张永韡，汪镭，吴启迪

0 引言

为应对国际金融危机对我国实体经济的影响，根据国务院部署，由国家发展改革委与工业和信息化部会同国务院有关部门，开展了10个重点产业调整和振兴规划的编制工作。2009年1月至2月，中国十大产业振兴规划密集出台，按照规划出台时间顺序，分别为：汽车产业、钢铁产业、纺织工业、装备制造业、船舶工业、电子信息产业、轻工业、石化产业、有色金属产业和物流业。

2009年5月，为了深入贯彻中央经济工作会议和市委九届七次全会精神，落实国家重点产业调整振兴规划和市委“推进科技创新，增强发展能力”重大课题研究成果，积极应对国际金融危机，增强上海产业综合竞争力，确保经济平稳较快发展[1]，上海市人民政府印发《关于加快推进上海高新技术产业化的实施意见》（以下简称《意见》），其中涉及九大领域：新能源、民用航空制造业、先进重大装备、生物医药、电子信息制造业、新能源汽车、海洋工程装备、新材料、软件和信息服务业。同年，成立了上海市高新技术产业化促进中心[2]，面向全社会推进和服务高新技术产业化。

《意见》中的九大领域涉及生产生活的方方面面，而所需的支撑科学与技术广泛而复杂，各个领域的专业知识差别很大。然而，有一门学科却可以在这多个领域、多个学科中起到穿针引线的作用，那就是自然计算（Nature Inspired Computation）。

自然计算是指以自然界（包括生态系统、物理、化学、经济以及社会系统等），特别是生物体的功能、特点和作用机理为基础，研究其中所蕴含的丰富的信息处理机制，抽取出相应的计算模型，设计出相应的算法并应用于各个领域[3]。由于自然计算内涵的丰富性，以及涉及技术的多样性（涵盖多个学科及近百种算法与计算框架），在《意见》的框架中，本文将详细探讨自然计算技术在九大高新技术领域的应用。

本文剩余部分结构如下：第二部分介绍高新技术内涵；第三部分介绍自然计算的知识网络；第四部分详述自然计算在高新技术领域的应用成果；第五部分分析国内外差距并提出改进的建议，最后做出总结。

1 高新技术与自然计算的内涵

1.1 高新技术的含义

高新技术就一般而言，实际上指的是当代新兴学科与高技术水平，特别是尖端技术和先导技术，它反映了科学向技术的迅速转化以及科学与技术的高度融合，是生产力发挥巨大作用的重要因素。高新技术本身具有一些有别于一般科技的独特内容，高新技术的主要特征可概括为“六高”：高智力、高投入、高风险、高效益、高渗透、高竞争。

一般认为，高技术包括六大技术领域，12项标志技术和9个高技术产业。它们之间的关系是：六大高技术领域是信息技术、生物技术、新材料技术、新能源技术、空间技术和海洋技术，它们将在21世纪获得迅速发展，并通过广泛的实用化和商品化，成为日益强大的高技术产业。以基因工程、蛋白质工程为标志的生物技术将成为21世纪技术的核心；以光电子技术、人工智能为标志的信息技术，将成为21世纪技术的前导；以超导材料、人工定向设计的新材料为标志的新材料技术将成为21世纪技术的支柱；以航天飞机、永久太空站为标志的空间技术将成为21世纪技术的外向延伸；以深海采掘、海水利用为标志的海洋技术将成为21世纪技术的内向拓展[4]。

1.2 九大高新技术领域的简介

国际经济合作与发展组织（OECD）近年在进行国际技术经济对比是，定义的高新技术领域为：计算机及通信技术、光电技术、电子技术和微电子集成技术为内容的信息技术；生命科学和生物技术；材料技术；航空航天技术；武器技术；核技术[5]。《意见》中大力推进的九大领域中，新能源、先进重大装备、新能源汽车、海洋工程装备为经合组织没有列入的新领域，同时，经合组织定义的武器技术没有出现在《意见》框架中。上述变化旨在体现上海市区域技术经济的特点与优势，并以下列需求为驱动：1）增强先进制造业发展后劲的需要；2）新一轮产业结构调整的需要；3）建设现代化国际大都市的需要。九大高新技术领域简述如下。

1）新能源。新能源（new energy sources）是指传统能源之外的各种能源形式。它的各种形式大都是直接或者间接地来自于太阳或地球内部深处所产生的热能（潮汐能例外）。包括了太阳能、风能、生物质能、地热能、水能和海洋能以及由可再生能源衍生出来的生物燃料和氢所产生的能量。

2）民用航空制造业。包括大型客机的总装和研发、支线飞机批产、商用飞机发动机研发和航电系统集成。

3）先进重大装备。重大技术装备是指装备制造业中技术难度大、成套性强，对国民经济具有重大意义、对国计民生具有重大影响，需要组织跨部门、跨行业、跨地区才能完成的重大成套技术装备。主要包括核电、火电、特高压输变电、轨道交通装备、自动控制系统等。

4）生物医药。生物医药产业由生物技术产业与医药产业共同组成。a）生物技术产业：其主要内容包括：基因工程、细胞工程、发酵工程、酶工程、生物芯片技术、基因测序技术、组织工程技术、生物信息技术等。b）医药产业：包括制药产业与生物医学工程产业。b-1）制药产业：包括生物制药，化学药和中药。b-2）生物医学工程产业：包括生物医学材料制品、（生物）人工器官、医学影像和诊断设备、医学电子仪器和监护装置、现代医学治疗设备、医学信息技术、康复工程技术和装置、组织工程等。

