人工智能及计算智能在物联网方面的应用

王珂+翟婷婷

摘要：介绍了人工智能技术、计算智能技术的发展及取得成果。在已经比较成熟的物联网技术条件下，建立一个高适应性、高发展性的智能生活系统，结合Agent技术、人机交互技术、新型应用等热门技术，对智能生活系统的初步设计、拓扑结构、以及如何用计算智能实现等问题进行了初步研究。

关键词：人工智能 计算智能 物联网 Agent智能技术 遗传算法

中图分类号：TN929 文献标识码：A 文章编号：1007-9416（2014）08-0093-02

1 人工智能及计算智能的发展

1.1 人工智能

1950年Alan Turing的文章 《Computing Machinery and Intelligence》 提出图灵测试，检验一台机器或电脑是否具有如人一样的思维能力和智能。人工智能（Artificial Intelligence）一词最初是在1956年夏天， 美国达特莫斯大学（Dartmouth）召开的一次影响深远的历史性会议上提出的，人工智能是一门研究如何构造智能机器或智能系统，使它能模拟人脑的功能、延伸和扩展人类智能的学科。相对于人的自然智能而言的，人工智能是指用人工的方法在机器（计算机）上执行智能行为：感知、理解、学习、判断、推理、规划、设计、求解等。

1.2 人工智能现有主流学派

人工智能与生命科学、认知科学、物理学等众多学科高度交叉，共同研究智能行为的基本理论和实现技术。发展到现在，主要形成了以下几个学派：

符号主义（Symbolism）：长期以来，符号主义一直在人工智能中处于主导地位，他们认为认知的本质就是计算，可称为认知可计算主义。思维的基本单元是符号，智能的核心是利用知识以及知识推理进行问题求解。智能活动的基础是物理符号运算，人脑和电脑都是物理符号系统。人的智能可以通过建了基于符号逻辑的智能理论体系模拟。

连接主义（Connectionism）：认为人类认知活动主要基于大脑神经元的活动，人类思维的基本单元是神经元而不是符号，智能是互连神经元竞争与协作的结果。模拟人的智能要依靠仿生学，特别是模拟人脑，建立脑模型。电脑模拟人脑应着重于结构模拟，即人的生理神经网络结构，功能、结构和行为密切相关，不同的结构表现出不同的功能行为。

行为主义（Behaviorism）：认为智能是一个系统行为，智能行为可以通过与周围环境的的交互作用表现出来。智能的基础是“感知-动作”模式，类似于心理学的“刺激-反应”，它也决定系统的结构和参量。系统的智能行为决定于系统的结构和参量。自组织、自学习、自适应是智能系统得基本特征。

1.3 计算智能

由于人工智能的复杂、庞大以及各个学派自身的局限性，人工智能的应用发展非常缓慢，于是在此基础上计算智能发展了起来，计算智能是信息科学、生命科学、认知科学等不同学科相互交叉的产物。是以自然界，特别是其中典型的生物系统和物理系统的相关功能、特点和作用机理为参照基础，研究其中所蕴含的丰富的信息处理机制，在所需求解问题特征的相关目标导引下，提取相应的计算模型，设计相应的智能算法，通过相关的信息感知积累、知识方法提升、任务调度实施、定点信息交换等模块的协同工作，得到智能化的信息处理效果，并在各相关领域加以应用。计算智能在人类生活的许多领域有着很大的优势，例如大规模复杂系统（优化问题），科学技术、经济 、社会优化设计、优化控制等理论问题求解，计算机网络、通信、集成制造（生产），机器人、仿生学，电路设计（大规模集成电路），电力系统（电网、电能优化等），智能交通、城市规划等。我们文中提到的遗传神经网络算法就是计算智能的一种。

2 物联网

物联网（The Internet of things）的概念是在1999年被提出的，最初设想是把所有物品用传感设备与互联网相连接，以实现智能管理。物联网结合不断发展信息技术在各行各业发挥着意想不到的作用，例如，把传感器或感应装置安装或嵌入到高速公路、铁路、桥梁、隧道、电网、给水系统、水坝、输油气管道等各类设施中，而后物联网将通过有线信号或无线信号与互联网进行整合，使人们可以很方便的控制整个物理系统，在整合后的网络中，需要一台强大的智能计算机，它能够对整合后的网络中的设备和人员进行实时监控，通过这种方法，达到即时、动态和精细化的管理，提高人类对环境的控制力和资源的利用率。

