基于CiteSpace的混合增強智能領域研究熱點及趨勢分析

孫慶文 張萌萌 張潔

摘 要：混合智能是人工智能發展到2.0時代的新興產物，是人類智能與機器智能的交叉結合，旨在融合兩者優勢解決復雜問題，提高整體系統的決策質量和效率。為全面分析混合智能領域的研究動態及發展趨勢，準確把握未來發展熱點目標，利用CiteSpace文獻可視化分析軟件，對來源于中國知網（CNKI）與Web of Science的相關領域文獻進行可視化處理，從發文情況、關鍵詞熱點以及發展趨勢3個角度進行分析。結果表明：該領域發文量受關鍵人物及國家政策影響在2017年前后有較大幅度提升，關注度較高但尚未形成具備較強科研產出能力的核心作者群體和較為緊密的合作關系網絡。關鍵詞熱點包括以神經網絡、遺傳算法和群體智能為代表的算法技術研究。以優化多目標問題的群體智能和特征選擇技術將成為該領域未來的主要研究方向。關鍵詞：人工智能；研究熱點；CiteSpace；混合增強智能；發展趨勢中圖分類號：TP18

文獻標識碼：A?? 文章編號：1672-7312（2024）01-0032-09

Research Hotspots and Trend Analysis in the Field of

Hybrid Enhanced Intelligence Based on Citespace

SUN Qingwen1，2，3，ZHANG Mengmeng1，2，ZHANG Jie2，4

（1.School of Transportation and Logistics Engineering，Shandong Jiaotong University，Jinan 250357，China；

2.Shandong Provincial Smart Transportation Key Laboratory（Under Preparation），Jinan 250357，China;

3.Shandong Jinyu Information Technology Group Co.，Ltd.，Jinan 250101，China;

4.Shandong Zhengqu Transportation Engineering Co.，Ltd.，Jinan 250101，China）

Abstract：Hybrid intelligence is an emerging product of the development of artificial intelligence to the 2.0 era，which is the cross combination of human intelligence and machine intelligence.It aims to integrate the advantages of the two to solve complex problems and improve the decision-making quality and efficiency of the overall system.In order to comprehensively analyze the research trends and development trends in the field of hybrid intelligence，and accurately grasp the future development hotspots，CiteSpace literature visualization analysis software is used to visualize relevant field literature from China National Knowledge Infrastructure（CNKI）and Web of Science.The analysis is conducted from three perspectives：publication status，keyword hotspots，and development trends.The results indicate that：The number of publications in this field has significantly increased around 2017 due to the influence of key figures and national policies，with a high level of attention but no core author group with strong scientific research output capabilities and a relatively close cooperative network.Keyword hotspots include research on algorithm technologies represented by neural networks，genetic algorithms，and swarm intelligence.The swarm intelligence and feature selection techniques for optimizing multi-objective problems will become the main research directions in this field in the future.

Key words：artificial intelligence；research hotspots；CiteSpace；hybrid enhanced intelligence；development trends

0 引言

自1956年人工智能誕生以來，經過近70年的發展歷程，相關研究已經取得了巨大進展，并在各個領域逐步應用。傳統人工智能借助神經網絡、深度學習等數據算法，依托其龐大的信息處理體系和高速的數據處理模式，實現較為高效的結果預測，但隨著應用場景的不斷復雜化，人們發現單一的計算結構無法滿足用戶的新增需求，混合增強智能的概念因此被提出[1]。

