下载文档原格式
模糊计算机《:千百年来,以”精确”为标志的经典数学在描述大自然的现象和规律方面,取得了惊人的成功.但是,随着社会的进步和科学技术的发展,人类所研究的对象越来越广泛,越来越复杂了.历史的经验告诉我们:凡是复杂的东西便很难精确,精确性与复杂性往往是相互矛盾而又彼此排斥的.在人世问,虽然有很多的事情是清晰而精确的,但大量的事情恰恰是模糊的.这是因为在高度复杂的系统中,有很多错综复杂的因素在对系统产生影响,倘若我们抓住了这些因素中的主导因素(这是正确的做法),便会忽略次要因素,这就很容易使概念由精确变得模糊起来;如果本末倒置,把次要的当成主要的则会导致概念的更加模糊.尽管作为精确对立面而存在的”模糊”,在形象上并不”高尚”,然而由于它的应用日益广泛,使它很快地成为一个专门学科而跻身于现代化技术的行列中.模糊概念的建立,模糊信息的传递及至模糊计算机的制造,都是这门学科的重要组成部分.这里只能对它作一个十分简要的介绍.一,概念日常生活中经常会碰到诸如明天的天气怎样样啦,近来身体可好哇,将来有何打算呀,以及工厂的任务完成得如何等等发问,如果仔细推敲,这些都是很不确切的问题.让再高明的数学家来二o张立阳作答,恐怕也要有1～2%,甚至更大的误差.再如人们在谈某人头秃了,这个”秃”也没有界限,如果定义头上头发少于1000根为“秃”,实际上999与1000根之问就很难区分,而且在现实生活中tE难以辨认.象上面这样一些没有确切界限的事物及其表达形式,都统称为模糊概念.同样,美与丑,明与暗,黑与自,臭与香,胖与瘦,好与坏及高与矮等,虽然是完全相反的,但在它们中间也没有截然可分的界限,所以它ff】也部属于模糊概念.由此可见,人类在社会生活,生产实践以及科学实验中,将少不了要和模糊概念打交道.从1982年开始科学家在研究计算机数据利用时,进一步将模糊概念与粒计算,神经网络,遗传算法,数据挖掘等理论归为一体,形成为粗糙集理论,旨在于研究更快捷,更充分地从数据中了解更多有用的信息,使计算机更加聪明.二,信息由于模糊概念是一种不规则逻辑,由此而构成的信息也只能是含意模糊的信息例如,要表达一个人的老态龙钟,便可用白发苍苍,步履蹒跚,眼睛深陷,脊背弯曲,面容憔悴等这样一些形容词来说明,这些就是典型的模糊信息.数字式电子汁算机要判别一个简单的重要概念,往往需要进行一大堆数学运算,而且还要求有很高的精度.因此,它的信息是十分精确的.模糊信息则做不到这一点,它完全属于另一个范畴,它所表达的是直观的形态和意识感觉.这也是人的大脑区别于其它任何电器的重要标志,人脑对多么模糊的信息都具有高度的认识能力和判断水平.这一点,是目前任何高级电子计算机都无法比拟的.模糊信息是一种高智商信息,而绝非等同于糊涂认识.它有些类同于我国清代文人郑板桥所说的”难得糊涂”,这实际上就是一种思维的推断.三,数学表达模糊信息最有效的工具是模糊数学,是1956年由英国人查德创立的.它是为了适应迅速处理模糊信息而出现的,其关键是引用刻划模糊集合的模糊性的隶属函数,人们称它是架在精确性经典数学和充满模糊性的现实世界之问的桥梁.在人类的历史上,经典数学建有丰功伟绩,创造了今天的文明,使人类的认识由模糊到精确, 实现了精神境界上的第一次飞跃;而科学技术的进一步发展,又使数学应用的领域从精确扩大到模糊现象的范畴,这实质上是意识形态方面的又一次飞跃.模糊数学是专门处理模糊概念,模糊信息等的专业性数学.由j这些概念,信息的不规则,非逻辑特性,它必须运用处理方式.例如普通电f计算机只要以其最基本的0和1这么两个二进制逻辑符号,便能准确地处理各种含意严密的数值和理论,而模糊信息必须运用由0到l之问的连续数值才能进行加工.模糊概念,模糊信息引入到数学界决非是以模糊代表精确, 模糊数学只是经典数学发展中的一个分支.