基于CiteSpace的混合增强智能领域研究热点及趋势分析

孙庆文 张萌萌 张洁

摘 要：混合智能是人工智能發展到2.0时代的新兴产物，是人类智能与机器智能的交叉结合，旨在融合两者优势解决复杂问题，提高整体系统的决策质量和效率。为全面分析混合智能领域的研究动态及发展趋势，准确把握未来发展热点目标，利用CiteSpace文献可视化分析软件，对来源于中国知网（CNKI）与Web of Science的相关领域文献进行可视化处理，从发文情况、关键词热点以及发展趋势3个角度进行分析。结果表明：该领域发文量受关键人物及国家政策影响在2017年前后有较大幅度提升，关注度较高但尚未形成具备较强科研产出能力的核心作者群体和较为紧密的合作关系网络。关键词热点包括以神经网络、遗传算法和群体智能为代表的算法技术研究。以优化多目标问题的群体智能和特征选择技术将成为该领域未来的主要研究方向。关键词：人工智能；研究热点；CiteSpace；混合增强智能；发展趋势中图分类号：TP18

文献标识码：A   文章编号：1672-7312（2024）01-0032-09

Research Hotspots and Trend Analysis in the Field of

Hybrid Enhanced Intelligence Based on Citespace

SUN Qingwen1，2，3，ZHANG Mengmeng1，2，ZHANG Jie2，4

（1.School of Transportation and Logistics Engineering，Shandong Jiaotong University，Jinan 250357，China；

2.Shandong Provincial Smart Transportation Key Laboratory（Under Preparation），Jinan 250357，China;

3.Shandong Jinyu Information Technology Group Co.，Ltd.，Jinan 250101，China;

4.Shandong Zhengqu Transportation Engineering Co.，Ltd.，Jinan 250101，China）

Abstract：Hybrid intelligence is an emerging product of the development of artificial intelligence to the 2.0 era，which is the cross combination of human intelligence and machine intelligence.It aims to integrate the advantages of the two to solve complex problems and improve the decision-making quality and efficiency of the overall system.In order to comprehensively analyze the research trends and development trends in the field of hybrid intelligence，and accurately grasp the future development hotspots，CiteSpace literature visualization analysis software is used to visualize relevant field literature from China National Knowledge Infrastructure（CNKI）and Web of Science.The analysis is conducted from three perspectives：publication status，keyword hotspots，and development trends.The results indicate that：The number of publications in this field has significantly increased around 2017 due to the influence of key figures and national policies，with a high level of attention but no core author group with strong scientific research output capabilities and a relatively close cooperative network.Keyword hotspots include research on algorithm technologies represented by neural networks，genetic algorithms，and swarm intelligence.The swarm intelligence and feature selection techniques for optimizing multi-objective problems will become the main research directions in this field in the future.

Key words：artificial intelligence；research hotspots；CiteSpace；hybrid enhanced intelligence；development trends

0 引言

自1956年人工智能诞生以来，经过近70年的发展历程，相关研究已经取得了巨大进展，并在各个领域逐步应用。传统人工智能借助神经网络、深度学习等数据算法，依托其庞大的信息处理体系和高速的数据处理模式，实现较为高效的结果预测，但随着应用场景的不断复杂化，人们发现单一的计算结构无法满足用户的新增需求，混合增强智能的概念因此被提出[1]。

