第一篇：人工智能在教學(xué)中的應(yīng)用與實現(xiàn)

人工智能在教學(xué)中的應(yīng)用與實現(xiàn)

隨著現(xiàn)代科技的飛速發(fā)展，多媒體計算機在教育領(lǐng)域得到了廣泛應(yīng)用，并對教育、教學(xué)過程產(chǎn)生著深刻影響。為了使教學(xué)改革能與之相適應(yīng)，需要引入先進的教學(xué)手段，而使用計算機輔助教學(xué)系統(tǒng)(Computer Aided Instruction, CAI)可以提供理想的教學(xué)環(huán)境，容易激發(fā)學(xué)習(xí)者的學(xué)習(xí)積極性和主動性，從而顯著提高教學(xué)效果。多媒體技術(shù)的日益發(fā)展以及與其它領(lǐng)先技術(shù)的結(jié)合，必然促進CAI的進一步發(fā)展。人工智能(Artificial Intelligence, AI)是20世紀(jì)50年代中期興起的一門新興邊緣科學(xué)，它既是計算機科學(xué)的一個分支，又是計算機科學(xué)、控制論、信息論、語言學(xué)、神經(jīng)生理學(xué)、心理學(xué)、數(shù)學(xué)、哲學(xué)等多種學(xué)科相互滲透而發(fā)展起來的綜合性學(xué)科。人工智能又稱為智能模擬，是用計算機系統(tǒng)模仿人類的感知、思維、推理等思維活動。它研究和應(yīng)用的領(lǐng)域包括模式識別、自然語言理解與生成、專家系統(tǒng)、自動程序設(shè)計、定理證明、聯(lián)想與思維的機理、數(shù)據(jù)智能檢索等。例如，用計算機模擬人腦的部分功能進行學(xué)習(xí)、推理、聯(lián)想和決策；模擬醫(yī)生給病人診病的醫(yī)療診斷專家系統(tǒng)；機械手與機器人的研究和應(yīng)用等。本文針對CAI的發(fā)展前景，重點論述人工智能技術(shù)對CAI，尤其是對智能化CAI產(chǎn)生的重大影響，并通過一個實例說明實現(xiàn)的思路與設(shè)想。計算機輔助教學(xué)系統(tǒng)及其現(xiàn)狀 1 計算機輔助教學(xué)系統(tǒng)

計算機輔助教學(xué)(CAI)即利用計算機代替教師進行教學(xué)，把教學(xué)內(nèi)容編成各種“課件”，學(xué)習(xí)者可以根據(jù)自己的程度選擇不同的內(nèi)容進行學(xué)習(xí)，從而使教學(xué)內(nèi)容多樣化、形象化，便于因材施教。如各種教學(xué)軟件、試題庫、專家系統(tǒng)等。CAI無論是在普通教育、高等教育還是在繼續(xù)教育中都扮演著重要的角色。在國外，CAI課件已經(jīng)廣泛應(yīng)用于學(xué)校和家庭中，并收到了很好的效果。在我國，盡管CAI的研究起步較晚，但發(fā)展很快，自上世紀(jì)80年代起，已有一批實力雄厚的高等院校把CAI的發(fā)展列為重點研究課題。2 計算機輔助教學(xué)的現(xiàn)狀

CAI的實現(xiàn)需要應(yīng)用AI技術(shù)及編制復(fù)雜的程序，如自然語言理解、知識表示、推理方法等，一些AI技術(shù)的特殊應(yīng)用成果，如代數(shù)說明、符號合成、醫(yī)療診斷及理論證明等均被應(yīng)用于CAI系統(tǒng)，以提高其智能性和實用性。

早期絕大多數(shù)CAI課件大都使用決策理論和隨機學(xué)習(xí)的模式，它極大地簡化了學(xué)習(xí)過程的表達形式。例如早期的地質(zhì)教學(xué)系統(tǒng)(SCHOCAR)等。后來，隨著人工智能技術(shù)的發(fā)展，CAI系統(tǒng)中添加了學(xué)生的學(xué)習(xí)行為及訓(xùn)練策略，同時AI技術(shù)被應(yīng)用于建立學(xué)習(xí)顧問模塊(存放所要教課程的問題和技能)。這種方法能控制訓(xùn)練策略并給出適合學(xué)生的學(xué)習(xí)內(nèi)容。目前為了獲取對課程知識表示和控制的靈活性和模塊性，有些CAI系統(tǒng)還用AI技術(shù)來表示訓(xùn)練計劃和策略。例如多數(shù)程序設(shè)計語言的CAI均屬此例。

到目前為止，所使用的絕大多數(shù)傳統(tǒng)的CAI都是將全部教學(xué)信息以編程方式預(yù)置于課件中，這樣的CAI課件一旦制作完成，任何較大的教學(xué)改動都會給維護工作帶來極大的不便。因此現(xiàn)有的CAI系統(tǒng)面臨許多挑戰(zhàn)，它主要存在以下幾方面的問題。（1）缺乏開放性

不具有開放性是目前CAI課件最大的缺點。使用者無法對課件進行任何修改，只能利用已有資源按設(shè)定的路線進行教學(xué)。其弊端在于：①

固定內(nèi)容的局限性使課件的適用面狹窄；② 設(shè)定的運行路線使授課缺乏自主性；③ 授課的針對性不強；④ 無法利用新出現(xiàn)的資源在較高起點上進行二次開發(fā)。（2）缺乏人機交互能力

現(xiàn)有CAI大多以光盤作為信息的載體，將教材中的內(nèi)容以多媒體的形式展現(xiàn)出來，教學(xué)信息是按預(yù)置的教學(xué)流程機械式地提供給學(xué)習(xí)者，學(xué)習(xí)者使用CAI課件學(xué)習(xí)是完全被動的。在課堂教學(xué)中，一般只能通過教師按預(yù)定的課件流程進行操作，無論學(xué)生還是教師都不能很好地參與教與學(xué)的過程，因此人機交互沒有很好地實現(xiàn)。（3）忽視課程本身的特點

各門課程在教學(xué)上有不同的要求，但現(xiàn)有課件對于這些不同要求完全不予理會。例如很多課程都要涉及到大量的曲線或曲面，對有些課程來說，將這些曲線或曲面給出一個簡單的展示就足夠了，而有些課程這樣的展示不能達到教學(xué)目的的要求。例如：在講授計算機圖形學(xué)中各種曲線或曲面的生成算法時，如果能在課件中直接動態(tài)地展示這些圖形的生成過程，充分發(fā)揮計算機輔助教學(xué)的優(yōu)點，無疑會使計算機圖形學(xué)的教學(xué)更具有吸引力，從而大大提高教學(xué)效率。

（4）缺乏教師與學(xué)生的互動

現(xiàn)有CAI課件在學(xué)生自學(xué)以及進行操作使用時，如何學(xué)習(xí)都是學(xué)生自己的事。教師不能完全了解學(xué)習(xí)者的情況，學(xué)生在碰到問題時不能向教師求助，師生之間互相封閉，談不上師生互動，因此課件所起的效果大打折扣。同時由于缺乏網(wǎng)絡(luò)支持，現(xiàn)有的絕大多數(shù)CAI課件都是在單機環(huán)境下運行的，它們無法利用網(wǎng)絡(luò)的優(yōu)勢使知識內(nèi)容快速更新，當(dāng)然更無法提供便捷的學(xué)習(xí)討論空間、隨時隨地的師生交流方式以及遠程教學(xué)實現(xiàn)的條件。（5）缺乏教學(xué)策略

在課件的開發(fā)過程中實際上離不開教學(xué)策略的設(shè)計，但課件的制作者往往并未意識到這一點。例如：現(xiàn)有的絕大多數(shù)課件都是單一的展播式的，這樣的課件制作“精美”，但它不可逆、不能互動。實際上運用課件教學(xué)只是手段而不是目的，應(yīng)該在教學(xué)設(shè)計理論的指導(dǎo)下講求課件的實效性，著眼點在于對學(xué)生學(xué)習(xí)新知識、掌握新技術(shù)、培養(yǎng)各種能力有幫助，而不是表面上的制作“精美”。（6）缺乏智能性

現(xiàn)有的CAI課件系統(tǒng)不能對不同程度的學(xué)生進行有針對性的教育，學(xué)生的學(xué)習(xí)是被動的，不能由系統(tǒng)自動提供助學(xué)信息而使學(xué)生有選擇地學(xué)習(xí)。對教師而言，其教學(xué)不能積極地參與其中，不能根據(jù)系統(tǒng)提供的信息按照學(xué)生的認(rèn)知模型為其準(zhǔn)備最適合的學(xué)習(xí)內(nèi)容，更不能給予不同方式的教學(xué)模式與方法，因此不具有智能性。

綜上所述，現(xiàn)有的CAI存在許多問題，隨著新技術(shù)的不斷出現(xiàn)，這些問題將使CAI越來越不能適應(yīng)新的要求。因此以智能CAI為代表的新的計算機輔助教學(xué)系統(tǒng)將成為教育技術(shù)上需要不斷探求、努力實現(xiàn)的發(fā)展方向。3 智能化計算機輔助教學(xué)系統(tǒng)(ICAI)智能計算機輔助教學(xué)系統(tǒng)(Intelligent Computer Aided Instruction, ICAI)以認(rèn)知學(xué)為理論基礎(chǔ)，將AI技術(shù)應(yīng)用于CAI，是智能化的CAI。在ICAI系統(tǒng)中，學(xué)生的學(xué)習(xí)可以借助于智能化計算機對大量知識進行選擇、判斷、處理，使學(xué)習(xí)內(nèi)容更有針對性，從而提高學(xué)習(xí)效果。

教學(xué)過程是一個復(fù)雜的教與學(xué)的思維過程。它需要教師以其專門知識和經(jīng)驗為依據(jù)，經(jīng)過吸收、講解、推理、示例、綜合等多個步驟才能較好地完成。一個教學(xué)型專家系統(tǒng)的任務(wù)是根據(jù)學(xué)生的特點、弱點和基礎(chǔ)知識，以最適當(dāng)?shù)慕虒W(xué)方案和教學(xué)方法對學(xué)生進行教學(xué)和輔導(dǎo)。因此，從AI的角度看，計算機輔助教學(xué)實際上是一個由計算機系統(tǒng)輔助教師進行教學(xué)及學(xué)生進行學(xué)習(xí)并得以實現(xiàn)的“專家系統(tǒng)”。因而，在CAI中引人AI思想，即使用專家系統(tǒng)的方法、工具，構(gòu)建智能CAI(即ICAI)。這樣構(gòu)建成的專家系統(tǒng)的主要特點是具有診斷和調(diào)試修改功能、具有良好的人機界面。

在智能CAI中，教學(xué)思想、方法、學(xué)習(xí)內(nèi)容可用知識形式表示，如何解決知識的形式化表示以及知識的訪問與調(diào)用問題，是AI的核心技術(shù)之一，也是將AI引入教育技術(shù)領(lǐng)域中所要面臨的一個問題。知識庫是實現(xiàn)知識推理與專家系統(tǒng)的基礎(chǔ)，可以用知識庫作為智能CAI的構(gòu)建環(huán)境，在知識庫中，教學(xué)內(nèi)容等的有關(guān)知識可以用事實與規(guī)則表示，并存儲于知識庫內(nèi)。教學(xué)與學(xué)習(xí)過程即是對知識庫中的知識進行推理，并最終得出所需結(jié)果的過程。由于專家系統(tǒng)主要是由知識庫與推理機組成的，因此，它也是智能計算機輔助教學(xué)系統(tǒng)的核心技術(shù)。