5）电子信息制造业。主要分为四大行业，1）通用电子仪器仪表制造业：包括工业自动控制系统装置、电工仪器仪表、实验分析仪器、供应用仪表及其他通用仪器制造业；2）通信设备制造业：主要包括通信传输设备、通信交换设备、通信终端设备、移动通信及终端设备制造；3）电子器件和元件制造业：主要包含电子真空器件、半导体分立器件、集成电路、光电子器件及其他电子器件、电子元件及组件制造；4）其他电子信息设备制造业：主要包括电线电缆、光纤、光缆制造。

6）新能源汽车。新能源汽车是指除汽油、柴油发动机之外所有其它能源汽车。包括燃料电池汽车、混合动力汽车、氢能源动力汽车和太阳能汽车等。

7）海洋工程装备。海洋工程装备是一种多功能新概念的海洋装备，以海上作业为目的，包括海洋钻井平台、海上浮式生产储油船舶FPSO、半潜式自动升降平台、海底铺缆船舶等等[6]。

8）新材料。新材料是指那些新出现或已在发展中的、具有传统材料所不具备的优异性能和特殊功能的材料。目前，一般按应用领域和当今的研究热点把新材料分为以下的主要领域：电子信息材料、新能源材料、纳米材料、先进复合材料、先进陶瓷材料、生态环境材料、新型功能材料（含高温超导材料、磁性材料、金刚石薄膜、功能高分子材料等）、生物医用材料、高性能结构材料、智能材料、新型建筑及化工新材料等。

9）软件和信息服务业。软件与信息服务业是现代服务业的重要内容之一，主要包括通信传输服务业、软件与系统集成服务业、信息技术服务业、互联网及增值业务服务业四大类。

1.3 自然计算的简介

从学科发展的角度来看，自然计算的研究是各类自然科学（特别是生命科学）和计算机科学相交又而产生的研究领域，它的发展完全顺应于当前多交叉学科不断产生和发展的潮流。经过几十年的发展，自然计算的研究范畴已经扩大到数十个方面，并且不断有新的算法和计算机制涌现。有关于自然计算研究主要集中在：进化计算、人工神经网络、分子计算、蚁群系统、量子遗传算法、人工免疫系统、人工内分泌系统、复杂自适应系统等等。自然计算的应用领域包括复杂优化问题求解、智能控制、模式识别、网络安全、硬件设计、社会经济、生态环境等方面[3]。

2 自然计算在国内外高新技术领域的应用

2.1 新能源

自然计算在新能源领域的应用，主要集中在能源采集与转化系统设计参数的最优化方面。在我国，比较有代表性的应用有：

林珊[7]使用模糊控制和功率比较法跟踪太阳能发电系统最大功率，结果表明，在晴天少云时，太阳能发电系统可提供高达30%的电能，从而达到了该系统的节能目的，同时为家用太阳发电系统运行的可行性提供了实证。琚亚平等[8]建立了多运行工况下升阻比最高的风力机翼型优化设计方法，运用 Bezier函数建立了翼型的数字化参数表征方法，根据完全析因试验设计方法选取了翼型族的设计空间，利用计算流体力学方法获得了每个翼型样本的气动性能参数，采用人工神经网络和遗传算法相结合的方法求解了优化命题。

在国外，典型应用有：Androulakis, I P[9]提出了离散和连续系统的遗传算法优化结构，将这种方法应用到完整热交换器网络优化上，并且扩展了遗传算法的概念，提出了扩展遗传搜索。Grady, S A等[10]在限制安装的发电机组数量和每个风电场占地面积的情况下，采用遗传算法来获取风力涡轮机最大的产电能力优化配置，并在单向均匀风，可变方向均匀风和非均匀的变向风情况下进行了数值分析。Selig, M S[11]结合具有逆设计方法的遗传算法的优势，提出一种失速调节水平轴风力涡轮机的优化方法，用来确定最佳桨距，刀片弦和扭曲分布，以不断提升涡轮机每年的产电能力。Dufo-López, Rodolfo等[12]针对混合动力系统的设计中，涉及到的可再生能源供应不确定，负载要求和一些部件的非线性特性造成的设计复杂性，使用遗传算法解决最优光伏混合能源系统设计问题。Kalogirou, Soteris A[13]一个典型气象年（TMY）中塞浦路斯的气候条件数据，对人工神经网络进行训练，学习集热器面积和储存罐大小的相关性；并使用遗传算法来估计这两个参数的最佳规模，优化了太阳能能源系统，以最大限度地发挥其经济效益。

2.2 民用航空制造业

自然计算在民用航空领域的应用，主要集中在故障检测、引擎设计与航迹规划等方面，我国的典型应用有：顾伟等[14]为提高飞机操纵面故障诊断的准确性，提出了一种模糊差分进化故障识别方法以进行飞机操纵面故障诊断。尹伟等[15]参考现代飞行器故障检测结构，利用支持向量回归建立了飞控系统传感器的故障预测框架，提出采用差分进化改进原有的交叉验证方式，并且对核参数寻优以减少模型误差和提高SVR模型的泛化能力。最后结合飞行控制系统实时故障仿真证实了这种预测方法的可行性。刘小雄等[16]提出基于智能解析余度的容错飞行控制系统设计方案，使用径向基神经网络的在线学习和全局逼近的性能，建立飞行控制系统传感器之间的解析余度关系，利用不相同传感器之间的解析关系进行残差分析从而进行传感器的故障隔离与信号重构。有效地抑制了测量噪声和模型不确定性。李长征等[17]通过对平移和旋转量进行编码，采用遗传算法实现了航空发动机的性能曲线逼近。徐正军等[18]对航迹编码方式进行了改进，采用数组混合编码方式，并使用遗传算法，在求解航迹规划问题上进行了应用仿真研究，仿真计算表明，能够规划出一条满足要求的航迹，避免了分层规划的复杂性。

