習題一參考答案

1.根據自己的理解，生活中使用過哪些智能系統，你覺得這些智能系統或產品，還可以怎樣

更智能?如果讓你參與設計或實現，你會怎么去改進完善它？

參考答案：

智能系統己經融入人類的各種生活學習工作中。比如我們經常提說的無人駕駛。試想

一下，早上你起床需要出門的時候，告訴你的家里智能機器人'“我需要出發了，請車子

樓下等候。”這時，智能機器人就幫你預約無人駕駛的自動汽車，在你走到樓下的時候，

車子己經等候著你了。你上車后，告訴車子你要去的地方，然后車子就自動出發了。到目

的地后，你什么都不用操作，車子自動進行離開停車。人類的出行問題就這樣簡單智能化

了。不用專門去購買一輛私家車，不用去操心保養保險問題，不用去考慮擁堵駕駛技術問

題，更不用去考慮停車難問題。如果讓我參與設計或實現，可能會更加個性化，更加智慧。

2.你期望的智能系統是怎樣的？描繪一下二十年后的智能生活？

參考答案：開放性問題，可發揮想象力并根據自己的理解進行描述。

3.智能系統的未來趨勢？智能系統的發展，會給人類帶來哪些好處，不好的方面呢？智能系

統會威脅到人類嗎？

參考答案：

未來趨勢將會更加智能化，包括由現代通信與信息技術、計算機網絡技術、行業技術、

智能控制技術匯集而成的針對某一個方面的應用的智能集合，隨著信息技術的不斷發展，其

技術含量及復雜程度也越來越高，智能化的概念開始逐漸滲透到各行各業以及我們生活中的

方方面面，相繼出現了智能住宅小區，智能醫院等。智能系統的發展對人類的好處促進社會

生產力的整體躍升，推動傳統產業升級換代，驅動“無人經濟”快速發展，在智能交通、智

能家居、智能醫療等民生領域發展積極正面影響。但是智能系統使勞動就業問題上的矛盾變

得更加突出。由于智能系統能夠代替人類進行各種腦力勞動，因此整個社會的勞動效率將會

有極大地提高，但同時也會使一部分人不得不改變他們的工種，甚至會造成他們的失業。

4.智能系統的概念模型是怎樣的？

參考答案：

廣義“智能”是多種類、多層次、多階段、多模式、多特征、多范疇的，“廣義智能

的概念模型如式(D所示：

GI={MKI,MLI,MPI,MCI,MSI,MDI}.(1)

