主講教師：楊曉慧E-mail:算法介紹(AlgorithmIntroduction)2010年全國大學生數(shù)學建模競賽暑期培訓數(shù)學與信息科學學院，2010年7月23日2數(shù)學建模十大算法蒙特卡羅算法數(shù)據(jù)擬合、參數(shù)估計、插值等數(shù)據(jù)處理算法線性規(guī)劃等規(guī)劃類問題圖論算法動態(tài)規(guī)劃、回溯搜索、分支定界等計算機算法模擬退火、神經(jīng)網(wǎng)絡、遺傳算法等最優(yōu)化理論算法網(wǎng)格算法和窮舉法一些連續(xù)離散化方法數(shù)值分析算法圖像處理算法33人工智能優(yōu)化算法人工神經(jīng)網(wǎng)絡模擬退火遺傳算法進化算法*粒子群算法*蟻群算法……4認識“人工智能”人工智能(ArtificialIntelligence,AI)概念是JohnMcCarthy

于1956年在Dartmouth學會上提出的。美國計算機科學家，因在人工智能領域的重大貢獻，被稱為“人工智能之父”，并因此獲得圖靈獎他于1948年獲得加州理工學院數(shù)學學士學位，1951年獲得普林斯頓大學數(shù)學博士學位JohnMcCarthy5認識“人工智能”（續(xù)）人工智能——讓機器像人一樣思考人工智能是計算機科學的前沿學科，是研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統(tǒng)的一門新的技術科學.計算機編程語言和其它計算機軟件都因為有了人工智能的進展而得以存在。人工智能涉及學科：哲學和認知科學，數(shù)學，神經(jīng)生理學，心理學，計算機科學，信息論，控制論，不定性論，仿生學等6認識“人工智能”（續(xù)）人工智能的目的：通過研究人腦的組成機理和思維方式，企圖了解智能的實質，并生產(chǎn)出一種能以人類智能相似的方式做出反應的智能機器——讓機器具有智慧，像人一樣思考.計算機的出現(xiàn)——人類開始真正有了一個可以模擬人類思維的工具人工智能的領域研究：包括機器人、語言識別、圖像識別、自然語言處理和專家系統(tǒng)等.7意識和人工智能的區(qū)別人工智能就其本質而言，是對人的思維的信息過程的模擬.對于人的思維模擬可以從兩條道路進行：

結構模擬：仿照人腦的結構機制，制造出“類人腦”的機器；功能模擬：暫時撇開人腦的內部結構，而從其功能過程進行模擬。現(xiàn)代電子計算機的產(chǎn)生便是對人腦思維功能的模擬，是對人腦思維的信息過程的模擬.人工智能不是人的智能，更不會超過人的智能.8意識和人工智能的區(qū)別（續(xù)）“機器思維”同“人類思維”的本質區(qū)別：

1.人工智能純系無意識的機械的物理的過程，人類智能主要是生理和心理的過程.2.人工智能沒有社會性.

3.人工智能沒有人類的意識所特有的能動的創(chuàng)造能力.4.兩者總是人腦的思維在前，電腦的功能在后.9人工智能專業(yè)機構美國1.MassachusettsInstituteofTechnology麻省理工學院2.StanfordUniversity斯坦福大學(CA)3.CarnegieMellonUniversity卡內基美隆大學(PA)4.UniversityofCalifornia-Berkeley加州大學伯克利分校……中國1.北京大學2.清華大學3.哈爾濱工業(yè)大學

4.廈門大學人工智能研究所

5.中國AI創(chuàng)業(yè)研發(fā)俱樂部……10經(jīng)典的人工智能成果人機對弈*1996年2月10-17日,GarryKasparov以4:2戰(zhàn)勝“深藍”(DeepBlue)*1997年5月3-11日,GarryKasparov以3.5:2.5輸于改進后的“深藍”*2003年2月GarryKasparov3:3戰(zhàn)平“小深”(DeepJunior)

*2003年11月GarryKasparov2:2戰(zhàn)平“X3D德國人”(X3D-Fritz)模式識別

指紋識別、人臉識別、語音識別、文字識別、圖像識別、車牌識別等11經(jīng)典的人工智能成果(續(xù))電影中文名：人工智能片名：AI

年代：2001國家：美國相關著作

《視讀人工智能》、《人工智能的未來》、《人工智能哲學》、《人工智能：一種現(xiàn)代的方法》……1212人工神經(jīng)網(wǎng)絡(ArtificicalNeuralNetwork,ANN)模擬退火(SimulatedAnnealing,SA)遺傳算法(GeneticAlgorithm,GA)進化算法(EvolutionaryAlgorithm,EA)*粒子群優(yōu)化算法(ParticalSwamOptimizationAlgorithm,PSOA)*蟻群優(yōu)化算法(AntColonyOptimizationAlgorithm,ACOA)人工智能優(yōu)化算法1313人工神經(jīng)網(wǎng)絡(ArtificicalNeuralNetwork,ANN)模擬退火(SimulatedAnnealing,SA)遺傳算法(GeneticAlgorithm,GA)進化算法(EvolutionaryAlgorithm,EA)*粒子群優(yōu)化算法(ParticalSwamOptimizationAlgorithm,PSOA)*蟻群優(yōu)化算法(AntColonyOptimizationAlgorithm,ACOA)人工智能優(yōu)化算法14人工神經(jīng)網(wǎng)絡(ArtificicalNeuralNetworks,ANNs)1943年，心理學家W.S.McCulloch和數(shù)理邏輯學家W.Pitts建立了神經(jīng)網(wǎng)絡和數(shù)學模型，稱為MP模型。人工神經(jīng)網(wǎng)絡（ArtificialNeuralNetworks，簡寫為ANNs）也簡稱為神經(jīng)網(wǎng)絡（NNs）或稱作連接模型（ConnectionistModel），它是一種模范動物神經(jīng)網(wǎng)絡行為特征，進行分布式并行信息處理的算法數(shù)學模型。人工神經(jīng)網(wǎng)絡是集腦科學、神經(jīng)心理學和信息科學等多學科的交叉研究領域，是近年來高科技領域的一個研究熱點。15人工神經(jīng)網(wǎng)絡基本組成人工神經(jīng)網(wǎng)絡中處理單元的類型分為三類：輸入單元、隱單元和輸出單元。16人工神經(jīng)網(wǎng)絡中，神經(jīng)元處理單元可表示不同的對象，例如特征、字母、概念，或者一些有意義的抽象模式。輸入單元接受外部世界的信號與數(shù)據(jù)；輸出單元實現(xiàn)系統(tǒng)處理結果的輸出；隱單元是處在輸入和輸出單元之間，不能由系統(tǒng)外部觀察的單元。神經(jīng)元間的連接權值反映了單元間的連接強度，信息的表示和處理體現(xiàn)在網(wǎng)絡處理單元的連接關系中。人工神經(jīng)網(wǎng)絡是一種非程序化、適應性、大腦風格的信息處理，其本質是通過網(wǎng)絡的變換和動力學行為得到一種并行分布式的信息處理功能，并在不同程度和層次上模仿人腦神經(jīng)系統(tǒng)的信息處理功能。涉及神經(jīng)科學、思維科學、人工智能、計算機科學等多個領域的交叉學科。17人工神經(jīng)網(wǎng)絡基本流程

