فایل راهنمای فارسی و انگلیسی الگوریتم رقابت استعماری در قالب قابل ویرایش Word

دوستان بسیاری در پی استفاده از الگوریتم رقابت استعماری (Imperialist Competitive Algorithm) در مسائل بهینه سازی خود در پایان نامه ها و پژوهش هایشان، در مراحل نوشتن مقالات علمی و گزارش نتایج، این درخواست را بارها مطرح کردند که بخش هایی از متن های فارسی و انگیسی در مورد الگوریتم رقابت استعماری (ICA) جهت استفاده در گزارشها و مقالات بر روی سایت قرار دهیم. در پاسخ به درخواست این عزیزان، در این پست دو فایل راهنمای فارسی و انگلیسی الگوریتم رقابت استعماری در فرمت قابل ویرایش در Word منتشر می کنیم. جهت دانلود فایل ها ادامه مطلب را ببینید.

ادامه مطلب

آموزش شبکه عصبی (Neural Network Training) توسط الگوریتم رقابت استعماری (ICA)

پستی که در ادامه می خوانید، به یادگیری شبکه عصبی با استفاده از الگوریتم رقابت استعماری می پردازد. البته مطالب ارائه شده عمومی بوده و شامل استفاده از الگوریتم های دیگری همچون الگوریتم ژنتیک یا GA (Genetic Algorithms)، الگوریتم ازدحام ذرات یا PSO (Particle Swarm Optimization) و شبیه سازی تبرید فلزات یا SA (Simulated Annealing) نیز خواهد شد. حتی به نظر می رسد که استفاده از هر یک از عناوین زیر برای این پست مناسب بود.

ادامه مطلب

نحوه مقایسه کارکرد دو الگوریتم بهینه سازی

سوال مهمی که همیشه مطرح می باشد، این است که چه الگوریتمی برای یک مسئله بهینه سازی معین مناسب است و یا در حالت کلی تر، چه الگوریتمی نسبت به الگوریتم دیگر برتری دارد؟ در حالت کلی می توان گفت که از دید بهینه سازی اگر الگوریتم “الف” در زمان سریعتری نسبت به الگوریتم “ب” به جواب مسئله (یا هر جواب یکسان) برسد، الگوریتم ا”لف “بهتر است. به عبارت دیگر می توان گفت که در زمانهای مساوی، الگوریتم “الف” جواب های بهتر و بهینه تری را در اختیار می گذارد. شکل زیر این موضوع را به خوبی نشان می دهد.

فایلهای ارائه پاورپوینت (Power Point) مربوط به الگوریتم رقابت استعماری (ICA)

در این پست دو فایل پاورپوینت به عنوان اسلایدهای آموزشی مرتبط با الگوریتم رقابت استعماری (Imperialist Competitive Algorithm) را جهت دانلود گذاشته ایم. این فایل ها که یکی به زبان انگلیسی و دیگری به زبان فارسی است، برای بسیاری از علاقه مندان به الگوریتم رقابت استعماری که قصد ارائه مطالب و محتوای مرتبط با آن را دارند بسیار مفید خواهد بود و به سادگی با تغییرات اندکی می توان از آنها جهت ارائه محتوای دلخواه استفاده کرد.

دانلود فایل ارائه پاورپوینت (Powerpoint) و اسلایدهای آموزشی الگوریتم رقابت استعماری – به زبان انگلیسی:
فایل ارائه PPT فوق مربوط به مقاله ارائه شده در IEEE WCCI 2008 با عنوان زیر است. این مقاله در بخش مقالات انگلیسی قابل مشاهده و دانلود است.
Esmaeil Atashpaz Gargari, Farzad Hashemzadeh, Caro Lucas, “Designing MIMO PID Controller using Colonial Competitive Algorithm: Applied to Distillation Column Process”, IEEE Congress on Evolutionary Computation (CEC 2008) . pp 1929 – 1934
دانلود فایل ارائه پاورپوینت (Powerpoint) و اسلاید های آموزشی الگوریتم رقابت استعماری – به فارسی:

مشاهده به صورت آنلاین – فایل انگلیسی

مشاهده به صورت آنلاین – فایل فارسی

 

توجه کنید که در حالت نمایش آنلاین، امکان مشاهده انیمشن ها وجود ندارد. ولی کلیت مطلب را به راحتی می توانید مشاهده نمایید.

_____________________________________________

نظرات شما در انتهای این پست برای سایر خوانندگان، بسیار مفید خواهد بود. می توانید نظر خود را با اکانت سرویس های مختلف و یا به عنوان ناشناس در این پست درج نمائید.
صرف زمان برای یادگیری اتلاف زمان نیست. سرمایه گذاری زمانی است.

همه چیز درباره هوش مصنوعی به زبان ساده (بخش اول)

هوش مصنوعی یکی از مقوله هایی است که در علوم کامپیوتر، اهمیت فراوان دارد و تغییرات در هوش مصنوعی می توانند تحولات گسترده ای را در فناوری اطلاعات پدید بیاورند. در این مقاله قصد داریم که هوش مصنوعی را به شما معرفی کنیم. علاوه بر این چند روبات مطرح را نیز به شما معرفی خواهیم کرد. سعی ما بر این است که این مقاله بتواند به اندازه کافی راهنمای شما باشد. پس ادامه مطلب را ببینید.
– هوش مصنوعی چیست؟

هوش مصنوعی، هوش ماشین هاست! در واقع شاخه ای از علوم کامپیوتر است که قصد دارد راه حل های الگوریتمی را ارائه کند تا بتوانیم به وسیله آنها در ماشین ها هوشمندی ایجاد کنیم. اما این تعریف کافی نیست؛ اول از همه باید بدانیم که تعریف هوشمندی چیست و بعد باید منظور از ماشین را دربیابیم:
استدلال، منطق، تصمیم گیری ؛ این ها توانایی هستند که شما از آنها استفاده می کنید. پس شما هوشمند هستید. اگر این توانایی ها را در کامپیوتر هم ایجاد کنیم، آنگاه به ماشین هوشمند دست می یابیم! به همین سادگی … ولی به جز این ها چیز های دیگری هم در رابطه با تعریف هوشمندی وجود دارند که دانستن آنها را می توان مهم ارزیابی کرد. در واقع بحث هایی که در مورد هوشمندی و هوش مصنوعی مطرح شده است؛ تنها به دوره ی امروزه ی ما و قرن 21 مربوط نمی شود، بلکه از سال 1950 این مباحث به طور جدی مطرح شد.

– پیشینه ی هوش مصنوعی:

باید گفت که از این نظر هوش مصنوعی یکی از غنی ترین تاریخ ها را دارد، منتها در قصه ها! ماشین ها و مخلوقات مصنوعی باشعور، اولین بار در افسانه های یونان باستان مطرح شدند. شبه انسان ها باور داشتند که باید یک تمدن بزرگ را تشکیل دهند؛ تندیس ها و مجسمه های انسان نما در مصر و یونان به حرکت در آمده بودند و … حتی در مواردی این قصه ها، پای جابر بن حیّان و چند تن دیگر را هم به سازندگان موجودات مصنوعی باز کردند.
از قصه ها که بگذریم ؛ فیلسوف ها و ریاضی دان ها از مدت ها پیش مباحث مربوط به استدلال و منطق را پیش کشیدند و امروزه این مباحث به صورت قرار دادی، به رسمیت پذیرفته شده است. این گونه منطق ها اساس کامپیوتر های دیجیتال و برنامه پذیر شده اند. یکی از افرادی که نقش اساسی و مهمی در این مورد ایفا کرد آقای آلن تورینگ بود.

نظریه تورینگ:

تئوری تورینگ مبتنی بر این بود که می توانیم با استفاده از نشانه ها و اعدادی مانند 0 و 1، هر استدلال ریاضی ای را در کامپیوتر عملی کنیم. همزمان با این نظریه کشف های تازه ای در زمینه ی عصب شناسی، نظریه اطلاعات و فرمانشناسی، به وقوع پیوسته بود. این پیشرفت ها الهام بخش گروهی کوچک از پژوهشگران شد تا به طور جدی به مساله ایجاد یک مغز الکترونیکی رسیدگی نمایند.