国外的典型应用有：CRESSLEY, W A[19]将遗传算法应用于飞行器概念设计。Kobayashi, Takahisa[20]提出了一种基于模型的飞行器引擎性能诊断方法，利用神经网络和遗传算法进行了研究。神经网络应用于估计发动机内部的健康状况，遗传算法用于传感器偏差检测与估计。Alam, S等[21]针对自由飞行空域容量充分利用，同时保持飞机之间以及飞机和危险天气的安全分离问题，探讨了蚁群优化算法产生最佳的自由飞行空域使用轨迹方法。Venter, G等[22]探讨了粒子群算法在多学科综合最优化中的应用，并使用运输机机翼最优化设计问题进行验证。

2.3 先进重大装备

自然计算在先进重大装备领域的应用，主要包括设备设计、设备调度以及区域调度优化等方面，国内典型的应用包括：陈长征等[23]介绍了用遗传算法求解汽轮机故障诊断问题，发展了故障诊断的概率因果模型，认为这种方法是目前诊断汽轮机多故障比较成功的方法。郭惠昕[24]以起重机箱型主梁优化设计数学模型，在给定箱形梁截面尺寸后，求箱型梁单位长度的重量。丁卫东等[25]建立了基于遗传算法的机械零部件可靠性优化设计的数学模型。徐小力[26]利用遗传算法的并行搜索能力，用网络权值调整算法(BP) 对网络结构参数进行动态优化，达到旋转机械的趋势预测目的，解决旋转机械状态预测神经网络结构参数主要靠人工经验和试验确定，网络结构对环境的适应性较差，预测精度较低的问题。张文[27]针对大规模电网全局无功电压优化控制的困难，提出了基于协同进化框架的合作协同进化粒子群优化算法。基于分解-协调的思想，依据电压等级和地理分布进行分布式优化，将复杂的无功优化问题分解为一系列相互作用的子优化问题。郭卫等[28]则针对传统机械优化设计的局限性、提出模糊化建模、模型转化、遗传算法优化求解的新思路。Wen, F S等[29]介绍了用遗传算法对电力系统的故障部位进行判断，即通过断路器和继电器运行信息识别系统中的故障单元；指出遗传算法在一次运行中能发现多级优化解，因此非常适合复杂故障诊断问题。

在国外，早在90年代就有将遗传算法应用于火电机组调度的报告，Dasgupta, D等[30]使用遗传算法解决火电机组调度问题，通过规划机组起停动作，在满足负载和旋转备用要求的情况下，使运行成本降到最低。Yoshida, H等[31]提出了一种考虑电压安全评估的粒子群优化无功和电压控制（VVC）的方法。该方法扩展了原始的粒子群算法，使之处理混合整数非线性规划，并确定一个在线VVC控制策略，以调节连续和离散控制变量，如发电机的自动电压调节器运行值，有载分接开关变压器的位置和无功补偿装置的数量等。Meneses， AAM 等[32]利用随机密钥粒子群算法（PSORK）求解核反应装置重载问题（NRRP），并将所得结果与蚁群算法，遗传算法的效果进行了比较。

2.4 生物医药

自然计算在生物医药领域的应用，主要包括药动力学预测，蛋白质结构分析，医学图像识别等领域。刘朝晖等[33]就人工神经网络药代动力学研究主要领域，如血药浓度预测、药物结构和药代动力学定量关系、体内体外相关关系研究，群体药物动力学数据分析、药代动力学- 药效动力学统一模型研究等方面的应用作了简要综述。李珊等[34]对国外将神经网络应用于环孢素 A浓度预测的方法和基本情况进行了综述，说明了将神经网络应用于个体化给药的的可行性，并指出了其应用前景。

在国内，典型的应用有：王晓明[35]将遗传算法与模拟退火算法相结合，提出了一种新的混合遗传算法，采用HP格子模型，HP格子模型是一种粗粒化的模型，可以将蛋白质中的氨基酸分别放到空间的格子中，那么这个蛋白质的氨基酸链就由二维或三维的正方形格子空间中的自回避行走轨迹表示。采用混合遗传算法对HP格子模型优化，得到能量更小的蛋白质二级结构，有效说明采用混合遗传算法是一个求解蛋白质二级结构问题的一个高效算法。周家莉[36]用遗传算法(GA)优化误差反向传播(BP)网络，建立了有效的药物活性识别模式。

在国外，典型应用如下：Chun Y W. 和Sun C T.[37]利用具有稳态策略的遗传算法从PDB 中提取某种二级结构的模式规则，在充分考虑两端氨基酸对中间氨基酸结构的影响因素，定义了新模式规则。Cootes, T等[38]使用遗传算法从三维医学图像建立二维模型。Rasmussen，T K[39]等将粒子群算法应用于多染色体序列比对，Eberhart[40]等使用粒子群算法监督神经网络的演化，并使用此网络区分肿瘤组织与正常组织，来分析人类的帕金森综合症等颤抖类疾病；最早使用遗传算法在二级结构预测方面取得成功的是 Unger和Moult[41]在1993年所作的工作。

