人工智能及計算智能在物聯網方面的應用

王珂+翟婷婷

摘要：介紹了人工智能技術、計算智能技術的發展及取得成果。在已經比較成熟的物聯網技術條件下，建立一個高適應性、高發展性的智能生活系統，結合Agent技術、人機交互技術、新型應用等熱門技術，對智能生活系統的初步設計、拓撲結構、以及如何用計算智能實現等問題進行了初步研究。

關鍵詞：人工智能 計算智能 物聯網 Agent智能技術 遺傳算法

中圖分類號：TN929 文獻標識碼：A 文章編號：1007-9416（2014）08-0093-02

1 人工智能及計算智能的發展

1.1 人工智能

1950年Alan Turing的文章 《Computing Machinery and Intelligence》 提出圖靈測試，檢驗一臺機器或電腦是否具有如人一樣的思維能力和智能。人工智能（Artificial Intelligence）一詞最初是在1956年夏天， 美國達特莫斯大學（Dartmouth）召開的一次影響深遠的歷史性會議上提出的，人工智能是一門研究如何構造智能機器或智能系統，使它能模擬人腦的功能、延伸和擴展人類智能的學科。相對于人的自然智能而言的，人工智能是指用人工的方法在機器（計算機）上執行智能行為：感知、理解、學習、判斷、推理、規劃、設計、求解等。

1.2 人工智能現有主流學派

人工智能與生命科學、認知科學、物理學等眾多學科高度交叉，共同研究智能行為的基本理論和實現技術。發展到現在，主要形成了以下幾個學派：

符號主義（Symbolism）：長期以來，符號主義一直在人工智能中處于主導地位，他們認為認知的本質就是計算，可稱為認知可計算主義。思維的基本單元是符號，智能的核心是利用知識以及知識推理進行問題求解。智能活動的基礎是物理符號運算，人腦和電腦都是物理符號系統。人的智能可以通過建了基于符號邏輯的智能理論體系模擬。

連接主義（Connectionism）：認為人類認知活動主要基于大腦神經元的活動，人類思維的基本單元是神經元而不是符號，智能是互連神經元競爭與協作的結果。模擬人的智能要依靠仿生學，特別是模擬人腦，建立腦模型。電腦模擬人腦應著重于結構模擬，即人的生理神經網絡結構，功能、結構和行為密切相關，不同的結構表現出不同的功能行為。

行為主義（Behaviorism）：認為智能是一個系統行為，智能行為可以通過與周圍環境的的交互作用表現出來。智能的基礎是“感知-動作”模式，類似于心理學的“刺激-反應”，它也決定系統的結構和參量。系統的智能行為決定于系統的結構和參量。自組織、自學習、自適應是智能系統得基本特征。

1.3 計算智能

由于人工智能的復雜、龐大以及各個學派自身的局限性，人工智能的應用發展非常緩慢，于是在此基礎上計算智能發展了起來，計算智能是信息科學、生命科學、認知科學等不同學科相互交叉的產物。是以自然界，特別是其中典型的生物系統和物理系統的相關功能、特點和作用機理為參照基礎，研究其中所蘊含的豐富的信息處理機制，在所需求解問題特征的相關目標導引下，提取相應的計算模型，設計相應的智能算法，通過相關的信息感知積累、知識方法提升、任務調度實施、定點信息交換等模塊的協同工作，得到智能化的信息處理效果，并在各相關領域加以應用。計算智能在人類生活的許多領域有著很大的優勢，例如大規模復雜系統（優化問題），科學技術、經濟 、社會優化設計、優化控制等理論問題求解，計算機網絡、通信、集成制造（生產），機器人、仿生學，電路設計（大規模集成電路），電力系統（電網、電能優化等），智能交通、城市規劃等。我們文中提到的遺傳神經網絡算法就是計算智能的一種。