式中：

GI為廣義智能(generalizedintelligence)；

MKI為多種類智能(multi-kindintelligence)；

MLI為多層次智能(multilayerintelligence)；

MPI為多模式智能(multi-patternintelligence)；

MCI為多特征智能(multi-characteristicIntelligence)；

MSI為多階段智能(multi-stageIntelligence)；

MDI為多范疇智能(multi-domainIntelligence)。

5.人工智能發展的歷史？

參考答案：

人工智能始于20世紀50年代，至今大致分為三個發展階段，

第一階段(20世紀50年代——80年代)。這一階段人工智能剛誕生，基于抽象數學

推理的可編程數字計算機已經出現，符號主義(Symbolism)快速發展，但由于很多事物不

能形式化表達，建立的模型存在一定的局限性。此外，隨著計算任務的復雜性不斷加大，

人工智能發展一度遇到瓶頸；

第二階段(20世紀80年代一一90年代末)。在這一階段，專家系統得到快速發展，

數學模型有重大突破，但由于專家系統在知識獲取、推理能力等方面的計算能力的提升，

人工智能在很多應用領域取得了突破性進展，迎來了又一個繁榮時期。人工智能具體的發

展歷程如圖1所示。

長期以來，制造具有智能的機器一直是人類的重大夢想。早在1950年，AlanTuring在

《計算機器與智能》中就闡述了對人工智能的思考。他提出的圖靈測試是機器智能的重要測

量手段，后來還衍生出了視覺圖靈測試等測量方法。1956年，“人工智能”這個詞首次出

現在達特茅斯會議上，標志著其作為一個研究領域的正式誕生。六十年來，人工智能發展

潮起潮落的同時，基本思想可大致劃分為四個流派：符號主義(Symbolism)、連接主義

(Connectionism)、行為主義(Behaviourism)和統計主義(Statisticsism)。這四個流派

從不同側面抓住了智能的部分特征，在“制造”人工智能方面都取得了里程碑式的成就

[3-10]o

目前，世界各國都開始重視人工智能的發展。2017年6月29日，首屆世界智能大

會在天津召開。中國工程院院士潘云鶴在大會主論壇作了題為“中國新一代人工智能”的

主題演講，報告中概括了世界各國在人工智能研究方面的戰略：

2016年5月，美國白宮發表了《為人工智能的未來做好準備》；英國2016年12月

發布《人工智能：未來決策制定的機遇和影響》；法國在2017年4月制定了《國家人工

智能戰略》；德國在2017年5月頒布全國第一部自動駕駛的法律；在中國，據不完全統計，

2017年運營的人工智能公司接近400家，行業巨頭百度、騰訊、阿里巴巴等都不斷在人

工智能領域發力。從數量、投資等角度來看，自然語言處理、機器人、計算機視覺成為了

人工智能最為熱門的三個產業方向。

6淡談智能化對我們生活的影響？

參考答案：

智能化指的是由現代通信與信息技術、計算機網絡技術、行業技術、智能控制技術匯

集而成的針對某一個方面的應用的智能集合，隨著信息技術的不斷發展，其技術含量及復

雜程度也越來越高，智能化的概念開始逐漸滲透到各行各業以及我們生活中的方方面面，

相繼出現了智能住宅小區，智能醫院等。

智能系統必將快速地融入人類的各種生活學習工作中。比如我們經常提說的無人駕駛。

試想一下，早上你起床需要出門的時候，告訴你的家里智能機器人：“我需要出發了，請

車子樓下等候。”這時，智能機器人就幫你預約無人駕駛的自動汽車，在你走到樓下的時

候，車子己經等候著你了。你上車后，告訴車子你要去的地方，然后車子就自動出發了。

到目的地后，你什么都不用操作，車子自動進行離開停車。人類的出行問題就這樣簡單智

能化了。不用專門去購買一輛私家車，不用去操心保養保險問題，不用去考慮擁堵駕駛技

術問題，更不用去考慮停車難問題。

7描述智能系統的產業現狀以及未來發展趨勢？

參考答案，

智能產業的發展。主要包括芯片、軟件系統、大數據分析、通信技術、云技術等產業

技術的發展。

芯片產業，CPU芯片、存儲芯片、圖像處理芯片GPU。

軟件產業，行業的軟件需要對行業的需求、行業的業務流程、流程中的問題解決方案

分析設計。

大數據產業，所有的智能處理，是建立在已有方案與未知問題的分析基礎上，數據越

多越詳細，越有助于信息的分析，象人臉識別、人臉畫像，特征分析。

通信技術產業，數據的傳播形式，無線、大流量、低延遲。

云技術，數據的云計算、云存儲。信息計算的發展，智能技術對普通的消費者，就如

空氣般的存在，人甚至感覺不到它的存在，它確無所不在，無時不需。

智能系統的發展，一方面促進了產業的發展壯大，一方面又對某些產業進行了淘汰。

就像智能手機的出現，淘汰掉了之前廣泛應用的卡片相機、隨身播放器，甚至與手機毫不

相干的紙質報紙。

智能系統對工業、農業、金融、醫療、無人駕駛、安全、智能教育、智能家居等行業

也正在產生深遠的影響。

第2章習題

I.什么是傳感器和智能傳感器？

答：傳感器是一種物理檢測裝置，能夠感知被測物的信息和狀態，可以將自然界中的各

種物理量、化學量、生物量轉化為可測量的電信號的裝置與元件。傳感器是信息采集的首要

部件，相似于人類的感官。智能傳感器是基于人工智能理論，利用微處理器實現智能處理功

能的傳感器

2.簡述智能傳感器的主要智能處理功能。

答：（1）自補償功能。根據給定的傳統傳感器和環境條件的先驗知識，處理器利用數

字計算方法自動補償傳統傳感器硬件線性、非線性和漂移以及環境影響因素引起的信號失真,

以最佳地恢復被測信號。

（2）自計算和處理功能。根據給定的間接測量和組合測量數學模型，智能處理器利用補

償的數據可計算出不能直接測量的物理量數值。利用給定的統計模型可計算被測對象總體的

統計特性和參數。利用已知的電子數據表，處理器可重新標定傳感器特性。

（3）自學習與自適應功能。傳感器通過對被測量樣本值學習，處理器利用近似公式和迭

代算法可認知新的被測量值，即有再學習能力。同時，通過對被測量和影響量的學習，處理

器利用判斷準則自適應地重構結構和重置參數。

（4）自診斷功能。對于軟、硬故障，處理器利用補償后的狀態數據，通過電子故障字典

或有關算法可預測、檢測和定位故障。

（5）其它的常用功能包括用于數據交換通信接口功能，數字和模擬輸出功能及使用備用

4、show_p1t(classes):迭代每次聚類結果，顯示連線圖

:return:

N=100

#N=int(input(”請輸入節點個數：”))

多獲取初始節點列表，選擇標志列表

nodes,flag-node_factory(N)

#對節點列表進行簇分類，k為迭代輪數

11Ar_cl=claasify(nodAS,flag,k10i

classesiter_classes：

#顯示分類結果

show_plt(classes)

2、判斷距離函數

當判斷距離函數

dist(v_A,v_B):

VIIIIf

判斷兩個節點之間的二維距離

:paramv_A:A二維向量

:paramv_B:B二維向量

:return:一維距離

np.sqrt(np.power((v_A[0]-v_B[0]),2)-np.power((v_A[1]-v_B[1])

2))

3、生成隨機節點集

node_factory(N)：

生成N個節點的集合

:paramN:節點的數目

:paramnodes:節點的集合

:paramselected_flag:標志：是否被選擇為簇首--＞初始化為0

:return:節點集合nodes=[[x,y]"x,y]...]+標志falg

“IIu

nodes=[]

selected_flag[]

irange(0,N):

#在1*1矩陣生成[x,y]坐標

node[np.random.random(),np.random.random()]

#print("生成的節點為："，node)

nodes.append(node)

書對應的選擇標志初始化為0

selected_flag.append(0)

#print("生成：”，len(nodes),“個節點”)