它的应用范围更加广阔,它甚至可以用以描述精确所不能进入或难于触及的禁区.例如在汁量科学方面,由于应用了36?北京电子模糊数学,便很容易对物理标准的分类,优选和物理量值的预先估计等方面取得成效,同样在地震灾情判断,疾病医疗诊断,发酵工程控制,交通秩序管理,海空导航巡视等方面,也都能作出广义判断.数学是在不断地追求精确, 但在追求精确的过程中,往往出现难以精确的模糊,但是模糊的结果则会使人的境界和意识更加精确.四,集成电路与构成数码式电子计算机基础的二进制逻辑相对应的便是以不规则,非逻辑为基本函数,并以此理论设计,试制出来的电f电路,称为模糊集成电路或非逻辑不规则集成电路.模糊集成电路首先是由日本熊木大学工程部山川烈教授研制成功的,他利用9个基本函数来表示各种可用限界差及其算术和.为此,其在工艺上是先在半导体衬底材料上制成25个限界差的沟道,其中用9个沟道表现6 个基本函数;后来又改用电流方式的一般数据和电压方式的模拟数据进行算术演算.在制造过程中首先用P型沟道金属氧化物半导体表现6个基本函数,后来又改用互补金属氧化物半导体,不但9个基本函数都表现了出来, 而且其存储量提高了3倍,运算速度提高了50%,消耗的电力减少了25%.其产生的热量也很小, 体积可以做得更小.这种集成电路设计合理,抗干扰能力强,极限参数具有良好的线性,运算精度很高,误差为零,而且特别适合于大规模生产,效率特别高.另外它采用的是标准的P—MOS工艺,采用电流传输型电路,掩膜板数量和工变流程少,成品率很高.五,产品电子计算机在其发展过程中,大致经历了电子管式,晶体管式,集成电路,大规模集成电路式和人工智能式五代,而专门用以处理模糊信息的电子计算机可称为第六代产品,也叫模糊计算机.这一消息最初是于1984年由日本信息科学学会和日本新时代计算机技术学会在一次国际性会议上透露的,它很快便得到政府的支持并作了紧急部署.众所周知,人的大脑平均重量约为1500g,体积1400ram,共有140～160亿个脑细胞.如要全部达到人脑功能,利用电子计算机的初期技术,其体积大致相当于一座巴黎城.但是随着微电子技术,集成电路的惊人发展,特别是模糊集成电路的出现,使其体积大幅度地下降j-,到1985年已经有不少公司,工厂生产出一百万比特的集成电路,它意味着在一小块几毫米见方的半导体衬底材料上可以容纳一百多万个元器件,使电子计算机的发展进入了一个崭新的阶段.现仍以人脑为例,如在其容积范围内装电子管,最多是15 个,而装集成电路呢,可以装1O0 多块,那么就按现在的水平衡量, 1O0块集成电路的总存储量是100万X100等于1亿比特,结果说明,这个体积与人脑还有140X 160倍的差距.要使电子计算机全面具备人脑的体积,重量,思维能力,智慧, 推理和学习等方面的功能,便是第六代电子计算机的重要使命. 为了使模糊计算机的功能尽量接近人脑,就需要集中大量的电子学专家,心理学家,大脑生理学家,语言学家一起参与这项工程的开发和研制.模糊计算机除了具有一般计算机的功能外,还具有学习,思考,判断和对话的功能.不但两台电子计算机可以对话,而且它还可以和人进行很自然的日常对话.它在瞬息之间便能辨清外界任何物体的形状和特征,并能进行广义判断;它还町以帮助人类从事一些比较复杂的脑力劳动. HP与天元网络共建电信网管实验室日前,中国惠普有限公司(Hp)和电信网络管理系统应用市场的开发与集成商北京市天元网络技术有限公司联合在北京宣布,双方共同建设的电信网络管理联合实验室正式启动.双方将通过联合实验室这一强大的平台,借助北京邮电大学程控交换技术与通信网国家重点实验室和信息产业部网络管理重点实验室的雄厚研发实力,把HP 全球领先的电信平台,网络管理平台和最佳网络管理服务实践与天元网络丰富的电信网络管理软件及实施经验相结合,共同为中国电信运营商和网络设备供应商提供强大的电信网络管理系统方案,帮助中国电信运营商有效地降低网络运营和维护成本,最大程度地利用电信网络资源,提高网络的运行质量和效率,向用户提供良好的通信服务.