朱文昊的中文博客--专注技术,向往自由
科学
和ALICE聊天 — 一个极其强悍的人工智能虚拟人物
2010年03月4日
在人工智能的符号处理领域, 有一条最著名的金标准"图灵测试". 今天和ALICE聊了聊天, 发现她真的可以以假乱真, 不瞎扯的话, 真是不能分别真假. 大家有兴趣可以自己去聊聊看哦. 地址 http://alice.pandorabots.com
IEEE计算机学会南京分会学术报告会转帖
2010年03月4日
IEEE计算机学会南京分会近期将举行2次学术报告会,信息如下。欢迎参加。
IEEE CS Nanjing Chapter
**************************************************************************************
3月5日(星期五) 15:00-16:15, 南京大学蒙民伟楼404会议室
题目: Reconstruction from Randomized Graph via Low Rank Approximation
报告人: Xintao Wu
Associate Professor, University of North Carolina at Charlotte
摘要:The privacy concerns associated with data analysis over social networks have spurred recent research on privacy-preserving social network analysis, particularly on privacy-preserving publishing of social network data. In this talk, we focus on whether we can reconstruct a graph from the edge randomized graph such that accurate feature values can be recovered. In particular, we present a low rank approximation based reconstruction algorithm. We exploit spectral properties of the graph data and show why noise could be separated from the perturbed graph using low rank approximation. We also show key differences from previous findings of point-wise reconstruction methods on numerical data through empirical evaluations and theoretical justifications.
报告人简介:Dr. Xintao Wu is an Associate Professor of Software and Information Systems Department at University of North Carolina at Charlotte. He got his Ph.D. in Information Technology from George Mason University in August 2001, an ME degree in Computer Engineering from the Chinese Academy of Space Technology in 1997, and an BS degree in Information Science from the University of Science and Technology of China in 1994. His major research interests include data mining, data privacy and security, and social network analysis. Dr. Wu is an editor of Springer’s Journal of Intelligent Information Systems and Spanish Higher Research Council’s Transaction on Data Privacy, and serves on program committees of many international conferences, including KDD, ICDM, SDM, PKDD, and PAKDD. He is serving as the program co-chair of the 2nd International Symposium on Data, Privacy and E-Commerce (ISDPE’10). Dr. Wu is a recipient of NSF CAREER Award.
**************************************************************************************
3月8日(星期一) 10:30-11:45, 南京大学蒙民伟楼404会议室
题目: Spectrum based Fraud Detection in Social Networks
报告人: Xintao Wu
Associate Professor, University of North Carolina at Charlotte
摘要:Social networks have reached an important role in people’s lifes. Unfortunately, social networks are vulnerable to various attacks such as spam emails, viral marketing and the such. In this work we develop a spectrum based detection framework to discover the perpetrators of these attacks. In particular, we focus on Random Link Attacks (RLAs) in which the malicious user creates multiple false identities and interactions among those identities to later proceed to attack the regular members of the network. We show that RLA attackers can be filtered by using their spectral coordinate characteristics, which are hard to hide even after the efforts by the attackers of resembling as much as possible the rest of the network. We present an effective algorithm to detect RLAs using the set of suspects filtered by their spectral characteristics. Experimental results show that our technique is very effective in detecting those attackers and outperforms techniques previously published.
报告人简介:Dr. Xintao Wu is an Associate Professor of Software and Information Systems Department at University of North Carolina at Charlotte. He got his Ph.D. in Information Technology from George Mason University in August 2001, an ME degree in Computer Engineering from the Chinese Academy of Space Technology in 1997, and an BS degree in Information Science from the University of Science and Technology of China in 1994. His major research interests include data mining, data privacy and security, and social network analysis. Dr. Wu is an editor of Springer’s Journal of Intelligent Information Systems and Spanish Higher Research Council’s Transaction on Data Privacy, and serves on program committees of many international conferences, including KDD, ICDM, SDM, PKDD, and PAKDD. He is serving as the program co-chair of the 2nd International Symposium on Data, Privacy and E-Commerce (ISDPE’10). Dr. Wu is a recipient of NSF CAREER Award.
