大學(xué)生論文人工智能
大學(xué)生論文人工智能
云計算與人工智能技術(shù)發(fā)展到今天,已經(jīng)不再神秘,完全可以進(jìn)入我們的生活,承載它的歷史使命......以下是學(xué)習(xí)啦小編整理分享的大學(xué)生論文人工智能的相關(guān)文章,歡迎閱讀!
大學(xué)生論文人工智能篇一
云計算下的人工智能
1 提出背景
在Humanoids 2010 會議上,卡耐基梅隆大學(xué)的James Kuffner教授提出了“云機(jī)器人”的概念,引起了廣泛的討論。Humanoids 2010 會議上很多專家對云機(jī)器人比較看好,或許云機(jī)器人就是機(jī)器人學(xué)的下一個跨越式發(fā)展。
要更詳細(xì)地了解云機(jī)器人,首先要了解云計算。根據(jù)互動百科的介紹,云計算的概念有狹義云計算和廣義云計算之分:
狹義云計算是指IT基礎(chǔ)設(shè)施的交付和使用模式,指通過網(wǎng)絡(luò)以按需、易擴(kuò)展的方式獲得所需的資源(硬件、平臺、軟件)。 提供資源的網(wǎng)絡(luò)被稱為“云”。“云”中的資源在使用者看來是可以無限擴(kuò)展的,并且可以隨時獲取,按需使用,隨時擴(kuò)展,按使用付費(fèi)。這種特性經(jīng)常被稱為像水電一樣使用IT基礎(chǔ)設(shè)施。
廣義云計算是指服務(wù)的交付和使用模式,指通過網(wǎng)絡(luò)以按需、易擴(kuò)展的方式獲得所需的服務(wù)。這種服務(wù)可以是IT和軟件、互聯(lián)網(wǎng)相關(guān)的,也可以是任意其他的服務(wù)。
云計算的“云”,可理解為“多”“大規(guī)模”。“云”是一些可以自我維護(hù)和管理的虛擬計算資源,通常為一些大型服務(wù)器集群,包括計算服務(wù)器、存儲服務(wù)器、寬帶資源等等。云計算將所有的計算資源集中起來,并由軟件實(shí)現(xiàn)自動管理,無需人為參與。例如Google云計算有上百萬臺服務(wù)器。
從此可以看出,云機(jī)器人并不是指某一個機(jī)器人,也不是某一類機(jī)器人,而是指機(jī)器人信息存儲和獲取方式的一個學(xué)術(shù)概念。這種信息存取的方式的好處是顯而易見的。比如,機(jī)器人通過攝像頭可以獲取一些周圍環(huán)境的照片,上傳到服務(wù)器端,服務(wù)器端可以檢索出類似的照片,可以計算出機(jī)器人的行進(jìn)路徑來避開障礙物,還可以將這些信息儲存起來,方便其它機(jī)器人檢索。所有機(jī)器人可以共享數(shù)據(jù)庫,減少開發(fā)人員的開發(fā)時間。
2 云計算的體系結(jié)構(gòu)
2002年亞馬遜(Amazon)提供一組包括存儲空間、計算能力甚至人力智能等資源服務(wù)的Web Service;2005年亞馬遜又提出了彈性計算云(Elastic Compute Cloud),也稱亞馬遜EC2的Web Service,允許小企業(yè)和私人租用亞馬遜的計算機(jī)來運(yùn)行他們自己的應(yīng)用。到2008年,幾乎所有的主流IT廠商開始談?wù)撛朴嬎?,這里既包括硬件廠商(IBM、HP、Intel、思科、SUN等)、軟件廠商(微軟、Oracle、VMware等),也包括互聯(lián)網(wǎng)服務(wù)提供商(Google、亞馬遜、Salesforce等)和電信運(yùn)營商(中國移動、中國電信、AT&T等),當(dāng)然還有一些小的IT企業(yè)也將云計算作為自己的主戰(zhàn)場。這些企業(yè)覆蓋了整個IT產(chǎn)業(yè)鏈,也構(gòu)成了一個完整的云計算生態(tài)系統(tǒng)。
按需部署是云計算的核心。要解決按需部署,必須解決資源的動態(tài)可重構(gòu),監(jiān)控和自動化部署等,而這些又需要以虛擬化、高性能存儲、處理器、高速互聯(lián)網(wǎng)等技術(shù)為基礎(chǔ)。
為了有效支持云計算,其體系結(jié)構(gòu)必須支持幾個關(guān)鍵特征。①系統(tǒng)必須是自治的,即需要內(nèi)嵌有自動化技術(shù),以減輕或消除人工部署和管理任務(wù),而允許平臺智能地響應(yīng)應(yīng)用的要求;②云計算的架構(gòu)必須是敏捷的,能夠?qū)π枨笮盘柣蜃兓龀鲅杆俚姆磻?yīng)。內(nèi)嵌的虛擬化技術(shù)和集群化技術(shù),能應(yīng)付增長或服務(wù)級要求的快速變化。
