云计算真正作为一个新兴技术得到IT界认可是在2007年左右，经过这十年的普及和发展，云计算早已走进千万个数据中心，成为IT世界里炙手可热的技术门类，并可以在未来的一段时间内继续获得长足发展。云计算固然好，但也有不少的缺陷和使用限制，这样才出现了雾计算、霾计算等技术，这些技术都是针对云计算做的很好的补充，满足多样化的市场应用需求。
粒计算的基本问题
然而，人类在处理大量复杂信息时．由于人类认知能力有限，往往会把大量复杂信息按其各自特征和性能将其划分为若干较为简单的块．每个被分出来的块就被看成是一个粒。实际上，粒就是指一些个体通过不分明关系、相似关系、邻近关系或功能关系等所形成的块。这种处理信息的过程．称信息粒化。如商场的货物多种多样，如果不按某种方式摆放就很难进行有效管理．于是人们按货架所摆放货物的种类、体积、等级等将商场划分为若干块并以此安排货架，其每一块将摆放同一种类或体积相似或同一等级的货物。这里所说的块就是粒的概念，划分粒的过程称为信息粒。
粒计算中存在2个基本问题: 粒化和基于粒化的计算。即如何构造这个模型, 以及根据这个模型的计算。粒化, 是问题空间的一个划分过程, 它可以简单理解为在给定粒化准则下(如等价关系)得到一个粒层的过程, 是粒计算的基础, 通过粒化我们可以得到问题空间的层次间与层次内部的结构。在同一或者不同的粒化准则下均可得到多个粒层, 形成多层次的网络结构。粒计算通过访问粒结构求解问题, 包括在层次结构中自上而下、或者自下而上2个方向的交互, 以及在同一层次内部的移动。即不同粒层上粒子之间的转换与推理, 以及同一粒层上粒子之间相互交互,形成所谓的多粒度计算。
其实，粒计算比云计算的概念出现得还早。在1997年时，美国一大学教授首次在论文中提出了粒计算，这标志着涉及多学科的一个应用研究领域产生。此后，国外诸多学者对它进行了研究，提出了许多有关粒计算的理论、方法和模型，现已成为研究模糊的、不精确的、不完整的及海量信息处理的重要工具。粒计算是一个含义广泛的术语，覆盖了所有有关粒的理论、方法学、技术和工具的研究，并认为粒计算是模糊信息粒化、Rough集理论和区间计算的超集，是粒数学的子集。粒计算是在问题求解中使用粒子，构建信息粒化，将一类对象基于不可分辨关系、相似性等特征划分为一系列粒。粒计算模型分为两大类：一类以处理不确定性为主要目标，如以模糊处理为基础的计算模型，以粗糙集为基础的模型，侧重于计算对象的不确定性处理。模糊概念是粒计算的主要组成部分;另一类则以多粒度计算为目标，如商空间理论。从不同的粒度上分层次地处理它们，降低处理复杂问题的复杂性。信息粒广泛存在于现实世界中，是对现实的抽象。
粒计算的价值和作用
粒计算虽然诞生得早，并没有云计算发展得快，只是到最近才火了起来，这来源于人工智能和大数据技术的热宠。在这两个方面进行粒计算，意义不同凡响。人工智能和大数据的诞生，是因为人们试图从人类思维和生物界的一些规律中得到启发，创建相应的计算模型，应用到信息科学中去，而粒计算则在更高层次上模拟了人类的思维规律。
当人工智能掌握“粒计算”，就会像显微镜一样，能分析海量信息，这将对科学界和人类社会都产生深远影响。当大数据遇到了粒计算，可以对大数据所表示的领域信息进行粒度分析，确定可能的粒度层次数目、各层次上信息粒的语义以及根据领域知识能够断言的信息粒之间的相关关系，这些粒度分析结果及其质量可直接影响后续的大数据处理的准确性和效率。目前，大数据开源平台的蓬勃发展，适用于不同应用场合的系统层出不穷，针对具体数据选择适合的多粒度建模，实现对特定粒计算模型的支持，可以更好地进行海量数据分析。所以，人工智能和大数据再火，也需要依仗粒计算等这些新技术来实现，否则就是空中楼阁，没有任何现实意义。海量的数据中大量都是不确定的，模糊的，这给粒计算提供了广阔的发展空间。