第二篇：人工智能在城市交通信號控制中的應(yīng)用

五邑大學(xué)智能交通讀書報告

人工智能在城市交通信號控制中的應(yīng)用

五邑大學(xué)信息工程學(xué)院

2012年4月

目錄

摘要

Abstract 第一章緒論

1.1研究背景

1.2智能交通系統(tǒng)簡介

1.3城市交通信號控制概述

1.4國內(nèi)外城市交通信號控制的發(fā)展歷程

1.5城市交通信號燈控制的發(fā)展方向

第二章 城市智能交通控制的基本理論

2.1模糊邏輯(Fuzzy Logic)

2.2人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks)

2.3遺傳算法(Genetic Algorithm)

2.4蟻群算法(Ant Colony Optimization)

2.5粒子群算法(Particle Swarm Optimization)

2.6多智能體技術(shù)(Multi-agent)第三章 多智能體技術(shù)介紹

3.1智能體(Agent)

3.2 Agent的結(jié)構(gòu)

3.3 Agent的分類

3.4多智能體系統(tǒng)在交通控制領(lǐng)域的優(yōu)越性

第四章

基于RBF神經(jīng)網(wǎng)絡(luò)的單交叉口自學(xué)習(xí)控制系統(tǒng)

4.1引言

4.2問題描述

4.3控制器的設(shè)計及其算法

4.3.1基于神經(jīng)網(wǎng)絡(luò)的單交叉口模型 4.3.2 RBF神經(jīng)網(wǎng)絡(luò) 4.3.3神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)方案

4.4仿真分析

第五章結(jié)論與展望

5.1 總結(jié)

5.2 展望

摘要

隨著社會的進步，城市化進程加快，城市人口和車輛日益增多，城市交通問題日益突出，嚴(yán)重影響城市發(fā)展。先進的城市交通信號控制系統(tǒng)能提高現(xiàn)有道路的通行能力，改善交通狀況，達到疏導(dǎo)交通、保證交通安全、暢通，智能交通系統(tǒng)就是其中之一，智能交通系統(tǒng)的發(fā)展，城市交通信號控制己成為最重要的研究方向。由于城市交通的復(fù)雜性，采用傳統(tǒng)的控制方法己無法有效地解決交通信號控制問題，本文研究人工智能控制的方法在城市交通信號控制中的應(yīng)用。

關(guān)鍵詞: 交通信號控制，人工智能，ITS,神經(jīng)網(wǎng)絡(luò)，模糊理論，相序優(yōu)化

第一章

緒論 1.1研究背景

城市交通是城市經(jīng)濟活動的命脈，對城市經(jīng)濟的發(fā)展，人民生活水平的提高起著十分重要的作用。從1886年第一輛小汽車在德國問世，增加了人類在交通領(lǐng)域的機動性，便捷性，同時促進了城市道路和高速公路的發(fā)展。隨著汽車工業(yè)的迅速發(fā)展，汽車己經(jīng)成為人們?nèi)粘Ｉ钪斜夭豢缮俚慕煌üぞ摺，F(xiàn)在，人類社會的科學(xué)技術(shù)和經(jīng)濟力己經(jīng)發(fā)展到了相當(dāng)高的水平，機動車輛迅速增加，有關(guān)資料表明:1978年至1995年全國城市機動車的保有量的增長速度是道路增長速度的80倍。從70年代末起，我國城市汽車擁有量以每年平均12%-14%的速度增長。1978年，我國民用汽車總量僅有135.84萬輛，到2001年超過1845萬輛，機動車總數(shù)達到6852萬輛。其中，私人汽車由1985年的28.45萬輛增加到770萬輛，這些民用汽車特別是私人汽車，多集中在我國的城市地區(qū)，而且增長趨勢迅猛。

汽車工業(yè)雖然給人們帶來各種便利，但是也給城市交通帶來了沉重負擔(dān)，城市道路交通供需的嚴(yán)重不平衡已經(jīng)成為各大中城市所共同面對的嚴(yán)重問題，特別是在大城市，交通堵塞現(xiàn)象時有發(fā)生，這不僅影響城市的正常運轉(zhuǎn)，而且明顯降低了人們的日常工作效率。據(jù)統(tǒng)計，現(xiàn)在全國32個百萬人口以上的城市中，有27個城市的人均道路面積低于全國平均水平。每年由交通堵塞造成的直接經(jīng)濟損失大約1600億元;相當(dāng)于國內(nèi)生產(chǎn)總值的3.2%121.由此產(chǎn)生了一系列的問題，如環(huán)境污染、交通擁擠、交通事故頻發(fā)等，給人們的生命和財產(chǎn)帶來了很大的損失。

2001年，全國共發(fā)生交通事故70多萬起，10萬多人死亡，受傷人數(shù)50萬人，直接經(jīng)濟損失達30億元。近五年，全國道路交通事故起數(shù)上升了32.5%，死亡人數(shù)上升了85%，受傷人數(shù)上升了42%。目前，機動車污染己經(jīng)上升為我國城市大氣和噪聲的主要污染源。例如，北京市汽車排放的一氧化碳、碳氫化合物、氮氧化物已占總排放的40%-75%。廣州市與交通有關(guān)的排放占一氧化碳總排放的87%和二氧化氮的67%。據(jù)國際衛(wèi)生組織1998年公布的調(diào)查報告，在全球空氣污染最嚴(yán)重的10個城市中，我國就占了7個，包括太原、北京、烏魯木齊、蘭州、重慶、濟南、石家莊.為了解決上述交通問題，修建更多的道路是最直接和最有效的方法。然而，修建新路的巨額資金和城市有限空間的嚴(yán)格限制，使這一方法的有效性大打折扣。近年來，世界各國都非常重視日益嚴(yán)重的交通問題，投入大量人力物力對道路交通運輸系統(tǒng)的管理與控制技術(shù)進行開發(fā)，相繼出現(xiàn)了許多不同的交通控制手段和系統(tǒng)，為緩解交通擁擠發(fā)揮了巨大的作用。

在以上諸多交通問題中，城市交通問題是困擾城市發(fā)展、制約城市經(jīng)濟建設(shè)的重要因素。隨著城市中的交通線承擔(dān)了更大量的交通負荷，現(xiàn)有的設(shè)施、道路，特別是交通線中承受著高負荷的交叉口，已經(jīng)很難適應(yīng)這種發(fā)展速度，變得越來越擁擠，成為道路交通的瓶頸，因此采用先進的科學(xué)技術(shù)手段對城市交叉路口的交通燈實施合理優(yōu)化控制，對改善城市交通狀況有很大的作用。1.2智能交通系統(tǒng)簡介

近年來，迅速發(fā)展起來的智能交通系統(tǒng)(Intelligent Transportation Systems，簡稱I ONTSj有別于傳統(tǒng)的交通改善技術(shù)，它是國際上對運用當(dāng)代高新科技(計算機、信息、通信、自動控制、電子、系統(tǒng)工程等)提高交通運輸效率、增強交通安全性的一系列先進技術(shù)或技術(shù)集成(交通控制與線路導(dǎo)行系統(tǒng)、車輛行駛安全控制系統(tǒng)、交通運輸信息服務(wù)系統(tǒng)等)的一個統(tǒng)稱。

作為基礎(chǔ)設(shè)施，道路交通運輸支撐著人們的日常生活和經(jīng)濟活動，對社會發(fā)展起著十分重要的作用;然而不斷發(fā)生的交通事故、持續(xù)的交通擁擠以及交通發(fā)展所引起的空氣污染、環(huán)境破壞也逐漸成為倍受關(guān)注的嚴(yán)重社會問題。智能交通系統(tǒng)被認(rèn)為是緩解這一問題的極具潛力的方法。發(fā)達國家從20世紀(jì)60年代就開始從事這一領(lǐng)域的研究和開發(fā)，并取得了不少有價值的成果。據(jù)統(tǒng)計，智能交通運輸系統(tǒng)技術(shù)的應(yīng)用可以減少10%的廢氣排量，20%的交通延時，30%的停車次數(shù)。美國Los Angels地區(qū)和Texas州在智能交通系統(tǒng)方面投資的效益一成本比率分別是16:1和22:1，收益非常顯著。而這一切，都是在基本上沒有進行道路改建和引入新的高速車道的情況下取得的。投資ITS所帶來的收益可見一斑。

智能交通系統(tǒng)開發(fā)的領(lǐng)域主要包括:居民出行與貨物運輸需求智能誘導(dǎo)系統(tǒng)、交通流優(yōu)化與運輸組織智能化方案生成系統(tǒng)、綜合交通樞紐協(xié)調(diào)疏導(dǎo)信息系統(tǒng)、先進的交通管理系統(tǒng)、車輛運營智能調(diào)度管理系統(tǒng)、智能公共交通系統(tǒng)、智能大城市公共交通運輸服務(wù)系統(tǒng)、貨物運輸智能型配載運輸服務(wù)等

我國在20世紀(jì)70年代末就已經(jīng)開始在交通運輸和管理中應(yīng)用電子信息技術(shù)。此后的20多年里，在政府的支持與堅持自主開發(fā)的基礎(chǔ)上通過廣泛的國際交流與合作，在ITS領(lǐng)域進行了初步的理論研究、產(chǎn)品開發(fā)和示范應(yīng)用，并取得了一定的成果。一批從事ITS研究 開發(fā)的研究中心和生產(chǎn)企業(yè)通過理論與實踐相結(jié)合正在成長。國家科技部1999年批準(zhǔn)建立了國家ITS工程技術(shù)研究中心(ITSC)2000年又批準(zhǔn)建立了國家鐵路智能運輸系統(tǒng)工程技術(shù)研究中心。許多大學(xué)和研究機構(gòu)也紛紛組建ITS研究中心，從事ITS的理論研究和產(chǎn)品研發(fā)，例如東南大學(xué)ITS研究中心、武漢理工大學(xué)ITS研究中心、吉林大學(xué)ITS研究中心、北京交通大學(xué)ITS研究中心、同濟大學(xué)ITS研究中心、華南理工大學(xué)ITS研究中心等[121。中國交通領(lǐng)域和IT行業(yè)的很多企業(yè)被ITS巨大的高新技術(shù)市場所吸引，紛紛涉足ITS領(lǐng)域進行其產(chǎn)品的開發(fā)研究和推廣應(yīng)用，將先進的智能控制技術(shù)、信息融合技術(shù)、智能信息處理技術(shù)與交通工程結(jié)合起來，己成為一個嶄新的研究方向

