内容

• 比较表
• 软计算的定义
• 现在，让我们通过示例讨论一些软计算的方法。
• 硬计算的定义
• 结论

软计算和硬计算是计算方法，其中硬计算是传统方法依赖于准确性，确定性和灵活性的原理。相反，软计算是一种基于近似，不确定性和灵活性的现代方法。

在了解软计算和硬计算之前，我们应该了解什么是计算？就计算机技术而言，计算是借助于计算机或计算设备来完成特定任务的过程。计算具有多个特征，例如它应该提供精确的解决方案，准确而清晰的控制动作，有助于解决可以用数学方法解决的问题。

传统的硬计算方法虽然可以用于解决现实世界中的问题，但它适合于数学问题，但是主要的缺点是它消耗大量的计算时间和成本。这就是为什么软计算是解决现实世界问题的更好选择的原因。

1. 1. 比较表
   2. 定义
   3. 关键差异
   4. 结论

比较表

比较依据	软计算	硬计算
基本的	容忍不精确，不确定，部分真实和近似。	使用精确说明的分析模型。
基于	模糊逻辑和概率推理	二进制逻辑和清晰系统
特征	近似和倾向	精度和分类
性质	随机	确定性
工作于	数据含糊不清	确切的输入数据
计算方式	可以执行并行计算	顺序的
结果	近似	产生精确的结果。

软计算的定义

软计算 是为解决涉及不确定，不精确和近似问题的非线性问题而开发的计算模型。这些类型的问题被认为是现实生活中的问题，需要像人一样的智力来解决它。软计算这个术语是由Lotfi Zadeh博士创造的，他认为，软计算是一种模仿人类思维进行推理并在不确定和印象深刻的环境中学习的方法。

它是由适应性和知识两个要素创建的，并具有诸如模糊逻辑，神经网络，遗传算法等一组工具。软计算模型不同于先前称为硬计算模型的模型，因为它不适用于解决问题的数学模型。

现在，让我们通过示例讨论一些软计算的方法。

1. 模糊逻辑 处理无法转化为硬数学公式的决策和控制系统问题。基本上，这是人类以逻辑方式将输入逻辑映射为输出的逻辑方式。模糊逻辑用于汽车子系统，空调，照相机等。

2. 人工神经网络 执行分类，数据挖掘和预测过程，并通过将嘈杂的输入数据分类到组中或映射到预期的输出，轻松管理嘈杂的输入数据。例如，它用于图像和字符识别，业务预测，其中从数据集中学习模式，并创建一个模型来识别这些模式。

3. 遗传算法 运用进化技术来解决优化问题并设计相关问题，在这些问题中可以识别出最佳解决方案，但无法提供预定义的正确答案。使用启发式搜索技术的遗传算法在现实生活中的应用是机器人技术，汽车设计，优化的电信路由，仿生发明等等。

硬计算的定义

硬计算 是计算中使用的传统方法，需要准确说明的分析模型。 Lotfi Zadeh博士在软计算之前也提出了这一建议。硬计算方法可产生有保证的，确定的，准确的结果，并使用数学模型或算法定义确定的控制动作。它处理二进制和清晰逻辑，这些逻辑顺序需要精确的输入数据。但是，硬计算无法解决行为极其不精确且信息不断变化的现实问题。

让我们举个例子，如果我们需要确定今天是否会下雨？答案可能是是或否，这意味着我们可以通过两种可能的确定性方式回答问题，换句话说，答案中包含明确的或二进制的解决方案。

1. 软计算模型是不精确的，部分真实的，近似的。另一方面，硬计算不适用于上述原理。这是非常准确和确定的。
2. 软计算采用模糊逻辑和概率推理，而硬计算则基于二进制或清晰系统。
3. 硬计算具有诸如准确性和分类性的特征。与之相反，近似和倾向性是软计算的特征。
4. 软计算方法本质上是概率性的，而硬计算是确定性的。
5. 软计算可以轻松地处理嘈杂的数据。相反，硬计算只能对精确的输入数据起作用。
6. 可以在软计算中执行并行计算。相反，在硬计算中，对数据执行顺序计算。
7. 软计算可以产生近似结果，而硬计算可以产生精确结果。

结论

当涉及解决确定性问题时，传统的计算方法硬计算是有效的，但是随着问题的规模和复杂性的增加，设计搜索空间也随之增加。这使得难以通过硬计算来解决不确定和不精确的问题。因此，软计算已经成为硬计算的解决方案，它还提供了很多优势，例如快速计算，低成本，消除预定义的软件等。