[转载]简单蚁群算法的实现
2010年03月3日
本文转载自http://blog.chinaunix.net/u1/34560/showart_312651.html
一 引言
蚁群算法(ant colony optimization,ACO),又称蚂蚁算法,是一种用来在图中寻找优化路径的机率型技术。它由Marco Dorigo于1992年在他的博士论文中引入,其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。蚁群算法是一种模拟进化算法。初步的研究表明该算法具有许多优良的性质。针对PID控制器参数优化设计问题,将蚁群算法设计的结果与遗传算法设计的结果进行了比较,数值仿真结果表明,蚁群算法具有一种新的模拟进化优化方法的有效性和应用价值。蚁群算法是一种求解组合最优化问题的新型通用启发式方法,该方法具有正反馈、分布式计算和富于建设性的贪婪启发式搜索的特点。正因为蚁群算法有这些优点,很多研究者都在致力研究和改过它,本文的目的正是为了介绍蚁群算法,学习如何编写蚁群算法。
二 蚁群算法的介绍
昆虫世界中,蚂蚁的组成是一种群居的世袭大家庭,我们称之为蚁群。蚂蚁分为世袭制的蚁王(后)和工蚁两种,它们具有高度组织的社会性,彼此沟通不仅可以借助触觉和视觉的联系,在大规模的协调行动中还可以借助外激素(有些书称信息素)之类的信息介质。
首先我们要理解蚂蚁是如何觅食的,蚂蚁平时在巢穴附近作无规则行走,一量发现食物并不立即进食而是将之搬回蚁穴与其它蚂蚁分享,在食物小时则独自搬回蚁穴,否则就回蚁穴搬兵,一路上会留下外激素,食物越大外激素的浓度就越大,越能吸引其它的蚂蚁过去一起搬去食物,这样最终就能将食物全部搬回蚁穴。这个过程用程序实现看似非常复杂,要编写一个“智能”的蚂蚁也看似不太可能,事实上每个蚂蚁只做了非常简单的工作:检查某个范围内有无食物,并逐渐向外激素浓的方向运动。简而言之,蚁群运动无非是同时反复执行多个简单规则而已。下面详细说明蚁群中的这些简单规则:
1、范围:蚂蚁观察到的范围是一个方格世界,蚂蚁有一个参数为速度半径(一般是3),那么它能观察到的范围就是3*3个方格世界,并且能移动的距离也在这个范围之内。
2、环境:蚂蚁所在的环境是一个虚拟的世界,其中有障碍物,有别的蚂蚁,还有外激素,外激素有两种,一种是找到食物的蚂蚁洒下的食物外激素,一种是找到窝的蚂蚁洒下的窝的外激素。每个蚂蚁都仅仅能感知它范围内的环境信息。环境以一定的速率让外激素消失。
3、觅食规则:在每只蚂蚁能感知的范围内寻找是否有食物,如果有就直接过去。否则看是否有外激素,并且比较在能感知的范围内哪一点的外激素最多,这样,它就朝外激素多的地方走,并且每只蚂蚁多会以小概率犯错误,从而并不是往外激素最多的点移动。蚂蚁找窝的规则和上面一样,只不过它对窝的外激素做出反应,而对食物外激素没反应。
4、移动规则: 每只蚂蚁都朝向外激素最多的方向移,并且,当周围没有外激素指引的时候,蚂蚁会按照自己原来运动的方向惯性的运动下去,并且,在运动的方向有一个随机的小的扰动。为了防止蚂蚁原地转圈,它会记住最近刚走过了哪些点,如果发现要走的下一点已经在最近走过了,它就会尽量避开。
5、避障规则:如果蚂蚁要移动的方向有障碍物挡住,它会随机的选择另一个方向,并且有外激素指引的话,它会按照觅食的规则行为。
7、播撒外激素规则:每只蚂蚁在刚找到食物或者窝的时候撒发的外激素最多,并随着它走远的距离,播撒的外激素越来越少。
根据这几条规则,蚂蚁之间并没有直接的关系,但是每只蚂蚁都和环境发生交互,而通过外激素这个纽带,实际上把各个蚂蚁之间关联起来了。比如,当一只蚂蚁找到了食物,它并没有直接告诉其它蚂蚁这儿有食物,而是向环境播撒外激素,当其它的蚂蚁经过它附近的时候,就会感觉到外激素的存在,进而根据外激素的指引找到了食物。成功的觅食算法正是最小化搜索食物的时间。
三 蚁群算法的实现
理解蚁群算法的实质之后写出一个简单蚁群算法也不是太困难,关键是实现以上介绍的几个规则,下面用JAVA简单讲述一下以上规则的实现。
1、蚂蚁:蚂蚁是蚁群中最小的单位,是所以简单规则应用的最小个体。
View Code CPP
1 2 3 4 5 6 7 8 9 10 11 12 | public class Ant { public Square SQUARE; //蚂蚁所在方格 public Food CARRYING = null; //所搬的食物数 public int ID; //蚂蚁的编号 public boolean HELPING = false; //是否帮忙搬运食物 public void move(int turn) { //蚂蚁移动到下一个方格 } } |
2、范围:蚂蚁所在的方格应该包含附近的方格编号,所含食物数量,蚂蚁数量,外激素的浓度,以及坐标等信息。
View Code CPP
