计算机理论论文快速发表期刊及范文

　　本文是一篇计算机理论论文，论述了基于智能计算几种经典算法解析，计算机论文快速发表期刊推荐《计算机工程与应用》创刊于1964年，是由信息产业部北京计算技术研究所主办的、面向中高级计算机专业工作者的学术刊物，系中国计算机学会会刊、中国电子学会一级会刊，计算机工程与应用学会学报、计算机类中文核心期刊。
　　摘要：随着计算机技术的飞速发展，智能计算方法的应用领域也越来越广泛。本文介绍了当前存在的一些智能计算方法，阐述了其工作原理和特点，同时对智能计算方法的发展进行了展望。

　　关键词：智能算法,人工神经网络算法,遗传算法,退火算法

　　1引言

　　智能算法也称作为“背影算法”，是人们从现实的生活中的各种现象总结出来的算法。它是从自然界得到启发，模仿它的原理而得到的算法，这样我们可以利用仿生原理进行设计我们的解决问题的路径，这就是智能计算的思想。这方面的内容很多，如人工神经网络技术、遗传算法、模拟退火算法等，下面分别对其进行分析。

　　2人工神经网络算法

　　2.1人工神经网络(ARTIFICIALNEURALNETWORK，简称ANN)

　　人工神经网络是在对人脑组织结构和运行机制的认识理解基础之上模拟其结构和智能行为的一种工程系统。早在本世纪40年代初期，心理学家McCulloch、数学家Pitts就提出了人工神经网络的第一个数学模型，从此开创了神经科学理论的研究时代。其后，FRosenblatt、Widrow和J.J.Hopfield等学者又先后提出了感知模型，使得人工神经网络技术得以蓬勃发展。

　　2.2人工神经网络的特点

　　人工神经网络的知识存储容量很大。在神经网络中，知识与信息的存储表现为神经元之间分布式的物理联系。它分散地表示和存储于整个网络内的各神经元及其连线上。每个神经元及其连线只表示一部分信息，而不是一个完整具体概念。只有通过各神经元的分布式综合效果才能表达出特定的概念和知识。

　　由于人工神经网络中神经元个数众多以及整个网络存储信息容量的巨大，使得它具有很强的不确定性信息处理能力。即使输入信息不完全、不准确或模糊不清，神经网络仍然能够联想思维存在于记忆中的事物的完整图像。只要输入的模式接近于训练样本，系统就能给出正确的推理结论。

　　正是因为人工神经网络的结构特点和其信息存储的分布式特点，使得它相对于其它的判断识别系统，如：专家系统等，具有另一个显著的优点：健壮性。生物神经网络不会因为个别神经元的损失而失去对原有模式的记忆。最有力的证明是，当一个人的大脑因意外事故受轻微损伤之后，并不会失去原有事物的全部记忆。人工神经网络也有类似的情况。因某些原因，无论是网络的硬件实现还是软件实现中的某个或某些神经元失效，整个网络仍然能继续工作。

　　人工神经网络是一种非线性的处理单元。只有当神经元对所有的输入信号的综合处理结果超过某一门限值后才输出一个信号。因此神经网络是一种具有高度非线性的超大规模连续时间动力学系统。它突破了传统的以线性处理为基础的数字电子计算机的局限，标志着人们智能信息处理能力的一大飞跃。

　　3遗传算法

　　3.1特点

　　遗传算法是解决搜索问题的一种通用算法，对于各种通用问题都可以使用。搜索算法的共同特征为：(1)首先组成一组候选解；(2)依据某些适应性条件测算这些候选解的适应度；(3)根据适应度保留某些候选解，放弃其他候选解；(4)对保留的候选解进行某些操作，生成新的候选解。在遗传算法中，上述几个特征以一种特殊的方式组合在一起：基于染色体群的并行搜索，带有猜测性质的选择操作、交换操作和突变操作。这种特殊的组合方式将遗传算法与其它搜索算法区别开来。

　　遗传算法还具有以下几方面的特点：

　　(1)遗传算法从问题解的串集开始嫂索，而不是从单个解开始。这是遗传算法与传统优化算法的极大区别。传统优化算法是从单个初始值迭代求最优解的；容易误入局部最优解。遗传算法从串集开始搜索，覆盖面大，利于全局择优。

　　(2)许多传统搜索算法都是单点搜索算法，容易陷入局部的最优解。遗传算法同时处理群体中的多个个体，即对搜索空间中的多个进行评估，减少了陷入局部最优解的风险，同时算法本身易于实现并行化。

　　(3)遗传算法基本上不用搜索空间的知识或其它辅助信息，而仅用适应度函数值来评估个体，在此基础上进行遗传操作。适应度函数不仅不受连续可微的约束，而且其定义域可以任意设定。这一特点使得遗传算法的应用范围大大扩展。

　　3.2运用领域

　　前面描述是简单的遗传算法模型，可以在这一基本型上加以改进，使其在科学和工程领域得到广泛应用。下面列举了一些遗传算法的应用领域：(1)优化：遗传算法可用于各种优化问题。既包括数量优化问题，也包括组合优化问题；(2)程序设计：遗传算法可以用于某些特殊任务的计算机程序设计；(3)机器学习：遗传算法可用于许多机器学习的应用，包括分类问题和预测问题等。

　　4退火算法

　　模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。根据Metropolis准则，粒子在温度T时趋于平衡的概率为e-ΔE/(kT)，其中ΔE为温度T时的内能，ΔE为其改变量，k为Boltzmann常数。用固体退火模拟组合优化问题，将内能E模拟为目标函数值f，温度T演化成控制参数t，即得到解组合优化问题的模拟退火算法：由初始解i和控制参数初值t开始，对当前解重复“产生新解→计算目标函数差→接受或舍弃”的迭代，并逐步衰减t值，算法终止时的当前解即为所得近似最优解，这是基于蒙特卡罗迭代求解法的一种启发式随机搜索过程。退火过程由冷却进度表(CoolingSchedule)控制，包括控制参数的初值t及其衰减因子Δt，每个t值时的迭代次数L和停止条件S。

　　5展望

　　目前的智能计算研究水平暂时还很难使“智能机器”真正具备人类的常识，但智能计算将在21世纪蓬勃发展。不仅仅只是功能模仿要持有信息机理一致的观点。即人工脑与生物脑将不只是功能模仿，而是具有相同的特性。这两者的结合将开辟一个全新的领域，开辟很多新的研究方向。智能计算将探索智能的新概念，新理论，新方法和新技术，而这一切将在以后的发展中取得重大成就。

　　参考文献：

　　[1]Commonstructuralrulesfordoublehulloiltankers,seconddraftforcomment[S].AmericanBureauofShipping,DetNorske

　　VeritasandLloyd'Register,2005.

　　[2]HollandJ.Adaptationinnaturalandartificialsystems[M].Michigan,USA:TheUniversityofMichiganPress,1975;Massachusetts,USA:MITPress,1992.

　　[3]DeJongKA.Ananalysisofthebehaviorofaclassofgeneticadaptivesystem[J].UniversityofMichigan,1975.

　　[4]马光伟，徐晋辉，石纯一.社会Agent的BDO模型[J].计算机学报，2001,24(5):521-528.

　　[5]姚新,陈国良,徐惠敏,等.进化算法研究进展[J].计算机学报,1995,18(9):694-706.