混合增强智能存在两种形态划分：人在回路的混合增强智能和基于认知计算的混合增强智能。对于人在回路的混合增强智能的研究，是将人的思维引入到智能计算系统的计算回路之中，通过将人的直觉、经验等属性同机器的高强度的逻辑处理能力相耦合，进而提升系统的智能水平、创造力和解决问题的能力。近期的研究包括脑机接口、人机协作等智能场景，乔骥等[2]通过结合电网调控的相关业务功能，提出了基于人在回路的混合增强智能调控总体研究框架，并在此基础之上探讨了人机任务分配、人机可解释交互、人类可介入学习、多人机协同以及混合智能趋优进化等关键技术的研究局限性以及未来发展方向，为人工智能技术性能提升提供了一种解决思路；基于认知计算的混合增强智能是利用计算机模拟生物大脑的组织功能，建立类似于人脑感知、推理的计算模型，使其具备生物应激能力的反馈提升机制，提升计算机的决策能力。研究包括利用深度学习、神经网络等技术的故障分析、因果推理等场景。SANGSUNG P等[3]提出一种可以模仿人类思想和情感的认知人工智能方法，从人类的情感和认知角度出发，通过回归模型分析的实验验证，将人类的情感因素引入模型，实现了根据情绪水平做出的最优决策。该领域已产出诸多研究理论与实际应用，同时也暴露出在发展过程中存在的一些问题。王刚等[4]在2010年对混合智能系统的发展进行回顾，从理论与应用2个层面对领域初期的研究进行综述，理论研究方面从研究动因、系统分类、构造方法和评价准则4个方面进行详细阐述，应用方面从管理、控制、医学3个领域的应用情况进行梳理。最后，指出未来混合智能领域的发展急需基础理论以及系统构造的研究，进而摆脱当前依靠个人经验构建混合智能系统的状态。基于文献计量法，采用CiteSpace可视化软件分析中国知网（CNKI）以及Web of Science这2个数据库收录的混合智能领域相关文献，从文献发文情况、关键词热点和未来发展趋势3个方面进行论述，以帮助后来学者更好地把握研究方向，为混合智能理论体系的进一步研究提供助力。1 数据来源与研究方法

1.1 数据来源文中的文献数据来源于中国知网（CNKI）数据库的中文数据库和Web of Science的外文数据库，知网使用高级搜索功能，将检索词设置为：主题=“混合智能”AND全文=“人工智能”OR关键词=“混合增强”AND“中英文扩展”；Web of Science检索词设置为：主题=“Hybrid Enhanced Intelligence”，文献出版年份不限。为保证研究结果的准确性，对筛选结果中存在的报纸、会议、征稿及相关度较低的文献予以手动剔除。经最终处理共检索中文库中相关文献966篇，外文库中985篇相关文献，以此作为混合增强智能领域发展研究的样本数据。

1.2 研究方法文献计量法是指用数学和统计学的方法，定量地分析一切知识载体的交叉科学，是集数学、统计学、文献学为一体，注重量化的综合性知识体系。其对蕴含有大量数据的知识体系可以进行科学的组织梳理，广泛应用于某一领域的发展趋势及前沿动态分析[5]。基于文献计量法的基础原理，借助文献可视化分析工具CiteSpace对筛选出的文献样本数据进行分析，从文献发文量、发文机构及发文作者3个维度，研究混合增强智能领域的整体情况及发展趋势。同时，通过关键词共现分析及关键词时间线图分析，进一步探索该领域研究热点与前沿动态。

2 混合智能研究的整体情况

2.1 文献发文时间分析文献的发文量在一定程度上代表着当年科研成果的产出活跃度，也体现出学术界对该领域的关注程度。运用CiteSpace对数据库的文献年度发表量进行分析，为该领域热度变化分析提供数据支撑。CNKI与Web of Science的发文数量的年度趋势变化情况如图1所示。