#print("初始化標志列表為"，selected_flag)

nodes,selected_flag

4、根據LEACH算法選擇簇頭節點

sel_heads(rznodes,flags):

“HU

根據閾值選取簇頭節點

:paramr:輪數

:paramnodes:節點歹U表

:paramflags:選擇標志

:paramP:比例因子

:return:簇頭列表heads,簇成員列表members

#閾值函數Tn使用leach計算

P=0.05*(100len(nodes))

Tn=P/(1-P*(r%(1/P)))

#print("閾值為：”，Tn)

#簇實列裘

heads-[]

#簇成員列表

members-[]

#本輪簇頭數

n_head=0

勢對每個節點生成對應的隨機數

rands[np.random.random()_range(len(nodes))]

#print("隨機數為："，rands)

力遍歷隨機數列表，選取簇頭

irange(len(nodes)):

#若此節點未被選擇為簇頭

flags[i]0:

9隨機數低于閾值一〉選為簇頭

rands[i；<=Tn:

flags[i]=1

heads.append(nodes[i])

n_head+=1

#print(nodes[i],“被選為第"，nhead,"個簇頭”)

#隨機數高于閾值

members.append(nodes[i])

#若此節點已經被范擇過

members.append(nodes[i])

print("簇頭為：“，len(heads),"個")

print("簇成員為：”,len(members),“個”)

heads,members

5、節點分簇算法

claasify(nodes,flag,k1):

“HIV

進行簇分類

:paramnodes:節點列表

:paramflag:節點標記

:paramk:輪數

:return:簇分類結果列表classes[[類1..],[類2...],......][類1...簇頭...

簇成員]

#k輪的集合

iter_classes=[]

#迭代r輪~~

rr：range(k):

#獲取簇頭列表，簇成員列表

heads,members-seiheads(rznodes,flag)

#建立簇類的列表

classes[[]_range(len(heads))]

#將簇頭作為頭節點添加到聚類列表中一

irange(len(heads))：

#print(“第”，i+1,”個簇頭為“，heads￡i])

classes[i].append(heads[i])

#print(“族頭集合：“，classes)

#簇分類：遍歷節點node

nrange(len(members)):

多選取距離最小的節點

dist_min=1

irange(len(heads)):

dist_headsdist(members[n],heads[i])

#找到距寓最小的簇頭對應的headsF標i

dist_heads<dist_min：

dist_min=dist_heads

head_clai

#添加到距離最小的簇頭對應的聚類冽表中

classes[head_cla].append(members[n])

#將簇頭作為頭節點添加到聚類列表中一

iter_classes.append(classes)

#0個簇頭的情況

dist_min--1:

print一本輪沒有簇頭！”)

iterclasses

6、繪制分類圖

show_plt(classes):

flHIf

顯示分類圖

:paramclasses:[[類1..J,[類2J-->[簇頭，成員，成員..J

:return:

tlHIt

pit.figure()

axlpit.gca()

#設置標題

axl.set_title(*WSN1')

#設置X軸標簽

plt.xlabeK^X')

#設置Y軸標簽

plt.ylabel('Y')

icon=U。'，”1+,'s?]

color='b\勺，'cl'y','m']

#對每個簇分類列表進才了show

irange(len(classes)):

centorclasses[i][0]

pointclasses[i]：

axl.plot([centor[0],point[0]],[centor['.]zpoint[']],c-color[i

6],marker^icon[i5],alpha=O.4)

#顯示所畫的圖

pit.show()

