人工智能质量理论

1. AI的历史

人工智能的起源可以通过McCulloch和Pitts给出的形式神经元的定义来定位，它是具有多个输入和输出的二进制设备。

早在1956年，约翰·麦卡锡（John McCarthy）就在麻省理工学院触及了人工智能（AI）主题，当时达特茅斯会议在美国汉诺威举行。在这场竞赛中，麦卡锡，马文·明斯基，纳撒尼尔·罗切斯特和克劳德·E·香农建立了人工智能的基础，将人工智能作为计算领域中的一个独立领域。

此前，在1950年，艾伦·M·图灵（Alan M. Turing）在《心灵》杂志上发表了一篇题为《计算机械与智能》的文章，其中他对人工智能的概念进行了反思，并确立了后来被人们所熟知的东西。例如Turing测试，它是一种确定计算机是否根据被认为是人工智能的行为来进行的测试。

如此，六十年代的人工智能并没有取得太大的成功，因为当时需要大量的投资，而且大多数技术都是大型研究中心的典型技术。在70到80年代，随着PROLOG LISP的推出，其分支机构之一的专家系统取得了一些重大进展。

基本上，人工智能的目的是创建一种编程的顺序机器，该机器可以无限重复地重复人类产生的一组指令。

目前，大型教育和私人技术实验室的研究仍在继续。自主的机器人控制（索尼，及其机器人）能够以几乎人类的方式移动并能像人走路时一样对压力做出反应），模糊逻辑应用程序（在我们的录像带中自动跟踪的应用程序，仅举一例）。但是，人工智能在很大程度上仍受到其技术优势的限制，并且几乎无法进入最终的消费者市场或行业。

2. AI的定义

关于人工智能的当前定义，有诸如Rich和Knight和Stuart之类的作者，他们通常将AI定义为机器执行人类当前执行的任务的能力。 Nebendah和Delgado将其定义为研究领域，其重点是基于基于经验和对环境的不断了解的计算过程对智能行为的解释和仿真。

Farid Fleifel Tapia将AI描述为：“计算机科学的一个分支，它通过使用任何可用的计算技术来研究非算法问题的解决方案，而与所使用方法的基础推理形式无关。申请以实现该决议。为了完成该定义，由不同的AI研究人员考虑其他观点而发布的一些不那么正式的定义是：

人工智能是创造能够执行人们需要的功能的机器的艺术。（Kurzweil，1990年）AI是关于如何使计算机执行人类目前能完成的任务的研究。（Rich，Knight，1991）AI是计算机科学的一个分支，致力于智能行为的自动化。（Lugar和Stubblefied，1993）AI是研究领域，专注于基于计算过程的智能行为的解释和仿真。（Schalkoff，1990）。

在AI中可以观察到两种不同的方法：

人工智能被认为是试图开发一种能够为计算机提供类似于人类智能的推理能力的技术，其概念是与人类的智力机制相关的研究，用于模拟验证的能力。理论。

第一种方法侧重于效用，而不是我们先前在算法中看到的方法，该方法的关键问题是知识的表示和管理，其最具代表性的作者是麦卡锡和明斯基。

约翰·麦卡锡

在第二种方法中，我们发现这是针对创建能够执行人类认知过程的人工系统，使实用性作为该方法不再重要，该方法的基本方面涉及学习和适应性，其作者是Newell和卡内基梅隆大学的西蒙。

试图建造看起来像人类的机器的AI产生了两个相反的障碍：象征性或自上而下的方法（称为经典AI）和次符号方法（有时称为连接主义）。

这些符号直接模拟了将要实现或模仿的智能特性，并且目前最好的是人。对于专家系统的构建者而言，人类知识的表示至关重要，在这些进步的帮助下，人们发现了两种知识：关于特定问题的知识和关于如何从已有知识中获取更多知识的知识。当前最有代表性的例子是Douglas B. Lenat的Cyc项目，该系统在其内存中具有数百万个相互联系的事实。

在另一个流中：子符号；努力旨在模拟智能过程中的最低级别的元素，希望将这些元素组合在一起将允许智能行为自发出现。神经网络和遗传算法是使用这种定向的最清楚的例子，其中这些系统在自治，学习和适应，密切相关的概念下工作。

3. AI的划分

AI分为两种思想流派：

在人工智能传统的计算智能。

常规人工智能

基于对面对不同问题的人类行为的形式和统计分析：

基于案例的推理：在解决某些特定问题的同时帮助做出决策专家系统：通过对应用上下文和某些规则或关系的先验知识来推断解决方案贝叶斯网络：通过统计推断智能提出解决方案基于行为的人工：具有自主权并且可以自我调节和控制以进行改进的复杂系统。