2.5 电子信息制造业

自然计算在电子信息制造业的应用分为3种尺度：元件级、电路级以及工厂级、元件级是使用各种算法计算最优元器件外形、参数等，电路级是按照特定需求优化电子电路的结构、布局、加工序列等，工厂级则是最优化设备调度序列，以降低成本。

目前，我国的典型应用有：阎德劲等[42]基于遗传算法，提出了一种电子元件热布局优化算法，采用热叠加计算模型，完成电子元件热布局优化，使得各大功率电子元件分散开，并分布于板级电路组装模块四周，各小功率电子元件围绕大功率电子元件分布于中心，并按一定规律排列。朱科等[43]利用 PID神经网络前馈校正法功能，设计了智能温度仪表硬件电路来解决热电偶温度计算的精度问题。蔡苗等[44]针对塑封 SOT（小外形晶体管）器件的使用失效案例，从芯片设计角度出发，提出一种优化设计方法，该方法利用误差反向传播神经网络(BPNN)，结合主成分分析(PCA)、遗传算法(GAs)及均匀设计的针对非线性系统的优化设计，设计了该塑封SOT 器件的尺寸参数。林国华等[45]对反馈神经网络卷积码解码器(RNN)在以放大自发发射(ASE) 噪声为主的光纤信道中的性能进行了研究。

国外的主要应用有：Uckun, S[46]将遗传算法应用于生产车间调度问题，用遗传算法对车间工序进行优化以使完成某项工作所用的时间最少，且机器利用率最好。Onwubolu, G C等[47]使用粒子群算法求解自动电子电路器件管脚钻孔最优序列，以提高生产效率，降低生产成本。Thompson, A等[48]将进化计算的原理引入电子电路设计中，并证明了进化计算电路设计可以搜索传统设计方法无法涉及的设计空间，存在比传统设计方法性能更优的可能。Marwah, M等[49]讨论了使用人工神经网络对电子生产过程进行建模的方法，详细分析了网络结构与训练方法，并且开发了相应的建模软件。

2.6 新能源汽车

自然计算在新能源汽车领域的应用，集中在能源系统建模与优化设计，研究多以节省能源消耗为主。我国的应用主要有：燃料电池车的整车控制策略包括能量分配策略、制动回馈策略和换档控制策略。这三者对整车燃料经济性的影响至关重要。然而，决定整车控制策略的参数较多，一般是靠经验选择，而且难以用常规的方法来优化。浦金欢等[50]提出了一种基于浮点数编码遗传算法的混合动力汽车控制策略参数优化新方法。以一辆实际混合动力汽车样车的逻辑门限控制策略为例，分析并建立了控制策略参数优化的有约束非线性规划模型，其目标函数包含最小化油耗和排放。齐占宁等[51]提出用遗传算法对主要控制策略参数进行优化，取得了令人满意的结果。石坤等[52]选五自由度汽车悬挂系统和通风机用的 V带传动的优化问题，以弹性系数和阻尼系数及电动机和通风机转速作为设计参数，以此改进的遗传算法进行全局寻优。侯勇等[53]使用遗传算法对汽车动力总成悬置系统的能量解耦指标进行优化。谷明起[54]在建立车辆动力学模型的基础上，将蚁群PI控制算法应用于半主动悬架车辆上，通过调节阻尼系数来控制车辆的横摆。许翔等[55]选取车用散热器的散热量、体积和压降作为优化目标，采用线性加权法建立了散热器的多目标优化模型，并使用遗传算法对散热器芯体的外形尺寸和翅片参数进行了优化。

国外的典型应用有：Alan, C S[56]提出了用GA 对汽车故障进行识别、诊断和控制的方法，通过实验确定导致事故的最初故障。Moreno, J等[57]使用神经网络为混合电动汽车（HEVs）开发和测试了一个非常有效的能源管理系统。该系统最大限度地减少车辆的能源需求，而且可以在不同的主要电源下工作，如燃料电池，微型燃气轮机，锌空气电池或其他能源供应，如再生制动回收能源的能力差的动力源，或缺乏快速加速电容量的动力源。质子交换膜是最有前途的燃料电池技术之一，Jemeï, S等[58]建立了质子交换膜燃料电池（PEMFC）系统的神经网络模型。使用SIMULINK实现，并集成到一个完整的汽车动力总成。在此基础上，可对驱动燃料电池车的控制律进行开发和仿真。

2.7 海洋工程装备

自然计算在海洋工程装备领域的应用，包括各类设计（船体，引擎）最优化、控制器参数优化以及故障检测等。

国内的研究典型的有：刘传云等[59]以对常规潜艇重要的航速、续航力及下潜深度作为多目标函数，使用遗传算法进行优化。张群站[60]使用改进的蚁群算法针对集装箱船在的结构特点，以集装箱船结构重量最小为优化目标，确定影响重量的设计变量，将集装箱船沿船长方向分割成多个单元，从而求出应力分布以进行安全校核。覃峰等[61]将遗传算法引入船舶推进系统船、机、桨匹配优化设计，建立了合适的优化模型，构造了合理的适应函数。实船优化表明，算法的收敛速度很快且计算精度较高。谢春玲等[62]介绍一种将概率因果模型和遗传算法相结合的核动力装置二回路凝给水系统的故障诊断方法，该方法将概率因果模型的似然函数作为遗传算法的适应函数，从而将复杂系统的故障诊断转化为最优问题。

