人工智能第五章.ppt

1、人 工 智 能 原 理 Artificial Intelligence Principle,信息工程学院 张永梅,第5章 计算智能(2),进化计算 人工生命,第五章 计算智能(2),5.1 遗传算法 5.2 进化策略 5.3 进化编程 5.4 人工生命,第五章 计算智能(2),作业：5-2，5-7，5-9,答疑时间及地点,答疑时间 ：每周四5、6节 答疑地点：三教2604 电子邮件： 联系方式： 13810842037,第四章 计算智能(1),4.1 概述 4.2 神经计算 4.3 模糊计算,计算智能涉及神经网络、模糊逻辑、进化计算和人工生命等领域，它的研究和发展反映了当代科学技术多学科交叉与

2、集成的重要发展趋势。,计算智能是借鉴仿生学的思想，基于人们对生物体智能机理的认识，采用数值计算的方法去模拟和实现人类的智能。,计算智能是一种以模型（计算模型、数学模型）为基础，以分布、并行计算为特征的自然智能模拟方法。,进化计算（Evolutionary Computation, EC）包括： 遗传算法(genetic algorithms，GA) 进化策略(evolution strategies) 进化编程(evolutionary programming) 遗传编程(genetic programming),人类不满足于模仿生物进化行为，希望能够建立具有自然生命特征的人造生命和人造生命系

3、统。,人工生命是人工智能和计算智能的一个新的研究热点。,进化计算是一种对人类智能的演化模拟方法，它是通过对生物遗传和演化过程的认识，用进化算法去模拟人类智能的进化规律的。,人工生命(Artificial life，AL)是通过人工模拟生命系统，来研究生命的领域。 人工生命的概念，包括两个方面内容：（1）属于计算机科学领域的虚拟生命系统，涉及计算机软件工程与人工智能技术；（2）基因工程技术人工改造生物的工程生物系统，涉及合成生物学技术。 AL是首先由计算机科学家Christopher Langton于1987年在Los Alamos National Laboratory召开的“生成以及模拟生命

4、系统的国际会议“上提出。,世界首个人工生命结构诞生,中新网2010年5月22日电 综合媒体报道，美国克莱格.文特尔研究所一个有华人参与的研究团队宣布，在实验中制造出世界首个完全由人造基因指令控制的人造生命，使人类的能力拓展到可以操纵自然世界，将来可制造有特殊功能的生物，在生产疫苗及洁净能源等领域大派用场。,由美国生物学家文特尔领导的研究团队，重塑“丝状支原体丝状亚种”(Mycoplasma mycoides)这种微生物的DNA，并将新DNA 片段“黏”在一起，植入另一种山羊支原体中。新生命于2010年4月诞生，昵称“Synthia”(合成体)，这种微生物由蓝色细胞组成，能够生长、繁殖，细胞分裂

5、了逾10亿次，产生一代又一代的人造生命。植入的DNA 片段包含约850个基因，而人类DNA图谱上共有约2万个基因。,进化计算（Evolutionary Computation,EC）包括： 遗传算法(genetic algorithms，GA) 进化策略(evolution strategies) 进化编程(evolutionary programming) 遗传编程(genetic programming),其中，遗传算法是进化计算中最初形成的一种具有普遍影响的模拟进化优化算法。因此我们主要讨论遗传算法。,进化计算是一种模拟自然界生物进化过程与机制进行问题求解的自组织、自适应的随机搜索技术。

6、它将生物进化过程中的繁殖（Reproduction）变异（Mutation）竞争（Competition）选择（Selection） 引入到了算法中。,什么是进化计算,进化计算的生物学基础自然界生物进化过程是进化计算的生物学基础，它主要包括:,遗传(Heredity) 变异(Mutation) 进化(Evolution)理论,生物进化与遗传算法,遗传算法(Genetic Algorithm),达尔文进化论：“物竞天择、适者生存” 。,70年代由美国的密执根大学的Holland在他的著作Adaptation in Natural and Artificial Systems首次提出遗传算法，并主