– تست تورینگ:

در سال 1950، آلن تورینگ مقاله ای را در رابطه با هوش مصنوعی منتشر ساخت که بعد ها به تست تورینگ مشهور شد. در این مقاله عنوان شده بود که اگر فردی از پشت یک دیوار یا هر چیز جدا کننده دیگری، با کامپیوتر مکالمه کتبی داشته باشد و نداند که طرف مقابلش انسان نیست و پس از پایان مکالمه نیز متوجه این موضوع نشود، آنگاه می توان کامپیوتر را ماشینی هوشمند نامید زیرا توانسته است که در برابر یک انسان به اندازه کافی از استدلال و منطق استفاده کند. تست تورینگ تا حدی توانست هوش مندی را توجیه کند ولی فقط ((تا حدی))! اما از آن زمان تا کنون ماشینی اختراع نشده است که توانسته باشد این تست را با موفقیت بگذراند. هر چند زبان AIML ابداع شد، اما این زبان هرگز به این حد از هوش مصنوعی دست نیافت.


– و بعد …

تیمی که در زمینه هوش مصنوعی تحقیق می کردند، در تابستان سال 1956، کنفرانسی را در محوطه کالج دارتموس برگزار کردند. این کنفرانس به همراه افرادی مانند جان مک کارتی، ماروین مینسکی، آلین نویل و هربت سیمون که برای دهه ها پیشتازان تحقیق برای هوش مصنوعی بودند انجام شد. آنها و دانش آموزان آنها، برنامه ای نوشته بودند که حقیقتا برای عده زیادی از مردم شگفت آور بود. این برنامه می توانست مشکلات نوشتاری در جبر را حل کند، استدلال های منطقی را اثبات کند و به زبان انگلیسی سخن بگوید. در اواسط دهه ی 1960، بودجه سنگینی برای دایرکردن آزمایشگاه های تحقیقاتی در گرداگرد دنیا، از سوی حوزه ی دفاعی ایالات متحده آمریکا، اختصاص داده شد. پیشتازان هوش مصنوعی درباره آینده آن در جهان بسیار خوش بین بودند. هربت سیمون پیشبینی کرده بود که در مدت 20 سال، کامپیوتر های هوشمند می توانند، هر کاری را که انسان انجام می دهد، انجام دهند. در واقع مشکلات بزرگی که در آن زمان برای ایجاد هوش مصنوعی وجود داشت، اساسا حل شده بود.

– زمستانی سخت برای هوش مصنوعی:

علیرغم چیز هایی که در بالا گفته شد، تیم مذکور، در شناخت و رفع برخی از مشکلات هوش مصنوعی با شکست مواجه شد، در سال 1970 در مقابل انتقادات آقای جیمز لایتهیل از انگلستان و فشار های مداوم کنگره برای کم کردن بودجه برای پروژه های بزرگ، دولت های انگلیس و آمریکا تمام پژوهش های به نتیجه نرسیده برای هوش مصنوعی را لغو کردند و در اندک سالیان بعد از آن، به سختی برای هوش مصنوعی، بودجه اختصاص داده می شد. این دوره را زمستان هوش مصنوعی یا A.I winter می نامند.
به زودی در سال 1980، پژوهش ها بر روی هوش مصنوعی از سر گرفته شد و این امر مدیون این بود که سیستم های هوشمند، به موفقیت های تجاری دست یافتند. سیستم های هوشمند، ترکیب هایی از هوش مصنوعی بودند که مهارت و دانش و توان تجزیه تحلیلی یک متخصص را شبیه سازی می کردند. در سال 1985، هوش مصنوعی به بازار یک میلیارد دلاری دست یافت و در همان زمان پروژه ی کامپیوتر های نسل پنجم ژاپن، که متوقف شده بود، از سر گرفته شد و بودجه ای برای تحقیقات آکادمیک در این زمینه در نظر گرفته شده بود. اما در سال 1987 باز هم چرخ گردان به گونه ای دیگر چرخید و بازار فروش ماشین های پردازش لیست (Lisp Machines) (با زبان Lisp) که با مشکلاتی موجه بودند، نابود شد و در یک ثانیه تمام آبروی هوش مصنوعی را هم با خود برد. پس این بار زمستان طولانی تر و سخت تری برای هوش مصنوعی فرارسید.

– پس از آن، بهاری نو :

پس از این مشکلات، در دهه 1990 و نزدیک به قرن بیست و یکم، هوش مصنوعی به یکی از بزرگ ترین موفقیت های خود دست یافت. اگر چه چیز هایی پشت پرده ماندند ولی هوش مصنوعی در زمینه های مهمی مانند استدلال و منطق، داده کاوی، تشخیص های پزشکی و طیف های گسترده ای از تکنولوژی و صنعت به کار گرفته می شد.


– مقایسه، استدلال و حل مسائل:

خیلی زود توسعه دهندگان هوش مصنوعی به این نتیجه رسیدند که باید در الگوریتم های خود از نحوه حل مساله ((گام به گام)) استفاده کنند. در واقع انسان ها هم معمولا برای حل مواردی از جمله: ساختن پازل و … از این روش استفاده می کنند. آنها همچنین توانستند که پس از دهه های 80 و 90 الگوریتم های موفقیت آمیزی را برای درک داده ها و اطلاعات نا کامل عرضه کنند که این الگوریتم ها از احتمالات، برای درک این اطلاعات استفاده می کردند.
برای حل مسائل سخت، بیشتر این الگوریتم ها به کامپیوتر های بزرگ و قدرتمندی برای پردازش نیاز داشتند. بسیاری از این الگوریتم ها به مقدار زیادی حافظه (رم) نیاز داشتند و حتی در صورت فراهم آمدن آن، با وجود سخت افزار های آن زمان، مدت مورد نیاز برای پردازش نجومی بود. بنابر این می توان این مساله را دریافت که: جستجو برای الگوریتم های بهتر و موثر تر در آن زمان، از اولویت های اصلی پژوهشگران هوش مصنوعی بود.
انسان برای حل مسائل خود خیلی سریع عمل می کند. چیزی که باید فهمید این است که اگر چه انسان در جمع و تفریق اعداد از کامپیوتر شکست می خورد، اما مساله فقط جمع و تفریق نیست. در واقع اولین گام برای حل مساله درک آن است و این چیزی است که برای انسان بسیار ساده و برای کامپیوتر ها بسیار سخت است. بر این اساس آنها به تحقیقات زیادی پرداختند و به این نتیجه رسیدند که باید برای بازدهی بیشتر از شبکه های عصبی استفاده کنند. این کار به آنها کمک می کرد تا بتوانند به ساختار اعصاب و مغز انسان و سایر حیوانات نزدیک تر شوند.