算法過程*從隨機的權值開始*反復應用這個神經(jīng)網(wǎng)絡算法到每個訓練樣例，只要它誤分類樣例，就根據(jù)輸入得到的誤差來修改神經(jīng)網(wǎng)絡的權值*重復這個過程，直到正確分類所有的訓練樣例18右圖表示了幾種常見的激勵函數(shù)。

1.閾值型函數(shù)（見圖（a），（b））

2.飽和型函數(shù)（見圖（c））

3.雙曲函數(shù)（見圖（d））

4.S型函數(shù)（見（e））

5.高斯函數(shù)（見圖（f））幾種常見的激勵函數(shù)19人工神經(jīng)網(wǎng)絡的基本特征1.非線性*非線性關系是自然界的普遍特性。*大腦的智慧就是一種非線性現(xiàn)象。*人工神經(jīng)元處于激活或抑制二種不同的狀態(tài)，這種行為在數(shù)學上表現(xiàn)為一種非線性關系。*具有閾值的神經(jīng)元構成的網(wǎng)絡具有更好的性能，可以提高容錯性和存儲容量。20人工神經(jīng)網(wǎng)絡的基本特征（續(xù)）2.非局限性*一個神經(jīng)網(wǎng)絡通常由多個神經(jīng)元廣泛連接而成。*一個系統(tǒng)的整體行為不僅取決于單個神經(jīng)元的特征，而且可能主要由單元之間的相互作用、相互連接所決定。*通過單元之間的大量連接模擬大腦的非局限性。*聯(lián)想記憶是非局限性的典型例子。21人工神經(jīng)網(wǎng)絡基本特征（續(xù)）3.非常定性

*人工神經(jīng)網(wǎng)絡具有自適應、自組織、自學習能力。*神經(jīng)網(wǎng)絡不但處理的信息可以有各種變化，而且在處理信息的同時，非線性動力系統(tǒng)本身也在不斷變化。*經(jīng)常采用迭代過程描寫動力系統(tǒng)的演化過程。224.非凸性

*一個系統(tǒng)的演化方向，在一定條件下將取決于某個特定的狀態(tài)函數(shù)，例如能量函數(shù)，它的極值相應于系統(tǒng)比較穩(wěn)定的狀態(tài)。*非凸性是指這種函數(shù)有多個極值，故系統(tǒng)具有多個較穩(wěn)定的平衡態(tài)，這將導致系統(tǒng)演化的多樣性。人工神經(jīng)網(wǎng)絡基本特征（續(xù)）23人工神經(jīng)網(wǎng)絡ANN是一種模仿動物神經(jīng)網(wǎng)絡行為特征，進行分布式并行信息處理的算法數(shù)學模型。ANN人工神經(jīng)網(wǎng)絡依靠系統(tǒng)的復雜程度，通過調整內部大量節(jié)點之間相互連接的關系，從而達到信息處理的目的；ANN具有自學習、自組織、自適應和實時學習等能力，可以通過預先提供的一批相互對應的輸入——輸出數(shù)據(jù)，分析掌握兩者之間潛在的規(guī)律，最終根據(jù)這些規(guī)律，用新的輸入數(shù)據(jù)來推算輸出結果，這種學習分析的過程被稱為“訓練”。241943年，心理學家W.S.McCulloch和數(shù)理邏輯學家W.Pitts建立了神經(jīng)網(wǎng)絡和數(shù)學模型，稱為MP模型，開創(chuàng)了人工神經(jīng)網(wǎng)絡研究的時代。人工神經(jīng)網(wǎng)絡的研究受到了各個發(fā)達國家的重視*美國國會通過決議將1990年1月5日開始的十年定為“腦的十年”*國際研究組織號召它的成員國將“腦的十年”變?yōu)槿蛐袨?在日本的“真實世界計算（RWC）”項目中，人工智能的研究成了一個重要的組成部分。*……人工神經(jīng)網(wǎng)絡的發(fā)展25人工神經(jīng)網(wǎng)絡的優(yōu)越性1.具有自學習功能。例如實現(xiàn)圖像識別時，只在先把許多不同的圖像樣板和對應的應識別的結果輸入人工神經(jīng)網(wǎng)絡，網(wǎng)絡就會通過自學習功能，慢慢學會識別類似的圖像。自學習功能對于預測有特別重要的意義。預期未來的人工神經(jīng)網(wǎng)絡計算機將為人類提供經(jīng)濟預測、市場預測、效益預測等。2.具有聯(lián)想存儲功能。用人工神經(jīng)網(wǎng)絡的反饋網(wǎng)絡可以實現(xiàn)這種聯(lián)想。3.具有高速尋找優(yōu)化解的能力。尋找一個復雜問題的優(yōu)化解，往往需要很大的計算量，利用一個針對某問題而設計的反饋型人工神經(jīng)網(wǎng)絡，發(fā)揮計算機的高速運算能力，可能很快找到優(yōu)化解。26神經(jīng)網(wǎng)絡的主要應用領域自動控制領域：主要有系統(tǒng)建模和辨識，參數(shù)整定，極點配置，內模控制，優(yōu)化設計，預測控制，最優(yōu)控制，濾波與預測容錯控制等。處理組合優(yōu)化問題：成功解決了旅行商問題、最大匹配問題、裝箱問題和作業(yè)調度問題等。模式識別：手寫字符，汽車牌照，指紋和聲音識別，還可用于目標的自動識別，目標跟蹤，機器人傳感器圖像識別及地震信號的鑒別。圖像處理：對圖像進行邊緣監(jiān)測，圖像分割，圖像壓縮和圖像恢復。機器人控制：對機器人軌道控制，操作機器人眼手系統(tǒng)，用于機械手的故障診斷及排除，智能自適應移動機器人的導航，視覺系統(tǒng)。醫(yī)療：在乳房癌細胞分析，移植次數(shù)優(yōu)化，醫(yī)院費用節(jié)流，醫(yī)院質量改進等方面均有應用。27

