本文關(guān)鍵詞：有關(guān)行為主義人工智能研究綜述，，由筆耕文化傳播整理發(fā)布。

DOI：10.13195/j.cd.2004.03.2.xuxh.001

第19卷第3期

Vol.19No.3

　控　制　與　決　策

　Controland

Decision　

2004年3月

　Mar.2004

　　文章編號:1001-0920(2004)03-0241-06

有關(guān)行為主義人工智能研究綜述

徐心和,么健石

(東北大學(xué)人工智能與機(jī)器人研究所,遼寧沈陽110004)

摘　要:通過與傳統(tǒng)人工智能的比較,介紹了基于行為的智能模擬技術(shù)的發(fā)展及現(xiàn)狀,并詳細(xì)評述了行為主義人工智能的研究方向以及在研究過程中涉及到的前沿技術(shù).最后給出了基于行為主義人工智能構(gòu)建智能主體系統(tǒng)的設(shè)計原則.

關(guān)鍵詞:人工智能;行為主義;智能主體中圖分類號:TP18　　　　文獻(xiàn)標(biāo)識碼:A

Surveyofbehaviorisminartificialintelligenceresearch

XUXin-he,YAOJian-shi

(InstituteofArtificialIntelligenceandRobot,NortheasternUniversity,Shenyang110004,China.Correspondent:XUXin-he,E-mail:xuxinhe@163.net)Abstract:ComparedwiththetraditionalAImethod,theevolutionandcurrentstatusofbehavior-basedAIsimulationtechniquearesurveyed.TheresearchdirectionsofbehaviorisminAIarereviewedtogetherwiththeres-pectivepioneertechniques.Thebasicprinciplesforconstructingagentsystemaregiven.Keywords:artificialintelligence;behaviorism;agent

1　引　　言

　　兩千多年以來,人們就在不斷地試圖理解觀察、學(xué)習(xí)、記憶和推理等與人類智能有關(guān)的問題.直到1956年由McCarthy,Minsky等發(fā)起,聯(lián)同美國的幾位心理學(xué)家、數(shù)學(xué)家、計算機(jī)科學(xué)家和信息論學(xué)家正式提出人工智能的術(shù)語,開始了具有真正意義的人工智能研究,使其成為一門能夠理解人類智能并通過機(jī)器實現(xiàn)智能行為的新的學(xué)科.

在長期的研究過程中,由于人們對智能本質(zhì)的不同理解,形成了人工智能多種不同的研究途徑和學(xué)派,其中主要包括符號主義(Symbolism)、聯(lián)結(jié)主義(Connectionism)和行為主義(Behaviorism).符號主義認(rèn)為智能產(chǎn)生于大腦抽象思維的過程中,例如概念化的知識表示、模型論語義以及各種推理過

　　收稿日期:2002-12-11;修回日期:2003-02-10.　　基金項目:國家863計劃資助項目(2001AA422270).

[2]

[1]

程等.他們以物理符號系統(tǒng)假設(shè)為基礎(chǔ),通過對具有

物理模式的符號實體的建立、修改、復(fù)制和刪除等操

作生成其他符號結(jié)構(gòu),從而實現(xiàn)智能行為.聯(lián)結(jié)主義

認(rèn)為智能產(chǎn)生于大腦神經(jīng)元之間的相互作用及信息

往來的過程中,因此通過對大腦神經(jīng)系統(tǒng)結(jié)構(gòu)的模

擬來建立人工神經(jīng)元網(wǎng)絡(luò),從而實現(xiàn)相應(yīng)的智能行

為.行為主義人工智能與上述傳統(tǒng)人工智能的最大區(qū)別在于,它摒棄了內(nèi)省的思維過程,而把智能的研究建立在可觀測的具體的行為活動基礎(chǔ)上.

行為主義最早來源于20世紀(jì)初的一個心理學(xué)流派,認(rèn)為行為是有機(jī)體用以適應(yīng)環(huán)境變化的各種

身體反應(yīng)的組合,它的理論目標(biāo)在于預(yù)見和控制行

為[3].1948年,維納在《控制論》中指出:“控制論是

在自控理論、統(tǒng)計信息論和生物學(xué)的基礎(chǔ)上發(fā)展起

　　作者簡介:徐心和(1940—),男,河北山海關(guān)人,教授,博士生導(dǎo)師,從事自動控制與人工智能等研究;么健石(1972—),

男,遼寧沈陽人,博士生,從事人工智能理論及其應(yīng)用研究.