– نمایش معلومات:

نمایش معلومات و مهندسی معلومات مرکز توجه در پژوهش های هوش مصنوعی بودند. بسیاری از دستگاه های حل مساله برای حل مسائل نیازمند معلومات گسترده و وسیعی بودند این معلومات عبارت می شد از : شناختن اشیاء، خواص و اقلام- شناختن روابط بین اشیاء- درک موقعیت، نوع واقعه و زمان و مکان- علت ها و تاثیر عوامل و بسیاری چیز های دیگر…

و سخت ترین مشکلات درباره نمایش اطلاعات و معلومات عبارت بود از:

1- استدلال پیش فرض و مسائل نسبی: دانسته ی یک فرد از یک چیز برابر است با پنداشت او از آن چیز، برای مثال وقتی نام پرنده به گوش کسی می خورد، معمولا یک موجود کوچک را به یاد می آورد با صدای زیبا و قابلیت پرواز؛ در حالی که این موضوع برای همه ی پرندگان صدق نمی کند. مثلا پنگوئن هیچکدام از این ویژگی ها را ندارد! جان مک کارتی این موضوع را به عنوان یک مسئله نسبی در سال 1969 کشف کرد. برای هر قضاوت صحیح (در تعریف عام) که محققان هوش مصنوعی، سعی در پیاده سازی آن داشتند، تعداد زیادی استثنا وجود داشت. بنابر این، آنها به این نتیجه دست یافتند که در قضاوت عام، نمی توان یک چیز را مطلقا درست یا غلط دانست بلکه همه چیز نسبی است. مثلا وقتی به شما می گویند که فلان شخص، خوب است یا بد؟ شما اول به مواردی توجه می کنید که مهم تر هستند و بر این اساس در مورد خوبی و بدی قضاوت می کنید. در حالی که هیچ کس مطلقا خوب یا بد نیست! در واقع شما اول به مواردی اهمیت می دهید که مهم تر است. محققان هوش مصنوعی هم با پیاده کردن چنین الگوریتمی توانستند این مشکلات را حل کنند.
2- سطح وسیع اطلاعات مورد نیاز برای قضاوت عام: منظور از قضاوت عام، همان نحوه قضاوتی است که در بالا توضیح داده شد که شما به نکاتی که بیشتر اهمیت دارند، امتیاز بیشتری اختصاص می دهید و آنها را ملاک قضاوت خود قرار می دهید. اما این نوع قضاوت، شاید در زندگی روزمره ما کار عادی ای شده باشد؛ اما در واقع برای کامپیوتر این کار نیاز به اطلاعات پایه ای زیادی در زمینه هستی شناسی و شناخت ویژگی های موجودات دارد. محققان هوش مصنوعی می بایست، مفاهیم دقیق و پیچیده ای را با دست خود، به کامپیوتر می فهماندند. کار بزرگی که انجام شد این بود که توانستند کامپیوتر را قادر سازند که از منابع اطلاعاتی (نظیر اینترنت امروزی) ، مفاهیمی را کسب کند و از این راه به اطلاعات خود در این باره بیافزاید.
3- استفاده از زبان Sub-Symbolic برای توضیح بعضی مفاهیم در قضاوت عام: بسیاری از معلوماتی که مردم دارند، چیز هایی است که نمی توان آن ها را تصویر کرد و یا توضیح داد. برای مثال یک شطرنج باز ماهر، از قرار دادن یک مهره در یک وضعیت خاص پرهیز می کند زیرا احساس می کند که این کار خطرناک است و یا یک کارشناس و منتقد هنری با نگاه کردن به یک مجسمه و یا یک نقاشی تشخیص می دهد که آن جعلی و تقلبی است. پیاده کردن چنین الگوریتم هایی با استفاده از زبان سمبلیک ممکن نبود و باید از زبان دیگری بر پایه Sub-Symbolic استفاده می شد. قبل از هر چیز باید، توضیح مختصری از این دو را به شما ارائه کنیم:
در واقع اساس کار زبان های سمبلیک بر پایه استدلال و نتیجه گیری و به طور کلی، منطق است. در این گونه زبان ها برای متغیر ها و توابع مقدار های مشخصی در نظر گرفته می شود و بدین وسیله، هر متغیر حاوی بخشی از اطلاعات برنامه و هر تابع حاوی بخشی از قوانین استنباطی برنامه است.
اما روش Sub-Symbolic تا حد زیادی متفاوت است. این روش از شبکه های عصبی برای پردازش اطلاعات استفاده می کند. این شبکه های عصبی از واحد های ورودی، واحد های پنهان و واحد های خروجی تشکیل شده اند که همگی با یکدیگر ارتباط دارند. این واحد ها گاهی سلول عصبی نیز، خطاب می شوند. همانطور که گفته شد، این سلول های عصبی با یک دیگر ارتباط دارند. اما چیزی که باید بدانید این است که اطلاعات در بین این ارتباطات، پردازش می شوند و بر این اساس ممکن است یک سلول عصبی در پردازش اطلاعات موثر و یا کم اثر باشد. در عوض، در شبکه های عصبی تمامی اجزا مهم تلقی می شود. چون هیچ کدام از آنها به تنهایی نمی توانند، اطلاعات را پردازش کنند ولی وقتی تمام اجزا با هم کار کنند، موجب ایجاد یک عملکرد هوشمند می شوند.
برای این که این روش را بهتر درک کنید، به این مثال توجه نمایید: یک مورچه تنها را در نظر بگیرید، طبعا نه کاری می تواند بکند و نه اثری دارد، اما وقتی مجموعه ای از این مورچه ها جمع می شوند و یک کلونی را تشکیل می دهند، آنگاه جامعه ای از آنها درست می شود که در کلیت، هوشمند و موثر است، به طوری که حتی ما هم با دانستن راز های زندگی جمعی مورچه ها، به فکر فرو می رویم! همین کار را هم می توان با شبکه های عصبي انجام داد و يک شبه مغز را ايجاد کرد.

– برنامه ریزی:

موجودات و به طور کلی، چیز های هوشمند، باید بتوانند هدف هایی را برای خود تعیین کرده و به آنها دست یابند. برای این کار اولا لازم است که تصوری از آینده خود داشته باشیم. یعنی وضع کنونی هدف مورد نظر را در نظر بگیریم و پیش بینی کنیم که تصمیماتی که خواهیم گرفت، چگونه می تواند بر آن تاثیر بگزارد. پس از این کار باید، برای رسیدن به بهترین نتیجه؛ از بین گزینه هایی که داریم، بهترین و سودمند ترین آنها را انتخاب نماییم.
پس تصمیم گیری و برنامه ریزی از این روش، کاری است که بدون هوشمندی، نمی توان آن را انجام داد و فقط موجودات هوشمند از پس آن بر می آیند!
در مسائل کلاسیکی که در مورد برنامه ریزی وجود داشت، عامل هوشمند می توانست فرض کند که تنها یک چیز (هدف مورد نظر) در جهان فعال است و احتمالا می توان نتیجه آن را تغییر داد. بنا بر این هدف مورد نظر تعیین می شد و برای آن راه حل هایی ارائه می گردید. همچنین عامل هوشمند – که میتواند برنامه و یا هر چیز دیگری باشد – به طور مرتب و دائمی چک می کرد که پیشگویی هایش درست باشد و اگر اینطور نبود، راه حل مورد نظر برای هدفش را تغییر می داد.
در این مورد می توانید یک روبوت را در نظر بگیرید که می خواهد از یک مسیر مارپیچ عبور نماید. این روبوت ابتدا هر یک از این مسیر ها را امتحان می کند و اگر هر کدام از آنها به بن بست، بر خورد، آن را به حافظه می سپارد تا دوباره تکرارش نکند و این عمل را آنقدر ادامه می دهد که راه خودش را بیابد! ( این يک تعریف بسيار ساده بود)

– یادگیری:

ایجاد امکان یادگیری برای ماشین ها، همواره از پژوهش های اصلی در زمینه ی هوش مصنوعی بوده است. یادگیری بدون نظارت: قابلیت یادگیری الگو ها، از اطلاعات ورودی را فراهم میکند. یادگیری نظارت شده هم، می تواند هردو امکان: طبقه بندی و عبرت عددی را ایجاد کند.
طبقه بندی این امکان را می دهد که کامپیوتر بتواند تشخیص دهد که چه چیز هایی را می توان در یک گروه خاص گنجاند. عبرت عددی (Regression takes) نیز به این صورت عمل می کند که بعد از دادن چیز هایی به عنوان ورودی به کامپیوتر و مشخص کردن خروجی دقیق آنها، کامپیوتر می تواند روابط بین ورودی و خروجی را کشف کرده و الگوریتم ها و توابع پیوسته ای را برای آنها تعیین کند. این روش برای به وجود آوردن الگوریتم های بسیار پیچیده، مفید خواهد بود.
اجازه دهید تا در این مورد مثالی بزنیم: وقتی در حال رانندگی هستید و به عابران پیاده نگاه می کنید، می توانید تا حد زیادی تشخیص دهید که آنها قصد چه کاری را دارند. مثلا می خواهند از خیابان رد شوند یا این که تاکسی بگیرند و یا این که فقط سر جای خود ایستاده اند. خب، این کار برای من و شما نسبتا ساده است اما اساسا برای نوشتن الگوریتم آن برای کامپیوتر، از دست یک انسان کاری ساخته نیست. با استفاده از روش عبرت عددی می توان با روش های خاص این مورد را با مثال های زیادی به کامپیوتر و برنامه ی مربوطه نشان داد و به تدریج الگوریتم مورد نیاز را تحویل گرفت.
اما چیزی که باید هم اکنون به آن اشاره کرد، عملیات تقویت یادگیری است. این کار به این صورت انجام می پذیرد که تئوری تصمیم گیری کامپیوتر آنالیز شده و برداشت های سودمند آن تئوری، مورد تاکید قرار می گیرند. در واقع کار های درست با تشویق (به صورت اولویت دادن) و کار های غلط با تنبیه (به صورت امتیاز منفی) پاسخ داده می شوند و به همین خاطر یادگیری کامپیوتر به طور مرتب بهبود می یابد.
یادداشت: آنالیز الگوریتم های یادگیری ماشین ها، شاخه ای از علوم نظری کامپیوتر است که با نام تئوری یادگیری کامپیوتری شناخته می شود.


– پردازش زبان طبیعی:

پردازش زبان طبیعی یا Natural Language Processing، به ماشین های هوش مند این قابلیت را می دهد که زبان انسان ها را بخوانند و آنها را متوجه شوند. بسیاری از تحقیقات به این نتیجه رسید که برای ایجاد قدرت کافی برای سیستم پردازش زبان طبیعی، نیاز است که اطلاعات زیاد و کاملی را به این سیستم ارائه کنیم که می تواند با استفاده از خواندن متن های موجود در اینترنت انجام شود.
برنامه هایی که هم اکنون در زمینه پردازش زبان طبیعی درست عمل می کنند، از امکاناتی مانند: بازیابی اطلاعات، جستجو در متن ها و امکان ترجمه ماشینی بهره مند اند.
– حرکت و جا به جا کردن اجسام: تحقیقات در زمینه روبوتیک، بیش از هر چیزی به هوش مصنوعی وابسته است. روبات ها برای موارد بسیار زیادی نیاز به هوشمندی دارند که از جمله آنها می توان مواردی مانند: مسیر یابی ، جا به جا کردن، این که بدانند کجا هستند، این که درکی از محیط خود داشته باشند و بتوانند برای حرکت به سوی نقطه خاصی، برنامه ریزی نمایند و هدف خود را تعیین کنند. بدین ترتیب هوش مصنوعی برای روبات ها بسیار پر کاربرد است و تقریبا در تمام زمینه های ذکر شده از آن استفاده می نمایند.

– ادراک:

درک ماشینی، به آنها این امکان را می دهد که بتوانند با استفاده از سنسور های ورودی خود، نظیر: دوربین، میکروفون ها و دیگر سنسور های عجیب و غریب (!) ؛ از محیط خود برداشت صحیحی داشته و بتواند محیط پیرامون خود را درک کند. در اصل، بینایی کامپیوتری این امکان را می دهد که کامپیوتر بتواند چیز هایی که می بیند را مورد تجزیه و تحلیل قرار دهد. چند مورد از آنالیز های معروف در روبات ها عبارت است از : آنالیز صحبت و صدا ها و تشخیص منظور، آنالیز چهره ها و تشخیص حالات آن ها. مانند: خشم، ناراحتی، خنده و … ، آنالیز اشیاء پیرامون و تشخیص آنها .
با استفاده از انواع آنالیز ها و تجزیه و تحلیل هایی که در بالا ذکر شدند، روبات ها قادر خواهند بود که بسیار هوشمند تر از قبل عمل کنند. مثلا در جا به جایی اجسام شیشه ای، دقت بیشتری کنند. برای کسی که ناراحت و عصبانی است، جک تعریف نکند! و سلام را با خدا حافظ پاسخ ندهد.
– هوش اجتماعی:

احساسات و مهارت های اجتماعی، دو بخش مهم از هوش مندی را تشکیل می دهند. اولا، باعث می شود که ماشین هوشمند بتواند عکس العمل طرف مقابل را در برابر یک رفتار خاص، تشخیص دهد. که این کار با درک از انگیزه فرد و احساسات او عملی خواهد شد.

ثانیا؛ برای تعامل بهتر بین انسان و کامپیوتر، ماشین هوشمند باید بتواند که احساساتی را از خود بروز دهد. در بد ترین حالت، این امر باید به صورت نشان دادن احساسات ضعیف در گفتار و با کمال ادب انجام گیرد و در بهترین حالت باید با حساسیت طبیعی و مناسب در برابر انسان همراه باشد. در واقع سعی بر این است که کامپیوتر طوری عمل کند که اگر با لحن بدی با او حرف زدید، با کمال ادب به شما پاسخی مناسب با لحن خودتان دهد. و بالعکس!

نکته مهم: مساله کمال ادب بسیار مهم است چون کامپیوتر در صورت عدم رعایت این موضوع، موجودیت خودش را به خطر خواهد انداخت و در این صورت نیاز به یک الگوریتم برای کشتی گیری انسان و کامپیوتر (یا ربات) هم به شدت احساس می شود. (معمولا انسان ها اعصاب ندارند و خیلی زود درگیر می شوند.)


– ابتکار وخلاقیت:

یکی از شاخه های مهم، هوش مصنوعی سعی در ایجاد قوه ی خلاقیت در کامپیوتر دارد. پیاده سازی ابتکار و خلاقیت در هوش مصنوعی، هم از نظر فلسفی و هم از نظر فیزیولوژی قابل توجیه می باشد. همچنین از نظر عملی هم با پیاده سازی یک الگوریتم مخصوص که خروجی هایی هوشمندانه و متفکرانه تولید نماید، امکان پذیر است. این شاخه معمولا با نام های: درک مصنوعی (Artificial Intuition) و پندار مصنوعی (Artificial Imagination) شناخته می شود. برای پرهیز از پیچیده شدن مقاله، توضیح بیشتری نمی دهیم اما می توانید مباحث مربوط به این دو را نیز در سایت های دیگر دنبال نمایید.

– هوش عمومی:
برای پیاده سازی هوش عمومی روی کامپیوتر نیاز است که از تمامی توانایی های بالقوه ی هوش مصنوعی استفاده کنیم. برای مثال مترجم متن گوگل را در نظر بگیرید؛ می دانیم که این مترجم در حال حاضر با خطا های بسیاری رو به رو است. حال اگر بخواهیم که اشکالات کار ترجمه، حل شود؛ می توانیم از هوش عمومی استفاده نماییم: برای ترجمه خوب باید اول بفهمیم که نویسنده از چه استدلال ها و چه دلایلی برای مطرح کردن یک منظور خاص استفاده می کند.( به کار گیری جنبه درک استدلال و منطق)، همچنین باید بدانیم که موضوعی که درباره آن صحبت می شود چیست.(درک و جمع آوری اطلاعات). مرحله بعدی کار ما این است که مقصود نویسنده از جملات را پیدا کنیم؛ مثلا بفهمیم که دارد انتقاد می کند یا تعریف. (هوش اجتماعی). پس از این کار ها و در نظر گرفتن موارد فوق می توانیم به ترجمه یک متن بپردازیم.

شاید بپرسید که اگر مساله فقط این است، پس چرا گوگل کاری نمی کند ؟ در این مورد باید گفت که شاید در زبان ساده باشد اما به کار گیری چنین الگوریتم هایی با خطای بسیار کم، در حال حاضر عملا امکان پذیر نیست. البته این الگوریتم ها در ترجمه گوگل استفاده می شوند ولی خطای آنها زیاد است. برای کم کردن این گونه خطا ها، راهی که کارشناسان پیشنهاد می کنند، استفاده از شبکه های عصبی و زبان Sub-Symbolic است.
————————————————-
منبع این پست “نارنجی” می باشد.

