《开放复杂智能系统——基础、概念、分析、设计与实施》—第1章1.2节开放复杂智能系统

  1. 云栖社区>
  2. 博客>
  3. 正文

《开放复杂智能系统——基础、概念、分析、设计与实施》—第1章1.2节开放复杂智能系统

异步社区 2017-05-02 17:12:00 浏览793
展开阅读全文

本节书摘来自异步社区《开放复杂智能系统——基础、概念、分析、设计与实施》一书中的第1章1.2节开放复杂智能系统,作者操龙兵 , 戴汝为,更多章节内容可以访问云栖社区“异步社区”公众号查看。

1.2 开放复杂智能系统
开放复杂智能系统——基础、概念、分析、设计与实施
开放复杂智能系统(Open Complex Intelligent System)是一个比较模糊的、也难以准确定义的概念。本书泛指那些具有开放性特征、与环境之间存在交互、系统成员较多、系统有多个层次、系统可能涉及人的参与的智能系统。这种系统可能是自主系统,也可能是交互式系统。开放复杂智能系统包括“混合智能系统(Hybrid Intelligent System)”、“大规模智能系统(Large Sale/Massive Intelligent System)”,以及本书研究的“开放巨型智能系统(Open Giant Intelligent System)”等。下面分别对这些系统加以简要介绍。

1.2.1 混合智能系统
混合智能系统(Hybridization Intelligent System)是目前国际上研究得比较普遍的一门新兴学科。这个方向当前专门开设有一个国际会议,即混合智能系统国际会议(International Conference on Hybrid Intelligent Systems),到2007年已经是第七届。还有一本期刊专门报道这个领域的进展情况,即International Journal of Hybrid Intelligent Systems1。

混合智能系统的提出是基于当前单个的人工智能方法难以有效地解决一些问题,比如不精确性(Imprecision)、不确定性(Uncertainty)与模糊性(Vagueness),而将多种计算范式(Computing Paradigm)组合起来形成的组合方法(Combined/ Hybrid Approach)则显示出有效性。混合策略提供了一种杠杆作用,可以用于处理当前的技术与方法不足以应付的系统复杂性与性能挑战。

广义而言,混合可以发生在任何两个或多个技术、方法或者学科之间,如科学、商业、工程、自动化、医学、环境、生物学或者社会科学之间。特定地,混合智能系统主要侧重多种智能技术与方法的集成,以实现更加自主、更好的自适应和更强大的智能系统,并有能力处理环境中的物理、逻辑、数据、演化等方面的约束。混合智能系统的研究目标包括新颖的混合方法、方法论、框架的研究,开发自主的、自适应的、演化的混合智能系统与应用等。

混合智能系统主要的研究任务是如何将软计算技术与人工智能技术中多种计算范式进行混合集成,如模糊逻辑(Fuzzy Logic)、神经计算(Neurocomputation)、演化计算(Evoluti-onary Computing)、概率计算(Probabilistic Computing)、多智能体技术(Multi-agent System)、机器学习(Machine Learning)、数据挖掘(Data Mining)等,形成混合智能方法、算法、架构、技术与系统等。这种混合可能是在两种人工智能技术之间进行,也可能是在三种或者更多的技术之间进行,比如将遗传算法、模糊系统与神经系统相结合,形成遗传模糊神经系统。混合还可能发生在人工智能技术与其他相关技术之间,比如将本体工程技术与多智能体技术和数据挖掘技术中的三种以上技术、方法或者模型相结合,形成超智能知识发现系统。

混合智能系统的实现策略非常丰富,通常包括两类混合、三类混合、多类混合方法。同时,根据被集成技术、方法、模型与系统在混合系统中的主导程度,可以将混合方法分为一种方法主导、两种方法主导、多种方法协作等混合模式。比如,混合神经系统是以神经计算为中心,根据需要集成其他人工智能与软计算技术形成的神经集成方法、模型、技术与系统。

混合智能系统技术可以广泛地应用到很多问题与领域中,比如知识管理、企业运营支撑系统的设计、商业智能系统的设计、新型专家系统的设计、混合决策支持系统的设计等。在多智能体与数据挖掘这两个非常活跃的学科中,目前出现了一种新的研究方向与前景,那就是智能体与数据挖掘交互集成(Agent-Data Mining Interaction and Integration)2。智能体与数据挖掘交互集成是指将多智能体技术与数据挖掘技术相结合,形成智能体驱动的数据挖掘技术、数据挖掘驱动的智能体技术、自主智能挖掘技术、挖掘智能体系统等。这个方向目前已经举办了4个国际研讨会,是非常具有前景的,因为无论是多智能体还是数据挖掘本身,在处理复杂的问题求解时,各自都存在一些固有的问题。智能体与挖掘交互集成可以非常好地、互补性地处理这些问题,并提供建设超智能共生体(Super-Intelligent Symbionts)的美好前景,比如一种现实的可能就是建设自主智能挖掘系统。

本书第2.1节对目前混合智能系统的概念、研究内容、方向与策略等进行说明。

1.2.2 大规模多智能体系统
大规模多智能体系统(Large Scale Multi-Agent Systems,也称Massively Multi-Agent System)的研究是近几年来多智能体学术界比较关注的一个问题。目前,有两个国际研讨会专门讨论相关的研究进展与问题,一个是International Workshop on Software Engineering for Large-Scale Multi-Agent Systems,即SELMAS系列。SELMAS系列开始于2002年,主要挂靠在国际软件工程大会下举行。另一个是International Workshop on Massively Multi-Agent Systems,即MMAS系列,开始于2004年。此外,International Workshop on Challenges in the Coordination of Large Scale Multi-Agent Systems专门讨论大规模多智能体系统中的协调问题,至今已经举办两届。