在物联网技术基础上发展起来的智能生活系统系统更是集先进技术于大成，将微型芯片嵌入到日常的生活用品中去，通过这些设备节点的无线通信能力和感知能力，从而建立具有超强计算能力和自适应性的智能环境。通过计算、拓扑和无线信息每时每刻向用户反馈各类信息；还可以利用现有的Agent 技术，进行自主学习，根据用户习惯，智能地为用户控制各种电器，从而创造舒适的环境；从用户角度进行体验时，智能生活系统系统也设定多种方式来迎合各类用户的口味，例如窗口形式，嵌套标识、语音助手甚至虚拟界面都可以实现，随着用户生活水平的提高，智能生活系统也会相应提升自己的版本来适应更高的要求。

3 基于Agent方式的智能生活系统

3.1 系统架构

Agent是一个具有控制问题求解机理的计算单元，它可以指一个机器人、一个专家系统、一个过程、一个模式或者求解单元。基于Agent的智能生活系统应包括传感器、用户终端、家电、信息感知代理（SA）、人机交互代理（IA）、设备代理（DA）、数据库、以及核心智能计算模块（ICM）系统组成。

智能生活系统包含了各种不同的传感器用于感知信息。这些信息都不与其它任意的一种信息产生显性关联（例如，最舒适室温可以设定在25℃-27℃之间，而人体正常温度是36.5℃-37.5℃）。所有的这些传感器都发送无线信号从而成为无线节点设备，从而可以利用常用的ZigBee协议进行组网和无限通信。信息感知代理（SA）则扮演信息传递者的角色，它负责将收集到的信息由传感器传送至信息提取器，信息提取器可以被安置在服务器端。家庭电器可以与传感器一样，也通过无线信号连接到网络节点为核心的控制面板上，以实现远端控制。家电还可以通过DA与ICM进行服务端通信。IA的功能与SA类似，用户可以通过它收集服务器端的信息进行筛选。在本文构架，IA采用无线及有线两种连接的方式进行数据传送。在该系统中还可以安装面向移动的中间代理软件，首先移动代理能够快速实现传感设备的动态信息、远程监控、数据共享、多代理间（主要包括SA、DA和IA）协作和异构通信等功能。其次使用移动代理可以统一管理不同分布部署的设备，也能够加快信息上下行速度，提高可用性。endprint

3.2 计算智能模块部分

计算智能模块是本系统的核心部分，计算智能模块主要包括以下五大功能和一个遗传神经网络算法。

（1）信息及状态收集功能：模块的这一功能是将传感器收集的上下文以及家电运行状态等信息展示处理，能够随机分配人机接口代理（IA）并通过IA将信息反馈给用户。（2）信息提取功能：模块分布在周围的传感器节点处收集环境信息，并将其发送至遗传神经网络（GFNN）模块，同时为状态搜集器（CSC）提供一系列数据。同时它也具有管理信息感知代理（SA）的功能。（3）服务提取模块功能：模块包含命令生成和节点管理两个下属功能。命令生成负责在子模块生成相应命令，这种功能可以直接控制家用电器的动作。节点管理子功能让核心模块管理所有子节点模块，利用家电信息节点和传感节点。例如冰箱停止工作，则这种功能能够即时通过传感器监测到该问题，并及时反馈给用户。（4）数据挖掘模块功能：该模块功能负责智能计算模块（ICM）和数据库之间的通信。系统通过遗传模糊神经网络（GFNN）计算得到规则和能力可以存储到数据库中。（5）命令分类功能：用户可以通过终端设备输入命令，这时ICM将其标准化，并与数据库进行匹配，匹配的结果将被输入到遗传模糊神经网络（GFNN）进行计算处理。该功能同时也提供为IA提供操作接口，通过这类接口用户可以和智能终端进行交互访问。

遗传模糊神经网络（GFNN）：这是整个智能计算模块的重要核心组成部分，它融合了模糊逻辑理论，人工神经网络以及遗传算法来进行计算并生成智能决策。在遗传算法的实际应用中，有时为简化描述问题的解，需要使用不同长度的编码串。例如，用遗产算法对模糊控制器规则库进行优化设计时，事先一般不知道规则数目，此时规则个体的染色体长度就可以描述为变化的；用遗传算法对人工神经网络结构进行优化时，如果各层的节点数是未知的，同样，个体的染色体长度也可以描述为变化的。