نحوه مقدار دهی اولیه کشورها در الگوریتم رقابت استعماری – پرسش و پاسخ مطرح شده

این پست در پاسخ به سوال مطرح شده توسط یکی از دوستان دانشجو، تهیه شده است. به دلیل اینکه همین سوالات ممکن است برای دیگران نیز مطرح شود، به نظر رسید که انتشار آن در قالب یک پست عمومی خالی از لطف نباشد.

متن سوال مطرح شده به صورت زیر است.
______________________________________
با سلام و احترام،

من به الگوریتم ICA علاقمند شده و می‌خواهم روی آن کار کنم. ضمن مطالعه آن، یکسری سوالات برایم پیش آمدند. ممنون میشم جواب سوالاتم را بدهید.

۱- اول کار مقدار دهی اولیه (Intialization) کشور‌ها با چه مقداری انجام می‌شوند؟ تولید رندم در چه بازه ایی است؟

۲- زاویهٔ theta موقع محاسبهٔ x به چه صورتی تاثیر میگذارد؟

۳- آیا مقدار x که با توزیع یکنواخت (uniform) محاسبه می‌شود، به شکل زیر در متلب محاسبه می‌شود؟

(beta*d*rand)

۴- اگر قرار باشد به امپراتوری‌ای در اول کار مثلاً ۵ مستعمره تعلق بگیرد و ما مثلاً ۱۷ تا مستعمره داشته باشیم، کدام ۵ تا مستعمره به آن تعلق میگیرند؟

متن مشروح پاسخ ها نیز در ادامه آمده است.

______________________________________
پاسخ اغلب این سوالات با مراجعه به متن آموزشی فارسی الگوریتم رقابت استعماری که در حقیقت متن کامل یک پایان نامه در این حوزه است، قابل دریافت است. البته مطالعه کدهای نوشته شده در متلب الگوریتم نیز که کاملاً خوانا و منظم هستند، می تواند در پاسخ به این سوالات و سوالات احتمالی بعدی مفید باشد. متن آموزشی و کدهای آماده الگوریتم را می توانید از لینکهای زیر دریافت کنید.

لینک دانلود متن آموزشی

لینک دانلود کدهای آماده

در ادامه پاسخ تک تک سوالات را می بینیم.

1) همانگونه که در متن اموزشی بیان شده، تولید x با توزیع یکنواخت در بازه بین صفر و بتا ضربدر d انجام می گیرد. که در ان d فاصله میان مستعمره و امپریالیست است. بتا را نیز معمولاً حدود 2 در نظر می گیریم. وجود ضریب بتا بزرگتر از یک باعث مي‌شود تا کشور مستعمره در حين حرکت به سمت کشور استعمارگر، از جهت‌هاي مختلف به آن نزديک شود.

2) در الگوريتم معرفي شده، با افزودن يک زاويه تصادفي به مسير جذب مستعمرات، انحرافی در مسیر حرکت انجام مي‌گيرد. بدين منظور، در حرکت مستعمرات به سمت استعمارگر، کمي زاويه تصادفي نيز به جهت حرکت مستعمره، اضافه مي‌کنيم. بدين منظور اين‌بار به جاي حرکت به اندازه x، به سمت کشور استعمارگر و در جهت بردار واصل مستعمره به استعمارگر، به همان ميزان، ولي با انحراف theta در مسير، به حرکت خود ادامه مي‌دهيم. theta را به صورت تصادفي و با توزيع يکنواخت در نظر مي‌گيريم (اما هر توزيع دلخواه و مناسب ديگر نيز مي‌تواند استفاده شود). در حالت دو بعدی پیاده سازی این مورد بسیار ساده است. کافی است از ماتریس دوران دو بعدی استفاده کنیم. یعنی بردار کنونی را داریم. بردار موقعیت جدید از ضرب ماتریس دوران به ادهزه theta در ماتریس موقعیت قبلی ایجاد می گردد.

در حالتهای با بعد بزرگتر، این نوع نگاه ممکن است در پیاده سازی (کد نویسی برنامه) کمی پیچیدگی ایجاد کند. به همین منظور می توانیم مولفه های تک تک ابعاد را در اعداد تصادفی متفاوت ضرب کرده و بردار نهایی را نرمالیزه (هم اندازه با بردار اولیه) کنیم. اگر کدهای نوشته شده را ببینید، به همین صورت عمل شده است.

3) بله دقیقاً همین طور هست. باز هم توصیه می شود کد ها را ببینید.

4) این مستعمرات کاملاً تصادفی انتخاب می شوند و هیچ اولویتی بین آنها نیست. تابع randperm در متلب می تواند در انتخاب مستعمرات به ما کمک کند. این تابع جایگشت تصادفی n عدد را به ما می دهد. راهنمای متلب را برای همین موضوع ببینید.

 

_____________________________________________
نظرات شما در انتهای این پست برای سایر خوانندگان، بسیار مفید خواهد بود. می توانید نظر خود را با اکانت سرویس های مختلف و یا به عنوان ناشناس در این پست درج نمائید.
صرف زمان برای یادگیری اتلاف زمان نیست. سرمایه گذاری زمانی است.

پیام تسلیت جمعي ازدانشگاهيان داخل وخارج ازکشور: درگذشت استاد لوكس،ضايعه‌اي جبران ناپذيربراي جامعه علمي است

در پي درگذشت استاد کارو لوکس، چهره ماندگار مهندسي برق ايران و استاد برجسته دانشکده فني دانشگاه تهران، بيش از هشتصد نفر از استادان، دانشجويان و دانش آموختگان داخل و خارج از کشور در پيام تسليتي خطاب به جامعه علمي کشور و خانواده ايشان، مراتب اندوه خود را از اين ضايعه جبران ناپذير ابراز كردند.

به گزارش گروه دريافت خبر ايسنا، در اين پيام تسليت كه از طرف جمعي از استادان، محققان و دانشجويان ايراني ساکن ايران، آلمان، آمريکا، ارمنستان، اتريش، اسپانيا، استراليا، امارات متحده، انگلستان، ايتاليا، بلژيک، پرتغال، ترکيه، ژاپن، سنگاپور، سوئد، سوييس، فرانسه، فنلاند، فيليپين، کانادا، لهستان، مالزي، نروژ، نيوزيلند، هلند و هند به نمايندگي از همکاران و شاگردان پروفسور لوکس صادر شده آمده است: «خبر درگذشت استاد ارجمند و دانشمند بي بديل، جناب آقاي پروفسور کارو لوکس، ما را در حيرت و اندوه فرو برد. چه بسيارند استادان برجسته و دانشجويان و دانش آموختگاني که در داخل يا خارج از کشور، افتخار شاگردي در محضر ايشان را دارند و از اين بابت به خود مي بالند. نام اين استاد ارزشمند بيش از هر چيز براي ما تداعي‌کننده اخلاق والاي انساني، فروتني مثال زدني و مهرباني پدرانه اوست.
نگاه ارزشمند و منحصر به فرد آن فقيد سعيد به هستي که آميخته اي از هوشمندي و دقت نظر علمي و نازک طبعي زيباشناسانه بود، هر مستمعي را به وجد مي آورد. آري، او کسي بود که بيش از هر چيز از او درس زندگي آموختيم. در عرصه علمي، پروفسور کارو لوکس استادي مبرز با ايده هاي نو، مدرسي ژرف انديش و پژوهشگري شايسته و کم نظير بود.

بدون شک درگذشت ايشان، ضايعه اي جبران ناپذير براي جامعه علمي کشور، علي الخصوص چند نسل از دانشجويان و محققين مهندسي برق و کامپيوتر است که به طور مستقيم يا غير مستقيم در محضر او کسب فيض کرده اند.

ما جمعي از دانشجويان و دانش آموختگان داخل و خارج از کشور به نمايندگي از همکاران و شاگردان پروفسور کارو لوکس، درگذشت تألم بار ايشان را به خانواده گرامي ايشان و جامعه علمي کشور تسليت عرض مي نماييم و براي ايشان علو درجات و براي بازماندگان ايشان شکيبايي آرزومنديم.