為協(xié)調(diào)和引導(dǎo)中國ITS的發(fā)展，2001年初國家科技部會同當(dāng)時的國家計委、經(jīng)貿(mào)委、公安部、鐵道部和交通部等部門，聯(lián)合成立了全國ITS協(xié)調(diào)指導(dǎo)小組及辦公室，并成立了ITS專家咨詢委員會負責(zé)組織研究中國的ITS發(fā)展總戰(zhàn)略、技術(shù)政策和技術(shù)標(biāo)準(zhǔn)，積極支持有 關(guān)部委、地方、企業(yè)及科研單位，根據(jù)行業(yè)和地區(qū)特點開展ITS的關(guān)鍵技術(shù)研究與應(yīng)用示范工程，促進ITS研究成果的產(chǎn)業(yè)化。1.3城市交通信號控制概述 按照控制原理的不同，傳統(tǒng)的交通信號控制分為定時控制和感應(yīng)控制.定時控制按事先設(shè)定的配時方案運行，根據(jù)交通量歷史數(shù)據(jù)進行配時;感應(yīng)控制是某相位綠時可根據(jù)車流量的變化而改變的一種控 制方式，其中車流量可由安裝在平面交義日進日道上的車輛檢測器測量.一者的控制策略均是基于簡單的數(shù)學(xué)模型，由于城市交通系統(tǒng)中被控對象的不確定性、隨機性和過程機理復(fù)雜性，現(xiàn)場車輛檢測存在 誤差，建立精確的數(shù)學(xué)模型非常困難，這就造成了算法本身就有一定的缺陷.除此之外，即使經(jīng)多次簡化建立的數(shù)學(xué)模型，它的求解還須簡化計算才可完成.對于交通系統(tǒng)這樣時變的復(fù)雜系統(tǒng)而言其效果往往差強人意.隨著人工智能研究熱潮的興起，人工智能方法為智能交通系統(tǒng)的研究提供了堅實的理論基礎(chǔ).針劉傳統(tǒng)交通控制的固有缺陷和局限性，許多學(xué)者將模糊邏輯、神經(jīng)網(wǎng)絡(luò)、遺傳算法、蟻群算法、多智能體技術(shù)等人工智能基礎(chǔ)研究方法同傳統(tǒng)的交通控制方法結(jié)合應(yīng)用.一方面，交通系統(tǒng)結(jié)構(gòu)復(fù)雜、影響因素多、隨機性很強的，利用數(shù)學(xué)方法解決交通問題的難度很大，所建立的模型往往過于復(fù)雜，難于求解，同時交通流系統(tǒng)的多樣性也很難用一種或兒種模型來體現(xiàn);另一方面，交通系統(tǒng)又是一個動態(tài)的時變系統(tǒng)，交通竹理與控制的實時性要求非常高.因此，從實際情況出發(fā)，基于數(shù)學(xué)描述的交通竹理控制方法難以滿足在線實時控制的要求，可操作性較差.而人工智能的方法(包括模糊邏輯、人工神經(jīng)網(wǎng)絡(luò)、遺傳算法等)，借鑒人類求解問題的方法，通過知識的表達、推理和學(xué)習(xí)解決復(fù)雜的問題，將以往用純數(shù) 學(xué)來描述交通系統(tǒng)轉(zhuǎn)變?yōu)橛弥R或知識與數(shù)學(xué)模型相結(jié)合來描述.1.4國內(nèi)外城市交通信號控制的發(fā)展歷程

1868年英國在倫敦市首次使用了燃汽信號燈，用于管理城市交通，這種信號根據(jù)鐵路信號顯示方式由紅燈與綠燈組成，這標(biāo)志著城市交通信號使用的開始[[141。這時交通警察大多使用手提式照明燈來指揮交通。1914年，美國在克利夫蘭城安裝使用了人工操作的電氣照明信號燈，六年后被日本采用，十年后被英國采用，這種信號設(shè)置在交叉口中央的信號塔上，四個方向均有直徑為37.5cm的紅、綠、黃三色的圓形投光器。許多國家采用后又逐漸給予了改進。1926年，世界上第一臺自動控制街道交叉路口的交通信號機在英國研制成 功并開始使用，它采用固定周期控制方式，隨后又出現(xiàn)多時段固定周期控制方式。1928年，美國研制成功車輛感應(yīng)式交通信號燈，使用橡皮管氣壓式檢測器。幾年后被英國、日本采用。在交通信號不斷改進和發(fā)展的同時，用于多個路口協(xié)調(diào)統(tǒng)一控制的交通信號控制方式 也在不斷進步。1917年，美國鹽湖城安裝使用了人工控制的干道信號協(xié)調(diào)系統(tǒng)。1922年，美國休斯敦市建立了一個采用電子計時器的干道信號協(xié)調(diào)系統(tǒng)。1928年，美國研制成功一種靈活的步進式定周期干道信號定時系統(tǒng)，由于其技術(shù)簡單，可靠性高，價格低廉，很快 被英國、前聯(lián)邦德國、日本等國廣泛應(yīng)用。

隨著交通信號感應(yīng)控制技術(shù)和電子計算機技術(shù)的發(fā)展，1952年在美國丹佛城出現(xiàn)了采用模擬電子計算機的交通信號控制系統(tǒng)，該系統(tǒng)將單一交叉路口的交通感應(yīng)控制概念應(yīng)用于街道交通信號化網(wǎng)絡(luò)，并用車輛檢測器向控制中心輸入交通流數(shù)據(jù)，用模擬電子計算機 進行數(shù)據(jù)處理，然后再調(diào)整各交叉路口的交通信號程序。在隨后的11年間，美國建立了100個這種信號控制系統(tǒng)。1963年加拿大多倫多市投入了由IBM650型計算機控制的交通信號協(xié)調(diào)控制系統(tǒng)，這標(biāo)志著城市道路交通控制系統(tǒng)進入了一個新的階段。其后，美國、英國、前聯(lián)邦德國、日本、澳大利亞等國家相繼建成數(shù)字電子計算機區(qū)域交通控制系統(tǒng)，這種系統(tǒng)一般還配合交通監(jiān)視系統(tǒng)組成交通管制中心。到八十年代初，全世界建有交通管制中心的城市有300多個。1.5城市交通信號燈控制的發(fā)展方向

越來越多的資料顯示表明，城市交通信號控制的研究主要體現(xiàn)在以下三個方面:

(1)人工智能(AI)在城市交通信號控制問題中的應(yīng)用有利于提高當(dāng)前交通信號控制系統(tǒng)的性能

最近，越來越多的人們開始把注意力集中在人工智能技術(shù)應(yīng)用于交通工程問題上。城市交通信號控制系統(tǒng)在操作方面分為三個重要階段，即交通數(shù)據(jù)采集、數(shù)據(jù)分析與處理、判斷與控制。從數(shù)據(jù)采集和處理，到確定最好的控制動作，以及到動作的實施，關(guān)鍵是全面提高信息決策過程的質(zhì)量。這些都和相當(dāng)多的專門知識有關(guān)，在很大程度上涉及相關(guān)的規(guī)章制度，并且受限于現(xiàn)實中的實際約束。歸納上述問題，用AI途徑來提高相應(yīng)的基本職能是可能的。綜合起來，難題集中于精確交通信號方案選擇體系，交通信號方案選擇體系在歐洲己經(jīng)被廣泛用于UTCS田rban Traffic Control System)中。(2)利用離散時間、滾動區(qū)域法(rolling horizon)研究交通信號控制系統(tǒng)

滾動區(qū)域法利用最近檢測到的數(shù)據(jù)，對系統(tǒng)現(xiàn)行狀態(tài)(主要是各個路口的現(xiàn)行排隊長，進行估計，為滾動區(qū)域的持續(xù)時間內(nèi)搜尋一種優(yōu)化信號控制方案。滾動區(qū)域的時間必須足夠長，時間分為兩部分，前一段時間執(zhí)行滾動區(qū)域法的優(yōu)化方案。在滾動區(qū)域法的最后一 段時間內(nèi)，以終端代價函數(shù)的形式驗證滾動區(qū)域法基礎(chǔ)上優(yōu)化的信號方案。若滿足要求，則繼續(xù)執(zhí)行該方案，否則停止執(zhí)行，重新優(yōu)化信號方案。Robertson和Bretherton于1974年最初提出了離散時間滾動區(qū)域法，至今該領(lǐng)域的主要研究及發(fā)展，大多在歐洲國家。用戶網(wǎng)絡(luò)的離散時間、滾動區(qū)域法信號控制系統(tǒng)有待于研究。

(3)分散控制系統(tǒng)仍是未來的一個研究方向

分散控制系統(tǒng)相對集中控制系統(tǒng)來說可以減少信道負載，減少網(wǎng)絡(luò)控制中災(zāi)難性失效。因此，這種控制系統(tǒng)仍是未來研究和發(fā)展的一個重要方向。

第二章 城市智能交通控制的基本理論

從應(yīng)用上來看，日前具有代表性的城市交通控制系統(tǒng)中，英國的SCOOT屬于集中式控制系統(tǒng)，澳大利亞的SCAT和德國的MOTION為遞階分層分布式控制系統(tǒng)，但這些系統(tǒng)及其體系結(jié)構(gòu)未考慮到如 何實現(xiàn)控制方式或控制模式多元化及其傳統(tǒng)控制方法與人工智能技術(shù)集成的問題.西班牙的D.M.Aymerich和法國的G.S cemama對這些問題分別進行了有益的研究和探索，但這些系統(tǒng)的體系結(jié)構(gòu)只強調(diào)繼承和利用現(xiàn)有的交通系統(tǒng)而不能自成體系，難以體現(xiàn)系統(tǒng)的分層遞階特征，有一定的局限性.從理論研究上來看，傳統(tǒng)的城市智能交通控制方法是通過對城市交通系統(tǒng)建立一定的數(shù)學(xué)模型，然后運用最優(yōu)控制理論來求解控制變量.在這類方法中，為了簡化問題和解決某些數(shù)學(xué)技術(shù)上的具體限制，在建模時通常需要對模型進行理想化和一些不確定條件的人為設(shè)定，而這些簡化與現(xiàn)代城市，尤其是特大型城市的交通系統(tǒng)所具有的非線性、動態(tài)時變性等特點是相矛盾的，因此造成了所用最優(yōu)方法在實際 中并非最優(yōu)，或者面對大規(guī)模城市無法對交通數(shù)據(jù)進行實時有效的計算等缺點.新的技術(shù)和方法的引入顯得十分必要和非常迫切，計算機的出現(xiàn)和廣泛應(yīng)用促成了人工智能研究熱潮的掀起，而這又必然會導(dǎo) 致包括系統(tǒng)體系結(jié)構(gòu)及控制策略等各方面的調(diào)整和改進.許多專家學(xué)者從智能控制的角度出發(fā)，利用模糊邏輯、人工神經(jīng)網(wǎng)絡(luò)等理論來研究這個問題.2.1模糊邏輯(Fuzzy Logic)

模糊邏輯是一種處理不確定性、非線性等問題的有力工具，它與人類思維的某些特征相一致，因此，嵌入到推理技術(shù)中具有良好效果.模糊邏輯不需要獲取模型中的復(fù)雜關(guān)系，不需要建立精確的數(shù)學(xué)模型，是一種基于規(guī)則的智能控制方式，特別適用于具有較大隨機性的城市交通控制系統(tǒng).1976年，Pappis和Mamdani就將模糊邏輯用于單路日的交通控制，其仿真結(jié)果表明比用傳統(tǒng)的控制方法平均減少車輛延誤7%左右.我國學(xué)者徐冬玲等人則把模糊邏輯用于單路日信號月‘控制，并用神經(jīng)網(wǎng)絡(luò)實現(xiàn)模糊控制，仿真表明控制結(jié)果合理、迅速.崔寶俠等在雙模糊控制器隴調(diào)控制交通信號的基礎(chǔ)上，采用模糊推理來替代函數(shù)模型，根據(jù)輸入輸出量的大小改變模糊控制器的輸入輸出變量的論域范圍;該算法更加方便地實現(xiàn)了控制器自調(diào)整和自適應(yīng)，車輛平均延誤時間改善4.68%至12.24 %.當(dāng)車流量有突變時，改善效果更明顯 2.2人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks)人工神經(jīng)網(wǎng)絡(luò)是模擬生物的神經(jīng)結(jié)構(gòu)及其處理信息方式的一種算法.它具有自適應(yīng)、自組織和自學(xué)習(xí)能力，在認(rèn)知處理、模式識別等方面有很強的優(yōu)勢，最顯著特點是具有學(xué)習(xí)功能.人工神經(jīng)網(wǎng)絡(luò)適用于非線性時變性系統(tǒng)的模擬與在線控制，I I適合于交通控制系統(tǒng)這一非線性、時變系統(tǒng)。

