨機化技術指導對一個被編碼的參數空間進行高效搜索。其中，選擇、交叉和變異構成了遺傳演算法的遺傳操作；參數編碼、初始群體的設定、適應度函數的設計、遺傳操作設計、控制參數設定五個要素組成了遺傳演算法的核心內容。作為一種新的全局優化搜索演算法，遺傳演算法以其簡單通用、健壯性強、適於並行處理以及高效、實用等顯著特點，在各個領域得到了廣泛應用，取得了良好效果，並逐漸成為重要的智能演算法之一。
遺傳演算法的偽碼：
procere genetic algorithm
begin
initialize a group and evaluate the fitness value ; （1）
while not convergent （2）
begin
select; （3）
if random[0,1]<pc then
crossover; （4）
if random (0,1)<pm then
mutation; （5）
end;
end
上述程序中有五個重要的環節：
（1）編碼和初始群體的生成：GA在進行搜索之前先將解空間的解數據表示成遺傳空間的基因型串結構數據，這些串結構數據的不同組合便構成了不同的點。然後隨機產生N個初始串結構數據，每個串結構數據稱為一個個體， N個體構成了一個群體。GA以這N個串結構數據作為初始點開始迭代。
比如，旅行商問題中，可以把商人走過的路徑進行編碼，也可以對整個圖矩陣進行編碼。編碼方式依賴於問題怎樣描述比較好解決。初始群體也應該選取適當，如果選取的過小則雜交優勢不明顯，演算法性能很差（數量上佔了優勢的老鼠進化能力比老虎強），群體選取太大則計算量太大。
（2）檢查演算法收斂准則是否滿足，控制演算法是否結束。可以採用判斷與最優解的適配度或者定一個迭代次數來達到。
（3）適應性值評估檢測和選擇：適應性函數表明個體或解的優劣性，在程序的開始也應該評價適應性，以便和以後的做比較。不同的問題，適應性函數的定義方式也不同。根據適應性的好壞，進行選擇。選擇的目的是為了從當前群體中選出優良的個體，使它們有機會作為父代為下一代繁殖子孫。遺傳演算法通過選擇過程體現這一思想，進行選擇的原則是適應性強的個體為下一代貢獻一個或多個後代的概率大。選擇實現了達爾文的適者生存原則。
（4）雜交：按照雜交概率（pc）進行雜交。雜交操作是遺傳演算法中最主要的遺傳操作。通過雜交操作可以得到新一代個體，新個體組合了其父輩個體的特性。雜交體現了信息交換的思想。
可以選定一個點對染色體串進行互換，插入，逆序等雜交，也可以隨機選取幾個點雜交。雜交概率如果太大，種群更新快，但是高適應性的個體很容易被淹沒，概率小了搜索會停滯。
（5）變異：按照變異概率（pm）進行變異。變異首先在群體中隨機選擇一個個體，對於選中的個體以一定的概率隨機地改變串結構數據中某個串的值。同生物界一樣，GA中變異發生的概率很低。變異為新個體的產生提供了機會。
變異可以防止有效基因的缺損造成的進化停滯。比較低的變異概率就已經可以讓基因不斷變更，太大了會陷入隨機搜索。想一下，生物界每一代都和上一代差距很大，會是怎樣的可怕情形。
就像自然界的變異適和任何物種一樣，對變數進行了編碼的遺傳演算法沒有考慮函數本身是否可導，是否連續等性質，所以適用性很強；並且，它開始就對一個種群進行操作，隱含了並行性，也容易找到「全局最優解」。 為了找到「全局最優解」，就不應該執著於某一個特定的區域。局部搜索的缺點就是太貪婪地對某一個局部區域以及其鄰域搜索，導致一葉障目，不見泰山。禁忌搜索就是對於找到的一部分局部最優解，有意識地避開它（但不是完全隔絕），從而獲得更多的搜索區間。兔子們找到了泰山，它們之中的一隻就會留守在這里，其他的再去別的地方尋找。就這樣，一大圈後，把找到的幾個山峰一比較，珠穆朗瑪峰脫穎而出。
當兔子們再尋找的時候，一般地會有意識地避開泰山，因為他們知道，這里已經找過，並且有一隻兔子在那裡看著了。這就是禁忌搜索中「禁忌表（tabu list）」的含義。那隻留在泰山的兔子一般不會就安家在那裡了，它會在一定時間後重新回到找最高峰的大軍，因為這個時候已經有了許多新的消息，泰山畢竟也有一個不錯的高度，需要重新考慮，這個歸隊時間，在禁忌搜索裡面叫做「禁忌長度（tabu length）」；如果在搜索的過程中，留守泰山的兔子還沒有歸隊，但是找到的地方全是華北平原等比較低的地方，兔子們就不得不再次考慮選中泰山，也就是說，當一個有兔子留守的地方優越性太突出，超過了「best to far」的狀態，就可以不顧及有沒有兔子留守，都把這個地方考慮進來，這就叫「特赦准則（aspiration criterion）」。這三個概念是禁忌搜索和一般搜索准則最不同的地方，演算法的優化也關鍵在這里。
偽碼表達：
procere tabu search;
begin
initialize a string vc at random,clear up the tabu list;
cur:=vc;
repeat
select a new string vn in the neighborhood of vc;
if va>best_to_far then {va is a string in the tabu list}
begin
cur:=va;
let va take place of the oldest string in the tabu list;
best_to_far:=va;
end else
begin
cur:=vn;
let vn take place of the oldest string in the tabu list;