计算人工智能

在计算智能（也称为亚符号人工智能）涉及开发或互动学习（在联结系统的参数，如交互式修改）。该知识是基于经验事实而获得的。该分支中的一些方法包括：

向量机支持：允许大功率通用模式识别的系统神经网络：具有强大模式识别功能的系统隐马尔可夫模型：基于概率事件的时间依赖性学习模糊系统：实现推理的技术在不确定的情况下。它已被广泛用于现代工业和洗衣机等消费产品中进化计算：应用受生物学启发的概念（例如种群，变异和优胜劣汰）来逐步解决问题。这些方法又分为进化算法（例如遗传算法）和集体智能（例如蚂蚁算法）

4. AI中使用的编程语言

马文·明斯基（Marvin Minsky）对本学科中使用的编程语言进行了分类：

现在做：程序员向机器提供指令以执行某项任务，其中指定了所有内容（可能是重复次数除外）始终这样做：在这里，您可以编写一个程序来帮助计算机解决这些问题。约束：编写了定义条件和限制条件的结构和状态的程序，这些程序员不知道如何解决，但知道可以尝试哪种解决方案。

但是明斯基承认，仍然有必要开发另外两种语言来获得与人类智力相当的人工智能; 这些可能是：

做一些有意义的事情：允许程序在过去的情况下学习，并在新的情况下应用其教义改善自己：在那里，您可以允许自己编写程序，从而使程序具有比自己更好的编写程序的能力。

当然，与我们正在处理的主题有关的另一点当然是创造力的概念，乍一看，这是我们无法令人满意地解释的东西，因为这是特殊礼物的结果，但有关人工智能的研究他们开始使之成为可能：他们告诉我们，只要编写具有所有权的程序，就将在相同程度上解释创造力。

预期与AI相关的另一个特性是自我意识。根据心理学研究的结果，他们一方面说，众所周知，人类的思想执行着许多无法归类为有意识的功能，因此，自我意识在一定程度上有助于预防有效的心理过程；但是，另一方面，能够了解我们自身的能力和局限性也非常重要，这对于机器和人类的智能功能都将大有帮助。

但是，如果不考虑复杂性问题，就不可能尝试去思考AI的主题。智能行为是许多元素相互作用的结果，在尝试模拟机器中的人类智能现象时，无疑是最有价值的贡献之一。

人工智能已经从心理学内进行的智能概念发展为一门学科，并从中发展出不同的类别。

5. AI中使用的技术

人工智能将可用作解决问题的工具的技术分为以下几类：

1.基本技术：之所以这么称呼是因为它是各种AI应用程序的基础：

启发式搜索解决方案，知识表示，自动演绎，符号编程（LISP）和神经网络。

这些技术是应用程序的基础。在大多数情况下，最终用户并不需要知道它，而是致力于它的应用程序和业务应用程序生成的专业人员。

2.旨在解决一系列问题的技术（或几种基本技术的组合）。这些技术比基本技术更专业，并且更接近最终应用。可以提及：

机器人，视觉，自然语言和专家系统。

6. AI的应用和应用领域

AI具有以下类别或类型的应用程序：

诊断，预测（原子反应堆的自控系统），操作顺序（“计划”），设计和数据解释。

他们都是类型问题的家庭。例如，诊断是指找出故障的原因，无论是生产线故障还是人的疾病。

AI的应用领域是：工程，医学，制造系统，管理，管理决策支持等。它们都属于计算机系统领域，但被视为AI的客户。

7.人工智能在生产系统中的应用

为了使智能系统变得完整，它必须包括各种功能，其中包括：

情报：“智能”有许多定义。在实际应用中，我们使用以下方法：智力是系统实现其目标的水平系统化：系统是宇宙的一部分，其时空范围有限。系统的某些部分与同一系统的其他部分具有更多或更强的关联性；目标：目标是智能系统想要达到的特定情况。通常，目标有很多级别，可以有一个主要目标和许多子目标。传感能力：感觉是系统的一部分，可以从环境中接收通信。感觉是必需的，以便智能系统可以了解其环境并进行交互操作概念化：概念是思想的基本要素。它是物理存储的信息材料（在神经元或电子中）。网络中所有内存概念都是相互关联的。概念化的能力暗示着抽象层次的发展情境：情境与智能系统用来表示其感官从环境接收的信息的一系列概念集成在一起行动规则：行动规则就是结果经历或解释记忆的结果。关联动作的情况和后果记忆：记忆是概念和动作规则的物理存储。学习包括：学习可能是智能系统最重要的功能。该系统从从感官接收的信息中学习概念。根据他们的经验学习经验法则。有时会随机执行的演奏会与其值一起存储。如果响应规则允许实现目标，则其价值会增加。学习包括基于具体示例确定抽象概念，以及创建包含对象各部分概念的复合概念。学习也是检测响应规则的“情况”部分和“未来情况”部分之间的关系（模式）的能力。学习包括基于具体示例确定抽象概念，以及创建包含对象各部分概念的复合概念。学习也是检测响应规则的“情况”部分和“未来情况”部分之间的关系（模式）的能力。学习包括基于具体示例确定抽象概念，以及创建包含对象各部分概念的复合概念。学习也是检测响应规则的“情况”部分和“未来情况”部分之间的关系（模式）的能力。