混合增強智能存在兩種形態劃分：人在回路的混合增強智能和基于認知計算的混合增強智能。對于人在回路的混合增強智能的研究，是將人的思維引入到智能計算系統的計算回路之中，通過將人的直覺、經驗等屬性同機器的高強度的邏輯處理能力相耦合，進而提升系統的智能水平、創造力和解決問題的能力。近期的研究包括腦機接口、人機協作等智能場景，喬驥等[2]通過結合電網調控的相關業務功能，提出了基于人在回路的混合增強智能調控總體研究框架，并在此基礎之上探討了人機任務分配、人機可解釋交互、人類可介入學習、多人機協同以及混合智能趨優進化等關鍵技術的研究局限性以及未來發展方向，為人工智能技術性能提升提供了一種解決思路；基于認知計算的混合增強智能是利用計算機模擬生物大腦的組織功能，建立類似于人腦感知、推理的計算模型，使其具備生物應激能力的反饋提升機制，提升計算機的決策能力。研究包括利用深度學習、神經網絡等技術的故障分析、因果推理等場景。SANGSUNG P等[3]提出一種可以模仿人類思想和情感的認知人工智能方法，從人類的情感和認知角度出發，通過回歸模型分析的實驗驗證，將人類的情感因素引入模型，實現了根據情緒水平做出的最優決策。該領域已產出諸多研究理論與實際應用，同時也暴露出在發展過程中存在的一些問題。王剛等[4]在2010年對混合智能系統的發展進行回顧，從理論與應用2個層面對領域初期的研究進行綜述，理論研究方面從研究動因、系統分類、構造方法和評價準則4個方面進行詳細闡述，應用方面從管理、控制、醫學3個領域的應用情況進行梳理。最后，指出未來混合智能領域的發展急需基礎理論以及系統構造的研究，進而擺脫當前依靠個人經驗構建混合智能系統的狀態?；谖墨I計量法，采用CiteSpace可視化軟件分析中國知網（CNKI）以及Web of Science這2個數據庫收錄的混合智能領域相關文獻，從文獻發文情況、關鍵詞熱點和未來發展趨勢3個方面進行論述，以幫助后來學者更好地把握研究方向，為混合智能理論體系的進一步研究提供助力。1 數據來源與研究方法

1.1 數據來源文中的文獻數據來源于中國知網（CNKI）數據庫的中文數據庫和Web of Science的外文數據庫，知網使用高級搜索功能，將檢索詞設置為：主題=“混合智能”AND全文=“人工智能”OR關鍵詞=“混合增強”AND“中英文擴展”；Web of Science檢索詞設置為：主題=“Hybrid Enhanced Intelligence”，文獻出版年份不限。為保證研究結果的準確性，對篩選結果中存在的報紙、會議、征稿及相關度較低的文獻予以手動剔除。經最終處理共檢索中文庫中相關文獻966篇，外文庫中985篇相關文獻，以此作為混合增強智能領域發展研究的樣本數據。

1.2 研究方法文獻計量法是指用數學和統計學的方法，定量地分析一切知識載體的交叉科學，是集數學、統計學、文獻學為一體，注重量化的綜合性知識體系。其對蘊含有大量數據的知識體系可以進行科學的組織梳理，廣泛應用于某一領域的發展趨勢及前沿動態分析[5]?；谖墨I計量法的基礎原理，借助文獻可視化分析工具CiteSpace對篩選出的文獻樣本數據進行分析，從文獻發文量、發文機構及發文作者3個維度，研究混合增強智能領域的整體情況及發展趨勢。同時，通過關鍵詞共現分析及關鍵詞時間線圖分析，進一步探索該領域研究熱點與前沿動態。

2 混合智能研究的整體情況

2.1 文獻發文時間分析文獻的發文量在一定程度上代表著當年科研成果的產出活躍度，也體現出學術界對該領域的關注程度。運用CiteSpace對數據庫的文獻年度發表量進行分析，為該領域熱度變化分析提供數據支撐。CNKI與Web of Science的發文數量的年度趨勢變化情況如圖1所示。

