تبلیغات
برق. قدرت. کنترل. الکترونیک. مخابرات. تاسیسات. - 147-هوش محاسباتی

برق. قدرت. کنترل. الکترونیک. مخابرات. تاسیسات.

دایره المعارف تاسیسات برق (اطلاعات عمومی برق)


هوش مصنوعی ... چیزی که دائما در کنارتان است. شاید خودتان هم متوجه نباشید اما قطعا این طور است! در بازی های کامپیوتری، وقتی که از مترجم گوگل استفاده می کنید، وقتی گجتتان، دستخط شما را تشخیص می دهد و در موارد بسیار دیگری شما از هوش مصنوعی استفاده می کنید. در این مقاله می خواهیم مقدمه ای داشته باشیم بر هوش محاسباتی، که یکی از شاخه های مهم هوش مصنوعی است. پس برای آشنا شدن بیشتر با آن؛ روی ادامه مطلب کلیک کنید.

انسان موجود کاملی نیست و به همین دلیل همواره نیازهای فراوانی در زندگی وی ظاهر می‌شوند. این نیازها در ادوار مختلف تمدن بشری، از نظر نوع و شدت، تغییرات فراوانی داشته‌اند. در بسیاری از مواقع، نیازهای دو نسل پیاپی از انسان‌ها، تفات‌های بسیاری با هم دارند و مسائلی برای افراد یک نسل اهمیت دارند که نسل پیشین یا پسین، کاملا نسبت به آن مسائل، بی توجه هستند. اما چیزی که در میان تمام نسل‌های بشری مشترک است، تلاش برای رفع نیازها و کمبودهای ذاتی است.علی رغم کمبودها و نیازهای بسیاری که همراه انسان هستند، قدرت تفکر و نوآوری انسان، این امکان را به او می‌دهد که بتواند با ابداع و اختراع، بخش قابل توجهی از محدودیت‌ها و نیازهایش را جبران نماید.


 

انسان از نظر توان فیزیکی، موجودی محدود است. در میان جاندارانی که در خشکی، دریا و هوا حرکت می‌کنند؛ انسان جایگاه قابل توجهی ندارد. سرعت حرکت انسان در خشکی و آب،کاملا محدود است. اقامت انسان در زیر آب فقط محدود به مدت زمان کوتاهی بوده و پرواز در آسمان نیز برای انسان غیر ممکن است. انسان قدرت بلند کردن هر وزنه‌ای را ندارد. با درک چنین نیازهایی، در طول قرون و اعصار مختلف، اختراعاتی چون: هواپیما، کشتی، چاقو، جرثقیل، لباس و تجهیزات غواصی و طناب اختراع شده‌اند. تمامی اختراعات یاد شده، در جهت رفع محدودیت‌های فیزیکی انسان‌ها ایجاد شده‌اند.


 

پس از مدتی که تمدن نوپای بشری کار خود را آغاز نمود، نوع دیگری از نیازها برای انسان مطرح شدند. نیازهایی که در مقایسه با نیازهای فیزیکی، قدری لوکس‌تر به نظر می‌رسند. انسان در این مرحله، علاقه‌مند به ثبت وقایع و دستاوردهای خود شد. نقاشی‌هایی که امروزه در غارها کشف می‌شوند و سنگ‌نوشته‌ها و کتیبه‌هایی که در موزه‌های مختلف وجود دارند نشان از علاقه‌مندی بشر، به حفظ و انتقال اطلاعات دارد. نیاز به ذخیره‌سازی و تبادل اطلاعات، در زمان‌های مختلف توسط بشر حس شده است و اختراعات و ابداعاتی از قبیل دیسک‌های نوری، دوربین عکاسی، خط، تلفن، کبوتر نامه‌بر، و اینترنت، همگی محصول توجه به این نیاز بوده‌اند.


 

دسته‌ی دیگری از محدودیت‌هایی که انسان رفته رفته بیشتر با آن‌ها روبرو شد، و سعی در رفع آن‌ها نمود، شامل خستگی، محدودیت سرعت کار، و عدم مصونیت از خطا است. به عنوان مثال، محاسبات سنگین و حجیم، حتی اگر توسط انسان قابل انجام هم باشد؛ قطعا مصون از خطا و اشتباه نخواهد بود. انسان نمی‌تواند یک طرح را صدها بار بدون هیچ تفاوت (حتی جزئی) اجرا نماید. ساعات کار مفید انسان، در هر کاری که باشد، کاملا محدود و متاثر از محدودیت‌های فیزیکی اوست. به خصوص اگر ماهیت کار به نوعی باشد که با قوای فکری و محاسباتی انسان مرتبط باشد. قطعا با طولانی‌تر شدن زمان کار، کیفیت کار نیز خدشه‌دار خواهد شد. این نوع از نیازها و محدودیت‌ها منجر به ایجاد اختراعاتی چود ساعت، چاپگر، و کامپیوتر شدند. این اختراعات، مجموعه‌ای از کارها (احتمالا تکراری) را بدون هیچ خستگی یا خطایی انجام می‌دهند.