随着中国电信运营市场的放开,电信行业竞争日益加剧,运营商已经清楚地认识到,网络管理技术正在成为提升经营管理水平和服务质量,增强自身核心竞争力的重要手段,网络管理系统在电信网络中受到了前所未有的重视,借助更有效的网络管理系统最大程度地利用电信网和IP网的资源,快速提供新的增值业务, 提高服务水平已成为电信运营商的共识.模糊电子计算机的研制工作目前已取得较快进展,它将为电子计算机在更广阔领域的应用打下坚实的基础.北京电子?37?。
模糊算法的简介与应用领域模糊算法（Fuzzy Logic）是一种基于逻辑的数学方法，可用于计算机和控制工程中的问题。
Fuzzy Logic是指用于处理不确定性或模糊性问题的逻辑工具。
通过将问题的变量转换为可量化的值，并对变量进行分层，以确定如何进行推理，并进行决策。
模糊逻辑的核心是将不确定性转化为数字，然后使用公式进行操作，以确定结果。
例如，考虑一个简单的问题：如果一个人有160cm，那么这个人是否矮？根据模糊逻辑，这个问题不能被简单地回答“是”或“否”。
相反，问题需要考虑到不同的因素，例如人口统计数据，文化背景和其他因素，以确定是否可以说这个人是矮的。
模糊逻辑可以应用于各种各样的领域，包括工程控制，人工智能，自然语言处理，机器人技术等。
在这些领域中，模糊逻辑被用来处理复杂的系统和问题，并为决策提供精确而可靠的方法。
在工程控制中，模糊逻辑被广泛用于计算机和机器人系统的设计和开发。
例如，在机器人技术领域，模糊逻辑被用来控制机器人的运动和行为，以便机器人能够正确地执行任务。
此外，模糊逻辑也被用于控制汽车，飞机和其他机械设备等的操作。
在人工智能领域，模糊逻辑被用于自然语言处理和模式识别。
模糊逻辑可以帮助计算机系统理解模糊或不确定的语言和概念，并在模式识别方面提供更精确的方法。
在这个领域，模糊逻辑还被用于计算机视觉和图像处理。
在现代社会中，模糊逻辑广泛应用于人们的日常生活中。
例如，在车辆安全系统中，模糊逻辑用于判断车辆的速度和距离，以确定何时应该自动刹车。
此外，在消费电子产品中，模糊逻辑被用于改进电视机和音响系统等的品质。
总之，模糊逻辑是一种强大的工具，可以用于各种领域的问题和应用。
模糊逻辑不仅提供了一种新的方法来处理和解决问题，而且为我们提供了更精确的工具来做出决策。
什么是模糊算法初步了解模糊逻辑模糊算法初步了解模糊逻辑随着科技和人工智能的不断发展，越来越多的算法被广泛运用于各种应用领域中。
其中，模糊算法就是其中之一。
那么，什么是模糊算法？下面就让我们一起来初步了解一下模糊逻辑吧。
一、什么是模糊算法？在传统的计算机模型中，逻辑关系是非常明确的——要么是真，要么是假。
这种二元逻辑虽然简单明了，但是却无法处理那些带有不确定性的问题，比如人类语言中那些含糊不清的描述。
而模糊逻辑则提供了一种计算模型，使得计算机能够处理那些不确定的信息。
模糊算法就是基于模糊逻辑的一种算法。
它本质上是一种模糊推理系统，通过对数据进行模糊化处理，使得模糊的数据能够被计算机所理解。
在模糊算法中，一个变量的取值不再是明确的，而是一个模糊的概念，其取值不仅可以是0或1，还可以是介于0和1之间的任何实数。
这种算法能够处理那些难以用精确数据来描述的问题，如模糊控制、图像处理、语言识别等。
二、模糊逻辑的基本概念模糊逻辑是一种可以处理模糊性的逻辑。
在模糊逻辑中，一个命题的真值不再是只有真和假两种取值，而能够取任意介于0和1之间的实数值。
具体来说，模糊逻辑中的三个基本概念是模糊集、隶属度函数和模糊关系。