7、要由他和他的学生发展起来。,近年来，遗传算法作为一种有效的工具，已广泛地应用于最优化问题求解之中。,第五章 计算智能(2),5.1 遗传算法 5.2 进化策略 5.3 进化编程 5.4 人工生命,5.1 遗传算法,遗传算法是模仿生物遗传学和自然选择机理，通过人工方式所构造的一类优化搜索算法，是对生物进化过程进行的一种数学仿真，是进化计算的最重要的形式。,遗传算法为那些难以找到传统数学模型的难题指出了一个解决方法。,进化计算和遗传算法借鉴了生物科学中的某些知识，这也体现了人工智能这一交叉学科的特点。,5.1 遗传算法,遗传算法的起源,自然界所提供的答案是经过漫长的自适应遗传过程获得的结果。,我们

8、也可以利用这一过程本身去解决一些复杂的问题。,遗传算法的研究主要集中在以下几个方面：函数优化、组合优化生产调度、自动控制、机器人学、图像处理、人工生命、演化编程和机器学习。,5.1.1 遗传算法的基本机理,霍兰德的遗传算法通常称为简单遗传算法（Simple Genetic Algorithm , SGA）。现以此作为讨论主要对象，加上适应的改进，来分析遗传算法的结构和机理。,5.1 遗传算法,编码与解码,适应度函数,遗传操作,5.1.1 遗传算法的基本机理,5.1 遗传算法,基本思想是从初始种群出发，采用优胜劣汰、适者生存的自然法则选择个体，并通过杂交、变异来产生新一代种群，如此逐代进化，直到

9、满足目标为止。,遗传算法的基本概念,遗传算法（Genetic Algorithm）是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。,5.1.1 遗传算法的基本机理,5.1 遗传算法,遗传算法的基本概念,遗传算法是从代表问题可能潜在的解集的一个种群（population）开始的，而一个种群则由经过基因（gene）编码的一定数目的个体（individual）组成。初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代（generation）演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度（fitness）大小挑选（selection

10、）个体，并借助于自然遗传学的遗传算子（genetic operators）进行组合交叉（crossover）和变异（mutation），产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码（decoding），可以作为问题近似最优解。,5.1.1 遗传算法的基本机理,5.1 遗传算法,遗传算法的基本概念,遗传算法是一类可用于复杂系统优化的具有鲁棒性的搜索算法，与传统的优化算法相比，主要有以下特点：,1、遗传算法以决策变量的编码作为运算对象。传统的优化算法往往直接决策变量的实际值本身，而遗传算法处理决策变量的某种编码形式，使得我

11、们可以借鉴生物学中的染色体和基因的概念，可以模仿自然界生物的遗传和进化机理，也使得我们能够方便地应用遗传操作算子。,2、遗传算法直接以适应度作为搜索信息，无需导数等其它辅助信息。,3、遗传算法使用多个点的搜索信息，具有隐含并行性。,4、遗传算法使用概率搜索技术，而非确定性规则。,5.1.1 遗传算法的基本机理,5.1 遗传算法,基本思想是从初始种群出发，采用优胜劣汰、适者生存的自然法则选择个体，并通过杂交、变异来产生新一代种群，如此逐代进化，直到满足目标为止。,遗传算法的基本概念,种群（Population）：种群是初始给定的多个解的集合。它一般是整个搜索空间的一个很小的子集。,个体（Indi

12、vidual）：个体是指种群中的单个元素。一个个体也就是搜索空间中的一个点。,染色体（Chromos）：由多个基因组成，表示一个个体。染色体是指对个体进行编码后所得到的编码串。染色体中的每1位称为基因，染色体上由若干个基因构成的一个有效信息段称为基因组。,适应度（Fitness）函数：适应度函数是一种用来对种群中各个个体的环境适应性进行度量的函数。其函数值是遗传算法实现优胜劣汰的主要依据。,5.1.1 遗传算法的基本机理,5.1 遗传算法,遗传算法的基本概念,适应度(fitness)借鉴生物个体对环境的适应程度，而对问题中的个体对象所设计的表征其优劣的一种测度 适应度函数(fitness fu

13、nction) 问题中的全体个体与其适应度之间的一个对应关系 一般是一个实值函数 该函数就是遗传算法中指导搜索的评价函数,5.1.1 遗传算法的基本机理,5.1 遗传算法,遗传算法的基本概念,染色体(chromosome) 染色体是由若干基因组成的位串（生物学） 个体对象由若干字符串组成来表示（遗传算法）,个体 染色体9 - 1001（2，5，6）- 010 101 110,遗传算法(genetic algorithm) 染色体就是问题中个体的某种字符串形式的编码表示 染色体以字符串来表示 基因是字符串中的一个个字符,5.1.1 遗传算法的基本机理,5.1 遗传算法,遗传算法的基本概念,编码与