2 物聯網

物聯網（The Internet of things）的概念是在1999年被提出的，最初設想是把所有物品用傳感設備與互聯網相連接，以實現智能管理。物聯網結合不斷發展信息技術在各行各業發揮著意想不到的作用，例如，把傳感器或感應裝置安裝或嵌入到高速公路、鐵路、橋梁、隧道、電網、給水系統、水壩、輸油氣管道等各類設施中，而后物聯網將通過有線信號或無線信號與互聯網進行整合，使人們可以很方便的控制整個物理系統，在整合后的網絡中，需要一臺強大的智能計算機，它能夠對整合后的網絡中的設備和人員進行實時監控，通過這種方法，達到即時、動態和精細化的管理，提高人類對環境的控制力和資源的利用率。

在物聯網技術基礎上發展起來的智能生活系統系統更是集先進技術于大成，將微型芯片嵌入到日常的生活用品中去，通過這些設備節點的無線通信能力和感知能力，從而建立具有超強計算能力和自適應性的智能環境。通過計算、拓撲和無線信息每時每刻向用戶反饋各類信息；還可以利用現有的Agent 技術，進行自主學習，根據用戶習慣，智能地為用戶控制各種電器，從而創造舒適的環境；從用戶角度進行體驗時，智能生活系統系統也設定多種方式來迎合各類用戶的口味，例如窗口形式，嵌套標識、語音助手甚至虛擬界面都可以實現，隨著用戶生活水平的提高，智能生活系統也會相應提升自己的版本來適應更高的要求。

3 基于Agent方式的智能生活系統

3.1 系統架構

Agent是一個具有控制問題求解機理的計算單元，它可以指一個機器人、一個專家系統、一個過程、一個模式或者求解單元。基于Agent的智能生活系統應包括傳感器、用戶終端、家電、信息感知代理（SA）、人機交互代理（IA）、設備代理（DA）、數據庫、以及核心智能計算模塊（ICM）系統組成。

智能生活系統包含了各種不同的傳感器用于感知信息。這些信息都不與其它任意的一種信息產生顯性關聯（例如，最舒適室溫可以設定在25℃-27℃之間，而人體正常溫度是36.5℃-37.5℃）。所有的這些傳感器都發送無線信號從而成為無線節點設備，從而可以利用常用的ZigBee協議進行組網和無限通信。信息感知代理（SA）則扮演信息傳遞者的角色，它負責將收集到的信息由傳感器傳送至信息提取器，信息提取器可以被安置在服務器端。家庭電器可以與傳感器一樣，也通過無線信號連接到網絡節點為核心的控制面板上，以實現遠端控制。家電還可以通過DA與ICM進行服務端通信。IA的功能與SA類似，用戶可以通過它收集服務器端的信息進行篩選。在本文構架，IA采用無線及有線兩種連接的方式進行數據傳送。在該系統中還可以安裝面向移動的中間代理軟件，首先移動代理能夠快速實現傳感設備的動態信息、遠程監控、數據共享、多代理間（主要包括SA、DA和IA）協作和異構通信等功能。其次使用移動代理可以統一管理不同分布部署的設備，也能夠加快信息上下行速度，提高可用性。endprint

3.2 計算智能模塊部分

計算智能模塊是本系統的核心部分，計算智能模塊主要包括以下五大功能和一個遺傳神經網絡算法。

（1）信息及狀態收集功能：模塊的這一功能是將傳感器收集的上下文以及家電運行狀態等信息展示處理，能夠隨機分配人機接口代理（IA）并通過IA將信息反饋給用戶。（2）信息提取功能：模塊分布在周圍的傳感器節點處收集環境信息，并將其發送至遺傳神經網絡（GFNN）模塊，同時為狀態搜集器（CSC）提供一系列數據。同時它也具有管理信息感知代理（SA）的功能。（3）服務提取模塊功能：模塊包含命令生成和節點管理兩個下屬功能。命令生成負責在子模塊生成相應命令，這種功能可以直接控制家用電器的動作。節點管理子功能讓核心模塊管理所有子節點模塊，利用家電信息節點和傳感節點。例如冰箱停止工作，則這種功能能夠即時通過傳感器監測到該問題，并及時反饋給用戶。（4）數據挖掘模塊功能：該模塊功能負責智能計算模塊（ICM）和數據庫之間的通信。系統通過遺傳模糊神經網絡（GFNN）計算得到規則和能力可以存儲到數據庫中。（5）命令分類功能：用戶可以通過終端設備輸入命令，這時ICM將其標準化，并與數據庫進行匹配，匹配的結果將被輸入到遺傳模糊神經網絡（GFNN）進行計算處理。該功能同時也提供為IA提供操作接口，通過這類接口用戶可以和智能終端進行交互訪問。

