前言：中文期刊網精心挑選了專家系統論文范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
專家系統論文范文1
關鍵詞環境專家系統廢物最少化
專家系統(ES)是人工智能(AI)的一個分支，產生于60年代中期。專家系統是一個(或一組)能在某特定領域內，以專家水平去解決領域中困難問題的計算機程序(黃可鳴1988，陳世福等1988，Waterman1986)．國外環境專家系統的研究起步較晚，但發展較快。就美國環境專家系統的發展狀況而言(白乃彬1993)，1985年前尚無環境專家系統，然而最近幾年發展很快，環境各個領域都出現了專家系統，實用性強是它們的共同特點。從應用功能來分，有以下類型：評價、預測、診斷、設計、管理、教育和生產控制等，其中大部分是環境評價專家系統。國內環境專家系統的研究從1987年開始，目前已有城市環境噪聲防治、城市污水處理、水資源保護、區域大氣環境質量評價等方面的專家系統。本文首次報道廢物最少化專家系統的研究成果。
1問題界定
廢物最少化最早由美國提出，并已在很多國家得到實施。美國國家環境局對廢物最少化的定義是：在可行的范圍內，減少產生的或隨之貯存、處理、處置的有害廢物量。廢物最少化制度將環保部門通常使用的逆向反饋控制模式與生產部門通常采用的正向控制模式結合起來：它不僅能減少廢物的數量和毒性，進而減少其處理與處置成本，而且希望能減少生產成本、提高生產率和產品質量，增加企業收入。廢物最少化以系統眼光分析解決問題，不僅僅著眼于生產過程或廢物的處理過程，而從產前、產中、產后全過程入手。因此，廢物最少化所處理的問題應是如何在企業產前、產中、產后的生產全過程中減少廢物的數量、降低廢物的毒性。
2廢物最少化專家系統的設計原則
2.1實用性
建立廢物最少化專家系統是為企業的生產管理、環境管理提供技術咨詢服務的，系統是否實用是系統成敗的一個重要標志。因此設計人員要緊密結合行業生產特點來設計系統的功能，系統設計的每一個階段都應與該行業緊密結合，并取得行業專家的配合。
2.2系統性
用系統工程方法，對廢物最少化專家系統進行全面的系統分析。廢物最少化強調的是企業生產的全過程，應系統分析企業生產的各個環節，明確削減廢物的可能性及可行性，確定系統在各個環節的功能目標和作用界面。
2.3領域專家與知識工程師相結合
對于一般的計算機應用系統來說，系統處理問題所使用的知識比較簡單、數量也較少。程序設計人員同時扮演著領域專家及知識工程師的角色。對于專家系統來說，情況則大不相同。一方面專家系統要達到領域專家的水平，就必須掌握領域專家處理問題時所使用的大量專門知識，特別是經驗知識，另一方面專家系統是一種很復雜的計算機程序，開發一個專家系統需要大量的計算機科學、特別是人工智能和知識工程方面的知識。這就決定了廢物最少化專家系統的開發必須是知識工程師、行業專家與環境管理專家密切合作、共同努力的過程。
2.4面向用戶
系統的開發應貫穿為用戶服務的宗旨，針對企業現有條件及存在的問題，提出切實可行的廢物最少化方案。系統應有較好的用戶界面，為增強用戶對系統信心，系統應具有良好的解釋功能，以增加系統的透明度，提高系統的可接受性。
2.5知識庫與推理機相分離
這是一般專家系統設計的基本原則，只有知識庫與推理機相分離，才能實現解釋功能和知識獲取功能。
2.6盡量使用統一的知識表示方法
這就便于對系統中的知識統一處理、解釋和管理，從而使專家系統的實現工作相對簡化。
3廢物最少化專家系統的結構設計
廢物最少化專家系統是全國范圍內推廣廢物最少化技術的有效手段，將為企業提供涉及廢物最少化技術的遠程、即時咨詢服務。系統開發堅持貫穿廢物最少化的綜合設計思想。從企業診斷及技術經濟分析著手，建立廢物最少化專家系統
3.1知識庫
用以存放廢物最少化技術的專門知識，由規則集及事實組成。因為專家系統的問題求解是運用專家提供的專門知識來模擬專家的思維方式進行的，所以知識是決定一個專家系統性能是否優越的關鍵因素。知識工程師一方面要頻繁地采訪專家，從同專家的對話和專家以往處理問題的實例中提取專家知識(稱為知識獲取)，另一方面．耍選擇合適的數據結構把獲取的專家知識進行形式化存入知識庫中(稱為知識表示)。
3.2數據庫
反映具體問題在當前水解狀態下的符號或事實的集合，它由問題的有關初始數據和系統求解期間所產生的所有中間信息組成。
3.3推理機
在一定的控制策略下針對數據庫中的當前問題信息，識別和選取知識庫中對當前問題的可用知識進行推理，以修改數據庫直至最終得出問題的求解結果。推理的控制策略常用的有數據驅動的正向推理方式、目標驅動的逆向推理方式和正向與逆向結合的混合推理方式3種。本設計采用目標驅動的逆向推理方式。由于實際問題的證據和知識庫中的知識常常含有不精確成份，因此推理應具有不精確推理功能。
3.4解釋器
回答用戶對系統的提問，對系統得出結論的求解過程或系統的當前求解狀態提供說明。
3.5人機接口
將專家和用戶的輸入信息翻譯成系統可接受的內部形式，同時把系統向專家或用戶的輸出信息轉換為人類易于理解的形式。
4知識獲取及形式化表示
獲取知識并把知識表達成專家系統可用的形式，是專家系統開發中的主要瓶頸之一。專家系統的主要知識源是領域專家。由于領域專家的知識絕大部分是啟發性知識，這些知識多來源于經驗，沒有正確性保障，一般不會寫入教科書或其它專業書籍中。另一方面，對于行業專家和環境管理專家來說，專家系統是一種新鮮事物，他們并不真正了解構造專家系統需要什么知識、不需要什么知識，所以由他們整理出來的知識往往就能滿足構造專家系統的要求。因此，在知識獲取過程中，必須長時間同領域專家一起工作，通常要與領域專家進行一系列深入的系統的面談，從專家對大量實例的分析中獲取專家解決問題的思路、知識、經驗及規則。例如，對于鍍鉻行業廢物最少化專家系統而言，廢物最少化技術涉及到配方工藝、操作工藝、漂洗工藝、鉻霧回收工藝、廢水處理及無害化工藝等方面，這些方面知識的獲取就要與電鍍專家、環境管理專家進行深入、細致的面談，確定各個環節所需要的概念及各種概念之間的關系，同時還需確定問題的控制流程、求解問題的約束條件等。
