1.科学是什么本科时候我选了张祥龙老师的《哲学导论》。 其实内容绝大多数都还回去了，但老师在课堂上下的定义我还记得：哲学是“对边缘问题进行理性探索的学科”。 既然是理性的，那就不应该和科学发生本质的冲突。 （可供参考的文章：《如果争论不欢而散，那么必有一方是虚伪的》） 而既然面向的是边缘问题，那就意味着它永远会走在科学前面，但也意味着它应该不断将不再边缘的领土让给其它学科。 泰勒斯时代，天文是哲学的领域，托勒密时代天文学已经可以自立了。 亚里士多德时代，博物也是哲学的领域，到了近代博物学同样自立了，并具体化成为物理、化学、生物、地学等等领域。 同样的事情也发生在人文学科领域。 事实上不仅哲学，相当一部分学科都会孕育出新的学科，只不过哲学作为“一切学科之母”，见证的成长最多而已。 所以，说“科学攻下了哲学的半壁江山”，这个说法我是不赞成的。 这只是孩子长大了要离开母亲而已。会不会有一天所有的孩子都离去，留下母亲独身一人？我不知道，但就算有这么一天，也是极其遥远的。 2 但是科学除了逐渐接手哲学的领域之外，还总在试图插手传统上的“非理性”领域，比如艺术。这其实也不稀奇，哪个学科没越过界嘛。 一个典型的例子，是计算机作诗/作曲。 华兹华斯说，一切好诗都是强烈情感的自然流露。 目前计算机显然还不能模拟人类情感，它们所用的手法无非是研究现有的人类语料，对其进行分解和重组，在这个过程中尽量用一些较大尺度的规则来约束。 “触及我心灵最深处的东西……可能可以被简单的机制有效生产出来，这样的机制要比产生人类灵魂的复杂生物机制简单数千倍……令我产生了巨大的担忧……我悲观地罗列出了下面三个原因： （1） （比如说） 肖邦要比我想象的浅薄得多。 （2） 音乐要比我想象的浅薄得多。 （3） 人类灵魂/心智要比我想象的浅薄得多。 ” 类似的，《一种宋词自动生成的遗传算法及其机器实现》这样的论文，也以相近的思路对宋词给出了生成方案。 但是，这个分解和重组的创作手法，也不是计算机发明的。 每一个初学写诗词或者谱曲的人都尝试过堆砌辞藻，甚至有些人终生都只停留在这一步。有些人依靠拼凑和堆磊甚至可以成名、可以发大财、可以成为青春偶像，也许文艺界对此忿忿不平，但又没有一个简明有效的办法来告诉大众：这是堆出来的、是浅薄的。 可是我们现在有了计算机程序。不是大家都觉得计算机低人一等吗？那正好，我们用这些低贱的、机械化的程序也能制造出外表华丽、像模像样的文字和乐曲。 对于那些依赖拼凑的文艺创作者，还有什么比这个打击更大的呢？还有什么更好的办法来去伪存真呢？把那些用堆砌模仿抄袭来沽名钓誉的人剔除出队伍，留下真正的伟大创新者，这难道不是文艺界几千年来的梦想吗？ 和哲学的情形类似，这样的事情在历史上同样发生过了：摄影技术的诞生。它把那些只会技巧的人踢出艺术家的行列，同时又促生了一大批抛弃写实的伟大画家。 我相信，诸如计算机诗词这样的成就，也会产生类似的结果。3 如果考虑情感的起源和作用的话，这种情况其实是可能发生的。 但事实上，如果“高度适应环境的心灵乃是生存和繁殖的终极器官”（D.S.Wilson语），而情感和理性思考都能直接引导人类行为，那么二者大概都是有用的，区别只是在发挥作用的场合和前提条件。 今人乍见孺子将入於井，皆有怵惕恻隐之心； 或者，山无陵， 江水为竭， 冬雷震震， 夏雨雪， 天地合， 乃敢与君绝。 这其实就是打包了的理性，是对于复杂收益方程的一个快速的近似解，恐怕从某种意义上，这个策略比单纯的理性还要高级。难怪很多时候，这个解的优先级是高于具体的理性分析的——尤其是时间紧迫下的第一反应。 而如果这样的收益方程能够用高速计算机瞬间得出最优解，那么人类理论上就不需要依靠感情来做出判断了。 有一种可能是：感情因为不再生死攸关，而被人们遗忘。 但同样的可能是，感情因为不再关乎存亡，而得到了自由发展的空间。猎人站在旷野上时，心目中必须对猎物有一个精确的描绘，否则就要饿肚子；但是当他围着火堆坐在夜色下的山洞里时，他却可以自由地将脑海里的一切画在石壁上，而不必担心有任何不良后果。 事实上，艺术之所以成为艺术，正是和人类直接存亡脱节的后果。 我不知道哪一种会成为现实，我甚至不敢说哪一种更好，因为我个人的好恶对未来大趋势是毫无意义的。 但至少，当人意识到未来不止一种可能时，总是会有成就感的。 2.遗传算法的C语言实现一个非常简单的遗传算法源代码，是由Denis Cormier (North Carolina State University)开发的，Sita S.Raghavan (University of North Carolina at Charlotte)修正。 代码保证尽可能少，实际上也不必查错。对一特定的应用修正此代码，用户只需改变常数的定义并且定义“评价函数”即可。 注意代码的设计是求最大值，其中的目标函数只能取正值；且函数值和个体的适应值之间没有区别。该系统使用比率选择、精华模型、单点杂交和均匀变异。 如果用Gaussian变异替换均匀变异，可能得到更好的效果。代码没有任何图形，甚至也没有屏幕输出，主要是保证在平台之间的高可移植性。 读者可以从ftp.uncc.edu，目录 coe/evol中的文件prog.c中获得。要求输入的文件应该命名为'gadata.txt'；系统产生的输出文件为'galog.txt'。 输入的文件由几行组成：数目对应于变量数。且每一行提供次序——对应于变量的上下界。 如第一行为第一个变量提供上下界，第二行为第二个变量提供上下界，等等。/**************************************************************************//* This is a simple genetic algorithm implementation where the *//* evaluation function takes positive values only and the *//* fitness of an individual is the same as the value of the *//* objective function *//**************************************************************************/#include #include #include /* Change any of these parameters to match your needs */#define POPSIZE 50 /* population size */#define MAXGENS 1000 /* max. number of generations */#define NVARS 3 /* no. of problem variables */#define PXOVER 0.8 /* probability of crossover */#define PMUTATION 