BP(Backpropagation)神經(jīng)網(wǎng)絡是一種誤差反向傳播網(wǎng)絡,是目前氣象預報研究中應用較為普遍的一種，由于氣象要素之間也存在著很大的非線性，天氣預報業(yè)務中已有人開始進行人工神經(jīng)網(wǎng)絡預報方法的研究。隨著我國T213數(shù)值預報產(chǎn)品質量的提高，數(shù)值預報產(chǎn)品的釋用成了提高天氣預報精度的主要途徑之一。數(shù)值預報產(chǎn)品與預報對象的同時性，使因果關系更明確。下面利用我國T213數(shù)值預報產(chǎn)品做輸入因子，嘗試應用（BP）人工神經(jīng)網(wǎng)絡的方法，做保定市短期24小時的降水分級預報。人工神經(jīng)網(wǎng)絡在短期降水預報中的應用28BP網(wǎng)絡流程圖在使用BP算法時，應注意的幾個問題是：1.學習開始時，各隱含層連接權系數(shù)的初值應以設置較小的隨機數(shù)較為適宜。2.采用S型激發(fā)函數(shù)時，由于輸出層各神經(jīng)元的輸出只能趨于1或0，不能達到1或0。在設置各訓練樣本時，期望的輸出分量dpk不能設置為1或0，以設置為或0，1較為適宜。3.學習速率η的選擇，在學習開始階段，η選較大的值可以加快學習速度。學習接近優(yōu)化區(qū)時，η值必須相當小，否則權系數(shù)將產(chǎn)生振蕩而不收斂。平滑因子α的選值在左右。29因子的具體選取與處理由于人工神經(jīng)網(wǎng)絡的輸入和輸出之間反映的是一種非線性關系，用傳統(tǒng)的求線性相關系數(shù)的方法選因子，顯然是不太合適。首先建立保定市的降水模型，從保定市的降水模型入手，要求天氣學意義清楚，物理意義明確30保定市的降水模型通過對降水過程的總結，建立保定降水的簡單預報模型：1、東高西低：高空天氣形勢應該具備東部是高壓或高壓脊，西部有低壓或低壓槽，保定位于南或西南氣流里，簡稱‘東高西低；2、垂直運動條件：降水時一定存在低層要有水平輻合，高層水平輻散，有上升運動；3、水汽條件：具備充足的水汽和水汽輸送；4、能量條件：處于一定強度的鋒區(qū)內和一定的層結條件；這些條件定性分析比較簡單，和降水沒有確定的定量關系，預報員憑預報經(jīng)驗作預報，很難客觀化。人工神經(jīng)網(wǎng)絡應用是使這一經(jīng)驗預報方法客觀化的好方法。31因子的具體選取依據(jù)降水的主要條件，從我國T213數(shù)值預報產(chǎn)品中選取反映保定降水條件的物理量。共從36小時預報中選出10個網(wǎng)格點要素，分別是：濕度條件：850HPA的相對濕度、水汽通量；垂直速度條件：850的散度、200的散度、700的垂直速度、降水量、700的渦度；（以上為116E、39N網(wǎng)點的值）東高西低條件：110E、120E、39N兩點850的高度差；鋒區(qū)和能量條件：116E、35N、45N兩點850的溫度差、TS。32BP神經(jīng)網(wǎng)絡的建立采用三層BP人工神經(jīng)網(wǎng)絡模式，輸入層為10個神經(jīng)元，對應10個預報因子。輸出層為3個神經(jīng)元，對應降水的大中小三個降水量級。中間層一般取輸入層和輸出層數(shù)的平均，這里取7個神經(jīng)元。如圖1所示，X為輸入層，H為隱含層，Y為預報輸出層。網(wǎng)絡訓練1.預報因子0~1化：Xi=(Xmax-Xi)/(Xmax-Xmin)2.在訓練以前我們取0~1之間的隨機數(shù)為連接權重系數(shù)Uil、Wlt和閥值Rl、Sj賦初值。由于訓練開始時誤差常常較大，它們將在以后的訓練學習過程中自動逐步調節(jié)3.02年，我臺從3月到11月接收T213數(shù)值預報產(chǎn)品齊全的共有159天，用前109天的資料作為網(wǎng)絡訓練樣本33訓練結果經(jīng)過兩萬多次的訓練，總體預報誤差達到了4.0以下。終止訓練后。這109天中共有降水日27天，其中小雨20天，中雨6天，大雨以上降水一次。訓練結束時27天降水全部報出，量級也全部正確，只是空報兩次小雨過程，歷史擬合率達到27/29=93%。試報結果在試報的50天中共有降水8次，其中大雨2次，漏一次，一次報中雨。中雨3次，報對2次，漏一次。3次小雨，一次報中雨，漏2次。另空報2次小雨，定性準確率4/10=40%。34分析與討論1.擬合率雖然很高，但試報準確率不太理想。這可能與樣本少，降水模型過于簡單，且不分季節(jié)有關。如果增加歷史樣本，分季節(jié)、分類型建立降水模型。根據(jù)不同模型的特點，分別找不同的預報因子，有可能提高實際的預報準確率.2.BP神經(jīng)網(wǎng)絡的輸入與輸出不象回歸方程的輸入與輸出是線性關系，而是非線性的。因此，因子的選好比較困難，沒有較好的數(shù)學方法，所以采用建降水模式的方法，找物理意義較明確的因子。但不同的預報員可能選擇的不同因子.3535人工智能優(yōu)化算法人工神經(jīng)網(wǎng)絡(ArtificicalNeuralNetwork,ANN)模擬退火(SimulatedAnnealing,SA)遺傳算法(GeneticAlgorithm,GA)進化算法(EvolutionaryAlgorithm,EA)*粒子群優(yōu)化算法(ParticalSwamOptimizationAlgorithm,PSOA)*蟻群優(yōu)化算法(AntColonyOptimizationAlgorithm,ACOA)36模擬退火(SimulatedAnnealing,SA)模擬退火是一種通用概率算法，用來在一個大的搜尋空間內找尋命題的最優(yōu)解。