14、解码,将问题结构变换为位串形式编码表示的过程叫编码；,将位串形式编码表示变换为原问题结构的过程叫解码或译码。,Huffman编码方法是一种效率高、方法简单的编码。信源中符号出现的概率相差越大，Huffman编码效果越好。,哈夫曼（Huffman）编码,Huffman编码一般可将数据压缩20%至90%，其压缩效率取决于被压缩数据的特征。,（1）把信源符号xi(i=1,2,N)按出现概率的值由小到大的顺序排列；,Huffman编码步骤,（2）对两个概率最小的符号分别分配以“0”和“1”，然后把这两个概率相加作为一个新的辅助符号的概率；,（3）将这个新的辅助符号与其他符号一起重新按概率大小顺序排列；

15、,（4）跳到第2步，直到出现概率相加为1为止；,Huffman编码步骤,（5）用线将符号连接起来，从而得到一个码树，树的N个端点对应N个信源符号；,（6）从最后一个概率为1的节点开始，沿着到达信源的每个符号，将一路遇到的二进制码“0”或“1”顺序排列起来，就是端点所对应的信源符号的码字。,Huffman编码方法,例如：信源符号分布为：a:4/22 b:3/22 c:2/22d:1/22 e:5/22 f:7/22,排序为：d, c, b, a, e, f1/22 2/22 3/22 4/22 5/22 7/22,Huffman编码方法,c,b,a,f,e,7/22,5/22,4/22,2/22

16、,1,0,f=11 e=01 a=00 b=101 c=1001 d=1000,d,1/22,3/22,6/22,22/22,13/22,9/22,3/22,1,0,1,0,1,0,1,0,哈夫曼解码,在通信中，若将字符用哈夫曼编码形式发送出去，对方接收到编码后，将编码还原成字符的过程，称为哈夫曼解（译）码。,解码: 从根结点起，每输入一个数码即沿二叉树下移一层，数码为0时移向左分支，数码为1时移向右分支，待达到叶子结点时即译出一个字符，再输入的数码又从根结点开始重新做起。反复由根出发，直到译码完成。,5.1.1 遗传算法的基本机理,5.1 遗传算法,遗传算法的基本概念,遗传操作（Geneti

17、c Operator）：遗传操作是指作用于种群而产生新的种群的操作。,包括以下3种基本形式：选择（Selection）交叉（Crosssover）变异（Mutation）,5.1.1 遗传算法的基本机理,5.1 遗传算法,遗传算法的基本概念,遗传操作 选择操作也叫复制（reproduction）操作，根据个体的适应度函数值所度量的优劣程度决定它在下一代是被淘汰还是被遗传。,交叉操作的简单方式是将被选择出的两个个体P1和P2作为父母个体，将两者的部分码值进行交换。,变异操作的简单方式是改变数码串的某个位置上的数码。二进制编码表示的简单变异操作是将0与1互换：0变异为1，1变异为0。,选择算子 模

18、拟生物界优胜劣汰的自然选择法则的一种染色体运算 从种群中选择适应度较高的染色体进行复制，以生成下一代种群 算法： 个体适应度计算 在被选集中每个个体具有一个选择概率 选择概率取决于种群中个体的适应度及其分布 个体适应度计算，即个体选择概率计算 个体选择方法按照适应度进行父代个体的选择,交叉算子 交换、交配、杂交 互换两个染色体某些位上的基因 随机化算子，生成新个体,变异算子 突变 改变染色体某个/些位上的基因 随机化算子，生成新个体 次要算子，但在恢复群体中失去的多样性方面具有潜在的作用,生物进化与遗传算法之间的对应关系,生物进化与遗传算法之间的对应关系,5.1.2 遗传算法的求解步骤,遗传算