1992—2023年間發表的文獻情況如圖1所示，混合增強智能領域的總體發文量趨勢呈遞增狀態。對比國內外相關文獻的發文數量、時間和發展趨勢上的異同可知，中文數據庫發文量上升時間點早于外文數據庫。在上升之前階段，全球人工智能研究處于基礎研究時期，相關理論模型尚待完善。由于受當時機器設備及工具的限制，相關技術或理論研究發展較慢。作為早期人工智能的兩大主要研究方向，專家系統和神經網絡成功應用于眾多領域，但也暴露出一些缺陷，貴忠華等[6]通過比較專家系統和神經網絡的特點，闡述了混合智能系統的研究情況和存在問題。俞國燕等[7]在制造領域中創新設計方面引入智能技術方法，以人類設計師的思維主導，將各類進化算法與專家系統進行融合來彌補單一智能方法在實際應用場景中的不足表現。2005—2016年間中文數據庫發文量趨勢有小幅波動但總體趨向平穩，較上一階段整體發文量有明顯上升趨勢。外文數據庫仍處于研究熱度冷門時期，發文量與中文數據庫存在一定差距。在此階段，吳朝暉等[8]提出人工智能研究的新方向是向著混合智能應用發展，以“人腦+機器”的合作形式實現更加高效、準確的系統計算。2016年，由谷歌研發的AlphaGo機器人在一場圍棋比賽中以4∶1的成績擊敗世界冠軍李世石，引發了深度學習這類機器學習技術的研究熱潮。同年，由中國工程院潘云鶴[9]院士提出“混合增強智能”新概念，研究主要集中在人在回路、腦機協作、腦機接口、機器直覺推理、聯想記憶模型、復雜數據、云機器人、情境理解及人機群組協同等領域。自2017年起中外數據庫的發文量激增，借助機器學習、神經網絡等先進技術的理論研究，混合智能邏輯框架日益完善，在這一階段混合智能技術被廣泛應用，影響涉及到醫學治療、軍事科技以及教育事業等諸多領域。2017年國務院印發了《新一代人工智能發展規劃》的通知，明確表示中國應搶抓人工智能的重大戰略機遇，構筑我國相關領域發展的先發優勢，明確要求形成較為成熟的新一代人工智能理論與技術體系，并在混合智能、類腦智能等領域取得重大突破。帶動相關產業機構及科研院所聚力混合智能發展。但在2020年發文量達到頂峰后開始呈下滑趨勢。而根據外文數據庫發文量顯示，國外對該領域的研究熱度持續高漲?？傮w來說，在混合增強智能領域，國內的研究起步時間相對較早，并且對領域內理論知識的探究周期較長。然而，從2017年開始，國外相關的文獻數量急劇增加，呈現出一個越來越快的增長趨勢。這種增長幅度的增加表明，國外對混合增強智能的研究興趣正在急速上升。相比之下，國內的研究熱度在后期有逐漸降低的趨勢，相較于之前有所下降。

2.2 研究作者分析設定文獻分析時間為1992年1月—2023年4月，時間切片設置為2年，即：分析工具以2年為單元對樣本數據進行可視化分析。得到圖2的發文作者研究圖譜。

從圖2的網絡分布情況來看，國外學者群體已經形成較為緊密的合作網絡，各學者之間合作交流較為密切；從圖中時間刻度和節點大小來看，國外合作團隊成型時間較早且具備一定的學術影響力，例如，已形成以Bui，Dieu Tien和Yaseen，Zaher Mundher為關鍵核心的研究團隊，這些團隊在早期就積極參與合作，積累了豐富的經驗和知識，形成了較為成熟的研究體系。而國內學者多形成規模較小的合作網絡結構，成型時間較晚，同時與國外具備強影響力的研究團隊缺少合作交流。未來，我國學者應加強研究領域的協作力度，積極學習國外先進的技術經驗，形成更為密切的研究關系。

為描述該領域核心作者對領域發展的推動作用，根據普賴斯定律測定混合智能研究中的高產作者，研究其代表文獻的研究內容，把握其最新的研究動態和關注熱點。根據普賴斯定律原理，即：在某一領域中，認為高產作者的數量約等于全部作者總和的平方根，這一群體發表了該領域約50%的科學文獻。假設該研究領域中最高產的作者發表文獻數量為nmax，則m=0.749·n1/2max，意味著發表的論文數至少為m篇才可以被認為為該領域的高產作者。在混合增強智能領域中nmax=9，那么m=0.749·n1/2max=2.24≈2，即發表2篇及以上文章的作者為高產作者。對國內外共計1 951篇樣本文獻的作者數量進行統計，統計得樣本文獻中作者共有482人，高產作者有126人，發表文獻共計317篇，占發文總量的16.25%，遠遠低于普賴斯定律50%的標準，由此可見，混合智能領域尚未形成具備較強科研產出能力的核心作者群體。

2.3 研究機構分析根據樣本數據分析可得混合智能領域高產機構分布情況如圖3所示。

發文機構研究圖譜共有節點372個，節點間連線220條，高產機構排名靠前的主要有天津大學、吉林大學、中南大學、浙江大學等，國外機構主要有Duy Tan University（維新大學）、Islamic Azad University（阿扎德大學）和Ton Duc Thang University（孫德勝大學），這幾個國外大學處于圖譜中密集網絡中，與其他機構有較高的合作關系，且從發文時間角度分析，位于圖譜中心網絡的研究機構文獻集中發表于2020年之后，在一定程度上反映出近年來各研究組織間合作越發密集，組織之間的科學技術交流越發頻繁，成果產出豐碩。另一方面，從國內研究機構的合作情況來看，國內各組織尚未形成密切的合作關系，且文獻產出情況較國外組織薄弱，綜合研究能力需進一步加強。