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?yōu)闊o序，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(tài)，最后在常溫時達到基態(tài)，內能減為最小。將熱力學的理論套用到統(tǒng)計學上，將搜尋空間內每一點想像成空氣內的分子；分子的能量，就是它本身的動能；而搜尋空間內的每一點，也像空氣分子一樣帶有“能量”，以表示該點對命題的合適程度。算法先以搜尋空間內一個任意點作起始：每一部先選擇一個“鄰居”，然后再計算從現(xiàn)有位置到達“鄰居”的概率。37模擬退火(續(xù))根據(jù)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(shù)。用固體退火模擬組合優(yōu)化問題，將內能E模擬為目標函數(shù)值f，溫度T演化成控制參數(shù)t，即得到解組合優(yōu)化問題的模擬退火算法：由初始解i和控制參數(shù)初值t開始，對當前解重復“產(chǎn)生新解→計算目標函數(shù)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(yōu)解，這是基于蒙特卡羅迭代求解法的一種啟發(fā)式隨機搜索過程。退火過程由冷卻進度表(CoolingSchedule)控制，包括控制參數(shù)的初值t及其衰減因子Δt、每個t值時的迭代次數(shù)L和停止條件S。38模擬退火算法的基本思想1.初始化：初始溫度T(充分大)，初始解狀態(tài)S(是算法迭代的起點)，每個T值的迭代次數(shù)L2.對k=1，……，L做第(3)至第6步：3.產(chǎn)生新解S′4.計算增量Δt′=C(S′)-C(S)，其中C(S)為評價函數(shù)5.若Δt′<0則接受S′作為新的當前解，否則以概率exp(-Δt′/T)接受S′作為新的當前解.6.如果滿足終止條件則輸出當前解作為最優(yōu)解，結束程序。終止條件通常取為連續(xù)若干個新解都沒有被接受時終止算法。7.T逐漸減少，且T->0，然后轉第2步。39模擬退火算法特點模擬退火算法與初始值無關，算法求得的解與初始解狀態(tài)S(是算法迭代的起點)無關；模擬退火算法具有漸近收斂性，已在理論上被證明是一種以概率l收斂于全局最優(yōu)解的全局優(yōu)化算法；模擬退火算法具有并行性。4040人工智能優(yōu)化算法人工神經(jīng)網(wǎng)絡(ArtificicalNeuralNetwork,ANN)模擬退火(SimulatedAnnealing,SA)遺傳算法(GeneticAlgorithm,GA)進化算法(EvolutionaryAlgorithm,EA)*粒子群優(yōu)化算法(ParticalSwamOptimizationAlgorithm,PSOA)*蟻群優(yōu)化算法(AntColonyOptimizationAlgorithm,ACOA)41遺傳算法是一類模擬達爾文生物進化論的自然選擇和遺傳算法機理的生物進化過程的計算模型，借鑒生物界的進化規(guī)律（適者生存，優(yōu)勝劣汰遺傳機制）演化而來的隨機化搜索最優(yōu)化方法。遺傳算法最初由美國Michigan大學J.Holland教授于1975年首先提出來的，并出版了頗有影響的專著《AdaptationinNaturalandArtificialSystems》,遺傳算法這個名稱才逐漸為人所知，通常稱為“簡單遺傳算法”。遺傳算法(GeneticAlgorithm,GA)42直接對結構對象進行操作，不存在求導和函數(shù)連續(xù)性的限定；具有內在的隱并行性和更好的全局尋優(yōu)能力；采用概率化的尋優(yōu)方法，能自動獲取和指導優(yōu)化的搜索空間，自適應地調整搜索方向，不需要確定的規(guī)則。遺傳算法的這些性質，已被人們廣泛地應用于組合優(yōu)化、機器學習、信號處理、自適應控制和人工生命等領域。它是現(xiàn)代有關智能計算中的關鍵技術。遺傳算法的主要特點43遺傳算法的定義遺傳算法是從代表問題可能潛在的解集的一個種群（population）開始的，而一個種群則由經(jīng)過基因（gene）編碼的一定數(shù)目的個體(individual)組成。每個個體實際上是染色體(chromosome)帶有特征的實體。染色體作為遺傳物質的主要載體，即多個基因的集合，其內部表現(xiàn)（即基因型）是某種基因組合，它決定了個體的形狀的外部表現(xiàn)，如黑頭發(fā)的特征是由染色體中控制這一特征的某種基因組合決定的。因此，在一開始需要實現(xiàn)從表現(xiàn)型到基因型的映射即編碼工作。44遺傳算法的定義（續(xù)）由于仿照基因編碼的工作很復雜，我們往往進行簡化，如二進制編碼，初代種群產(chǎn)生之后，按照適者生存和優(yōu)勝劣汰的原理，逐代（generation）演化產(chǎn)生出越來越好的近似解。在每一代，根據(jù)問題域中個體的適應度（fitness）大小選擇（selection）個體，并借助于自然遺傳學的遺傳算子（geneticoperators）進行組合交叉（crossover）和變異（mutation），產(chǎn)生出代表新的解集的種群。這個過程將導致種群像自然進化一樣的后生代種群比前代更加適應于環(huán)境，末代種群中的最優(yōu)個體經(jīng)過解碼（decoding），可以作為問題近似最優(yōu)解。45遺傳算法流程圖由于遺傳算法的整體搜索策略和優(yōu)化搜索方法在計算是不依賴于梯度信息或其它輔助知識，而只需要影響搜索方向的目標函數(shù)和相應的適應度函數(shù)，所以遺傳算法提供了一種求解復雜系統(tǒng)問題的通用框架，它不依賴于問題的具體領域，對問題的種類有很強的魯棒性。46遺傳算法的一般算法遺傳算法是由進化論和遺傳學機理而產(chǎn)生的搜索算法。