end;
until (termination-condition);
end;
以上程序中有關鍵的幾點：
（1）禁忌對象：可以選取當前的值（cur）作為禁忌對象放進tabu list，也可以把和當然值在同一「等高線」上的都放進tabu list。
（2）為了降低計算量，禁忌長度和禁忌表的集合不宜太大，但是禁忌長度太小容易循環搜索，禁忌表太小容易陷入「局部極優解」。
（3）上述程序段中對best_to_far的操作是直接賦值為最優的「解禁候選解」，但是有時候會出現沒有大於best_to_far的，候選解也全部被禁的「死鎖」狀態，這個時候，就應該對候選解中最佳的進行解禁，以能夠繼續下去。
（4）終止准則：和模擬退火，遺傳演算法差不多，常用的有：給定一個迭代步數；設定與估計的最優解的距離小於某個范圍時，就終止搜索；當與最優解的距離連續若干步保持不變時，終止搜索；
禁忌搜索是對人類思維過程本身的一種模擬，它通過對一些局部最優解的禁忌（也可以說是記憶）達到接納一部分較差解，從而跳出局部搜索的目的。 人工神經網路（Artificial Neural Network，ANN）
神經網路從名字就知道是對人腦的模擬。它的神經元結構，它的構成與作用方式都是在模仿人腦，但是也僅僅是粗糙的模仿，遠沒有達到完美的地步。和馮·諾依曼機不同，神經網路計算非數字，非精確，高度並行，並且有自學習功能。
生命科學中，神經細胞一般稱作神經元，它是整個神經結構的最基本單位。每個神經細胞就像一條胳膊，其中像手掌的地方含有細胞核，稱作細胞體，像手指的稱作樹突，是信息的輸入通路，像手臂的稱作軸突，是信息的輸出通路；神經元之間錯綜復雜地連在一起，互相之間傳遞信號，而傳遞的信號可以導致神經元電位的變化，一旦電位高出一定值，就會引起神經元的激發，此神經元就會通過軸突傳出電信號。
而如果要用計算機模仿生物神經，就需要人工的神經網路有三個要素：（1）形式定義人工神經元；（2）給出人工神經元的連接方式，或者說給出網路結構；（3）給出人工神經元之間信號強度的定義。
歷史上第一個人工神經網路模型稱作M－P模型，非常簡單：
其中，表示神經元i在t時刻的狀態，為1表示激發態，為0表示抑制態；是神經元i和j之間的連接強度；表示神經元i的閾值，超過這個值神經元才能激發。
這個模型是最簡單的神經元模型。但是功能已經非常強大：此模型的發明人McCulloch和Pitts已經證明，不考慮速度和實現的復雜性，它可以完成當前數字計算機的任何工作。
以上這個M－P模型僅僅是一層的網路，如果從對一個平面進行分割的方面來考慮的話，M－P網路只能把一個平面分成個半平面，卻不能夠選取特定的一部分。而解決的辦法就是「多層前向網路」。
為了讓這種網路有合適的權值，必須給網路一定的激勵，讓它自己學習，調整。一種方法稱作「向後傳播演算法（Back Propagation，BP）」，其基本思想是考察最後輸出解和理想解的差異，調整權值，並把這種調整從輸出層開始向後推演，經過中間層，達到輸入層。
可見，神經網路是通過學習來達到解決問題的目的，學習沒有改變單個神經元的結構和工作方式，單個神經元的特性和要解決的問題之間也沒有直接聯系，這里學習的作用是根據神經元之間激勵與抑制的關系，改變它們的作用強度。學習樣本中的任何樣品的信息都包含在網路的每個權值之中。
BP演算法中有考察輸出解和理想解差異的過程，假設差距為w，則調整權值的目的就是為了使得w最小化。這就又包含了前文所說的「最小值」問題。一般的BP演算法採用的是局部搜索，比如最速下降法，牛頓法等，當然如果想要得到全局最優解，可以採用模擬退火，遺傳演算法等。當前向網路採用模擬退火演算法作為學習方法的時候，一般成為「波爾茲曼網路」，屬於隨機性神經網路。
在學習BP演算法學習的過程中，需要已經有一部分確定的值作為理想輸出，這就好像中學生在學習的時候，有老師的監督。如果沒有了監督，人工神經網路該怎麼學習？
就像沒有了宏觀調控，自由的市場引入了競爭一樣，有一種學習方法稱作「無監督有競爭的學習」。在輸入神經元i的若干個神經元之間開展競爭，競爭之後，只有一個神經元為1，其他均為0，而對於失敗的神經元，調整使得向對競爭有利的方向移動，則最終也可能在一次競爭中勝利；
人工神經網路還有反饋網路如Hopfield網路，它的神經元的信號傳遞方向是雙向的，並且引入一個能量函數，通過神經元之間不斷地相互影響，能量函數值不斷下降，最後能給出一個能量比較低的解。這個思想和模擬退火差不多。
人工神經網路應用到演算法上時，其正確率和速度與軟體的實現聯系不大，關鍵的是它自身的不斷學習。這種思想已經和馮·諾依曼模型很不一樣。 粒子群優化演算法(PSO)是一種進化計算技術(evolutionary computation)，1995 年由Eberhart 博士和kennedy 博士提出，源於對鳥群捕食的行為研究 。該演算法最初是受到飛鳥集群活動的規律性啟發，進而利用群體智能建立的一個簡化模型。粒子群演算法在對動物集群活動行為觀察基礎上，利用群體中的個體對信息的共享使整個群體的運動在問題求解空間中產生從無序到有序的演化過程，從而獲得最優解。
PSO同遺傳演算法類似，是一種基於迭代的優化演算法。系統初始化為一組隨機解，通過迭代搜尋最優值。但是它沒有遺傳演算法用的交叉(crossover)以及變異(mutation)，而是粒子在解空間追隨最優的粒子進行搜索。同遺傳演算法比較，PSO的優勢在於簡單容易實現並且沒有許多參數需要調整。目前已廣泛應用於函數優化，神經網路訓練，模糊系統控制以及其他遺傳演算法的應用領域。