19、法的主要特点,5.1 遗传算法,(1) 遗传算法利用目标函数的适应度这一信息而非利用导数或其它辅助信息来指导搜索；,(2) 遗传算法利用选择、交叉、变异等算子而不是利用确定性规则进行随机操作。,遗传算法 对种群中的染色体反复做三种遗传操作,使其朝着适应度增高的方向不断更新换代，直至出现了适应度满足目标条件的染色体为止,遗传算法参数,种群规模 种群的大小，用染色体个数表示 最大换代数 种群更新换代的上限，也是算法终止一个条件 交叉率Pc 参加交叉运算的染色体个数占全体染色体总数的比例 取值范围：0.4-0.99 变异率Pm 发生变异的基因位数占全体染色体的基因总位数的比例 取值范围：0.0001

20、-0.1 染色体编码长度L,遗传算法流程图,(1) 初始化群体;,5.1 遗传算法,(2) 计算群体上每个个体的适应度值;,(3) 按由个体适应度值所决定的某个规则选择将进入下一代的个体;,(4) 按概率Pc进行交叉操作;,(5) 按概率Pc进行变异操作;,(6) 若没有满足某种停止条件，则转第(2)步，否则进入下一步。,(7) 输出群体中适应度值最优的染色体作为问题的 满意解或最优解。,GA算法框图,一般遗传算法的主要步骤如下： (1) 随机产生一个由确定长度的特征字符串组成的 初始群体。,5.1 遗传算法,(2) 对该字符串群体迭代地执行下面的步骤和，直到满足停止标准： 计算群体中每个个体

21、字符串的适应值； 应用选择、交叉、变异等遗传算子产生下一代群体。,(3) 把在后代中出现的最好的个体字符串指定为遗传算法的执行结果，这个结果可以表示问题的一个解。,产生初始群体,是否满足停止准则,计算每个个体的适应值,i=M?,GEN:=GEN+1,依概率选择遗传操作,执行复制,选择一个个体,i:=i+1,选择两个个体,选择一个个体,执行变异,i:=0,GEN:=0,复制到新群体,i:=i+1,将两个后代插入新群体,插入到新群体,执行杂交,指定结果,结束,是,否,是,否,变异,复制,交叉,5.1 遗传算法,流程图,例：求函数的最大值,例：求函数的最大值,其中x为0, 31间的整数 编码：采用二

22、进制形式编码,由于x的定义域是0, 31间的整数，刚好可以用5位二进制数表示，因此可以用5位二进制数表示该问题的解，即染色体。如00000表示x0，10101表示x21，11111表示x31等,问题：求 （1）编码：此时取均长为5，每个染色体 （2）初始群体生成：群体大小视情况而定，此处设置为4，随机产生四个个体：编码： 01101，11000，01000，10011解码： 13 24 8 19适应度： 169 576 64 361 （3）适应度评价：,（4）选择：选择概率个体： 01101，11000，01000，10011适应度： 169 576 64 361选择概率：0.14 0.49

23、0.06 0.31选择结果：01101，11000，11000，10011,（5）交叉操作：发生交叉的概率较大，变异概率很小。哪两个个体配对交叉是随机的。交叉点位置的选取是随机的（单点交叉）0110 1 01100 11 000 11 0111100 0 11001 10 011 10 000,假设采用轮盘式选择个体，四个个体依次选中次数为1，2，0，1。染色体11001在种群中出现了2次，而原染色体01000则因适应值太小而被淘汰 。,轮盘式选择,首先计算每个个体 i 被选中的概率然后根据概率的大小将圆盘分为 n个扇形。选择时转动轮盘，参考点r落到扇形i ，则选择个体i 。,从统计角度看，个

24、体的适应度值越大，其对应的扇区的面积越大，被选中的可能性也越大。,这种方法有点类似于发放奖品使用的轮盘，并带有某种赌博的意思，因此亦被称为赌轮选择。,交叉操作交叉（Crossover）操作是指按照某种方式对选择的父代个体的染色体的部分基因进行交配重组，从而形成新的个体。交配重组是自然界中生物遗传进化的一个主要环节，也是遗传算法中产生新的个体的最主要方法。,基本遗传操作,单点交叉单点交叉也称简单交叉，它是先在两个父代个体的编码串中随机设定一个交叉点，然后对这两个父代个体交叉点前面或后面部分的基因进行交换，并生成子代中的两个新的个体。假设两个父代的个体串分别是：X=x1 x2 xk xk+1 xn