1.創(chuàng)建一個隨機的初始狀態(tài)：初始群是從解中隨機選擇出來的，將這些解比喻為染色體或基因，該種群被稱為第一代，這和符號人工智能系統(tǒng)的情況不一樣，在那里問題的初始狀態(tài)已經(jīng)給定了。

2.評估適應度：對每一個解(染色體)指定一個適應度的值，根據(jù)問題求解的實際接近程度來指定(以便逼近求解問題的答案)。不要把這些“解”與問題的“答案”混為一談，可以把它理解成為要得到答案，系統(tǒng)可能需要利用的那些特性。47遺傳算法的一般算法(續(xù))3.繁殖(包括子代突變)帶有較高適應度值的那些染色體更可能產(chǎn)生后代(后代產(chǎn)生后也將發(fā)生突變)。后代是父母的產(chǎn)物，他們由來自父母的基因結合而成，這個過程被稱為“雜交”。

4.下一代如果新的一代包含一個解，能產(chǎn)生一個充分接近或等于期望答案的輸出，那么問題就已經(jīng)解決了。如果情況并非如此，新的一代將重復他們父母所進行的繁衍過程，一代一代演化下去，直到達到期望的解為止。48遺傳算法的一般算法(續(xù))5.并行計算*非常容易將遺傳算法用到并行計算和群集環(huán)境中。*一種方法是直接把每個節(jié)點當成一個并行的種群看待。然后有機體根據(jù)不同的繁殖方法從一個節(jié)點遷移到另一個節(jié)點。*另一種方法是“農場主/勞工”體系結構，指定一個節(jié)點為“農場主”節(jié)點，負責選擇有機體和分派適應度的值，另外的節(jié)點作為“勞工”節(jié)點，負責重新組合、變異和適應度函數(shù)的評估。4949人工智能優(yōu)化算法人工神經(jīng)網(wǎng)絡(ArtificicalNeuralNetwork,ANN)模擬退火(SimulatedAnnealing,SA)遺傳算法(GeneticAlgorithm,GA)進化算法(EvolutionaryAlgorithm,EA)*粒子群優(yōu)化算法(ParticalSwamOptimizationAlgorithm,PSOA)*蟻群優(yōu)化算法(AntColonyOptimizationAlgorithm,ACOA)50進化算法(EvolutionaryAlgorithms,EA)進化算法包括遺傳算法、進化程序設計、進化規(guī)劃和進化策略等等，進化算法的基本框架還是簡單遺傳算法所描述的框架，但在進化的方式上有較大的差異，選擇、交叉、變異、種群控制等有很多變化。遺傳算法對交叉操作要看重一些，認為變異操作是算法的輔助操作；而進化規(guī)劃和進化策略認為在一般意義上說交叉并不優(yōu)于變異，甚至可以不要交叉操作。51現(xiàn)在我們討論另一種生物系統(tǒng)——社會系統(tǒng).更確切的是,在由簡單個體組成的群落與環(huán)境以及個體之間的互動行為.也可稱做“群智能”(swarmintelligence).這些模擬系統(tǒng)利用局部信息從而可能產(chǎn)生不可預測的群體行為。例如floys和boids,他們都用來模擬魚群和鳥群的運動規(guī)律,主要用于計算機視覺和計算機輔助設計.在計算智能(computationalintelligence)領域有兩種基于群智能的算法.蟻群算法(antcolonyoptimization)和粒子群算法(particleswarmoptimization).背景：人工生命（續(xù)）52鳥群運動53魚群運動魚聚集成群可以有效地逃避捕食者，因為任何一只魚發(fā)現(xiàn)異常都可帶動整個魚群逃避。54一只螞蟻或魚的行為能力非常有限，它幾乎不可能獨立存在于自然世界中，而多個螞蟻或魚形成的Swarm則具有非常強的生存能力，且這種能力不是通過多個個體之間能力簡單疊加所獲得的。社會性動物群體所擁有的這種特性能幫助個體很好地適應環(huán)境，個體所能獲得的信息遠比它通過自身感覺器官所取得的多，其根本原因在于個體之間存在著信息交互能力。信息的交互過程不僅僅在群體內傳播了信息，而且群內個體還能處理信息，并根據(jù)所獲得的信息（包括環(huán)境信息和附近其它個體的信息）改變自身的一些行為模式和規(guī)范，這樣就使得群體涌現(xiàn)出一些單個個體所不具備的能力和特性，尤其是對環(huán)境的適應能力。這種對環(huán)境變化所具有適應的能力可以被認為是一種智能5555人工智能優(yōu)化算法人工神經(jīng)網(wǎng)絡(ArtificicalNeuralNetwork,ANN)模擬退火(SimulatedAnnealing,SA)遺傳算法(GeneticAlgorithm,GA)進化算法(EvolutionaryAlgorithm,EA)*粒子群優(yōu)化算法(ParticalSwamOptimizationAlgorithm,PSOA)*蟻群優(yōu)化算法(AntColonyOptimizationAlgorithm,ACOA)56問題的引入設想這樣一個場景：*一群鳥在隨機搜索食物*在這個區(qū)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問題：找到食物的最優(yōu)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(qū)域。粒子群優(yōu)化算法就是從這種模型中得到啟示并用于解決優(yōu)化問題。57粒子群算法(ParticleSwamOptimize,PSO)PSO是一種進化計算技術(EvolutionaryComputation,EC)，由R.C.Eberhart博士和J.Kennedy博士于1995年開發(fā)的一種演化計算技術，源于對鳥群捕食的行為研究。JamesKennedyRussellC.Eberhart58粒子群算法(ParticleSwamOptimize,PSO)群(Swarm)來源于微粒群符合M.M.Millonas在開發(fā)應用于人工生命(artificiallife)的模型時所提出的群體智能的5個基本原則。每個優(yōu)化問題的解都是搜索空間中的一只鳥。我們稱之為粒子(Particle)。所有的粒子都有一個由被優(yōu)化的函數(shù)決定的適應值(fitnessvalue)，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(yōu)粒子在解空間中搜索。59基本PSO算法粒子群優(yōu)化算法源于1987年Reynolds對鳥群社會系統(tǒng)boids的仿真研究，boids是一個CAS。在boids中，一群鳥在空中飛行，每個鳥遵守以下三條規(guī)則：1.避免與相鄰的鳥發(fā)生碰撞沖突；2.盡量與自己周圍的鳥在速度上保持協(xié)調和一致；3.盡量試圖向自己所認為的群體中靠近。僅通過使用這三條規(guī)則，boids系統(tǒng)就出現(xiàn)非常逼真的群體聚集行為，鳥成群地在空中飛行，當遇到障礙時它們會分開繞行而過，隨后又會重新形成群體。60PSO初始化為一群隨機粒子(隨機解)然后通過疊代找到最優(yōu)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(yōu)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(yōu)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為粒子的鄰居，那么在所有鄰居中的極值就是局部極值。粒子群優(yōu)化算法61在尋找這兩個最優(yōu)值時,粒子根據(jù)如下公式更新自己的速度和新的位置：v[]=v[]+c1*rand()*(pbest[]-present[])+c2*rand()*(gbest[]-present[])(a)

present[]=persent[]+v[](b)