建立知識庫的下一步工作是對獲取的知識進行形式化表示。知識表示模式有多種，臺規則表示、框架表示和語義網絡表示等。當用于表示在某領域中多年解決問題積累的經驗知識時，用規則表示方式是很合適的。規則用IF桾HEN語句表示。對于鍍鉻行業廢物最少化專家系統。我們整理了21條規則，該知識庫是一個多目標知識庫。
5系統的建立
由于專家系統開發工具具有縮短系統開發周期、提高工作效率等優點，我們以系統性能及人機接口較好的M．1專家系統開發工具建立鍍鉻行業廢物最少化專家系統。
6結語
a廢物最少化專家系統的開發具有明顯的現實意義：能及時有效地利用專家知識和經驗，避免了專家個人原因無法提供咨詢服務的困難；易于普及專家知識，可以在更大范圍內推廣廢物最少化技術和經驗；避免讓專家進行雷同的咨詢，使專家能夠集中精力從事新的創新研究；為用戶提供靈活的建議，用戶可以根據該建議所基于的系統推理過程自行決定接受建議與否。
b專家系統開發工具能縮短系統開發周期、提高工作效率。由于每種人工智能基本技術都有一定的局限性，所以用這些技術實現的各種專家系統開發工具也不可避免地具有一定的局限性。因此能否選擇一個合適的工具是一項重要的工作。M．1是一種適合于小型專家系統開發的專家系統開發工具，實踐證明，用M．1建立廢物最少化專家系統是合適的。
c廢物最少化專家系統的開發是一個長期的過程，是系統不斷修改、不斷完善的進化過程。一方面由于廢物最少化本身是一個相對、動態的概念，廢物最少化技術處于不斷完善之中；一個方面知識獲取是一項長期而艱苦的工作，需用大量實例測試系統的運行結果，不斷修改、完善知識庫。
d環境專家系統是繼環境數據庫、環境管理信息系統之后出現的解決環境問題有用工具之一。是環境決策支持系統的重要組成部分，值得做深入的研究。
參考文獻
1白乃彬．環境專家系統進展．環境科學．1993，14(1)：49?2
專家系統論文范文2
【摘要】電控發動機在結構和功能上均有了較大的改進。主要有:(1)結構的層次性、復雜性從系統論的觀點,電控發動機是由有限個“元素”通過各種“聯系”構成的多層次系統。(2)功能控制的集中性。電控發動機系統主要由電控燃油噴射系統、電控點火裝置、怠速控制、排放控制、進氣控制、增壓控制、警告提示、自我診斷與報警系統等子系統組成,電控燃油噴射系統又包括了燃油系統、進氣系統和電控系統三個組成部分。其中電控系統作為整個發動機系統的控制核心,用來協調各平行和上級系統的工作。發動機電控系統其結構的層次性、復雜性,其控制功能的集中性,導致其故障表現形式的多樣性、復雜性。
【關鍵詞】電控發動機故障分析
電控發動機系統主要由電控燃油噴射系統、電控點火裝置、怠速控制、排放控制、進氣控制、增壓控制、警告提示、自我診斷與報警系統等子系統組成。其中電控系統作為整個發動機系統的控制核心,用來協調各平行和上級系統的工作。
1發動機電控系統的組成
電控燃油噴射系統由三個系統組成:燃油系統、進氣系統和電控系統。
1.1燃油系統
燃油系統的功能是向汽缸或進氣管噴射燃燒時所需的燃油量。燃油從燃油箱內由電動汽油泵吸出,經汽油濾清器后,再由壓力調節器加壓,將壓力調節到比進氣管壓力高出約250Kpa(2.55kgf/cm2)壓力,然后經輸油管配送給噴油器和冷起動噴油器,噴油器根據電控單元ECU發來的脈沖信號,把適量燃油噴射到氣缸內。如圖2.1所示。
1.2進氣系統
進氣系統為發動機可燃混合氣的形成提供必須的空氣?？諝饨涍^空氣濾清器、空氣流量計、節氣門體、進氣總管、進氣岐管進入氣缸。節氣門全閉,發動機在怠速工況下運行時,空氣經旁通氣道直接進入進氣岐管。
1.3電控系統
電控系統是電控單元根據傳感器檢測到的發動機運行工況和汽車運行工況來確定噴油量及點火提前角,從而控制發動機在最佳工況下的運轉。
與傳統的化油器式發動機相比,電控發動機在結構和功能上均有了較大的改進。主要有:
(1)結構的層次性、復雜性從系統論的觀點,電控發動機是由有限個“元素”通過各種“聯系”構成的多層次系統?！奥撓怠笨煞譃?結構類、功能類、傳感器測點類,各自均有一定的層次性,包括頂級即電控發動機本身,分系統級由電控系、冷卻系、啟動系、機械系等組成。各類與各層次間既有各自獨立的功能,又相互影響、相互牽制。整個機體通過ECU的控制來協調各子系統,完成發動機總體功能,各子系統的功能又是由各自部件的功能相協調來實現的,各部件的功能又需要通過各元件的協調來實現。
(2)功能控制的集中性隨著電子技術的飛速發展,電子控制單元采用了數字電路及大規模集成電路,同時微機處理速度的不斷提高和存儲容量的增加使其控制功能大大增加,并具有備用功能。另外,與汽油噴射控制、點火控制及其它控制系統相關的各種控制器,由于所用的傳感器均可通用,如水溫傳感器、進氣溫度傳感器等,因此,利用控制功能集中化就可以不必按功能不同設置傳感器和ECU,而將多種控制功能集中到一個ECU上,不同控制功能所共同需要的傳感器也就只設一個,這就是集中控制系統。