來的,機(jī)器的自適應(yīng)、自組織、自學(xué)習(xí)功能是由系統(tǒng)的輸入輸出反饋行為決定的”.從而將心理學(xué)的某些成果引入到控制理論中.20世紀(jì)80年代,以Brooks為代表的一批研究人員又將行為主義的觀點引入人工智能的研究中,并逐步形成了有別于傳統(tǒng)人工智能的新的理論學(xué)派[4,5].

行為主義人工智能認(rèn)為智能行為產(chǎn)生于主體與環(huán)境的交互過程中,復(fù)雜的行為可以通過分解成若干個簡單的行為加以研究.主體根據(jù)環(huán)境刺激產(chǎn)生相應(yīng)的反應(yīng),同時通過特定的反應(yīng)來陳述引起這種適應(yīng)的協(xié)調(diào)機(jī)制實質(zhì)上就是一種學(xué)習(xí)機(jī)制.

行為主義的思想認(rèn)為智能主體只有在真實環(huán)境

中,通過反復(fù)學(xué)習(xí)才能學(xué)會處理各種復(fù)雜情況,最終

學(xué)會在未知環(huán)境中運行.如何實現(xiàn)這種思想,使主體在與環(huán)境的交互中學(xué)習(xí)動作行為,目前主要有兩種研究方法:進(jìn)化計算和強(qiáng)化學(xué)習(xí)[11].

智能主體通過進(jìn)化計算進(jìn)行學(xué)習(xí)的機(jī)制主要有

以下兩種:

1)采用進(jìn)化計算建立主體從“感知”到“動作”

的映射規(guī)則,直接驅(qū)動執(zhí)行機(jī)構(gòu)產(chǎn)生相應(yīng)的動作行

反應(yīng)的情景或刺激.因此他能以這種快速反饋替代傳統(tǒng)人工智能中的精確的數(shù)學(xué)模型,從而達(dá)到適應(yīng)復(fù)雜、不確定和非結(jié)構(gòu)化的客觀環(huán)境的目的.

目前,行為主義人工智能的研究已經(jīng)迅速發(fā)展起來,并取得了許多令人矚目的成果,它所采用的結(jié)構(gòu)上動作分解方法、分布并行的處理方法以及由底至上的求解方法已成為人工智能領(lǐng)域中新的研究熱點,其智能系統(tǒng)的構(gòu)造原理如圖1所示[6]

.

圖1　行為主義智能系統(tǒng)的構(gòu)造原理

2　行為主義人工智能的研究方向

　　行為主義人工智能與傳統(tǒng)人工智能最主要的區(qū)別在于智能主體能夠自主地適應(yīng)客觀環(huán)境,而不依賴于設(shè)計者制定的規(guī)則或數(shù)學(xué)模型.這種適應(yīng)的實質(zhì)就是復(fù)雜系統(tǒng)的各個要素彼此之間的精確聯(lián)系以及它們整個集團(tuán)與四周環(huán)境的精確聯(lián)系.為了達(dá)到

精確聯(lián)系必須采用某種協(xié)調(diào)機(jī)制,這些協(xié)調(diào)機(jī)制可以使智能主體與外界環(huán)境相適應(yīng)[7]

,使智能主體內(nèi)部狀態(tài)相互配合

[8]

以及多個智能主體之間產(chǎn)生協(xié)

作[9].因此,尋求合理的協(xié)調(diào)機(jī)制便成為行為主義人工智能的主要研究方向.2.1　智能主體與環(huán)境間的協(xié)調(diào)

智能主體對外界環(huán)境刺激作出的反應(yīng)能夠給主體帶來適應(yīng).這種反應(yīng)可分為“習(xí)得性反應(yīng)”(Lear-ningResponse)和“非習(xí)得性反應(yīng)”(UnlearningRe-sponse)

[10]

.顯然“習(xí)得性反應(yīng)”是智能主體在與環(huán)境

不斷交互過程中通過學(xué)習(xí)獲得的,而“非習(xí)得性反應(yīng)”可以認(rèn)為是一種連鎖的“習(xí)得性反應(yīng)”,最終形成具有遺傳性的本能.因此,這種使智能主體與環(huán)境相

為.其中最著名的一例是JohnHolland建立的LCS模型[12].LCS模型采用進(jìn)化算法進(jìn)化,稱之為分類

器的“IF〈condition〉THEN〈action〉

”規(guī)則,這些規(guī)則將傳感器輸入映射為相應(yīng)的動作.圖2描述了LCS的結(jié)構(gòu)組成

.