3.3 遗传模糊神经网络设计

本文设计一个多输入多输出（MIMO）的遗传模糊神经网络。通过对用户的行为进行学习从而对系统进行训练，训练完成后智能系统可以根据不同的场景作出相应的决策。我们先设定遗传模糊神经网络（GFNN）的体系结构，这时一个具有五层结构的正向反馈神经网络。系统还设置了一个用于存储和输出特定知识的数据库。最后，在决策信息输出前，还需要加入了一个冲突检测模块，用于排除错误输出。

设计的实现主要包括三个过程。

3.3.1 模糊神经网络（FNN）计算过程

设定以下符号以便定义模糊神经网络内的函数映射。

第一步：该步骤负责将接收信息，信息标准化后输入，标准化的输入表达式如下所示

第二步：标准化后的输入依照函数sigmoid表达式模糊化处理，如下所示：

第三步：使用如下式（3-3）所示的IF-THEN语法规则，根据输入得出输出，假设

其中X1，X2，X3是模糊逻辑变量（例如，冷、热、常温），Y1是该层的模糊输出。

第四步：依据式（3-4）将输入和输出进行匹配：

第五步：负责根据前一层的输出，进行反模糊化处理，如式（3-5）所示：

3.3.2 遗传算法过程

当个体适应度值低于平均适应度值时，说明个体是性能不好的个体，对他就采用较大的交叉率和变异率；如果适应度值高于平均适应度值时，说明该个体性能优良，对他就根据其适应度值取相应的交叉率和变异率。当适应度值越接近最大适应度值时，交叉率和变异率就越小；当等于最大适应度值时，交叉率和变异率的值为零。该方法适用于进化后期，不利于进化初期，因为进化初期群体中的较优个体几乎处于一种不发生变化的状态，而此时的优秀个体不一定是优化的全局最优，这容易使进化过程走向局部最优解的可能性增加。

3.3.3 冲突检测过程

冲突检测是为了完善系统性能，从而使那些被屏蔽的错误输出不会被作为训练样本存储起来。为了降低系统的复杂度，我们可以假定事先定义的规则来实现这样的功能。例如，当前室内温度远低于人体温度，但是计算后的输出为命令空调制冷，显然，这个输出决策出现了BUG。因此，需要建立如式（3-6）的规则来避免这种情况的发生。

其中T 为室内温度，SWI1为关于空调制冷开关。

4 总结和展望

物联网是计算智能应用的重要领域，而人工神经网络可以赋予计算机像人类一样的管理能力甚至情感，智能生活系统系统只是前进道路上的初步尝试之一。遗传算法在各种问题的求解与应用中展现了其特点和魅力，同时也暴露出它在理论和应用上的诸多不足和缺陷。遗传算法与优化技术的融合。对遗传算法的大范围群体搜索性能与快速收敛的局部优化方法进行混合，从而产生有效的全局优化方法。这种策略可从根本上提高遗传算法计算性能，对此可以进行大量的理论分析和实验。

参考文献

[1]金逸超.基于物联网环境的智能生活系统系统的研究与实现[J].2011.

[2]李东.人工智能技术发展概述和应用[J].2006.

[3]张妮.人工智能技术发展及应用研究综述[J].2009.endprint

3.2 计算智能模块部分

计算智能模块是本系统的核心部分，计算智能模块主要包括以下五大功能和一个遗传神经网络算法。

（1）信息及状态收集功能：模块的这一功能是将传感器收集的上下文以及家电运行状态等信息展示处理，能够随机分配人机接口代理（IA）并通过IA将信息反馈给用户。（2）信息提取功能：模块分布在周围的传感器节点处收集环境信息，并将其发送至遗传神经网络（GFNN）模块，同时为状态搜集器（CSC）提供一系列数据。同时它也具有管理信息感知代理（SA）的功能。（3）服务提取模块功能：模块包含命令生成和节点管理两个下属功能。命令生成负责在子模块生成相应命令，这种功能可以直接控制家用电器的动作。节点管理子功能让核心模块管理所有子节点模块，利用家电信息节点和传感节点。例如冰箱停止工作，则这种功能能够即时通过传感器监测到该问题，并及时反馈给用户。（4）数据挖掘模块功能：该模块功能负责智能计算模块（ICM）和数据库之间的通信。系统通过遗传模糊神经网络（GFNN）计算得到规则和能力可以存储到数据库中。（5）命令分类功能：用户可以通过终端设备输入命令，这时ICM将其标准化，并与数据库进行匹配，匹配的结果将被输入到遗传模糊神经网络（GFNN）进行计算处理。该功能同时也提供为IA提供操作接口，通过这类接口用户可以和智能终端进行交互访问。

