人工智能：第五章 计算智能(2)
第五章計(jì)算智能(2)
教學(xué)內(nèi)容：遺傳算法的基本機(jī)理和求解步驟；進(jìn)化策略的算法模型、進(jìn)化策略和遺傳算法的區(qū)別；進(jìn)化編程的機(jī)理與表示和算法步驟；人工生命的起源、發(fā)展、定義和研究意義，及其研究?jī)?nèi)容和方法。
教學(xué)重點(diǎn)：遺傳算法的基本機(jī)理和求解步驟；進(jìn)化策略的算法模型；進(jìn)化編程表示和算法步驟；人工生命的定義、研究?jī)?nèi)容和方法。
教學(xué)難點(diǎn)：遺傳算法的交叉和變異機(jī)制；進(jìn)化編程的表示。
教學(xué)方法：課堂教學(xué)為主，結(jié)合適當(dāng)提問(wèn)，收集學(xué)生學(xué)習(xí)情況。
教學(xué)要求：通過(guò)對(duì)本章的學(xué)習(xí)，使學(xué)生了解三種進(jìn)化算法和人工生命是如何工作的，并初步了解這些算法研究的進(jìn)展和應(yīng)用情況，以及它們的研究意義，掌握主要算法的求解步驟。
生物群體的生存過(guò)程普遍遵循達(dá)爾文的物競(jìng)天擇、適者生存的進(jìn)化準(zhǔn)則；生物通過(guò)個(gè)體間的選擇、交叉、變異來(lái)適應(yīng)大自然環(huán)境。生物染色體用數(shù)學(xué)方式或計(jì)算機(jī)方式來(lái)體現(xiàn)就是一串?dāng)?shù)碼，仍叫染色體，有時(shí)也叫個(gè)體；適應(yīng)能力用對(duì)應(yīng)一個(gè)染色體的數(shù)值來(lái)衡量；染色體的選擇或淘汰問(wèn)題是按求最大還是最小問(wèn)題來(lái)進(jìn)行。
20世紀(jì)60年代以來(lái)，如何模仿生物來(lái)建立功能強(qiáng)大的算法，進(jìn)而將它們運(yùn)用于復(fù)雜的優(yōu)化問(wèn)題，越來(lái)越成為一個(gè)研究熱點(diǎn)。進(jìn)化計(jì)算(evolutionary computation)正是在這一背景下蘊(yùn)育而生的。進(jìn)化計(jì)算包括遺傳算法(genetic algorithms，GA)，進(jìn)化策略(evolution strategies) 、進(jìn)化編程(evolutionary programming) 和遺傳編程(genetic programming)。
人類(lèi)不滿(mǎn)足于模仿生物進(jìn)化行為，希望能夠建立具有自然生命特征的人造生命和人造生命系統(tǒng)。對(duì)人工生命(Artificial Life，ALife)的研究，自1987年起取得了重要進(jìn)展。這是人工智能和計(jì)算智能的一個(gè)新的研究熱點(diǎn)。
5.1 遺傳算法
教學(xué)內(nèi)容：介紹遺傳算法的基本機(jī)理和求解步驟，評(píng)介遺傳算法研究進(jìn)展和應(yīng)用情況。
教學(xué)重點(diǎn)：遺傳算法的基本機(jī)理。
教學(xué)難點(diǎn)：遺傳算法的交叉和變異機(jī)制。
教學(xué)方法：課堂教學(xué)為主，并通過(guò)演示程序sga.exe加深對(duì)遺傳算法的理解。
教學(xué)要求：理解遺傳算法的基本機(jī)理，了解遺傳算法的框圖，掌握一般遺傳算法的主要步驟，初步了解遺傳算法研究的進(jìn)展和應(yīng)用情況。
遺傳算法是模仿生物遺傳學(xué)和自然選擇機(jī)理，通過(guò)人工方式構(gòu)造的一類(lèi)優(yōu)化搜索算法，是對(duì)生物進(jìn)化過(guò)程進(jìn)行的一種數(shù)學(xué)仿真，是進(jìn)化計(jì)算的一種最重要形式。