汽車發動機電控系統的主要部件有:電子控制單元(ECU)、空氣流量計、節流閥體、發動機轉速傳感器等,其中節流閥體又包括:節氣門電位計、怠速節氣門電位計、怠速開關、怠速調節電機等。從控制原理來看,發動機電子控制系統可以簡化為傳感器、電子控制單元(ECU)和執行器三大組成部分。傳感器是感知信息的部件,功用是采集控制系統的信號并轉換成電信號輸送給ECU,以提供汽車運行狀況和發動機工況等相關信息。ECU接收來自傳感器的信息,進行存儲、計算和分析處理后發出響應的控制指令給執行器。執行器即執行元件,其功用是執行ECU的專項指令,從而完成控制目的。
2發動機電控系統的故障分析
發動機電控系統其結構的層次性、復雜性,其控制功能的集中性,導致其故障表現形式的多樣性、復雜性。主要表現有:
(1)多維層次性對電控發動機而言,其故障可劃分為電控系、起動系、點火系、冷卻系及機械系等子系統,子系統又由各部件與元件構成。同樣,其按功能也可劃分為若干個層級。因而發動機電控系統的故障原因與故障征兆也相應與不同的結構層級、功能層級以及傳感器測點類相關聯。
(2)傳播性發動機電控系統故障傳播方式有兩種:橫向傳播,例如電控系系統內某一傳感器故障可引起電控系內其它傳感器功能失?；蚴?縱向傳播,即由元件的故障相繼引起部件故障—子系統故障—系統故障。因此微小的故障如不及時發現和排除會造成嚴重的后果。
(3)相關性某一故障可能對應若干征兆;某一征兆也可能對應若干故障。它們之間存在著錯綜復雜的關系。
(4)時間性發動機電控系統故障產生與表現常常與時間有關,這是由于發動機運轉的動態性所決定的,如間歇性故障。
(5)放射性某一部位的故障可能引起其它部件出現異常,例如發動機抖動的故障中有時僅因為一個軸承的故障引起,而該軸承的故障導致其它軸承的震動增大,而該軸承本身變化反而不明顯。
專家系統論文范文3
鐘老師，您已經研究了幾十年的信息科學?！缎畔⒖茖W原理》一書已經重印到第五版。您能否給讀者們講一講，信息科學是什么？有什么特點？
鐘義信：簡要地說，信息科學就是研究信息及其運動規律的科學。具體地說，信息科學是“以信息為研究對象、以信息運動規律為研究內容、以信息科學方法為研究指南、以擴展人的智力能力（它是信息能力的有機整體）為研究目標”的一門新興橫斷科學。
武?。簭母拍睢⒍x來看，信息科學與計算機科學并不完全一樣。因為信息科學是以信息運動規律為研究內容的，研究內容既不專指計算，也不是專指計算機。從這個角度思考，信息科技課程與計算機課程的內容將有很大的區別。這對于一線信息技術教師來說，了解信息科學就更加重要了。您能否給我們講一講信息科學的核心內容是什么？它對于整個社會能發揮什么作用？
鐘義信：信息科學的概念（定義）也可以通過它的基本模型來表現（見下頁圖1）。
這個模型也可以簡化為以下更直觀一些的模型（見下頁圖2）。
考察信息科學的定義和它的基本模型（以及簡化模型）可以知道：
信息科學最大的特點是研究“信息”（而不是物質和能量）。
它的核心內容就是研究“信息運動規律，即信息-知識-智能轉換的規律”。
世間一切物質的運動都會產生信息。人類正是通過研究信息，才能認識世界（包括自然和社會）。因此，信息科學的研究目標，就是“擴展人類的智力能力，也就是擴展人類認識世界和改造世界的能力”。這就是信息科學對于整個社會的作用所在。
武?。何矣浀媚浿v過信息分成主客體關系，那么我們理解基本模型與簡化模型也是一步步地發展出來的。從簡到繁是否可以這樣理解？（如下頁圖3）
從信息定義的基本模型中，還可以看到信息科學在特別關注著策略，尤其是人的策略。從這個角度來看，信息科技課程中會有著一批以前沒有的教學內容。技術課中的學習計算機操作的教學目標是學會操作。而信息科技框架下的課程則需要以應用技術，挖掘其中的問題解決策略，了解信息科學概念與原理為主要目標了。
每個學科都會有一批本學科的科學家，像牛頓對于物理，哈勃對于天文，歐姆對于電學……信息科學是一門新興的橫斷科學，那么您認為這門學科中有代表性的信息科學家有哪些人？
鐘義信：橫斷科學，是在概括和綜合多門學科的基礎上形成的一類學科。它不是以客觀世界的某種物質結構及其運動形式為研究對象，而是從許多物質結構及其運動形式中抽出某一特定的共同方面作為研究對象，其研究對象橫貫多個領域甚至一切領域。所以，信息科學家、信息技術專家會有自己的領域，但會在共同的信息方向有突出貢獻。
如香農（Shannon）在1948年發表了論文“通信的數學理論”，奠定了“通信信息論”;維納（Wiener）在1948年出版了著作《控制論》，奠定了隨機控制理論，貝塔朗菲（Bertalanffy）在20世紀60年代出版了《一般系統論》，建立了系統論。西蒙（Simon）對功能模擬的人工智能理論做出了奠基性的貢獻，費根鮑姆（Feigenbaum）是人工智能專家系統的開拓者，閔斯基（Minsky）對人工神經網絡和認知理論有突出的貢獻，查德（Zadeh）創建了支持信息科學研究的模糊集合和模糊邏輯， 柯爾莫戈洛夫（Kolmogorov）對信息理論和控制理論都有杰出貢獻，等等。這些人都在信息科學領域有過不同方面的重要建樹，都可以稱之為信息科學家。
由于我國只有各種信息技術的學術機構而沒有專門的信息科學的學術機構，很少純粹信息科學方面的交流機會，因此很難確定誰是信息科學家。不過，由于我國信息化建設的迅猛發展，確實出現了不少在信息科學技術方面做出重要貢獻的人員。
武?。盒畔⒖茖W是一門新興的學科。既然是“新興”，那么它一定在發展，甚至是快速發展。您認為信息科學主要研究的方向與進展如何？現階段出現了什么樣的困難？
鐘義信：相對而言，信息科學是一門非常年輕的學科。因此，它的主要研究方向應當是信息科學的基礎理論，研究信息的基本運動規律。其中包括信息理論、知識理論、智能理論，特別是信息、知識、智能之間的轉換理論（一體化理論）。