其中v[]是粒子的速度,persent[]是當前粒子的位置.pbest[]和gbest[]是個體極值和全局極值，rand()是介于（0，1）之間的隨機數(shù).c1,c2是學習因子.通常c1=c2=2.在每一維粒子的速度都會被限制在一個最大速度Vmax，如果某一維更新后的速度超過用戶設定的Vmax，那么這一維的速度就被限定為Vmax.62粒子群算法的流程初始化一群微粒（群體規(guī)模為m），包括隨機的位置和速度；評價每個微粒的適應度；對每個微粒，將它的適應值和它經(jīng)歷過的最好位置pbest的作比較，如果較好，則將其作為當前的最好位置pbest；對每個微粒，將它的適應值和全局所經(jīng)歷最好位置gbest的作比較，如果較好，則重新設置gbest的索引號；根據(jù)方程(1)變化微粒的速度和位置；如未達到結束條件（通常為足夠好的適應值或達到一個預設最大代數(shù)Gmax），回到2。63粒子群算法的參數(shù)PSO參數(shù)包括：群體規(guī)模m，慣性權重w，加速常數(shù)c1和c2，最大速度Vmax，最大代數(shù)Gmax。Vmax決定在當前位置與最好位置之間的區(qū)域的分辨率（或精度）。如果Vmax太高，微粒可能會飛過好解，如果Vmax太小，微粒不能進行足夠的探索，導致陷入局部優(yōu)值。該限制有三個目的：防止計算溢出；實現(xiàn)人工學習和態(tài)度轉變；決定問題空間搜索的粒度。慣性權重w使微粒保持運動的慣性，使其有擴展搜索空間的趨勢，有能力探索新的區(qū)域。加速常數(shù)c1和c2代表將每個微粒推向pbest和gbest位置的統(tǒng)計加速項的權重。低的值允許微粒在被拉回來之前可以在目標區(qū)域外徘徊，而高的值導致微粒突然的沖向或者越過目標區(qū)域。64粒子群算法的參數(shù)（續(xù)）如果沒有后兩部分，即c1=c2=0，微粒將一直以當前的速度飛行，直到到達邊界。由于它只能搜索有限的區(qū)域，將很難找到好的解。如果沒有第一部分，即w=0，則速度只取決于微粒當前的位置和它們歷史最好位置pbest和gbest，速度本身沒有記憶性。假設一個微粒位于全局最好位置，它將保持靜止。而其它微粒則飛向它本身最好位置pbest和全局最好位置gbest的加權中心。在這種條件下，微粒群將統(tǒng)計的收縮到當前的全局最好位置，更象一個局部算法。在加上第一部分后，微粒有擴展搜索空間的趨勢，即第一部分有全局搜索的能力。這也使得w的作用為針對不同的搜索問題，調整算法全局和局部搜索能力的平衡。65粒子群算法的參數(shù)（續(xù)）如果沒有第二部分，即c1=0，則微粒沒有認知能力，也就是“只有社會(social-only)”的模型。在微粒的相互作用下，有能力到達新的搜索空間。它的收斂速度比標準版本更快，但是對復雜問題，比標準版本更容易陷入局部優(yōu)值點。如果沒有第三部分，即c2=0，則微粒之間沒有社會信息共享，也就是“只有認知(cognition-only)”的模型。因為個體間沒有交互，一個規(guī)模為m的群體等價于m個單個微粒的運行。因而得到解的幾率非常小。6666人工智能優(yōu)化算法人工神經(jīng)網(wǎng)絡(ArtificicalNeuralNetwork,ANN)模擬退火(SimulatedAnnealing,SA)遺傳算法(GeneticAlgorithm,GA)進化算法(EvolutionaryAlgorithm,EA)*粒子群優(yōu)化算法(ParticalSwamOptimizationAlgorithm,PSOA)*蟻群優(yōu)化算法(AntColonyOptimizationAlgorithm,ACOA)67蟻群覓食食物食物食物巢穴巢穴巢穴68問題引入為什么小小的螞蟻能夠找到食物？它們具有智能么？設想，如果我們要為螞蟻設計一個人工智能的程序，那么這個程序要多么復雜呢？*首先，你要讓螞蟻能夠避開障礙物，就必須根據(jù)適當?shù)牡匦谓o它編進指令讓他們能夠巧妙的避開障礙物；*其次，要讓螞蟻找到食物，就需要讓他們遍歷空間上的所有點；*再次，如果要讓螞蟻找到最短的路徑，那么需要計算所有可能的路徑并且比較它們的大小。69預期的結果各個螞蟻在沒有事先告訴他們食物在什么地方的前提下開始尋找食物。當一只找到食物以后，它會向環(huán)境釋放一種信息素，吸引其他的螞蟻過來，這樣越來越多的螞蟻會找到食物！有些螞蟻并沒有象其它螞蟻一樣總重復同樣的路，他們會另辟蹊徑，如果令開辟的道路比原來的其他道路更短，那么，漸漸，更多的螞蟻被吸引到這條較短的路上來。最后，經(jīng)過一段時間運行，可能會出現(xiàn)一條最短的路徑被大多數(shù)螞蟻重復著。70蟻群優(yōu)化算法的分析然而，事實并沒有你想得那么復雜，上面這個程序每個螞蟻的核心程序編碼不過100多行！為什么這么簡單的程序會讓螞蟻干這樣復雜的事情？答案是：簡單規(guī)則的涌現(xiàn)。事實上，每只螞蟻并不是像我們想象的需要知道整個世界的信息，它們其實只關心很小范圍內的眼前信息，而且根據(jù)這些局部信息利用幾條簡單的規(guī)則進行決策，這樣，在蟻群這個集體里，復雜性的行為就會凸現(xiàn)出來。這就是人工生命、復雜性科學解釋的規(guī)律！那么，這些簡單規(guī)則是什么呢？71簡單行為規(guī)則1.范圍：螞蟻觀察到的范圍是一個方格世界，螞蟻有一個參數(shù)為速度半徑（一般是3），那么它能觀察到的范圍就是3*3個方格世界，并且能移動的距離也在這個范圍之內。2.環(huán)境：螞蟻所在的環(huán)境是一個虛擬的世界，其中有障礙物，有別的螞蟻，還有信息素，信息素有兩種，一種是找到食物的螞蟻灑下的食物信息素，一種是找到窩的螞蟻灑下的窩的信息素。每個螞蟻都僅僅能感知它范圍內的環(huán)境信息。環(huán)境以一定的速率讓信息素消失。723.覓食規(guī)則：在每只螞蟻能感知的范圍內尋找是否有食物，如果有就直接過去。否則看是否有信息素，并且比較在能感知的范圍內哪一點的信息素最多，這樣，它就朝信息素多的地方走，并且每只螞蟻多會以小概率犯錯誤，從而并不是往信息素最多的點移動。螞蟻找窩的規(guī)則和上面一樣，只不過它對窩的信息素做出反應，而對食物信息素沒反應。4.移動規(guī)則：每只螞蟻都朝向信息素最多的方向移，并且，當周圍沒有信息素指引的時候，螞蟻會按照自己原來運動的方向慣性的運動下去，并且，在運動的方向有一個隨機的小的擾動。為了防止螞蟻原地轉圈，它會記住最近剛走過了哪些點，如果發(fā)現(xiàn)要走的下一點已經(jīng)在最近走過了，它就會盡量避開。簡單行為規(guī)則（續(xù)）735.避障規(guī)則：如果螞蟻要移動的方向有障礙物擋住，它會隨機的選擇另一個方向，并且有信息素指引的話，它會按照覓食的規(guī)則行為。6.播撒信息素規(guī)則：每只螞蟻在剛找到食物或者窩的時候撒發(fā)的信息素最多，并隨著它走遠的距離，播撒的信息素越來越少。根據(jù)這幾條規(guī)則，螞蟻之間并沒有直接的關系，但是每只螞蟻都和環(huán)境發(fā)生交互，而通過信息素這個紐帶，實際上把各個螞蟻之間關聯(lián)起來了。比如，當一只螞蟻找到了食物，它并沒有直接告訴其它螞蟻這兒有食物，而是向環(huán)境播撒信息素，當其它的螞蟻經(jīng)過它附近的時候，就會感覺到信息素的存在，進而根據(jù)信息素的指引找到了食物。