松散的脑袋--群体智能的数学模型

本文从生物进化的角度,将群体中的每只昆虫看成一个神经元,彼此之间通过随机、松散的(软)的连接组成一个神经网络;然后,类似于人工神经网络模拟人类大脑,用"松散"的神经网络来模拟昆虫的群体行为.即建立一个松散的大脑--群体智能的随机结构的神经网络模型.最后,根据所建立的数学模型,分别对"蚂蚁筑巢"和"蜜蜂筑巢"行为进行计算机仿真模拟,以表明上述模型的合理性.     

智能的限定说

“什么是智能”已成为哲学家、脑科学家、心理学家、计算机人工智能(AI)专家所共同面临的挑战。面对这一挑战,AI科学家除了应战别无选择,因为AI发展的历史和现状都已证明,对这一问题的正确回答,关系着AI的方向、成败乃至存亡。本文正是试图从AI的立场出发,借鉴AI的成果、方法,提出关于智能的一种假设,从而深刻揭示人类智能的本质及实现计算机智能模拟和智能化的可能途径。     

对规划理论研究现状的分析

1 引言现在不少人工智能(AI)研究者认为定义人工智能的一种方法就是将它看作是以构建具有智能行为的agent为目标的研究领域。从这种观点看,“agent”实际上就是人工智能的核心。自从80年代后期以来,关于agent理论及应用的研究取得了很大发展,目前agent是主流计算机科学,包括数据通讯、并行系统、机器人、用户接口设计等等的研究人员所讨论的一个主题。构建agent的经典方法是将它们看作特殊类型的基于知识的系统,这就是通常的符号方法,而相应的a-gent则被称为慎思的agent。一个慎思的agent包含对环境的确切描述的符号模型,并且其决策(例如应采取什么行动)都是基于模式识别或符号处理,通过逻辑推     

智能神经网络程序设计语言的研究与实现

将神经网络与逻辑推理统一到面向对象理论中，建立了同时具备神经网络和专家系统特性、融合连接机制和符号机制的智能神经元模型。提出了一种新的程序设计语言——智能神经网络程序语言(NIPL)，实现了神经计算、逻辑推理和数值计算的统一。定义了NIPL的语法，设计并实现了智能神经网络程序设计语言NIPL编译器，从而为开发智能神经网络应用系统提供了有效的手段。     

刍议高级弱人工智能生成作品的著作权归属

1问题的提出 一般而言,人工智能被划分为强人工智能(Strong AI)与弱人工智能(Weak AI),其中强人工智能在传统上又被称为"人工通用智能"(Artificial general intelligence,又称AGI),弱人工智能又称"浅人工智能"(narrow AI).弱人工智能是指仅仅能够胜任非常有限的单一任务的人工智能,顾名思义是学习能力最弱、依靠人的指令对简单任务进行解决的人工智能.此类人工智能不具有自主学习意识,不能对问题进行自主的推演和计算.而高级的弱人工智能能够通过像人类一样的交流互动,再现人类智能的某些方面,虽未具备脱离编程者的算法架构并独立创作算法的能力,但比低级的弱人工智能(Low-Week AI)——如邮箱的拦截功能——表现更为聪敏,适用更为广泛. 当前学界缺乏将人工智能限定在高级弱人工智能范围内专门讨论其对生成作品权利的归属问题.本文对人工智能的探讨与研究将以高级的弱人工智能为基础和前提,切实关注人工智能生成物的著作权归属问题.     

人类进化特征及模型研究

分析和研究了人类进化的基本特征,提出了进化计算模拟的是生物进化机制,粒度进化计算模拟的是文化进化机制的思想.在人类进化的整个过程中,生物进化和文化进化是相互影响的,其中文化进化占支配地位.提出了以 Agent 为技术支撑的粒度进化计算方法,从群进化和超群进化两个方面阐述了粒度进化计算的基本原理和方法,其中群进化是生物进化和文化进化共同作用的结果,并由此提出了基于Agent的人类进化递归模型.     