国外典型应用有：Lee, Tzung-Hang等[63]介绍了一种为深水钻井船进行动态定位的模糊逻辑控制器。Serapião,Adriane等[64]使用粒子群和蚁群算法混合的策略进行石油钻井业务分类。McGookin, Euan W等[65]将遗传算法置于各种条件下，对油轮的滑模控制器完整系统参数进行了优化。Okada, T等[66]使用遗传算法对船体关键设计变量的组合进行有优化，主要包括主船体尺寸，总体布置，钢材的种类，以及框架和加强筋间距的构件尺寸等。

2.8 新材料

自然计算在材料科学中的研究与应用相当广泛，国际上已有很多关于此领域的综述研究，不再赘述。Chakraborti,N[67]对遗传算法在材料设计与处理领域的研究与应用进行了详尽的总结，主要包括：原子材料、合金设计、聚合物加工、粉末压实和烧结、有色金属生产冶金、连铸、轧制金属、金属切割、焊接等许多问题。Weile, D S等[68]对遗传算法在电磁材料领域的研究与应用进行了详细的总结。Bhadeshia,H K D H[69]对神经网络在材料科学中的应用也进行了深度的评述。

国内典型的应用有：汪忠柱等[70]针对多层雷达吸波材料（RAM）需要满足吸收频带宽和厚度薄的优化目标，用加速遗传算法（AGA），建立了对电磁波的吸收达到特定的反射损耗值要求下多薄层吸波材料的优化设计方法。根据材料参数数据库，给出了在任意给定的频率范围内以及任意入射角下如何，确定各层材料的种类和厚度的优化方法。成功地给出了在0.8～2 GHz 频段以及2～8 GHz 频段5 层微波吸收涂层的优化设计结果，并对优化结果进行了评价。宋迎东等[71]利用高精度通用单胞模型将复合材料的细观拓扑结构与宏观力学性能结合起来，采用遗传算法对复合材料的细观结构进行优化，发展了基于遗传算法的复合材料细观结构拓扑优化设计方法。以材料的宏观力学性能为优化目标，从随机的初始细观结构出发，对复合材料纤维体积百分比进行约束，经过迭代获得满足设计要求的代表性体积单元。穆朋刚等[72]采用含有变异操作的蚁群算法对已知铺层总数复合材料层合板的参数进行优化设计，最终确定各角度的铺层数及铺层顺序。

2.9 软件和信息服务业

在网络入侵检测方面，使用人工免疫算法几乎成了一种共识。Aickelin, U等[73]则对免疫算法在入侵检测中的应用做了较为详细的介绍。

在我国，典型的应用包括：WANG, Jin-shui等[74]介绍了一种基于免疫系统和模糊逻辑的自适应网格入侵检测模型。通过改进候选项目集的产生方式，该模型分别建立了自然行为模式与入侵行为模式的模糊规则集。比较这两种规则集的不同，进而检测到网络入侵。刘琴等[75]提出了一种基于智能体和“多维拍卖”机制的电子商务谈判协商模型，并利用改进的遗传算法实现了交易方案的自动生成。方法可以对offer不断优化，高效、快速地生成使参与自动协商的Agent双赢的交易方案。韩冰青等[76]使用粒子群算法求解软件可靠性分配问题。邵雄凯等[77]提出了基于遗传算法的主题信息搜索策略，利用通用搜索引擎获取网页 URL，再根据网页间的链接关系得到初始种子集合，通过遗传算子筛选搜索结果。

国外的应用主要有：Handl, J等[78]通过改进蚁群算法，并引入预处理机制，对网络可视文献进行排序和聚类，算法的改进提高了执行的效率并降低了时间复杂性。Jennings, A等[79]针对目前网络海量信息的现状，提出了使用神经网络模型更好的获取新闻服务的方法。该网络可以通过用户的兴趣以及新闻提供者的评级自适应的调整自身结构。Canfora,Gerardo等[80]以总成本和响应时间作为网络服务的评价准则，以此建立优化问题，并使用遗传算法对此问题进行了求解。

2.10 小结

自然计算在以上九大领域中的应用极其众多，由于篇幅所限，即使一个具体领域中列举一种应用也是不可能完成的任务。为此，本文仅在主要应用中选取若干加以介绍，以期使读者形成较为全面的认识，对自然计算的应用有总体的了解。

3 国内外差距与分析

通过文章第三部分的论述，不论国内或是国际上，也不论医药还是航空领域，总能发现自然计算技术的身影。目前国际上对自然计算框架下的各类算法的应用均有研究，且部分算法的应用，如遗传算法，模糊逻辑，神经网络等，已经达到了成熟的阶段，各类高层次的，复杂的应用层出不穷；而较为新兴的算法，如差分进化，粒子群算法等，各类应用的探索也较为全面的展开。

国内在上述九大领域的研究均有成果，且很多研究领域成果相当丰富，但是与应用研究较为成熟国家相比，仍有许多不足。1）国内的应用研究很多仅仅停留在实验阶段甚至理论阶段，没有经过实物的验证，使结论缺乏可靠的根据，也同时阻碍了自然计算技术在实际应用中的推广。2）国内的应用研究由于缺乏相应的设备与研究平台作为依托，对某一具体领域的研究往往流于表面，没有进行深入的研究，很多有希望的方向也在几篇报告发表后失去音讯。没有对特定领域特定问题深入的理解，也就不可能抓住其精髓使用合适的自然计算技术解决问题，这正是国内一些应用研究的诟病。