綜上所述,云計算服務(wù)的實(shí)現(xiàn),需要依托的2大基石:①硬件基礎(chǔ)設(shè)施具有相當(dāng)?shù)囊?guī)模,即數(shù)據(jù)中心集群、規(guī)模化的服務(wù)器及存儲和互聯(lián)互通的高速網(wǎng)絡(luò);②以虛擬化和自動化為代表的成熟技術(shù)。
3 人工智能與云計算的結(jié)合
云計算與人工智能技術(shù)發(fā)展到今天,已經(jīng)不再神秘,完全可以進(jìn)入我們的生活,承載它的歷史使命,下面筆者將根據(jù)本人的認(rèn)識,分3個階段介紹如何將人工智能與云計算完美結(jié)合。
3.1 機(jī)器人操控階段
第一階段筆者稱之為機(jī)器人操控階段。該階段主要依托于云技術(shù)實(shí)現(xiàn),我們暫且把它分為云和端兩部分,云主要由大型服務(wù)器群組成,而端主要是可操控的機(jī)器人組成,這些機(jī)器人除了有計算機(jī)芯片以外還需要有監(jiān)控,機(jī)械臂和行走部件。說到這里大家可能已經(jīng)明白了在這一階段我們要完成什么任務(wù)了,就是實(shí)現(xiàn)如計算機(jī)遠(yuǎn)程協(xié)助一樣簡單的功能。
在云上我們首先可以構(gòu)建完善的供求平臺,而擁有端的用戶可在平臺上發(fā)布各種端力所能及的任務(wù),如清潔、維修、甚至是教學(xué)等。另一方面有完成任務(wù)能力的人可以通過供求平臺承接任務(wù),通過遠(yuǎn)程操控端來幫助任務(wù)發(fā)布者工作,當(dāng)然這里存在的問題是費(fèi)用的支付和端用戶的安全,所以平臺使用者必須實(shí)名注冊而且一定要承擔(dān)法律責(zé)任。在強(qiáng)大的服務(wù)器群和高速網(wǎng)絡(luò)的基礎(chǔ)上,我相信實(shí)現(xiàn)機(jī)器人的遠(yuǎn)程操控并不是一件難事,而這一階段的實(shí)現(xiàn)也可以大大增加人們對時間的利用率,和全球生產(chǎn)力的一個平衡。
3.2 數(shù)據(jù)挖掘階段
第二階段筆者稱之為數(shù)據(jù)挖掘階段,我們第一階段所完成的主要是云平臺的搭建,而第二階段我們所要完成的是人工智能的一個基礎(chǔ)建設(shè)。在我們的用戶端上有著數(shù)據(jù)采集系統(tǒng),隨時收集用戶利用端所完成的各項(xiàng)任務(wù),通過云平臺中心的計算分析,可以提供給用戶云中存儲的最佳解決方案。數(shù)據(jù)挖掘的實(shí)現(xiàn)和云平臺的分析如圖所示:
第二階段所實(shí)現(xiàn)的是人工遠(yuǎn)程協(xié)助與智能分析同步。
3.3 具備遺傳基因的專家系統(tǒng)階段
第三階段筆者稱之為具備遺傳基因的專家系統(tǒng)階段,近10年來,由于一些專家系統(tǒng)在實(shí)用化方面取得了一些進(jìn)展,展示出廣闊的發(fā)展前景,開始受到愈來愈多的計算機(jī)科學(xué)家的關(guān)注。然而,與此同時,現(xiàn)有的專家系統(tǒng)也暴露出了自身嚴(yán)重的缺陷,使不少計算機(jī)界的知名學(xué)者對專家系統(tǒng)產(chǎn)生了懷疑。專家系統(tǒng)存在的問題可歸納為以下幾點(diǎn):
(1)專家系統(tǒng)中的知識多限于 經(jīng)驗(yàn)知識,極少有原理性的知識,系統(tǒng)沒有 應(yīng)用它們的能力。
(2)知識獲取功能非常弱,為了建造專家系統(tǒng),必須依賴于專家獲取知識,不僅費(fèi)時,而且很難獲取完備性和一致性的知識;
(3)求解問題的方法比較單一,以推理機(jī)為核心的對間題的求解尚不能反映專家從認(rèn)識問題到解決問題的創(chuàng)造性過程;
(4)解釋功能不強(qiáng),這一點(diǎn)相對比較次要。
John McDermott認(rèn)為,專家系統(tǒng)有時所以徹底失敗的原因主耍有兩條: ①知識不足;②解決問題的方法不妥,即不能運(yùn)用它有的或沒有的知識來解題。
針對傳統(tǒng)專家系統(tǒng)的不足我們設(shè)計了遺傳基因系統(tǒng),其實(shí)遺傳算法我們并不陌生,這是人工智能的基礎(chǔ)學(xué)科,如下面的C++代碼就是一個實(shí)例:
typedef char ALLELE; //基因類型
