基于智能计算的过程控制与优化的探讨

摘要：随着我国科学技术的快速发展，智能计算也随之不断得到完善，使人们的生活不断达到信息化、安全化和智能化状态，因此，受到了人们的高度重视。随着优化理论的发展，一些新的智能算法得到了迅速发展和广泛应用， 成为解决传统优化问题的新方法，例如遗传算法和蚁群算法以及粒子群算法，这些算法的诞生使现代的优化技术得到极大的丰富，为一些具有多极值、非线性特点的一些复杂函数、组合优化的线管问题提出了可行、切实的解决方法。此外，智能优化算法大多都是利用模拟自然现象及其过程以实现，智能计算的优点、机制极为独特，受到了各国专家、学者的广泛关注。

关键词：智能计算 控制 优化 研究

1 智能计算的概念

智能计算指的是借鉴、利用了自然界当中的一些自然现象或者生物机理，开发出能够适应环境变化的一种计算的方法。智能计算的相关技术问题大多是通过一些特定数学模型来描述，使智能计算成为了一门可计算、可编程、可视化、可操作的学科，具有很强的自学习性、并行性和自适应性等重要特点，并且在生物学、工程控制学科以及神经学等多门学科了领域得到良好的发展、应用。智能计算设计面非常广泛，本文主要介绍了三种智能计算方法， 并探讨计算过程的控制与优化。

2 智能算法种类

2.1遗传算法

遗传算法模拟了生物界的自然选择和自然的遗传机制以及进化过程，形成了一种具有很强的自适应能力、全局性、随机化的搜索算法。这种算法模拟了自然界生物进化基本的过程，然后通过选择、交叉和变异遗产算子来模拟生物进化的过程，通过不断的更新、换代，提高每代种群平均的适应度，然后适应度函数而引导种群进化。

2.2蚁群算法

蚁群算法是根据蚁群的一些真实行为开展研究而诞生的，这是一种模拟蚁群进化的算法，也是属于随机搜索的算法。研究人员在研究的过程当中发现，蚂蚁之间几乎都是利用外激素物质来进行信息的互相传递，从而达到个体之间的互相协作，以完成复杂任务。在蚂蚁的运动过程当中，在其运动的范围中留下这种外激素物质，并且能够被其他蚂蚁感知到，以此来指导自身运动的方向。因为这种外激素物质性极强，所以，蚂蚁就会倾向于高强度方向去移动，已到达信息交流或者搜索食物等目的。而蚁群算法就是模拟蚂蚁的运动行为来进行优化的，在计算过程当中就是通过个体间信息交流、互相协作之后以找到最优解。

2.3粒子群优化算法

粒子群优化算法属于进化算法，最早是模拟一些鸟群的觅食行为发展起来，是一种群体的协作、随机搜索的算法。PSO模拟鸟群捕食行为，鸟在空中飞行觅食的过程当中，每只鸟都能够准确记住自己飞过的最高位置，然后再随机靠近这个最高位置。不同种类的鸟可以进行相互交流、沟通，使彼此都尽量去靠近整个鸟群飞过的最高位置，如此，就可以很容易的找到相似的最高点。PSO在不断经历改进之后，除去原来算法当中的一些无关、冗余变量，然后又加入一些随机的变化量，使鸟群运动给予空间微粒运动更加相似，因此，被称为微粒群算法[9]。

三种智能算法都有着各自的优点，在运用计算的过程当中能够得到有效的控制，将智能计算的优点更好的发挥出来，这三种方法的特点分析如表1所示。

智能计算方法特点对比分析

方法 特点

遗传算法 通用性好、运算效果良好、实现简单，解决问题以串集搜索、减少最优解风险、应用范围广

蚁群算法 智能搜索、较强的鲁棒性、易与其他算法结合、全局优化、分布式计算、正反馈

粒子群优化算法 计算流程简单、参数简洁、无复杂调整、算法容易局部最优

表1

3 迭代控制与优化

迭代学习控制属于高级智能化控制的方法。其通过反复迭代修正以改善控制目标。迭代控制有很强的特点性，可以用一些简单的方式去处理一些非线性、线性系统，并且能够有效的减少计算量，对中能计算过程有良好的控制效果。

智能计算过程的优化控制备受关注，对于智能计算间歇过程的优化，需要控制的变量通常不会很多，其中，温度、流量必须实施控制。在一个时间段，控制计算中的的一个变量，保持其他变量的恒定。此外，优化策略大多采取串极方式，对定制进行跟踪。串极外环为其内环设置定制轨线，外环被触发后，对设定值轨线进行修正，是其趋于最优状态。

4结语

智能计算属于人工智能研究的重要部分之一，目前，智能计算在很多领域已经得到了蓬勃的发展。虽然当前智能计算的研究水平还很难让智能机器具备人类智能，但是智能计算未来必然有更好的发展。人工智能不仅只是模仿一些生物功能，而是将其充分结合起来，使人工智能拥有更广的发展方向，并且，随着人工智能的不断发展，智能优化控制又将成为重点研究的内容，智能控制和控制方法将会不断增多，使智能计算优化控制实现方式不断丰富，对智能计算今后的发展有着非常重要的意义。

参考文献

[2]吴洪，卢汉青，马颂德.基于内容图像检索中相关反馈技术的回顾[J].计算机学报，2005，28（12）：1969-1979.