圖2　學(xué)習(xí)分類器系統(tǒng)(LCS)

當(dāng)感知器輸入被接收后,通過二進(jìn)制編碼放置到消息隊列中,如果分類器“IF”

的信息與消息隊列中的信息相匹配,則“THEN”中的信息也被放置到

消息隊列.這些新的信息或觸發(fā)其他分類器再次向消息隊列提供新的信息,或直接產(chǎn)生一個決策提供

給效應(yīng)器.在LCS模型中,每一個染色體都表示為

單一的決策規(guī)則,整個種群則表示為主體的行動策

略.通常分類器將感知到的環(huán)境狀態(tài)要么映射為內(nèi)部的狀態(tài)改變,要么映射為一種行動,例如:　condition

　action

　strength

01##→00000.7500#0→

11000.25??????##00

→0001

0.50

其中“strength”由信任分配算法產(chǎn)生,表示為分類

器規(guī)則適應(yīng)程度的統(tǒng)計量.這個統(tǒng)計量可以解決產(chǎn)

生的沖突(多個行為決策被觸發(fā)),同時還可以作為遺傳算法的適應(yīng)度值.遺傳算子將采用具有較高適

應(yīng)度的分類器進(jìn)行交叉、變異,以產(chǎn)生新的規(guī)則.通

常種群的規(guī)模是固定的,因此在策略空間只有優(yōu)秀

的規(guī)則才被保存下來,從而完成主體在環(huán)境中的學(xué)

習(xí)過程.

2)首先在主體內(nèi)部建立一個行為模型,然后采用進(jìn)化計算驅(qū)動該模型,進(jìn)而產(chǎn)生適應(yīng)于環(huán)境的動作行為.這種研究方法也是目前主導(dǎo)的研究方法.例如采用有限狀態(tài)機(jī)(FSM)建立主體的行為模型,使用進(jìn)化規(guī)劃方法驅(qū)動行為模型的進(jìn)化.類似的還有采用Boxes結(jié)構(gòu)建立主體行為模型,通過遺傳算法確定主體所處的狀態(tài)并找到相對應(yīng)的Box,每個Box中都存放著針對該狀態(tài)主體應(yīng)采取的控制策監(jiān)督學(xué)習(xí)不同,學(xué)習(xí)過程中由環(huán)境提供的強(qiáng)化信號是對動作好壞的一種評價,而不是告訴系統(tǒng)如何去

[14]

產(chǎn)生正確的動作,因此尤其適用于基于行為智能主

體的學(xué)習(xí)過程.典型的強(qiáng)化學(xué)習(xí)算法包括時間差分算法(TD)、動態(tài)規(guī)劃算法(DP)、自適應(yīng)啟發(fā)式評

判(AHC)和Q學(xué)習(xí)算法,它們都已應(yīng)用到智能主體

[15]

的學(xué)習(xí)過程中.例如圖4所示的自適應(yīng)神經(jīng)網(wǎng)絡(luò)評

判算法,主體模型由兩個神經(jīng)網(wǎng)絡(luò)組成:估值NN和動作NN.前者對評價函數(shù)進(jìn)行近似,將狀態(tài)映射

為期望的價值;而后者則對動作函數(shù)近似產(chǎn)生一個

略.此外利用神經(jīng)網(wǎng)絡(luò)建立主體行為模型,通過遺傳算法對網(wǎng)絡(luò)參數(shù)及拓?fù)浣Y(jié)構(gòu)進(jìn)行優(yōu)化也成為一個重要的研究方向.例如由Moriarty提出的SANE系統(tǒng),在該系統(tǒng)中存在兩個獨立的進(jìn)化種群,一個是神經(jīng)元種群,另一個是“藍(lán)圖”種群.神經(jīng)元種群中的每個個體由一系列到輸入層和輸出層的連接值(標(biāo)簽和權(quán)值)組成,它的進(jìn)化提供了對構(gòu)成網(wǎng)絡(luò)隱單元的評估及重組;而“藍(lán)圖”種群的進(jìn)化則為神經(jīng)元搜索一個構(gòu)成網(wǎng)絡(luò)最優(yōu)的組合方式.圖3給出了這兩個種群交互的總覽[13]

.