PSO模擬鳥群的捕食行為。設想這樣一個場景：一群鳥在隨機搜索食物。在這個區域里只有一塊食物。所有的鳥都不知道食物在那裡。但是他們知道當前的位置離食物還有多遠。那麼找到食物的最優策略是什麼呢。最簡單有效的就是搜尋目前離食物最近的鳥的周圍區域。
PSO從這種模型中得到啟示並用於解決優化問題。PSO中，每個優化問題的解都是搜索空間中的一隻鳥。我們稱之為「粒子」。所有的粒子都有一個由被優化的函數決定的適應值(fitness value)，每個粒子還有一個速度決定他們飛翔的方向和距離。然後粒子們就追隨當前的最優粒子在解空間中搜索。
PSO 初始化為一群隨機粒子(隨機解)。然後通過迭代找到最優解。在每一次迭代中，粒子通過跟蹤兩個極值來更新自己。第一個就是粒子本身所找到的最優解，這個解叫做個體極值pBest。另一個極值是整個種群目前找到的最優解，這個極值是全局極值gBest。另外也可以不用整個種群而只是用其中一部分作為粒子的鄰居，那麼在所有鄰居中的極值就是局部極值。 模擬退火，遺傳演算法，禁忌搜索，神經網路在解決全局最優解的問題上有著獨到的優點，並且，它們有一個共同的特點：都是模擬了自然過程。模擬退火思路源於物理學中固體物質的退火過程，遺傳演算法借鑒了自然界優勝劣汰的進化思想，禁忌搜索模擬了人類有記憶過程的智力過程，神經網路更是直接模擬了人腦。
它們之間的聯系也非常緊密，比如模擬退火和遺傳演算法為神經網路提供更優良的學習演算法提供了思路。把它們有機地綜合在一起，取長補短，性能將更加優良。
這幾種智能演算法有別於一般的按照圖靈機進行精確計算的程序，尤其是人工神經網路，是對計算機模型的一種新的詮釋，跳出了馮·諾依曼機的圈子，按照這種思想來設計的計算機有著廣闊的發展前景

㈧ 仿生智能優化演算法(如何用英語翻譯下）謝謝

Biological modelling intelligence optimization algorithm <dnt> </dnt> each indivial has the experience and the wisdom intelligent body in the biological modelling intelligence optimization algorithm, between the indivial has the interaction mechanism, forms the formidable community wisdom through the interaction to solve the complex problem. The biological modelling intelligence optimization optimization algorithm is one kind of probability searching algorithm essentially, it does not need the question the gradient information, has following is different with the traditional optimization algorithm characteristic:①In the community interaction's indivial is distributional, does not have the direct central main body, not because the indivial indivial will present the breakdown to affect the community to the question solution, will have the strong robustness;②Each indivial can only the sensation partial information, indivial ability or follows the rule to be simple, therefore the community intelligence realizes is simple, is convenient;③The system uses in the expenses which corresponds being few, easy to expand;④From the organization sense, namely the community displays the complex behavior is displays the high intelligence alternately through the simple indivial. Biological modelling intelligence optimization algorithm's these characteristics to overcome difficulties which the optimization design domain faced to provide the powerful support.