遺傳模糊神經網絡（GFNN）：這是整個智能計算模塊的重要核心組成部分，它融合了模糊邏輯理論，人工神經網絡以及遺傳算法來進行計算并生成智能決策。在遺傳算法的實際應用中，有時為簡化描述問題的解，需要使用不同長度的編碼串。例如，用遺產算法對模糊控制器規則庫進行優化設計時，事先一般不知道規則數目，此時規則個體的染色體長度就可以描述為變化的；用遺傳算法對人工神經網絡結構進行優化時，如果各層的節點數是未知的，同樣，個體的染色體長度也可以描述為變化的。

3.3 遺傳模糊神經網絡設計

本文設計一個多輸入多輸出（MIMO）的遺傳模糊神經網絡。通過對用戶的行為進行學習從而對系統進行訓練，訓練完成后智能系統可以根據不同的場景作出相應的決策。我們先設定遺傳模糊神經網絡（GFNN）的體系結構，這時一個具有五層結構的正向反饋神經網絡。系統還設置了一個用于存儲和輸出特定知識的數據庫。最后，在決策信息輸出前，還需要加入了一個沖突檢測模塊，用于排除錯誤輸出。

設計的實現主要包括三個過程。

3.3.1 模糊神經網絡（FNN）計算過程

設定以下符號以便定義模糊神經網絡內的函數映射。

第一步：該步驟負責將接收信息，信息標準化后輸入，標準化的輸入表達式如下所示

第二步：標準化后的輸入依照函數sigmoid表達式模糊化處理，如下所示：

第三步：使用如下式（3-3）所示的IF-THEN語法規則，根據輸入得出輸出，假設

其中X1，X2，X3是模糊邏輯變量（例如，冷、熱、常溫），Y1是該層的模糊輸出。

第四步：依據式（3-4）將輸入和輸出進行匹配：

第五步：負責根據前一層的輸出，進行反模糊化處理，如式（3-5）所示：

3.3.2 遺傳算法過程

當個體適應度值低于平均適應度值時，說明個體是性能不好的個體，對他就采用較大的交叉率和變異率；如果適應度值高于平均適應度值時，說明該個體性能優良，對他就根據其適應度值取相應的交叉率和變異率。當適應度值越接近最大適應度值時，交叉率和變異率就越小；當等于最大適應度值時，交叉率和變異率的值為零。該方法適用于進化后期，不利于進化初期，因為進化初期群體中的較優個體幾乎處于一種不發生變化的狀態，而此時的優秀個體不一定是優化的全局最優，這容易使進化過程走向局部最優解的可能性增加。

3.3.3 沖突檢測過程

沖突檢測是為了完善系統性能，從而使那些被屏蔽的錯誤輸出不會被作為訓練樣本存儲起來。為了降低系統的復雜度，我們可以假定事先定義的規則來實現這樣的功能。例如，當前室內溫度遠低于人體溫度，但是計算后的輸出為命令空調制冷，顯然，這個輸出決策出現了BUG。因此，需要建立如式（3-6）的規則來避免這種情況的發生。

其中T 為室內溫度，SWI1為關于空調制冷開關。

4 總結和展望

物聯網是計算智能應用的重要領域，而人工神經網絡可以賦予計算機像人類一樣的管理能力甚至情感，智能生活系統系統只是前進道路上的初步嘗試之一。遺傳算法在各種問題的求解與應用中展現了其特點和魅力，同時也暴露出它在理論和應用上的諸多不足和缺陷。遺傳算法與優化技術的融合。對遺傳算法的大范圍群體搜索性能與快速收斂的局部優化方法進行混合，從而產生有效的全局優化方法。這種策略可從根本上提高遺傳算法計算性能，對此可以進行大量的理論分析和實驗。

參考文獻

[1]金逸超.基于物聯網環境的智能生活系統系統的研究與實現[J].2011.