1992—2023年间发表的文献情况如图1所示，混合增强智能领域的总体发文量趋势呈递增状态。对比国内外相关文献的发文数量、时间和发展趋势上的异同可知，中文数据库发文量上升时间点早于外文数据库。在上升之前阶段，全球人工智能研究处于基础研究时期，相关理论模型尚待完善。由于受当时机器设备及工具的限制，相关技术或理论研究发展较慢。作为早期人工智能的两大主要研究方向，专家系统和神经网络成功应用于众多领域，但也暴露出一些缺陷，贵忠华等[6]通过比较专家系统和神经网络的特点，阐述了混合智能系统的研究情况和存在问题。俞国燕等[7]在制造领域中创新设计方面引入智能技术方法，以人类设计师的思维主导，将各类进化算法与专家系统进行融合来弥补单一智能方法在实际应用场景中的不足表现。2005—2016年间中文数据库发文量趋势有小幅波动但总体趋向平稳，较上一阶段整体发文量有明显上升趋势。外文数据库仍处于研究热度冷门时期，发文量与中文数据库存在一定差距。在此阶段，吴朝晖等[8]提出人工智能研究的新方向是向着混合智能应用发展，以“人脑+机器”的合作形式实现更加高效、准确的系统计算。2016年，由谷歌研发的AlphaGo机器人在一场围棋比赛中以4∶1的成绩击败世界冠军李世石，引发了深度学习这类机器学习技术的研究热潮。同年，由中国工程院潘云鹤[9]院士提出“混合增强智能”新概念，研究主要集中在人在回路、脑机协作、脑机接口、机器直觉推理、联想记忆模型、复杂数据、云机器人、情境理解及人机群组协同等领域。自2017年起中外数据库的发文量激增，借助机器学习、神经网络等先进技术的理论研究，混合智能逻辑框架日益完善，在这一阶段混合智能技术被广泛应用，影响涉及到医学治疗、军事科技以及教育事业等诸多领域。2017年国务院印发了《新一代人工智能发展规划》的通知，明确表示中国应抢抓人工智能的重大战略机遇，构筑我国相关领域发展的先发优势，明确要求形成较为成熟的新一代人工智能理论与技术体系，并在混合智能、类脑智能等领域取得重大突破。带动相关产业机构及科研院所聚力混合智能发展。但在2020年发文量达到顶峰后开始呈下滑趋势。而根据外文数据库发文量显示，国外对该领域的研究热度持续高涨。总体来说，在混合增强智能领域，国内的研究起步时间相对较早，并且对领域内理论知识的探究周期较长。然而，从2017年开始，国外相关的文献数量急剧增加，呈现出一个越来越快的增长趋势。这种增长幅度的增加表明，国外对混合增强智能的研究興趣正在急速上升。相比之下，国内的研究热度在后期有逐渐降低的趋势，相较于之前有所下降。

2.2 研究作者分析设定文献分析时间为1992年1月—2023年4月，时间切片设置为2年，即：分析工具以2年为单元对样本数据进行可视化分析。得到图2的发文作者研究图谱。

从图2的网络分布情况来看，国外学者群体已经形成较为紧密的合作网络，各学者之间合作交流较为密切；从图中时间刻度和节点大小来看，国外合作团队成型时间较早且具备一定的学术影响力，例如，已形成以Bui，Dieu Tien和Yaseen，Zaher Mundher为关键核心的研究团队，这些团队在早期就积极参与合作，积累了丰富的经验和知识，形成了较为成熟的研究体系。而国内学者多形成规模较小的合作网络结构，成型时间较晚，同时与国外具备强影响力的研究团队缺少合作交流。未来，我国学者应加强研究领域的协作力度，积极学习国外先进的技术经验，形成更为密切的研究关系。

为描述该领域核心作者对领域发展的推动作用，根据普赖斯定律测定混合智能研究中的高产作者，研究其代表文献的研究内容，把握其最新的研究动态和关注热点。根据普赖斯定律原理，即：在某一领域中，认为高产作者的数量约等于全部作者总和的平方根，这一群体发表了该领域约50%的科学文献。假设该研究领域中最高产的作者发表文献数量为nmax，则m=0.749·n1/2max，意味着发表的论文数至少为m篇才可以被认为为该领域的高产作者。在混合增强智能领域中nmax=9，那么m=0.749·n1/2max=2.24≈2，即发表2篇及以上文章的作者为高产作者。对国内外共计1 951篇样本文献的作者数量进行统计，统计得样本文献中作者共有482人，高产作者有126人，发表文献共计317篇，占发文总量的16.25%，远远低于普赖斯定律50%的标准，由此可见，混合智能领域尚未形成具备较强科研产出能力的核心作者群体。

2.3 研究机构分析根据样本数据分析可得混合智能领域高产机构分布情况如图3所示。

发文机构研究图谱共有节点372个，节点间连线220条，高产机构排名靠前的主要有天津大学、吉林大学、中南大学、浙江大学等，国外机构主要有Duy Tan University（维新大学）、Islamic Azad University（阿扎德大学）和Ton Duc Thang University（孙德胜大学），这几个国外大学处于图谱中密集网络中，与其他机构有较高的合作关系，且从发文时间角度分析，位于图谱中心网络的研究机构文献集中发表于2020年之后，在一定程度上反映出近年来各研究组织间合作越发密集，组织之间的科学技术交流越发频繁，成果产出丰硕。另一方面，从国内研究机构的合作情况来看，国内各组织尚未形成密切的合作关系，且文献产出情况较国外组织薄弱，综合研究能力需进一步加强。

