基于計(jì)算智能的信息處理技術(shù)的研究與應(yīng)用

劉 偉，田 娥，譚苗苗

(1.北京聯(lián)合大學(xué) 機(jī)電學(xué)院，北京 100020；2.北京智能機(jī)械創(chuàng)新設(shè)計(jì)服務(wù)工程技術(shù)研究中心，北京 100020)

?

基于計(jì)算智能的信息處理技術(shù)的研究與應(yīng)用

劉 偉1,2，田 娥1,2，譚苗苗1,2

(1.北京聯(lián)合大學(xué) 機(jī)電學(xué)院，北京 100020；2.北京智能機(jī)械創(chuàng)新設(shè)計(jì)服務(wù)工程技術(shù)研究中心，北京 100020)

計(jì)算智能是人工智能的重要分支，以數(shù)據(jù)為基礎(chǔ)，主要借鑒連接主義和行為主義的思想，基于生物進(jìn)化和細(xì)胞網(wǎng)絡(luò)等機(jī)制，具有分布、并行、自適應(yīng)、自組織和自學(xué)習(xí)等特點(diǎn)。首先介紹了計(jì)算智能的起源和概念，然后以人工神經(jīng)網(wǎng)絡(luò)、遺傳算法、蟻群算法為例闡述了其原理和應(yīng)用，最后介紹了在新技術(shù)條件下，計(jì)算智能的發(fā)展趨勢(shì)及有待解決的一些問題。

計(jì)算智能；人工神經(jīng)網(wǎng)絡(luò)；遺傳算法；蟻群算法

美國學(xué)者J.C.Bezdekek在1992年首次提出了“計(jì)算智能”的概念，1994年7月，在IEEE首次國際計(jì)算智能大會(huì)上，神經(jīng)網(wǎng)絡(luò)、進(jìn)化計(jì)算以及模糊系統(tǒng)被首次合并在一起，使計(jì)算智能成為了一個(gè)統(tǒng)一的技術(shù)范疇。由于計(jì)算智能的算法具有自學(xué)習(xí)、自組織、自適應(yīng)的特征和簡(jiǎn)單、通用、魯棒性強(qiáng)、易并行處理等特點(diǎn)，因此自誕生以來就被廣泛應(yīng)用于信息安全、模式識(shí)別、數(shù)據(jù)分類與挖掘、優(yōu)化設(shè)計(jì)、故障診斷、機(jī)器學(xué)習(xí)、聯(lián)想記憶和控制等領(lǐng)域[1]。

1 計(jì)算智能的概念

人工智能是相對(duì)于人的自然智能而言的，用人工方法和技術(shù)，模仿、延伸和擴(kuò)展人的智能[2]，分為符號(hào)主義(也稱為邏輯主義)、連接主義(也稱為仿生主義)和行為主義(也稱為進(jìn)化主義)三大學(xué)派。傳統(tǒng)的人工智能是基于符號(hào)主義的，它以知識(shí)為基礎(chǔ)，通過推理進(jìn)行問題求解，也稱為符號(hào)智能。

計(jì)算智能則主要借鑒連接主義和行為主義的思想，基于生物進(jìn)化和細(xì)胞網(wǎng)絡(luò)等機(jī)制，以數(shù)據(jù)為基礎(chǔ)，通過訓(xùn)練建立聯(lián)系，模仿生物體系和人類智能機(jī)制，進(jìn)行問題求解。其特點(diǎn)是以分布式方式存儲(chǔ)信息，以并行方式處理信息，具有自組織及自學(xué)習(xí)能力，善于處理非程序的、非數(shù)值的信息。

20世紀(jì)中葉，符號(hào)智能體系占據(jù)主導(dǎo)地位，有了很大的進(jìn)展。但后期遇到了一些困難，逐漸轉(zhuǎn)入相對(duì)停滯[3]。隨著神經(jīng)網(wǎng)絡(luò)的出現(xiàn)，計(jì)算智能逐漸引起了人們的關(guān)注。

2 計(jì)算智能的典型算法及應(yīng)用

計(jì)算智能與各種數(shù)學(xué)方法相結(jié)合，出現(xiàn)了很多分支。其中比較典型的有人工神經(jīng)網(wǎng)絡(luò)、遺傳算法和蟻群算法。