25、Y=y1 y2 yk yk+1 yn,随机选择第k位为交叉点，若采用对交叉点后面的基因进行交换的方法，交叉后生成的两个新的个体是：X= x1 x2 xk yk+1 yn Y= y1 y2 yk xk+1 xn,例 设有两个父代的个体串A=0 0 1 1 0 1 和 B=1 1 0 0 1 0 ，若随机交叉点为4，则交叉后生成的两个新的个体是：A= 0 0 1 1 1 0 B= 1 1 0 0 0 1,（4）选择：选择概率个体： 01101，11000，01000，10011适应度： 169 576 64 361选择概率：0.14 0.49 0.06 0.31选择结果：01101，11000，1

26、1000，10011,（5）交叉操作：发生交叉的概率较大，变异概率很小。哪两个个体配对交叉是随机的。交叉点位置的选取是随机的（单点交叉）0110 1 01100 11 000 11 0111100 0 11001 10 011 10 000,假设采用轮盘式选择个体，四个个体依次选中次数为1，2，0，1。染色体11001在种群中出现了2次，而原染色体01000则因适应值太小而被淘汰 。,（6）变异：发生变异的概率很小。假设本次没有发生变异，则变异前的种群即为进化后所得到的第1代种群。,（7）新群体的产生：保留上一代最优个体，一般为10%左右，至少1个用新个体取代旧个体，随机取代或择优取代。110

27、00，11011，11001，10011,（8）重复上述操作。,说明：GA的终止条件一般人为设置；GA只能求次优解或满意解。,分析：按第二代新群体进行遗传操作，若无变异，永远也找不到最优解择优取代有问题。若随机地将个体01101选入新群体中，有可能找到最优解。,在经过编码以后，遗传算法几乎不需要任何与问题有关的知识，唯一需要的信息是适应值的计算。也不需要使用者对问题有很深入的了解和求解技巧，通过选择、交叉和变异等简单的操作求解复杂的问题，是一个比较通用的优化算法。,收敛性定理,如果在代的进化过程中，遗传算法每次保留到目前为止的最好解，并且算法以交叉和变异为其随机化操作，则对于一个全局最优化问题

28、，当进化代数趋于无穷时，遗传算法找到最优解的概率为1。,算法比较,遗传算法的实现,5.1 遗传算法,遗传算法是一种借鉴生物界自然选择和进化机制发展起来的高度并行、随机、自适应的搜索方法。,MATLAB通用遗传算法工具箱GAOT使用群体搜索技术，将种群代表一组问题的解，通过对当前种群施加选择、交叉和变异等一系列遗传操作，从而得到新的一代种群，并逐步使种群进化到包含近似最优解状态 。,第五章 计算智能(2),5.1 遗传算法 5.2 进化策略 5.3 进化编程 5.4 人工生命,5.2 进化策略,进化策略(Evolution Strategies，ES)是一类模仿自然进化原理以求解参数优化问题的算

29、法。,它是由雷切伯格（Rechenberg）、施韦费尔（Schwefel）和彼得比纳特（Peter Bienert）于1964年提出的，并在德国共同建立的。,5.2.1 进化策略的算法模型,寻求与函数极值关联的实n维矢量x。 随机选择父矢量的初始群体。（双亲向量的初始群体） 父矢量xi, i=1,p产生子代矢量xi。（子孙向量的创建） 对误差 (i=1,p)排序以选择和决定保持哪些矢量。 继续产生新的试验数据以及选择最小误差矢量。该过程将继续到找到符合条件的答案或者所有的计算已经全部完成为止。,5.2 进化策略,最简单形式的进化策略可描述如下：,5.2.2 进化策略和遗传算法的区别,进化策略和

30、遗传算法有着很强的相似性，它们都是一类模仿自然进化原理的算法。,5.2 进化策略,两者也存在着区别，其中最基本的区别是它们的研究领域不同。 进化策略是一种数值优化的方法，它采用一个具有自适应步长和倾角的特定爬山方法。 遗传算法从广义上说是一种自适应搜索技术。,5.2.2 进化策略和遗传算法的区别,除了研究和应用领域外，进化策略和遗传算法还有以下区别：(1) 进化策略和遗传算法表示个体的方式不同， 进化策略在浮点矢量上运行，而遗传算法一般运行在二进制矢量上。,5.2 进化策略,(2) 进化策略和遗传算法的选择过程不同。,(3) 进化策略和遗传算法的复制参数不同，遗传算法的复制参数(交叉和变异的可