استاد گرامي ما مصداق اين گفته ي نغز هستند که

«بعد از وفات ، تـربـت مـا در زميـن مجـوى در سينه‌هاى مردم عارف مزار ماست»

به گزارش ايسنا، پرديس دانشکده‌هاي فني دانشگاه تهران هم در پيام تسليتي، ضايعه درگذشت استاد فقيد پروفسور کارولوکس را تسليت گفت:

در اين پيام آمده است: «ضايعه درگذشت نابهنگام استاد فقيد پروفسور کارولوکس در شامگاه پنجشنبه هفدهم تيرماه، جامعه بزرگ علمي کشور و خانواده بزرگ دانشکده فني و دانشگاه تهران را در سوگ نشاند.

پروفسور کارو لوکس، استاد برجسته و فرهيخته دانشکده فني و چهره‌ هميشه ماندگار مهندسي کشور، دانشمندي برجسته و نام‌آور و انساني بزرگ و با فضيلت بود؛ نمونه‌اي از استاداني که تخصص، تعهد و فرزانگي را همراه با عشق به ميهن و پيشرفت و اعتلاي آن، به صورت توامان در شخصيت خويش فراهم دارند و هم‌طراز با مدارج عالي علمي و پژوهشي از خصايل والا و نيکوي انساني نيز در حدّ کمال بهره‌مندند.

امروز پرديس دانشکده‌هاي فني دانشگاه تهران و جامعه علمي کشور، سوگوار يکي از پرافتخارترين دانشمندان خود است و آنچه اندکي اين سوگ را تسلّي مي بخشد، يادگارهاي ماندگار اين استاد فقيد در عرصه علم، پژوهش، اخلاق و مهر و مهرورزي است که تا هميشه و همه‌گاه، در خاطر دانشجويان و همکاران استاد مرور خواهد شد.

پرديس دانشکده‌هاي فني دانشگاه تهران، اين ضايعه بزرگ را به خانواده محترم و معزّز استاد، اعضاي هيات‌علمي، مديران، کارکنان و دانشجويان دانشگاه تهران، و همکاران استاد در ساير مجامع علمي داخل و خارج کشور تسليت گفته، براي روح بزرگ ايشان، رحمت و غفران واسعه الهي و براي بازماندگان از خداوند متعال صبر و شکيبايي مسالت دارد.»

بر اساس برنامه‌ريزي صورت گرفته، مراسم تشييع پيکر استاد از ساعت 11روز دوشنبه 21تيرماه از مقابل دانشکده فني واقع در پرديس مرکزي دانشگاه تهران (خيابان انقلاب) برگزار مي‌شود.

به گفته رييس پرديس دانشكده‌هاي فني دانشگاه تهران، پيكر استاد پس از تشييع از مقابل دانشكده فني تا سر در اصلي دانشگاه، جهت انجام مراسم مذهبي در بعد از ظهر دوشنبه به كليسايي در خيابان 30 تير تهران منتقل شده و سپس جهت خاكسپاري به قبرستان ارامنه تهران(خاوران) منتقل مي‌شود.

مراسم بزرگداشتي نيز طي روزهاي اينده از سوي دانشكده فني دانشگاه تهران برگزار مي‌شود كه جزئيات آن متعاقبا اعلام خواهد شد.

کارو لوکس، استاد دانشكده فني دانشگاه تهران و از پژوهشگران برجسته سيستم‌هاي هوشمند شامگاه پنج‌شنبه در تهران درگذشت.

كارو لوكس (Caro Lucas) كه به «پدر هوش مصنوعي ايران» شهرت دارد در سال 1328 در اصفهان متولد شد. وي كه تحصيلات ابتدايي و متوسطه را در مدرسه كوشش تهران سپري كرده بود دوره كارشناسي و كارشناسي ارشد را تا سال 52 در رشته مهندسي برق در دانشگاه تهران پشت سر گذاشت و در سال 55 تحصيلات دكتري را در دانشگاه كاليفرنيا در «بركلي» به پايان برد.

استاد لوكس كه بنيانگذار و مدير «قطب كنترل و پردازش هوشمند» (Center of Excellence for Control and Intelligent Process) دانشكده‌ مهندسي برق دانشگاه تهران بود علاوه بر تدريس در دانشگاه تهران، مدت‌هاي كوتاهي به عنوان استاد مدعو در دانشگاه‌هاي بزرگي چون بركلي، گاريونيس، تورنتو و UCLA نيز به تدريس و تحقيق مشغول بوده و چند سالي مديريت «پژوهشكده سيستم‌هاي هوشمند» در مركز تحقيقات فيزيك نظري و رياضيات (پژوهشگاه دانش‌هاي بنيادي) را بر عهده داشته است.

وي، محقق «مركز بين‌المللي فيزيك نظري» (International Center for Theoretical Physics) و «مركز بين‌المللي مهندسي ژنتيك و بيوتكنولوژي» (International Center for Genetic Engineering and Biotechnology) در «تريسته‌» (Trieste) ايتاليا، عضو «انستيتو رياضي كاربردي» (Institute of Applied Mathematics)، عضو «فرهنگستان علوم چين» ‌(Chinese Academy of Sciences) محقق «انستيتو تكنولوژي الكتريكي هاربين» (Harbin Institute of Electrical Technology)، دستيار تحقيق (Research Associate) شركت پژوهشي، توليدي اونتاريو، دستيار تحقيق (Research Associate) آزمايشگاه پژوهش‌هاي الكترونيكي (Electronic Research Laboratory) دانشگاه كاليفرنيا در بركلي بود.

از جمله زمينه‌هاي پژوهشي مورد علاقه استاد لوكس، «محاسبه‌هاي زيستي» (Biological Computing) «هوش محاسبه‌اي» (Computational Intelligence)، «سيستم‌هاي نامشخص» (Uncertain Systems) «كنترل هوشمند» (Intelligent Control)، «شبكه‌هاي عصبي» (Neural Networks)، «سيستم‌هاي چندعاملي» (Multiagent Systems)،«ديتا ماينينگ» (Data Mining)،«مدلسازي مالي» (Financial Modeling) و «مديريت دانش» (Knowledge Management) بود.

اين چهره ماندگار علمي كشور متجاوز از 150 مقاله در مجله‌ها و 300 مقاله در كنفرانس‌هاي علمي ارائه كرده است.

منبع خبر: خبرگزاری دانشجویان ایران – ایسنا

دکتر کارو لوکس پدر علم روباتیک و حسابگری زیستی ایران درگذشت.

پروفسور کارولوکس استاد نام آور دانشکده فنی دانشگاه تهران در سن 59 سالگی درگذشت.

دکتر کارو لوکس از پژوهشگران به نام سیستم‌های هوشمند در ایران بود. ایشان مدرک کارشناسی ارشد مهندسی برق را از دانشگاه تهران (۱۹۷۳ میلادی) دریافت کرده و در سال ۱۹۷۶ میلادی مدرک دکترای خود را از گروه مهندسی برق و علوم کامپیوتر دانشگاه برکلی با گرایش مهندسی کنترل دریافت کردند.

زمینهٔ پژوهش‌های ایشان پیش‌بینی سری‌های زمانی، مدل‌های عاطفی، منطق فازی و بهینه سازی تکاملی بود. ایشان در سال ۱۳۸۵ خورشیدی به عنوان چهره ماندگار مهندسی برق کشور شناخته شد. کارو لوکس متولد سال 1328 در اصفهان و بزرگ شده در تهران بودند.

کارو لوکس (Caro Lucas) بنیانگذار و مدیر «قطب کنترل و پردازش هوشمند» بود. ایشان در طی سال‌های 1362 تا 1366 مدیر «پژوهشگاه دانش‌های بنیادی» (IPM) و در سال‌های 1345 تا 1367 رئیس دپارتمان ECE دانشگاه تهران بودند.