第3章習題參考答案

1.簡述生物神經元與人工神經元之間的關系。

人工神經元與生物神經元之間的關系主要表現在以下幾個方面：

（1）結構：人工神經元的結構基于對生物神經元的模擬，如人工神經元包含輸

入連接（類比神經元的突觸）、加權求和器（類比神經元的樹突）、激活函數（類

比神經元的軸突）等。

（2）功能：人工神經元的功能類比于生物神經元，如前向傳播（類比神經元的

興奮傳遞）、激活函數（類比神經元的神經興奮閾值）、反向傳播（類比于神經

元的突觸的可塑性）等。

（3）訓練：人工神經網絡的訓練算法基于對生物神經元和神經元之間的突觸可

塑性進行模擬，如Hebb規則和反向傳播算法都借鑒了神經元之間的突觸可塑性模

型。

2.詳述簡單遺傳算法的步驟。

簡單遺傳算法的步驟如下：

(1).初始化：隨機生成一定數量的個體作為種群，每個個體都是一個問題的

可能解決方案。

(2).適應度評估：對每個個體進行適應度評估，即根據問題的目標函數計算

個體的適應度值，用于衡量個體的優劣程度。

(3).選擇操作：根據個體適應度大小，以一定的概率選擇優秀個體作為交叉

和變異操作的父代。

(4).交叉操作：對被選擇的個體進行交叉操作，即隨機選取兩個個體的染色

體(解決方案)，交換部分基因并生成新的個體。

(5).變異操作：對新生成的個體進行隨機變異操作，即隨機改變其某些基因

的值或結構，生成新的個體。

(6).更新種群：將新生成的個體加入種群，并且根據一定規則淘汰一些不優

秀的個體，保持種群規模不變。

(7).判斷停止條件：重復上述操作，直到達到預設的停止條件，如迭代次數、

達到目標函數閾值等。

(8).輸出最優解：選擇種群中最優秀的個體作為問題的解決方案，并輸出結

果。

3.簡述免疫算法的基本步驟。

免疫算法的基本步驟如下：

(1).初始化：隨機生成一定數量的抗體個體作為初始種群。

(2).評估抗體親和度：對每個抗體個體進行親利度評估，將問題的目標函數映射

為抗體的親和度。

(3),選擇操作：根據抗體親和度大小，以一定的概率選擇優秀抗體個體，用于產

生新的抗體個體。

(4).克隆操作：對被選繹的抗體個體進行克隆操作，即產生一定數目的抗體副本,

用于增大種群規模。

(5).變異操作：對克隆出的抗體個體進行隨機變異操作，即隨機改變某些基因的

值或結構。

(6).評估抗體親和度：對變異后的抗體個體進行親和度評估。

(7).更新種群：根據抗體親和度，保留優良抗體個體，淘汰不好的個體。

(8).判斷停止條件：重復上述操作，直到達到預設的停止條件，如迭代次數、達

到目標函數閾值等。

(9).輸出最優解：選擇種群中最優秀的抗體個體作為問題的解決方案，并輸出結

果。

4.簡述基于免疫算法的TSP問題求解實現步驟。

基于免疫算法的TSP問題求解實現步驟如下：

(1).初始化抗體群：隨機產生一定數量的抗體，每個抗體表示一種可行路徑，即

TSP問題的一個解。

(2).計算抗體親和度：以路徑長度作為抗體的親和度評價函數，評估每個抗體的

適應度。

(3).選擇操作：根據抗體親和度，以一定的概率選擇優秀抗體，作為克隆和變異

操作的父代。

(4).克隆操作：對被選擇的抗體進行克隆操作，產生一定數量的抗體副本。

(5).變異操作：對克隆出的所有抗體個體進行隨機變異操作，即隨機交換其中的

兩個城市的位置。

(6).輪盤賭選擇：根據抗體親和度，進行輪盤賭選擇操作，淘汰一部分親和度較

低的抗體個體。

(7).更新抗體群：將克隆和變異生成的抗體副本加入抗體群中，用于更新抗體群，

淘汰一部分親和度較低的抗體個體。

(8).判斷停止條件：重復上述操作，直到達到預設的停止條件，如迭代次數、達

到目標函數閾值等。

(9).輸出最優解：選擇抗體群中路徑長度最短的抗體個體作為問題的最優解，即

為TSP問題的最優解。

第3章實驗核心代碼

用遺傳算法求解函數的最大值：y=10*sin(5x)+7*cos(4x)

步驟如下：

1.初始化種群,我們采用十位二進制進行編碼代表x的值，產生n個個體，

代碼如下：

importrandom

defgeneEncoding(pop_size,chrom_length):

pop=[[]]

foriinrangc(pop_sizc):

temp=[]

forjinrange(chrom_length):

lenip.append(randorri.randinl(0,1))

pop.append(temp)

returnpop[l:]

2.對染色體解碼，也就是二進制轉化為十進制，并計算適應度，在這個問

題中也就是函數值的大小，代碼如下：

importmath

defdecodechrom(pop,chrom_length):

temp=[]

foriinrange(len(pop)):

t=0

forjinrange(chrom_length):

t+=pop[i][j]*(math.pow(2,j))

temp.append(t)

returntemp

defcalobjValue(pop,chrom_length,max_value):

tempi=[]

obj_value=[]

tempi=decodechrom(pop,chrom_length)

foriinrange(len(templ)):

x=templ[i]*max_value/(math.pow(2,chrom_length)-1)

obj_value.append(10*math.sin(5*x)+7*math.cos(4*x))

returnobj_valuc

3.對于值為負數的個體進行淘汰，代碼如下：

defcalfitValuc(obj_valuc):

fit_value=[]

c_min=0

foriinrange(len(obj_value)):

if(obj_value[i]+c_min>0):

temp=c_min+obj_value[i]

else:

temp=0.0

fit_value.appcnd(tcmp)

returnfit_value

4.找出當前種群的最優解，也就是最大值，保存在lisl中，代碼如下：

defbcst(pop,fit_vakie):

px=len(pop)

best_individual=[]

best_fit=fit_value[0]

foriinrange(1,px):

if(fit_value[i]>best_fit):

best_fit=fit_value[i]

best_individual=pop[i]

returnlbest_individual,besl_fil]

5.計算每個個體被選中的概率，這里就是用個體的函數朱除以總群全體值

得到，然后利用輪盤法進行選擇，代碼如下：

importrandom

defsum(fit_value):

total=0

foriinrange(len(fit_value)):

total+=fit_valuefi]

returntotal

defcumsum(fit_value):

foriinrange(len(fit_value)-2,-1,-1):

t=0

j二()

while(j<=i):

t+=fit_value[jj

j十=1

fit_value[i]=t

fit_value[len(fit_value)-1]=1

defselection(pop,fit_value):

newfit_value=[]

total_fit=sum(fit_value)

foriinrangc(lcn(fit_value)):

newfit_value.append(fit_value[i]/total_fit)

cumsum(newfit_value)

ms=[]

pop_len=len(pop)

toriinrange(pop_len):

ms.app6nd(random.random。)

ms.sort()