1991年，Nahatsuji和Terutoshi通過訓(xùn)練的一個神經(jīng)網(wǎng)絡(luò)使其給出某單個交義日的最優(yōu)綠信比，后來又把研究工作打一展到3個交義日上.C.J.Barnard等利用BP網(wǎng)絡(luò)模型，分別以交通流密度和不同相位的綠時作為輸人、輸出，直接建立起交通模式與信號方案之間的內(nèi)在聯(lián)系，從而實現(xiàn)了以交通流最優(yōu)化為日標(biāo)的二相位孤立交義路日的自學(xué)習(xí)動態(tài)適應(yīng)性控制系統(tǒng)[}}}.C.Ledoux則提出了基于神經(jīng)元網(wǎng)絡(luò)的實時適應(yīng)性城市交通信號控制系統(tǒng)的交通仿真模型[lob.許倫輝等針對城市交義日交通流的分布特點，考慮相鄰車道上車輛排隊長度，利用多層BP神經(jīng)網(wǎng)絡(luò)實現(xiàn)了道路交義日多相位模糊控制，給出一種自適應(yīng)交義日多相位控制算法，仿真結(jié)果表明，模糊神經(jīng)網(wǎng)絡(luò)控制器能有效的減少交義日平均車輛延誤，具有較強的學(xué)習(xí)和泛化能力[f51.張康等提出了“車流阻塞參數(shù)，的概念，用模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練其信號控制規(guī)則，仿真結(jié)果表明，控制效果有明顯提高flll.日前越來越多的路日采用了多相位信號控制，而目控制規(guī)則一經(jīng)確定就不再改變，即不具備實時學(xué)習(xí)的功能.因此，對于交通狀況復(fù)雜的多相位路日，很難取得滿意的效果.2.3遺傳算法(Genetic Algorithm)

遺傳算法是運用仿生原理實現(xiàn)在解空間的快速搜索，廣泛應(yīng)用于解決大規(guī)模組合優(yōu)化問題.它是一種比較先進的參數(shù)尋優(yōu)算法，對于不易建立數(shù)學(xué)模型的場合其實用價值較為突出，是以同樣適用于交通系統(tǒng)。

1997年，Kiseok和Michael等應(yīng)用遺傳算法對交通網(wǎng)絡(luò)內(nèi)的交義日信號相位進行設(shè)計，在交義日形成的沖突點，結(jié)果顯示該方法給出的相位方案要優(yōu)于TRANSYT給出的方案.同年，C Q Memon等人給出了利用遺傳算法進行信號配時方案設(shè)計的研究結(jié)果.陳小鋒針對典型的多車道雙向交義路日的交通流分布，建立四相位控制的動態(tài)交通控制模型，采用遺傳算法同時對信號周期時長和相位綠月‘持續(xù) 時間進行優(yōu)化’.承向軍對到達車輛數(shù)日進行模糊分類，將不同數(shù)量車輛的信號控制決策方案以規(guī)則集形式存儲在知識庫中，利用改進的遺傳算法，對交義日信號模糊控制器的模糊規(guī)則進行優(yōu)化，建立了 新的優(yōu)化算法.顧榕等將免疫遺傳學(xué)思想運用到交通信號控制中，提出一種新的相位配時優(yōu)化算法，將平均延誤時間由76.7S降至36.4S，實驗結(jié)果充分驗證了該算法處理交通配時優(yōu)化問題的可行性和有效性.李艷利用改進的遺傳算法對交義日信號模糊控制器進行優(yōu)化，建立新的配時優(yōu)化算法，仿真結(jié)果比Pappis方法性能提高了21%}IB}.2.4蟻群算法(Ant Colony Optimization)蟻群算法是一種模擬進化算法，它是一種求解組合最優(yōu)化問題的新型通用啟發(fā)式方法，該方法具有，反饋、分布式計算和富于建設(shè)性的貪婪啟發(fā)式搜索的特點.聞育應(yīng)用蟻群算法搜索各路日的最優(yōu)信號燈相位序列，對算法復(fù)雜度作了理論分析，并通過仿真實驗與單路日感應(yīng)式信號控制技術(shù)進行比較，結(jié)果表明效果較好，總停車時間降低7.2%}19}.聞育還提出 一種基于改進蟻群算法的降階滾動優(yōu)化算法，基于宏觀交通流模型建立了區(qū)域交通控制滾動優(yōu)化模型，在蟻群算法中設(shè)計了層狀解結(jié)構(gòu)圖，應(yīng)用降階方法將大規(guī)模區(qū)域分解為一系列了區(qū)域，仿真結(jié)果顯示，區(qū)域滾動優(yōu)化控制比感應(yīng)式控制的總停車時間下降了8.2% 2.5粒子群算法(Particle Swarm Optimization)粒了群優(yōu)化算法是由Eberhart博士和kennedy博士于1995年提出，是基于對鳥群、魚群捕食的行為模擬研究而來.同其他基于群智能((Swarm Intelligence)的隨機優(yōu)化算法相比，PSO算法具有收斂速度 快、設(shè)置參數(shù)少、程序?qū)崿F(xiàn)異常簡潔、具有深刻的智能背景等特點。

瞿高峰以交義日車輛平均延誤和停車次數(shù)最小為日標(biāo)，建立信號控制交義日配時模型，運用粒子群優(yōu)化算法求解該模型，結(jié)果表明比傳統(tǒng)方法更優(yōu)，車輛停車次數(shù)略有增加，通行能力略有下降，但停車延誤時間大大下降低，由23.97S下降至14.27 S }22}.這表明運用粒子群優(yōu)化算法解決交義日配時問題是有效和可行的.付紹呂，黃輝先提出在自適應(yīng)粒子群算法中引入變異算子建立離散交通信號控制模型，以更新粒了群算法的個體極值點和全局極值點，仿真表明該混合算法可解決易陷入局部收斂的缺陷并能有效實現(xiàn)交通信號優(yōu)化控制傅惠等提出了基于粒子群優(yōu)化的城市關(guān)聯(lián)交義日群信號控制策略，根 據(jù)粒了群優(yōu)化思想求解信號控制參數(shù).仿真實驗證實，基于粒了群優(yōu)化的關(guān)聯(lián)交義日群信號控制策略有效 2.6多智能體技術(shù)(Multi-agent)智能體技術(shù)由M insky在1986年首次提出，一般認(rèn)為:智能體指駐留在某一環(huán)境下，能持續(xù)自卞地發(fā)揮作用，具備駐留性、反應(yīng)性、社會性、卞動性等特征的計算實體.隨著車輛數(shù)和城市路網(wǎng)規(guī)模的增 大，信號控制系統(tǒng)的復(fù)雜性增大，同時由于交通流在信息、控制方面固有的分布性，采用多智能體系統(tǒng)構(gòu)建城市交通控制系統(tǒng)的計算環(huán)境己成為交通系統(tǒng)隴調(diào)控制的熱點

國外對智能體在交通中的應(yīng)用早有報道，如B urmeiste:提出多智能體在交通運輸中應(yīng)用的思路。Roozemond分析了智能體、神經(jīng)網(wǎng)絡(luò)和分布式人工智能在城市交通控制應(yīng)用的前景和價值Goldman提出了一個基于多智能體的增量4.補學(xué)習(xí)的路日控制器[28].Choy等采用一種復(fù)雜的模糊神經(jīng)網(wǎng)絡(luò)進化混合系統(tǒng)來構(gòu)造分層分布式交通控制多智能體系統(tǒng)，各個智能體利用模糊系統(tǒng)的推理能力、神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力來進行實時決策.各層智能體的感知過程能通過在線強化學(xué)習(xí)進行調(diào)整.國內(nèi)一些學(xué)者也對智能體在交通控制中的應(yīng)用作了一些嘗試性研究，馬壽峰等提出了單個路日的基于Q學(xué)習(xí)的交通信號控制Agent，并在此基上研究了基于對策論和社會規(guī)則的多智能體隴調(diào)方法陶志祥對基于Agent的分層遞階控制結(jié)構(gòu)進行了概述。高海軍以博弈論為基礎(chǔ)，提出了交通控制Agent之間的區(qū)域隴調(diào)模型及算法[[32].李瑞敏結(jié)合城市交通控制與誘導(dǎo)系統(tǒng)集成的特點，研究了基于多智能

體系統(tǒng)的城市交通信號控制與動態(tài)誘導(dǎo)集成化的系統(tǒng)結(jié)構(gòu)和兩類相b_作用的智能體模型結(jié)構(gòu).趙建有等提出了人、車、路、交通竹理系統(tǒng)的交通系統(tǒng)Agent結(jié)構(gòu)，并提出了路日Agent-區(qū)域控制中心Agent-卞控制中心Agent的二級交通控制結(jié)構(gòu)郭建鋼、伍雄斌等提出了基于遺傳算法和多智能體技術(shù)的交通系統(tǒng)隴調(diào)控制的建模方法以及建模過程應(yīng)注意的問題，并實例驗證，得到可降低車均延誤12%,縮短周期時長27.2%的結(jié)論[[35-37].劉虹秀等提出了基于多智能體的隴調(diào)方法，該隴調(diào)方式能適應(yīng)牢時今什的奪誦環(huán)靖，曲調(diào)方式誦信普川高的缺占.第三章 多智能體技術(shù)介紹

3.1智能體(Agent)隨著計算機技術(shù)和人工智能的發(fā)展，集中式系統(tǒng)己不能完全適應(yīng)復(fù)雜大系統(tǒng)研究的發(fā)展需要.并行計算和分布式處理技術(shù)(包括分布式人工智能)應(yīng)運而生，并在過去20多年中獲得快速發(fā)展.近10年來，智能體和多智能體系統(tǒng)的研究成為分布式人工智能研究的一個熱點，引起多種不同等領(lǐng)域科技工作者的濃厚興趣，為分布式系統(tǒng)的綜合、分析、實現(xiàn)和應(yīng)用開辟了一條新的有效途徑，促進了人工智能和計算 機軟件的發(fā)展 3.2 Agent的特點

有關(guān)Agent的概念可追溯到1977年Hewitt提出的并發(fā)的演員(actox)模型，在該模型中，Hewitt提出了自我包含、相勻_作用、并發(fā)執(zhí)行的對象一演員，該對象中具有某些被封裝的內(nèi)部狀態(tài)并可對來自其它類似對象的消息進行響應(yīng).而Agent一詞最早可能由M.Minsky所提出，他在1986年出版的”Societyof Mind”中引入了“society“III”Soclal Behavor”的概念.認(rèn)為個體存在于社會中，社會中的個體在有矛盾的前提下可通過隴商或者競爭的方法對問題進行求解，并將這些個體被稱為‘`Agent".日前，普遍認(rèn)為Agent是一個持續(xù)、自治運行的實體，按照Y.S hoham的觀點，Agent是一個包含諸如知識(knowledge)、信念(beliefs、承諾(commitments蹄I I能力(capabilities)等精神狀態(tài)(mental-state)的 實體.雖然不同的研究者對Agent有著這種或那種的解釋，但其卞要具有以下特點: 1）自治性(autonomy）Aegnt能根據(jù)外界環(huán)境的變化，而自動地對自己的行為和狀態(tài)進行調(diào)整，而不是僅僅被動地接受外界的刺激，具有自我竹理自我調(diào)節(jié)的能力.2)反應(yīng)性(xeactive)與面向?qū)ο蟮姆椒ㄏ嗨疲琣gent能對外界的激勵作出反應(yīng)的能力.3)卞動吐(pxoactive）

對于外界環(huán)境條件的改變，agent能卞動采取活動的能力.4)社會性(social）

Agent所具有的與其它Agent或人進行合作的能力，不同的Agent可根據(jù)各自的日的意圖與其它Agent進行交流，以達到問題解決的日的.除了以上的基本特性，Agent還包括一些其他的屬性:

推理能力:Agent AJ以根據(jù)當(dāng)前的知識和經(jīng)驗，以理性的、可再生的方式推理或推測.規(guī)劃能力:Agent A丁以根據(jù)日標(biāo)、環(huán)境等的要求，至少對自己的短期行為做出規(guī)劃，具有生成規(guī)劃的能力.學(xué)習(xí)和適應(yīng)能力:Agent A丁以根據(jù)過去的經(jīng)驗積累知識，并目修改其行為以適應(yīng)新的環(huán)境.3.2 Agent的結(jié)構(gòu)

建立Agent的結(jié)構(gòu)是應(yīng)用Agent技術(shù)的基礎(chǔ)，關(guān)于Agent模型結(jié)構(gòu)的研究是日前卞要的研究領(lǐng)域之一對于Agent的模型構(gòu)成，存在著各種不同的觀點.一般認(rèn)為一個Agent應(yīng)包括感知器、決策控制器、精神狀態(tài)、知識庫、通信器等兒部分組成.BDI模型是一被普遍接受的Agent精神狀態(tài)模型，它認(rèn)為Agent的精神因素包括信念(belie、愿望(desire)、意圖等部分組成，其本質(zhì)上要解決的問題是如何確定Agent的目標(biāo)以及如何實現(xiàn)這個目標(biāo)。3.3 Agent的分類

Agent作為一種新興的計算機軟件開發(fā)方法，是一個相當(dāng)大的范疇，從普通的人、動物、社會機構(gòu)乃至普通的物體根據(jù)實際應(yīng)用的不同，都可被抽象為Agent.根據(jù)Agent的功能和應(yīng)用的不同，一般將Agent分為以下兒種類型: 合作Agent:卞要用在多Agent系統(tǒng)中，為完成自己的任務(wù)，能自動地與其它成員進行談判、信息交流等活動

界面Agent:強調(diào)自治性與學(xué)習(xí)能力，用于與用戶交4_的操作界面上，能自動地根據(jù)用戶的喜好特點，進行個性化設(shè)置，并能為用戶的操作提供必要的幫助.活動Agent:可以自由地在計算機網(wǎng)絡(luò)上移動，并與其它的計算機相4_作用，其卞要應(yīng)用于計算機通訊方面.信息Agent:卞要用于網(wǎng)絡(luò)信息收集、查詢、整理，它將比日前使用的搜索工具更強大，能根據(jù)用戶的不同要求，提供詳細完備的資料.反應(yīng)Agent:不包括任何內(nèi)部符號處理模型，只是簡單地對外界刺激發(fā)生反應(yīng)，卞要用于一些底層的、簡單的系統(tǒng)中.混合Agent:指具有兩種以上上述Agent的復(fù)雜Agent，由于結(jié)構(gòu)復(fù)雜，日前應(yīng)用相對較少.3.4多智能體系統(tǒng)在交通控制領(lǐng)域的優(yōu)越性

多智能體系統(tǒng)是分布式人工智能研究的新領(lǐng)域.盡竹MAS在理論上還有很多值得深入研究的課題，然而它己經(jīng)獲得十分廣泛的應(yīng)用，涉及機器人、過程控制、柔性制造、遠程通信、網(wǎng)絡(luò)竹理、交通控制、電子商務(wù)、數(shù)據(jù)庫、遠程教育和遠程醫(yī)療等.其中將智能體系統(tǒng)技術(shù)用于交通控制是一個新的方向[0.由于交通控制拓撲結(jié)構(gòu)的分布式特性，使其很適合于應(yīng)用多智能體技術(shù).運用多智能體系統(tǒng)進行交通系統(tǒng)調(diào)控制的優(yōu)點有如下兒個方面:

(1)多智能體系統(tǒng)采用“由下向上”的設(shè)計方法，符合交通系統(tǒng)的形成規(guī)律.多智能體系統(tǒng)在原理上首先定義分散自卞的智能體，然后研究怎樣完成一個或多個實體的任務(wù)求解，所以多智能體系統(tǒng)采用了由底向上的設(shè)計方法.交通系統(tǒng)是一個包含了交通工具、交通設(shè)施、交通控制中心等多元素多層次的復(fù)雜系統(tǒng).因此多智能體系統(tǒng)的設(shè)計方法完全符合交通系統(tǒng)的形成規(guī)律.(2)多智能體系統(tǒng)從功能上按層次化結(jié)構(gòu)劃分的特點，符合交通系統(tǒng)的分布式特征.構(gòu)成多智能體系統(tǒng)的不同種類的智能體從功能上按照層次化結(jié)構(gòu)劃分，承擔(dān)不同的任務(wù)，相辦作完成系統(tǒng)的整體目標(biāo).交通系統(tǒng)的各組成元素分布在不同空間位置，按照層次化結(jié)構(gòu)劃分.因此，多智能體系統(tǒng)適合交通系統(tǒng)這樣具有分布式特征的復(fù)雜系統(tǒng)的模擬研究.第四章

基于RBF神經(jīng)網(wǎng)絡(luò)的單交叉口自學(xué)習(xí)控制系統(tǒng)

4.1引言

由于城市化速度的加快，機動車量的迅速增加，人們在賺取由機動車輛所帶來的巨額利潤以及充分享受汽車巨大便利的同時，也越來越受到交通擁擠和交通安全的困擾。隨著城市中的交通線上車流量的日益增加，現(xiàn)有的設(shè)施、道路，特別是交通線中承受著高負荷的道路交叉口，己經(jīng)很難適應(yīng)這種發(fā)展速度，變得越來越擁擠，成為道路交通的瓶頸，因此采用先進的科學(xué)技術(shù)手段對城市交叉路口的交通燈實施合理優(yōu)化控制，對改善城市交通狀況具有很大的作用。

對于交叉口的信號控制，通常有兩種控制方式:一種是定時控制，即根據(jù)統(tǒng)計資料算出交通量，給出一個或多個(用于不同時段)控制方案，這種控制方法在交通流不大且較穩(wěn)定的情況下是簡單有效的。但在交通擁擠且變化較大時，定時控制的效果比較差。另一種是感應(yīng)控制，即根據(jù)布置在交叉口的傳感器感應(yīng)到的車輛排隊長度來設(shè)置控制參數(shù)，感應(yīng)控制在當(dāng)車流量較小且無規(guī)律時，容易產(chǎn)生綠時分配不合理的現(xiàn)象，同樣也會降低路口的通行能力。而當(dāng)車流量較大時則容易退化成定周期控制，從而失去感應(yīng)能力。由于這些常用控制方法的缺點，一些人工智能的方法愈來愈引起人們的重視。

針對多相位單交叉口的神經(jīng)網(wǎng)絡(luò)控制方法，已經(jīng)有文獻提及。本章提出了一種利用RBF神經(jīng)網(wǎng)絡(luò)來模擬交警控制思維的智能控制方法，并且加入了對控制狀況進行修正的評價準(zhǔn)則，在模擬控制過程中，RBF神經(jīng)網(wǎng)絡(luò)根據(jù)評價準(zhǔn)則進行實時調(diào)節(jié)，因此這種神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)功能。

仿真研究結(jié)果表明基于RBF神經(jīng)網(wǎng)絡(luò)的交叉口自學(xué)習(xí)控制系統(tǒng)學(xué)習(xí)速度快，能有效提高多相位路口的通行能力，對車流的變化具有很強的適應(yīng)性。4.2問題描述

城市單交叉路口的交通流如圖4-1所示，東、南、西、北四個方向，每個方向均存在左行、直行、右行三個車道車流。

圖4-1單交叉口交通流分布

考慮這個十字形的平面交叉路口具有四相位。每個相位對應(yīng)的車流流向如圖4-2所示。

圖4-2四相位交叉口交通流控制圖

假設(shè)一位交通警察在該路口指揮交通，他可以根據(jù)這四個相位的車量排隊長度作為依據(jù)，按順序給各個相位分配通過時間。由于各相位在不同的時間段里到達車流量具有隨機性，根據(jù)交通情況，交警給各個相位分配的時間也會不斷變化。

由此可見，模擬交警的思維實際上可以將四相位的車輛排隊長度為輸入，以對應(yīng)的信號周期時間和各個相位的綠信比為輸出構(gòu)造一個神經(jīng)網(wǎng)絡(luò)，然后將交警指揮某些具體交通流情況下的輸入輸出作為樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)。

4.3控制器的設(shè)計及其算法

4.3.1基于神經(jīng)網(wǎng)絡(luò)的單交叉口模型

根據(jù)對四相位交叉口信號控制問題的描述可以確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3-3所示。該網(wǎng)絡(luò)由四個輸入分別對應(yīng)四個相位的車輛排隊長度Ii，四個輸出分別對應(yīng)信號周期T和各相位的綠信比(j =1, 2, 3, 4)

圖4-3神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)結(jié)構(gòu)模型 4.3.2 RBF神經(jīng)網(wǎng)絡(luò)

徑向基函數(shù)(Radial Basis Function, RBF)神經(jīng)網(wǎng)絡(luò)由三層組成其結(jié)構(gòu)如圖4-4所示。

圖4-4徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)

隱層節(jié)點中的作用函數(shù)稱為基函數(shù)，一般采用的基函數(shù)形式為高斯函數(shù):

式中:，x是n維輸入向量;

c，是第i個基函數(shù)的中心，與x具有相同維數(shù)的向量;

?

是第1個感知的變量，它決定了該基函數(shù)圍繞中心點的寬度;

m是感知單元的個數(shù);4.3.3神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)方案

(1)原始樣本的獲取

首先將已知的交警指揮經(jīng)驗用符合上述神經(jīng)網(wǎng)絡(luò)的樣本形式表示出來，然后用這些樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)，這樣該網(wǎng)絡(luò)就具備初步的控制交通的能力，可以將其用于實際交通控制中，但由于此時的網(wǎng)絡(luò)學(xué)習(xí)規(guī)則不具有遍歷性，所以需要有一個評價準(zhǔn)則來對網(wǎng)絡(luò)的控制效果作出評價，并修改重新學(xué)習(xí)。

(2)評價準(zhǔn)則

對于投入實際交叉口控制的神經(jīng)網(wǎng)絡(luò)，評價準(zhǔn)則要對其配時方法的控制效果作出評價，并修正信號周期和各相位的綠信比。設(shè)六個信號周期為一個評價周期，l為第1個信號周期結(jié)束時第.1個相位中所有方向車流的排隊長度之和;1'為一個信號周期結(jié)束時的J相位總的排隊長度;習(xí)為第i個信號周期內(nèi)第.7個相位中所有方向放行的車輛總數(shù);r;'為第i個信號周期內(nèi)第J個相位中所有方向到達的車輛總數(shù);所以，式中:當(dāng)括號內(nèi)的數(shù)小于0時，z=0，否則z=1，且有

一個信號周期過后J相位各個排隊長度:

一個信號周期過后四相位累計排隊長度:

然后計算這種交通情況下各相位的綠信比:

最后依據(jù)平均排隊長度的大小L，來確定周期T的增量△T，這里將設(shè)定5個檔次: L ,55, 55> L ,35, 35> L ,15, 15> L ,5, L <5對應(yīng)的△T分別為15s, lose 5s, Os和一Sso