5.1.1 遺傳算法的基本機(jī)理
霍蘭德提出的遺傳算法通常稱(chēng)為簡(jiǎn)單遺傳算法（SGA）。現(xiàn)以此作為討論主要對(duì)象，加上適應(yīng)的改進(jìn)，來(lái)分析遺傳算法的結(jié)構(gòu)和機(jī)理。在討論中會(huì)結(jié)合銷(xiāo)售員旅行問(wèn)題（TSP）來(lái)說(shuō)明。
1、編碼與解碼
許多應(yīng)用問(wèn)題的結(jié)構(gòu)很復(fù)雜，但可以化為簡(jiǎn)單的位串形式編碼表示。將問(wèn)題結(jié)構(gòu)變換為位串形式編碼表示的過(guò)程叫編碼；而相反將位串形式編碼表示變換為原問(wèn)題結(jié)構(gòu)的過(guò)程叫解碼或譯碼。把位串形式編碼表示叫染色體，有時(shí)也叫個(gè)體。
GA的算法過(guò)程簡(jiǎn)述如下。首先在解空間中取一群點(diǎn)，作為遺傳開(kāi)始的第一代。每個(gè)點(diǎn)（基因）用一個(gè)二進(jìn)制數(shù)字串表示，其優(yōu)劣程度用一目標(biāo)函數(shù)棗適應(yīng)度函數(shù)（fitness function）來(lái)衡量。
遺傳算法最常用的編碼方法是二進(jìn)制編碼。
二進(jìn)制編碼的最大缺點(diǎn)之一是長(zhǎng)度較大，對(duì)很多問(wèn)題用其他主編碼方法可能更有利。其他編碼方法主要有：浮點(diǎn)數(shù)編碼方法、格雷碼、符號(hào)編碼方法、多參數(shù)編碼方法等。
舉例：對(duì)于銷(xiāo)售員旅行問(wèn)題，按一條回路中城市的次序進(jìn)行編碼。從城市w1開(kāi)始，依次經(jīng)過(guò)城市w2，……，wn，最后回到城市w1，我們就有如下編碼表示：
w1 w2 …… wn
由于是回路，記wn+1=w1。它其實(shí)是1，……，n的一個(gè)循環(huán)排列。要注意w1，w2，……，wn是互不相同的。
提問(wèn)：二進(jìn)制編碼存在的缺點(diǎn)是什么?
課后查資料：浮點(diǎn)數(shù)編碼方法、格雷碼、符號(hào)編碼方法、多參數(shù)編碼方法
舉例：銷(xiāo)售員旅行問(wèn)題采用符號(hào)編碼方法。
2、適應(yīng)度函數(shù)
為了體現(xiàn)染色體的適應(yīng)能力，引入了對(duì)問(wèn)題中的每一個(gè)染色體都能進(jìn)行度量的函數(shù)，叫適應(yīng)度函數(shù)（fitness function）。TSP的目標(biāo)是路徑總長(zhǎng)度為最短，自然地，路徑總長(zhǎng)度就可作為TSP問(wèn)題的適應(yīng)度函數(shù)。
適應(yīng)度函數(shù)要有效反映每一個(gè)染色體與問(wèn)題的最優(yōu)解染色體之間的差距。適應(yīng)度函數(shù)的取值大小與求解問(wèn)題對(duì)象的意義有很大的關(guān)系。
舉例：TSP問(wèn)題的適應(yīng)度函數(shù)。
討論：適應(yīng)度函數(shù)如何有效反映每一個(gè)染色體與問(wèn)題的最優(yōu)解染色體之間的差距？
3、遺傳操作
簡(jiǎn)單遺傳算法的遺傳操作主要有有三種:選擇(selection)、交叉(crossover)、變異(mutation)。改進(jìn)的遺傳算法大量擴(kuò)充了遺傳操作，以達(dá)到更高的效率。
選擇操作也叫復(fù)制（reproduction）操作，根據(jù)個(gè)體的適應(yīng)度函數(shù)值所度量的優(yōu)劣程度決定它在下一代是被淘汰還是被遺傳。
交叉操作的簡(jiǎn)單方式是將被選擇出的兩個(gè)個(gè)體P1和P2作為父母?jìng)€(gè)體，將兩者的部分碼值進(jìn)行交換。