自然计算应用的研究，应该立足于具体问题，深入研究，并放眼于方法论研究，寻找具体问题间共同的特点，以进行算法的移植。注重发展理论的同时，也注重算法的实际应用，以理论指导实践，也以实际推动理论。

4 总结与展望

自然计算，甚至在其名称出现之前，就开始在生产生活的各个领域发挥其作用。直到今天，在经历了几十年的发展后，自然计算已经发展为横跨各类自然科学（特别是生命科学）和计算机科学的一门综合学科，其应用渗透到了各个学科。不论是出现较早，研究较为透彻，应用较为成熟的遗传算法，神经网络等技术，还是正迎来第二个10年的，应用正逐步展开的蚁群算法，粒子群算法和差分进化算法，亦或是出现不久，正逐渐为人所接受，并探索其适领域的蜂群算法，蛙跳算法，都散发出无限的活力，帮助科学家和工程师们进行更为高效，更为节约，更为简单的研究，设计与制造工作。

在应用领域，尤其是高技术领域，总是伴随着通常的数学方法不容易解决甚至无法解决的问题；随着科学的发展，高新技术领域使用的计算手段只会越来越智能和高效，而自然计算自身的特性使之成为完美的选择。可以预见，未来的高新技术领域中，自然计算技术的分工将出现显著的分工与融合趋势。其中，分工体现在特定问题使用特定算法解决，融合体现在同一问题使用新的，多种算法取长补短的策略解决。未来的技术需要智能，而智能的技术离不开自然计算。

[1] 市政府印发《关于加快推进上海高新技术产业化的实施意见》[EB/OL] . (2009-05-16)http://www.shanghai.gov.cn/shanghai/node2314/node2319/node12344/userobject26ai1 8563.html.

[2] 上海市高新技术产业化信息网[EB/OL] . (2010-06-11)http://www.shnhti.gov.cn/index.htm.

[3] 汪镭,张永 ,郭为安,等.自然计算发展趋势研究[J] .微型电脑应用(//), 2010.

[4] 科技常识:高新技术的含义、特征及标志性技术[EB/OL] .(2008-07-31)http://edu.newdu.com/Official/Class943/Class956/200807/18090.html.

[5] 舒惠国.高新技术解读[G] .南昌:江西人民出版社, 2001.

[6] 张树军.海洋工程装备—船舶工业未来发展之路[J] . 中国水运, 2009, (9): 8-9.

[7] 林珊.太阳能发电系统研究[D] .广东工业大学控制理论与控制工程, 1999.

[8] 琚亚平,张楚华.基于人工神经网络与遗传算法的风力机翼型优化设计方法[J] .中国电机工程学报, 2009, 29(20): 106-111.

[9] Androulakis I. P. A genetic algorithmic framework for process design and optimization[J] . Computers Chem. Eng,1991, 15 (4): 217-228.

[10] Grady S A,Hussainia M Y,Abdullah M M. Placement of wind turbines using genetic algorithms[J] . Renewable Energy, 2005, 30 (2): 29-270.

[11] Selig M S. Application of a Genetic Algorithm to Wind Turbine Design[J] .J.Energy Resour. Technol,1996,118 (1).

[12] Dufo-López Rodolfo, Bernal-Agustín José L. Design and control strategies of PV-Diesel systems using genetic algorithms[J] . Solar Energy, 2005, 79 (1): 33-46.

[13] Kalogirou Soteris A. Optimization of solar systems using artificial neural-networks and genetic algorithms[J] .Applied Energy, 2004, 77 (4): 385-405.

[14] 顾伟,李丽莉,黄志毅,等.飞机操纵面故障的模糊差分进化识别方法[J] .计算机应用研究, 2010, (5).

[15] 尹伟,章卫国,宁东方,等.基于差分进化交叉验证SVM的飞控系统传感器故障预测学习算法研究[J] . 传感技术学报, 2008, (11).

[16] 刘小雄,章卫国,李广文.基于智能解析余度的容错飞控系统设计[J] .传感技术学报, 2007, (8).

[17] 李长征,雷勇.基于遗传算法的航空发动机性能曲线逼近[J] .测控技术, 2009, 28 (1): 92-94.

[18] 徐正军,唐硕.基于改进遗传算法的飞行航迹规划[J] .宇航学报, 2008, 29 (5): 1540-1545.

[19] CRESSLEY W. A. Optimization for aerospace conceptual design through the use of genetic algorithms[C] :Proceedings of the First NASA/ DOD Workshop on Evolvable Hardware, CA ,USA, 1999. Pasadena: 200-207.

[20] Kobayashi Takahisa, Simon Donald L. A Hybrid Neural Network-Genetic Algorithm Technique for Aircraft Engine Performance Diagnostics,NASA/TM—2001-211088[R] .American Institute of Aeronautics and Astronautics, 2001.

[21] Alam S, Abbass H A, Barlow M, et al. Mapping Lessons From Ants to Free Flight: An Ant-Based Weather Avoidance Algorithm in Free Flight Airspace: Proceedings of SPIE (Complex Systems), number,TR-ALAR-200511016[R] . Northcott Drive, Australia: The Artificial Life and Adaptive Robotics Laboratory, 2005.