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 | public class Square { public Square NE; //附近的8个方向的方格 public Square N; public Square NW; public Square W; public Square SW; public Square S; public Square SE; public Square E; public LinkedList ANTS; //本方格中包含的蚂蚁 public Food FOOD; //本方格中包含的食物数 public Nest NEST; //方格为蚁穴 public Pheromone_1 PHEROMONE_1; //本方格中的外激素含量 public int X; //本方格的坐标 public int Y; private World WORLD; //所属的环境 public boolean WALL; //是否有障碍物 public Square(int x, int y, World world) { FOOD = null; NEST = null; PHEROMONE_1 = null; X = x; Y = y; WORLD = world; WALL = false; ANTS = new LinkedList(); } |
3、环境:环境是由多个方格组成的,是一个平面的,因此用一个方格的二维数组来表示是最合适不过的。
View Code CPP
1 2 3 4 5 6 7 8 9 10 11 12 13 14 | public class World { private Square[][] WORLD; //定义环境二维数组 private int WIDTH; //环境的长宽 private int HEIGHT; private Pheromone_1List P1LIST; //保存所有外激素的列表 public World(Pheromone_1List p1list) { this.WIDTH = Settings.WIDTH; this.HEIGHT = Settings.HEIGHT; this.P1LIST = p1list; WORLD = new Square[WIDTH][HEIGHT]; } |
4、觅食规则,移动规则和避障规则:这三种规则全都跟蚂蚁的移动方向有关,并在移动前都要先计算周围方格的外激素浓度,选择外激素浓度最高的方格方向移动。
View Code CPP
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 | private Square chooseBestSquare() { Square[] square_list = {SQUARE.E, SQUARE.NE, SQUARE.N, SQUARE.NW, SQUARE.W, SQUARE.SW, SQUARE.S, SQUARE.SE}; double current_best_value = 0; double value = 0; Square square = SQUARE; // 选择最好的方格 for(int i=0;i<square_list.length;i++) { value = calculateSquareValue(square_list[i]);//计算方格值 if(value > current_best_value) { current_best_value = value; square = square_list[i]; } } if(square.ANTS.size() >= Settings.MAXIMUM_NUMBER_OF_ANTS) { return SQUARE; } return square; } |
View Code CPP
1 2 3 4 5 6 7 8 9 10 11 12 | private double calculateSquareValue(Square s) { double[] thresholds = Settings.THRESHOLDS; if(s==null || s.WALL) // 方格有障碍物 { return -100000; } // 计算方格中各项参数的值 return s.getFood()*thresholds[0] // 食物 + s.getPheromone_1() * thresholds[1] // 外激素 } |
5、播撒外激素规则:每只蚂蚁找到食物后会根据食物的数量播撒相应量的外激素,以便其它蚂蚁能够更快得找到这堆食物。
View Code CPP
1 2 3 4 5 | private void putPheromone_1(double amount) { if(SQUARE.getPheromone_1() < Settings.PHEROMONE_LIMIT) SQUARE.addPheromone_1(amount); } |
从以上蚁群算法中各个要素的代码来看,实现蚁群算法并不难。每只蚂蚁并不是像我们想象的需要知道整个环境的信息,它们只关心很小范围内的眼前信息,而且根据这些局部信息利用几条简单的规则进行决策,这样,在蚁群这个集体里,复杂性的行为就会凸现出来。这就是人工生命、复杂性科学解释的规律。
四 蚁群算法的不足
本文实现的蚁群算法只是简单的大致模拟蚁群的觅食过程,真正的蚂蚁觅食过程远比这个复杂,比如增加蚂蚁搬运食物的距离和数量,蚂蚁在搬运食物发现更大的食物可能会丢弃原有食物,还可以增加蚂蚁搬运食物回蚁穴的最短路径的求解。同时需要注意的是,由于蚁群算法觅食的过程,蚁群算法可能会过早的收敛并陷入局部最优解。
中文核心期刊目录总览(2008 年版)
2010年01月15日
在网上搜来的,在国内刊物发表论文,这个文档恐怕是极为重要的参考手册了.转载的时候把色彩信息丢了,不过没关系,可以在本文末尾出找到下载链接,pdf文本.
