基于仿生学的智能计算浅谈

摘要：本文介绍了仿生学智能计算的自然及数学原理，同时分析了基于仿生学的智能计算的几种经典的算法，最后就仿生学智能计算的发展方向提出了一点个人见解。

关键词：仿生；智能；算法；蚁群算法；遗传算法；人工神经网络

中图分类号：TP183 文献标识码：A 文章编号：1007-9599 (2011) 22-0000-01

Intelligent Computing Based on Bionics

Zhang Guangshun

(School of Information Science,Jiujiang University,Jiujiang 332005,China)

Abstract:This paper describes bionics intelligent computing and mathematical principles of natural,simultaneous analysis of intelligence based on bionic algorithm for the calculation of several classic,and finally the development of intelligent computing the direction of bionics made a personal opinion.

Keywords:Bionic;Intelligent;Algorithm;Ant colony algorithm;Genetic algorithm;Artificial neural network

一、仿生学智能计算的原理

（一）自然原理。达尔文在进化论中提出，大自然中的生物“物竞天择，适者生存”，经历万亿年的进化，在解决生存问题时已经积累了丰富的智慧。人类曾经根据鸟类的飞行发明了滑翔机；根据鱼类的游泳发明了潜艇等。现在人们在智能方面也在向自然界学习。例如根据人类大脑的构造，开创了人工神经网络算法这一重要领域；根据进化论遗传学理论提出了遗传算法等。模仿生物智慧而产生的方法，在解决复杂的问题上已经有了显著的效果。

（二）数学原理。智能计算的多种算法都有坚实的数学基础[1]，可以利用数学方法判定算法的有效性及证明。虽然有些算法现在还未完全严格证明，但其使用效果已经说明了算法的可行性。

很多基于仿生学的智能计算都可以看作是一个Markov链：

一个随机过程X={Xt，t∈T}，可能取到的值空间为S，称为状态空间。若状态Xn+1满足

P{Xn+1=j|X0=i0，X1=i1，…Xn=in}

= P{Xn+1=j|Xn=in}

则称Xn为Markov链。

Markov链是一类概率问题，许多智能计算方法都属于Markov链范畴。

另一个常用的数学工具是图论。图论以图、点及连线为研究对象，利用图论可以验证各种算法的有效性及效率。以经典的0-1背包问题为例，现在使用仿生学原理产生的蚁群算法，效果明显更好[2]。

二、智能算法

（一）群集智能算法。根据自然界中群体性动物合作的研究，人们提出了多种模仿群体智慧的算法。例如根据蚂蚁采食而产生的蚁群算法，根据蜜蜂寻找蜜源而产生的蜂群算法等，这些方法在路径搜索等领域已经取得了很好的应用[3]。现在以蚁群算法为例进行简要分析。

蚂蚁是一种群居性动物，单个蚂蚁很难在自然界存活。但由于群体合作的存在，使蚂蚁成为世界上分布最广泛的物种之一。通过研究发现，蚂蚁在将食物搬回家的过程中，开始时的路径有长有短。但经过大量蚂蚁的路径试探后，最后越来越归于最短的那条路径。

这是因为每只蚂蚁在行进过程中都会产生一种“信息素”，用来给后来的蚂蚁指路。当大量蚂蚁在行进时，不同路径产生的信息素浓度不同。浓度最大的路径表示单位时间内通过的蚂蚁数量最多，这就是最短路径[4]。

这种算法在开始时可以随机选择数值，到最后最佳结果的概率会最大，这就求得了问题的解。蚁群算法在求解图的路径上是一个比较好的方法，具有良好的鲁棒性，且易于并行分布式实现；但是搜索时间较长，开销较大，需要大量的运行才能收敛于解，而且可能会陷入局部最优。

（二）进化算法。模仿生物的进化而产生的算法成为进化算法，主要包括遗传算法、文化算法等。进化算法通过模仿自然界的选择、重组和变异来逐步得到问题更好的解。现在以遗传算法为例，分析算法的特点。

遗传算法通过选定初始种群，利用选择较优解、重组新解、变异、再继续选择的方法，不断演化，直至找到符合条件的解[5]。遗传算法不是以一个初始解开始运算，而是从一系列解开始迭代优化。遗传算法的这一特性，能够在整个解集中寻找全局最优，而不是陷于局部最优。通过一定程度的变异和筛选，可以产生更加适合的解，如同生物的变异和淘汰，能够生存下来的是最适应环境的品种一样。遗传算法能够自组织、自适应和自学习，容错性能更好。但是遗传算法的效率有待提高，将遗传算法和其他算法结合，能更快得到问题的解。

（三）其他算法。根据生物学、医学、心理学等的发展，人们又提出了几种算法，并已得到实际应用。例如人工神经网络、DNA计算、模糊计算等。现以人工神经网络为例进行简要介绍。

人类的大脑皮层约有140亿个神经元。每一个神经元只能进行简单的信息传递或存储，但大量神经元集合在一起，则会产生智能。人工神经网络就是模仿人脑的这一特点，进行信息的处理和问题的求解。人工神经网络的工作方式是学习并实践。人工神经网络通过训练，不断提高正确结果的权值。在实践中人工神经网络系统就会根据已有的学习选择最优的方法，并根据实际情况调整权值。人工神经网络是典型的并行分布式系统，具有良好的容错性，通过不断学习，可以达到较好的分析和识别效果。将人工神经网络应用于模式识别领域，比如人脸识别等，是当前热门的应用方向。

三、小结

本文浅谈基于仿生学的智能计算，简述了自然及数学原理，以及几个方面的具体实现。

自然造物神奇，自然界中还有许多领域待人探索。基于仿生学的智能计算，也才兴起不久，理论和应用等方面尚未完善。目前，有几个方面值得人们研究：一是不断开拓智能计算的领域，寻找新的启发，以新的更有效的算法解决问题；二是在已有算法基础上深入研究，并讲几种已有算法相互融合，提高算法的效率和有效性；三是推进应用，在工业、农业、经济、社会等各个方面都大有可为，能实现更好的效果。

参考文献：

[1]段海滨,张祥银,徐春芳.仿生智能计算[M].北京:科学出版社,2011,19-36

[2]何小锋,马良.求解0-1背包问题的量子蚁群算法[J].计算机工程与应用,2011,47(16):29-31

[3]邹海洋.蚁群算法在智能交通系统中的应用[J].科技信息,2011,19:68

[作者简介]张广顺，九江学院信息学院，讲师，硕士。