31、能性) 在进化过程中保持恒定，而进化策略时时改变它们。,随着技术的发展，进化策略和遗传算法以上的差别越来越不明显。,第五章 计算智能(2),5.1 遗传算法 5.2 进化策略 5.3 进化编程 5.4 人工生命,5.3 进化编程,进化编程(Evolutionary Programming，EP)，又称为进化规划（Evolutionary Planning），是由福格尔（Fogel）在1962年提出的一种模仿人类智能的方法。,进化编程根据正确预测的符号数来度量适应值。通过变异，为父代群体中的每个机器状态产生一个子代。父代和子代中最好的部分被选择生存下来。,它的提出是受自然生物进化机制的启发。,5

32、.3.1 进化编程的机理与表示,进化编程的过程，可理解为从所有可能的计算机程序形成的空间中，搜索具有高的适应度的计算机程序个体。在进化程序设计中，几百或几千个计算机程序参与遗传进化。,5.3 进化编程,进化编程由一随机产生的计算机程序群体开始，群体中每个计算机程序个体是用适应度来评价的，该适应值与特定的问题领域有关。,5.3.2 进化编程的步骤,进化编程分为三个步骤： 产生初始群体。它由关于问题(计算机程序)的函数随机组合而成。,5.3 进化编程,迭代完成下述子步骤，直至满足选中标准为止： 执行群体中的每个程序，根据它解决问题的能力，给它指定一个适应值。 应用变异等操作创造新程序群体。基于适应

33、值根据概率从群体中选出一个计算机程序个体，然后用合适的操作作用于该计算机程序个体。把现有的计算机程序复制到新的群体中。通过遗传随机重组两个现有的程序, 创造出新的计算机程序个体。,在后代中适应值最高的计算机程序个体被指定为进化编程的结果。这一结果可能是问题的解或近似解。,图 进化编程的基本过程,5.3 进化编程,FSM（Finite State Machine，有限状态机）,进化计算的三种算法即遗传算法、进化策略和进化编程都是模拟生物界自然进化过程而建立的鲁棒性计算机算法。在统一框架下对三种算法进行比较，可以发现它们有许多相似之处，同时也存在较大的差别。,进化策略和进化编程都把变异作为主要搜索

34、算子，而在标准的遗传算法中，变异只处于次要位置。交叉在遗传算法中起着重要作用，而在进化编程中却被完全省去，在进化策略中与自适应结合使用，起了很重要的作用。,标准遗传算法和进化编程都强调随机选择机制的重要性，而从进化策略的角度看，选择（复制）是完全确定的。进化策略和进化编程确定地把某些个体排除在被选择（复制）之外，而标准遗传算法一般都对每个个体指定一个非零的选择概率。,第五章 计算智能(2),5.1 遗传算法 5.2 进化策略 5.3 进化编程 5.4 人工生命,5.4 人工生命,自然界是生命之源。自然生命千千万万，千姿百态，千差万别，巧夺天工，奇妙无穷。,人工生命（Artificial Lif

35、e，AL）试图通过人工方法建造具有自然生命特征的人造系统。,人工生命是生命科学、信息科学和系统科学等学科交叉研究的产物，其研究成果必将促进人工智能的发展。,5.4.1 人工生命研究的起源和发展,人类长期以来一直力图用科学技术方法模拟自然界，包括人脑本身。1943年麦卡络奇和皮茨提出了MP神经学网络模型。,5.4 人工生命,人工生命的许多早期研究工作也源于人工智能。,20世纪70年代以来，康拉德（Conrad）等提出不断完善的“人工世界”模型。,20世纪80年代，人工神经网络再度兴起促进人工生命的发展。在1987年第一次人工生命研讨会上，美国圣塔菲研究所（Santa Fe Institute，S