中文核心期刊目录总览(2008 年版)
第一编 哲学、社会学、政治、法律
第二编 经济
第三编 文化、教育、历史
第四编 自然科学
第五编 医药、卫生
第六编 农业科学
第七编 工业技术
共计:1983 种
注:1.红色为新增或类别调整;2.指标体系:被索量、被摘量、被引量、他引量、被摘率、影响因子、
获奖或重要检索系统收录、基金论文比、Web 下载量。
2008 版与2004 版各编期刊数量比较
第1 编 第2 编 第3 编 第4 编 第5 编 第6 编 第7 编合计 排重后
2008 版 270 155 322 352 251 137 496 1983 1983
2004 版 250 183 304 327 223 132 494 1913 1798
第一编 哲学、社会学、政治、法律
A/K 综合性人文、社会科学
1.中国社会科学 2.北京大学学报.哲学社会科学版 3. 中国人民大学学报4.学术月刊 5. 北京师范大学学报.社会科学版6. 文史哲 7.学术研究 8.江海学刊 9. 复旦学报.社会科学版10. 吉林大学社会科学学报11. 社会科学12. 社会科学战线13. 江苏社会科学 14.南京大学学报.哲学、人文科学、社会科学15. 南开学报.哲学社会科学版16.河北学刊17. 厦门大学学报.哲学社会科学版18.浙江学刊19. 浙江大学学报.人文社会科学版20.浙江社会科学21. 天津社会科学22.社会科学研究23.中山大学学报.社会科学版24. 华中师范大学学报.人文社会科学版25.求是学刊26. 人文杂志27. 江西社会科学28. 湖南师范大学社会科学学报 29. 四川大学学报.哲学社会科学版30.学习与探索31.江汉论坛32.华东师范大学学报.哲社版33. 南京师大学报.社会科学版34. 武汉大学学报.人文科学版35.求索36. 郑州大学学报.哲学社会科学版37. 东北师大学报.哲学社会科学版38. 清华大学学报.哲学社会科学版39.中州学刊40.南京社会科学 41. 河南大学学报.社会科学版42.上海交通大学学报.哲学社会科学版43. 甘肃社会科学44.思想战线45. 山东社会科学46. 西北师大学报.社会科学版47.社会科学辑刊48. 福建论坛.人文社会科学版49.西南师范大学学报.人文社会科学版50.学术界51. 陕西师范大学学报.哲学社会科学版52. 广东社会科学53.国外社会科学54. 西安交通大学学报.哲学社会科学版55. 河南师范大学学报.哲学社会科学版56. 学术交流57. 东岳论丛 58.东南学术59. 学海 60.学术论坛61.武汉大学学报.人文科学版62. 山东大学学报.哲学社会科学版63. 兰州大学学报.社会科学版64.探索65. 西北大学学报.哲学社会科学版66.安徽师范大学学报.人文社会科学版67. 齐鲁学刊68. 天津师范大学学报.社会科学版69.湖北社会科学70.中国社会科学院研究生院学报71. 上海师范大学学报.哲学社会科学版72.深圳大学学报.人文社会科学版73. 广西社会科学74.暨南学报.哲学社会科学版75.华南师范大学学报.社会科学版76.安徽大学学报.哲学社会科学版77. 首都师范大学学报.社会科学版78.湘潭大学学报.哲学社科学版79. 河南社会科学80.湖南社会科学81.学术探索82.探索与争鸣83.杭州师范大学学报.社会科学版84.烟台大学学报.哲学社会科学版85.江苏大学学报.社会科学版86.湖北大学学报.哲学社会科学版87.东南大学学报.哲学社会科学版88.高校理论战线89.同济大学学报.社会科学版90.山西大学学报.哲学社科学版91. 福建师范大学学报.哲学社会科学92. 苏州大学学报.哲学社会科学版93. 河北大学学报.哲学社会科学版94.武汉理工大学学报.社会科学版95.重庆大学学报.社会科学版96. 山西师大学报.