圖3　SANE系統(tǒng)模型

“藍(lán)圖”種群中的每一個個體都包含了一套指向神經(jīng)元種群個體的指針.在每一次網(wǎng)絡(luò)構(gòu)造過程中,神經(jīng)網(wǎng)絡(luò)由每個“藍(lán)圖”所指定的隱單元構(gòu)成.每個“藍(lán)圖”都將根據(jù)該網(wǎng)絡(luò)執(zhí)行任務(wù)的好壞獲得一個適應(yīng)度值,同時構(gòu)成網(wǎng)絡(luò)的每個隱單元也將根據(jù)執(zhí)行任務(wù)的好壞獲得相應(yīng)的適應(yīng)度值.在神經(jīng)元種群和“藍(lán)圖”種群進(jìn)化過程中,通過使用一個基因選擇和重組策略快速地構(gòu)建和繁殖具有較高適應(yīng)度值的神經(jīng)網(wǎng)絡(luò).

強(qiáng)化學(xué)習(xí)是在沒有環(huán)境的具體模型下,通過簡單控制效果的評估作為反饋進(jìn)行學(xué)習(xí)的過程.它與

動作,將狀態(tài)映射為行動.當(dāng)系統(tǒng)由一種狀態(tài)轉(zhuǎn)入另一種狀態(tài)時,估值NN輸出的評價信號(內(nèi)部啟發(fā)式的增強(qiáng)信號)可用來判斷先前動作的優(yōu)劣,使主體選

擇具有累積獎賞最大的行動策略

.

圖4　自適應(yīng)啟發(fā)式神經(jīng)評判學(xué)習(xí)過程

權(quán)值更新規(guī)則通過定義如下平方誤差ETD,采用誤差最小化方法,同時訓(xùn)練動作NN和估值NN.

ETD=2

error2,

(1)erroe=r(ai+1)+CV(xi+1)-V(xi).

(2)

其中:r(ai+1)為執(zhí)行動作ai+1后環(huán)境產(chǎn)生的外部增強(qiáng)信號,C為前一次獎賞的折扣率,V(xi)為狀態(tài)xi

時內(nèi)部的啟發(fā)式增強(qiáng)信號.

在環(huán)境適應(yīng)性研究過程中,更富有挑戰(zhàn)性的工

作是將人本身作為環(huán)境的問題.早期的人機(jī)界面大

多為無反饋的開環(huán)系統(tǒng),表現(xiàn)為人適應(yīng)機(jī)器.20世

紀(jì)90年代末,MIT的Picard提出了情感計算(AffectiveComputing)[16]的概念,即如何使機(jī)器具

有情感智能的能力.這種能力體現(xiàn)在對人的嗜好、厭

倦、挫折和愉悅等某種情感狀態(tài)的識別和恰當(dāng)?shù)捻憫?yīng),并最終影響人的情緒變化.Picard認(rèn)為情感首先

是一種可測量的物理量,機(jī)器可通過用戶界面獲得

人的情感數(shù)據(jù),并分析這些數(shù)據(jù),以對人的當(dāng)前情感

歸類;然后,通過適應(yīng)算法找出用戶喜好的規(guī)律;最后,記錄下這些規(guī)律,并在以后使用.這樣就可以通

過借助與人的交互找出人的情感規(guī)律,使人越來越

滿意,從而實現(xiàn)機(jī)器適應(yīng)人.圖5即是通過隱

2.3　智能主體間的協(xié)調(diào)

多主體系統(tǒng)中的協(xié)調(diào)問題是指多個主體為了以

一致、和諧的方式工作而進(jìn)行交互的過程.進(jìn)行協(xié)調(diào)

是希望避免主體之間的死鎖和活鎖.死鎖指多個主體無法進(jìn)行各自的下一步動作;活鎖是指多個主體

不斷工作卻無任何進(jìn)展的狀態(tài).多主體之間的協(xié)調(diào)

已經(jīng)有多種方法.