[22] Venter G, Sobieszczanski-Sobieski J. Multidisciplinary optimization of a transport aircraft wing using particle swarm optimization[J] . Structural and Multidisciplinary Optimization, 2004, 26 (1): 121-131.

[23] 陈长征,刘强.概率因果网络在汽轮机故障诊断中的应用[J] .中国电机工程学报, 2001, 21 (2): 78-81.

[24] 郭惠昕,车晓毅,肖伟跃.混沌遗传优化算法及其在机械优化设计中的应用[J] . 机械设计, 2003, 20 (10): 23-25.

[25] 丁卫东,尉宇.基于遗传算法的机械零部件可靠性优化设计[J] . 机械设计, 2003, 20 (3): 48-49, 60.

[26] 徐小力.旋转机械的遗传算法优化神经网络预测模型[J] .机械工程学报, 2003, 39 (2): 140-144.

[27] 张文.基于粒子群体优化算法的电力系统无功优化研究[D] . 山东大学电力系统及其自动化, 2006.

[28] 郭卫,赵栓峰,杨桂红.基于遗传算法的叠簧弹性联轴器的模糊优化设计[J] . 机械传动, 2004, 28 (4): 13-16.

[29] Wen F S,Han Z X. Fault section estimation in power systems using a genetic algorithm[J] . Electric Power Research, 1995, (34): 165-172.

[30] Dasgupta D,McGregor D R. Thermal unit commitment using genetic algorithms[J] . Generation, Transmission and Distribution, IEE Proceedings-, 1994, 141 (5): 459-465.

[31] Yoshida H, Kawata K, Fukuyama Y, et al. A Particle Swarm Optimization for Reactive Power and Voltage Control Considering Voltage Security Assessment: Power Engineering Society Winter Meeting, 2001. IEEE,2001[C] . 492-498.

[32] Meneses AAM, Machado MD, Schirru R. Particle Swarm Optimization applied to the nuclear reload problem of a Pressurized Water Reactor[J] . Progress in Nuclear Energy,2009, 51 (2): 319-326.

[33] 刘朝晖,李明亚, 黄榕波. 药代动力学建模的人工神经网络新方法[J] .中国临床药理学杂志,2008,24(4):334-338.

[34] 李珊,陈遥,张炯.人工神经网络在环孢素血药浓度预测中的研究[J] .科技信息, 2007, (29): 42-44.

[35] 王晓明.基于混合遗传算法的蛋白质结构预测研究[J] .计算机应用, 2007, 27 (12): 175-176.

[36] 周家莉.GA-BP神经网络在拮抗药化合物活性模式识别中的应用[J] .中国现代药物应用, 2008, 2 (11): 11-13.

[37] Chun Y W,Sun C T. Regularity of Secondary Protein Structures: A Genetic Algorithm approach[C] : Proceedings of the 5th World Congress on Intelligent Control and Automation, 2004.

[38] Cootes T, Hill A, Taylor C, et al. The Use of Active Shape Models for Locating Structures in Medical Images:Information Processing in Medical Imaging, 1993[C] .Springer, 33-47.

[39] Rasmussen T K,Krink T. Improved Hidden Markov Model training for multiple sequence alignment by a particle swarm optimization--evolutionary algorithm hybrid[J] .Biosystems, 2003, 72 (1-2): 5-17.

[40] Eberhart C，Hu R X. Human tremor analysis using particle swarm optimization[C] : Proceedings of the IEEE Conference on Evolutionary Computation, 1999.Piscataway , NJ : IEEE Service Center, : 1927-1930.

[41] Unger Ron, Moult John. Genetic Algorithms for Protein Folding Simulations[J] . J. Mol. Biol, 1993, (231): 75-81.

[42] 阎德劲,周德俭,黄春跃,等.基于遗传算法的表面组装电子元件热布局优化[J] . 电子机械工程, 2007, 23 (2):12-17.

[43] 朱科,刘红丽,甄玉云.基于 PID 神经网络的智能温度仪表研究[J] . 湖北工业大学学报, 2008, 23 (3): 71-73.

[44] 蔡苗,杨道国.基于BP 神经网络的模塑封电子器件优化设计[J] . 电子元件与材料, 2009, 28 (8): 71-74.

[45] 林国华,殷奎喜.反馈神经网络卷积码解码器在光纤通信中的研究[J] . 现代电子技术, 2007, (7): 97-99.

[46] Uckun S.Managing Genetic Search in Job Shop Scheduling[J] . IEEE Expert, 1993, (10): 15-24.

[47] Onwubolu G C,Clerc M. Optimal path for automated drilling operations by a new heuristic approach using particle swarm optimization[J] . International Journal of Production Research, 2004, 42 (3): 473-491.

[48] Thompson A,Layzell P,Zebulum R S. Explorations in design space: unconventional electronics design through artificial evolution[J] . Evolutionary Computation, IEEE Transactions on, 1999, 3 (3): 167-196.

[49] Marwah M,Li Y,Mahajan RL. Integrated Neural Network Modeling For Electronic Manufacturing[J] . Journal of Electronics Manufacturing, 1996, 6 (2): 79-91.

[50] 浦金欢,殷承良,张建武.遗传算法在混合动力汽车控制策略优化中的应用[J] . 中国机械工程, 2005, 16 (7):648-652.