3 混合增强智能研究热点研究热点是指在一段时间内，在某一科学领域中的重点研究方向或者问题，代表当下最前沿、关键、重要的理论技术研究与应用。关键词是一个研究领域中具有特定含义的词汇，可以用来描述该领域中正在研究和讨论的主题。通过分析关键词的使用情况，可以了解该领域的研究热点和趋势。在文献研究中，关键词的被引频次与节点中心性2项指标反映了一个主题的研究热度。通过CiteSpace可视化软件绘制关键词共现网络图谱，利用被引频次与节点中心性两项数据指标研究各主题之间的关系及当下的研究热点；通过聚类方法将联系紧密的关键词形成聚类团体，利用Q值（模块值）和S值（平均轮廓值）2项数据指标衡量聚类效果的优劣情况，基于成型的聚类团体结构进一步反映该领域的研究热点及涉及主题。

3.1 关键词共现分析利用文献库中关键词共同出现的情况，来确定该文献库所代表学科中各主题之间的关系，绘制混合增强智能领域文献的关键词共现图谱，如图4所示。

2个核心数据库混合增强智能研究文献中出现频次较高的关键词见表1、表2，中心性（Centrality）为多篇文献的关键词中介，用以发现和衡量文献的重要性，代表该关键词在混合增强智能领域的重要程度，中心性越高，反映其在该研究领域的影响能力越大。结合可视化分析结果排序，可以发现Web of Science外文文献研究的关键词中心性最高的是artificial intelligence（人工智能），中心性为0.40，明显高于其他关键词，其次为neural network（神经网络）、algorithm（算法）和prediction（预测），代表这几个关键词在混合增强智能的研究中被广泛讨论。CNKI中文文献研究的关键词中心性最高的为人工智能，中心性为0.47，同样远高于其它关键词的中心性。通过两个数据库排名前10的关键词对比分析，可以发现，artificial intelligence（人工智能）、neural network（神经网络）、genetic algorithm（遗传算法）和swarm intelligence（群体智能）都是领域中研究的热点。

依据表中频数排序，Web of Science中文献反映出国外的研究热点主要集中在算法、预测、优化等理论体系的研究层面，这些研究热点的出现可能归结于以下几点因素：①在人工智能领域，算法理论和预测技术是实现自动化决策、智能分析、机器人控制等任务的核心；②在数据科学领域，算法是处理海量数据、挖掘潜在规律和预测未来趋势的基础；③优化理论在实际应用中表现出其提供科学的决策支持及优化方案的能力。Web of Science中的研究热点也反映了国际科学界的研究趋势和关注焦点。CNKI文献反映出国内的研究热点主要集中在故障诊断、专家系统、模糊控制等应用研究层面。通过专家经验与相关技术的有效结合，提出同时具备权威性与科学性的人工智能故障诊断方法，在机械设备故障诊断中广泛应用。

3.2 关键词聚类分析在对关键词共现分析的基础上，研究该领域的研究热点是否具有共性特征，以及成型的热点主题，为进一步研究混合增强智能领域的趋势提供数据支撑。运用CiteSpace可视化分析软件对国内外文献数据的关键词进行聚类分析，通过将关键词之间的联系数据化，将关系紧密的关键词进行聚合，中心度最高的作为该类别的代表并形成聚类结果。得到Q值（模块值）用来衡量图谱的绘制效果，在［0，1］的区间内，Q值越大表示聚类效果越好，一般认为Q>0.3意味着聚类结构显著。S值（平均轮廓值）用于衡量聚类结果的信服度，信服度越高，聚类结果可以代表该領域的代表性研究热点，一般认为S>0.5聚类是合理的。关键词聚类分析图谱如图5所示。