傳統(tǒng)人工智能在多機(jī)器人系統(tǒng)實施協(xié)調(diào)時,通

圖5　情感計算中的隱Markov模型

常建立一個集中式的復(fù)雜的計算機(jī)控制系統(tǒng),針對

目標(biāo)任務(wù)集中組織規(guī)劃并產(chǎn)生各個機(jī)器人控制器的Markov模型描述情感變化規(guī)律的一例.2.2　智能主體內(nèi)部狀態(tài)間的協(xié)調(diào)

基于行為主義智能主體的構(gòu)建方法是將動作分解成幾個具有相互獨立狀態(tài)的專用模塊(避障、漫游、探險等),每一專用模塊由傳感裝置直接映射到執(zhí)行裝置,沒有中樞控制系統(tǒng)的作用.雖然各狀態(tài)之間沒有干擾,但極易產(chǎn)生沖突,造成主體無所適從.為了解決上述問題,早期Brooks采用了包容結(jié)構(gòu)的方法,即相鄰模塊結(jié)合時采用抑制和禁止結(jié)點(如圖6所示)[6].抑制結(jié)點加在輸入端,控制輸入信號,必要時可以進(jìn)行修改;禁止結(jié)點放在輸出端,在一定時間里禁止特定信號的輸出

.

圖6　包含結(jié)構(gòu)中的抑制和禁止

由于這種簡單的行為組合不具備學(xué)習(xí)功能,使主體很難完成復(fù)雜的行為動作.為此,在內(nèi)部狀態(tài)協(xié)調(diào)方面引入了進(jìn)化計算和強(qiáng)化學(xué)習(xí)等機(jī)制,其核心是適應(yīng)度函數(shù)的選取.例如利用組合遺傳算子參數(shù)設(shè)置方法實現(xiàn)避碰和獲取目標(biāo)的行為組合

[17]

n

m

l

Fitness=

∑i

∑j

k

i=1

d

-

j=1

c

+

∑k=1

p

.(3)

其中:d為移動距離,n為運行時間步長,c為碰撞懲罰,m為碰撞次數(shù),p為獲取目標(biāo)的獎勵,l為獲取目標(biāo)的個數(shù).它的適應(yīng)度函數(shù)包括了組合動作的參數(shù).如果某種動作參數(shù)選擇不當(dāng),使得一種行為占主導(dǎo)地位,則主體的總體平均適應(yīng)值會降低.類似地采用強(qiáng)化學(xué)習(xí)方法,在選擇每一動作后給出一個獎罰評

判值,以此激勵主體選擇獎賞值高的動作,達(dá)到內(nèi)部狀態(tài)協(xié)調(diào)的目的.

輸入指令,控制各機(jī)器人的運動達(dá)到協(xié)作的目的.行

為主義人工智能則從主體特性出發(fā),認(rèn)為主體具有

自治能力和自發(fā)行為,即主體不但可以主動與其他

主體進(jìn)行交互,而且可以對其他主體的交互請求給予響應(yīng)或拒絕.這種首先定義分散自主的主體,然后

研究怎樣完成一個或幾個實體的任務(wù)求解由底向上

的設(shè)計方法,目前被研究者廣泛應(yīng)用.例如一種基于

agent團(tuán)隊的強(qiáng)化學(xué)習(xí)模型[18]

,在仿真機(jī)器人足球

領(lǐng)域取得了成功應(yīng)用.模型中引入了主導(dǎo)agent(控

球隊員)的概念,整個團(tuán)隊中只有主導(dǎo)agent才承擔(dān)學(xué)習(xí)任務(wù),而每個agent都有可能充當(dāng)這一角色,團(tuán)

隊的學(xué)習(xí)結(jié)果是所有agent學(xué)習(xí)結(jié)果的綜合.主導(dǎo)

agent可以部分地決定下一個主導(dǎo)agent的人選,這是一種很典型的基于行為主義的多主體協(xié)作學(xué)習(xí)模式.