1. 模糊集模糊集是指定义在某个数学空间上的一类不精确的集合。
与传统集合不同的是，模糊集可以包括一些元素，它们的隶属度是介于0和1之间的实数值，即一个元素属于模糊集的程度。
比如，我们可以定义一个“年轻人”模糊集，其隶属度可以根据不同年龄段来定义。
2. 隶属度函数隶属度函数是一个数学函数，它可以将一个元素与一个模糊集进行联系。
其输出是该元素与该模糊集之间的隶属度，可以理解为描述该元素在该模糊集中所占的比重。
例如，一个“温和”的隶属度函数可能如下表示：___________///________________0.2 0.5 1其中，数值0.2表示隶属度在0.2时的取值，0.5表示隶属度在0.5时的取值，1表示隶属度在1时的取值。
基于模糊方法的专家系统设计专家系统是一种基于人工智能的计算机系统，通过模拟人类专家的思维和知识，能够在特定领域内进行高效的问题求解和决策推理。
而模糊方法是专家系统中常用的一种技术，其能够处理真实世界中的不确定性和模糊性，使得系统具备更强的适应性和鲁棒性。
本文将探讨基于模糊方法的专家系统设计，以及其在实际应用中的优势和限制。
一、模糊方法的基本原理与应用场景模糊方法是一种用于处理不完全、不精确信息的数学工具。
它的核心概念是模糊集合与模糊逻辑运算，通过引入模糊隶属度来描述事物的隶属程度，从而使得系统能够处理到模糊和不确定性的情况。
在专家系统设计中，模糊方法常用于以下几个方面：1. 知识表示与推理：通过使用模糊集合来描述专家知识，将模糊逻辑运算应用于知识推理中，能够更好地模拟人类专家的推理过程。
2. 决策支持：基于模糊方法的专家系统能够处理不完整、不确定的决策信息，帮助用户做出合理的决策。
3. 模式识别与分类：利用模糊方法处理输入数据的模糊性，对对象进行模糊分类和识别，广泛应用于图像处理、数据挖掘等领域。
4. 自适应控制：通过模糊控制算法，根据实时的输入变量来调整系统输出，实现对动态环境的适应性控制。
二、基于模糊方法的专家系统设计步骤基于模糊方法的专家系统设计一般包含以下步骤：1. 问题分析与知识获取：对待解决问题进行全面的分析，获取领域内的专家知识，并将其进行模糊化处理，转化为模糊规则库。
2. 知识建模与表示：将获取到的知识进行形式化表示，通常采用模糊集合、模糊关系和模糊规则等形式来描述。
3. 模糊推理机制设计：根据问题的特点和应用要求，选择合适的模糊推理机制，如模糊逻辑推理、模糊关联推理等，对输入进行模糊推理和决策。
4. 系统实现与验证：将设计好的专家系统进行编码实现，通过与真实数据的对比验证系统的正确性和有效性。
5. 系统优化与改进：根据实际应用的结果和反馈信息，对系统进行优化和改进，提高系统的性能和适应性。
《常用算法之智能计算（五）》：模糊计算人们常用“模糊计算”（FuzzyComputing）笼统地代表诸如模糊系统、模糊语言、模糊推理、模糊逻辑、模糊控制、模糊遗传和模糊聚类等模糊应用领域中所用到的诸多算法及其理论。
在这些应用系统中，广泛地应用了模糊集理论，并揉和了人工智能的其他手段，因此模糊计算也常常与人工智能相联系。
由于模糊计算可以表现事物本身性质的内在不确定性，因此它可以模拟人脑认识客观世界的非精确、非线性的信息处理能力和亦此亦彼的模糊概念和模糊逻辑。
概念是人类思维的基本形式之一，它反映了客观事物的本质特征。
一个概念有它的内涵和外延，内涵是指该概念所反映的事物本质属性的总和，也就是概念的内容；外延是指一个概念所确指的对象的范围。
例如“人”这个概念的内涵是指能制造工具，并使用工具进行劳动的动物，外延是指古今中外一切的人。
在生产实践、科学实验以及日常生活中，人们经常会遇到诸多模糊概念，如大与小、轻与重、快与慢、动与静、深与浅、美与丑等都包含着一些模糊概念。