遗传模糊神经网络（GFNN）：这是整个智能计算模块的重要核心组成部分，它融合了模糊逻辑理论，人工神经网络以及遗传算法来进行计算并生成智能决策。在遗传算法的实际应用中，有时为简化描述问题的解，需要使用不同长度的编码串。例如，用遗产算法对模糊控制器规则库进行优化设计时，事先一般不知道规则数目，此时规则个体的染色体长度就可以描述为变化的；用遗传算法对人工神经网络结构进行优化时，如果各层的节点数是未知的，同样，个体的染色体长度也可以描述为变化的。

3.3 遗传模糊神经网络设计

本文设计一个多输入多输出（MIMO）的遗传模糊神经网络。通过对用户的行为进行学习从而对系统进行训练，训练完成后智能系统可以根据不同的场景作出相应的决策。我们先设定遗传模糊神经网络（GFNN）的体系结构，这时一个具有五层结构的正向反馈神经网络。系统还设置了一个用于存储和输出特定知识的数据库。最后，在决策信息输出前，还需要加入了一个冲突检测模块，用于排除错误输出。

设计的实现主要包括三个过程。

3.3.1 模糊神经网络（FNN）计算过程

设定以下符号以便定义模糊神经网络内的函数映射。

第一步：该步骤负责将接收信息，信息标准化后输入，标准化的输入表达式如下所示

第二步：标准化后的输入依照函数sigmoid表达式模糊化处理，如下所示：

第三步：使用如下式（3-3）所示的IF-THEN语法规则，根据输入得出输出，假设

其中X1，X2，X3是模糊逻辑变量（例如，冷、热、常温），Y1是该层的模糊输出。

第四步：依据式（3-4）将输入和输出进行匹配：

第五步：负责根据前一层的输出，进行反模糊化处理，如式（3-5）所示：

3.3.2 遗传算法过程

当个体适应度值低于平均适应度值时，说明个体是性能不好的个体，对他就采用较大的交叉率和变异率；如果适应度值高于平均适应度值时，说明该个体性能优良，对他就根据其适应度值取相应的交叉率和变异率。当适应度值越接近最大适应度值时，交叉率和变异率就越小；当等于最大适应度值时，交叉率和变异率的值为零。该方法适用于进化后期，不利于进化初期，因为进化初期群体中的较优个体几乎处于一种不发生变化的状态，而此时的优秀个体不一定是优化的全局最优，这容易使进化过程走向局部最优解的可能性增加。

3.3.3 冲突检测过程

冲突检测是为了完善系统性能，从而使那些被屏蔽的错误输出不会被作为训练样本存储起来。为了降低系统的复杂度，我们可以假定事先定义的规则来实现这样的功能。例如，当前室内温度远低于人体温度，但是计算后的输出为命令空调制冷，显然，这个输出决策出现了BUG。因此，需要建立如式（3-6）的规则来避免这种情况的发生。

其中T 为室内温度，SWI1为关于空调制冷开关。

4 总结和展望

物联网是计算智能应用的重要领域，而人工神经网络可以赋予计算机像人类一样的管理能力甚至情感，智能生活系统系统只是前进道路上的初步尝试之一。遗传算法在各种问题的求解与应用中展现了其特点和魅力，同时也暴露出它在理论和应用上的诸多不足和缺陷。遗传算法与优化技术的融合。对遗传算法的大范围群体搜索性能与快速收敛的局部优化方法进行混合，从而产生有效的全局优化方法。这种策略可从根本上提高遗传算法计算性能，对此可以进行大量的理论分析和实验。

参考文献

[1]金逸超.基于物联网环境的智能生活系统系统的研究与实现[J].2011.

[2]李东.人工智能技术发展概述和应用[J].2006.