變異操作的簡(jiǎn)單方式是改變數(shù)碼串的某個(gè)位置上的數(shù)碼。二進(jìn)制編碼表示的簡(jiǎn)單變異操作是將0與1互換：0變異為1，1變異為0。
5.1.2 遺傳算法的求解步驟
1、遺傳算法的特點(diǎn)
遺傳算法是一種基于空間搜索的算法，它通過(guò)自然選擇、遺傳、變異等操作以及達(dá)爾文適者生存的理論，模擬自然進(jìn)化過(guò)程來(lái)尋找所求問(wèn)題的解答。遺傳算法具有以下特點(diǎn)：
(1) 遺傳算法是對(duì)參數(shù)集合的編碼而非針對(duì)參數(shù)本身進(jìn)行進(jìn)化；
(2) 遺傳算法是從問(wèn)題解的編碼組開(kāi)始而非從單個(gè)解開(kāi)始搜索；
(3)遺傳算法利用目標(biāo)函數(shù)的適應(yīng)度這一信息而非利用導(dǎo)數(shù)或其它輔助信息來(lái)指導(dǎo)搜索；
(4) 遺傳算法利用選擇、交叉、變異等算子而不是利用確定性規(guī)則進(jìn)行隨機(jī)操作。
提問(wèn)：遺傳算法的主要優(yōu)點(diǎn)有哪些？
2、遺傳算法的框圖
簡(jiǎn)單遺傳算法框圖如圖5.2所示。
算法的停止條件最簡(jiǎn)單的有如下二種：（1）完成了預(yù)先給定的進(jìn)化代數(shù)則停止；（2）群體中的最優(yōu)個(gè)體在連續(xù)若干代沒(méi)有改進(jìn)或平均適應(yīng)度在連續(xù)若干代基本沒(méi)有改進(jìn)時(shí)停止。
一般遺傳算法的主要步驟如下：
(1) 隨機(jī)產(chǎn)生一個(gè)由確定長(zhǎng)度的特征字符串組成的初始群體。
(2) 對(duì)該字符串群體迭代的執(zhí)行下面的步(a)和(b)，直到滿(mǎn)足停止標(biāo)準(zhǔn)：
(a)計(jì)算群體中每個(gè)個(gè)體字符串的適應(yīng)值；
(b)應(yīng)用復(fù)制、交叉和變異等遺傳算子產(chǎn)生下一代群體。
(3) 把在后代中出現(xiàn)的最好的個(gè)體字符串指定為遺傳算法的執(zhí)行結(jié)果，這個(gè)結(jié)果可以表示問(wèn)題的一個(gè)解。
根據(jù)遺傳算法思想可以畫(huà)出簡(jiǎn)單遺傳算法框圖5.2。
演示：看例子的演示，觀察SGA是否收斂，參數(shù)對(duì)算法有什么影響。
3、遺傳算法求解舉例
為了便于理解，下面通過(guò)一個(gè)簡(jiǎn)單的例子來(lái)說(shuō)明遺傳算法的主要內(nèi)容及其運(yùn)行步驟。
例：設(shè)，用SGA求
首先用程序SGA.exe對(duì)例2進(jìn)行實(shí)算。
其求解步驟如下：
(1)方案表示用一個(gè)二進(jìn)制矢量表示一個(gè)染色體，由染色體來(lái)代表變量x的實(shí)數(shù)值，每個(gè)染色體的每一位二進(jìn)制數(shù)稱(chēng)為遺傳因子。
(2)群體初始化隨機(jī)產(chǎn)生一定數(shù)量的染色體，每個(gè)染色體為22位字節(jié)的二進(jìn)制數(shù)。
(3)適應(yīng)度函數(shù)適應(yīng)度函數(shù)必須有能力計(jì)算搜索空間中每個(gè)確定長(zhǎng)度的特征字符串的適應(yīng)值。
(4)遺傳操作采用的遺傳操作分別是復(fù)制、交叉和變異。交叉相對(duì)于復(fù)制和變異的不同之處在于：交叉需要兩個(gè)父代染色體配合進(jìn)行，而復(fù)制和變異只需要一個(gè)父代染色體即可進(jìn)行。變異可根據(jù)一定的變異率來(lái)改變一個(gè)或多個(gè)遺傳因子。
