软计算

软计算（Soft computing）是通过对不确定、不精确及不完全真值的容错以取得低代价的解决方案和强健性的处理方式，和传统计算（硬计算）不同。硬计算的主要特征是严格、确定和精确。但是硬计算并不适合处理现实生活中的许多问题，例如驾驶汽车。它模拟自然界中智能系统的生化过程（人的感知、脑结构、进化和免疫等）来有效处理日常工作。软计算包括几种计算模式：模糊逻辑、人工神经网络、遗传算法和混沌理论。神经网络通常用于预测。多层感知神经网络的基本结构由输入层、中间隐藏层和输出层组成，输入因子 (ai) 和权重 (wij) 的乘积被馈送到与神经元偏差 (bj) 相加的结点。模糊逻辑已被用于解决多准则决策、模式识别和疾病诊断等问题。混沌及其应用包括化学、生态学和经济学。在管理运筹学领域研究包括很多混沌系统，如排队系统、库存系统、计划调度系统等。这些系统的主要特点是在不同的管理决策规则下队列、库存和计划调度的混乱。 混沌管理依赖于变化规则，变化规则是基于有序或无序变化、适应性、新的有序出现过程的一套规则这些算法可以容忍不精确、不确定、部分真实和近似。软计算与硬计算形成对比：算法可以找到问题的可证明正确和最佳解决方案。这些模式是互补及相互配合的，因此在许多应用系统中组合使用。

历史

• 1943年，McClulloch和Pitts发表神经元的数学模型。
• 1965年，L. Zadeh提出模糊逻辑理论。
• 1975年，J. Holland提出遗传算法。
• 1975年，J. Yorke和T.Y. Li给出"混沌"的严格定义。
• 1991年，L. Zadeh指出人工神经网络、模糊逻辑及遗传算法与传统计算模式的区别，将它们命名为软计算。
• 近年文献中将混沌理论、遗传算法和模拟退火算法等概率推理（Probabilistic Reasoning）归入软计算。

与传统人工智能的区别

传统人工智能进行符号操作，这基于一种假设：人的智能存储在符号化的知识库中。但是符号化知识的获得和表达限制了人工智能的应用（即符号主义的缺点）。一般的，软计算不进行太多的符号操作。因此，从某种意义上说，软计算是传统人工智能的补充。

软计算的应用

• 控制系统
• 模式识别
• 优化
• 自动决策
• 预测
• 分类