0.15 /* probability of mutation */#define TRUE 1#define FALSE 0int generation; /* current generation no. */int cur_best; /* best individual */FILE *galog; /* an output file */struct genotype /* genotype (GT), a member of the population */{ double gene[NVARS]; /* a string of variables */ double fitness; /* GT's fitness */ double upper[NVARS]; /* GT's variables upper bound */ double lower[NVARS]; /* GT's variables lower bound */ double rfitness; /* relative fitness */ double cfitness; /* cumulative fitness */};struct genotype population[POPSIZE+1]; /* population */struct genotype newpopulation[POPSIZE+1]; /* new population; */ /* replaces the */ /* old generation *//* Declaration of procedures used by this genetic algorithm */void initialize(void);double randval(double, double);void evaluate(void);void keep_the_best(void);void elitist(void);void select(void);void crossover(void);void Xover(int,int);void swap(double *, double *);void mutate(void);void report(void);/***************************************************************//* Initialization function: Initializes the values of genes *//* within the variables bounds. It also initializes (to zero) *//* all fitness values for each member of the population. It *//* reads upper and lower bounds of each variable from the *//* input file `gadata.txt'. It randomly generates values *//* between these bounds for each gene of each genotype in the *//* population. The format of the input file `gadata.txt' is *//* var1_lower_bound var1_upper bound *//* var2_lower_bound var2_upper bound 。 *//***************************************************************/void initialize(void){FILE *infile;int i, j;double lbound, ubound;if ((infile = fopen("gadata.txt","r"))==NULL) { fprintf(galog,"\nCannot open input file!\n"); exit(1); }/* initialize variables within the bounds */for (i = 0; i population[POPSIZE].fitness) { cur_best = mem; population[POPSIZE].fitness = population[mem].fitness; } }/* once the best member in the population is found, copy the genes */for (i = 0; i population[i+1].fitness) { if (population[i].fitness >= best) { best = population[i].fitness; best_mem = i; } if (population[i+1].fitness = best) { best = population[i+1].fitness; best_mem = i + 1; } } }/* if best individual from the new population is better than *//* the best individual from the previous population, then *//* copy the best from the new population; else replace the *//* worst individual from the current population with the *//* best one from the previous generation */if (best >= population[POPSIZE].fitness) { for (i = 0; i = population[j].cfitness && p 1) { if(NVARS == 2) point = 1; else point = (rand() % (NVARS - 1)) + 1; for (i = 0; i 评论0 18 0。 3.如何通过遗传算法进行组合优化计算随着问题规模的增大，组合优化问题的搜索空间也急剧增大，有时在目前的计算上用枚举法很难求出最优解。 对这类复杂的问题，人们已经意识到应把主要精力放在寻求满意解上，而遗传算法是寻求这种满意解的最佳工具之一。实践证明，遗传算法对于组合优化中的NP问题非常有效。 例如遗传算法已经在求解旅行商问题、背包问题、装箱问题、图形划分问题等方面得到成功的应用。此外，GA也在生产调度问题、自动控制、机器人学、图像处理、人工生命、遗传编码和机器学习等方面获得了广泛的运用。 |