二进制蚁群进化算法

从生物进化角度将群体中的每只昆虫看成一个神经元，彼此之间通过随机、松散的连接组成一个神经网络；然后类似于人工神经网络模拟蚂蚁群体智能, 提出了一个二元网络. 由于采用二进制编码对单个蚂蚁的智能行为要求比较低，对应的存储空间相对较少，使得算法的效率有较大的提高. 通过测试函数优化和多维0/1 背包问题结果表明该算法具有较好的收敛速度和稳定性，非常好的求解结果.     

浅谈游戏开发中的AI技术

近些年来,在AI(人工智能)技术的推动下,游戏产业发生了革命性的转变。如何更好的将已有的AI(人工智能)技术与游戏开发结合起来,使得游戏极可能多的具有与人类智能行为以及各种思维活动及情感等高度一致的特点,已经成为探索游戏开发中的关键所在。本文,我们即从AI(人工智能)技术的概念入手,分析游戏开发中的AI(人工智能)技术问题。     

智能计算中的热点问题

1 引言人工神经网络研究热潮的再度兴起有其客观的历史背景。50年代以来,以符号机制为代表的经典人工智能形式体系取得了巨大的成功.80年代,当人们对过去30年的成就与问题进行反思时,却不得不承认,智能系统如何从环境中自主学习的问题事实上并未很好地解决。从逻辑的角度讲,以演绎逻辑为基础的算法体系可以发现新的定理,却无法发现新的定律。换句话说,基于符号推理的经典人工智能形式体系在机器定理证明方面的成功和在规则提取方面的失败同属必然。事实上,早在50年代,那些热衷于研究知识发现内在逻辑的人们就已经隐约地意识到,归纳逻辑、尤其是不完全归纳逻辑是通往知识发现的合理途径。Rosenblatt[1957]提出了感知机     

进化大规模脉冲神经网络的发育方法

通过自然进化得到的脑包含几十亿的神经元和几万亿的神经连接,并表现出复杂的智能行为.受生物脑进化与发育的启发,研究者给出了进化神经网络的发育编码方法,特点是通过基因重用可在较小的基因空间中进行大规模神经网络的快速搜索.以人工基因组模型为框架描述基因调控网络,用基因表达的动态特性表示细胞命运特化的发育过程,提出了一种进化大规模脉冲神经网络的发育方法.该方法的特点在于可以快速有效地发育生成脉冲神经元、神经连接和突触可塑性.相应的食物采集进化实验突现了以神经驱动的自主智能体的智能行为,并验证了该方法对大规模脉冲神经网络的进化能力.     

计算智能中若干热点问题的研究与进展

对计算智能中的一些热点问题进行了系统的剖析,重点阐述了前向网络的映射和表达问题、网络的泛化问题、网络的拓扑结构学习问题、网络对于离散点集的全局最优逼近问题、遗传算法和模拟退火算法的研究进展和其中存在的一些共性问题。通过将模拟过程及理论证明过程和真实的生物过程、物理过程及数学逼近过程进行对比分析,揭示了目前引起广泛争议的一些热点问题的产生根源。在提出问题的同时,也提出了一些研究思路和解决方案供研究者     

多媒体技术研究:2017——记忆驱动的媒体学习与创意

目的 借鉴大脑的工作机理来发展人工智能是当前人工智能发展的重要方向之一。注意力与记忆在人的认知理解过程中扮演了重要的角色。由于"端到端"深度学习在识别分类等任务中表现了优异性能,因此如何在深度学习模型中引入注意力机制和外在记忆结构,以挖掘数据中感兴趣的信息和有效利用外来信息,是当前人工智能研究的热点。方法 本文以记忆和注意力等机制为中心,介绍了这些方面的3个代表性工作,包括神经图灵机、记忆网络和可微分神经计算机。在这个基础上,进一步介绍了利用记忆网络的研究工作,其分别是记忆驱动的自动问答、记忆驱动的电影视频问答和记忆驱动的创意（文本生成图像）,并对国内外关于记忆网络的研究进展进行了比较。结果 调研结果表明：1）在深度学习模型中引入注意力机制和外在记忆结构,是当前人工智能研究的热点;2）关于记忆网络的研究越来越多。国内外关于记忆网络的研究正在蓬勃发展,每年发表在机器学习与人工智能相关的各大顶级会议上的论文数量正在逐年攀升;3）关于记忆网络的研究越来越热。不仅每年发表的论文数量越来越多,且每年的增长趋势并没有放缓,2015年增长了9篇,2016年增长了4篇,2017年增长了9篇,2018年增长了14篇;4）基于记忆驱动的手段和方法十分通用。记忆网络已成功地运用于自动问答、视觉问答、物体检测、强化学习、文本生成图像等领域。结论 数据驱动的机器学习方法已成功运用于自然语言、多媒体、计算机视觉、语音等领域,数据驱动和知识引导将是人工智能未来发展的趋势之一。     