[2]李東.人工智能技術發展概述和應用[J].2006.

[3]張妮.人工智能技術發展及應用研究綜述[J].2009.endprint

3.2 計算智能模塊部分

計算智能模塊是本系統的核心部分，計算智能模塊主要包括以下五大功能和一個遺傳神經網絡算法。

（1）信息及狀態收集功能：模塊的這一功能是將傳感器收集的上下文以及家電運行狀態等信息展示處理，能夠隨機分配人機接口代理（IA）并通過IA將信息反饋給用戶。（2）信息提取功能：模塊分布在周圍的傳感器節點處收集環境信息，并將其發送至遺傳神經網絡（GFNN）模塊，同時為狀態搜集器（CSC）提供一系列數據。同時它也具有管理信息感知代理（SA）的功能。（3）服務提取模塊功能：模塊包含命令生成和節點管理兩個下屬功能。命令生成負責在子模塊生成相應命令，這種功能可以直接控制家用電器的動作。節點管理子功能讓核心模塊管理所有子節點模塊，利用家電信息節點和傳感節點。例如冰箱停止工作，則這種功能能夠即時通過傳感器監測到該問題，并及時反饋給用戶。（4）數據挖掘模塊功能：該模塊功能負責智能計算模塊（ICM）和數據庫之間的通信。系統通過遺傳模糊神經網絡（GFNN）計算得到規則和能力可以存儲到數據庫中。（5）命令分類功能：用戶可以通過終端設備輸入命令，這時ICM將其標準化，并與數據庫進行匹配，匹配的結果將被輸入到遺傳模糊神經網絡（GFNN）進行計算處理。該功能同時也提供為IA提供操作接口，通過這類接口用戶可以和智能終端進行交互訪問。

遺傳模糊神經網絡（GFNN）：這是整個智能計算模塊的重要核心組成部分，它融合了模糊邏輯理論，人工神經網絡以及遺傳算法來進行計算并生成智能決策。在遺傳算法的實際應用中，有時為簡化描述問題的解，需要使用不同長度的編碼串。例如，用遺產算法對模糊控制器規則庫進行優化設計時，事先一般不知道規則數目，此時規則個體的染色體長度就可以描述為變化的；用遺傳算法對人工神經網絡結構進行優化時，如果各層的節點數是未知的，同樣，個體的染色體長度也可以描述為變化的。

3.3 遺傳模糊神經網絡設計

本文設計一個多輸入多輸出（MIMO）的遺傳模糊神經網絡。通過對用戶的行為進行學習從而對系統進行訓練，訓練完成后智能系統可以根據不同的場景作出相應的決策。我們先設定遺傳模糊神經網絡（GFNN）的體系結構，這時一個具有五層結構的正向反饋神經網絡。系統還設置了一個用于存儲和輸出特定知識的數據庫。最后，在決策信息輸出前，還需要加入了一個沖突檢測模塊，用于排除錯誤輸出。