經過半個多世紀的研究和探索，我們在這些基礎研究方面取得了可喜的進展，具體表現在：建立了超越與拓展傳統信息論的“全信息理論”，發現了“知識的生態學規律”，創建了“機制模擬的人工智能理論”，實現了“結構主義、功能主義、行為主義人工智能理論”的統一，還創建了“基礎意識―情感―理智三位一體的高等人工智能”，特別值得提到的是，發現了意義重大的“信息轉換與智能創生定律”。
在取得這些進展的過程中，發現物質科學（代表性科學是物理科學）的科學觀（還原論）和方法論（分而治之）不適用于信息科學（和智能科學）研究，總結并提出了適用于信息科學研究的新的科學觀和方法論。
面臨的主要困難是：由于信息科學和智能理論的研究對象多數是非常復雜的問題，因此現有的數學工具不敷應用，特別是其中的邏輯理論還相當單薄，不足以支持這些復雜問題的創新研究。這是當前信息科學發展中的“瓶頸”。
武健：信息科學關系到的方法論可以分成信息科學研究的方法論和信息技術應用的方法論。根據這樣的觀點，在信息科技課程中，需要以完整的信息綜合活動展開教學，而不適合片面地學習信息獲取、信息處理某一個片段。因為信息科學方法論更強調從整體到局部，不建議從信息運動中的某一細節去理解典型的信息過程。
信息科技的方法論分成理論研究層級和技術應用層級。您認為在信息科學研究中，常用的方法與手段有哪些？
鐘義信：與物理科學研究方法最大的不同，是不再采用“分而治之，各個擊破”這種流行了數百年之久而且一直行之有效的傳統科學研究方法論，而是改為運用全新的“信息轉換與智能創生”方法論。
原因是：“分而治之”方法論在把系統分解為若干子系統的時候，必定會丟失各個子系統之間相互聯系相互作用的信息，而這些信息正是復雜信息系統的生命線。就像研究人腦思維奧秘的時候，如果采用“分而治之”的方法把人腦分解為若干部分進行研究，即使把每個部分都研究好了，也無法揭示人腦思維的奧秘，因為分解之后的這些人腦部分根本無法復原為活的人腦。
“信息轉換與智能創生”方法認為，信息系統是一個生態系統：由信息生成知識進而生成智能（策略），從而按照策略解決問題。它強調信息、知識、智能（策略）之間的相互聯系和相互作用，強調信息、知識、智能（策略）之間的生態聯系，根據外部世界客體的信息和認識主體的目的，可以通過學習創生解決問題的智能策略。
至于具體的研究工具，基本也是硬件試驗和軟件仿真（包括虛擬現實）。
武?。涸谛畔⒖茖W體系中，您認為這個領域中最基本的概念和原理是什么？
鐘義信：信息科學最基本的概念包括信息、知識、智能。人們往往把信息科學技術僅僅局限在“信息”范疇，這其實是對信息科學技術嚴重的。經過這樣的信息科學技術的作用，就大大被削弱了。
信息科學最基本的原理則是：信息―知識―智能轉換原理。正確運用這個基本原理，人們就可以在具體的環境中求出解決問題、而且保證實現“主客雙贏”的智能策略，從而滿意地解決問題。
武?。阂话闳硕贾?，現代科學與技術有著不可分割的密切關系。一方面，很多人還不知道什么是信息科學，另一方面，還不能想象信息科學與信息技術之間有什么關系。您認為兩者有什么樣的區別與聯系？
鐘義信：信息科學與信息技術是一對孿生的概念，信息科學是信息技術的理論基礎，信息技術是信息科學理論的具體實現。兩者相互聯系，相互促進。
武?。汉芏嗳苏J為信息技術就是計算機技術加上網絡技術，信息技術就是能夠用計算機上網。這部分人覺得，信息技術就是信息技術，不是什么“關于信息的技術”。關于這些觀點您是怎么看的？從信息科學的角度來看信息技術應當包含什么內容？
鐘義信：只要對照信息科學的簡化模型，就可以很明確地回答：信息技術不等于計算機技術和網絡技術，因為這個說法很不全面，忽略了傳感技術，忽略了控制技術，特別是忽略了人工智能技術。
實際上，在以往，關于“信息技術”的概念，確實曾經流行過很多各不相同的說法。其中比較出名的包括：
1C說――認為“信息技術就是Communication技術”，理由是：信息論就是通信論;也有一些人認為“信息技術就是Computer技術”，理由是：計算機就是用來處理信息的技術。
2C說――認為“信息技術就是Computer+ Communication技術”。
3C說――認為“信息技術就是Computer+ Communication + Control技術”。
但是，對照信息科學的簡化模型就可以明白，這些說法都屬于“以偏概全”的認識，都是不全面的認識。
從信息科學的簡化模型可以非常清晰地了解到具體的信息技術內容，包括實現信息獲取功能的“傳感技術”，實現信息傳遞和策略傳遞功能的“通信技術”，實現信息預處理功能的“計算機技術和存儲技術”，實現信息認知功能和智能決策功能的“人工智能技術”，實現策略執行功能的“控制技術”，以及實現反饋學習和策略優化的“信息系統自組織技術”等。
武?。耗J為未來20～30年，信息科技最有意思的發展可能是什么？
鐘義信：根據“科學技術擬人律”，未來20～30年，信息科學技術最有意義的發展將是人工智能技術。
對照信息科學簡化模型就知道，擴展感覺器官功能的傳感技術、擴展傳導神經系統的通信技術、擴展思維器官預處理功能的計算機技術以及擴展效應器官功能的控制技術都是相對而言的技術，擴展思維器官認知功能和決策功能的人工智能技術才是核心技術。目前信息技術已經得到長足的發展（未來當然還會繼續發展），這就為核心信息技術的發展打好了基礎，也產生了需求。因此，未來20～30年間，人工智能科學技術必然成為發展的主導潮流。
武?。耗J為學習信息科技的知識對于中小學生來說有何意義？有沒有哪一部分內容需要在現階段特別強調的？
鐘義信：中小學生絕對應當學習基本的信息科學知識，掌握信息技術的基本能力。當今的時代是信息時代，不學習信息科學技術，就會成為落伍的一代，被淘汰的一代。這是非常危險的。