根據(jù)以上的評價過程，可以得到新的輸入輸出樣本，神經(jīng)網(wǎng)絡(luò)對新樣本進行再學(xué)習(xí)。4.4仿真分析

本章按照前面所述的RBF神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)控制方法，在Matlab語言環(huán)境中編程進行了仿真。在通過調(diào)查采集到的實際數(shù)據(jù)的基礎(chǔ)上分析交警指揮單交叉路口信號的控制規(guī)律，并從中選出在不同車流量情況下具有代表性的信號控制模式，形成40個神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)樣本，然后用RBF算法對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，再用服從二項分布的隨機數(shù)來描述車流的到達情況。仿真研究時，取直行車道的飽和流量為1200PCUlh，左轉(zhuǎn)和右轉(zhuǎn)車道的飽和流量為1000 PCU/h。車流到達路口后，左轉(zhuǎn)、直行和右轉(zhuǎn)的比例分別為30%, 40%和30%。由上述學(xué)好的網(wǎng)絡(luò)進行控制，確定6個信號周期為一個評價周期，得到一個新的樣本。每隔20個評價周期，將得到的20個新樣本加入總的學(xué)習(xí)樣本集進行再學(xué)習(xí)。

訓(xùn)練RBF網(wǎng)絡(luò)時，將網(wǎng)絡(luò)誤差設(shè)置為o.01，并通過自動增加徑向基神經(jīng)元的方法來不斷減少網(wǎng)絡(luò)誤差，從仿真過程中可以看到，在神經(jīng)元個數(shù)接近樣本個數(shù)時網(wǎng)絡(luò)收斂。

為驗證本章提出的RBF神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)控制方案的控制效果，仿真運行中將其與定時控制方法以及BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法的控制效果進行了比較，結(jié)果如表3-1所示?？梢钥闯觯S著車流量的增大，BP神經(jīng)網(wǎng)絡(luò)與RBF神經(jīng)網(wǎng)絡(luò)的控制效果明顯優(yōu)于普通的定時控制方法。

神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)控制方法效果比較

該仿真中也將BP神經(jīng)網(wǎng)絡(luò)與RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)性能進行了對比，對于得到的不同樣本，RBF神經(jīng)網(wǎng)絡(luò)都能快速學(xué)習(xí)，而BP神經(jīng)網(wǎng)絡(luò)對于某些樣本的學(xué)習(xí)會陷入局部最優(yōu)，達不到學(xué)習(xí)要求。這說明由于本文提出的RBF神經(jīng)網(wǎng)絡(luò)信號控制方案具有自學(xué)習(xí)和逐步優(yōu)化能力，因而其控制效果優(yōu)于一般的智能信號控制方案。

第五章結(jié)論與展望 5.1 總結(jié)

城市交通信號的優(yōu)化配時己經(jīng)成為當(dāng)前智能交通系統(tǒng)研究的熱點之一，由于交通系統(tǒng)是一個復(fù)雜時變的非線性系統(tǒng)，對其進行精確建模比較困難，因此采用各種智能優(yōu)化算法來實現(xiàn)對城市交通信號的控制己成為一個比較熱門的研究方向。

本文以城市交通為研究背景，分別對單交叉口和交通干線的信號采用智能優(yōu)化的方法來實現(xiàn)控制，取得了一些結(jié)果: 本文采用RBF神經(jīng)網(wǎng)絡(luò)建立交叉口模型實現(xiàn)了單交叉口自學(xué)習(xí)信號控制系統(tǒng)。

系統(tǒng)通過模擬交警指揮交通的思維過程，能夠根據(jù)四相位交叉口各相位車輛的排隊長度，實時對各個相位的綠信比和總的信號周期進行分配，并且隨著交通狀況的變化，可以對信號配時效果作出調(diào)整，具有自學(xué)習(xí)功能。通過仿真與定時控制相比較，證明了基于RBF 神經(jīng)網(wǎng)絡(luò)的單交叉口自學(xué)習(xí)控制系統(tǒng)的優(yōu)越性。該方法能夠更好的適應(yīng)實際交通狀況，提高交叉口的通行能力。5.2 展望

本文對城市智能交通信號控制系統(tǒng)進行了研究，取得了一定的成果。由于時間緊迫、本人的水平有限，研究工作需要進一步地深入，今后的工作將圍繞以下幾方面展開:

1.由于實際城市交通的控制問題，是一個區(qū)域的控制問題，所以，應(yīng)進一步將智能優(yōu)化算法應(yīng)用到城市交通信號區(qū)域?qū)用嫔系目刂浦腥?，即采用智能?yōu)化算法實現(xiàn)面控。

2.城市快速公交系統(tǒng)控制是當(dāng)前的一個熱點，將城市交通信號控制與城市快速公交控制以及路徑引導(dǎo)結(jié)合起來研究將是一個很好的研究方向。

3.將所設(shè)計的控制算法真正應(yīng)用到實際的城市交通信號中進行控制，以實際效果來檢驗算法的優(yōu)劣。

第三篇：人工智能在高?；旌鲜浇虒W(xué)中的應(yīng)用導(dǎo)論

人工智能在高校混合式教學(xué)中的應(yīng)用導(dǎo)論

摘要：混合式教學(xué)是將線上與線下教學(xué)相結(jié)合，是一種計算機網(wǎng)絡(luò)支持的信息化教學(xué)方法。人工智能在其中的應(yīng)用具有較好的前景。本文探析人工智能在高校混合式教學(xué)中的應(yīng)用，以促進我國高校智慧教學(xué)和教育信息化的發(fā)展。

關(guān)鍵詞：人工智能；高校；混合式教學(xué)；MOOC

一、前言

人工智能是在機器上實現(xiàn)人類智能的技術(shù)科學(xué)，有著廣泛的應(yīng)用和深刻的影響。將人工智能與高?；旌鲜浇虒W(xué)相結(jié)合，不僅可以實現(xiàn)對信息資源的充分利用，還能有效的改善教學(xué)效果，提高學(xué)習(xí)效率，是高校智慧教學(xué)建設(shè)的有機部分。

二、人工智能與混合式教學(xué)相關(guān)概念

（一）人工智能概念

人工智能，是涉及計算機、神經(jīng)科學(xué)和認(rèn)知科學(xué)等多學(xué)科的模擬人類智能的技術(shù)科學(xué)。借助于計算能力以及神經(jīng)網(wǎng)絡(luò)方面研究的突破，人工智能特別是深度學(xué)習(xí)在近年來取得了顯著的進步，被應(yīng)用到工業(yè)、醫(yī)學(xué)、交通、金融、法律等等領(lǐng)域。人工智能在教育領(lǐng)域的應(yīng)用更是方興未艾，其核心是基于計算機支持的智能教學(xué)系統(tǒng)，在理解學(xué)習(xí)過程的基礎(chǔ)上，融合教育、認(rèn)知、計算機、信息科學(xué)和心理學(xué)等學(xué)科，用人工智能來改善教學(xué)過程，實現(xiàn)精準(zhǔn)教學(xué)和智慧教學(xué)。

（二）混合式教學(xué)（Blended Learning）

混合式教學(xué)基于網(wǎng)絡(luò)和移動教學(xué)平臺，將在線學(xué)習(xí)和現(xiàn)場課堂教學(xué)相結(jié)合，加強師生互動，并引導(dǎo)學(xué)生自主學(xué)習(xí)，是一種以學(xué)習(xí)者為中心的新型教學(xué)模式?；旌鲜浇虒W(xué)結(jié)合線上與線下的活動，能夠基于學(xué)生學(xué)習(xí)行為的大數(shù)據(jù)分析，為學(xué)生提供學(xué)習(xí)建議，幫助改進教學(xué)方案，改善教學(xué)效果。

（三）混合式學(xué)習(xí)內(nèi)容

1.學(xué)習(xí)理論的混合

混合式教學(xué)之所以能夠滿足不同主體的學(xué)習(xí)要求，重點在于“混合”。在理論上，實現(xiàn)了虛擬與現(xiàn)實的有效結(jié)合，在拓展學(xué)生學(xué)習(xí)思維的同時，還能夠構(gòu)建起良好的教學(xué)情境，使學(xué)生對學(xué)習(xí)內(nèi)容始終保持新鮮感，從而更積極地參與到學(xué)習(xí)活動當(dāng)中。

2.學(xué)習(xí)資源的混合

混合學(xué)習(xí)能夠?qū)崿F(xiàn)線上與線下資源的有效結(jié)合，教師在網(wǎng)絡(luò)上收集盡可能多的教學(xué)資源，為學(xué)生構(gòu)建起系統(tǒng)的學(xué)習(xí)的平臺，使隱性知識顯性化，顯性知識系統(tǒng)化，實現(xiàn)對教學(xué)資源的優(yōu)化管理，此外，混合式學(xué)習(xí)利用計算機為主要學(xué)習(xí)工具，為資源共享奠定了良好的基礎(chǔ)。

3.學(xué)習(xí)環(huán)境的混合

與傳統(tǒng)課堂教學(xué)不同，混合式學(xué)習(xí)為學(xué)生提供了更加豐富的學(xué)習(xí)環(huán)境，且學(xué)習(xí)不會受到時間與空間上的限制，一切學(xué)習(xí)內(nèi)容都以學(xué)生為主體，學(xué)生只需要利用計算機或移動手機等網(wǎng)絡(luò)設(shè)備就可以隨時隨地的觀看教學(xué)視頻。此外，網(wǎng)絡(luò)平臺還具備評價功能，教師可及時地了解學(xué)生的反饋情況，對教學(xué)內(nèi)容進行優(yōu)化配置，進一步提升教學(xué)效率。

三、人工智能在高?；旌鲜浇虒W(xué)中的應(yīng)用

最近，挪威管理學(xué)院引入人工智能作為助教，幫助教師更快捷地回答學(xué)生的問題。清華大學(xué)基于MOOC（大規(guī)模在線開放課程）教學(xué)方式，開展了一百多門課程的混合式教學(xué)實踐，并在將近千萬注冊者的教學(xué)大數(shù)據(jù)基礎(chǔ)上做了深度學(xué)習(xí)分析的探索。人工智能在MOOC中應(yīng)用，可以為用戶進行個性化建模和建議，能夠自動分析課程以及知識點之間的關(guān)聯(lián)，在前兩者基礎(chǔ)上與用戶進行互動。人工智能基于對MOOC學(xué)習(xí)大數(shù)據(jù)分析，可以用積極心理學(xué)的方法介入在線教學(xué)環(huán)節(jié)，提高學(xué)員學(xué)習(xí)動力和效率。人工智能在高校教學(xué)中會有越來越廣泛和深入的應(yīng)用。

（一）智能評測

所謂智能評測，就是對學(xué)生的學(xué)習(xí)過程進行自主測評的過程，并對測評的結(jié)果進行分析，最終整理出個性化的反饋內(nèi)容的一系列過程。在人工智能的支持下進行測評，將學(xué)生進行群體劃分，對其學(xué)習(xí)情況進行綜合測算，在此基礎(chǔ)上對個人學(xué)習(xí)成果進行再次分析，最終得出個性化的反饋結(jié)果，做到“因類施教”。

教師也可以利用人工智能中的語音識別技術(shù)來審核學(xué)生的口語表達能力，并在系統(tǒng)中自動生成分?jǐn)?shù)，極大地提升了學(xué)生考核的效率?；谌斯ぶ悄苤械淖匀徽Z言處理技術(shù)的主觀題和論文自動評分系統(tǒng)也有了探索性的發(fā)展。

（二）個性化教學(xué)

因材施教向來是我國教育的重點內(nèi)容，通過利用人工智能，網(wǎng)絡(luò)教學(xué)平臺可以自主的測算出學(xué)生的學(xué)習(xí)興趣與偏好科目，并推薦學(xué)生可能感興趣的書籍，使教學(xué)工作更具有針對性，更能夠滿足現(xiàn)代教學(xué)的實際需求。

（三）智能導(dǎo)學(xué)