3 混合增強智能研究熱點研究熱點是指在一段時間內，在某一科學領域中的重點研究方向或者問題，代表當下最前沿、關鍵、重要的理論技術研究與應用。關鍵詞是一個研究領域中具有特定含義的詞匯，可以用來描述該領域中正在研究和討論的主題。通過分析關鍵詞的使用情況，可以了解該領域的研究熱點和趨勢。在文獻研究中，關鍵詞的被引頻次與節點中心性2項指標反映了一個主題的研究熱度。通過CiteSpace可視化軟件繪制關鍵詞共現網絡圖譜，利用被引頻次與節點中心性兩項數據指標研究各主題之間的關系及當下的研究熱點；通過聚類方法將聯系緊密的關鍵詞形成聚類團體，利用Q值（模塊值）和S值（平均輪廓值）2項數據指標衡量聚類效果的優劣情況，基于成型的聚類團體結構進一步反映該領域的研究熱點及涉及主題。

3.1 關鍵詞共現分析利用文獻庫中關鍵詞共同出現的情況，來確定該文獻庫所代表學科中各主題之間的關系，繪制混合增強智能領域文獻的關鍵詞共現圖譜，如圖4所示。

2個核心數據庫混合增強智能研究文獻中出現頻次較高的關鍵詞見表1、表2，中心性（Centrality）為多篇文獻的關鍵詞中介，用以發現和衡量文獻的重要性，代表該關鍵詞在混合增強智能領域的重要程度，中心性越高，反映其在該研究領域的影響能力越大。結合可視化分析結果排序，可以發現Web of Science外文文獻研究的關鍵詞中心性最高的是artificial intelligence（人工智能），中心性為0.40，明顯高于其他關鍵詞，其次為neural network（神經網絡）、algorithm（算法）和prediction（預測），代表這幾個關鍵詞在混合增強智能的研究中被廣泛討論。CNKI中文文獻研究的關鍵詞中心性最高的為人工智能，中心性為0.47，同樣遠高于其它關鍵詞的中心性。通過兩個數據庫排名前10的關鍵詞對比分析，可以發現，artificial intelligence（人工智能）、neural network（神經網絡）、genetic algorithm（遺傳算法）和swarm intelligence（群體智能）都是領域中研究的熱點。

依據表中頻數排序，Web of Science中文獻反映出國外的研究熱點主要集中在算法、預測、優化等理論體系的研究層面，這些研究熱點的出現可能歸結于以下幾點因素：①在人工智能領域，算法理論和預測技術是實現自動化決策、智能分析、機器人控制等任務的核心；②在數據科學領域，算法是處理海量數據、挖掘潛在規律和預測未來趨勢的基礎；③優化理論在實際應用中表現出其提供科學的決策支持及優化方案的能力。Web of Science中的研究熱點也反映了國際科學界的研究趨勢和關注焦點。CNKI文獻反映出國內的研究熱點主要集中在故障診斷、專家系統、模糊控制等應用研究層面。通過專家經驗與相關技術的有效結合，提出同時具備權威性與科學性的人工智能故障診斷方法，在機械設備故障診斷中廣泛應用。

3.2 關鍵詞聚類分析在對關鍵詞共現分析的基礎上，研究該領域的研究熱點是否具有共性特征，以及成型的熱點主題，為進一步研究混合增強智能領域的趨勢提供數據支撐。運用CiteSpace可視化分析軟件對國內外文獻數據的關鍵詞進行聚類分析，通過將關鍵詞之間的聯系數據化，將關系緊密的關鍵詞進行聚合，中心度最高的作為該類別的代表并形成聚類結果。得到Q值（模塊值）用來衡量圖譜的繪制效果，在［0，1］的區間內，Q值越大表示聚類效果越好，一般認為Q>0.3意味著聚類結構顯著。S值（平均輪廓值）用于衡量聚類結果的信服度，信服度越高，聚類結果可以代表該領域的代表性研究熱點，一般認為S>0.5聚類是合理的。關鍵詞聚類分析圖譜如圖5所示。