fitin=0

newin=0

newpop=pop

#轉輪盤選擇法

whilenewin<pop_len:

if(ms[newin1<newfitvalueffitinl):

newpopfnewin]=pop[fitin]

newin=newin+1

else:

fitin=fitin+1

pop=newpop

6.進行交叉和變異操作，代碼如下:

importrandom

defcrossover(pop,pc):

pop_len=len(pop)

foriinrange(pop_len-1):

if(random.random()<pc):

cpoint=random.randint(0,len(pop[0]))

temp1=[]

temp2=|]

tempI.extend(pop|i][0:cpoint])

templ.extend(pop[i+1][cpoint:len(pop[i])])

temp2.extend(pop[i+l][0:cpoint])

temp2.extend(popfi][cpoint:len(pop[i])])

pop[il=tempi

pop[i+l]=temp2

defmutation(pop,pm):

px=len(pop)

py=len(pop[0])

foriinrange(px):

if(random.random()<pm):

mpoint=random.randint(0,py-1)

if(pop[i][mpoint]==1):

pop|i][mpoint]=0

else:

pop[i][mpointj=I

7.編寫主函數，定義所需變量，得到結果，代碼如下:

#計算2進制序列代表的數值

defb2d(b,max_valuc,chromjcngth):

t=0

forjinrange(len(b)):

t+=bfj]*(math.pow(2,j))

t=t*max_value/(math.pow(2,chromjength)-1)

returnt

pop_size=500#種群數量

max_value=10#基因中允許出現的最大值

chrom_length=10#染色體長度

pc=0.6#交配概率

pm=0.01#變異概率

results=[[]]#存儲每一代的最優解,N個二元組

fit_value=[]#個體適應度

fit_mean=[]#平均適應度

pop=geneEncoding(pop_size,chrom_length)

foriinrange(pop_size):

obj_value=calobjValue(pop,chromjength,max_value)#個體評價

fit_value=calfitValue(obj_value)#淘汰

best_individual,bes(_fit=best(pop,fit_value)#第一個存儲最優的解,

第二個存儲最優基因

results.append([best_fit,b2d(best_individual,max_value,chromjength)])

sclcction(pop,fit_value)#新種群復制

crossover(pop,pc)#交酉己

mutation(pop,pm)#變異

results=results[l:]

results.sort()

print(results[-l])

print(best_individual)

print(best_fit)

print(obj_value[l])

print(results)

print("y=%f,x=%f'%(results[-l][O],results[-l][l]))

X=[]

Y=[]

foriinrange(500):

X.append(i)

t=results[i][O]

Y.append(t)

plt.plot(X,Y)

plt.show()