基于對網(wǎng)絡(luò)數(shù)據(jù)平臺上的學(xué)生學(xué)?過程數(shù)據(jù)分析，人工智能可以進行智能導(dǎo)學(xué)。對學(xué)生近期的練習(xí)內(nèi)容以及解答情況進行掃描評估，找到學(xué)生不擅長的領(lǐng)域，并為學(xué)生規(guī)劃學(xué)習(xí)路徑，提供學(xué)習(xí)指南等，使學(xué)生的學(xué)習(xí)更具有針對性。當(dāng)學(xué)生進入到新課程的學(xué)習(xí)時，系統(tǒng)還可以對知識點進行掃描分析，將知識點與舊知識內(nèi)容進行有效結(jié)合，幫助學(xué)生系統(tǒng)地掌握學(xué)習(xí)內(nèi)容。系統(tǒng)綜合分析學(xué)生的做題情況，協(xié)助教師了解學(xué)生的學(xué)習(xí)水平，為后續(xù)的教學(xué)方案的改進提供合理依據(jù)。

（四）智能在線考試

將人工智能引擎加入混合式教學(xué)的網(wǎng)絡(luò)教學(xué)平臺中，能完成測評與考試等大量的復(fù)雜性工作內(nèi)容。通過設(shè)置了一定的閱卷標(biāo)準(zhǔn)，可以快速地進行試卷批改，并準(zhǔn)確的找出雷同卷，防止作弊現(xiàn)象的發(fā)生。此外，人工智能可以幫助教師進行試卷內(nèi)容的分析和評閱，實現(xiàn)對數(shù)據(jù)的深入挖掘，有助于教師改進教學(xué)方案。人工智能還可以與云計算、物聯(lián)網(wǎng)以及大數(shù)據(jù)的有效結(jié)合，為教師分擔(dān)繁重的批改工作，實現(xiàn)線上與線下教學(xué)工作的良好結(jié)合。

四、結(jié)語

綜上所述，人工智能在混合式教學(xué)中的應(yīng)用，能夠有效地改善現(xiàn)代高校教育體制中存在的不足，實現(xiàn)對教學(xué)資源的靈活運用，提升教學(xué)效果，有助于建設(shè)智慧教學(xué)系統(tǒng)，實現(xiàn)高校精準(zhǔn)教學(xué)的發(fā)展。

參考文獻：

[1]郝兆杰，潘林.高校教師翻轉(zhuǎn)課堂教學(xué)勝任力模型構(gòu)建研究――兼及“人工智能+”背景下的教學(xué)新思考[J].遠程教育雜志，2017，35（6）：66-75.[2]Jing X，Tang J.Guess you like： course recommendation in MOOCs[C].Proceedings of the International Conference on Web Intelligence.ACM，2017： 783-789.[3]張均勝，石崇德.一種基于短文本相似度計算的主觀題自動閱卷方法[J].圖書情報工作，2014，58（19）：31-38.[4]冀俊忠.落實科學(xué)發(fā)展觀，深化“人工智能”課程的教學(xué)改革[J].計算機教育，2009（24）：105-107.作者簡介：王晟，浙江省杭州市，杭州電子科技大學(xué)生儀學(xué)院。

第四篇：人工智能原理與應(yīng)用大作業(yè)

人工智能原理與應(yīng)用大作業(yè)

（1）簡單函數(shù)優(yōu)化的遺傳算法C代碼，把代碼調(diào)通，計算出結(jié)果。

（2）編程實現(xiàn)第6章習(xí)題第13題（2個學(xué)生做）

（3）編程實現(xiàn)第6章習(xí)題第14題（2個學(xué)生做）

（4）寫出調(diào)研報告“人工智能的發(fā)展歷史”

（5）寫出麥卡錫(J.McCarthy)的傳記

（6）寫出明斯基(M.Minsky)的傳記

（7）寫出調(diào)研符號主義學(xué)派的報告

（8）寫出調(diào)研行為主義學(xué)派的報告

（9）寫出調(diào)研聯(lián)結(jié)主義學(xué)派的報告

（10）寫出使用經(jīng)典邏輯推理成功的人工智能案例

（11）寫出使用搜索方法推理成功的人工智能案例

（12）寫出使用遺傳算法推理成功的人工智能案例

（13）寫出使用神經(jīng)網(wǎng)絡(luò)推理成功的人工智能案例

（14）寫出使用專家系統(tǒng)推理成功的人工智能案例

（15）寫出除上面幾種方法以外的人工智能方法的調(diào)研報告。

（16）編程實現(xiàn)P132例5.1梵塔問題，畫圖實現(xiàn)。（由王小高帶2個學(xué)生做）

（17）編程實現(xiàn)P135例5.3九宮重排問題，采用廣度搜索法。（由張延令帶2個學(xué)生做）

（18）編程實現(xiàn)P133例5.2傳教士和野人問題，采用廣度搜索法。（由賈路寬帶2個學(xué)生

做）

（19）寫出退火算法的調(diào)研報告。

（20）寫出蟻群算法的調(diào)研報告。

（21）寫出人工智能在中國的發(fā)展的調(diào)研報告。

（22）寫出中國人工智能協(xié)會的調(diào)研報告。

（23）寫出機器學(xué)習(xí)的調(diào)研報告

（24）寫出搜索引擎的調(diào)研報告

（25）寫出模式識別的調(diào)研報告

（26）人工智能在農(nóng)業(yè)方面的應(yīng)用

（27）人工智能在工業(yè)方面的應(yīng)用

（28）人工智能在軍事方面的應(yīng)用

（29）人工智能在機器人方面的應(yīng)用

（30）人工智能在航空航天方面的應(yīng)用

（31）人工智能在醫(yī)療方面的應(yīng)用

（32）人工智能在商業(yè)方面的應(yīng)用

（33）人工智能在電力業(yè)方面的應(yīng)用

第五篇：數(shù)值方法與人工智能在巖土工程中的應(yīng)用

《數(shù)值方法與人工智能在巖土工程中的應(yīng)用》（博士生課程）試題

專業(yè)：巖土工程

姓名：孫歆碩

學(xué)號：B20050031 1.簡述數(shù)值分析的主要方法和原理，各自的優(yōu)缺點和適用范圍。（40分）

答：巖石力學(xué)數(shù)值分析方法主要用于研究巖土工程活動和自然環(huán)境變化過程中巖體及其加固結(jié)構(gòu)的力學(xué)行為和工程活動對周圍環(huán)境的影響。目前的主要方法有有限元法、邊界元法、有限差分法、加權(quán)余量法、離散元法、剛體元法、不連續(xù)變形分析法、流變方法等。其中前四種方法是基于連續(xù)介質(zhì)的方法，離散元法、剛體元法和不連續(xù)變形分析法是非連續(xù)介質(zhì)力學(xué)的方法，流變方法則具有前兩種方法的共性。

有限元法基于最小總勢能變分原理，以其能方便的處理各種非線性問題，能靈活的模擬巖是工程中復(fù)雜的施工過程，因而成為巖石力學(xué)領(lǐng)域中應(yīng)用最廣泛的數(shù)值分析方法。邊界元法以表述拜特互等定理的積分方式為基礎(chǔ)，建立了直接法的基本方程，而基于疊加原理建立了間接法的總體方程；引起前處理工作量少、能有效模擬遠場效應(yīng)而普遍應(yīng)用于無界域或半無界域問題的求解。其不足之處是對于非連續(xù)多介質(zhì)、非線性問題，邊界元法不如有限元法靈活有效。

有限差分法是將問題的基本方程和邊界條件以簡單、直觀的差分形式來表達，使得其更易于在實際工程中應(yīng)用。尤其是近年來FLAC程序在國內(nèi)外的廣泛應(yīng)用，使得有限差分法在解決巖石力學(xué)問題時愈來愈受到重視。

離散單元法是Cundall（1971）專門用來解決不連續(xù)介質(zhì)問題的數(shù)值模擬方法，最初它的研究對象是巖石等非連續(xù)介質(zhì)的力學(xué)行為，它的基本思想是把不連續(xù)體分離為剛性元素的組合，使每個剛性元素滿足運動方程，用時步迭代的方法求解各剛性元素的運動方程，繼而求得不連續(xù)體的整體運動形態(tài)，離散元法允許單元之間的相對轉(zhuǎn)動、滑動乃至塊體的分離，不一定滿足位移連續(xù)和變形協(xié)調(diào)條件，尤其適合求解大位移和非線性問題。王泳嘉（1986）首次向國內(nèi)介紹了離散元法的基本原理及幾個應(yīng)用例子，將這一方法應(yīng)用于礦山邊坡的穩(wěn)定分析，按裂隙、斷層等結(jié)構(gòu)面的切割情況并由計算機優(yōu)化劃分單元，得到了邊坡破壞過程的動態(tài)分析。此外，離散單元法在礦山放礦動態(tài)模擬中也有應(yīng)用。當(dāng)考慮單元本身的變形時，這就是可變形的離散元法（簡單變形離散單元和充分變形離散單元），是指既能模擬塊體受力后的運動，由能模擬塊體本身受力變形狀態(tài)。在二十世紀(jì)八十年代中期引入我國后，在邊坡工程、隧道工程、采礦工程及基礎(chǔ)工程等方面有重要應(yīng)用。

流變方法是由石根華等人近期發(fā)展的一種新的數(shù)值分析方法。這種以拓撲學(xué)中的拓撲流形和微分流形為基礎(chǔ)，在分析域內(nèi)建立可相互重疊，相交的數(shù)學(xué)覆蓋和覆蓋材料全域的物理覆蓋，在每一物理覆蓋上建立獨立的位移函數(shù)（覆蓋函數(shù)），將所有覆蓋上的獨立覆蓋函數(shù)加權(quán)求和，即可得到總體位移函數(shù)。然后根據(jù)總勢能最小原理，建立可以用于處理包括非連續(xù)和連續(xù)介質(zhì)加耦合問題、小變形、大位移、大變形等多種問題的求解格式。它是一種具有一般形式的通用數(shù)值分析方法，有限元法和不連續(xù)變形分析法都可看作是它的特例。有限元法主要缺點是所需數(shù)據(jù)較多，計算工作量大。邊界元法的缺點是：以彈性理論為基礎(chǔ)，從而從理論上講只能適用于線彈性的介質(zhì)。離散單元法的優(yōu)點是能更真實的表達求解區(qū)域內(nèi)的幾何狀態(tài)及其大量的不連續(xù)面，比較容易處理大變形、大位移和動態(tài)問題，其主要缺點是：該方法需要對研究范圍的裂隙系統(tǒng)的情況有相當(dāng)?shù)牧私?，否則計算過程中的塊體劃分將脫離實際，影響計算結(jié)果的準(zhǔn)確性。

2.簡述人工智能（包括神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)）的基本原理及其在采礦和巖土工程中的應(yīng)用。（30分）

答：人工智能(AI)是從功能上對人腦的抽象、簡化，是模擬人類智能的1條重要途徑。目前，國內(nèi)外已開發(fā)了多種人工智能工具，包括：專家系統(tǒng)和神經(jīng)網(wǎng)絡(luò)等。

專家系統(tǒng)技術(shù)是人工智能研究的一個重要應(yīng)用領(lǐng)域，是基于知識的系統(tǒng)，在國外也被稱為知識庫專家系統(tǒng)。它以計算機為工具，利用專家知識及知識推理來理解與求解問題的知識系統(tǒng)，模擬人類領(lǐng)域?qū)＜业暮暧^推理活動，是一種利用計算機對于符合模型描述的領(lǐng)域知識進行符號推理的技術(shù)。