當然，中小學生學習信息科學技術應當遵循“循序漸進”的認知規律和“興趣引導”的教學方法。事實上，信息科學技術本身的發展就是循序漸進的，如圖4所示。
武健：您對中小學的信息科學與技術課程（不等同于計算機課程）有何期望與要求？
鐘義信：根據“信息科學技術”的定義，“計算機科學技術”只是“信息科學技術”的一個組成部分。部分不等于全體，部分不能代替全體。所以，不能用“計算機”課程代替“信息科學技術”課程。
中小學的信息科學技術教育是一個極其重要的問題，又是一個十分復雜的問題。我們不能就事論事孤立地討論中小學的信息科學技術課程，而應當把它作為“國家信息科學技術教育系統工程”來統籌考慮：小學階段學什么？中學階段學什么？大學階段學什么？碩士研究生階段學什么？博士研究生階段學什么？等等。
按照“信息科學技術教育系統工程”的思路，中小學生應當通過“學習最為基礎的信息科學概念”和“掌握最為基本的信息技術能力”形成“最淺層（然而又是準確的）的信息科學技術觀念和濃厚的興趣”。其中，“觀念和興趣”是最重要的，而“概念和能力”則是支撐這種“觀念和興趣”的支柱。
武?。虹娎蠋?，感謝您的指導。您認為2010年后，學科基本研究才逐步成熟起來。一門學科從成熟到走進基礎教育往往需要十多年的工作，而信息科技課程的發展將是長期的。希望您以后能夠經常關注基礎教育中的信息科技課程發展，給我們更多指導。
附錄：
專家系統論文范文4
關鍵詞：人工神經網絡 遺傳算法 模擬退火算法 群集智能 蟻群算法 粒子群算
1 什么是智能算法
智能計算也有人稱之為“軟計算”，是們受自然（生物界）規律的啟迪，根據其原理，模仿求解問題的算法。從自然界得到啟迪，模仿其結構進行發明創造，這就是仿生學。這是我們向自然界學習的一個方面。另一方面，我們還可以利用仿生原理進行設計(包括設計算法)，這就是智能計算的思想。這方面的內容很多，如人工神經網絡技術、遺傳算法、模擬退火算法、模擬退火技術和群集智能技術等。
2 人工神經網絡算法
“人工神經網絡”(ARTIFICIAL NEURAL NETWORK，簡稱ANN)是在對人腦組織結構和運行機制的認識理解基礎之上模擬其結構和智能行為的一種工程系統。早在本世紀40年代初期，心理學家McCulloch、數學家Pitts就提出了人工神經網絡的第一個數學模型，從此開創了神經科學理論的研究時代。其后，F Rosenblatt、Widrow和J. J .Hopfield等學者又先后提出了感知模型，使得人工神經網絡技術得以蓬勃發展。
神經系統的基本構造是神經元(神經細胞)，它是處理人體內各部分之間相互信息傳遞的基本單元。據神經生物學家研究的結果表明，人的一個大腦一般有1010～1011個神經元。每個神經元都由一個細胞體，一個連接其他神經元的軸突和一些向外伸出的其它較短分支——樹突組成。軸突的功能是將本神經元的輸出信號(興奮)傳遞給別的神經元。其末端的許多神經末梢使得興奮可以同時傳送給多個神經元。樹突的功能是接受來自其它神經元的興奮。神經元細胞體將接受到的所有信號進行簡單處理(如：加權求和，即對所有的輸入信號都加以考慮且對每個信號的重視程度——體現在權值上——有所不同)后由軸突輸出。神經元的樹突與另外的神經元的神經末梢相連的部分稱為突觸。
2.1 人工神經網絡的特點
人工神經網絡是由大量的神經元廣泛互連而成的系統，它的這一結構特點決定著人工神經網絡具有高速信息處理的能力。人腦的每個神經元大約有103～104個樹突及相應的突觸，一個人的大腦總計約形成1014～1015個突觸。用神經網絡的術語來說，即是人腦具有1014～1015個互相連接的存儲潛力。雖然每個神經元的運算功能十分簡單，且信號傳輸速率也較低(大約100次/秒)，但由于各神經元之間的極度并行互連功能，最終使得一個普通人的大腦在約1秒內就能完成現行計算機至少需要數10億次處理步驟才能完成的任務。
人工神經網絡的知識存儲容量很大。在神經網絡中，知識與信息的存儲表現為神經元之間分布式的物理聯系。它分散地表示和存儲于整個網絡內的各神經元及其連線上。每個神經元及其連線只表示一部分信息，而不是一個完整具體概念。只有通過各神經元的分布式綜合效果才能表達出特定的概念和知識。
由于人工神經網絡中神經元個數眾多以及整個網絡存儲信息容量的巨大，使得它具有很強的不確定性信息處理能力。即使輸入信息不完全、不準確或模糊不清，神經網絡仍然能夠聯想思維存在于記憶中的事物的完整圖象。只要輸入的模式接近于訓練樣本，系統就能給出正確的推理結論。
正是因為人工神經網絡的結構特點和其信息存儲的分布式特點，使得它相對于其它的判斷識別系統，如：專家系統等，具有另一個顯著的優點：健壯性。生物神經網絡不會因為個別神經元的損失而失去對原有模式的記憶。最有力的證明是，當一個人的大腦因意外事故受輕微損傷之后，并不會失去原有事物的全部記憶。人工神經網絡也有類似的情況。因某些原因，無論是網絡的硬件實現還是軟件實現中的某個或某些神經元失效，整個網絡仍然能繼續工作。
人工神經網絡是一種非線性的處理單元。只有當神經元對所有的輸入信號的綜合處理結果超過某一門限值后才輸出一個信號。因此神經網絡是一種具有高度非線性的超大規模連續時間動力學系統。它突破了傳統的以線性處理為基礎的數字電子計算機的局限，標志著人們智能信息處理能力和模擬人腦智能行為能力的一大飛躍。
2.2 幾種典型神經網絡簡介
2.2.1 多層感知網絡(誤差逆傳播神經網絡)