<dnt> </dnt>Second, a biological modelling intelligence optimization algorithm common ground analyzes [6] <dnt> the </dnt> several kind of biological modelling intelligence optimization algorithm is simulates the nature living system, total dependence organism own instinct, to optimize its survival condition through unconsciousness optimization behavior to adapt an environment kind of new optimized method, thus has many similar characteristics in the structure and the behavior: 1) is a kind of indefinite algorithm, this kind of uncertainty has manifested the nature physiological mechanism, is follows its randomness to come, when solves certain specific questions must surpass the definite method; 2) is a kind of probability algorithm, its main step includes the random factors, can have more opportunities to gain the globally optimal solution; 3) does not rely on the optimal process the optimized question's strict mathematics nature as well as the objective function and the constraints precise mathematics description; 4) is one kind based on community's intelligent optimization algorithm; 5) has the concealment parallelism, can obtain the great income by the few computations; 6) has appears suddenly the nature, its general objective's completion is in the indivial evolution process appears suddenly in the community; 7) has the evolution, its indivial in complex, stochastic, time-variable environment, through enhances its compatibility unceasingly from the study; 8) has robustness, under the different condition and the environment, manifests the formidable compatibility and the validity. Certainly, because in the nature living system's multiplicity and the complexity, these algorithms also displayed the huge difference. But difference existence, also happen to discuss these biological modelling intelligence optimization algorithm the essential attribute, then obtains the biological modelling intelligence algorithm the unified frame pattern, designed a performance better algorithm to provide the rich material.Second, two biological modelling intelligence optimization algorithm unification frame pattern [7] <dnt> the </dnt> biological modelling intelligence optimization algorithm in aspects and so on structure, research content and method and movement pattern manifested the big similarity, has provided the possibility for the establishment biological modelling intelligence optimization algorithm's unified frame pattern.