不仅在大数据、人工智能这些领域，在云计算里，粒计算同样受欢迎。云计算是一种计算资源，集合了海量的数据处理，与大数据、人工智能都有着紧密联系，而粒计算正是处理海量数据，尤其是不确定性数据的好手。云计算可以根据用户需求通过网络对松散耦合的粗细粒度应用组件进行分布式部署、组合和使用，形成多粒度或者可变粒度的服务。云计算的技术底层架构中，分布式操作系统也支撑软件的多粒度和可变粒度。由于云计算本身的通用性特点，在“云”的支撑下可以构造出千变万化的应用，同一个“云”可以同时支撑不同的应用运行，这都需要对海量的不确定数据进行计算处理，这时就需要粒计算。
云计算和粒计算之间的关系
云计算提供的服务也是个性化的，是多粒度和可变粒度的,提供的是细粒度服务。在云计算中，为了保证计算和存储等操作的完整性，在实现上要考虑很多大规模分布式计算机集群进行海量数据处理时容错处理问题，在出现部分失效的情况下计算任务仍然能够正确执行，这时粒计算就会发挥作用。粒计算本身就可以处理大量具有不确定性的数据，当海量数据中掺杂着无用甚至是错误的数据，在粒计算的处理下，依然能够得到最佳的正确结果，粒计算本身就具有容错性。粒计算还可以将计算任务更加优化地分解和并行执行，对于每个未完成子任务，粒计算都会启动一个备份子任务同时执行，无论初始任务还是备份子任务处理完成，该子任务都会立即被标记为完成状态，通过备份任务机制可以有效避免因个别节点处理速度过慢而延误整个任务的处理速度，粒计算可以在云计算中大展手脚。
云计算是一种新型的超级计算方式，以数据为中心，是一种数据密集型的超级计算，对海量数据处理操作非常频繁的，需要新的算法适应，这时粒计算应运而生，将会更好地完成海量数据处理任务。粒计算是云计算的最佳拍档，随着云计算要处理的数据量越来越庞大，大量无用甚至错误的数据影响到了云计算的处理效率和结果，引入粒计算后，可以有效提升云计算的计算效率，充分地发挥出云计算的优势。
粒计算面临的挑战
随着计算机及网络的日益普及, 出现了以下趋势: 数据的复杂性增加且更加多样化, 如文本、图像、语音、与视频等; 海量数据; 人机交互更加频繁与密切。这种发展趋势给粒计算提出巨大的挑战。例如：
一个复杂的对象(系统)通常具有复杂的内部结构, 因此要将粒计算方法应用于这类对象, 首先遇到的问题是对象的粒化, 或者是结构分析(分解)。信息结构通常有以下几种类型: 逻辑(语法)结构(如文本)、空间结构(如图像)、时间结构(如语音)、与时空结构(如视频)等。这些结构中, 有的是已知的固定结构, 如数据库; 有的是未知的固定结构, 如文本; 有的则是未知的变化结构, 如图像、网页内部结构等。对于后2 种未知的结构, 无论是固定还是变化的, 在粒化的过程中均存在如何选择信息结构中的基本元素, 如何划分, 如何表示粒层之间与粒层内部的结构, 以及结构本身的不确定性等难题,这都是当前研究的热点课题。已有的粒计算研究主要针对已知的固定结构, 如粗糙集研究中的决策表。
粒化之后, 另一个重要问题是如何表示这些结构。目前已有的进展是采用概率图模型, 如条件随机场、马尔可夫随机场等, 即利用概率来表示结构中的不确定性。为了分析概率图模型, 在传统机器学习的基础上, 发展出一套具有结构数据的机器学习方法, 即结构预测法 。因此对于有结构的对象,也可以采用传统的机器学习方法加以处理。
网络环境下, 粒计算必须面向大规模的问题, 这必然导致采用多粒度、多层次的分析与处理方法。因此需要在此框架下发展出一套高效的算法。
以最涨姿势的角度，九浅一深地感知企业信息化的喜怒哀乐
联系客服