在多智能体研究中,目前的系统往往容易导致错误(Error Prone),伸缩性不够,多为静态的系统。系统或者是在设计时预定义,或者是基于随机即席方法(Ad Hoc)生成。这种系统不能适应动态与运行时变化,规模较小。其结果是,所研究的系统或者技术不能适应现实应用中对“可依赖的(Dependable)、强健的(Robust)、可信任的(Trustable)、可重用的(Reusable)、可伸缩的(Scalable)”的要求。大规模多智能体系统研究期望在这些方面有所贡献。

大规模多智能体系统中多种类型的、成百上千的智能体相互交互,并与环境系统进行交互,形成小型智能体系统(Small Agent System)难以理解、解释或者预测的智能现象与行为。更为复杂的情况,是大量的智能体在网络环境下进行协作(Collaborate)与运行(Operate)。它们必须了解环境与情景,自行或者协作处理环境的不确定性。这就可能增加多智能体之间协作、协商、通信、协调的不精确性与不确定性,从而使得多智能体系统的分析与设计难度加大,并增加导致例外情形的可能性,如安全漏洞(Secure Hole)、违反隐私和出现异常的全局效应。 另外,当用户与这样的系统进行交互时,就可能出现用户难以控制的性能与行为,如自主性不如所料、结果的可信任性不够和出现异常输出等。

大规模智能系统主要的研究内容包括:

软件工程理论基础;
需求工程与软件体系结构;
处理开放性及与环境之间的交互;
协作与移动;
重用;
可依赖性;
经验性评价;
应用。
大规模智能系统的研究还包括其他方面,如建模框架,将智能体抽象与其他现有的软件工程抽象(如面向对象、面向目标、面向方面(Aspect-Oriented)、模式等)进行集成,开发协作与移动方法,满足大规模系统中的可依赖性、可伸缩性、可重用性、可维护性。在第2.2.2节,我们对其中的一些问题进行详细介绍。

1.2.3 开放巨型智能系统
前面关于智能系统的发展趋势的分析谈到,目前智能系统研究在指导思想与技术路线等方面表现出的特点可以归纳为智能系统的综合集成,这个时期所面临的主要研究对象是巨型智能系统的研究。这类复杂智能现象的研究出现了以下 局面。

(1)这种复杂智能现象的坏结构(Ill-Structure)程度不是现有的人工智能手段可以结构化的或逼近的;智能的体现与问题的时空分布性和社会性特点密切相关;系统的复杂性超越了主流的关于智能与思维的模拟的设计思想和理论范畴,需要发挥人的经验与常识知识,以及多学科的交叉融合的知识才可能解决。

(2)上述问题的求解无法仅仅依靠基于还原论指导下所建立的人工智能与智能系统理论、方法与技术体系,也无法采用常规的智能系统的设计策略与技术路线建立问题求解系统。

上述局面是与所研究问题的性质和人工智能发展的时代特点密切相关的。近十多年来,人工智能的研究者深感传统人工智能理论与技术的局限性,从方法论到技术路线的各个层次的反思认识到追求“自主”的紧耦合系统在表现智能行为方面的局限性。加之知识系统与系统科学中关于复杂系统的研究进展,“巨型智能系统”的研究就变成顺理成章的事(戴汝为等,1995)。目前人工智能所面临的复杂智能系统主要是巨型智能系统,这类系统是本书所关注的复杂智能系统的范围。根据文献(钱学森等,1990)的系统分类方法,巨型智能系统可以这样加以描述:

根据组成智能系统的子系统以及子系统种类的多少和它们之间关联关系的复杂程度,若子系统数量非常大(或成千上万、上百亿、万亿),称作巨型系统。若巨系统中子系统种类不太多(几种、几十种),且它们之间关联关系又比较简单,就称作简单巨型系统;如果子系统种类很多并有层次结构,它们之间关联关系又很复杂,就称作复杂巨型系统。如果这个系统又是开放的,就称作开放巨型智能系统。

从巨型智能系统的设计策略(研制过程)与系统结构(问题求解过程)两个方面,可将国内外关于巨型智能系统的研究划分为以下4类(戴汝为等,1995):

封闭巨型智能系统方案(简称封闭型);
半封闭巨型智能系统方案(简称半封闭型);
半开放巨型智能系统方案(简称半开放型);
开放巨型智能系统方案(简称开放型)。
这4类巨型智能系统研究方案的比较见表1.4。

表1.4 巨型智能系统分类比较


8a86cdff494a818f1aec48a521f9115663cbfc34

上述4种类型之间的关系如下。

(1)封闭型与开放型:主要区别在于系统结构是否具有社会性,即智能行为是否是社会性的,相应的系统是自主的还是社会性的;系统的耦合程度不同,封闭型系统是紧耦合的(Feigenbaum,1977),开放型系统是松耦合的(Jennings et al,1998)。

(2)封闭型与半封闭型:主要区别在于系统是否完全自主,半封闭型在系统构造中是社会性的,集成多种技术。

(3)半开放型与开放型:主要区别是人是否是系统组件之一,系统社会性与层次性角色如何。

1http://falklands.globat.com/~softcomputing.net/ijhis/index.html
2参见国际上第一个关于该主题的网站:http://www.agentmining.org
本文仅用于学习和交流目的,不代表异步社区观点。非商业转载请注明作译者、出处,并保留本文的原始链接。

网友评论

登录后评论
0/500
评论
异步社区
+ 关注