專家系統(tǒng)實質(zhì)是一個以知識為基礎(chǔ)的計算機程序系統(tǒng)，其內(nèi)部含有大量的某個領(lǐng)域?qū)＜宜降闹R與經(jīng)驗，能夠模仿人類專家思維和求解該領(lǐng)域問題。實踐表明，只要經(jīng)驗知識和數(shù)據(jù)表述合理、準(zhǔn)確，并且達到一定的數(shù)量,通過嚴(yán)密的計算機程序，由專家系統(tǒng)代替人類專家進行推理，其結(jié)果的準(zhǔn)確性和有效性并不遜于人類專家；在某些數(shù)據(jù)量巨大、復(fù)雜程度較高、而模糊程度較低的問題的處理上，專家系統(tǒng)甚至超過了人類專家。它的高性能和實用性引起了全球科技領(lǐng)域的廣泛重視。

一般專家系統(tǒng)由知識庫、推理機、數(shù)據(jù)庫、知識獲取機制、解釋機制以及人機界面組成。專家系統(tǒng)技術(shù)覆蓋了計算機應(yīng)用的許多領(lǐng)域，按其所完成的任務(wù)性質(zhì)和特征，可以分為解釋專家系統(tǒng)、預(yù)測專家系統(tǒng)、設(shè)計專家系統(tǒng)、規(guī)劃專家系統(tǒng)、診斷專家系統(tǒng)、控制專家系統(tǒng)、決策專家系統(tǒng)、咨詢專家系統(tǒng)等幾類。

在我國，針對解決不同技術(shù)問題研制了相應(yīng)的專家系統(tǒng)，例如，隧道及地下結(jié)構(gòu)巖溶災(zāi)害預(yù)報專家系統(tǒng)（張清，1993）和采礦巷道圍巖設(shè)計專家系統(tǒng)（林韻梅等，1992）等等。這些專家系統(tǒng)多是以產(chǎn)生式規(guī)則組成的知識庫，以及對于處理不精確問題采用上述的模糊推理或概率統(tǒng)計方法。馮夏庭、林韻梅、李效甫（1993）出版了有關(guān)這方面的專著。

人工神經(jīng)網(wǎng)絡(luò)是在現(xiàn)代神經(jīng)科學(xué)研究成果的基礎(chǔ)上，依靠人腦基本特征，試圖模仿生物神經(jīng)系統(tǒng)的功能或結(jié)構(gòu)而發(fā)展起來的一種新型信息處理系統(tǒng)或計算體系。它是模擬人腦學(xué)習(xí)功能的一種智能方法。神經(jīng)網(wǎng)絡(luò)是一個高度并行的、非線性的，具有很高冗余度的系統(tǒng)。這種系統(tǒng)結(jié)構(gòu)使知識的表達及存儲，模式信息處理過程都與傳統(tǒng)的方式有很大差距。它具有高度的非線性，同時它具有的自學(xué)習(xí)、自組織能力使得傳統(tǒng)的計算方法無法解決的對模糊的低精度的模擬量的并行計算成為可能。在采礦和建筑工程中存在大量不確定因素，許多問題都屬于“黑箱”或“灰箱”問題。因此，解決這些問題需要一定的定量分析，也需要數(shù)學(xué)和分析各方面信息和資料做出最后的判斷。變量之間的關(guān)系十分復(fù)雜，很難用確定的數(shù)學(xué)方程來描述。人工神經(jīng)網(wǎng)絡(luò)方法具有極強的非線性動態(tài)處理能力，不必事先假設(shè)服從什么分布、變量之間符合什么規(guī)律。它通過學(xué)習(xí)和記憶而不是假設(shè)，找出輸入和輸出變量之間的非線性關(guān)系。在執(zhí)行問題求解時，將所獲得的數(shù)據(jù)輸入到訓(xùn)練好的網(wǎng)絡(luò)，依賴學(xué)到的知識進行網(wǎng)絡(luò)處理，得到所求問題的答案。

人工神經(jīng)網(wǎng)絡(luò)在采礦和巖土工程中得以應(yīng)用近年來有較大的發(fā)展。1990年，美國學(xué)者J.Ghabouss等人將神經(jīng)網(wǎng)絡(luò)方法用于砂土和混凝土材料的本構(gòu)模型研究；1991年，美國礦山局開發(fā)了應(yīng)用神經(jīng)網(wǎng)絡(luò)的一種智能采礦頂板分層系統(tǒng)。在國內(nèi)，張清（1991）將人工神經(jīng)網(wǎng)絡(luò)引入巖石力學(xué)與巖石工程，人工神經(jīng)網(wǎng)絡(luò)可用于巖石力學(xué)行為預(yù)測和巷道分類指標(biāo)聚類分析，近年來又把它應(yīng)用于巖石工程系統(tǒng)和巖石工程參數(shù)重要性分析。北方交通大學(xué)的張清在1992年利用神經(jīng)元網(wǎng)絡(luò)預(yù)測巖石和巖石工程的力學(xué)性能。開始了神經(jīng)網(wǎng)絡(luò)的工程應(yīng)用； 煤炭科學(xué)研究院開發(fā)了一個地下巷道輔助設(shè)計系統(tǒng)，該系統(tǒng)應(yīng)用神經(jīng)網(wǎng)絡(luò)方法確定了地下巷道的可能破壞模式；東北大學(xué)的馮夏庭等將神經(jīng)網(wǎng)絡(luò)方法應(yīng)用于采礦方法及露天礦邊坡穩(wěn)定性的研究。

鑒于人工智能在巖石力學(xué)中的發(fā)展，馮夏庭1994 年提出了建立“智能巖石力學(xué)”的設(shè)想，2000年完成了《智能巖石力學(xué)導(dǎo)論》專著，他在書中提出：智能巖石力學(xué)是智能科學(xué)、系統(tǒng)科學(xué)、非線性科學(xué)、不確定科學(xué)與巖石力學(xué)交叉融合發(fā)展起來的新興邊緣分支學(xué)科。現(xiàn)在，智能巖石力學(xué)已滲透到巖石力學(xué)與工程的許多方面，取得了一系列重要進展：建立了適用于圍巖分類、隧道(巷道)支護設(shè)計、邊坡破壞模式識別與安全性估計、采場穩(wěn)定性估計的專家系統(tǒng)；發(fā)現(xiàn)邊坡、隧道、巷道的位移時間序列、巖石破裂過程的聲發(fā)射事件序列和煤礦頂板來壓序列的當(dāng)前時刻的信息可以用先前 n 個時刻的信息進行合理的描述；提出了基于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的本構(gòu)模型識別初步方法和巖石力學(xué)參數(shù)辨識的二種智能方法（遺傳算法和進化-神經(jīng)網(wǎng)絡(luò)方法）。

3.論述數(shù)值分析和人工智能對發(fā)展巖石力學(xué)的重要作用。（30分）

答：對于巖石工程問題，巖土塑性力學(xué)、流變力學(xué)、損傷、斷裂力學(xué)、塊體力學(xué)、分形―巖石力學(xué)、滲流（耦合）力學(xué)的理論（在數(shù)學(xué)上往往是由一系列偏微分方程組構(gòu)成）等一旦建立，一般情形下難于通過解析的方法求出它的解析解，通常必須采用數(shù)值計算的方法進行求解，數(shù)值法具有較廣泛的適用性，它不僅能模擬巖體的復(fù)雜力學(xué)特性，也可很方便地分析各種邊值問題和施工過程，并對工程進行預(yù)測和預(yù)報，因此，巖石力學(xué)數(shù)值分析方法是解決巖土工程問題的有效工具。年來，巖石力學(xué)數(shù)值計算方法得到了迅速發(fā)展，出現(xiàn)了有限差分、有限元、邊界元、離散元、塊體元、無限元、流形元及其混合應(yīng)用等各種數(shù)值模擬技術(shù)，使復(fù)雜的巖石力學(xué)與工程問題的設(shè)計成為可能。值得指出的是，在我國，有限元數(shù)值計算方法已不僅由線性發(fā)展到高度非線性和大變形問題，由二維發(fā)展到三維，同時，還可以考慮流變、滲流與應(yīng)力場耦合、損傷、斷裂以及動力效應(yīng)。國內(nèi)出現(xiàn)了一些享有聲譽的有限元程序，這些程序均在許多大型巖石工程中得到了良好應(yīng)用。不同數(shù)值計算方法的結(jié)合，更能充分發(fā)揮各種數(shù)值方法優(yōu)勢互補的作用。如有限元－邊界元的混合、有限元－離散元的混合、有限元－無限元和有限元－塊體元的混合采用等。

王泳嘉（1996）提出：拉格朗日元法和流形元法這兩種方法都適用于非線性大變形的問題。我們都有這個經(jīng)驗，就是用有限元法計算時的位移通常較實測的結(jié)果要小，有時甚至差一兩個數(shù)量級，究其原因主要是在計算中忽略了非線性的大變形和沿弱面的不連續(xù)變形，而用拉格朗日元法和流形元法計算有望對巖石力學(xué)的計算方法做出重大的改進，兩者的結(jié)合則有可能成為 21 世紀(jì)巖石力學(xué)數(shù)值方法的主流。

巖石力學(xué)研究的對象是非均質(zhì)、非連續(xù)、各向異性的巖石(體)，其力學(xué)行為大多具有高度的不確定性與非線性，并受到地質(zhì)構(gòu)造、地應(yīng)力、水、溫度、壓力、開挖施工乃至水化學(xué)腐蝕的影響。目前主要采用的是以連續(xù)介質(zhì)力學(xué)為基礎(chǔ)的確定性研究方法，在特定的假設(shè)條件下求解。這種一對一的映射研究方法，使得巖石力學(xué)模型越來越復(fù)雜(例如，彈性、彈塑性、彈粘塑性、各向異性彈粘塑性、流變損傷斷裂力學(xué)、各向異性流變損傷斷裂力學(xué)模型等)，要確定的力學(xué)參數(shù)越來越多(有的模型需要確定幾十個力學(xué)參數(shù))，支持模型所需的信息呈指數(shù)增長。然而，“數(shù)據(jù)有限”和“變形破壞機理理解不清”是這種確定性分析方法的瓶頸。

為了突破上述瓶頸，我們把人工智能引入巖石力學(xué)的研究。人工智能是自學(xué)習(xí)、非線性 3 動態(tài)處理、演化識別、分布式表達等非一對一的映射研究方法以及多方法的綜合集成研究模式，是建立節(jié)理巖體真實特征的新型分析理論和方法。這種方法可從積累的實例中學(xué)習(xí)挖掘出有用的知識，非線性動態(tài)處理可使認(rèn)識通過不斷的實踐來接近實際，演化識別可以在事先無法假定問題精確關(guān)系的情況下找到合理的模型，分布式表達使得尋找和表達多對多的非線性映射關(guān)系成為可能。智能巖石力學(xué)的提出最早受人工智能專家系統(tǒng)解決經(jīng)驗問題的優(yōu)越性的影響，巖石分類專家系統(tǒng)的建立極大地推動了基于經(jīng)驗知識推理方法的應(yīng)用，一些巖石力學(xué)問題的神經(jīng)網(wǎng)絡(luò)模型的出現(xiàn)又展示了自學(xué)習(xí)、非線性動態(tài)處理與分布式表達方法的強大生命力。這些研究啟發(fā)作者進行了深入的思考，并開展了卓有成效的研究工作。20世紀(jì)90年代以來的國際巖石力學(xué)學(xué)會大會以及各大洲的巖石力學(xué)大會都將人工智能其列為重要研究領(lǐng)域進行研討。一些大型研究計劃，如我國國家自然科學(xué)基金及一些西方國家的研究計劃等，也都將其列為重點課題予以支持,從而使人工智能在巖石力學(xué)中的學(xué)術(shù)思想不斷深化，新的模型和方法不斷涌現(xiàn)，研究隊伍不斷壯大，一些確定性分析方法無法解決的問題也得到了很好的解決?，F(xiàn)在，人工智能思想已滲透到巖石力學(xué)與工程的許多方面，取得了一系列重要進展，推動了巖石力學(xué)的發(fā)展。