美国数学家、控制论专家L.A.Zadeh博士于1965年发表了关于模糊集的论文，首次提出了表达事物模糊性的重要概念——隶属函数(Membership Function)。
这篇论文把元素对集的隶属度从原来的非0即1推广到可以取区间[0，1]的任何值，这样用隶属度定量的描述论域中元素符合论域概念的程度，实现了对普通集合的扩展，从而可以用隶属函数表示模糊集。
模糊集理论构成了模糊计算系统的基础，人们在此基础上把人工智能中关于知识表示和推理的方法引入进来，或者说把模糊集理论用到知识工程中去就形成了模糊逻辑和模糊推理。
为了克服这些模糊系统知识获取的不足及学习能力低下的缺点，又把神经网络计算加入到这些模糊系统中，形成了模糊神经系统。
这些研究都成为人工智能研究的热点，因为它们表现出了许多领域专家才具有的能力。
同时，这些模糊系统在计算形式上一般多以数值计算为主，也通常被人们归为软计算、智能计算的范畴。
模糊算法基本原理人工智能
随着人工智能技术的不断发展，模糊算法在解决不确定性、复杂
性等问题上发挥了重要作用。
那么，何为模糊算法？
模糊算法是一种通过将事物的程度进行模糊化，再将这种程度与
语言变量相联系来进行描述和计算的算法。
它的基本原理是将变量和
事物的度量用隶属函数来描述，将输入变量和输出变量进行逻辑运算
得到模糊输出值，再通过反推演算来得到数据将以何种程度满足输出
要求。
它特别适用于一些涉及不确定性、模糊性、复杂性、多变性较
高的领域，如控制系统、人工智能、模式识别等方面的应用。
模糊算法的主要步骤可以分为以下几个部分：
1. 变量隶属函数定义：将变量分为模糊集合，并建立隶属关系
函数，使之具有模糊性。
2. 模糊规则定义：将模糊变量之间的模糊规则用一定的形式进
行表达。
这些规则就是系统的运作规则，它们包含了变量之间的关系
和处理方法。
3. 模糊推理：模糊推理是处理模糊规则的过程，具体的做法就
是将所有输入变量通过隶属函数转化为模糊量，然后通过模糊规则进
行判断和推理，得到模糊输出。
4. 模糊输出：在进行模糊推理之后，就可以通过对各个输出的
隶属程度进行计算得到最终输出结果。
总体而言，模糊算法是基于模糊逻辑的一种数学运算方法，它不
同于传统的二元逻辑思维，而是更接近人类语言、思维的方式。
同时，模糊算法具有很强的可解释性和智能性，在许多领域都有着广泛的应
用前景。
模糊算法的原理与基本思想在计算机科学和人工智能领域中，模糊算法是一种能够应对模糊或不确定性问题的智能算法。
模糊算法的基本思想是将模糊的输入进行模糊化处理，得到对应的模糊输出。
本文将介绍模糊算法的原理与基本思想。
一、模糊算法的定义模糊算法是一种基于模糊逻辑的推理算法，它可以处理那些在描述中存在模糊性的问题，例如天气预报、金融预测、控制系统、人工智能、模式识别等等。
模糊算法的核心是将模糊或不确定性问题转化为在各种可能的情况下具有各自相应的概率的问题。
通过模糊化处理，模糊算法可以将任意变量转化为一组模糊的量，然后通过合适的规则进行推理，得到对应的模糊输出。
与传统方法相比，模糊算法能够更好地处理不确定性和复杂性问题，同时也具有更好的适应性、鲁棒性和容错性。
二、模糊算法的原理模糊算法的核心是模糊化处理。
模糊化处理的目的是将输入的不确定量转化为一个或多个模糊量。
采用模糊处理的好处在于，它允许处理那些不适合明确描述的变量。
例如，假设我们希望掌握人们对某个城市天气的感觉。
这个问题很难用精确的数值描述。
我们可以使用模糊处理将这个问题转化为模糊量。
比如我们可以考虑将“温度适宜”与“湿度舒适”这两个条件作为判断标准之一，然后将这两个条件分别用模糊量来描述。
这样，我们就可以得到一个模糊输出，这个输出反映了城市天气的整体感觉。
模糊算法的处理过程可以分为以下几个步骤：1.建立模糊集首先，我们需要将输入量转化为模糊集。