از فعالیت‌های دانشگاهی وی در دانشگاه‌های خارج از کشور می‌توان به عضویت در هیات علمی دانشگاه تورنتو کانادا، دانشگاه کالیفرنیا (برکلی)، دانشگاه گاریونیس و دانشگاه کالفرنیا (لس‌آنجلس) به عنوان دانشیار مدعو اشاره کرد.

وی پدر علم رباتیک ایران شناخته می‌شود. پرفسور کارو لوکس در 18 تیرماه 1389 دار فانی را وداع گفت.

وبسایت الگوریتم رقابت استعماری و بهینه سازی تکاملی نیز از طرف جامعه بهینه سازی تکاملی این ضایعه علمی را خدمت خانواده ایشان و همه قشر دانشگاهی کشور تسلیت عرض می نماید. لازم به ذکر است که الگوریتم رقابت استعماری (Imperialist Competitive Algorithm) به عنوان یک الگوریتم بهینه سازی جدید با نگرشی نوین در حوزه بهینه سازی تکاملی، تحت هدایت ایشان در طی پایان نامه کارشناسی ارشد در سال 2007 در دانشگاه تهران معرفی شد و تا کنون حمایت ها و راهنماییهای استاد فقید یکی از دلایل اقبال گسترده به این الگوریتم بوده است.

روحشان شاد و قرین رحمت

بهینه سازی چیست؟ (تئوری بهینه سازی)

این پست، به نقل از پایگاه جامع مهندسی صنایع با اندکی ویرایش نقل می شود. تعریف ارائه شده در این نوشتار، تعریف مناسبی از بهینه سازی است اما این تعریف، کامل، جامع و مانع نمی باشد و بیشتر از دیدگاه مهندسی صنایع به مبحث بهینه سازی می نگرد و ممکن است اصطلاحات و نوع نگاه به کار رفته در این تعریف در سایر حوزه ها، کمی متفاوت باشد. در ادامه مطلب، شما را به مطالعه این تعریف دعوت می کنیم.

با داشتن تابع f({\bf{x}})، در بهينه‌سازي مي‌خواهيم‌ آرگومان x را به گونه‌اي بيابيم که هزينه متناظر آن، بهينه باشد (معمولاً کمينه).
__________________________

آرزوی انسان برای رسیدن به كمال مبین تئوری بهینه سازی است. انسان می خواهد بهترین را تجسم و توصیف كرده و به آن دست یابد (بیت لر و دیگران، ۱۹۷۹) ؛ اما از آنجایی كه می داند نمی تواند تمام شرایط حاكم بر بهترین را به خوبی شناسایی و تعریف نماید در بیشتر موارد به جای جواب بهترین یا بهینه مطلق، به یك جواب رضایت بخش (وارنر، ۱۹۹۶) بسنده می كند.

آرزوی انسان برای رسیدن به كمال مبین تئوری بهینه سازی است. انسان می خواهد بهترین را تجسم و توصیف كرده و به آن دست یابد (بیت لر و دیگران، ۱۹۷۹) ؛ اما از آنجایی كه می داند نمی تواند تمام شرایط حاكم بر بهترین را به خوبی شناسایی و تعریف نماید در بیشتر موارد به جای جواب بهترین یا بهینه مطلق، به یك جواب رضایت بخش (وارنر، ۱۹۹۶) بسنده می كند. همچنین انسان در قضاوت عملكرد دیگران، معیار بهترین را در نظر نمی گیرد بلكه آنان را به صورت نسبی مورد ارزیابی قرار می دهد (گلدبرگ، ۱۹۸۹) ؛ بنابراین انسان به دلیل ناتوانی خود در بهینه سازی، به بهبود ارزش ویژه ای می دهد.

بیت لر و دیگران (۱۹۷۹) بهینه سازی را چنین شرح می دهند : فعل بهینه ساختن كه كلمه قوی تری نسبت به بهبود می باشد عبارتست از دستیابی به بهینه و بهینه سازی اشاره به عمل بهینه ساختن دارد. بنابراین تئوری بهینه سازی شامل مطالعات كمی بهینه ها و روش یافتن آنهاست. همچنین بهینه به عنوان یك واژه فنی دلالت بر اندازه گیری كمی و تحلیل ریاضی دارد در حالی كه بهترین، دارای دقت كمتر بوده و بیشتر برای امور روزمره استفاده می شود.

در بیشتر موارد آنچه كه با هدف بهینه سازی انجام می دهیم بهبود است. بهینه سازی به دنبال بهبود عملكرد در رسیدن به نقطه یا نقاط بهینه است. این تعریف دو قسمت دارد : ۱- جستجوی بهبود برای رسیدن به ۲- نقطه بهینه. تفاوت روشنی بین فرایند بهبود و مقصد یا نقطه بهینه وجود دارد. هنوز هم معمولا در رویه های بهینه سازی تمركز بر همگرایی است (آیا به نقطه بهینه می رسد؟) و عملكرد ضمنی رویه به طور كلی فراموش می شود. این اهمیت نسبت به همگرایی مربوط به ریشه های بهینه سازی در ریاضیات است اما همان طور كه اشاره شد در عمل چنین اهمیتی طبیعی و معقول نمی باشد (گلدبرگ، ۱۹۸۹). این مقایسه قصد بی ارزش نشان دادن همگرایی و دقتهای معمول ریاضی را ندارد چرا كه این حوزه خود مبنای ارزشمندی برای مقایسه روشهای بهینه سازی ارائه می كند.

در مقایسه الگوریتم های بهینه سازی دو معیار همگرایی و عملكرد مطرح می شود. بعضی از الگوریتم ها دارای همگرایی بوده ولی ممكن است عملكرد ضعیفی داشته باشند، یعنی فرایند بهبود آنها از كارایی و سرعت لازم برخوردار نباشد ؛ برعكس بعضی دیگر از الگوریتم ها همگرایی نداشته ولی عملكرد آنها خیلی خوب است.

می توان هدف از فرایندهای جستجو را در سه دسته زیر بیان كرد :

  1. بهینه سازی
  2. یافتن جواب عملی
  3. شبه بهینه سازی

در شرایطی كه ما به یافتن جواب در همسایگی جواب بهینه راضی باشیم هدف جستجو را شبه بهینه سازی می نامند. شبه بهینه سازی دارای دوطبقه است ؛ اگر هدف، یافتن جواب عملی خوب در فاصله تعریف شده ای از جواب بهینه باشد به آن بهینه سازی نزدیك گفته می شود. اگر شرط فاصله تعریف شده برای جواب بدست آمده حذف گردد و تنها یافتن جواب نزدیك بهینه با احتمال بالا هدف باشد به آن بهینه سازی تقریبی گفته می شود.

بیشتر مسائل عملی آنقدر مشكل هستند كه در آنها هدف، شبه بهینه سازی در نظر گرفته می شود تا از این طریق تعادلی بین كیفیت جواب بدست آمده و هزینه جستجوی آن جواب برقرار گردد. هم چنین از آنجایی كه تعداد محاسبات مسائل بهینه سازی تركیبی به اعداد نجومی می رسد حذف شرط بهینگی یك ضرورت اقتصادی است. در شبه بهینه سازی باید الگوریتم هایی ارائه كرد كه حدود مناسب میزان محاسبات و نزدیكی به بهینگی را تضمین نموده و تعادلی بین آنها برقرار نمایند. این الگوریتم ها باید مجهز به پارامترهای قابل تنظیم باشند تا كاربر بتواند با تغییر آن پارامترها تعادل مطلوب بین جواب بدست آمده و میزان محاسبات را برقرار نماید. (پیرل، ۱۹۸۴)

__________________________

منبع: پایگاه جامع مهندسی صنایع

_____________________________________________

نظرات شما در انتهای این پست برای سایر خوانندگان، بسیار مفید خواهد بود. می توانید نظر خود را با اکانت سرویس های مختلف و یا به عنوان ناشناس در این پست درج نمائید.