設計的實現主要包括三個過程。

3.3.1 模糊神經網絡（FNN）計算過程

設定以下符號以便定義模糊神經網絡內的函數映射。

第一步：該步驟負責將接收信息，信息標準化后輸入，標準化的輸入表達式如下所示

第二步：標準化后的輸入依照函數sigmoid表達式模糊化處理，如下所示：

第三步：使用如下式（3-3）所示的IF-THEN語法規則，根據輸入得出輸出，假設

其中X1，X2，X3是模糊邏輯變量（例如，冷、熱、常溫），Y1是該層的模糊輸出。

第四步：依據式（3-4）將輸入和輸出進行匹配：

第五步：負責根據前一層的輸出，進行反模糊化處理，如式（3-5）所示：

3.3.2 遺傳算法過程

當個體適應度值低于平均適應度值時，說明個體是性能不好的個體，對他就采用較大的交叉率和變異率；如果適應度值高于平均適應度值時，說明該個體性能優良，對他就根據其適應度值取相應的交叉率和變異率。當適應度值越接近最大適應度值時，交叉率和變異率就越小；當等于最大適應度值時，交叉率和變異率的值為零。該方法適用于進化后期，不利于進化初期，因為進化初期群體中的較優個體幾乎處于一種不發生變化的狀態，而此時的優秀個體不一定是優化的全局最優，這容易使進化過程走向局部最優解的可能性增加。

3.3.3 沖突檢測過程

沖突檢測是為了完善系統性能，從而使那些被屏蔽的錯誤輸出不會被作為訓練樣本存儲起來。為了降低系統的復雜度，我們可以假定事先定義的規則來實現這樣的功能。例如，當前室內溫度遠低于人體溫度，但是計算后的輸出為命令空調制冷，顯然，這個輸出決策出現了BUG。因此，需要建立如式（3-6）的規則來避免這種情況的發生。

其中T 為室內溫度，SWI1為關于空調制冷開關。

4 總結和展望

物聯網是計算智能應用的重要領域，而人工神經網絡可以賦予計算機像人類一樣的管理能力甚至情感，智能生活系統系統只是前進道路上的初步嘗試之一。遺傳算法在各種問題的求解與應用中展現了其特點和魅力，同時也暴露出它在理論和應用上的諸多不足和缺陷。遺傳算法與優化技術的融合。對遺傳算法的大范圍群體搜索性能與快速收斂的局部優化方法進行混合，從而產生有效的全局優化方法。這種策略可從根本上提高遺傳算法計算性能，對此可以進行大量的理論分析和實驗。

參考文獻

[1]金逸超.基于物聯網環境的智能生活系統系統的研究與實現[J].2011.

[2]李東.人工智能技術發展概述和應用[J].2006.

[3]張妮.人工智能技術發展及應用研究綜述[J].2009.endprint

3.2 計算智能模塊部分

計算智能模塊是本系統的核心部分，計算智能模塊主要包括以下五大功能和一個遺傳神經網絡算法。

（1）信息及狀態收集功能：模塊的這一功能是將傳感器收集的上下文以及家電運行狀態等信息展示處理，能夠隨機分配人機接口代理（IA）并通過IA將信息反饋給用戶。（2）信息提取功能：模塊分布在周圍的傳感器節點處收集環境信息，并將其發送至遺傳神經網絡（GFNN）模塊，同時為狀態搜集器（CSC）提供一系列數據。同時它也具有管理信息感知代理（SA）的功能。（3）服務提取模塊功能：模塊包含命令生成和節點管理兩個下屬功能。命令生成負責在子模塊生成相應命令，這種功能可以直接控制家用電器的動作。節點管理子功能讓核心模塊管理所有子節點模塊，利用家電信息節點和傳感節點。例如冰箱停止工作，則這種功能能夠即時通過傳感器監測到該問題，并及時反饋給用戶。（4）數據挖掘模塊功能：該模塊功能負責智能計算模塊（ICM）和數據庫之間的通信。系統通過遺傳模糊神經網絡（GFNN）計算得到規則和能力可以存儲到數據庫中。（5）命令分類功能：用戶可以通過終端設備輸入命令，這時ICM將其標準化，并與數據庫進行匹配，匹配的結果將被輸入到遺傳模糊神經網絡（GFNN）進行計算處理。該功能同時也提供為IA提供操作接口，通過這類接口用戶可以和智能終端進行交互訪問。