每个模糊集包含了一个或多个值，这些值与有关的定性变量有关。
这些模糊集按照它们的界限被定义。
每个模糊集都有一个函数，用于将变量的值映射到一组隶属度值。
2.定义规则根据模糊集，需要建立一组规则集合。
每个规则需要声明一个前提条件和一个结论。
规则的前提条件是模糊集合，规则的结论也是一个模糊集合。
3.模糊推理到了这一步，我们需要根据建立的规则集合对输入数据进行推理。
根据前提条件的模糊集的隶属度确定每个规则的权重，然后再用这些权重来计算每个模糊集的输出隶属度。
模糊算法设计中自然为灵感的计算系统从目前收集的这些数据来看，我们对自然灵感的计算系统进行的架构探究，研究了对灵感来自大自然模糊设计的计算系统的特点，并使用模糊设计设计了灵感来自大自然的计算系统的一个特定的方案与环境;本研究单位采用基于遗传算法的模糊优化算法;知识库采用的设计标准;执行部分为设计单位。
此系统建立了回归方程的模糊优化学习算法，并且构成了该算法的流程图。
最后，闪存大小的设计标准而异，并且该算法的稳定性是通过这个例子证实。
结果表明，模糊设计算法不仅使自然为灵感的计算系统能够自动获取知识与提高自身素质，还能使得计算系统达到智能化先进水平。
在不久的将来，模糊设计算法将极大地影响内存模式，信息输入模式和自然灵感的计算系统的体系结构。
一：模糊算法设计的计算系统介绍基于自然世界，特别是在功能，特性和机体的机制方面，自然灵感的计算研究其中包含的各种信息处理机制，采取了相关的计算模型，并设计它们可被用于在相关的算法的各个领域[1-5]。
自然灵感的计算通常是一类自适应，自组织，自学习的算法，包括这些研究领域，如进化计算，神经计算，生态条件，量子计算和复杂的自适应系统等。
这种计算算法是基于对自然世界机制的设计算法，能模仿自然界和能够解决许多复杂的问题，传统的方法是很难做到的功能的算法。
它在优化设计，优化控制，计算机网络安全，大规模复杂系统的创意设计等领域都十分好用。
据认为来自于大自然的计算算法是一种内部机制。
在自然世界和情报的基础上，由大自然启发计算的一般框架[3]。
但是自然启发的计算是否是内部机制自然现象需要等待未来的实验和自然现象的验证。
此外，该模型映射的计算模式在自然界中广泛存在的新的自然灵感的计算模式提出了，然后将模型的结构，原理和特点也得到了分析[6]。
大自然为灵感的计算可以增强在一般的系统的许多特性，给他们赋予新的生命。
因为自然计算是一个创新的，计算的发展将促进系统学根本的发展，其中就包括系统结构的概括和系统领域的扩张。
如何协调传统的计算和这样的新兴计算自然风格的计算和如何处理这些新兴计算分值之间的关系都有待进一步研究。
在描述自然灵感的计算系统，本文着重研究了其中的模糊设计机制的体系结构的基础。
特别是方案的设计与正在收集现场环境数据、知识模型为设计标准、采用学习方式相关的基于遗传算法的模糊优化算法，执行单位为复杂工业过程（包括该阶段的设计，制造，运行，等等在该文章中，只有在设计阶段进行了讨论）。
该系统设计的原则，在灵感来自大自然的计算系统模糊设计的过程和特征中进行了阐述和例证。
二：大自然为灵感的计算系统的体系结构自然灵感的计算，使高层决策中的计算机、先进的数学建模和系统理论的合成方法以及处理结合在一起不准确和不完整的信息语言学方法形成一致的方法以满足项目的需求。
它包括这样三个层次：组织、协调和实施。
组织层级的功能模仿人的行为，获取在自然界灵感的计算系统最高级别的情报。
它作为推理，计划，决策和交换长期记忆的信息，以及根据来自外部环境和较低级别的反馈信息学习;作为组织层面和执行层面之间的接口，它协调水平协调职能这些任务并且按照组织层次的教学。
作为最低层，组织层级实行并且完成各项具体任务。