typedef struct{
ALLELE *chrom;
float fitness; // fitness of Chromosome
}INDIVIDUAL;// 個體定義
class TPopulation{ //群體類定義
public:
int size; // Size of population:n
int lchrom; // Length of chromosome:l
float sumfitness,average;
// 由于GA是一個概率過程,所以每次迭代的情況是不一樣的;系統(tǒng)參數(shù)不同,迭代情況也不同。
// 在實(shí)驗(yàn)中參數(shù)一般選取如下:個體數(shù)n=50-200,變異概率Pm=0.03,交叉概率Pc=0.6。
// 變異概率太大,會導(dǎo)致不穩(wěn)定。
INDIVIDUAL *fmin,*fmax;
INDIVIDUAL*pop;
TPopulation(int popsize,int strlength);
TPopulation();
inline INDIVIDUAL &Individual(int i){return pop[i];};
void FillFitness(); // 評價函數(shù)
virtual void Statistics(); // 統(tǒng)計函數(shù)
};
class TSGA:public TPopulation{ // TSGA類派生于群體類
public:
float pcross; // Probability of Crossover
float pmutation; // Probability of Mutation
int gen; // Counter of generation
TSGA(int size,int strlength,float pm=0.03,float pc=0.6):
TPopulation(size,strlength)
{gen=0;pcross=pc;pmutation=pm;};
virtual INDIVIDUAL& Select();
virtual void Crossover(INDIVIDUAL &parent1,INDIVIDUAL &parent2,
INDIVIDUAL &child1,INDIVIDUAL &child2);
virtual ALLELE Mutation(ALLELE alleleval);
virtual void Generate(); // 產(chǎn)生新的一代
};
// 用戶GA類定義如下:
class TSGAfit:public TSGA{
public:
TSGAfit(int size,float pm=0.0333,float pc=0.6)
:TSGA(size,24,pm,pc){};
void print();
};
有了遺傳算法加上我們第二階段完成的長時間的數(shù)據(jù)挖掘階段,我們可以解決傳統(tǒng)專家系統(tǒng)的不足。對于知識匱乏,經(jīng)過長時間的積累我們云平臺中存儲的是全球性的知識,不是任何一個圖書館可以媲美的,而且都是通過人們的經(jīng)驗(yàn)進(jìn)行 實(shí)踐的知識,可用性極高。而數(shù)據(jù)挖掘也會幫助我們找到最佳的解決問題的方法。而每次用最完美的方法解決了問題又可以由下一代算法繼承,這樣一來,我們便可以真正實(shí)現(xiàn)人工智能了。
4 結(jié) 語
人工智能的目的是要將人類從繁重的勞動中解放出來,我們看到機(jī)器在不斷的進(jìn)步,越來越多的智能機(jī)器在我們身邊出現(xiàn),但是真正意義上的人工智能和我們還有很大的距離,將來機(jī)器不僅僅是人類認(rèn)識世界和改變世界的工具,而且可以和人類做朋友,可以交流、談心甚至相互學(xué)習(xí)。在我看來要想實(shí)現(xiàn)人工智能時代,并不能只是依靠少數(shù)天才科學(xué)家,和實(shí)驗(yàn)室,必須要大范圍的,甚至各個國家、政府、全球人類都要參與進(jìn)來,因?yàn)槿斯ぶ悄懿坏砹艘粋€學(xué)科、一種技術(shù),他是人類工具的一次革新,人類生存方式的一次革新,就如同青銅器取代石器一樣,智能機(jī)器人也必將取代 計算機(jī)和 網(wǎng)絡(luò)。讓我們?yōu)榱诉@一天的到來而盡情暢想吧!
下一頁分享更優(yōu)秀的>>>大學(xué)生論文人工智能