(5)算法參數(shù)遺傳算法的主要參數(shù)有群體規(guī)模和算法執(zhí)行的最大代數(shù)目，次要參數(shù)有復(fù)制概率、雜交概率和變異概率等參數(shù)。
5.2 進(jìn)化策略
教學(xué)內(nèi)容：介紹進(jìn)化策略的算法模型、進(jìn)化策略和遺傳算法的區(qū)別。
教學(xué)重點(diǎn)：進(jìn)化策略的算法模型。
教學(xué)難點(diǎn)：沒(méi)有要求。
教學(xué)方法：課堂教學(xué)為主。
教學(xué)要求：了解進(jìn)化策略的算法模型，一般了解進(jìn)化策略和遺傳算法的區(qū)別。
進(jìn)化策略是一類(lèi)模仿自然進(jìn)化原理以求解參數(shù)優(yōu)化問(wèn)題的算法。它是由雷切伯格（Rechenberg）、施韋費(fèi)爾（Schwefel）和彼得·比納特（Peter Bienert）于1964年提出的，并在德國(guó)共同建立的。
5.2.1 進(jìn)化策略的算法模型
最簡(jiǎn)單形式的進(jìn)化策略可描述如下：
(1) 問(wèn)題被定義為尋求與函數(shù)的極值相關(guān)聯(lián)的實(shí)數(shù)n維矢量x，F(x):Rn→R。
(2) 從每個(gè)可能的范圍內(nèi)隨機(jī)選擇父矢量的初始群體，初始試探的分布具有典型的一致性。
(3) 父矢量xi,i=1,…,p通過(guò)加入一個(gè)零均方差的高斯隨機(jī)變量以及預(yù)先選擇x的標(biāo)準(zhǔn)偏差來(lái)產(chǎn)生子代矢量xi。
(4) 通過(guò)對(duì)誤差 (i=1,…,p)排序以選擇和決定保持哪些矢量。那些擁有最小誤差的P矢量成為下一代的新的父代。
(5) 產(chǎn)生新的試驗(yàn)數(shù)據(jù)以及選擇最小誤差矢量的過(guò)程將繼續(xù)到找到符合條件的答案或者所有的計(jì)算已經(jīng)全部完成為止。（舉例說(shuō)明）
舉例：求一個(gè)3維問(wèn)題的最小值。
5.2.2 進(jìn)化策略和遺傳算法的區(qū)別
除了研究和應(yīng)用領(lǐng)域外，進(jìn)化策略和遺傳算法
還有以下區(qū)別：
(1) 進(jìn)化策略和遺傳算法表示個(gè)體的方式不同，
進(jìn)化策略在浮點(diǎn)矢量上運(yùn)行，而遺傳算法一般運(yùn)行在二進(jìn)制矢量上。
(2) 進(jìn)化策略和遺傳算法的選擇過(guò)程不同。
(3) 進(jìn)化策略和遺傳算法的復(fù)制參數(shù)不同，遺傳算法的復(fù)制參數(shù)(交叉和變異的可能性)在進(jìn)化過(guò)程中保持恒定，而進(jìn)化策略時(shí)時(shí)改變它們。
隨著技術(shù)的發(fā)展，進(jìn)化策略和遺傳算法以上的差別越來(lái)越不明顯。
提問(wèn)：進(jìn)化策略和遺傳算法還有什么區(qū)別？
5.3 進(jìn)化編程
教學(xué)內(nèi)容：介紹進(jìn)化編程的機(jī)理與表示及算法步驟。
教學(xué)重點(diǎn)：進(jìn)化編程的機(jī)理與表示。
教學(xué)難點(diǎn)：進(jìn)化編程的表示。
教學(xué)方法：課堂教學(xué)為主，充分利用網(wǎng)絡(luò)課程中的有關(guān)素材及示例程序闡述抽象概念。
教學(xué)要求：了解進(jìn)化編程的機(jī)理與表示，一般了解算法步驟。