得到最優解：y=16.998361,x=1.573803

下圖顯示了種群前500代進化過程中每代最有個體適應度的變化，即算法

所求函數y的最大值。

第4章習題

1.什么是執行系統？

答:執行系統就是直接完成系統預期工作任務的部分，一般由執行構件、執行機構組成。

執行構件是執行系統中直接完成工作任務的零部件，完成一定的動作。它往往是執行機構中

的一個或幾個構件。執行機構用來驅動執行構件，主要作用是傳遞和變換運動與動力，以滿

足執行構件的要求。

2.簡述制造執行系統MES的概念。

答：MES能通過信息傳遞，對從訂單下達到產品完成的整個生產過程進行優化管理。

當工廠發生實時事件時，MES能對此及時做出反應和報告，并用當前的準確數據對它們進

行指導和處理。

3.簡述組件化思想。

答：組件化思想指解耦復雜系統時將多個功能模塊拆分、重組的過程，有多種屬性、狀

態反映其內部特性.組件化是一種高效的處理復雜應用系統,更好的明確功能模塊作用的方

式。其實質是分治法的一種體現，對于一個很大的工程或系統，可以按照業務功能劃分為不

同的組件，化整為零，相互配合。

4.簡述智能化流程管理的內涵。

答：智能化流程管理內涵包含以下幾個方面：

（I）數據驅動的流程控制。隨著企業傳統業務流程管理信息化的應用發展，積累了大量

反映流程運行情況的業務數據-，海量數據客觀反映了企業流程的質量和效率，蘊含著知識規

律，通過數據挖掘、大數據技術分析這些流程運營數據，轉化成流程知識有助于管理者及時

發現問題，從而優化業務流程，指導流程參與者的業務決策。（2）全生命周期流程管理智

能化。

業務流程管理的生命周期包括流程建模與仿真、流程裝配與部署、流程監控和流程優化

等幾個階段，智能化的流程管理貫穿整個生命周期。（3）全方位分析提供實時決策支持

智能化流程管理通過先進的數據分析技術挖掘流程日志，綜合考慮業務邏輯、組織關系、

資源分配等多方面因素抽取業務流程運行規律知識，充實企業流程知識庫，形成企業流程管

理智慧，指導業務人員在復雜的業務環境下做出客觀高效的流程決策。

5.智能化流程管理功能有哪些？

總體來講，智能化流程管理功能主要涉及流程分析、流程監控、流程優化、流程預測和

推薦。

（1）多角度、多層次流程分析

建立企業相關流程績效數據立方體，幫助管理者從成本、時間、服務質量、資源利用率

等方面進行業務流程質量的多維分析。然后通過假設分析或針對其中的問題不斷下鉆，找出

問題根源加以改進。

（2）流程異常風險監控

為了保證業務流程按照企業既定目標執行，需要對業務流程進行實時監控。通過在不同

層級建立流程監控點，利用儀表盤等可視化工具，通過圖表等直觀形式把流程運行各項指標

呈現給終端用戶，幫助業務人員實時掌握流程運行狀況。（3）全面流程優化.智能化的流

程管理會從流程結構、組織關系、員工工作效率、默契程度以及資源利用率等各個方面進行

全面分析來提高整個業務流程的效率。（4）流程預測與智能推薦。企業業務的更雜性以及

市場的變化莫測使得流程設計并非易事，這時就需要有效利用流程運營知識輔助管理者決策,

利用流程最佳實踐或建立優化模型進行流程預測或智能推薦。

6.信息加工的基本方法有哪幾大類？

答：針對不同的處理目標，支持信息加工的方法很多，概括起來可分為五大類：傳統統

計學習方法、機器學習方法、不確定性理論、可視化技術和數據庫/數據倉庫技術。

7.簡述信息加工的一般流程。

答：信息加工的目的在于發掘信息的更高價值，使信息使用者能有效使用信息。信息加

工的一般流程:首先需要收集原始信息，然后確立信息加工的目標，接下來就對收集的初始、

孤立、零亂的原始信息進行判別、篩選、分類、排序、分析?、再造等處理，最后評估加工是

否滿足目標，若未滿足，就根據目標再加工修改，直到滿意輸出。

第4章實驗代碼

?python3.6withSimPy

模擬場景：[last_q][?achinel]--?-[con_belt]->[next_q][?achine2]

importsimpy

importrandom

PROCESS_TIME-0.5#處理時間

CON_BELT_TIME=3?傳送帶時間

WORKER_NUM=2#捋個機器的工人數/賁源數

MACHINE_NUH?2#機器數

MEANTIME=0.2#平均祗個物件的到達時間問杷

defcon_belt_process(env,

con_bclt_timcj

package,

nexjq):

模擬傳送錯的行為

whileTrue:

print(f-{round(env.now,2i}-item:{package}-startmovingH)

yieldenv.timeout(con-belt_ti?e)t傳送帶傳送時間

next_q?put(package)

print(f-{round(env.now,2i}-item:{package}-endmoving")

env.exit()

defmachine(env:simpy.Environmert,

last_q:simpy.Store,

next_q:simpy.Store,

?achine_id:str):

梗抵一個機器，一個機器可以同H處理物件的數量取決于資旗數（工人數）”…

workers=si?py.Resource(env,capacity=WORKER_NUM)

defprocess(item):

模擬?個工人的工作進程

withworkers.requestOasreq:

yieldreq

yieldenv.timeout(PROCESS.TIME)

cessfcon-beltjrocessCenv,CON_BELT_TIME,item,next_q))

print(€*(round(cnv.nou,2))item:(item)machine:(machinc_id)processed*)

whileTrue:

item=yieldlast_q.get()

cess(process(itea)i

defgenerate_iteffi(env,

last_q:simpy.Store,

item_nun:int=8):

模擬物件的到達””.

foriinrange(item_nu?):

print(f"{roundCenv.now,2i)-item:item_{i}-created*)

last_q.put(f)

t=random.expovariate(1/MEAN_TIME)

yieldenv.ti?eout(round(t.1))

if_name_■-'_main_1:

w實例環境

env=simpy.Environment()

#設備前的物件隊列

last_q=simpy.Store(env)

nexjq=simpy.Store(env)

env.process(generate-itemCenv,last_q))

-foriinrange(MACHINE_NUM):

cess(machinc(cnv,lost_q,ncxt_q,machinc_id-F'm—{i)"))

env.run()