由圖5可見，外文文獻庫中共生成7個聚類團體，分別為#0swarm intelligence（群體智能）、#1artificial intelligence（人工智能）、#2deep learning（深度學習）、#3support vector regression（支持向量回歸）、#4machine learning（機器學習）、#5innovation management（創新管理）、#6predictive maintenance（預測維護）。聚類結果Q=0.406 9，S=0.703 5。中文文獻庫生成6個聚類團體，分別為：#0混合增強、#1遺傳算法、#2人工智能、#3專家系統、#4混合智能、#5故障診斷。Q=0.650 2，S=0.868 2。Q值均>0.4，S值均>0.7，表明聚類結構顯著且信服度較高。對比分析國內外文獻庫的聚類結果發現，國外的研究焦點集中在以深度學習為代表的人工智能理論技術層面，而國內的研究多集中在混合智能、專家系統等技術應用層面。針對國內外較大聚類和相同聚類的研究情況進一步分析。遺傳算法（genetic algorithm）是根據大自然的生物體進化規律設計出來的算法，通過模擬進化過程搜索最優解。在混合智能領域的數據處理過程中，遺傳算法采用同時處理群體中多個個體的搜索方法，在多峰分布空間問題的解決過程中較大概率避免了陷入某個單峰的局部極值點，應用廣泛。故障診斷中涉及到模糊控制和專家經驗等詞匯，具體來說，為克服單一智能技術的局限性，提高系統的性能、魯棒性和可靠性。在故障診斷領域，混合智能智能系統可以將不同類型的數據（如傳感器數據、歷史監測記錄等）與已知的故障模型和規則相結合，采用機器學習和推理技術，構建較為精確的故障診斷模型。并且它能夠對這些模型進行動態的自我學習、自我更新和提高模型的準確性。同時，在可預測性方面，混合智能通過融入專家經驗，實現對未來可能發生的故障進行預測和預警，從而提前采取必要的措施，提升故障診斷系統的準確性和效率?？梢灶A見，隨著人工智能技術的不斷發展和深入，在故障診斷領域，混合智能將會發揮越來越重要的作用。聚類神經網絡和聚類machine learning（機器學習）均屬于混合智能系統自我提升和優化的方法技術，神經網絡最早作為人工智能的主要研究方向持續至今，是由大量連接在一起的簡單處理單元所組成的信息處理系統，模擬人腦神經元之間的相互連接和信息傳遞。神經網絡通過學習和訓練，可以對復雜的非線性問題進行分類、識別等任務。在混合智能領域中，神經網絡被廣泛應用于圖像、語音、自然語言處理等方面。后期隨著算法層面的更新升級，機器學習算法被研究學者融合進入混合智能的研究框架，機器學習是指通過訓練數據來學習和識別規律或模式的算法，使得機器可以自主地進行決策和分類等任務，不需要明確的指導或規則，并逐漸增強其性能。被廣泛應用于自然語言處理、圖像識別、推薦系統等任務上，讓計算機逐步具備類似于人類的學習能力。兩者都在一定程度上推動了混合智能領域的快速發展，不斷提高AI系統的性能和智能水平，開啟了一種新的思維方式和技術范式。隨著算法的持續發展和硬件設備的不斷進步，神經網絡和機器學習將支持人工智能在各個領域展現出更多的應用場景，并推動社會的進一步發展。

4 混合增強智能研究趨勢伴隨混合增強智能理論體系的日益完善，該領域的研究熱點由某一時期的主題突顯詞所呈現。突顯詞是指在某段時期內在相關研究領域中引用頻率突然增加的關鍵詞，利用軟件提供的突顯強度和起止時間兩項數據指標分析該領域的研究趨勢變化。通過關鍵詞突顯分析可以得知“混合增強智能”領域幾個關鍵熱點的研究情況，下表中幾個關鍵詞對應時間線上突變性時段部分代表在此時間段內該關鍵詞的使用頻率突然增加，可以發現更深層次的發展變化。

4.1 國外研究趨勢對國外混合增強智能領域的關鍵詞進行突顯分析，突顯情況見表3。

關鍵詞突顯是短時間內某些代表詞出現數量急劇上升的情況，在一定程度上反映出當下的研究熱點及持續周期，由表3分析可知，Genetic algorithm（遺傳算法）的突顯強度最大為5.1，在2000—2018年間該領域內對“Genetic algorithm”的研究熱度持續高漲。RAJESWARAN N等[10]提出了一種基于遺傳算法混合