此外,還有通過基于互惠利他行為策略的強(qiáng)化學(xué)習(xí),加強(qiáng)彼此協(xié)作,獲得穩(wěn)定性能;通過協(xié)同進(jìn)化

構(gòu)造機(jī)器人社會;引入達(dá)爾文“適者生存”的生物機(jī)

制,通過遺傳算法實現(xiàn)多主體的協(xié)作.這些具有高度協(xié)調(diào)的多主體系統(tǒng)(MAS)更能體現(xiàn)人類社會的智能,更加適合于開放、動態(tài)的世界環(huán)境.它的研究已

成為人工智能,甚至計算機(jī)科學(xué)的研究熱點.

3　行為主義人工智能研究中的前沿技術(shù)

　　1986年,在行為主義理論的指導(dǎo)下,第一個基于“感知-行為”模式的輪式機(jī)器人誕生,它在不需中

樞控制的情況下分別實現(xiàn)了避讓、前進(jìn)、平衡等功

能.經(jīng)過10余年的發(fā)展,一些前沿技術(shù)理論不斷地滲透到行為主義人工智能的研究中,使以該方法設(shè)

計的機(jī)器人具有更加復(fù)雜的、智能的組合行為,以及協(xié)同工作的能力.這些技術(shù)主要包括主體技術(shù)理論、

軟計算和面向主體的編程思想.3.1　主體技術(shù)

主體技術(shù)把人工智能中相互分離的領(lǐng)域統(tǒng)一起

來,通過從感知外部環(huán)境到實施行動并最后對外部

環(huán)境施加影響的過程,形成一個相互聯(lián)系的整體,使

主體成為一個具有智能行為概念的“人”.因此,主體應(yīng)具有自治性、社會能力、反應(yīng)能力和自發(fā)行為[19].自治性:主體運行時不直接由人或其他東西控制,它對自己的行為和內(nèi)部狀態(tài)有一定的控制權(quán).

社會能力:或稱可通信性,即主體能夠與其他主體進(jìn)行信息交換.

反應(yīng)能力:即對環(huán)境的感知和影響,它們都可以感知所處的環(huán)境,并通過行為改變環(huán)境.

從而產(chǎn)生能適應(yīng)環(huán)境并完成目標(biāo)任務(wù)的動作行為.

3.3　面向主體編程

[22]

面向主體編程(AOP)是一種新的關(guān)于計算的

框架.相對于面向?qū)ο?OOP)中的對象而言,主體是一個粒度更大、智能性更高、具有一定自主性的

實體,同時又具有面向?qū)ο蠓椒ㄖ械姆庋b性、繼承性

和多態(tài)性.因此,有的學(xué)者認(rèn)為面向主體編程是面向?qū)ο缶幊谭椒ǖ囊环N特例.

盡管如此,AOP與OOP還是存在很大的區(qū)別,

自發(fā)行為:主體的行為應(yīng)該是主動,或者說是自發(fā)的.

此外,主體還應(yīng)具有學(xué)習(xí)能力,即根據(jù)過去的經(jīng)驗積累知識,并修改行為以適應(yīng)新的環(huán)境.

在主體概念的框架中研究行為主義人工智能,可以建立以下4種主體類型[20]

:

1)簡單的反應(yīng)型主體:其內(nèi)部的“條件-動作”規(guī)則形成主體從感知到動作的映射;

2)具有內(nèi)部狀態(tài)的反應(yīng)型主體:內(nèi)部狀態(tài)作為歷史因素與當(dāng)前的感知共同產(chǎn)生一個被更新的當(dāng)前狀態(tài),據(jù)此指導(dǎo)主體如何動作;

3)基于目標(biāo)的主體:主體通過學(xué)習(xí)(進(jìn)化計算和強(qiáng)化學(xué)習(xí))調(diào)整內(nèi)部狀態(tài),以獲得能夠到達(dá)目標(biāo)的動作;

4)基于效用的主體:內(nèi)部具有清晰的效用評價函數(shù)的主體,它能夠?qū)Σ煌膭幼鬟^程所獲得的利益進(jìn)行比較,作出理性的決定.3.2　軟計算