1.什么是信息物理系統？

信息物理系統是集計算、通信與控制于一體的智能系統，信息物

理系統通過人機交互接口實現和物理進程的交互，通過網絡空間以遠

程的、可靠的、實時的、安全的、協作的方式操控一個物理實體。在

實際應用中，信息物理系統是構建網絡空間與物理空間之間基于數據

自動流轉的狀態感知、實時分析、科學決策、精準執行的閉環系統，

可以解決生產制造、應用過程中的復雜性和不確定性問題，提高資源

配置效率，實現資源優化，提高生產效率，提升產能。

2.信息物理系統的特征是什么？

八大典型特征：海量運算、感知、數據驅動、軟件定義、泛在連

接、虛實映射、異構集成、系統自治。

3?簡述信息物理系統的體系架構。

1.單元級體系架構：包括物理裝置和信息接口。

（1）物理裝置主要包括人、機、物等物理實體和傳感器、執行器、

與外界進行交互的裝置等，是物理過程的實際操作部分。物理裝置通

過傳感器能夠監測、感知外界的信號、物理條件（如光、熱）或化學

組成（如煙霧）等，同時經過執行器能夠接收控制指令并對物理實體

施加控制作用。

（2）信息接口主要包括感知、計算、控制和通信等功能，是物理

世界中的物理裝置與信息世界交互的接口。物理裝置通過信息接口實

現物理實體的“數字化"信息世界可以通過信息接口對物理實體“以

虛控實"O信息接口是物理裝置對外進行信息交互的橋梁，通過信息

接口可使物理裝置與信息世界聯系在一起，從而使物理空間和信息空

間走向融合。

2.系統級體系架構

多個最小單元（單元級）通過工業網絡（如工業現場總線、工業

以太網等）實現更大范圍、更寬領域的數據自動傳遞，實現了多個單

元級信息物理系統的互聯、互通和互操作，進一步提高了制造資源優

化配置的廣度、深度和精度。系統級信息物理系統基于多個單元級信

息物理系統的狀態感知、信息交互、實時分析，實現了局部制造資源

的自組織、自配置、自決策、自優化。在單元級信息物理系統功能的

基礎上，系統級信息物理系統還主要包含互聯互通、即插即用、邊緣

網關、數據互操作、協同控制、監視與診斷等功能。其中，互聯互通、

邊緣網關和數據互操作主要實現單元級信息物理系統的異構集成；即

插即用主要在系統級信息物理系統實現組件管理，包括組件（單元級

信息物理系統）的識別、配置、更新和刪除等功能；協同控制指對多

個單元級信息物理系統的聯動和協同控制等；監視與診斷主要對單元

級信息物理系統的狀態進行實時監控和診斷。

3.SoS級體系架構

多個系統級信息物理系統的有機組合構成SoS級信息物理系統。

SoS級信息物理系統主要實現數據的匯聚，從而對內進行資產的優化,

對外形成運營優化服務。其主要功能包括數據存儲、數據融合、分布

式計算、大數據分析等數據服務，并在數據服務的基礎上形成資產性

能管理和運營優化管理。

4.簡述信息物理系統的核心技術要素。

1.感知和自動控制

信息物理系統使用的感知和自動控制技術主要包括智能感知技

術和虛實融合控制技術。

2.工業軟件

工業軟件是專用于工業領域，為提高工業企業研發、制造、生

產、服務與管理水平及工業產品使用價值的軟件。工業軟件通過應用

集成能夠使機械化、電氣化、自動化的生產系統具備數字化、網絡化、

智能化特征，從而為工業領域提供一個面向產品全生命周期的網絡化、

協同化、開放式的產品設計、制造和服務環境。信息物理系統應用的

工業軟件技術主要包括嵌入式軟件技術、MBD和CAX/MES/ERP等。

3.工業網絡

信息物理系統中的工業網絡技術將顛覆傳統的基于金字塔分層

模型的自動化控制層級，取而代之的是基于分布式的全新范式。信息

物理系統網絡從技術角度來看，主要涉及工業異構異質網絡的互聯互

通和即插即用。

4.工業云和智能服務平臺

工業云和智能服務平臺通過邊緣計算、霧計算、大數據分析等

技術進行數據的加工處理，形成對外提供數據服務的能力，并在數據

服務基礎上提供個性化和專業化的智能服務。

5.簡述信息物理系統國內外的研究現狀。

國際上，有關信息物理系統的研究大多集中在美國、德國、日本、

韓國、歐盟等國家和地區。各國/地區研究機構對信息物理系統的研

究及成果較豐碩。

在CPS明確提出之前，我國已經開展了類似的研究，這些研究

與政府在工業領域的政策緊密聯系在一起。2016年，中國政府提出

了深化制造業與互聯網融合發展的要求，其中在強化融合發展基礎支

撐中，對CPS的未來發展做出了進一步要求。政策的延續和支持使

得我國的CPS發展駛入快車道。

1.程序代碼如下。

加油站加油實例

封面：

-資源：Resource

-資源:Container

?等待其他進程

腳本：

加油站的燃油泵數量有限，共用一個燃料庫的加油泵。汽車隨機到達加油站，請求其中一個燃油泵,

然后從油箱開始加油

加油站控制過程觀察加油站的燃油油位，如果加油站的油位低于臨界值，則呼叫油罐車加油

importitertools

importrandom

importsimpy

RANDOM_SEED=42

GAS_STATION_SIZE=200#單位：升

THRESHOLD=10#調用油罐車的閾值（單位：%）

FUEL_TANK_SIZE=50#單位：升

FUEL_TANK_LEVEL=[5.25]#油箱最低/最高液位（單位：升）

REFUELING_SPEED=2#升/秒

TANK_TRUCK_TIME=300#油罐車到達的時間（秒）

T.INTER=[30,3001#每隔［min,max］秒創建一輛車

SIMTIME=1000#模擬時間（秒）

defcar（name,env,gas_station,fuel_pump）:

模塊的功能是：一輛汽車到加油站加油。它要求加油站的一個燃油泵，并試圖從中獲得所需的

油量。如果加油站油箱的油用完了,汽車必須等油罐車來

ItltH

fuel_tank_leve)=random.randint(*FUEL_TANK_LEVEL)

print('%sanivingatgasstationat%.lf%(name,env.now))

withgas_station.request()asreq:

start=env.now

#請求一個燃油泵

yieldreq

#獲得所需的燃油量

iiters_required=FUEL_TANK_SIZE-fuel_tank_level

yieldfuel_pump.gcl(liiers_rcquired)

#“實際”加油過程需要的時間

yieldenv.timeou(Jiters_required/REFUEL!NG_SPEED)

print('%sfinishedrefuelingin%.Ifseconds.'%(name,env.now-start))

defgas_station_control(env.fuel_pump):