结合智能决策代理，神经网络，专家系统，遗传算法和可编程自动机来优化生产系统，是技术发展迅速，研发投入巨大的国家工业环境中的一种活跃趋势。人工智能的所述组件具有主要功能，以独立地控制并与其他代理协调来控制工业组件，例如制造或装配单元以及维护操作。

由于市场对获得高质量产品的需求，越来越倾向于采用更加自动化和智能的制造/装配系统。手动操作使情况变得复杂，使像我们这样的不发达国家无法在全球范围内达到竞争水平。在设计计算机集成的生产系统时，应重视工作中心中作业任务的监督，计划，排序，协作和执行，并增加对库存水平以及系统质量和可靠性特征的控制。上述因素决定了系统的结构，其协调性代表了生产管理和控制中最重要的功能之一。

通常，建立仿真模型的原因是寻找问题的答案，例如最大化或最小化某个目标函数的最佳参数是什么？近年来，在生产系统优化领域已取得了很大的进步。但是，开发用于仿真模型结果的分析工具的进展非常缓慢。有许多传统的优化技术，只有具有统计学和模拟概念知识的个人才能在该领域做出重大贡献。

由于元启发式搜索算法的兴起，在模拟优化领域开辟了一个新领域。市场上已经出现了新的软件包，例如OPTQuest（Optimal Technologies），SIMRUNNER（Promodel Corporation）和Evolver（Palisade Software），它们为优化系统提供了友好的解决方案，这些系统不需要对内部模型进行内部控制，而是对结果进行内部控制。该模型在不同条件下抛出。此外，应用于随机优化问题的新人工智能技术也证明了其效率以及计算和逼近能力。

强化学习是一套旨在解决基于马尔可夫决策过程的问题的技术。这些是随机决策过程，其基于以下概念：要在给定状态下在给定的瞬间采取的操作仅取决于做出决策时的系统状态。

对系统的生产过程产生最大直接影响的领域之一是基于系统运行参数的优化来设计决策支持系统。为此，人们非常关注将智能参数技术和非参数技术用于数据分析。然而，在作者看来，迄今为止为计算机集成制造所提出的大多数体系结构都缺乏基本的集成因素。生产工厂的各个层次之间的通信非常少，因为每个部门都在不寻求整个生产工厂集成的情况下限制了自己的职能，但ABB等公司及其Baan软件等除外。

8.人工智能在特定生产问题解决中的应用

I）使用计算机视觉系统的自动质量控制操作。

（RoymanLópezBeltrán，Edgar Sotter Solano和Eduardo Zurek Varela。机器人与自动生产实验室。北大学）。

每个工业过程都会对其最终产品的质量进行评估，这使质量控制阶段成为过程的关键阶段。建立产品质量的机制取决于与产品相关的参数。当相关参数是制造对象的几何形状或形状时，通常留给执行质量控制检查和验证功能的操作员，但是对象的几何形状可能会逃脱操作者的视线，然后阻止所述物体的正常运行。在这种情况下，出现了一个很好的选择，即使用能够检测操作员可以忽略的错误的人工视觉系统。Robot Vision PRO人工视觉系统能够执行全自动的物体识别和质量控制任务。

Robot Vision PRO系统是视觉软件包，可进行图像采集，预处理和分割。它还执行高级数据处理，提供图像过滤，聚类和图案化以及对象识别。该系统有一个摄像机和一个监视器，负责识别过程中的每个重要部分，并与质量为100％的部分进行比较，以便稍后确定包装是否可以投放市场或应该丢弃。

以下是Robot Vision PRO系统提供的一些用于执行质量控制操作的图像。包装的排列方式应使其几何形状完全包含在程序中，并且随后分别对每个包装进行质量控制。