صرف زمان برای یادگیری اتلاف زمان نیست. سرمایه گذاری زمانی است.

دانلود رایگان تولباکس برنامه ریزی ژنتیک – Genetic Programming Toolbox

برنامه ریزی ژنتیک (Genetic Programming) و یا به اختصار GP، یکی از روش های قدرتمند در حوزه الگوریتم های تکاملی است و اصول آن مبتنی بر الگوریتم ژنتیک است. اما طرز نمایش جواب ها در این روش، به صورت ساختارهای درختی است که برای حل مسائل مختلف می تواند مورد استفاده قرار بگیرد. ساختار درختی کروموزوم ها در روش برنامه ریزی ژنتیک، این الگوریتم را به ابزاری قوی و مناسب برای حل مسائل مدل سازی تبدیل می کند.

یکی از تولباکس هایی که بر روی نسخه استاندارد متلب وجود ندارد، تولباکس برنامه ریزی ژنتیک است و به همین دلیل، معمولا نیاز اساسی کاربران نسبت به وجود آن، بدون پاسخ می ماند. متلب سایت، یکی از تولباکس های استاندارد برای GP را برای دانلود در اختیار مراجعین محترم و علاقه مندان قرار داده است. نام این تولباکس جی پی لب (GPLAB) است و نسخه 3 آن برای دانلود در اختیار شما قرار گرفته است. فایل راهنمای استفاده از تولباکس برنامه ریزی ژنتیک نیز در داخل بسته نرم افزاری، گنجانده شده است. لینک دانلود این تولباکس، در ادامه قرار گرفته است:
لینک دانلود تولباکس برنامه ریزی ژنتیک (598 کیلوبایت)

نکته:اگر فایلهای دریافتی نیاز به پسورد داشتند، عبارت matlabsite.com را استفاده کنید.

کدها و برنامه رایگان ارائه شده می توانند به عنوان یک پروژه کامل  و مجزا در مورد برنامه ریزی ژنتیک، مورد استفاده آموزشی نیز قرار بگیرند.
اگر به هر نحو ممکن در دانلود فایلهای فوق با مشکل روبرو شدید، با ارسال ایمیل از طریق قسمت تماس با ما و یا با نوشتن کامنت در پایین همین پست، ما را در جریان قرار دهید.

 

_____________________________________________
نظرات شما در انتهای این پست برای سایر خوانندگان، بسیار مفید خواهد بود. می توانید نظر خود را با اکانت سرویس های مختلف و یا به عنوان ناشناس در این پست درج نمائید.

صرف زمان برای یادگیری اتلاف زمان نیست. سرمایه گذاری زمانی است.

power point شبکه عصبی پردازش تصویر آموزش شبکه عصبی اموزش شبکه عصبی matlab اموزش شبکه عصبی در متلب انجام پایان نامه شبکه عصبی انجام پروژه شبکه عصبی فازی انجام پروژه های شبکه عصبی انجام پروژه های شبکه عصبی توسط دانشجوی فوق لیسانس برنامه شبکه عصبی  پروژه درس شبکه عصبی پروژه شبکه عصبی تحلیل پوششی و شبکه عصبی ساخت شبکه عصبی در متلب سایت آموزشspss شبکه عصبی شبکه عصبی در مهندسی مکانیک شبکه عصبی در نرم افزار متلب  matlabمنطق فازی اموزش نوار ابزار منطق فازی برنامه مطلب انجام پروژه شبکه عصبی فازی بازاریابی منطق فازی تحلیل پوششی داده ها پردازش کنترل فازی تحقیق منطق فازی و روانشناسی تحلیل پوششی داده فازی تشخیص الگو سیستم های فازی پروژه روش منطق فازی سیستم فازی در شبکه موبایل سیستمهای فازی فازی کنترل فازی  آموزش الگوریتم ژنتیک آموزش الگوریتم ژنتیک اهواز
آموزش الگوریتم ژنتیک با متلب آموزش بهینه سازی الگوریتم ژنتیک آموزش کاربردی الگوریتم ژنتیک در نرم افزار matlab الگوریتم ژنتیک الگوریتم ژنتیک arcgis الگوریتم ژنتیک matlab الگوریتم ژنتیک matlab اصفهان الگوریتم ژنتیک nsga2 الگوریتم ژنتیک vb الگوریتم ژنتیک برای کلونی مورچه ها الگوریتم ژنتیک در matlab الگوریتم ژنتیک در بورس الگوریتم ژنتیک در شیلات الگوریتم ژنتیک در مطلب الگوریتم ژنتیک درشبکه الگوریتم ژنتیک کلونی زنبور الگوریتم ژنتیک کلونی مورچه ها الگوریتم ژنتیک کنترل پروژه الگوریتم ژنتیک مت لب الگوریتم ژنتیک و کارسنجی اموزش الگوریتم ژنتیک اموزش الگوریتم ژنتیک به فارسی
اموزش الگوریتم ژنتیک در مطلب انجام پروژه های الگوریتم ژنتیک خرید برنامه هشت وزیر توسط الگوریتم ژنتیک کد الگوریتم ژنتیک   کد الگوریتم ژنتیک  آموزش الگوریتم ژنتیک با متلب آموزش الگوریتم کوله پشتی آموزش بهینه سازی الگوریتم ژنتیک آموزش کاربردی الگوریتم ژنتیک در نرم افزار matlab الگوریتم ازدحام ذرات الگوریتم استراسن الگوریتم استعمار و مستعمره  الگوریتم انت کلونی  الگوریتم بهینه درکامپیوتر الگوریتم بهینه سازی ازدحام ذرات الگوریتم بهینه سازی ذرات الگوریتم بینایی ماشین الگوریتم پازل  الگوریتم پرندگان الگوریتم تکاملی الگوریتم حرکت پرندگان الگوریتم دسته ای پرندگان pso الگوریتم دنیای جاروبرقی در هوش مصنوعی الگوریتم رقابت استعماری الگوریتم زنبور عسل pdf الگوریتم ژنتیک الگوریتم ژنتیک arcgis الگوریتم ژنتیک matlab الگوریتم ژنتیک matlab اصفهان الگوریتم ژنتیک nsga2 الگوریتم ژنتیک vb الگوریتم ژنتیک برای کلونی مورچه ها الگوریتم ژنتیک در matlab الگوریتم ژنتیک در  ورس  الگوریتم ژنتیک در شیلات الگوریتم ژنتیک در مطلب الگوریتم ژنتیک درشبکه الگوریتم ژنتیک کلونی زنبور الگوریتم ژنتیک کلونی مورچه ها الگوریتم ژنتیک کنترل پروژه الگوریتم ژنتیک مت لب الگوریتم ژنتیک و کارسنجی الگوریتم سودوکو به زبان سی پلاس پلاس الگوریتم کلونی مورچه الگوریتم کلونی   مورچه در شبکه ad hoc الگوریتم کلونی مورچه ها در بر ای رنگ آمیزی گراف الگوریتم کوله پشتی الگوریتم کوله پشتی در دلفی الگوریتم مسیریابی شبکه بی سیم  الگوریتم مورچه گان الگوریتم مورچه گان آموزش الگوریتم مورچه و زنبور عسل الگوریتم مهاجرت پرندگان  الگوریتم هوش مصنوعی الگوریتمهای بازی در هوش  اموزش الگوریتم ژنتیک اموزش الگوریتم ژنتیک به فارسی اموزش الگوریتم ژنتیک در مطلب انجام پروژه های الگوریتم ژنتیک انواع الگوریتم برای الگوریتم ocr انواع الگوریتم بهینه سازی انواع الگوریتم های کلاسترینگ برنامه نویسی الگوریتم ازدحام ذرات برنامه نویسی پاسکال الگوریتم کوتاهترین مسیر توضیح الگوریتم کوله پشتی  fuzzy logic جزوه آموزش جزوه هوش مصنوعی جزوه ارشد هوش مصنوعی  برنامه نویسی الگوریتم ازدحام ذرات برنامه نویسی الگوریتم غربال