[3]张妮.人工智能技术发展及应用研究综述[J].2009.endprint

3.2 计算智能模块部分

计算智能模块是本系统的核心部分，计算智能模块主要包括以下五大功能和一个遗传神经网络算法。

（1）信息及状态收集功能：模块的这一功能是将传感器收集的上下文以及家电运行状态等信息展示处理，能够随机分配人机接口代理（IA）并通过IA将信息反馈给用户。（2）信息提取功能：模块分布在周围的传感器节点处收集环境信息，并将其发送至遗传神经网络（GFNN）模块，同时为状态搜集器（CSC）提供一系列数据。同时它也具有管理信息感知代理（SA）的功能。（3）服务提取模块功能：模块包含命令生成和节点管理两个下属功能。命令生成负责在子模块生成相应命令，这种功能可以直接控制家用电器的动作。节点管理子功能让核心模块管理所有子节点模块，利用家电信息节点和传感节点。例如冰箱停止工作，则这种功能能够即时通过传感器监测到该问题，并及时反馈给用户。（4）数据挖掘模块功能：该模块功能负责智能计算模块（ICM）和数据库之间的通信。系统通过遗传模糊神经网络（GFNN）计算得到规则和能力可以存储到数据库中。（5）命令分类功能：用户可以通过终端设备输入命令，这时ICM将其标准化，并与数据库进行匹配，匹配的结果将被输入到遗传模糊神经网络（GFNN）进行计算处理。该功能同时也提供为IA提供操作接口，通过这类接口用户可以和智能终端进行交互访问。

遗传模糊神经网络（GFNN）：这是整个智能计算模块的重要核心组成部分，它融合了模糊逻辑理论，人工神经网络以及遗传算法来进行计算并生成智能决策。在遗传算法的实际应用中，有时为简化描述问题的解，需要使用不同长度的编码串。例如，用遗产算法对模糊控制器规则库进行优化设计时，事先一般不知道规则数目，此时规则个体的染色体长度就可以描述为变化的；用遗传算法对人工神经网络结构进行优化时，如果各层的节点数是未知的，同样，个体的染色体长度也可以描述为变化的。

3.3 遗传模糊神经网络设计

本文设计一个多输入多输出（MIMO）的遗传模糊神经网络。通过对用户的行为进行学习从而对系统进行训练，训练完成后智能系统可以根据不同的场景作出相应的决策。我们先设定遗传模糊神经网络（GFNN）的体系结构，这时一个具有五层结构的正向反馈神经网络。系统还设置了一个用于存储和输出特定知识的数据库。最后，在决策信息输出前，还需要加入了一个冲突检测模块，用于排除错误输出。

设计的实现主要包括三个过程。

3.3.1 模糊神经网络（FNN）计算过程

设定以下符号以便定义模糊神经网络内的函数映射。

第一步：该步骤负责将接收信息，信息标准化后输入，标准化的输入表达式如下所示

第二步：标准化后的输入依照函数sigmoid表达式模糊化处理，如下所示：

第三步：使用如下式（3-3）所示的IF-THEN语法规则，根据输入得出输出，假设

其中X1，X2，X3是模糊逻辑变量（例如，冷、热、常温），Y1是该层的模糊输出。

第四步：依据式（3-4）将输入和输出进行匹配：

第五步：负责根据前一层的输出，进行反模糊化处理，如式（3-5）所示：

3.3.2 遗传算法过程

当个体适应度值低于平均适应度值时，说明个体是性能不好的个体，对他就采用较大的交叉率和变异率；如果适应度值高于平均适应度值时，说明该个体性能优良，对他就根据其适应度值取相应的交叉率和变异率。当适应度值越接近最大适应度值时，交叉率和变异率就越小；当等于最大适应度值时，交叉率和变异率的值为零。该方法适用于进化后期，不利于进化初期，因为进化初期群体中的较优个体几乎处于一种不发生变化的状态，而此时的优秀个体不一定是优化的全局最优，这容易使进化过程走向局部最优解的可能性增加。

3.3.3 冲突检测过程

冲突检测是为了完善系统性能，从而使那些被屏蔽的错误输出不会被作为训练样本存储起来。为了降低系统的复杂度，我们可以假定事先定义的规则来实现这样的功能。例如，当前室内温度远低于人体温度，但是计算后的输出为命令空调制冷，显然，这个输出决策出现了BUG。因此，需要建立如式（3-6）的规则来避免这种情况的发生。

其中T 为室内温度，SWI1为关于空调制冷开关。

4 总结和展望

物联网是计算智能应用的重要领域，而人工神经网络可以赋予计算机像人类一样的管理能力甚至情感，智能生活系统系统只是前进道路上的初步尝试之一。遗传算法在各种问题的求解与应用中展现了其特点和魅力，同时也暴露出它在理论和应用上的诸多不足和缺陷。遗传算法与优化技术的融合。对遗传算法的大范围群体搜索性能与快速收敛的局部优化方法进行混合，从而产生有效的全局优化方法。这种策略可从根本上提高遗传算法计算性能，对此可以进行大量的理论分析和实验。

参考文献

[1]金逸超.基于物联网环境的智能生活系统系统的研究与实现[J].2011.

[2]李东.人工智能技术发展概述和应用[J].2006.

[3]张妮.人工智能技术发展及应用研究综述[J].2009.endprint