随后的两个图显示包装有缺陷，因为它们不符合必要的规格，因此质量体系拒绝了该产品。

经过公司评估的Robot Vision PRO计算机视觉系统对于检测离心式压缩机包装中的几何缺陷非常有效，因为该软件的灵活性使其可以根据制造商所需要的质量系统调整工艺条件。正确测量包装。该系统具有足够的教学意义，可以开发出可以全自动执行对象测量，识别和质量控制任务的表达式。

作者认为，这种技术的使用非常适合对零件的表面光洁度要求很高或公差要求严格的公司，例如汽车备件，工业仪器等。

II）正在通过人工智能的研究和开发进行中的项目。

（马尼萨莱斯大学研究组）。

至。JAT（公共交通智能调度与控制系统）：

其主要思想是通过调度和智能控制来改善马尼萨莱斯市的城市运输服务，从而提高服务质量并降低运营成本。智能部分负责安排路线的调度，确保所有公交车均等地覆盖它们。

b。智能远程监控系统：

目的是实现闭路电视系统，该系统包括通过计算机和电话线从世界任何地方以及通过Internet进行远程监视的能力。

C。通过神经网络识别移动机器人中的环境

这项研究的重点是基于神经网络的训练，由移动机器人对环境进行全局识别，该神经网络接收由机器人的传感系统（超声波）从环境中捕获的信息。可以认为，通过神经网络，机器人的唯一任务是最大化对机器人的环境知识。这样，它可以在执行避障算法的同时有效地建模和探索环境。

这项研究的结果在移动机器人领域具有重要意义，因为：机器人获得了更大的运动自主性，优化了超声波作为障碍检测器的使用，并且它是开发机器人计划者的重要工具。轨迹和智能控制器。

训练网络的示例之一（有关更多详细信息，请咨询Rivera和Gauthier Universidad de los Andes大学），使用训练参数：学习常数为0.2，矩常数为0.9，机器人可以检测三个障碍。

机器人位于八个不同的位置，在每个位置进行了扫描，并以此方式形成了八个文件，对网络进行了训练，并且可以识别环境，并且不会遇到任何障碍。

在神经网络中，随着内层的增加，学习不同环境的能力和速度将更高。

作者认为，在人不能长时间承受高温或低温环境的生产过程中使用移动机器人非常重要，例如MEALS可以训练定制的机器人完善的培训使他为以后的货物运输做好了准备。

d。遗传算法应用于二次设施分配问题QAP。

（委内瑞拉瓦伦西亚卡拉博博大学工业工程学院运筹学系，2001年）。

QAP是一个组合问题，一些作者认为它是NP完全的。QAP的目的是找到站点的设施分配，以最小化表示成本或距离的功能。在工业工程领域的专业人员以及所有负责城市规划，组织和系统发展的专业人员的培训中，设施的位置和分布是最重要的主题之一。在每个人的日常生活和职业生活中，都会出现各种设施位置问题。

设施的位置和分配问题对于任何制造业务的成功都是至关重要的。主要原因是材料处理成本占总制造成本的30％至75％。解决设施分配问题的良好方法将有助于提高运营的整体效率，分配不善会导致过程中产品库存的累积，物料搬运系统的超负荷，设置效率低下和排队时间长。可以归类为QAP的这一类广泛的问题是广义线流问题，它是一种流线，操作在其中进行，并且不一定要在流水线中的所有机器上进行处理。此类生产线上的作业可以开始在任何机器上进行处理并完成其处理，并始终根据处理工作顺序通过连续的操作向下游移动。当作业的操作顺序未指定位于其当前位置之前的机器时，作业必须沿相反的方向（上游）行进以完成所需的操作。操作的这种“反向行程”称为回溯，它偏离了特定工作的理想流程，导致工作结构效率降低，如下图所示。始终根据流程工作顺序通过连续操作向前（下游）移动。当作业的操作顺序未指定位于其当前位置之前的机器时，作业必须沿相反的方向（上游）行进以完成所需的操作。操作的这种“反向行程”称为回溯，它偏离了特定工作的理想流程，导致工作结构效率降低，如下图所示。始终根据流程工作顺序通过连续操作向前（下游）移动。当作业的操作顺序未指定位于其当前位置之前的机器时，作业必须沿相反的方向（上游）行进以完成所需的操作。操作的这种“反向行程”称为回溯，它偏离了特定工作的理想流程，导致工作结构效率降低，如下图所示。操作的这种“反向行程”称为回溯，它偏离了特定工作的理想流程，导致工作结构效率降低，如下图所示。操作的这种“反向行程”称为回溯，它偏离了特定工作的理想流程，导致工作结构效率降低，如下图所示。