進(jìn)化編程又稱(chēng)為進(jìn)化規(guī)劃（Evolutionary Planning），是由福格爾（Fogel）在1962年提出的一種模仿人類(lèi)智能的方法。他們?yōu)橛邢逘顟B(tài)機(jī)的演化而提出進(jìn)化規(guī)劃來(lái)預(yù)測(cè)問(wèn)題。這些狀態(tài)機(jī)的狀態(tài)變換表是通過(guò)對(duì)應(yīng)的離散有界集上進(jìn)行的均勻隨機(jī)變異來(lái)修改的。進(jìn)化編程根據(jù)正確預(yù)測(cè)的符號(hào)數(shù)來(lái)度量適應(yīng)值。通過(guò)變異，為父代群體中的每個(gè)機(jī)器狀態(tài)產(chǎn)生一個(gè)子代。父代和子代中最好的部分被選擇生存下來(lái)。
5.3.1 進(jìn)化編程的機(jī)理與表示
進(jìn)化編程的過(guò)程，可理解為從所有可能的計(jì)算機(jī)程序形成的空間中，搜索具有高的適應(yīng)度的計(jì)算機(jī)程序個(gè)體。在進(jìn)化編程中，可能有幾百或幾千個(gè)計(jì)算機(jī)程序參與遺傳進(jìn)化。
進(jìn)化編程最初由一隨機(jī)產(chǎn)生的計(jì)算機(jī)程序群體開(kāi)始，這些計(jì)算機(jī)程序由適合于問(wèn)題空間領(lǐng)域的函數(shù)所組成，這樣的函數(shù)可以是標(biāo)準(zhǔn)的算術(shù)運(yùn)算函數(shù)、標(biāo)準(zhǔn)的編程操作、邏輯函數(shù)或由領(lǐng)域指定的函數(shù)。群體中每個(gè)計(jì)算機(jī)程序個(gè)體是用適應(yīng)度來(lái)評(píng)價(jià)的，該適應(yīng)值與特定的問(wèn)題領(lǐng)域有關(guān)。
5.3.2 進(jìn)化編程的步驟
進(jìn)化編程可繁殖出新的計(jì)算機(jī)程序以解決問(wèn)題，它分為三個(gè)步驟：
(1) 產(chǎn)生出初始群體，它由關(guān)于問(wèn)題（計(jì)算機(jī)程序）的函數(shù)隨機(jī)組合而成。
(2) 迭代完成下述子步驟，直至滿(mǎn)足選種標(biāo)準(zhǔn)為止：
(a)執(zhí)行群體中的每個(gè)程序，根據(jù)它解決問(wèn)題的能力，給它指定一個(gè)適應(yīng)值。
(b)應(yīng)用變異等操作創(chuàng)造新的計(jì)算機(jī)程序群體。
(3) 在后代中適應(yīng)值最高的計(jì)算機(jī)程序個(gè)體被指定為進(jìn)化編程的結(jié)果。
進(jìn)化編程的基本過(guò)程如圖5.6所示。
進(jìn)化計(jì)算的三種算法棗遺傳算法、進(jìn)化策略和進(jìn)化編程都是模擬生物界自然進(jìn)化過(guò)程而建立的魯棒性計(jì)算機(jī)算法。在統(tǒng)一框架下對(duì)三種算法進(jìn)行比較，可以發(fā)現(xiàn)它們有許多相似之處，同時(shí)也存在較大的差別。進(jìn)化策略和進(jìn)化編程都把變異作為主要搜索算子，而在標(biāo)準(zhǔn)的遺傳算法中，變異只處于次要位置。交叉在遺傳算法中起著重要作用，而在進(jìn)化編程中卻被完全省去，在進(jìn)化策略中與自適應(yīng)結(jié)合使用，起了很重要的作用。標(biāo)準(zhǔn)遺傳算法和進(jìn)化編程都強(qiáng)調(diào)隨機(jī)選擇機(jī)制的重要性，而從進(jìn)化策略的角度看，選擇（復(fù)制）是完全確定的。進(jìn)化策略和進(jìn)化編程確定地把某些個(gè)體排除在被選擇（復(fù)制）之外，而標(biāo)準(zhǔn)遺傳算法一般都對(duì)每個(gè)個(gè)體指定一個(gè)非零的選擇概率。
討論：試考慮進(jìn)化計(jì)算的三種算法棗遺傳算法、進(jìn)化策略和進(jìn)化編程的相似之處和存在的差別。
5.4 人工生命