簡單行為規(guī)則（續(xù)）74問題：螞蟻究竟是怎么找到食物的呢？在沒有螞蟻找到食物的時候，環(huán)境沒有有用的信息素，那么螞蟻為什么會相對有效的找到食物呢？這要歸功于螞蟻的移動規(guī)則，尤其是在沒有信息素時候的移動規(guī)則。首先，它要能盡量保持某種慣性，這樣使得螞蟻盡量向前方移動，而不是原地無謂的打轉或者震動；其次，螞蟻要有一定的隨機性，雖然有了固定的方向，但它也不能像粒子一樣直線運動下去，而是有一個隨機的干擾。這樣就使得螞蟻運動起來具有了一定的目的性，盡量保持原來的方向，但又有新的試探，尤其當碰到障礙物的時候它會立即改變方向，這可以看成一種選擇的過程，也就是環(huán)境的障礙物讓螞蟻的某個方向正確，而其他方向則不對。當然，在有一只螞蟻找到了食物的時候，其他螞蟻會沿著信息素很快找到食物的。75問題：螞蟻如何找到最短路徑？這一是要歸功于信息素，另外要歸功于環(huán)境，具體說是計算機時鐘。信息素多的地方顯然經(jīng)過這里的螞蟻會多，因而會有更多的螞蟻聚集過來。假設有兩條路從窩通向食物，開始的時候，走這兩條路的螞蟻數(shù)量同樣多（或者較長的路上螞蟻多，這也無關緊要）。當螞蟻沿著一條路到達終點以后會馬上返回來，這樣，短的路螞蟻來回一次的時間就短，這也意味著重復的頻率就快，因而在單位時間里走過的螞蟻數(shù)目就多，灑下的信息素自然也會多，自然會有更多的螞蟻被吸引過來，從而灑下更多的信息素……；而長的路正相反，因此，越來越多地螞蟻聚集到較短的路徑上來，最短的路徑就近似找到了。76蟻群算法(antcolonyoptimization,ACO)，又稱螞蟻算法，是一種用來在圖中尋找優(yōu)化路徑的機率型算法。它由Colorni，Dorigo和Maniezzo在1991年提出，其靈感來源于螞蟻在尋找食物過程中發(fā)現(xiàn)路徑的行為，通過模擬自然界螞蟻社會的尋找食物的方式而得出的一種仿生優(yōu)化算法。蟻群優(yōu)化算法(AntColonyOptimizationAlgorithm,ACOA)Dorigo77自然界種蟻群尋找食物時會派出一些螞蟻分頭在四周游蕩如果一只螞蟻找到食物，它就返回巢中通知同伴并沿途留下“信息素”（pheromone）作為蟻群前往食物所在地的標記。信息素會逐漸揮發(fā)，如果兩只螞蟻同時找到同一食物，又采取不同路線回到巢中那么比較繞彎的一條路上信息素的氣味會比較淡，蟻群將傾向于沿另一條更近的路線前往食物所在地。蟻群優(yōu)化算法(AntColonyOptimizationAlgorithm,ACOA)78蟻群算法的引申跟著螞蟻的蹤跡，你找到了什么？通過上面的原理敘述和實際操作，我們不難發(fā)現(xiàn)螞蟻之所以具有智能行為，完全歸功于它的簡單行為規(guī)則，而這些規(guī)則綜合起來具有下面兩個方面的特點：多樣性和正反饋多樣性保證了螞蟻在覓食的時候不置走進死胡同而無限循環(huán)，正反饋機制則保證了相對優(yōu)良的信息能夠被保存下來。我們可以把多樣性看成是一種創(chuàng)造能力，而正反饋是一種學習強化能力。正反饋的力量也可以比喻成權威的意見，而多樣性是打破權威體現(xiàn)的創(chuàng)造性，正是這兩點小心翼翼的巧妙結合才使得智能行為涌現(xiàn)出來了。79蟻群算法的參數(shù)說明最大信息素：螞蟻在一開始擁有的信息素總量，越大表示程序在較長一段時間能夠存在信息素。信息素消減的速度：隨著時間的流逝，已經(jīng)存在于世界上的信息素會消減，這個數(shù)值越大，那么消減的越快。錯誤概率表示這個螞蟻不往信息素最大的區(qū)域走的概率，越大則表示這個螞蟻越有創(chuàng)新性。速度半徑表示螞蟻一次能走的最大長度，也表示該螞蟻的感知范圍記憶能力表示螞蟻能記住多少個剛剛走過點的坐標，這個值避免了螞蟻在本地打轉，停滯不前。而這個值越大那么整個系統(tǒng)運行速度就慢，越小則螞蟻越容易原地轉圈。80蟻群算法應用現(xiàn)狀蟻群算法在電信路由優(yōu)化中已取得了一定的應用成果。HP公司和英國電信公司設計了蟻群路由算法(AntColonyRouting，ACR)還在許多經(jīng)典組合優(yōu)化問題中獲得了成功的應用，如二次規(guī)劃問題(QAP)、機器人路徑規(guī)劃、作業(yè)流程規(guī)劃、圖著色(GraphColoring)、武器攻擊目標分配和優(yōu)化問題、車輛運行路徑規(guī)劃、區(qū)域性無線電頻率自動分配、Bayesiannetworks的訓練和集合覆蓋等應用優(yōu)化問題。81混流裝配線(SMMAL)調度問題混流裝配線(sequencingmixedmodelsonanassemblyline,SMMAL)是指一定時間內，在一條生產(chǎn)線上生產(chǎn)出多種不同型號的產(chǎn)品，產(chǎn)品的品種可以隨顧客需求的變化而變化。SMMAL是車間作業(yè)調度問題(job-shopschedulingproblem,JSP)的具體應用之一。82問題描述以汽車組裝為例，即在組裝所有車輛的過程中，所確定的組裝順序應使各零部件的使用速率均勻化。如果不同型號的汽車消耗零部件的種類大致相同，那么原問題可簡化為單級SMMAL調度問題。83問題描述i表示車型數(shù)的標號n表示需要裝配的車型數(shù)m表示裝配線上需要的零部件種類總數(shù)p表示生產(chǎn)調度中子裝配的標號表示零部件p的理想使用速率j表示車型調度結果(即排序位置)的標號D表示在一個生產(chǎn)循環(huán)中需要組裝的各種車型的總和84問題描述di表示在一個生產(chǎn)循環(huán)中車型i的數(shù)量bip表示生產(chǎn)每輛i車型需要零部件p的數(shù)量表示在組裝線調度中前j-1臺車消耗零部件p的數(shù)量和85蟻群算法在SMMAL中的應用假設有3種車型A、B、C排序，每個生產(chǎn)循環(huán)需A型車3輛，B型車2輛，C型車1輛，則每個循環(huán)共需生產(chǎn)6輛車。采用下圖的搜索空間定義，列表示6個排序階段，行表示有3種車型可以選擇。蟻群算法就是不斷改變圓圈的大小，最終尋找到滿意的可行解。搜索的初始狀態(tài)86簡單SMMAL排序的搜索空間舉例經(jīng)過若干次迭代之后，搜索空間變化，此時最可能的可行解為B-A-C-A-B-A若干次迭代后的狀態(tài)87局部搜索()的計算局部搜索采用的是貪婪策略基本思路：每一步均從當前可選擇策略中選取，使目標函數(shù)值增加最少的策略，即在確定第j個位置組裝的車型時，如果有多種車型可供選擇，則從中選擇一種車型i，使第j個位置組裝車型i時各零部件的使用速率最為均勻。88狀態(tài)轉移概率狀態(tài)轉移概率公式如下89信息素更新規(guī)則LB表示目標函數(shù)的下限值表示當前目標函數(shù)的平均值Zcutr表示當前的目標函數(shù)值這種動態(tài)標記的方法可在搜索過程中加大可行解間信息素的差別，避免算法早熟90實驗數(shù)據(jù)91實驗參數(shù)設置螞蟻系統(tǒng)螞蟻數(shù)量N_ant=5最大循環(huán)周期Ncmax=400=0.2Q=20000=0.9LB=0.0蟻群系統(tǒng)q0=0.5全局更新規(guī)則中的