2.1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)由美國科學(xué)家MCCulloch和Pitts于1943年提出，是連接主義的經(jīng)典代表。它是由大量神經(jīng)元廣泛互連而成的復(fù)雜網(wǎng)絡(luò)系統(tǒng)[4]。

2.1.1 神經(jīng)元及其特性

神經(jīng)元是神經(jīng)網(wǎng)絡(luò)的基本組成單元，其模型如圖1所示。

圖1 神經(jīng)元模型

單個(gè)神經(jīng)元由多個(gè)輸入xi(i=1，2，…，n)和一個(gè)隨時(shí)間t變化的輸出y組成。中間狀態(tài)由輸入信號(hào)的權(quán)和表示，而輸出為

(1)

式中：θj為閾值；wji為連接權(quán)；f為激勵(lì)函數(shù)，是常用線性函數(shù)、S型函數(shù)和閾值型函數(shù)。

2.1.2 人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與特點(diǎn)

人工神經(jīng)網(wǎng)絡(luò)由許多神經(jīng)元組成，具有并行分布結(jié)構(gòu)，分為遞歸(反饋)網(wǎng)絡(luò)和前饋(多層)網(wǎng)絡(luò)兩類。

1)遞歸網(wǎng)絡(luò)

也稱為反饋網(wǎng)絡(luò)，如圖2所示。圖中，Vi表示節(jié)點(diǎn)的狀態(tài)，xi為節(jié)點(diǎn)的輸入(初始)值，xi′為收斂后的輸出值(i=1，2，…，n)。Hopfield網(wǎng)絡(luò)、Elmman網(wǎng)絡(luò)和Jordan網(wǎng)絡(luò)是遞歸網(wǎng)絡(luò)中具有代表性的例子。

圖2 遞歸(反饋)網(wǎng)絡(luò)

2)前饋網(wǎng)絡(luò)

也稱為多層網(wǎng)絡(luò)，如圖3所示。信號(hào)單向流通，不存在同層間的連接。

圖3 前饋(多層)網(wǎng)絡(luò)

前饋網(wǎng)絡(luò)的例子有多層感知器(MLP)、學(xué)習(xí)矢量量化(LVQ)網(wǎng)絡(luò)、小腦模型連接控制(CMAC)網(wǎng)絡(luò)和數(shù)據(jù)處理方法(GMDH)網(wǎng)絡(luò)等。

人工神經(jīng)網(wǎng)絡(luò)的主要學(xué)習(xí)算法包括有師學(xué)習(xí)算法、無師學(xué)習(xí)算法和強(qiáng)化學(xué)習(xí)算法。

2.1.3 人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)在自動(dòng)控制、圖像處理、模式識(shí)別、數(shù)據(jù)挖掘等領(lǐng)域有廣泛的應(yīng)用，其獨(dú)特的結(jié)構(gòu)和信息處理的方法使其表現(xiàn)出了良好的性能。

反向傳播(BP)網(wǎng)絡(luò)利用輸出響應(yīng)與期望輸出之間的誤差作為導(dǎo)師信號(hào)，對(duì)網(wǎng)絡(luò)連接強(qiáng)度進(jìn)行反復(fù)調(diào)節(jié)，當(dāng)參數(shù)適當(dāng)時(shí)，能夠收斂到較小的均方差，主要應(yīng)用于分類、函數(shù)逼近、優(yōu)化預(yù)測(cè)等方面，是目前應(yīng)用最廣的網(wǎng)絡(luò)之一。

自適應(yīng)諧振理論(ART)網(wǎng)絡(luò)能根據(jù)可選參數(shù)對(duì)輸入數(shù)據(jù)進(jìn)行粗略分類，在模式識(shí)別、故障檢測(cè)與診斷、數(shù)據(jù)挖掘等領(lǐng)域應(yīng)用廣泛[5]。具有聚類效果好、自適應(yīng)能力及穩(wěn)定性強(qiáng)、算法簡(jiǎn)單高效的優(yōu)點(diǎn)。

