22、智能系统：应对复杂与不确定性的新途径

智能系统：应对复杂与不确定性的新途径

1. 智能系统概述

随着人工智能（AI）、软计算及相关科学领域的发展，研究人员在处理复杂和不确定问题及系统时迎来了新的机遇与挑战。传统方法在处理具有精确模型的数学定义明确的问题时表现出色，但在不确定和模糊环境下，往往缺乏自主性和决策能力，无法提供足够的解决方案。智能系统作为一种新的方法，为解决这些复杂的不确定性问题提供了途径。

智能系统具有高度自主性、在不确定性下进行推理、以目标导向方式实现更高性能、高度抽象、融合多传感器数据、在异构环境中学习和适应等属性。在现实世界中，许多问题和系统过于复杂或不确定，难以用完整准确的数学模型来表示，但我们仍有设计、优化或控制这些系统行为的需求。例如，人类可以通过认知过程学习信息、做出决策，甚至在不使用数学模型的情况下适应动态环境。设计智能系统的动机正是源于模仿这一过程，而无需精确的数学模型。

开发智能系统主要有三个组成部分：
- 知识获取和表示
- 推理
- 决策过程

2. 知识表示类型

我们可以考虑三种可能的知识或信息表示方式，用于描述非线性系统的输入 - 输出或因果关系：
| 知识表示类型 | 描述 |
| — | — |
| 定量分析模型 | 用精确的数学公式和模型来描述系统的行为。 |
| 数据 | 通过实际观测和测量得到的系统输入输出数据。 |
| 启发式规则 | 基于经验和专家知识总结出的规则，通常以“如果 - 那么”的形式表达。 |

当这些信息类型单独使用时，都无法提供关于系统行为的完整和充分的知识，因此需要将这三个异构领域的信息结合起来。这就需要考虑