社会科学版97.河北师范大学学报.哲学社会科学版98.云南大学学报.社会科学版99. 北方论丛100.云南社会科学101.社会科学家102.华中科技大学学报.社会科学版103. 四川师范大学学报.社会科学版104.湖南大学学报.社会科学版105. 广西师范大学学报.哲学社会科学版106. 上海大学学报.社会科学版107.湖南科技大学学报.社会科学版108.吉首大学学报.社会科学版109. 江淮论坛110. 北京社会科学111.前沿112. 南昌大学学报.人文社会科学版113.中国青年政治学院学报114. 内蒙古大学学报.哲学社会科学版115.中国地质大学学报.社会科学版116. 扬州大学学报.人文社会科学版117. 宁夏社会科学118.徐州师范大学学报.哲学社会科学版119. 内蒙古社会科学120.东北大学学报.社会科学版121. 山东师范大学学报.人文社会科学版
B(除B9) 哲学
第一篇人工智能分类下的日志
2010年01月14日
本条日志主要内容摘自维基百科,链接原文-新窗口打开.作为研习相关知识的开篇纪念吧.
提到AI,当然不能不想到计算机先驱者-Alan Turing,他的头像印在ACM送给我的会员周年纪念的水杯上.
人工智能(Artificial Intelligence或简称AI)有时也称作机器智能,是指由人工制造出来的系统所表现出来的智能。通常人工智能是指通过普通计算机实现的智能。该词同时也指研究这样的智能系统是否能够实现,以及如何实现的科学领域。
概论
人工智能的定义可以分为两部分,即“人工”和“智能”。“人工”比较好理解,争议性也不大。有时我们会要考虑什么是人力所能及制造的,或着人自身的智能程度有没有高到可以创造人工智能的地步,等等。但总的来说,“人工系统”就是通常意义下的人工系统。
关于什么是“智能”,就问题多多了。这涉及到其它诸如意识(consciousness)、自我(self)、心灵(mind)(包括无意识的精神(unconscious_mind)等等问题。人唯一了解的智能是人本身的智能,这是普遍认同的观点。但是我们对我们自身智能的理解都非常有限,对构成人的智能的必要元素也了解有限,所以就很难定义什么是“人工”制造的“智能”了。因此人工智能的研究往往涉及对人的智能本身的研究。其它关于动物或其它人造系统的智能也普遍被认为是人工智能相关的研究课题。
人工智能目前在计算机领域内,得到了愈加广泛的重视。并在机器人,经济政治决策,控制系统,仿真系统中得到应用。
发展史
强人工智能和弱人工智能
人工智能的一个比较流行的定义,也是该领域较早的定义,是由当时麻省理工学院的约翰·麦卡锡在1956年的达特矛斯会议上提出的:人工智能就是要让机器的行为看起来就像是人所表现出的智能行为一样。但是这个定义似乎忽略了强人工智能的可能性(见下)。另一个定义指人工智能是人造机器所表现出来的智能。总体来讲,目前对人工智能的定义大多可划分为四类,即机器“像人一样思考”、 “像人一样行动”、“理性地思考”和“理性地行动”。这里“行动”应广义地理解为采取行动,或制定行动的决策,而不是肢体动作。
强人工智能
强人工智能观点认为有可能制造出真正能推理(Reasoning)和解决问题(Problem_solving)的智能机器,并且,这样的机器能将被认为是有知觉的,有自我意识的。强人工智能可以有两类:
- 类人的人工智能,即机器的思考和推理就像人的思维一样。
- 非类人的人工智能,即机器产生了和人完全不一样的知觉和意识,使用和人完全不一样的推理方式。
弱人工智能
弱人工智能观点认为不可能制造出能真正地推理和解决问题的智能机器,这些机器只不过看起来像是智能的,但是并不真正拥有智能,也不会有自主意识。