#定期檢查*燃油泉*的油位，如果油位低于臨界值，請致電油罐車

whileTrue:

iffuel_pump.level/fuel_pump.capacity*100<THRESHOLD:

#我們現在要叫油罐車

print('Callinjtanktruckat%d'%envnow)

#等待油罐車到達加油站

yieldccss(tank_truck(cnv,fucl_pump))

yieldenv.timeoutfl0)#Checkevery10seconds

deftank_truck(env.fuel_pump):

#延誤?段時間后到達加油站加油

yieldcnv.(imcoul(TANK_TRUCK_TIME)

print('Tanktruckarrivingattime%d'%env.now)

ammount=fuel_pump.capacity-fuel_pump.level

print('Tanktruckrefuelling%.lfliters.'%ammount)

yieldfuel_punip.put(aaimount)

defcar_generator(cnv,gas_station,fucl_pump):

#調度到達加油站的新車

foriinitertools.count():

yieldenv.timeoutJrandom.randint(*T_INTER))

cess(car('Car%d'%i.env,gas_station.fuel_punp))

#設置并啟動模擬

print('GasStationrefuelling')

random.sccd(RANDOM_SEED)

#創建環境并啟動進程

env=simpy.EnvironmcntO

gas_station=simpy.Resource(env,2)

fuel_pump=simpy.Container(env,GAS_STATION_S1ZE.init=GAS_STATION_SIZE)

cess(gas_station_control(cnv,fuel_pump))

cess(car_generator(env.gas_station.fuel_pump))

#執行

env.run(until=SIM_TIME)

2.模擬輸出

GasStationrefuelling

Car0arrivingatgasstationat87.0

Car0finishedrefuelingin18.5seconds.

CarIarrivingatgasstationat129.0

Car1finishedrefuelingin19.0seconds.

Car2arrivingatgasstationat284.0

Car2finishedrefuelingin21.0seconds.

Car3arrivingatgasstationat385.0

Car3finishedrefuelingin13.5seconds.

Car4arrivingatgasstationat459.0

Callingtanktruckat460

Car4finishedrefuelingin22.0seconds.

Car5arrivingatgasstationat705.0

Car6arrivingatgasstationat750.0

liinktruckarrivingattime760

Tiinktruckrefuelling188.0liters.

Car6finishedrefuelingin29.0seconds.

Car5finishedrefuelingin76.5seconds.

Car7arrivingatgasstationat891.0

Car7finishedrefuelingin13.0seconds.

第六章模糊邏輯系統

練習題參考答案

1.模糊系統的理論基礎是什么？什么是模糊邏輯？它與二值邏輯

有何關系？

答：模糊邏輯，建立在多值邏輯基礎上，運用模糊集合的方法來研究模糊性

思維、語言形式及其規律的科學。模糊邏輯系統是基于模糊集合論的數學基礎上，

通過計算機（如系統機、模糊芯片等）去模擬人在控制復雜對象中采用語言變量

描述模糊概念，采用經驗的控制規則來描述對象諭入-輸出間的模糊關系模型，

進而實現模糊邏輯推理的一種計算機數學控制。

模糊邏輯指模仿人腦的不確定性概念判斷、推理思維方式，對于模型未知或

不能確定的描述系統，以及強非線性、大滯后的控制對象，應用模糊集合和模糊

規則進行推理，表達過渡性界限或定性知識經驗，模擬人腦方式，實行模糊綜合

判斷，推理解決常規方法難于對付的規則型模糊信息問題。模糊邏輯善于表達界

限不清晰的定性知識與經驗，它借助于隸屬度函數概念，區分模糊集合，處理模

糊關系，模擬人腦實施規則型推理，解決因“排中律”的邏輯破缺產生的種種不

確定問題。

模糊邏輯是二元邏輯的重言式：在多值邏輯中，給定一個MV-代數A,一個

A-求值就是從命題演算中公式的集合到MV-代數的函數。如果對于所有A-求值

這個函數把一個公式映射到1(或0),則這個公式是一個A-重言式。因此對

于無窮值邏輯(比如模糊邏輯、武卡謝維奇邏輯)，我們設［0,1］是A的下層

集合來獲得［0,1］-求,直和重言式(經常就叫做求值和重言式)。Chang發

明MV-代數來研究波蘭數學家揚?武卡謝維奇(Jan?ukasiewicz)在1920年

介入的多值邏輯。Cha「g的完備定理(1958,1959)聲稱任何在［0,1］區間成立

的MV-代數等式也在配有MV-代數中成立。通過這個定理，證明了無窮值的武卡

謝維奇邏輯可以被MV-代數所刻畫。后來同樣適用于模糊邏輯。這類似于在{0,1}

成立的布爾代數等式在任何布爾代數中也成立，布爾代數因此刻畫了標準二值邏

輯。

2.什么是模糊集合和隸屬函數？模糊集合有哪些基本運算？滿足

哪些規律？

答：(1)模糊集合、隸屬函數是模糊數學的基本概念。經典集合論開宗明義地

規定：對于給定集A,論域U中的任一元素X那么屬于A,要么不屬于A,二者

必居其一。這就使數學對事物類屬、性態關系的描述，建立在“是”或“非”(用

0表示非，用1表示是，記為{0.1})上。模糊集合論則把這種類屬、性態非此

即彼的斷定轉換為對類屬、性態程度的量化分析，并