<dnt> </dnt> forms the community of the indivial, rests on the specific evolution rule, the iteration proces the renewal community (for example genetic algorithm, ant group algorithm) or the indivial position (for example grain of subgroup algorithm, artificial school of fish algorithm, mix leapfrog algorithm), the optimal solution evolves unceasingly along with the community or the migration appears suddenly, this frame pattern may describe is:
<dnt> </dnt>1) establishes various parameters, proces the initial community and calculates the adaptation value;
<dnt> </dnt>2) acts according to the hypothesis rule, the renewal community or its position, has group of solutions, the computation indivial adaptation value;
<dnt> </dnt>3) obtains the community by the indivial adaptation value comparison the optimal-adaptive value and makes the record;
<dnt> </dnt>4) judges the terminal condition whether to satisfy, if satisfies, conclusion iteration; Otherwise, transfers 2).
<dnt> </dnt> in this frame pattern, the one who decides the algorithm performance is community's renewal rule, these hypothesis rule had decided the indivial behavior standards, have the direct biology foundation, constituted the algorithm to be different with other similar unique essences and the bright characteristic.
<dnt> the </dnt> biological modelling intelligence optimization algorithm sets up together the call-board generally, with records the most superior indivial the historical condition. In algorithm execution each iteration, each indivial comparison own condition and call-board condition, and when own condition is superior with it replacement, causes the call-board to record the historical most superior condition throughout. After algorithm iteration conclusion, may read out the optimal solution from the call-board condition and gain the related information

㈨ 仿人智能控制演算法是什麼

過程式控制制對象難以建立精確的數學模型,仿人智能控制以人的思維方式、控制經驗、行為和直覺推理為基礎,避開了求解繁瑣的對象模型或建立腦模型時遇到的種種難題,因此它在過程式控制制中將會顯示出其獨特的優勢;文中詳細討論了應用於過程式控制制中的仿人智能控制演算法;最後,現場應用表明仿人智能控制是過程式控制制中的最佳選擇。
【作者單位】：中國人民解放軍後勤工程學院 重慶400016 (牛鵬輝);中國人民解放軍後勤工程學院 重慶400016(塗亞慶)
【關鍵詞】：過程式控制制;仿人智能控制;控制器
【分類號】：TP18
【DOI】：cnki:ISSN:1007-0257.0.2005-10-016
【正文快照】：
0引言 過程式控制制是工業自動化中一個最重要的分支,它主要針對 所謂六大參數,即溫度、壓力、流量、液位、成分和物性等參 數的控制問題。在過程式控制制中,了解被控對象的動態特性十分 重要,控制系統的設計是依據被控對象的控制要求和動態特性 進行的。過程式控制制涉及的被控對象大多具有以下特點:①被控 對象的動態特性通常是單調曲線,被控量的變化一般比較緩; ②被控對象在動態特性通常存在遲延或純滯後;③被控對象的 動態特性存在穩定的自衡過程,中性穩定的非自衡過程;④被 控對象往往具有諸如飽和、死區、滯環和倒S形等非線形特 性;⑤被控對象往…

全文地址：http://www.cnki.com.cn/Article/CJFDTotal-JZCK200510016.htm