Hopfield網(wǎng)絡(luò)依靠集體協(xié)同能自發(fā)產(chǎn)生計(jì)算行為。它包括主要應(yīng)用于聯(lián)想記憶的離散型網(wǎng)絡(luò)和主要應(yīng)用于優(yōu)化計(jì)算的連續(xù)型網(wǎng)絡(luò)。另外，Hopfield網(wǎng)絡(luò)在圖像識(shí)別、加工車間調(diào)度、LSI優(yōu)化布局及線性系統(tǒng)模型參數(shù)估計(jì)等方面也有廣泛的應(yīng)用[6]。

此外，比較常見的人工神經(jīng)網(wǎng)絡(luò)模型還有：雙向聯(lián)想存儲(chǔ)器(BAM)、博爾茨曼(Boltzmann)機(jī)(BM)、對(duì)流傳播網(wǎng)絡(luò)(CPN)、自組織映射網(wǎng)(SOM)等。

2.2 遺傳算法

遺傳算法是進(jìn)化計(jì)算的一種最重要的形式。它是由美國Michigan大學(xué)的J.Holland教授于1975年模仿生物遺傳學(xué)和自然選擇機(jī)理首先提出的。其主要特點(diǎn)是群體搜索策略和群體之間的信息交換。

2.2.1 遺傳算法的基本機(jī)理

1)基本遺傳算法[7]的數(shù)學(xué)模型

基本遺傳算法可表示為

SGA=(C,E,P0,M,Φ,Γ,Ψ,T)

(2)

式中：C為個(gè)體編碼；E為適應(yīng)度函數(shù)；P0為初始種群；M為種群規(guī)模；Φ為選擇算子；Γ為交叉算子；Ψ為變異算子；T為終止條件。

圖4所示為基本遺傳算法的流程圖。

圖4 遺傳算法的基本流程圖

2)編碼

編碼[7-9]指的是把問題的可行解從解空間轉(zhuǎn)換到搜索空間，反過來則稱為解碼。

常用的編碼準(zhǔn)則是有意義的積木塊編碼規(guī)則和最小字符集編碼規(guī)則。

常見的編碼方法有二進(jìn)制、格雷碼、浮點(diǎn)數(shù)、多參數(shù)級(jí)聯(lián)等編碼規(guī)則。

3)適應(yīng)度函數(shù)

適應(yīng)度函數(shù)是判斷個(gè)體好壞的標(biāo)準(zhǔn)。要求滿足單值、連續(xù)、非負(fù)、最大化、盡可能簡(jiǎn)單等條件。

4)選擇

選擇是指根據(jù)適者生存的原則從當(dāng)前群體中確定可以遺傳到下一代群體中的個(gè)體。它的作用是保持群體的規(guī)模不變，決定算法的進(jìn)化方向。

輪盤賭、隨機(jī)競(jìng)爭(zhēng)、最佳保留等是較常用的選擇方法。

5)交叉

交叉是指互相交換兩個(gè)以一定概率選擇出來的個(gè)體的部分基因，體現(xiàn)了全局搜索能力。

單點(diǎn)交叉、兩點(diǎn)交叉與多點(diǎn)交叉、均勻交叉、算術(shù)交叉等是較常見的交叉方法。

6)變異

變異是指以較小的概率將個(gè)體某個(gè)或某些基因值用其他等位基因來替換，體現(xiàn)了局部搜索能力。

常見的變異方法有基本位變異、均勻變異、邊界變異等。

7)終止條件

如果沒有終止條件，遺傳算法會(huì)反復(fù)迭代下去，無限逼近最優(yōu)解。規(guī)定迭代次數(shù)、控制偏差、檢查適應(yīng)度的變化等是較常見的終止方法。

2.2.2 遺傳算法的應(yīng)用

遺傳算法不依賴于問題的具體領(lǐng)域，因此應(yīng)用非常廣泛。

1)優(yōu)化問題

這是遺傳算法的經(jīng)典應(yīng)用領(lǐng)域，對(duì)于非線性、模型多、目標(biāo)覆蓋廣的函數(shù)優(yōu)化問題和搜索空間受問題規(guī)模制約的組合優(yōu)化問題，遺傳算法比傳統(tǒng)優(yōu)化方法更加有效。比如：使用混合遺傳算法來解決貨船裝載的優(yōu)化問題[10]；應(yīng)用并行遺傳算法求解多目標(biāo)優(yōu)化問題[11]等。