由图5可见，外文文献库中共生成7个聚类团体，分别为#0swarm intelligence（群体智能）、#1artificial intelligence（人工智能）、#2deep learning（深度学习）、#3support vector regression（支持向量回归）、#4machine learning（机器学习）、#5innovation management（创新管理）、#6predictive maintenance（预测维护）。聚类结果Q=0.406 9，S=0.703 5。中文文献库生成6个聚类团体，分别为：#0混合增强、#1遗传算法、#2人工智能、#3专家系统、#4混合智能、#5故障诊断。Q=0.650 2，S=0.868 2。Q值均>0.4，S值均>0.7，表明聚类结构显著且信服度较高。对比分析国内外文献库的聚类结果发现，国外的研究焦点集中在以深度学习为代表的人工智能理论技术层面，而国内的研究多集中在混合智能、专家系统等技术应用层面。针对国内外较大聚类和相同聚类的研究情况进一步分析。遗传算法（genetic algorithm）是根据大自然的生物体进化规律设计出来的算法，通过模拟进化过程搜索最优解。在混合智能领域的数据处理过程中，遗传算法采用同时处理群体中多个个体的搜索方法，在多峰分布空间问题的解决过程中较大概率避免了陷入某个单峰的局部极值点，应用广泛。故障诊断中涉及到模糊控制和专家经验等词汇，具体来说，为克服单一智能技术的局限性，提高系统的性能、鲁棒性和可靠性。在故障诊断领域，混合智能智能系统可以将不同类型的数据（如传感器数据、历史监测记录等）与已知的故障模型和规则相结合，采用机器学习和推理技术，构建较为精确的故障诊断模型。并且它能够对这些模型进行动态的自我学习、自我更新和提高模型的准确性。同时，在可预测性方面，混合智能通过融入专家经验，实现对未来可能发生的故障进行预测和预警，从而提前采取必要的措施，提升故障诊断系统的准确性和效率。可以预见，随着人工智能技术的不断发展和深入，在故障诊断领域，混合智能将会发挥越来越重要的作用。聚类神经网络和聚类machine learning（机器学习）均属于混合智能系统自我提升和优化的方法技术，神经网络最早作为人工智能的主要研究方向持续至今，是由大量连接在一起的简单处理单元所组成的信息处理系统，模拟人脑神经元之间的相互连接和信息传递。神经网络通过学习和训练，可以对复杂的非线性问题进行分类、识别等任务。在混合智能领域中，神经网络被广泛应用于图像、语音、自然语言处理等方面。后期随着算法层面的更新升级，机器学习算法被研究学者融合进入混合智能的研究框架，机器学习是指通过训练数据来学习和识别规律或模式的算法，使得机器可以自主地进行决策和分类等任务，不需要明确的指导或规则，并逐渐增强其性能。被广泛应用于自然语言处理、图像识别、推荐系统等任务上，让计算机逐步具备类似于人类的学习能力。两者都在一定程度上推动了混合智能领域的快速发展，不断提高AI系统的性能和智能水平，开启了一种新的思维方式和技术范式。随着算法的持续发展和硬件设备的不断进步，神经网络和机器学习将支持人工智能在各个领域展现出更多的应用场景，并推动社会的进一步发展。

4 混合增强智能研究趋势伴随混合增强智能理论体系的日益完善，该领域的研究热点由某一时期的主题突显词所呈现。突显词是指在某段时期内在相关研究领域中引用频率突然增加的关键词，利用软件提供的突显强度和起止时间两项数据指标分析该领域的研究趋势变化。通过关键词突显分析可以得知“混合增强智能”领域几个关键热点的研究情况，下表中几个关键词对应时间线上突变性时段部分代表在此时间段内该关键词的使用频率突然增加，可以发现更深层次的发展变化。

4.1 国外研究趋势对国外混合增强智能领域的关键词进行突显分析，突显情况见表3。

关键词突显是短时间内某些代表词出现数量急剧上升的情况，在一定程度上反映出当下的研究热点及持续周期，由表3分析可知，Genetic algorithm（遗传算法）的突显强度最大为5.1，在2000—2018年间该领域内对“Genetic algorithm”的研究热度持续高涨。RAJESWARAN N等[10]提出了一种基于遗传算法混合

