基于自主發(fā)育思想的程序設(shè)計(jì)算法識(shí)別研究.pdf

1、算法識(shí)別，也被認(rèn)為是程序理解，是一項(xiàng)重要但困難的工作。在過去的幾十年中，不斷有人提出各種方法來進(jìn)行算法識(shí)別的工作，絕大多數(shù)的方法都是模板化的?；谀０宓淖R(shí)別工作其實(shí)就是一個(gè)匹配人為定義的各種模板的過程。為了某一種特定的算法，需要事先在模板庫(kù)中設(shè)定好這個(gè)算法的識(shí)別模板。這種方法在識(shí)別算法的工作中，獲得了不錯(cuò)的效果，有較高的識(shí)別準(zhǔn)確率。但同時(shí)，基于模板化的識(shí)別方法也給此項(xiàng)工作帶來了局限性:當(dāng)一個(gè)算法有多種實(shí)現(xiàn)版本的情況下，人們一般需要在模板

2、庫(kù)中定義這個(gè)算法的多個(gè)實(shí)現(xiàn)模板，以達(dá)到識(shí)別的效果。但往往，針對(duì)有些算法，我們很難事先去確定它們的實(shí)現(xiàn)版本的數(shù)量，這樣我們也無法事先在模板庫(kù)中完全定義好它們的模板。當(dāng)有一個(gè)未定義算法模板的程序需要進(jìn)行算法識(shí)別時(shí)，往往給不了任何的答案。本文結(jié)合了國(guó)家自然科學(xué)基金項(xiàng)目:“網(wǎng)絡(luò)知識(shí)互聯(lián)結(jié)構(gòu)自主發(fā)育模型研究”，針對(duì)上述問題，我們認(rèn)為程序設(shè)計(jì)中的算法也是一種特定的知識(shí)，如何使這些特定的知識(shí)不通過人為事先定義的方法就能識(shí)別，擺脫人為過多干預(yù)是我們的一

3、個(gè)研究目標(biāo)。
　　 類似于算法識(shí)別這樣的人工智能任務(wù)，與其他人工智能任務(wù)有相似點(diǎn)，即受過專業(yè)訓(xùn)練的人能夠輕松完成，而機(jī)器卻需要在這些專業(yè)人士的干預(yù)下勉強(qiáng)完成這些工作。這種任務(wù)被稱作為“泥濘的”任務(wù)。近十年來，通過模仿人類智能發(fā)育思想的自主式機(jī)器發(fā)育思想在機(jī)器人和人工智能領(lǐng)域取得到了一定的成功，得到了越來越多的關(guān)注，同時(shí)也給我們的算法識(shí)別工作帶來了新的思路。我們希望傳統(tǒng)意義上那些模板并不是由人為事先設(shè)定的，而是通過我們的發(fā)育程序，

4、根據(jù)接收到的輸入信息以及與周圍環(huán)境的交互中不斷的發(fā)育出來的。這樣就可以避免我們提到的模板定義不完全這個(gè)問題。
　　 本文將按如下步驟展開:
　　 首先，我們將度量各個(gè)程序代碼之間的差異性。程序代碼，通常被認(rèn)為是非向量化的變量。我們把程序代碼樹轉(zhuǎn)化為語(yǔ)法解析樹，計(jì)算之間的樹編輯距離，將得到其相異度矩陣。
　　 其次，有了這個(gè)相異度矩陣，我們就可以通過自組織圖的對(duì)離散、非向量化的數(shù)據(jù)變量進(jìn)行聚類算法把在輸入空間中有代

5、表性的程序代碼聚類在一張自組織圖上，通過這張自組織圖中的神經(jīng)元結(jié)點(diǎn)，即程序代碼，和輸入的程序代碼之間的距離來映射出輸入程序代碼的向量，我們稱它們?yōu)橄蛄炕某绦虼a模板。
　　 最后，自主心智發(fā)育思想框架下的神經(jīng)網(wǎng)絡(luò):葉分量分析法將被用做來對(duì)這些的數(shù)字化程序代碼向量進(jìn)行發(fā)育，而兩層的葉分量分析法所組成多層在位學(xué)習(xí)網(wǎng)絡(luò)將能達(dá)到識(shí)別的作用。這樣的網(wǎng)絡(luò)達(dá)到能夠識(shí)別一個(gè)算法的多種實(shí)現(xiàn)的要求。
　　 基于以上理論與方法，討論本課題組