伦理智能体及其设计:现状和展望

智能体一直是人工智能的主要研究领域之一,任何独立的能够同环境交互并自主决策的实体都可以抽象为智能体.随着人工智能从计算智能到感知智能,再到认知智能的发展,智能体已逐步渗透到无人驾驶、服务机器人、智能家居、智慧医疗、战争武器等人类生活密切相关的领域.这些应用中,智能体与环境、尤其是与人类和社会的交互愈来愈突出,其中的伦理...     

人工智能在传感器领域的应用

人工智能作为一门正在迅速发展的学科，已被广泛地应用于传感器领域。人工智能与传感器技术相结合构成新型的智能传感器，提高了传感器的智能水平，是智能传感器发展的一个方向。简要介绍了人工智能的四个分支：模糊逻辑、人工神经网络、专家系统、遗传算法在传感器领域的应用。     

游戏开发中智能路径搜索算法的研究

在游戏软件中,人工智能是一个重要而又复杂的模块,而寻路算法是人工智能运用于电子游戏中的最基本问题之一。针对游戏中路径搜索的特点,在对一般搜索算法、常见搜索算法和启发式搜索技术进行详细地分析与研究的基础之上,结合实际应用情况,对A*算法进行了一些优化与改进。     

人工免疫系统研究及其工程应用

人工免疫系统是一种由生物免疫系统启发的学习外界物质的自然防御机理的学习技术。目前,人工免疫系统已开始成为计算智能研究的新领域。本文首先介绍免疫系统的机理,然后给出人工免疫网络模型和免疫学习算法,接着说明人工免疫系统的最新研究成果,最后指出其进一步研究的方向。     

Enaction-Based Artificial Intelligence: Toward Co-evolution with Humans in the Loop

This article deals with the links between the enaction paradigm and artificial intelligence. Enaction is considered a metaphor for artificial intelligence, as a number of the notions which it deals with are deemed incompatible with the phenomenal field of the virtual. After explaining this stance, we shall review previous works regarding this issue in terms of artificial life and robotics. We shall focus on the lack of recognition of co-evolution at the heart of these approaches. We propose to explicitly integrate the evolution of the environment into our approach in order to refine the ontogenesis of the artificial system, and to compare it with the enaction paradigm. The growing complexity of the ontogenetic mechanisms to be activated can therefore be compensated by an interactive guidance system emanating from the environment. This proposition does not however, resolve that of the relevance of the meaning created by the machine (sense-making). Such reflections lead us to integrate human interaction into this environment in order to construct relevant meaning in terms of participative artificial intelligence. This raises a number of questions with regards to setting up an enactive interaction. The article concludes by exploring a number of issues, thereby enabling us to associate current approaches with the principles of morphogenesis, guidance, the phenomenology of interactions and the use of minimal enactive interfaces in setting up experiments which will deal with the problem of artificial intelligence in a variety of enaction-based ways.     

一种基于组合人工智能技术的销售预测模型研究

本文研究出一种适合于销售预测的基于组合人工智能技术的算法模型,并通过煤炭销售的实用实例同BP网络预测模型作了对比。该组合模型很好地弥补了BP网络收敛于局部最优解的缺陷,其先进的求解机理和思想对人工智能应用于其他市场预测有所启发。     

Expert systems in the UK: From AI to KBS

The British have made substantial practical contributions in the development of expert systems. The trend has been one of building from what others, particularly Americans, have done. But the emphasis has been on small-scale and applied solutions to relatively straightforward problems. In this way the theoretical questions of artificial intelligence have been replaced by the more constrained issues of knowledge-based systems and often the most appropriate label for the concerns would be those of rule-based systems. The best known and most successful British rule-based systems solve government administrative problems.