如下图所示：（a）系统体系结构（b）模糊设计子系统图一. 自然灵感的计算系统自然灵感的计算智能主要体现在较高的水平。
这些在高级别中遇到的问题往往是不确定的，所以采用知识型组织级别是恰到好处，因为知识型组织水平可以便于处理信息，并使用直觉推理逻辑和人类的经验。
该系统的工作过程可以用两种方式进行说明：从水平方式说明，其中每一个将一个复杂的系统分成若干相互关联的子系统，其中每个子系统装备了一个易于被直接控制的控制器，以便使简化在很大程度上是复杂的问题。
从垂直方式说明，打破了复杂的、从高到低照的知识或所需的系统模式，这意味着智能控制器系统有两方面的含义在多层次的结构、智力水平的数量：一方面，受控对象有很多层面，一些其中有许多不确定和未知因素。
越多的水平，就越难以控制。
但另一方面，也存在控制在许多层面上，这是与自然灵感的计算系统的设计，开发和运行相关的。
自然灵感的计算系统的体系结构如图1（a）所示，这些部件由粗箭头指示的是来自大自然的灵感计算系统抽象模糊的设计的子系统，构成主反馈回路中自然灵感的计算系统，其示意图示于图1（b）所示。
三：在大自然为灵感的计算系统的模糊设计知识、知识表示和运用知识的推理算法是来自于大自然的计算系统的核心，而模糊的设计是其中的关键[8]。
几个世纪以来，哲学家和心理学家们认为：学习的基本机制是试图翻译在一种情况下成功的表现动作到另一个类似的新局面。
学习是获取知识，体验，提高性能，发现规律和适应环境的过程。
图1（b ）给出了一个简单的模型，模糊设计灵感来自大自然的计算系统.这个模型包括机器学习系统的四个基本部分。
该环境提供了外部信息，类似于教师的角色，研究单位处理由环境所提供的资料即多种学习算法，通过一些知识表示模式，执行单元手段的知识基础的信息存储和完成一些使用知识库中的知识。
在大自然为灵感的计算系统中的特定方案是从目前收集到这些数据给予的环境;知识基础是设计标准;学习方式采用基于遗传算法的模糊优化算法;执行部分为设计单位。
该系统的示意图如图2所示。
图二. 模糊设计灵感来自大自然的计算系统的一个特别方案3.1 回归模型在本文中，设计标准采用回归模型。
作为非线性回归方程的参数估计，仅仅当线性回归方程正在讨论中的情况下可以通过适当的方式被转换成的线性回归方程。
在文章中，线性回归方程可以写在统一的形式，如下所示。
其中，y∈R为判断标准变量中，x∈R m+1是目标载体，a∈R m+1是决策向量，x和a分别如下与此对应，标准空间和决策空间y和a 可表示为回归方程的参数估计过程是：已知N个实例（Xk，YK*），k=1，2，N，形成一批研究样本，这里的实例k的输入值Xk可以表达作为载体Xk= （1，X1k，X2k，...Xmk）共m+1个变量和实例k的期望输出是一个单输出YK*=yk*。
标准变量的计算输出yk= x T a。
然后参数估计问题转化为如下模糊优化问题。
其中，yk，k=1,2,....N是模糊的目标，其预期值是yk*，其对称公差为ε的变化区间是[yk*-ε，yk*+ε]。
在区间A上，我们设立了模糊目标集Gk，k=1，2，...N相应于Ky，其隶属度函数μG（a）的定义如下。
如果模糊目标集Gk，k=1，2，...N被赋予区间A上，G=∩Gk的交集就称为模糊优越集。
基于模糊优化回归方程的参数估计的基本思想是：在决策空间中，发现一个a*这使得隶属函数μG（a）一个模糊优越的集合G获得最大的价值。
然后将a*称为模糊最优解。
μG（a）可以通过下面的公式来计算[10]。
模糊优化可以在工科数学模型。
描述如下：获得a*，以使(7)3.2 学习算法1、回归方程，参数估计问题（7 ）是无约束优化问题，但它的目标不是连续派生.这个问题不能用传统的方法来解决，但可以用遗传算法优化，本文试图通过采用使用特定的遗传算法来解决问题沿着汪定伟，唐嘉复提出的加权梯度方向。