强人工智能的研究目前处于停滞不前的状态下。人工智能研究者不一定同意弱人工智能,也不一定在乎或者了解强人工智能和弱人工智能的内容与差别。就现下的人工智能研究领域来看,研究者已大量造出看起来像是智能的机器,取得相当丰硕的理论上和实质上的成果。
对强人工智能的哲学争论
“强人工智能”一词最初是约翰·罗杰斯·希尔勒针对计算机和其它信息处理机器创造的,其定义为:
“强人工智能观点认为计算机不仅是用来研究人的思维的一种工具;相反,只要运行适当的程序,计算机本身就是有思维的。”(J Searle in Minds Brains and Programs. The Behavioral and Brain Sciences, vol. 3, 1980)
关于强人工智能的争论,不同于更广义的一元论和二元论的争论。其争论要点是:如果一台机器的唯一工作原理就是转换编码数据,那么这台机器是不是有思维的?希尔勒认为这是不可能的。他举了个中文房间的例子来说明,如果机器仅仅是转换数据,而数据本身是对某些事情的一种编码表现,那么在不理解这一编码和这实际事情之间的对应关系的前提下,机器不可能对其处理的数据有任何理解。基于这一论点,希尔勒认为即使有机器通过了图灵测试,也不一定说明机器就真的像人一样有思维和意识。
也有哲学家持不同的观点。Daniel C. Dennett 在其著作 Consciousness Explained 里认为,人也不过是一台有灵魂的机器而已,为什么我们认为:“人可以有智能,而普通机器就不能”呢?他认为像上述的数据转换机器是有可能有思维和意识的。
有的哲学家认为如果弱人工智能是可实现的,那么强人工智能也是可实现的。比如Simon Blackburn在其哲学入门教材 Think 里说道,一个人的看起来是“智能”的行动并不能真正说明这个人就真的是智能的。我永远不可能知道另一个人是否真的像我一样是智能的,还是说她/他仅仅是看起来是智能的。基于这个论点,既然弱人工智能认为可以令机器看起来像是智能的,那就不能完全否定这机器是真的有智能的。Blackburn 认为这是一个主观认定的问题。
需要指出的是,弱人工智能并非和强人工智能完全对立,也就是说,即使强人工智能是可能的,弱人工智能仍然是有意义的。至少,今日的计算机能做的事,像算术运算等,在百多年前是被认为很需要智能的。
实际应用
机器视觉,指纹识别,人脸识别,视网膜识别,虹膜识别,掌纹识别,专家系统等。
学科范畴
涉及学科
研究范畴
应用领域
参见
- 人工生命
- 伪春菜
- 艾伦·图灵
- 恐怖谷理论
- 电子世界争霸战
- 计算机科学
- 计算机科学课程列表
- 认知科学
- 意识
- 约翰·希尔勒的中文房间
- 语义学
- The Singularity
- collective intelligence
- 控制论
- 心理学
- 国际人工智能联合会议
- OWL
站外链接
- 研学论坛关于人工智能,模式识别,科学交流的学术论坛
- ChinaAI.org– 中国人工智能网-人工智能|模式识别|数字图像处理
- AI Depot — community discussion, news, and articles
- Loebner Prize website
- GameAI — 关于计算机游戏方面的AI资源
- Kurzweil CyberArt Technologies– 关于人工智能艺术的网站,里面有著名的人工智能绘画程序AARON
- 关于人工智能,专家系统prolog语言全介绍的wiki网站
- 中华民国人工智能学会 — 以促进中华民国台湾地区人工智能及相关领域之研究、发展、应用与交流为宗旨的民间组织。
- MostAI — 关于人工智能的网站,AI Fans交流平台
脚注: 本日志继承原文的维基百科:CC-by-sa-3.0许可协议.


Facebook
Twitter
Picasa
LinkedIn
Youtube
Digg
Buzz