 

بشر امروز، علاوه بر نیازهای فیزیکی، ثبت و انتقال اطلاعات و پردازش دقیق نوع دیگری از نیاز را تجربه می‌کند. نیازی که تا 50 سال پیش، هیچ گاه به صورت جدی برای انسان مطرح نشده بود. تا پیش از این، انسان در پی ایجاد ابزارهایی بود که به جای او: کارهای فیزیکی انجام دهند، اطلاعات را به یاد داشته باشند (و منتقل کنند) و به جای او محاسبه کنند! اما امروزه انسان در پی ایجاد ابزارها و ادواتی است که به جای او فکر کنند، یاد بگیرند و تصمیم گیری کنند. ابزارهایی که از قدرت تحلیل و هوش انسان تقلید می‌کنند. به این ترتیب بود که هوش مصنوعی (Artificial Intelligence) به عنوان یکی از نیازهای عصر جدید مورد توجه انسان‌ها قرار گرفت


 

فرض کنید که به جای استفاده از یک هوش انسانی در زمینه کنترل امنیت یک سازمان یا اداره، از سیستمی استفاده شود که قدرت تشخیص اثر انگشت، چهره و صدای افراد را دارد و می‌تواند تمام افراد وارد شونده یا خارج شونده را شناسایی نماید. این کاربرد نمونه، نیازمند استفاده از چندین تخصص از رشته‌های مختلف علمی و مهندسی است که اصلی‌ترین مورد در میان آن‌ها، بحث هوش مصنوعی می باشد. سیستم‌هایی همچون خلبان خودکار در هواپیما، کنترل کننده‌های ترافیک شهری، ادوات مراقبت پزشکی هوشمند، ابزارهای تبدیل صوت به متن و روبات‌های هوشمند، از جمله مظاهر استفاده از هوش مصنوعی در زندگی روزمره هستند.


 

هوش مصنوعی از جمله مباحثی است که تا پیش از اختراع کامپیوترها صحبت کردن در مورد آن‌ها عملا غیر ممکن بود. پس از ورود کامپیوترها به زندگی بشری بود که بحث در خصوص هوش مصنوعی به یکی از مباحث داغ تبدیل شد. هوش مصنوعی از نظر علمی، بخشی از علوم کامپیوتر است و امروزه به عنوان مبحثی اساسی و کاربردی در رشته‌های مختلف علوم پایه و مهندسی مورد مطالعه و پژوهش قرار می‌گیرد. اطلاعات بیشتر درباره آن را می توانید در این دو بخش ( 1 2 ) بخوانید.


 

هوش محاسباتی (Computational Intelligence) یکی از زیر بخش‌های بسیار مهم و کاربردی هوش مصنوعی است، که در آن از ابزارهای مختلفی برای تحقق ایده‌ی هوش مصنوعی استفاده می‌شود. ابزارهای مورد استفاده در هوش محاسباتی، غالبا ابزارهایی ریاضی هستند که به نوعی از طبیعت و دنیای اطراف الهام گرفته شده‌اند. مهم‌ترین ابزارها و الگوهایی که در هوش محاسباتی مطرح می‌شوند، شامل موارد زیر هستند:


 

محاسبات تکاملی (Evolutionary Computation)  
محاسبات تکاملی شامل مجموعه‌ای از روش‌ها است که به نام الگوریتم‌های تکاملی معروف هستند. مشهورترین این الگوریتم‌ها الگوریتم ژنتیک است که از نظریه تکامل و علم ژنتیک الهام گرفته شده است. در این الگوریتم، فرآیند تکامل، که طی میلیون‌ها سال در طبیعت اتفاق افتاده است، شبیه‌سازی می‌شود. اصلی‌ترین مورد کاربرد الگوریتم‌های تکاملی، حل مسائل بهینه‌سازی و برنامه ریزی ریاضی است.