此算法的变异视突变为主要运算符，然后采用算术组合交叉算子在后期结合。
该算法的基本思想是：首先，随机地生成包含pop_size个体，其被选择以产生后代的模糊上级集合G增大。
用遗传算法执行的，这些人的会员资格是不超过0 α（可接受会员）获得产生后代的几率比其他人少。
与遗传世代数的增加，这些人的会员资格是小于0 α终将死去，而其他人得到生存。
后几代的，所有个体成员是大于0的α和大多数个体的将接近最优解。
对于该个体，假设μmin(a)=min(μGK(a)|k=1,2...N )，如果μmin(a)≤μGK(a)<1，沿梯度方向μGK(a)移动，以提高μGK(a)。
μGK(a)取得越小，可能得到的改进就越大。
基于上述想法，加权梯度方向可以如下构造[9]。
当和重量Wk沿梯度方向定义如下。
其中e是一个足够小的正数而且1/e是最大重量。
根据等式（7），对于个别W，它的适应值只是在模糊目标集的最小成员。
优化的目的是使最小的成员增加，所以应优先考虑的目标以最小的成员资格。
执行了遗传算法，这些个体的会员不超过0α（可接受会员）获得比别人少产生后代的机会。
随着遗传代数数的增加，这些个人的会员不超过0α终将死去，而其他人获得生存。
经过几代人，个人所有的会员都大于0α，大多数人将接近最优解。
可以描述如下：其中βl为已下降与Erlang分布，由随机数发生器产生的Erlang分布均值的随机步长。
从重量和变异式（9）〜（12）中可以看出：要满足的目标无法具有最小的成员，但将获得最大重量1/e，所以变化会引导个体到可行区域。
当μG（a）>0，以最小成员的目标取得的最大重量。
因此，加权梯度方向将改进的最小隶属度值，以使μGK(a)提高。
因此，加权梯度方向将引导所有个人接近精确的最佳分辨率，而这些个人构成了邻里包括精确的最佳分辨率。
在本文的遗传算法中，沿着加权梯度方向的变化是主要的运算符，该算术组合交叉仅在后期使用，并且新的种群中的每个生成选定的比例选择策略的装置[3]。
2 模糊优化算法的设计算法1：坦斯算法输入：训练样本。
输出：回归方程的参数。
根据以上描绘的基本策略，算法的构造如下。
（1）扫描数据的基础上，并读出样本（Xk，Yk*），k=1，2，...，N。
（2）构建目标函数yk=XTka期望值是yk*=Yk*，并给予对称性允许值ε。
（3）赋予的人口范围pop_size，使t = 0时，则初始化人口al（0），l=1,2，，...pop_size。
（4）每个单独的al（t）的：a）用式（4），计算每个目标函数ylk(t)的价值。
b）用公式（5），计算模糊目标集的每个成员资格。
c）用公式（6），测定中模糊优越集的成员资格。
d）使用公式（9）和（10），分别测定中的梯度和配重wk(t)（各目标），并使用等式（8），测定中的加权梯度D（al（t））的方向。
（5）根据规模选择算法，选择新的参数群人al（t +1）。
（6）根据算术相结合的方法，执行交叉操作。
（7）使用方程（11）中，执行沿着加权梯度方向上的变异操作。
（8）是否满足终止条件？a）如不是，使得t= t+1，然后跳跃至（4）。
b）若是，出口al（t，使作为最大的闪存尺寸设计标准的参数。
4. 仿真实例模糊设计子系统可以解决许多工程问题。
本文只介绍了在确定闪存的大小设计标准在自然灵感的计算系统的应用实例。
4.1 在闪存大小设计标准变量之间的关系据前苏联学者Jiejielin的研究有关影响闪存大小的因素，并从一些工厂收集到的现场数据的分析结果，在闪存的大小设计标准的变量下之间的关系可以描述为: [12]其中Hy是预锻模飞边桥高度，D0和Dy分别是的粗糙和预锻压件的最大直径，YQ是预锻压件的重量，而Sy是形状复杂的预锻相位的系数。