遺傳模糊神經網絡（GFNN）：這是整個智能計算模塊的重要核心組成部分，它融合了模糊邏輯理論，人工神經網絡以及遺傳算法來進行計算并生成智能決策。在遺傳算法的實際應用中，有時為簡化描述問題的解，需要使用不同長度的編碼串。例如，用遺產算法對模糊控制器規則庫進行優化設計時，事先一般不知道規則數目，此時規則個體的染色體長度就可以描述為變化的；用遺傳算法對人工神經網絡結構進行優化時，如果各層的節點數是未知的，同樣，個體的染色體長度也可以描述為變化的。

3.3 遺傳模糊神經網絡設計

本文設計一個多輸入多輸出（MIMO）的遺傳模糊神經網絡。通過對用戶的行為進行學習從而對系統進行訓練，訓練完成后智能系統可以根據不同的場景作出相應的決策。我們先設定遺傳模糊神經網絡（GFNN）的體系結構，這時一個具有五層結構的正向反饋神經網絡。系統還設置了一個用于存儲和輸出特定知識的數據庫。最后，在決策信息輸出前，還需要加入了一個沖突檢測模塊，用于排除錯誤輸出。

設計的實現主要包括三個過程。

3.3.1 模糊神經網絡（FNN）計算過程

設定以下符號以便定義模糊神經網絡內的函數映射。

第一步：該步驟負責將接收信息，信息標準化后輸入，標準化的輸入表達式如下所示

第二步：標準化后的輸入依照函數sigmoid表達式模糊化處理，如下所示：

第三步：使用如下式（3-3）所示的IF-THEN語法規則，根據輸入得出輸出，假設

其中X1，X2，X3是模糊邏輯變量（例如，冷、熱、常溫），Y1是該層的模糊輸出。

第四步：依據式（3-4）將輸入和輸出進行匹配：

第五步：負責根據前一層的輸出，進行反模糊化處理，如式（3-5）所示：

3.3.2 遺傳算法過程

當個體適應度值低于平均適應度值時，說明個體是性能不好的個體，對他就采用較大的交叉率和變異率；如果適應度值高于平均適應度值時，說明該個體性能優良，對他就根據其適應度值取相應的交叉率和變異率。當適應度值越接近最大適應度值時，交叉率和變異率就越??；當等于最大適應度值時，交叉率和變異率的值為零。該方法適用于進化后期，不利于進化初期，因為進化初期群體中的較優個體幾乎處于一種不發生變化的狀態，而此時的優秀個體不一定是優化的全局最優，這容易使進化過程走向局部最優解的可能性增加。

3.3.3 沖突檢測過程

沖突檢測是為了完善系統性能，從而使那些被屏蔽的錯誤輸出不會被作為訓練樣本存儲起來。為了降低系統的復雜度，我們可以假定事先定義的規則來實現這樣的功能。例如，當前室內溫度遠低于人體溫度，但是計算后的輸出為命令空調制冷，顯然，這個輸出決策出現了BUG。因此，需要建立如式（3-6）的規則來避免這種情況的發生。

其中T 為室內溫度，SWI1為關于空調制冷開關。

4 總結和展望

物聯網是計算智能應用的重要領域，而人工神經網絡可以賦予計算機像人類一樣的管理能力甚至情感，智能生活系統系統只是前進道路上的初步嘗試之一。遺傳算法在各種問題的求解與應用中展現了其特點和魅力，同時也暴露出它在理論和應用上的諸多不足和缺陷。遺傳算法與優化技術的融合。對遺傳算法的大范圍群體搜索性能與快速收斂的局部優化方法進行混合，從而產生有效的全局優化方法。這種策略可從根本上提高遺傳算法計算性能，對此可以進行大量的理論分析和實驗。

參考文獻

[1]金逸超.基于物聯網環境的智能生活系統系統的研究與實現[J].2011.

[2]李東.人工智能技術發展概述和應用[J].2006.

[3]張妮.人工智能技術發展及應用研究綜述[J].2009.endprint