軟計算是由Zadeh于1992年首先提出的,它由若干種計算方法構(gòu)成,包括模糊邏輯、神經(jīng)計算、遺傳算法、概率推理和部分學(xué)習(xí)理論等[21].這些技術(shù)緊密集成便形成了軟計算的核心,通過協(xié)同工作,可以保證軟計算有效利用人類知識,處理不精確及不確定情況,對未知或變化的環(huán)境進(jìn)行學(xué)習(xí)和調(diào)節(jié),以提高性能.Zadeh指出:軟計算的指導(dǎo)原則是開拓不精確性、不確定性和部分真實的容忍,以達(dá)到可處理性、魯棒性、低成本求解以及與現(xiàn)實更好地緊密聯(lián)系;軟計算的作用模型是人的思維.可見他的指導(dǎo)原則與行為主義人工智能的中心思想在一定程度上是一致的.

在基于行為的主體框架中,主要采用了遺傳算法、強(qiáng)化學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)等計算方法的結(jié)合.例如目前比較先進(jìn)的方法是以神經(jīng)網(wǎng)絡(luò)構(gòu)建主體的行為模型,通過組合遺傳算法和強(qiáng)化學(xué)習(xí)獲得環(huán)境知識和適應(yīng)函數(shù)或評價函數(shù),并據(jù)此調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù),

主要體現(xiàn)在[23]

:

1)OOP的對象內(nèi)部屬性在AOP中規(guī)定為心

智狀態(tài),例如知識、信念、能力、承諾等,每種心智狀

態(tài)都有其一定含義;

2)OOP中所傳遞的消息根據(jù)對象的不同有所

不同,而在AOP中主體使用同一種通信語言,例如

通知、請求、承諾、拒絕等,它具有與主體無關(guān)的語義,因此這種通訊更規(guī)范、更明確;

3)OOP的對象沒有任何自治性,本質(zhì)上是被動的,而主體是主動的,它可以自治地、獨立地試圖完成目標(biāo),而無需外界的指令.

國外從20世紀(jì)90年代中后期便開始將面向主

體編程方法應(yīng)用于多主體系統(tǒng)(MAS)的開發(fā)設(shè)

計[24]

.近年來,國內(nèi)對面向主體編程方法的研究與應(yīng)用也取得了許多顯著的成果.可以預(yù)見,面向主體編程方法必將成為軟件工程中新的一代主流技術(shù)而

迅速得到發(fā)展與應(yīng)用.

4　結(jié)　　論

　　目前,已有許多基于行為主義思想設(shè)計的智能系統(tǒng)能夠滿足人類多方面的要求,這些系統(tǒng)的成功

主要歸功于Barry提出的3個基本設(shè)計原則:簡單

性原則、無狀態(tài)原則和高冗余性原則[25]

.

簡單性原則是指運用快速反饋代替精確的計算,允許通過簡單的估算或比較來產(chǎn)生復(fù)雜的動作,

同時分解的行為之間的相互作用要盡可能小或平行.這種設(shè)計方法能使系統(tǒng)簡化、開放和更適應(yīng)環(huán)

境,而不僅適用于某一特定模型,因而具有設(shè)計與現(xiàn)

實相匹配的優(yōu)點.無狀態(tài)原則規(guī)定設(shè)計時必須使系統(tǒng)的內(nèi)部狀態(tài)與外在環(huán)境保持同步,這就要求所保

留的狀態(tài)不能在系統(tǒng)中長時間起作用.這種設(shè)計原

則提高了系統(tǒng)的可改變性,使系統(tǒng)更易完善,對環(huán)境

的變化和其他失誤的適應(yīng)能力更強(qiáng).高冗余性原則是使系統(tǒng)能與不確定因素共存,而不是消除不確定因素.由不確定因素所造成的矛盾、沖突和不一致,

為智能系統(tǒng)的學(xué)習(xí)和進(jìn)化提供了多樣選擇,使其更

博泰典藏網(wǎng)btdcw.com包含總結(jié)匯報、教學(xué)研究、高中教育、高等教育、外語學(xué)習(xí)、經(jīng)管營銷、工程科技以及有關(guān)行為主義人工智能研究綜述_徐心和等內(nèi)容。

  本文關(guān)鍵詞：有關(guān)行為主義人工智能研究綜述，由筆耕文化傳播整理發(fā)布。

本文編號：200339