2)生產(chǎn)調(diào)度問題

傳統(tǒng)的數(shù)學(xué)建模方法很難對(duì)付生產(chǎn)過程中出現(xiàn)的復(fù)雜調(diào)度問題，而遺傳算法則可以用來開發(fā)車間生產(chǎn)調(diào)度系統(tǒng)，比如設(shè)計(jì)排產(chǎn)規(guī)則、構(gòu)建排產(chǎn)模型、建立最小化完工時(shí)間[12]等。

3)自動(dòng)控制領(lǐng)域

遺傳算法主要用于離線設(shè)計(jì)分析和在線自適應(yīng)調(diào)節(jié)。比如在電力系統(tǒng)中進(jìn)行負(fù)荷檢測(cè)，遏制超調(diào)量的過高；改變模糊控制器參數(shù)，實(shí)現(xiàn)模糊控制的在線自動(dòng)優(yōu)化。

除了以上3個(gè)方面外，遺傳算法在機(jī)器學(xué)習(xí)、圖像處理、人工生命和數(shù)據(jù)挖掘等方面也有廣泛的應(yīng)用。

2.3 蟻群算法

蟻群算法是由意大利學(xué)者Dorigo等人在1991年受蟻群尋找食物過程中發(fā)現(xiàn)路徑的行為的啟發(fā)提出的[13-14]。它具有全局尋優(yōu)、信息正反饋、啟發(fā)式搜索和分布式計(jì)算等特征，在求解TSP[15-16]、job-shop調(diào)度[17-18]和資源二次分配[19]等復(fù)雜優(yōu)化問題特別是離散優(yōu)化問題方面具有優(yōu)勢(shì)。

2.3.1 蟻群算法基本原理

研究發(fā)現(xiàn)，螞蟻運(yùn)動(dòng)時(shí)會(huì)在它所經(jīng)過的路徑上留下外激素，某一路徑上越多的螞蟻?zhàn)哌^，留下的外激素就越多，其濃度就越大。

以求解n個(gè)城市的TSP問題為例來說明蟻群算法的系統(tǒng)模型[20]。假設(shè)螞蟻個(gè)數(shù)為m，τij(t)表示t時(shí)刻路徑ij上外激素的濃度，并且τij(0)=C(常數(shù))。

螞蟻k運(yùn)動(dòng)時(shí)，轉(zhuǎn)移概率取決于外激素的濃度，即

(3)

式中：allowedk={0，1，…，n-1}表示螞蟻k下一步允許選擇的城市。用tabuk(k=1，2，…，m)來記錄螞蟻及目前已經(jīng)走過的城市。

外激素濃度會(huì)逐漸降低，螞蟻每完成一次循環(huán)，各路徑上信息量需作調(diào)整，即

τij(t+n)=(1-ρ)·τij(t)+Δτij

(4)

(5)

(6)

式中：Q是常數(shù)；Lk表示螞蟻k在本次循環(huán)中所走過路徑的長度。

蟻群算法流程圖如圖5所示。

圖5 蟻群算法流程圖

2.3.2 蟻群算法的應(yīng)用

經(jīng)過20多年的發(fā)展，蟻群算法被持續(xù)改進(jìn)，出現(xiàn)了很多改進(jìn)的版本，比如多態(tài)蟻群算法[21]、帶聚類處理的蟻群算法[22]、連續(xù)正交蟻群算法[23]等等，其應(yīng)用領(lǐng)域也在不斷擴(kuò)大，尤其是在解決NP組合優(yōu)化問題中顯示出優(yōu)越性。

1)車間作業(yè)調(diào)度問題

這個(gè)問題的本質(zhì)是在時(shí)間上合理分配系統(tǒng)的有限資源，在滿足一些約束條件的同時(shí)，達(dá)到某些目標(biāo)的最優(yōu)化。蟻群算法在解決工序車間問題[24]、排列流車間問題[25]、單機(jī)器總延遲問題[26]、資源受限項(xiàng)目調(diào)度問題[27]、組車間調(diào)度問題[28]等方面取得了良好的效果。

2)車輛路徑問題

這是運(yùn)輸組織優(yōu)化的核心問題，要求車輛有序地經(jīng)過一系列客戶點(diǎn)，在滿足一定約束的條件下，使總運(yùn)輸成本最小。蟻群算法在解決車輛路徑問題方面有眾多的研究成果，比如多車場(chǎng)車輛路徑問題[29]、周期性車輛路徑問題[30]、分離配送車輛路徑問題[31]、隨機(jī)需求車輛路徑問題[32]、有時(shí)間窗的車輛路徑問題[33]等。