在1986年以Rumelhart和McCelland為首的科學家出版的《Parallel Distributed Processing》一書中，完整地提出了誤差逆傳播學習算法，并被廣泛接受。多層感知網絡是一種具有三層或三層以上的階層型神經網絡。典型的多層感知網絡是三層、前饋的階層網絡，即：輸入層I、隱含層(也稱中間層)J和輸出層K。相鄰層之間的各神經元實現全連接，即下一層的每一個神經元與上一層的每個神經元都實現全連接，而且每層各神經元之間無連接。
但BP網并不是十分的完善，它存在以下一些主要缺陷：學習收斂速度太慢、網絡的學習記憶具有不穩定性，即：當給一個訓練好的網提供新的學習記憶模式時，將使已有的連接權值被打亂，導致已記憶的學習模式的信息的消失。
2.2.2 競爭型(KOHONEN)神經網絡
它是基于人的視網膜及大腦皮層對剌激的反應而引出的。神經生物學的研究結果表明：生物視網膜中，有許多特定的細胞，對特定的圖形(輸入模式)比較敏感，并使得大腦皮層中的特定細胞產生大的興奮，而其相鄰的神經細胞的興奮程度被抑制。對于某一個輸入模式，通過競爭在輸出層中只激活一個相應的輸出神經元。許多輸入模式，在輸出層中將激活許多個神經元，從而形成一個反映輸入數據的“特征圖形”。競爭型神經網絡是一種以無教師方式進行網絡訓練的網絡。它通過自身訓練，自動對輸入模式進行分類。競爭型神經網絡及其學習規則與其它類型的神經網絡和學習規則相比，有其自己的鮮明特點。在網絡結構上，它既不象階層型神經網絡那樣各層神經元之間只有單向連接，也不象全連接型網絡那樣在網絡結構上沒有明顯的層次界限。它一般是由輸入層(模擬視網膜神經元)和競爭層(模擬大腦皮層神經元，也叫輸出層)構成的兩層網絡。兩層之間的各神經元實現雙向全連接，而且網絡中沒有隱含層。有時競爭層各神經元之間還存在橫向連接。競爭型神經網絡的基本思想是網絡競爭層各神經元競爭對輸入模式的響應機會，最后僅有一個神經元成為競爭的勝者，并且只將與獲勝神經元有關的各連接權值進行修正，使之朝著更有利于它競爭的方向調整。神經網絡工作時，對于某一輸入模式，網絡中與該模式最相近的學習輸入模式相對應的競爭層神經元將有最大的輸出值，即以競爭層獲勝神經元來表示分類結果。這是通過競爭得以實現的，實際上也就是網絡回憶聯想的過程。
除了競爭的方法外，還有通過抑制手段獲取勝利的方法，即網絡競爭層各神經元抑制所有其它神經元對輸入模式的響應機會，從而使自己“脫穎而出”，成為獲勝神經元。除此之外還有一種稱為側抑制的方法，即每個神經元只抑制與自己鄰近的神經元，而對遠離自己的神經元不抑制。這種方法常常用于圖象邊緣處理，解決圖象邊緣的缺陷問題。
競爭型神經網絡的缺點和不足：因為它僅以輸出層中的單個神經元代表某一類模式。所以一旦輸出層中的某個輸出神經元損壞，則導致該神經元所代表的該模式信息全部丟失。
2.2.3 Hopfield神經網絡
1986年美國物理學家J.J.Hopfield陸續發表幾篇論文，提出了Hopfield神經網絡。他利用非線性動力學系統理論中的能量函數方法研究反饋人工神經網絡的穩定性，并利用此方法建立求解優化計算問題的系統方程式?；镜腍opfield神經網絡是一個由非線性元件構成的全連接型單層反饋系統。
網絡中的每一個神經元都將自己的輸出通過連接權傳送給所有其它神經元，同時又都接收所有其它神經元傳遞過來的信息。即：網絡中的神經元t時刻的輸出狀態實際上間接地與自己的t-1時刻的輸出狀態有關。所以Hopfield神經網絡是一個反饋型的網絡。其狀態變化可以用差分方程來表征。反饋型網絡的一個重要特點就是它具有穩定狀態。當網絡達到穩定狀態的時候，也就是它的能量函數達到最小的時候。這里的能量函數不是物理意義上的能量函數，而是在表達形式上與物理意義上的能量概念一致，表征網絡狀態的變化趨勢，并可以依據Hopfield工作運行規則不斷進行狀態變化，最終能夠達到的某個極小值的目標函數。網絡收斂就是指能量函數達到極小值。如果把一個最優化問題的目標函數轉換成網絡的能量函數，把問題的變量對應于網絡的狀態，那么Hopfield神經網絡就能夠用于解決優化組合問題。
對于同樣結構的網絡，當網絡參數(指連接權值和閥值)有所變化時，網絡能量函數的極小點(稱為網絡的穩定平衡點)的個數和極小值的大小也將變化。因此，可以把所需記憶的模式設計成某個確定網絡狀態的一個穩定平衡點。若網絡有M個平衡點，則可以記憶M個記憶模式。
當網絡從與記憶模式較靠近的某個初始狀態(相當于發生了某些變形或含有某些噪聲的記憶模式，也即：只提供了某個模式的部分信息)出發后，網絡按Hopfield工作運行規則進行狀態更新，最后網絡的狀態將穩定在能量函數的極小點。這樣就完成了由部分信息的聯想過程。
Hopfield神經網絡的能量函數是朝著梯度減小的方向變化，但它仍然存在一個問題，那就是一旦能量函數陷入到局部極小值，它將不能自動跳出局部極小點，到達全局最小點，因而無法求得網絡最優解。 3 遺傳算法
遺傳算法（Genetic Algorithms）是基于生物進化理論的原理發展起來的一種廣為應用的、高效的隨機搜索與優化的方法。其主要特點是群體搜索策略和群體中個體之間的信息交換，搜索不依賴于梯度信息。它是在70年代初期由美國密執根（Michigan）大學的霍蘭（Holland）教授發展起來的。1975年霍蘭教授發表了第一本比較系統論述遺傳算法的專著《自然系統與人工系統中的適應性》（《Adaptation in Natural and Artificial Systems》）。遺傳算法最初被研究的出發點不是為專門解決最優化問題而設計的，它與進化策略、進化規劃共同構成了進化算法的主要框架，都是為當時人工智能的發展服務的。迄今為止，遺傳算法是進化算法中最廣為人知的算法。
