摘要： 本文主要講解了受自然啟發的五類AI演算法以及各自的實際用例：神經網路、遺傳演算法、群集集體智慧、強化學習、人體免疫。

搜索/尋路演算法

搜索演算法本質上是一個程序，旨在找到到達目標的最佳或最短路徑。例如，旅行商問題（TSP）就是一個典型的搜索優化問題：給出城市列表以及城市之間的距離，尋找可以遍歷每個城市，並花費最少的時間和開支的最佳路線。送貨卡車就是這個問題的一個實際應用，假設在倫敦有100個人提交了網路訂單，所有箱子都裝進了一個貨車裡， 現在快遞公司（比方說DPD）必須計算出最有效的路線（平衡距離/所花費的時間），以確保公司能夠花費最少的時間，獲得最大的利潤。

預測建模演算法

如今，預測建模被大肆炒作，各地數據科學家試圖用神經網路解決世界上的不同問題。其實本質上，預測建模是使用統計數據來預測結果。數據科學家一直試圖解決兩種預測建模問題：回歸和分類。回歸是發現兩組變數之間的相關性，而分類是確定數據集屬於不同組的概率。

受自然啟發的五種演算法

1、人工神經網路

前饋神經網路--最基本的神經網路類型

演算法類型：預測建模

生物學啟示：認知腦功能（神經元）

用例：情感分析、圖像識別/檢測、語言校正、機器人技術。

讓我們從最廣為人知的人工智慧（AI）開始吧。神經網路是機器學習的子類的一部分。它們的設計和建造模仿了神經元層面的大腦功能，與軸突和樹突相互作用，以便通過系統傳遞信息，通過一系列「層」產生預測結果並輸出。每個圖層都提供了一個額外的數據表示層，並允許您對最複雜的問題進行建模。

神經網路可能是被最廣泛使用的機器學習演算法，並且迄今為止是數據科學和機器學習最熱門的趨勢。神經網路可以用來解決各種各樣的問題類型，包括自然語言處理和視覺識別。而且這種監督學習演算法可以支持回歸和分類問題。

2、遺傳演算法

遺傳演算法中的個體繁殖

演算法類型：搜索/尋路演算法

生物學啟示：適者生存/進化（細胞繁殖）

用例：數據挖掘/分析，機器人，製造/設計，過程優化

遺傳演算法以「適者生存」的方式，在連續幾代之間採用類似進化的方法來解決搜索問題。每一代中都包含一些類似於DNA中染色體那樣的字元串。而每個個體都代表著搜索空間里的一個點，因此都有可能成為候選解決方案。為了提高解決方案的數量，我們將個體放入進化的過程中。

·物種中的每個個體都將爭奪資源和夥伴。

·在每個競爭中最成功的個體(通常)會比那些表現不佳的產生更多的個體。

·成功的候選人「基因」能在物種中更多的傳播，因此表現好的潛力更大。

3、群集/集體智慧

蟻群優化的例子——一種集體智能演算法

演算法類型：搜索/尋路

生物學啟示：蟻群/魚群/鳥群

用例:機器人，視頻遊戲AI，製造，路徑規劃。

蟻群優化和粒子群優化是符合「集體智慧」概念的兩種最常見的演算法。它們(作為一個包)一起工作，以產生更複雜的、緊急的行為，來解決問題。

蟻群優化（ACO）與粒子群優化（PSO）非常不同。兩者以不同的方式實現緊急行為。ACO是利用信息素氣味引導代理尋找最短的路徑。開始初始化一個隨機信息素，信息素將以一個特定的速率進行衰減，單一代理人遍歷搜索空間，根據信息素的強弱做出選擇。最強的信息素氣味將成為最有名的的解決方案。

PSO更多的是整體的方向。一些單一的代理人被初始化後選擇隨機的方向。最每個時間段都需要決定是否改變方向。這一決定將基於最著名的解決方案的方向（稱pbest/global best），即最近鄰（本地最好）的方向，以及當前的旅行方向。旅行的新方向通常是所有這些價值觀的「妥協」。

4、強化學習

強化學習環境中的代理行為

演算法類型：預測建模

生物啟示：經典條件作用

用例：視頻遊戲，控制自動車輛，生產線軟體，金融系統

基於基礎心理學和經典條件反射，強化學習（RL）支持為代理人採取的有力行動提供積極的數字響應。強化學習的經典案例：Pavlov』s Dogs，當狗被餵食時，會自動分泌唾液。從本質上講，如果一個RL代理採取了好的行為，就會得到一個數字獎勵。所以代理將使用策略不斷學習，以爭取在每個步驟最大限度的獲得獎勵。

RL演算法與其他機器學習技術(如神經網路)相結合是很常見的。這通常被稱為深度強化學習。神經網路常被用來估量應當給予RL代理人的獎勵。Deep Mind採用深度Q學習方法來解決更為普遍的問題，例如處理特別複雜的遊戲如「星際爭霸II」。

作為參考，Q學習是一種無模型的強化學習演算法。它可用於求解有限馬爾可夫決策過程的最優行為選擇策略。在程序初始化時，每個動作值對的Q值由開發者定義，並在每一步中由RL演算法更新。下圖是更新Q動作值對的示例。

5、人工免疫系統

人工免疫系統的組成部分

演算法類型：預測建模

生物學啟發：免疫系統

用例：安全軟體，自主導航系統，調度系統，故障檢測軟體

免疫系統是一種通過產生免疫反應來保護機體免受物質和病原體侵害的系統。人工免疫系統(AIS)是自適應系統，受理論免疫學的啟發並用於解決問題的免疫功能。AIS系統是一個與機器學習和人工智慧有關聯的，由生物啟發的計算和自然計算的子領域。有多種演算法與AIS相關：

·克隆選擇

·樹突細胞

·否定選擇

·人工免疫識別

與生物免疫系統一樣，AIS能夠將系統內的所有細胞分類為「自體」和「非自體」細胞。參與免疫的兩種最重要的細胞類型為B細胞和T細胞（白細胞）。T細胞分為三類，一種是激活B細胞，一種是結合併破壞入侵者，還有一種是抑制自身免疫問題。而B細胞負責產生能夠與抗原結合成特定蛋白質的抗體。人工免疫系統能夠監視入侵檢測，所以被用來防禦網路攻擊，並經常集成到企業級的軟體中。

本文由阿里云云棲社區組織翻譯。

文章原標題《5 Ways mother nature inspires artificial intelligence》

作者：Luke JamesFollow

譯者：奧特曼，審校：袁虎。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！