教學(xué)內(nèi)容：本節(jié)介紹人工生命的起源、發(fā)展、定義和研究意義，及其研究?jī)?nèi)容和方法，并列出幾個(gè)人工生命的實(shí)例。
教學(xué)重點(diǎn)：人工生命的定義、研究?jī)?nèi)容和方法。
教學(xué)難點(diǎn)：人工生命的研究方法。
教學(xué)方法：課堂教學(xué)為主，并及時(shí)提問(wèn)、收集學(xué)生學(xué)習(xí)情況、調(diào)整施教手段。
教學(xué)要求：了解人工生命的定義、研究?jī)?nèi)容和方法，一般了解人工生命的起源和發(fā)展。
人工生命（Artificial Life，AL）試圖通過(guò)人工方法建造具有自然生命特征的人造系統(tǒng)。
進(jìn)化計(jì)算的主要方法，即遺傳算法、遺傳編程和進(jìn)化策略，是開(kāi)發(fā)人工生命系統(tǒng)的有效工具。
5.4.1 人工生命研究的起源和發(fā)展
人類(lèi)長(zhǎng)期以來(lái)一直力圖用科學(xué)技術(shù)方法模擬自然界，包括人腦本身。
人工生命的許多早期研究工作也源于人工智能。20世紀(jì)60年代羅森布拉特研究感知機(jī)，斯塔爾（Stahl）建立細(xì)胞活動(dòng)模型，林登邁耶（Lindenmayer）提出了生長(zhǎng)發(fā)育中的細(xì)胞交互作用數(shù)學(xué)模型。這些模型支持細(xì)胞間的通信和差異。
20世紀(jì)70年代以來(lái)，康拉德（Conrad）等研究人工仿生系統(tǒng)中的自適應(yīng)、進(jìn)化和群體動(dòng)力學(xué)，提出不斷完善的“人工世界”模型。
80年代，人工神經(jīng)網(wǎng)絡(luò)再度興起促進(jìn)人工生命的發(fā)展。在1987年第一次人工生命研討會(huì)上，美國(guó)圣塔菲研究所（Santa Fe Institute，SFI）非線性研究組的蘭頓（Langton）正式提出人工生命的概念，建立起人工生命新學(xué)科。此后，人工生命研究進(jìn)入一個(gè)蓬勃發(fā)展的新時(shí)期。
提問(wèn)：簡(jiǎn)述人工生命和人工智能的關(guān)系。
5.4.2 人工生命的定義和研究意義
人工生命研究是一項(xiàng)抽象地提取控制生物現(xiàn)象的基本動(dòng)態(tài)原理，并通過(guò)物理媒介（如計(jì)算機(jī)）模擬生命系統(tǒng)動(dòng)態(tài)發(fā)展過(guò)程的工作。
1、人工生命的定義
通俗地講，人工生命即人造的生命，非自然的生命。然而，要對(duì)人工生命做出嚴(yán)格的定義，卻需要對(duì)問(wèn)題進(jìn)行深入研究。
1987年蘭德提出的人工生命定義為：“人工生命是研究能夠演示出自然生命系統(tǒng)特征行為的人造系統(tǒng)”。通過(guò)計(jì)算機(jī)或其它機(jī)器對(duì)類(lèi)似生命的行為進(jìn)行綜合研究，以便對(duì)傳統(tǒng)生物科學(xué)起互補(bǔ)作用。地球上存在著由進(jìn)化而來(lái)的碳鏈生命，而人工生命則在“生命之所能”（life-as-it-could-be）的廣泛意象中把“生命之所識(shí)”（life-as-we-know-it）加以定位，為理論生物學(xué)的發(fā)展做出貢獻(xiàn)。蘭德在計(jì)算機(jī)上演示了他們研制的具有生命特征的軟件系統(tǒng)，并把這類(lèi)具有生命現(xiàn)象和特征的人造系統(tǒng)稱(chēng)為人工生命系統(tǒng)。
從各種不同的自然生命的特征和現(xiàn)象中，可以歸納和抽象出自然生命的共同特征和現(xiàn)象，包括但不限于：
（1）自繁殖、自進(jìn)化、自尋優(yōu)。
（2）自成長(zhǎng)、自學(xué)習(xí)、自組織。