近幾年來，遺傳算法主要在復雜優化問題求解和工業工程領域應用方面，取得了一些令人信服的結果，所以引起了很多人的關注。在發展過程中，進化策略、進化規劃和遺傳算法之間差異越來越小。遺傳算法成功的應用包括：作業調度與排序、可靠性設計、車輛路徑選擇與調度、成組技術、設備布置與分配、交通問題等等。
3.1 特點
遺傳算法是解決搜索問題的一種通用算法，對于各種通用問題都可以使用。搜索算法的共同特征為： ① 首先組成一組候選解； ② 依據某些適應性條件測算這些候選解的適應度； ③ 根據適應度保留某些候選解，放棄其他候選解； ④ 對保留的候選解進行某些操作，生成新的候選解。在遺傳算法中，上述幾個特征以一種特殊的方式組合在一起：基于染色體群的并行搜索，帶有猜測性質的選擇操作、交換操作和突變操作。這種特殊的組合方式將遺傳算法與其它搜索算法區別開來。
遺傳算法還具有以下幾方面的特點：
(1)遺傳算法從問題解的串集開始嫂索，而不是從單個解開始。這是遺傳算法與傳統優化算法的極大區別。傳統優化算法是從單個初始值迭代求最優解的；容易誤入局部最優解。遺傳算法從串集開始搜索，覆蓋面大，利于全局擇優。(2)許多傳統搜索算法都是單點搜索算法，容易陷入局部的最優解。遺傳算法同時處理群體中的多個個體，即對搜索空間中的多個解進行評估，減少了陷入局部最優解的風險，同時算法本身易于實現并行化。
(3)遺傳算法基本上不用搜索空間的知識或其它輔助信息，而僅用適應度函數值來評估個體，在此基礎上進行遺傳操作。適應度函數不僅不受連續可微的約束，而且其定義域可以任意設定。這一特點使得遺傳算法的應用范圍大大擴展。
(4)遺傳算法不是采用確定性規則，而是采用概率的變遷規則來指導他的搜索方向。
(5)具有自組織、自適應和自學習性。遺傳算法利用進化過程獲得的信息自行組織搜索時，硬度大的個體具有較高的生存概率，并獲得更適應環境的基因結構。
3.2 運用領域
前面描述是簡單的遺傳算法模型，可以在這一基本型上加以改進，使其在科學和工程領域得到廣泛應用。下面列舉了一些遺傳算法的應用領域： ① 優化：遺傳算法可用于各種優化問題。既包括數量優化問題，也包括組合優化問題。 ② 程序設計：遺傳算法可以用于某些特殊任務的計算機程序設計。 ③ 機器學習：遺傳算法可用于許多機器學習的應用，包括分類問題和預測問題等。 ④ 經濟學：應用遺傳算法對經濟創新的過程建立模型，可以研究投標的策略，還可以建立市場競爭的模型。 ⑤ 免疫系統：應用遺傳算法可以對自然界中免疫系統的多個方面建立模型，研究個體的生命過程中的突變現象以及發掘進化過程中的基因資源。 ⑥ 進化現象和學習現象：遺傳算法可以用來研究個體是如何學習生存技巧的，一個物種的進化對其他物種會產生何種影響等等。 ⑦ 社會經濟問題：遺傳算法可以用來研究社會系統中的各種演化現象，例如在一個多主體系統中，協作與交流是如何演化出來的。
4 模擬退火算法
模擬退火算法來源于固體退火原理，將固體加溫至充分高，再讓其徐徐冷卻，加溫時，固體內部粒子隨溫升變為無序狀，內能增大，而徐徐冷卻時粒子漸趨有序，在每個溫度都達到平衡態，最后在常溫時達到基態，內能減為最小。根據Metropolis準則，粒子在溫度T時趨于平衡的概率為e-ΔE/(kT)，其中E為溫度T時的內能，ΔE為其改變量，k為Boltzmann常數。用固體退火模擬組合優化問題，將內能E模擬為目標函數值f ，溫度T演化成控制參數t，即得到解組合優化問題的模擬退火算法：由初始解i和控制參數初值t開始，對當前解重復“產生新解計算目標函數差接受或舍棄”的迭代，并逐步衰減t值，算法終止時的當前解即為所得近似最優解，這是基于蒙特卡羅迭代求解法的一種啟發式隨機搜索過程。退火過程由冷卻進度表(Cooling Schedule)控制，包括控制參數的初值t及其衰減因子Δt、每個t值時的迭代次數L和停止條件S。
5 群體（群集）智能（Swarm Intelligence）
受社會性昆蟲行為的啟發，計算機工作者通過對社會性昆蟲的模擬產生了一系列對于傳統問題的新的解決方法，這些研究就是群集智能的研究。群集智能(Swarm Intelligence)中的群體(Swarm)指的是“一組相互之間可以進行直接通信或者間接通信(通過改變局部環境)的主體，這組主體能夠合作進行分布問題求解”。而所謂群集智能指的是“無智能的主體通過合作表現出智能行為的特性”。群集智能在沒有集中控制并且不提供全局模型的前提下，為尋找復雜的分布式問題的解決方案提供了基礎。
群集智能的特點和優點：群體中相互合作的個體是分布式的(Distributed)，這樣更能夠適應當前網絡環境下的工作狀態; 沒有中心的控制與數據，這樣的系統更具有魯棒性(Robust)，不會由于某一個或者某幾個個體的故障而影響整個問題的求解?？梢圆煌ㄟ^個體之間直接通信而是通過非直接通信(Stimergy)進行合作，這樣的系統具有更好的可擴充性(Scalability)。由于系統中個體的增加而增加的系統的通信開銷在這里十分小。系統中每個個體的能力十分簡單，這樣每個個體的執行時間比較短，并且實現也比較簡單，具有簡單性(Simplicity)。因為具有這些優點，雖說群集智能的研究還處于初級階段，并且存在許多困難，但是可以預言群集智能的研究代表了以后計算機研究發展的一個重要方向。
在計算智能(Computational Intelligence)領域有兩種基于群智能的算法，蟻群算法(Ant Colony Optimization)和粒子群算法(Particle Swarm Optimization)，前者是對螞蟻群落食物采集過程的模擬，已經成功運用在很多離散優化問題上。
5.1 蟻群優化算法
受螞蟻覓食時的通信機制的啟發，90年代Dorigo提出了蟻群優化算法(Ant Colony Optimization，ACO)來解決計算機算法學中經典的“貨郎擔問題”。如果有n個城市，需要對所有n個城市進行訪問且只訪問一次的最短距離。