36、FI）非线性研究组的兰顿（Langton）正式提出人工生命的概念，建立起人工生命新学科。此后，人工生命研究进入一个蓬勃发展的新时期。,5.4.2 人工生命的定义和研究意义,人工生命是一项抽象地提取控制生物现象的基本动态原理，并且通过物理媒介（如计算机）来模拟生命系统动态发展过程的研究工作。,5.4 人工生命,通俗地讲，人工生命即人造的生命，非自然的生命。然而，要对人工生命做出严格的定义，却需要对问题进行深入研究。,人工生命系统,1987年兰德提出的人工生命定义为：“人工生命是研究能够演示出自然生命系统特征行为的人造系统”。,5.4 人工生命,通过计算机或其它机器对类似生命的行为进行综合研究，以

37、便对传统生物科学起互补作用。,兰德在计算机上演示了他们研制的具有生命特征的软件系统，并把这类具有生命现象和特征的人造系统称为人工生命系统。,自然生命的共同特征和现象,自繁殖、自进化、自寻优 自成长、自学习、自组织 自稳定、自适应、自协调 物质构造 能量转换 信息处理,5.4 人工生命,研究人工生命的意义,人工生命是自然生命的模拟、延伸与扩展，其研究开发有重大的科学意义和广泛的应用价值。,5.4 人工生命,开发基于人工生命的工程技术新方法、新系统、新产品 为自然生命的研究提供新模型、新工具、新环境 延伸人类寿命、减缓衰老、防治疾病 扩展自然生命，人工进化、优生优育 促进生命、信息、系统科学的交叉

38、与发展,5.4.3 人工生命的研究内容和方法 人工生命的研究内容,人工生命的研究内容大致可分为两类： 构成生物体的内部系统，包括脑、神经系统、内分泌系统、免疫系统、遗传系统、酶系统、代谢系统等。,5.4 人工生命,在生物体及其群体的外部系统，包括环境适应系统和遗传进化系统等。,人工生命的科学框架,生命现象仿生系统 生命现象的建模与仿真 进化动力学 人工生命的计算理论和工具 进化机器人 进化和学习等的结合 人工生命的应用,5.4 人工生命,人工生命的研究方法,（1）信息模型法根据内部和外部系统所表现的生命行为来建造信息模型。,5.4 人工生命,（2）工作原理法生命行为所显示的自律分数和非线性行为

39、，其工作原理是混沌和分形，以此为基础研究人工生命的机理。,人工生命的研究技术途径 (1) 工程技术途径,利用计算机、自动化、微电子、精密机械、光电通信、人工智能、神经网络等有关工程技术方法和途径，研究开发、设计制造人工生命。通过计算机屏幕，以及三维动画，虚拟现实的软件方法或采用光机电一体化的硬件装置来演示和体现人工生命。,5.4 人工生命,(2) 生物科学途径,利用生物科学方法和技术，通过人工合成、基因控制，无性繁殖过程，培育生成人工生命。,5.4 人工生命,由于伦理学、社会学、人类学等方面的问题，通过生物科学途径生成的人工生命，如克隆人引起了不少争论。需要研究和制订相应的社会监督、国家法律和

40、国际公约。,5.4.4 人工生命的实例,人工脑 波兰人工智能和心理学教授安奇布勒（Andrzej Buller）及一些日本学者在日本现代通讯研究所进化系统研究室对人工脑的研究，已取得重要进展。,5.4 人工生命,计算机病毒 计算机进程 细胞自动机 人工核苷酸,在计算机病毒出现以前，病毒一直是一个纯生物学的概念。它是指具有一定生物学结构的最小的生命单位，是一团能够自主复制的遗传物质。自然界的生物病毒有很多种，总共1000多种，是自然界普遍存在的一种生命现象。,一般认为，计算机病毒这一概念是在1983年由美国专家科恩（Fred Cohen）在一次计算机安全学术会议上正式提出的，并获准进行了实验演示

41、，从而证实了计算机病毒的存在。世界上最早发现的计算机病毒是“巴基斯坦”病毒，时间是1986年1月。1987年和1988年，计算机病毒肆虐欧美，1989年计算机病毒悄然登陆中华大地。截止目前，估计世界上已有的计算机病毒达6000余种，并越来越严重地威胁着计算机系统的安全，使得计算机用户谈毒色变、惶恐不安。于是人们一致地对计算机病毒采取了消灭与预防的策略和方针。,计算机病毒可能并非人们通常所认为的那样只有消极作用、破坏性作用，如果我们能够哲学地思考与看待计算机病毒，那么我们就会发现它所潜在的一些十分有益的作用、建设性的作用。计算机病毒有可能对人类探索生命的奥秘发挥十分独特而积极的作用。,根据科恩于