除上述兩個(gè)領(lǐng)域之外，蟻群算法在二次分配問題[34]、網(wǎng)絡(luò)路由優(yōu)化[35]、最短公超序問題[36]以及系統(tǒng)辨識(shí)[37]等方面也有廣泛的應(yīng)用。

3 計(jì)算智能的發(fā)展

由于具有分布、高度并行、自學(xué)習(xí)、自組織、自適應(yīng)等特性，計(jì)算智能在信息處理領(lǐng)域得到了廣泛的應(yīng)用。然而隨著工業(yè)4.0時(shí)代的到來和互聯(lián)網(wǎng)技術(shù)的迅猛發(fā)展，計(jì)算智能也面臨著很多有待于進(jìn)一步研究和解決的理論和應(yīng)用問題。

1)計(jì)算智能各種算法的參數(shù)選擇現(xiàn)階段還主要依賴于實(shí)驗(yàn)或經(jīng)驗(yàn)，缺乏堅(jiān)實(shí)的數(shù)學(xué)基礎(chǔ)。因此，對(duì)各種算法的工作機(jī)理、數(shù)學(xué)基礎(chǔ)和動(dòng)力學(xué)特性等需要進(jìn)一步深入研究，這是計(jì)算智能的基石。

2)更好地接近人腦智能和更好地模擬自然現(xiàn)象本質(zhì)的新的智能模擬算法將成為發(fā)展方向之一。各學(xué)科不斷交叉發(fā)展，對(duì)人腦的模糊邏輯思維、空間想象和形象思維等人類智慧的研究進(jìn)一步加深，必然推動(dòng)新的智能模擬算法的出現(xiàn)和發(fā)展。

3)計(jì)算智能各種智能算法的融合將是發(fā)展的一個(gè)趨勢(shì)。各種不同的算法，各有其特長與局限，對(duì)不同的算法進(jìn)行比較融合，使其優(yōu)勢(shì)互補(bǔ)，就有可能得到更強(qiáng)大的計(jì)算能力。比如模糊邏輯和遺傳算法融合形成的模糊遺傳算法和神經(jīng)網(wǎng)絡(luò)融合形成的模糊神經(jīng)網(wǎng)絡(luò)，遺傳算法和神經(jīng)網(wǎng)絡(luò)融合形成的遺傳神經(jīng)網(wǎng)絡(luò)等都比原來的算法表現(xiàn)出了更好的性能，并進(jìn)一步擴(kuò)展了應(yīng)用范圍。

4)大數(shù)據(jù)時(shí)代的到來，也給計(jì)算智能的發(fā)展帶來新的挑戰(zhàn)與機(jī)遇。因?yàn)槊鎸?duì)多樣、多變的海量數(shù)據(jù)，計(jì)算智能的算法直接在數(shù)據(jù)上進(jìn)行分析和處理，不依賴于知識(shí)，不需要問題的精確建模，因此適用于大數(shù)據(jù)分析；計(jì)算智能中的模糊邏輯、粗糙集等方法能夠?qū)Σ煌耆?、不確定的數(shù)據(jù)進(jìn)行有效處理，增強(qiáng)了分析結(jié)果的客觀性和精確性；計(jì)算智能算法具有啟發(fā)式特征，有高度的自組織、自適應(yīng)、泛化和抽象的能力，在解決海量數(shù)據(jù)所帶來的大規(guī)模復(fù)雜問題方面表現(xiàn)出了良好的性能。

4 結(jié)束語

計(jì)算智能是一門涉及計(jì)算機(jī)科學(xué)、物理學(xué)、數(shù)學(xué)、生理學(xué)、心理學(xué)、神經(jīng)科學(xué)等的交叉學(xué)科，它將不同的學(xué)科緊密聯(lián)系起來，受到了各學(xué)科領(lǐng)域越來越多的關(guān)注。與傳統(tǒng)方法相比，計(jì)算智能更適于解決一些大規(guī)模的復(fù)雜問題。在人類社會(huì)已經(jīng)進(jìn)入以大數(shù)據(jù)、云計(jì)算、物聯(lián)網(wǎng)等技術(shù)為代表的智能化時(shí)代的背景下，計(jì)算智能的應(yīng)用前景必然會(huì)越來越廣闊。

[1] 蘇建元.計(jì)算智能主要算法的比較與融合[J].中國電子科學(xué)研究院學(xué)報(bào), 2007(1):52-56.