在解決貨郎擔問題時，蟻群優化算法設計虛擬的“螞蟻”將摸索不同路線，并留下會隨時間逐漸消失的虛擬“信息素”。虛擬的“信息素”也會揮發，每只螞蟻每次隨機選擇要走的路徑，它們傾向于選擇路徑比較短的、信息素比較濃的路徑。根據“信息素較濃的路線更近"的原則，即可選擇出最佳路線。由于這個算法利用了正反饋機制，使得較短的路徑能夠有較大的機會得到選擇，并且由于采用了概率算法，所以它能夠不局限于局部最優解。
蟻群優化算法對于解決貨郎擔問題并不是目前最好的方法，但首先，它提出了一種解決貨郎擔問題的新思路；其次由于這種算法特有的解決方法，它已經被成功用于解決其他組合優化問題，例如圖的著色(Graph Coloring)以及最短超串(Shortest Common Supersequence)等問題。
5.2 粒子群優化算法
粒子群優化算法(PSO)是一種進化計算技術(Evolutionary Computation)，有Eberhart博士和Kennedy博士發明。源于對鳥群捕食的行為研究。
PSO同遺傳算法類似，是一種基于疊代的優化工具。系統初始化為一組隨機解，通過疊代搜尋最優值。但是并沒有遺傳算法用的交叉(crossover)以及變異(mutation)。而是粒子在解空間追隨最優的粒子進行搜索。
同遺傳算法比較，PSO的優勢在于簡單容易實現并且沒有許多參數需要調整。目前已廣泛應用于函數優化，神經網絡訓練，模糊系統控制以及其他遺傳算法的應用領域。
粒子群優化算法(PSO) 也是起源對簡單社會系統的模擬，最初設想是模擬鳥群覓食的過程，但后來發現PSO是一種很好的優化工具。
5.2.1 算法介紹
PSO模擬鳥群的捕食行為。一群鳥在隨機搜索食物，在這個區域里只有一塊食物。所有的鳥都不知道食物在那里。但是他們知道當前的位置離食物還有多遠。那么找到食物的最優策略是什么呢。最簡單有效的就是搜尋目前離食物最近的鳥的周圍區域。
PSO從這種模型中得到啟示并用于解決優化問題。PSO中，每個優化問題的解都是搜索空間中的一只鳥。我們稱之為“粒子”。所有的粒子都有一個由被優化的函數決定的適應值(fitness value)，每個粒子還有一個速度決定他們飛翔的方向和距離。然后粒子們就追隨當前的最優粒子在解空間中搜索。
PSO初始化為一群隨機粒子(隨機解)，然后通過疊代找到最優解，在每一次疊代中，粒子通過跟蹤兩個“極值”來更新自己。第一個就是粒子本身所找到的最優解，這個解叫做個體極值pBest，另一個極值是整個種群目前找到的最優解，這個極值是全局極值gBest。另外也可以不用整個種群而只是用其中一部分最優粒子的鄰居，那么在所有鄰居中的極值就是局部極值。
5.2.2 PSO算法過程
① 種群隨機初始化。
② 對種群內的每一個個體計算適應值(fitness value)。適應值與最優解的距離直接有關。
③ 種群根據適應值進行復制 。
④ 如果終止條件滿足的話，就停止，否則轉步驟 ② 。
從以上步驟，我們可以看到PSO和遺傳算法有很多共同之處。兩者都隨機初始化種群，而且都使用適應值來評價系統，而且都根據適應值來進行一定的隨機搜索。兩個系統都不是保證一定找到最優解。但是，PSO沒有遺傳操作如交叉(crossover)和變異(mutation)，而是根據自己的速度來決定搜索。粒子還有一個重要的特點，就是有記憶。
與遺傳算法比較，PSO的信息共享機制是很不同的。在遺傳算法中，染色體(chromosomes) 互相共享信息，所以整個種群的移動是比較均勻的向最優區域移動。在PSO中， 只有gBest (or lBest) 給出信息給其他的粒子， 這是單向的信息流動。整個搜索更新過程是跟隨當前最優解的過程。與遺傳算法比較， 在大多數的情況下，所有的粒子可能更快的收斂于最優解。
現在已經有一些利用PSO代替反向傳播算法來訓練神經網絡的論文。研究表明PSO 是一種很有潛力的神經網絡算法，同時PSO速度比較快而且可以得到比較好的結果。
6 展望
目前的智能計算研究水平暫時還很難使“智能機器”真正具備人類的常識，但智能計算將在21世紀蓬勃發展。不僅僅只是功能模仿要持有信息機理一致的觀點。即人工腦與生物腦將不只是功能模仿，而是具有相同的特性。這兩者的結合將開辟一個全新的領域，開辟很多新的研究方向。智能計算將探索智能的新概念，新理論，新方法和新技術，而這一切將在以后的發展中取得重大成就。
參考文獻
[1] “Ant-Colony Optimization Algorithms(ACO)”，
leanair4.mit.edu/docushare/dscgi/ds.py/Get/File-378/RG_EE141_W8ACO.pdf
[2 ] “Swarm intelligence-what is it and why is it interesting”
micro.caltech.edu/Courses/EE150/dungeon/Week1/OH_W1SwarmIntel.pdf
[3] Tony White，“Swarm Intelligence: A Gentle Introduction With Application”，
sce.carleton.ca/netmanage/tony/swarm-presentation/index.htm
[4] 胡守仁等.神經網絡導論[M].長沙:國防科技大學出版社，1993.113～117.
[5] 姚新，陳國良，徐惠敏等.進化算法研究進展[J].計算機學報，1995，18(9):694-706.