42、1983年给计算机病毒下的定义：计算机病毒是一种程序。它用修改其他程序的方法将自身的精确拷贝或者可能演化的拷贝放入其他程序，从而感染其他程序。由于这种感染特性，病毒可以在信息流的过渡途径中传播，从而破坏信息的完整性。,计算机病毒的生物学特征与生命的算法特征,科恩于1988年又撰文强调：病毒不是利用操作系统运行中的错误和缺陷的程序。病毒是正常的用户程序，它们仅使用了那些每天都被使用的正常操作。科恩给出的这一定义，被美国的计算机专家在有关病毒的论文中频繁引用，具有相当的影响。,计算机病毒与生物病毒是两个不同范畴的概念，前者是人为制造的，后者是宇宙进化的产物；前者采用的是机器语言，少数采用高级语言，

43、后者采用的是核酸编码，少数采用氨基酸编码；前者结构上采用指令程序的物理存储，后者则以化学固化存储方式为主。,然而就是这样两个不同的概念，却在功能方式上有着极其类似的特征，其危害和感染系统（宿主）的原理在本质上也是一致的。这主要表现在：,1.二者的生存方式相同，都具有一种寄生性。2.二者都具有传染性，无论是生物病毒还是计算机病毒，都能使用循环程序的循环执行来破坏系统。3.二者对宿主都具有不同程度的破坏性。4. 计算机病毒具有的潜伏性、隐蔽性、可触发性等也是生物病毒的基本特性。由此可见，计算机病毒具有几乎全部生物学的特征。无怪有人说：恼人的计算机病毒几乎涉及到了所有衡量生命的尺度。计算机病毒确实可

44、以在计算机控制的空间和计算机网络上生存下去。正是在这个意义上，我们认为，计算机病毒是一种可能的生命形式。虽然在计算机及其网络外计算机病毒不可能独立存在，但这并不等于就能把它们划出生命物体的范畴。,计算机病毒是一种可能的生命形式，不仅因为计算机病毒几乎具有所有的生物学特征，而且还因为生命本身就具有算法的特征，甚至可以说，生命就是算法、就是计算。自20世纪80年代以来，随着人类基因组计划、遗传算法理论、人工生命科学和DNA计算机理论的相继提出和发展，使得人们对生命是什么这个永恒的问题有了全新的认识：生命就是由一系列复杂的计算组成的，是按算法规则进化的。生命就是一个能够实现自我复制、自我构造和自我进

45、化的算法。,自然界就是一台巨型自然计算机。任何一种自然过程都是自然规律作用于一定条件下的物理或信息过程，其本质上都体现了一种严格的计算和算法特征。在此，自然系统相当于计算机的硬件、自然规律相当于计算机的软件，而自然过程就是计算机的计算过程。生命系统作为自然界中最复杂最有特色的系统，它也就是形形色色的自然计算机中的一种。,一方面计算机病毒具有生命的特征，另一方面生命又具有算法（程序）的特征。,计算机病毒就是一个程序、算法。这为我们把计算机病毒看作是一种可能的生命提供了充足的证据。,人工鱼,1997年2月27日的英国自然杂志报道了一项震惊世界的研究成果：1996年7月5日，英国爱丁堡罗斯林研究所（Roslin）的伊恩维尔穆特（Wilmut）领导的一个科研小组，利用克隆技术培育出一只小母羊。,克隆羊多莉,这是世界上第一只用已经分化的成熟的体细胞(乳腺细胞)克隆出的羊。克隆羊多莉的诞生，引发了世界范围内关于动物克隆技术的热烈争论。它被美国科学杂志评为1997年世界十大科技进步的第一项，也是当年最引人注目的国际新闻之一。,科学家们普遍认为，多莉的诞生标志着生物技术新时代来临。继多莉出现后，克隆，这个以前只在科学研究领域出现的术语变得广为人知。克隆猪、克隆猴、克隆牛纷纷问世。,