智能的本质在于学习的能力。

仿生学的思路:

并行盘算，群盘算，基于相互作用的个体，利用其存在的竞争或者合作行动，最后能够在特定层次有新性质的涌现，如同微积分的无穷小量的累加，智能就是原函数。我们可以懂得为一种图灵机，不是基于规矩的如同数学分析式的思路，而是概率散布式的统计分析：个体之间有信息的交互，能够根据信息转变自身状态，这是散布式的，没有中心把持中心，如同模型/元胞主动机，能够表现出来特定复杂的模式，我们可以视为一种智能。智能的涌现是必定的(二项散布式)。我们的社会机制也是一种智能，也有必定的算法。因此，我们可以通过数据的积累来建模，并不断逼近这种智能的算法。

蚁群算法，模仿蚂蚁觅食的路径搜索算法，首先是遍历所有的可能性即蚂蚁移动并且分泌信息素，然后根据各自指标来不断优化，即其他蚂蚁优先在这些路径运动并进一步分泌信息素，收敛于必定的最优解(信息素会自然衰减，最短路径的信息素浓度相对最高)，这是能量最低定理的一种运用。而且还有小部分采用其他策略，从而使得最优解不至于停留在局部最优解。这是博弈论的一种利用。

群智能算法求解难问题(组合爆炸，所有可能性太多，不可能在的多项式次时间求解，问题规模浮现指数增长)，本质上如同傅立叶变换，是不同角度来解决问题。可以以网络的优先连接原则来懂得，最后产生必定的幂律散布，从而能够产生必定的网络结构，能够对应于必定的输进产生特定的输出。实在就是利用不同的信息来剪枝，大大减少搜索的领域，在一个更有可能搜索到最优解的领域进行搜索。我们确信这些领域也存在幂律散布，即少部分区域具有更大的重要性。进化论的思想，遗传算法也是如此，能够通过迭代不断更新参数来找到最优解。算法的实现需要考虑不同指标的断定如适应度等等，以及更新的公式即各种策略。

其背后的数学原理和深度学习一样，各种参数的设置实在如同盲人摸象一样都是刻画某个宏观对象的不同层次，最后集合起来和微积分一样实现这种高维的结构。

盘算智能，信息科技和生物科学的交叉，如神经网络算法，进化盘算和人工生命等等领域。利用自然界已经进化出来的算法来盘算如大脑的盘算和进化。机器学习算法的思想。

神经网络:并行散布处理，非线性映射，能够通过练习进行学习，适应和集成，硬件实现

基础元件神经元()=∑+?

神经网络：1递回反馈网络(神经元互相有连接)2前馈多层网络(分层结构，同层之间没有连接)

进化论:变异—选择—优越劣汰。以基因等等争取更大的存在比例为基础动力(自私的基因)

遗传算法:1编码和解码(把问题结构变换为位串情势，是编码，这种编码的情势是染色体)2适应度函数(目标函数，度量的指标)3遗传操作（选择，交叉，变异)

人工生命，生命的定义很宽泛，我认为一个函数就是一个生命。以面向对象的思想来懂得生命这个函数，我们可以利用分而治之的思路来分解为不同系统，持续分解为更细化的层次，直到基础的模块，然后再从底到顶结构出身命这个复杂的函数。

问题求解和搜索，首先需要将问题抽象为必定的数学模型，然后找到问题的答案，有很多手段，搜索是重要手段之一。理论上会存在问题的对应答案，我们需要结构出来，让机器主动求解。

状态空间法，将问题抽象为状态的转移，然后通过搜索算法如深度/广度优先搜索来找到能够实现最优解的状态序列，即在初始状态和目标状态之间的操作集合。状态：问题在某一时刻所处的地位，情况等等。这些因素可以以向量的情势表现，可以视为特点。算子(算符，操作符)是使得状态产生转变的操作。求解过程就转化为在状态空间图中搜索一条从初始状态到目标状态的路径问题。以图论来建模:1无信息搜索即深度/广度优先搜索；2有信息搜索，算法和*算法。启发性搜索，利用和问题相干的经验信息，引进估价函数来估计节点位于解路径的概率，然后优先选择估计函数值小的路径，然后排序。

搜索的优化思路：

1贪心算法式地根据当前最优解到下一个最优解的状态变更，以局部最优来逼近整体最优。

2网络的优先连接机制。深度/广度优先搜索。

3中间成果的记忆，减少重复盘算。

模式辨认，各种疾病的诊断实在就是一种分类，通过各种症状，实验室检查，影像学检查等等得到的数据映射于可能的疾病列表，根据不同疾病的可能性排序得到比较明确的成果。一开端是搜索的问题，根据数据库匹配信息(一个疾病对应于多种症状，一种症状存在于多种疾病，可以根据统计来量化这种关系，如感冒有概率发热，概率流鼻涕…发热有概率是肿瘤，bb概率是沾染…)，应用必定的算法来构建新病人的症状和诊断之间的映射。可能应用贝叶斯推断的
本章未完，请翻下一页继续阅读......... 学医路漫漫 最新章节第一百零五章智能的本质,网址：https://www.555d.org/383_383912/108.html