[51] 齐占宁,陈全世,赵六奇.基于遗传算法的燃料电池车控制策略优化[J] . 公路交通科技, 2004, 21 (4): 93-96.

[52] 石坤,魏锋涛,任雷雷. 基于改进遗传算法的带传动优化设计[J] . 机械, 2006, 33 (2): 18-20.

[53] 侯勇,赵涛.基于遗传算法的汽车悬置系统优化软件开发[J] .北京工业职业技术学院学报, 2009,8 (3): 32-35, 39.

[54] 谷明起.轻型车半主动悬架蚁群PI姿态控制算法的研究[D] .吉林大学, 2007.

[55] 许翔,毕小平.基于遗传算法的车用散热器优化设计[J] .装甲兵工程学院学报, 2008, 22 (5): 28-31.

[56] Alan C S. Test And Evaluation by genetic Algorithms[J] .IEEE Expert, 1993, (10): 10-13.

[57] Moreno J,Ortuzar M E, Dixon J W. Energy-management system for a hybrid electric vehicle, using ultracapacitors and neural networks[J] . Industrial Electronics, IEEE Transactions on, 2006, 53 (2): 614-623.

[58] Jemeï S, Hissel D, Péra M C, et al. On-Board Fuel Cell Power Supply Modeling On the Basis of Neural Network Methodology[J] . Journal of Power Sources,2003,124 (2):479-486.

[59] 刘传云,马运义,刘明静,等.多种群变异遗传算法在舰船概念方案设计中的应用[J] .船海工程,2009, 38 (5): 13-15.[60] 张群站.基于蚁群算法的集装箱船结构优化设计[D] .天津大学建工学院, 2007.

[61] 覃峰,詹志刚,杨波,等.基于遗传算法的船舶推进系统船、机、桨匹配优化设计[J] . 武汉理工大学学报(交通科学与工程版), 2003, 27 (1): 50-52.

[62] 谢春玲,戴景民,施小成.基于遗传算法的船用核动力装置故障诊断[J] .中国造船, 2006, 48 (2): 111-115.

[63] Lee Tzung-Hang, Cao Yusong, Lin Yen-Mi. Dynamic positioning of drilling vessels with a fuzzy logic controller[J] . International Journal of Systems Science,2002, 33 (12): 979-993.

[64] Serapião Adriane, Mendes José.Classification of Petroleum Well Drilling Operations with a Hybrid Particle Swarm/Ant Colony Algorithm[J] . Next-Generation Applied Intelligence, 2009:301-310.

[65] Mcgookin E W, Murray-Smith D J, Li Y, et al. Ship Steering Control System Optimisation Using Genetic Algorithms[J] . Control Engineering Practice, 2000, 8 (4):429-443.

[66] Okada T,Neki I.Utilization of Genetic Algorithm for Optimizing the Design of Ship Hull Structures[J] . Naval architecture and ocean engineering, 1993, (31): 71-83.

[67] Chakraborti N. Genetic algorithms in materials design and processing[J] . International Materials Reviews, 2004, 49(3-4): 246-260.

[68] Weile D S,Michielssen E. Genetic algorithm optimization applied to electromagnetics: a review[J] . Antennas and Propagation, IEEE Transactions on, 1997, 45 (3): 343-353.

[69] Bhadeshia H K D H. Neural Networks in Materials Science[J] . ISIJ International,1999, 39 (10): 966-979.

[70] 汪忠柱,吴先良,威沙.基于加速遗传算法的多层微波吸收材料的优化设计[J] .磁性材料及器件, 2009, 40 (1):28-31, 34.

[71] 宋迎东,孙杰,孙志刚,等.基于遗传算法的复合材料细观结构拓扑优化设计[J] .固体力学学报, 2009, 30 (4):416-423.

[72] 穆朋刚,赵美英,刘关心,等.蚁群算法在复合材料层合板优化设计中的应用[J] . 机械强度, 2009, 31 (3): 410-413.

[73] Aickelin U,Greensmith J,Twycross J. Immune system approaches to intrusion detection–a review[J] . Artificial Immune Systems, 2004,: 316-329.

[74] Wang J,Zhang D,Shi X,et al. Adaptive Web Intrusion Detection Based On Immune and Fuzzy Logic[J] . Mind and Computation, 2002, 3 (1): 21.

[75] 刘琴,黄挚雄,李志勇.遗传算法在电子商务协商优化问题中的应用[J] . 现代计算机, 2006, (245): 39-42.

[76] 韩冰青,汪加才.基于粒子群优化算法求解软件可靠性分配问题[J] .计算机应用与软件, 2005, 22 (7): 27-28, 58.

[77] 邵雄凯,梁云静,刘建舟.基于遗传算法的主题信息搜索研究[J] . 网络安全技术与应用, 2009, (11): 57-60.

[78] Handl J, Meyer B. Improved ant-based clustering and sorting in a document retrieval interface[M] //Parallel Problem Solving from Nature— PPSN VII. 2002:913-923.

[79] Jennings A,Higuchi H. A personal news service based on a user model neural network[R] . Iwaoka, Kobe, Japan:Kansai Advanced Research Centre, Communications Research Laboratory.

[80] Canfora Gerardo,Di Penta Massimiliano,Esposito Raffaele,et.al. An approach for QoS-aware service composition based on genetic algorithms[C] :Proceedings of the 2005 conference on Genetic and evolutionary computation,Washington DC, USA, 2005. ACM New York, NY, USA:1069-1075.