（3）自穩(wěn)定、自適應(yīng)、自協(xié)調(diào)。
（4）物質(zhì)構(gòu)造。
（5）能量轉(zhuǎn)換。
（6）信息處理。
如果把人工生命定義為具有自然生命現(xiàn)象和（或）特征的人造系統(tǒng)，那么，凡是具有上述自然生命現(xiàn)象和（或）特征的人造系統(tǒng)，都可稱(chēng)為人工生命。
提問(wèn)：人工生命和自然生命有些什么聯(lián)系？
2、研究人工生命的意義
人工生命是自然生命的模擬、延伸與擴(kuò)展，其研究開(kāi)發(fā)有重大的科學(xué)意義和廣泛的應(yīng)用價(jià)值。
（1）發(fā)基于人工生命的工程技術(shù)新方法、新系統(tǒng)、新產(chǎn)品。
（2）為自然生命的研究提供新模型、新工具、新環(huán)境。
人工生命的研究開(kāi)發(fā)可以為自然生命的研究探索提供新模型、新工具、新環(huán)境。
（3）延伸人類(lèi)壽命、減緩衰老、防治疾病。
（4）擴(kuò)展自然生命，實(shí)現(xiàn)人工進(jìn)化和優(yōu)生優(yōu)育。
（5）促進(jìn)生命科學(xué)、信息科學(xué)、系統(tǒng)科學(xué)的交叉與發(fā)展。
5.4.3 人工生命的研究?jī)?nèi)容和方法
人工生命的研究對(duì)象包括人工動(dòng)物、人工植物和人工人等，而人工人的研究又涉及人工腦和其它人工器官。
1、人工生命的研究?jī)?nèi)容
（1）構(gòu)成生物體的內(nèi)部系統(tǒng)，包括腦、神經(jīng)系統(tǒng)、內(nèi)分泌系統(tǒng)、免疫系統(tǒng)、遺傳系統(tǒng)、酶系統(tǒng)、代謝系統(tǒng)等。
（2）生物體及其群體的外部系統(tǒng)，包括環(huán)境適應(yīng)系統(tǒng)和遺傳進(jìn)化系統(tǒng)等。
人工生命的科學(xué)框架可由下列主要內(nèi)容構(gòu)成：
（1）生命現(xiàn)象仿生系統(tǒng)
（2）生命現(xiàn)象的建模與仿真
（3）進(jìn)化動(dòng)力學(xué)
（4）人工生命的計(jì)算理論和工具
（5）進(jìn)化機(jī)器人
（6）進(jìn)化和學(xué)習(xí)等方面的結(jié)合
（7）人工生命的應(yīng)用
討論：人工生命的研究?jī)?nèi)容與自然生命有何密切聯(lián)系。
2、人工生命的研究方法
從生物體內(nèi)部和外部系統(tǒng)的各種信息出發(fā)，可得到人工生命的不同研究方法，主要可分為兩類(lèi)：
（1）信息模型法。（2）工作原理法。
人工生命的研究技術(shù)途徑也可分為兩種：
（1）工程技術(shù)途徑。 （2）生物科學(xué)途徑。
5.4.4 人工生命的實(shí)例
人工生命的理論可通過(guò)有代表性的研究實(shí)例來(lái)闡述。下面簡(jiǎn)要介紹幾個(gè)比較成功的研究和應(yīng)用范例。
1、人工腦 2、計(jì)算機(jī)病毒 3、計(jì)算機(jī)進(jìn)程
4、細(xì)胞自動(dòng)機(jī) 5、人工核苷酸
思考：什么是人工生命？人工生命包括哪些研究?jī)?nèi)容？其研究方法如何？
5.5 小結(jié)
from: http://netclass.csu.edu.cn/jpkc2003/rengongzhineng/rengongzhineng/jiaoan/chapter5.htm
總結(jié)
以上是生活随笔為你收集整理的人工智能：第五章 计算智能(2)的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。
- 上一篇： 人工智能：第四章 计算智能(1)
- 下一篇： 人工智能：第六章 专家系统