人工智能技术的智能控制驱动方法，用于感应电动机的状态监测、故障诊断和评估，而不需要任何附加信息。GAO J等[11]提出一种针对具有模糊参数分散决策问题的模糊多层规划框架，并结合模糊仿真、神经网络和遗传算法，提出了一种寻找该模糊多层规划框架Nash均衡的混合智能算法。Swarm intelligence（群体智能）、Differential evolution（差异进化）和Artificial bee colony（人工蜂群）在2012年开始突变，成为当时的研究焦点，后陆续在2015和2018年达到成熟，期间，Duan H等人[12]对包括蚁群优化、粒子群优化、人工蜂群、萤火虫算法、蝙蝠算法和鸽子优化等在内的基于群体智能的算法优缺点进行分析，针对每种算法的应用领域及前景进行深入讨论。展现出群体智能算法在混合增强智能领域研究中的重要性。后期Feature selection（特征選择）开始突显，作为机器学习的一个典型学习任务，其能够从原始数据中提取最相关、最有信息含量的特征值，以便更好地进行模型构建和预测。成为2019年后的关注焦点和发展趋势。

4.2 国内研究趋势对国内混合增强智能领域的关键词进行突显分析，突显情况见表4。

通过分析关键词的使用情况，可以了解该领域的研究热点和趋势。通过表4中各聚类结果随时间发展的研究热点分布，可以探索该领域各组成部分的发展趋势变化。结合图4（b）与文献发文部分的分析，可以发现关键词“专家系统”的出现时间最早，在1994年数量出现急剧上升现象并成为混合智能领域的重要研究部分。“智能控制”作为研究热点的持续时间最长，突显时间为1996—2012年，主要研究集中在工业控制系统的工程应用[13-16]，以及交通工具的仪器设备控制[17-20]。“神经网络”“模糊控制”“遗传算法”“蚁群算法”4类算法都是混合智能中的常用技术，它们各自有不同的应用场景，在混合智能技术的发展中都起着非常重要的作用，极大地促进了人工智能的进步，同时也为各个领域提供了更加强大和高效的工具。

5 结语利用CiteSpace可视化分析软件，以Web of Science和CNKI数据库作为文献来源，对混合智能领域的研究能力现状、发展历程、研究热点以及未来发展趋势进行分析。结合当前研究热点分析未来混合智能领域的发展趋势。

1）技术方面，以神经网络和遗传算法为代表的算法技术优化仍在未来一段时间属于混合智能系统能力增强的主要手段。以群体智能计算和机器学习为关键技术开展的群体智能技术提升优化将会在更为宽泛的领域内进行场景应用并成为该领域未来的主要研究方向。

2）应用方面，混合增强领域技术将极大推进以无人驾驶为代表的系列人类生活生产方式的快速变革，无人驾驶作为混合智能领域的一个重要应用方向，其发展将带来出行方式的革命性变化，未来的交通系统将更加高效、安全和便捷。

3）人机协作技术的研究与应用，应积极探索更加高效、可靠的人机协作模式和方法，实现人与机器之间的优势互补，提高工作效率和质量。

4）数据安全方面，应探索更加安全、可靠的数据保护方法和技术，以确保混合智能技术的健康发展。我国在国家战略层面上将发展人工智能摆在了较高位置，大力促进混合智能同其他领域的深度融合。未来，以混合智能为代表的人工智能技术将大力推动我国智能化基础水平，加快社会安全、智能、高效的整体建设，提升居民生活质量及我国在国际上的竞争力。

参考文献：

[1] 郑南宁.人工智能新时代[J].智能科学与技术学報，2019，1（01）：1-3.

[2]乔骥，郭剑波，范士雄，等.人在回路的电网调控混合增强智能初探——基本概念与研究框架[J].中国电机工程学报，2023，43（01）：1-15.

[3]SANGSUNG P，SUNGHAE J.Cognitive artificial intelligence using bayesian computing based on hybrid monte carlo algorithm[J].Applied Sciences，2022，12（18）：9270.

[4]王刚，黄丽华，张成洪.混合智能系统研究综述[J].系统工程学报，2010，25（04）：569-578.