[2] 史忠植.高級(jí)人工智能[M].北京:科學(xué)出版社,1998.

[3] 董聰,郭曉華.智能計(jì)算中的熱點(diǎn)問題[J].計(jì)算機(jī)科學(xué), 1999, 26(4):5-9.

[4] CHUANG J H, WANG P H. Automatic classification of block-shaped parts based on their 2D projections [J]. Computers & industrial engineering 1999, 36 (3):697-718.

[5] 高曉紅. ART神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用[J].電腦知識(shí)與技術(shù), 2007( 20):509-526.

[6] 郭鵬. Hopfield網(wǎng)絡(luò)在優(yōu)化計(jì)算中的應(yīng)用[J].計(jì)算機(jī)仿真, 2002( 11): 22-25.

[7] 周明,孫樹棟.遺傳算法原理及應(yīng)用[M].北京：國防工業(yè)出版社,1999.

[8] 雷英杰,張善文,李續(xù)武.MATLAB遺傳算法工具箱及應(yīng)用[M].西安:西安電子科技大學(xué)出版社,2005.

[9] 云慶夏,黃光球,王戰(zhàn)權(quán).遺傳算法和遺傳規(guī)劃——一種搜索尋優(yōu)技術(shù)[M].北京:冶金工業(yè)出版社,1997.

[10] 朱瑩,向先波,楊運(yùn)桃.基于混合遺傳算法的雜貨船裝載優(yōu)化問題[J].中國船艦研究, 2015, 10(6):126-132.

[11] 潘欣.種群分布式并行遺傳算法解化工多目標(biāo)優(yōu)化問題[J].化工進(jìn)展, 2015,34(5): 1236-1240.

[12] 韋勇福,曾盛綽.基于遺傳算法的車間生產(chǎn)調(diào)度系統(tǒng)研究[J].裝備制造技術(shù), 2014(11) :205-207.

[13] COLORNI A, DORIGO M, MANIEZZO V. Distributed optimization by ant colonies[C]//Proc. the First European Conference on Artificial Life. Paris: Elsevier Publishing,1991:134-142.

[14] DORIGO M. Optimization, learning and natural algorithms[D]. Milano,Italy:Politecnico di Milano,1992.

[15] DORIGO M, GAMBARDELLA L M. Ant colony system: a cooperative learning approach to traveling salesman problem[J]. IEEE transactions on evolutionary computing, 1997, 1(1):53-56.

[16] SONG Xuemei, LI Bing, YANG Hongmei, et al. Improved ant colony algorithm and its applications in TSP[C]//Proc. the Sixth International Conference on Intelligent Systems Design and Applications. Washington, DC, USA: IEEE Computer Society, 2006:1145-1148.

[17] COLORNI A, DORIGO M, MANIEZZO V. Ant colony system for job-shop scheduling[J]. Belgian journal of operations research statistics and computer science,1994,34(1):39-53.

[18] ZHANG J, HU X M, TAN X, et al. Implementation of an ant colony optimization technique for job shop scheduling problem[J]. Transactions of the institute of measurement and control,2006,28(1),93-108.

[19] MANIEZZO V, COLORNI A. The ant system applied to the quadratic assignment problem[J]. IEEE transactions knowledge and data engineering, 1999,1(5): 769-778.

[20] 黃席樾,張著洪,何傳江.現(xiàn)代智能算法理論及應(yīng)用[M].北京:科學(xué)出版社,2005.

[21] 徐精明,曹先彬,王煦法.多態(tài)蟻群算法[J].中國科學(xué)技術(shù)大學(xué)學(xué)報(bào),2005,35(1):59-65.

[22] 胡小兵,黃席樾.對(duì)一類帶聚類特征TSP問題的蟻群算法求解[J].系統(tǒng)仿真學(xué)報(bào),2004,16(2):2683-2686.

[23] HU X M, ZHANG J, LI Y. Orthogonal methods based ant colony search for solving continuous optimization problems[J]. Journal of computer science and technology, 2008, 23(1):2-18.