人工智能技術的智能控制驅動方法，用于感應電動機的狀態監測、故障診斷和評估，而不需要任何附加信息。GAO J等[11]提出一種針對具有模糊參數分散決策問題的模糊多層規劃框架，并結合模糊仿真、神經網絡和遺傳算法，提出了一種尋找該模糊多層規劃框架Nash均衡的混合智能算法。Swarm intelligence（群體智能）、Differential evolution（差異進化）和Artificial bee colony（人工蜂群）在2012年開始突變，成為當時的研究焦點，后陸續在2015和2018年達到成熟，期間，Duan H等人[12]對包括蟻群優化、粒子群優化、人工蜂群、螢火蟲算法、蝙蝠算法和鴿子優化等在內的基于群體智能的算法優缺點進行分析，針對每種算法的應用領域及前景進行深入討論。展現出群體智能算法在混合增強智能領域研究中的重要性。后期Feature selection（特征選擇）開始突顯，作為機器學習的一個典型學習任務，其能夠從原始數據中提取最相關、最有信息含量的特征值，以便更好地進行模型構建和預測。成為2019年后的關注焦點和發展趨勢。

4.2 國內研究趨勢對國內混合增強智能領域的關鍵詞進行突顯分析，突顯情況見表4。

通過分析關鍵詞的使用情況，可以了解該領域的研究熱點和趨勢。通過表4中各聚類結果隨時間發展的研究熱點分布，可以探索該領域各組成部分的發展趨勢變化。結合圖4（b）與文獻發文部分的分析，可以發現關鍵詞“專家系統”的出現時間最早，在1994年數量出現急劇上升現象并成為混合智能領域的重要研究部分?！爸悄芸刂啤弊鳛檠芯繜狳c的持續時間最長，突顯時間為1996—2012年，主要研究集中在工業控制系統的工程應用[13-16]，以及交通工具的儀器設備控制[17-20]?！吧窠浘W絡”“模糊控制”“遺傳算法”“蟻群算法”4類算法都是混合智能中的常用技術，它們各自有不同的應用場景，在混合智能技術的發展中都起著非常重要的作用，極大地促進了人工智能的進步，同時也為各個領域提供了更加強大和高效的工具。

5 結語利用CiteSpace可視化分析軟件，以Web of Science和CNKI數據庫作為文獻來源，對混合智能領域的研究能力現狀、發展歷程、研究熱點以及未來發展趨勢進行分析。結合當前研究熱點分析未來混合智能領域的發展趨勢。

1）技術方面，以神經網絡和遺傳算法為代表的算法技術優化仍在未來一段時間屬于混合智能系統能力增強的主要手段。以群體智能計算和機器學習為關鍵技術開展的群體智能技術提升優化將會在更為寬泛的領域內進行場景應用并成為該領域未來的主要研究方向。

2）應用方面，混合增強領域技術將極大推進以無人駕駛為代表的系列人類生活生產方式的快速變革，無人駕駛作為混合智能領域的一個重要應用方向，其發展將帶來出行方式的革命性變化，未來的交通系統將更加高效、安全和便捷。

3）人機協作技術的研究與應用，應積極探索更加高效、可靠的人機協作模式和方法，實現人與機器之間的優勢互補，提高工作效率和質量。

4）數據安全方面，應探索更加安全、可靠的數據保護方法和技術，以確?；旌现悄芗夹g的健康發展。我國在國家戰略層面上將發展人工智能擺在了較高位置，大力促進混合智能同其他領域的深度融合。未來，以混合智能為代表的人工智能技術將大力推動我國智能化基礎水平，加快社會安全、智能、高效的整體建設，提升居民生活質量及我國在國際上的競爭力。

參考文獻：

[1] 鄭南寧.人工智能新時代[J].智能科學與技術學報，2019，1（01）：1-3.

[2]喬驥，郭劍波，范士雄，等.人在回路的電網調控混合增強智能初探——基本概念與研究框架[J].中國電機工程學報，2023，43（01）：1-15.

[3]SANGSUNG P，SUNGHAE J.Cognitive artificial intelligence using bayesian computing based on hybrid monte carlo algorithm[J].Applied Sciences，2022，12（18）：9270.

