一、智能计算

从计算机的角度看，算法本质上是根据问题需求，在数据的逻辑结构和存储结构基础上定义的一种运算规则。算法需要数据结构来存储和处理数据，数据结构提供了算法所需数据的操作接口。算法是解决问题的方法，数据结构是数据的组织形式，二者互相依存、彼此支持。简单讲，数据结构+算法=程序，程序+数据+文档=软件。

算法是解决问题的方法和步骤，可以是一个公式、也可以是一个流程。算法的描述方法有自然语言、流程图、N-S图、伪代码或者程序设计语言等多种。一个算法的功能既包括操作、也包括操作之间的顺序。算法包括顺序结构、选择结构、循环结构等三种基本的控制结构。

智能计算（intelligent computation）是将要解决的问题采用数学模型进行描述，使之变得可操作、可编程、可计算以及可视化。有些问题可以直接转换为数值问题，用数学方程表达；很多问题无法直接用数学方程直接表示。这些非数值计算问题必须从数据本身入手，分析其结构和属性，以得到解决问题的方法。非数值数据包括图形、图像、声音、文本等。数据的逻辑结构包括线性表（list）、栈（stack）、队列（queue）、串（string）、数组（array）、广义表（table）等线性结构和树、图、集合等非线性结构，存储结构包括顺序（sequential）存储结构、链式（linked）存储结构、索引（index）存储结构、散列（hashed）存储结构。

行为主义人工智能来源于自下而上的与环境的互动，不同的行为表现出不同的功能和不同的控制结构。通过“感知-行动”模型对环境进行适应。与符号主义人工智能以离散符号推理为特征进行知识表示、推理与利用不同，智能计算则是以数学模型为基础的数据、算法与实现系统。前者强调规则的形成和表示，后者强调模型的建立与利用。与传统计算需要对问题建立精确的数学模型不同，智能计算为那些难以建立形式化模型、用传统数值计算方法解决的问题提供了一个新手段。

 材料科学与工程是有时空层次结构的，智能计算材料的数据结构得反映原子密堆系统的时空层次结构、智能制造还得反映工艺流程的时序结构！

二、群智能

群智能是指由简单个体组成的群落与环境以及个体之间的互动行为。群智能在没有集中且不提供全局模型的前提下，为寻找复杂分布式问题解决方案提供了基础。群智能优化方法注重群体中个体之间的相互作用与分布式协同的模拟。

群智能算法的基本思想是模拟自然界生物的群体行为来构造随机优化算法。将搜索与优化过程模拟为个体的进化或者觅食过程，用搜索空间中的点模拟自然界中的个体，将求解问题的目标函数度量成个体对环境的适应能力，将个体的优胜劣汰过程或者觅食过程类比为搜索和优化过程中用好的可行解取代较差可行解的迭代过程。由此可见，群智能算法是一种具有“生成+检验”特征的迭代搜索算法。特点包括：

1. 群智能中的个体行为一般比较简单，个体只与局部个体进行信息交互，不与全局进行信息交流，模拟个体的算法容易实现并且执行时间的复杂度也较小，同时，整个算法的实现对计算机的配置要求也不高。另外，该方法只需计算目标函数值，不需要梯度信息，容易实现。当系统中的个体数量增加时，对于系统所增加的信息量也比较小，整个系统具有简单性。

2. 在群智能系统中，相互协作的个体是分布式存在的，初始分布可以是均匀的、也可以是非均匀的随机分布。系统是没有中心的，个体间是自组织的，从而体现出群体的智能特征。

3. 由于群智能系统中个体是分布式存在的，没有控制中心，整体的智慧是通过个体间以及个体与环境间的相互作用体现出来的，所以，单个个体对整体的影响比较小，整个系统不会因为其中一个个体的因素受到影响，所以群智能系统具有鲁棒性。

4. 群智能系统中的个体不仅相互之间可以进行直接通信，还可以通过环境进行间接通信，即个体之间通过所处的小环境作为媒介进行交互，具有自组织性。这样就使整个系统具有良好的可扩展性。

5. 群智能算法对要解决的问题是否连续并无要求，从而使得该类算法既适合具有连续性的数值优化，也适合离散性的组合优化。在处理问题的规模上也没要求，规模越大越能体现出群体智能算法的优越性。

 传统仿真的工程计算问题能否转化为群智能的场分布寻优？

三、多目标优化

工程优化包括原理优化、架构优化、参数优化、总体方案优化、成本优化、价值优化和效益优化等多个目标。这些目标存在固有的冲突，需要进行权衡与选择。多目标优化问题是指各个优化目标之间相互制约、相互矛盾，不存在一个最优解能够同时满足多个目标函数，而是能够权衡各个目标优化的折中解。智能优化算法是一类启发式搜索算法，包括进化算法、粒子群算法、蚁群算法和免疫算法等算法。

 工程材料应用是一个须满足工程系统需求的多目标优化问题。薛定谔方程、牛顿方程原理清晰却不好用，解方程是个耗时费力的活。智能计算只是帮助解方程的话不太容易跟得上数字孪生的实时仿真与决策。

四、模糊控制

模糊控制是一种智能控制方法。模糊控制不需要被控对象的精确数学模型，而是基于专家知识和操作者的经验建立模糊控制模型，通过模糊逻辑推理完成控制决策过程，最后实现对被控对象的调节控制。总体思路是首先将经验和知识编成模糊规则，然后将来自传感器的实时信号模糊化，将模糊化后的信号作为模糊规则的输入，完成模糊推理，将推理后得到的输出量加载到执行器上。