[24] COLORNI A, DORIGO M, MANIEZZO V. Ant system for job-shop scheduling[J]. Belgian journal of operations research, statistics and computer science,1994(34):39-53.

[25] STüTZLE T, INTELLEKTIK F, INFORMATIK F, et al. An ant approach to the flow shop problem[C]//Proc. European Congress on Intelligent Techniques & Soft Computing. [S.l.]：IEEE, 1997:1560-1564.

[26] BAUCER A, BULLNHEIMER B, HARTL R F, et al. Minimizing total tardiness on a single machine using ant colony optimization[J]. Central European journal for operations research and economics, 2000, 8(2):125-141.

[27] MERKLE D, MIDDENDORF M. An ant algorithm with a new pheromone evaluation rule for total tardiness problems [J]. Real world applications of evolutionary computing, 2000(1803):287-296.

[28] BLUM C. ACO applied to group shop scheduling: a case study on intensification and diversification [J]. Proceeding of ANTS 2002, 2002(2463):14-27.

[29] SALHI S, SARI M. A multi-level composite heuristic for the multi-depot vehicle fleet mix problem [J]. European journal for operations research, 1997, 103(1):95-112.

[30] ANGELELLI E, SPERANZA M G. The periodic vehicle routing problem with intermediate facilities[J]. European journal for operations research, 2002, 137(2):233-247.

[31] HO S C, HAUGLAND D. A tabu search heuristic for the vehicle routing problem with time windows and split deliveries [J]. Computers & operations research, 2004, 31(12): 1947- 1964.

[32] SECOMANDI N. Comparing neuro-dynamic programming algorithms for the vehicle routing problem with stochastic demands[J]. Computers & operations research, 2000,27(11): 1201-1225.

[33] NANRY W P, BARNES J W. Solving the pickup and delivery problem with time windows using reactive tabu search [J]. Transportation research part B, 2000,34(2):107-121.

[34] YAGIURA M, IBARAKI T, GLOVER F. An ejection chain approach for the generalized assignment problem[J]. Informs journal on computing, 2002,16(2):133-151.

[35] CARO G D, DORIGO M. AntNet: distributed stigmergetic control for communications networks [J]. Journal of artificial intelligence research, 1998,9(2):317-365.

[36] MICHEL R, MIDDENDORF M. An ACO algorithm for the shortest common supersequence problem[J]. McgrawHillS advanced topics in computer science series, 1999(20):51-62.

[37] WANG L, WU Q D. Linear system parameters identification based on ant system algorithm [C]//Proc. the IEEE Conference on Control Applications,2001.[S.J.]:IEEE,2001：410-406.

責(zé)任編輯：薛 京

Research and application of information processing technology based on computational intelligence

LIU Wei1,2，TIAN E1,2，TAN Miaomiao1,2

(1.CollegeofMechanical&ElectricalEngineering,BeijingUnionUniversity，Beijing100020,China;2.BeijingEngineeringResearchCenterofSmartMechanicalInnovativeDesignService，Beijing100020,China)

As an important branch of artificial intelligence, computational intelligence based on data and biological evolution and cellular network has some characteristics mainly including distribution, parallel processing, self-adaption, self-organization and self-learning, which mainly used the experience of connectionism and behaviorism. Firstly, the origin and concept of computational intelligence are introduced. Secondly, with the artificial neural network, genetic algorithm, ant colony algorithm as an example, the principle and application of the system are described. Finally, the development trend of computational intelligence and some problems to be solved under the condition of new technology are introduced.

computational intelligence; artificial neural network; genetic algorithm; ant colony algorithm

劉偉，田娥，譚苗苗.基于計(jì)算智能的信息處理技術(shù)的研究與應(yīng)用[J]. 電視技術(shù)，2016,40(12)：51-56. LIU W，TIAN E，TAN M M.Research and application of information processing technology based on computational intelligence[J]. Video engineering，2016,40(12)：51-56.

TN92

B

10.16280/j.videoe.2016.12.010

北京市教育委員會(huì)科研計(jì)劃面上項(xiàng)目(KM201511417001)；北京市屬高等學(xué)校高層次人才引進(jìn)與培養(yǎng)計(jì)劃項(xiàng)目(CCT&-TCD201404093)

2016-08-30