[4]王剛，黃麗華，張成洪.混合智能系統研究綜述[J].系統工程學報，2010，25（04）：569-578.

[5]王曰芬，路菲，吳小雷.文獻計量和內容分析的比較與綜合研究[J].圖書情報工作，2005（09）：72-75.

[6]貴忠華，劉振凱.智能混合系統研究綜述[J].信息與控制，2000（01）：59-64.

[7]俞國燕，何真，鄭時雄，等.基于人機一體的混合智能創新設計[J].計算機工程與應用，2003（07）：43-45.

[8]吳朝暉，鄭能干.混合智能：人工智能的新方向[J].中國計算機學會通訊，2012，8（01）：59-64.

[9]潘云鶴.人工智能走向2.0[J].Engineering，2016，2（04）：51-61.

[10]RAJESWARAN N，SWARUPA?L M，RAO S T，et al.Hybrid artificial intelligence based fault diagnosis of SVPWM voltage source inverters for induction motor[J].Materials Today：Proceedings，2018，5（1）：565-571.

[11]GAO J，LIU B.Fuzzy multilevel programming with a hybrid intelligent algorithm[J].Computers and Mathematics with Applications，2004，49（09）：1539-1548.

[12]DUAN H，LUO Q.New progresses in swarm intelligence-based computation[J].Int.J.of Bio-Inspired Computation，2015，7（01）：26-35.

[13]姜孝華，張希周，諸昌鈐.一種多模專家智能控制器研究及其應用[J].貴州工學院學報，1995（04）：21-26.

[14]裴珍，樸承龍，金偉，等.燒結混合料水分檢測及智能控制系統[J].東北大學學報，1998（03）：72-74.

[15]柴天佑，丁進良，王宏，等.復雜工業過程運行的混合智能優化控制方法[J].自動化學報，2008（05）：505-515.

[16]柴天佑.工業人工智能發展方向[J].自動化學報，2020，46（10）：2005-2012.

[17]楊國勛，郭晨，賈欣樂，等.混合智能技術在船舶運動控制中的應用[C]//中國自動化學會智能自動化專業委員會，昆明船舶設備集團公司，云南自動化學會，中國人工智能學會計算機視覺及智能控制學會，IEEE控制系統學會北京分會.2001年中國智能自動化會議論文集（上冊），2001：6.

[18]楊國勛，郭晨，賈欣樂.基于增強型學習算法的船舶運動混合智能控制[J].中國航海，2001（02）：3-7.

[19]張騰飛.粗糙集理論及粗糙混合智能方法在船舶電力系統中的應用研究[D].上海：上海海事大學，2007.

[20]胡江強.基于遺傳優化的船舶航向混合智能控制[D].大連：大連海事大學，2003.

[21]姜自瑩，劉雪鳳.“區塊鏈+人工智能”研究的進展、熱點和前沿——基于CiteSpace的知識圖譜分析[J].科技與管理，2022，24（03）：1-15.

[22]ANTNIO C，ANDREA G，DANIEL S，et al.Designing for hybrid intelligence：A taxonomy and survey of crowd-machine interaction[J].Applied Sciences，2023，13（04）.

[23]ZHAOHUI Y，LIN L.Analyze on multi-vehicle coordination-enhanced intelligent driving framework based on human machine hybrid intelligence[J].Soft Computing，2023，27（15）.

[24]CHUQIANG C，XINHUA X.A novel hybrid intelligent model for the prediction of creep coefficients based on random forest and support vector machine[J].Ocean Engineering，2022，266（P5）.

[25]PEIJUN Y，XIAO W，WENBO Z，et al.Parallel cognition：Hybrid intelligence for human-machine interaction and management[J].Frontiers of Information Technology & Electronic Engineering，2022，23（12）.

[26]HOSSEIN M J，CHRISTOPH L，GEMMA N.Artificial intelligence，human intelligence and hybrid intelligence based on mutual augmentation[J].Big Data & Society，2022，9（02）.

[27]SOPHIYA R.Cognitive hybrid intelligent diagnostic system：Typical architecture[J].Computation，2022，10（05）.

[28]胡蕊.基于混合群體智能的多目標優化算法研究[D].大連：大連海事大學，2019.

[29]趙健，張鑫褆，李佳明，等.群體智能2.0研究綜述[J].計算機工程，2019，45（12）：1-7.