第二百二十八章 安昕的震惊(1/2)

彭国琛的语气有些严肃，在电话那头道：“小安，矩阵语言你知道吧。”

安昕道：“知道啊，怎么啦？”

彭国琛道：“登陆一下你的工作邮箱，二号首长从杨林手中拿到了矩阵语言的部分算法资料，刚刚下发到各个单位，你看一下，后天上午十点前写出一份报告递交上来。”

安昕微微一愣，疑惑道：“部长，什么情况，难道这个语言有什么不得了的东西在里面？如果要分析这门语言中科院各大高校应该有的是人吧，怎么会找到我们头上？”

彭国琛沉吟了片刻，说道：“我也不清楚具体情况，不过据说今晚二号首长和杨林在吴镇吃完晚饭，就急匆匆返回京城参加紧急会议。我也是刚接到上头命令，我想不仅我们，估计不少科研单位都会接到这样的命令吧！”

安昕沉吟了片刻，说道：“那行，对了部长，报告写完后交给你吗？”

彭国琛道：“应该是直接转交到中央办公厅，你收到的邮件内应该有写明的，还有，你最好再提前准备一下，说不定到时候还要参加相关会议。”

安昕道：“好的，我知道了，部长，没什么事的话那我就先去看邮箱了。”

彭国琛道：“行，那先这样，再见！”

“再见！”

听着电话那头响起的嘟嘟声，安昕摇摇头，思索了片刻，她重启了自己的笔记本电脑，登录linux操作系统，通过浏览器登录了总参三部的一个内部工作站，里面果然有一封邮件。

邮件是以中央办公厅的名义发送的，内容除了将彭国琛刚才所说的要求重复一遍外，就只有一个20多mb的pdf附件。

安昕将附件下载了下来，打开文件，两眼一眨不眨地盯着屏幕上的内容，仔细读了起来。

这份文件的前面几页是矩阵语言的简介，进入正题之后，就是相关算法的介绍了。

不过很快，安昕的眉头就皱了起来。

作为一名顶尖黑客，安昕在数学上的造诣毋庸置疑，当前存在的一些人工智能算法，像人工神经网络、遗传算法、模拟退火算法、人工免疫算法、差分进化算法、群集智能、蚁群算法、粒子群算等等都有所涉猎。

但杨林在资料上所列举的算法，却要比她以前所见过的那些算法都要笼统地多。

就比如说第一这份资料上所列出的第一种算法，被杨林命名为仿生算法。

目前在人工智能领域也有所谓的仿生算法概念，但实际上这是一类模拟自然生物进化或者群体社会行为的随机搜索方法的统称。

由于这些算法求解时不依赖于梯度信息，故其应用范围较广，特别适用于传统方法难以解决的大规模复杂优化问题，主要有：遗传算法、人工神经网络、蚁群算法、蛙跳算法、粒子群优化算法等。

这些算法均是模仿生物进化、神经网络系统、蚂蚁寻路、鸟群觅食等生物行为，所以才叫仿生算法。

但问题是，杨林在这份资料中所提出的仿生算法比上述所说的任何算法都要来得精简精妙。

就拿仿生算法中的粒子群优化算法pso来说，这种算法模拟的是鸟群的捕食行为。

设想这样一个场景：一群鸟在随机搜索食物，在这个区域里只有一块食物。

所有的鸟都不知道食物在那里，但是它们知道当前的位置离食物还有多远。

那么找到食物的最优策略是什么呢，最简单有效的就是搜寻目前离食物最近的鸟的周围区域。

pso算法就是从这种模型中得到启示并用于解决优化问题。

但是，不同的仿生算法之间，也有很多不同的。

就拿同属于仿生算法的遗传算法和pso算法做比较，pso算法没有遗传算法中的交叉和变异，而是根据自己的速度来决定搜索。

而且它的粒子还有一个重要的特点，就是有记忆。

与遗传算法比较, pso算法的信息共享机制是完全不同的。

在遗传算法中，染色体互相共享信息，所以整个种群的移动是比较均匀的向最优区域移动。

在p(or lbe)给出信息给其他的粒子，这是单向的信息流动，整个搜索更新过程是跟随当前最优解的过程，与遗传算法比较, 在大多数的情况下，所有的粒子可能更快的收敛于最优解。

但这份资料中所列举的仿生算法，却是将仿生算法中一些共性的过程总结了出来。

比如大部分仿生算法，都有这样的过程，首先对种群随机初始化，然后对种群内的每一个个体计算适应值，适应值与最优解的距离直接有关种群根据适应值进行复制，如果终止条件满足的话，就停止，否则转步骤二。

安昕自然看得出来，杨林所编写的这套算法，已经综合了上述所有仿生算法的有点，并且用更加本质的数学语言将仿生算法总结了出来，而原来的那些仿生算法几乎都可以在这个算法的基础上推演出来。

这种算法中仅涉及各种基本的数学操作，其数据处理过程对cpu和内存的要求也不高。

而且，这种方法只需目标函数的输出值，而无需其梯度信息。

这是一种能够有效解决大多数全局优化问题的新方法。更为重要是，这种仿生算法在的并行性和分布式特点为处理大量的以数据库形式存在的数据提供了技术保证。

安昕自然明白，无论是从理论研究还是应用研究的角度分析，杨林所提出的仿生算法理论都是具有非常重