和局部更新規(guī)則中的均取0.192實驗參數(shù)設置最大-最小螞蟻系統(tǒng)選取全局最優(yōu)解帶有精英策略的螞蟻系統(tǒng)精英螞蟻數(shù)量:1只93實驗結果94實驗界面95實驗界面96蟻群系統(tǒng)在TSP問題中的應用10城市TSP問題20城市TSP問題97蟻群系統(tǒng)在TSP問題中的應用30城市TSP問題48城市TSP問題98內容結構：研究內容界定研究背景配送模式研究優(yōu)化調度研究模擬實驗致謝基于蟻群算法的教育資源優(yōu)化配送99研究對象：教育信息資源研究環(huán)境：網(wǎng)絡環(huán)境下研究問題：資源配送研究重點：配送中調度優(yōu)化處理研究目的：形成資源及時有效的共享研究內容界定100研究背景東北師大理想信息技術研究院信息化教育平臺國家級火炬計劃項目、國家電子基金項目等項目支持被教育部中央電化教育館評定為國內同類產(chǎn)品中唯一的“教育認證精品”軟件所研制的教育資源涵蓋小學、初中、高中各主干學科與全國20多個省市近300個地（市、州）、縣（市、區(qū)）的教育主管部門以及3800多所中小學校建立了合作關系，在全國建立了18個研究與應用實驗基地；對32000多中小學教師進行過信息技術培訓。101研究背景（續(xù)）有信息技術與課程整合、教育資源、多媒體制作、軟件研發(fā)等研究機構和220多專業(yè)人員。1、中心資源庫的資源不斷累積2、用戶群的逐漸增