[5]王曰芬，路菲，吴小雷.文献计量和内容分析的比较与综合研究[J].图书情报工作，2005（09）：72-75.

[6]贵忠华，刘振凯.智能混合系统研究综述[J].信息与控制，2000（01）：59-64.

[7]俞国燕，何真，郑时雄，等.基于人机一体的混合智能创新设计[J].计算机工程与应用，2003（07）：43-45.

[8]吴朝晖，郑能干.混合智能：人工智能的新方向[J].中国计算机学会通讯，2012，8（01）：59-64.

[9]潘云鹤.人工智能走向2.0[J].Engineering，2016，2（04）：51-61.

[10]RAJESWARAN N，SWARUPA L M，RAO S T，et al.Hybrid artificial intelligence based fault diagnosis of SVPWM voltage source inverters for induction motor[J].Materials Today：Proceedings，2018，5（1）：565-571.

[11]GAO J，LIU B.Fuzzy multilevel programming with a hybrid intelligent algorithm[J].Computers and Mathematics with Applications，2004，49（09）：1539-1548.

[12]DUAN H，LUO Q.New progresses in swarm intelligence-based computation[J].Int.J.of Bio-Inspired Computation，2015，7（01）：26-35.

[13]姜孝华，张希周，诸昌钤.一种多模专家智能控制器研究及其应用[J].贵州工学院学报，1995（04）：21-26.

[14]裴珍，朴承龙，金伟，等.烧结混合料水分检测及智能控制系统[J].东北大学学报，1998（03）：72-74.

[15]柴天佑，丁进良，王宏，等.复杂工业过程运行的混合智能优化控制方法[J].自动化学报，2008（05）：505-515.

[16]柴天佑.工业人工智能发展方向[J].自动化学报，2020，46（10）：2005-2012.

[17]杨国勋，郭晨，贾欣乐，等.混合智能技术在船舶运动控制中的应用[C]//中国自动化学会智能自动化专业委员会，昆明船舶设备集团公司，云南自动化学会，中国人工智能学会计算机视觉及智能控制学会，IEEE控制系统学会北京分会.2001年中国智能自动化会议论文集（上册），2001：6.

[18]杨国勋，郭晨，贾欣乐.基于增强型学习算法的船舶运动混合智能控制[J].中国航海，2001（02）：3-7.

[19]张腾飞.粗糙集理论及粗糙混合智能方法在船舶电力系统中的应用研究[D].上海：上海海事大学，2007.

[20]胡江强.基于遗传优化的船舶航向混合智能控制[D].大连：大连海事大学，2003.

[21]姜自莹，刘雪凤.“区块链+人工智能”研究的进展、热点和前沿——基于CiteSpace的知识图谱分析[J].科技与管理，2022，24（03）：1-15.

[22]ANTNIO C，ANDREA G，DANIEL S，et al.Designing for hybrid intelligence：A taxonomy and survey of crowd-machine interaction[J].Applied Sciences，2023，13（04）.

[23]ZHAOHUI Y，LIN L.Analyze on multi-vehicle coordination-enhanced intelligent driving framework based on human machine hybrid intelligence[J].Soft Computing，2023，27（15）.

[24]CHUQIANG C，XINHUA X.A novel hybrid intelligent model for the prediction of creep coefficients based on random forest and support vector machine[J].Ocean Engineering，2022，266（P5）.

[25]PEIJUN Y，XIAO W，WENBO Z，et al.Parallel cognition：Hybrid intelligence for human-machine interaction and management[J].Frontiers of Information Technology & Electronic Engineering，2022，23（12）.

[26]HOSSEIN M J，CHRISTOPH L，GEMMA N.Artificial intelligence，human intelligence and hybrid intelligence based on mutual augmentation[J].Big Data & Society，2022，9（02）.

[27]SOPHIYA R.Cognitive hybrid intelligent diagnostic system：Typical architecture[J].Computation，2022，10（05）.

[28]胡蕊.基于混合群体智能的多目标优化算法研究[D].大连：大连海事大学，2019.

[29]赵健，张鑫褆，李佳明，等.群体智能2.0研究综述[J].计算机工程，2019，45（12）：1-7.