هوش ازدحامی (Swarm Intelligence)  
روش‌هایی که در این دسته قرار می‌گیرند، الگوی دیگری را برای حل مسائل بهینه‌سازی پیشنهاد می‌کنند. در این روش‌ها، تعداد قابل توجهی از عامل‌های بسیار ساده و کم هوش، برای تشکیل نوعی هوش ازدحامی یا هوش جمعی با یکدیگر همکاری یا رقابت می‌کنند. به عنوان مثال، الگوریتم بهینه‌سازی مورچگان، که از رفتار جمعی مورچه‌ها الهام گرفته شده است، یکی از الگوریتم‌های هوش ازدحامی است.

شبکه‌های عصبی مصنوعی (Artificial Neural Networks)  
تقریبا همه دانشمندان یقین دارند که مغز انسان پیچیده ترین ساختار موجود و شناخته شده در کل هستی است. ریاضی‌دان‌ها و مهندسین هوش مصنوعی، با الهام از یافته‌های عصب‌شناسان (نورولوژیست‌ها)، شبکه‌های عصبی مصنوعی را معرفی کردند که استفاده‌های فراوانی در مدل‌سازی و طبقه‌بندی اطلاعات دارد. شاید بتوان شبکه‌های عصبی را مهم‌ترین ابزار در زمینه یادگیری ماشینی به حساب آورد.

سیستم‌های فازی (Fuzzy Systems)  
نظریه‌ی مجموعه‌های فازی و محاسبات فازی از ابداعات پرفسور لطفی عسگرزاده، استاد ایرانی-آذربایجانی دانشگاه برکلی آمریکا است. در محاسبات فازی، به جای استفاده از اعداد دقیق برای توصیف یک مفهوم، از کلماتی مانند کم یا زیاد استفاده می‌شود. به عنوان مثال در عبارتی مانند سود زیاد دقیقا مشخص نشده است که چه مقدار سود چقدر است. سیستم‌هایی که در آن‌ها به جای نظریه کلاسیک مجموعه‌ها و محاسبات کلاسیک ریاضی، از نظریه مجموعه‌های فازی و محاسبات فازی بهره گرفته می‌شود، به نام سیستم‌های فازی شناخته می‌شوند. امروزه از سیستم‌های فازی در طراحی سیستم‌های مختلف، از جمله لوازم خانگی هوشمند، استفاده‌های فراوانی می‌شود.

در کنار موارد یاد شده، ابزارهای ریاضی دیگری نیز به کار گرفته می‌شوند تا عملکرد کلی سیستم‌های مبتنی بر هوش محاسباتی بهبود یابند. هدف اصلی محققین حوزه‌های هوش مصنوعی و هوش محاسباتی، ایجاد ابزار آلاتی است که ما را به ایجاد هوش مصنوعی هم تزار با هوش انسانی نزدیک‌تر نماید.

 

 

کدگذاری و نحوه نمایش
در الگوریتم ژنتیک، منظور از کدگذاری انتخاب روشی برای نمایش نمایش جواب مسئله ای است که باید بهینه گردد. به عنوان مثال در مسئله 8 وزیر یک روش کدگذاری می تواند استفاده از یک آرایه 8 عنصری باشد که هر عنصر از آرایه نشان دهنده سطری است که وزیر در آن قرار دارد. به عنوان مثال آرایه زیر را در نظر بگیرید :

1 5 7 8 6 2 3 4

با توجه به مقادیر آرایه در میابیم که وزیر اول در ستون اول و سطر چهارم ، وزیر دوم در ستون دوم و سطر سوم ، وزیر سوم در ستون سوم و سطر دوم ، وزیر چهارم در ستون چهارم و سطر ششم ، وزیر پنجم در ستون پنجم و سطر هشتم ، وزیر ششم در ستون ششم و سطر هفتم ، وزیر هفتم در ستون هفتم و سطر پنجم و زیر هشتم در ستون هشتم و سطر اول از صفحه

AISRG
شطرنج قرار گرفته است. در الگوریتم های ژنتیک به هرجواب مسئله یک کروموزوم و به هر متغیر از آن یک ژن می گوییم. در اینجا جواب مسئله را با استفاده از یک آرایه 8 عنصری نشان دادیم که به آرایه یک کرموزوم و به هر عنصر از آریه یک ژن می گوییم. با توجه به مسئله بهینه سازی برای هر ژن می توان سوالات زیر را مطرح کرد :
• آیا مقادیر قابل قبول برای ژن در یک باژه مشخص قرار دارد ؟ ( در مثال 8 وزیر هر ژن می تواند عددی بین 1 تا 8 به خود بگیرد )
• آیا دامنه مقادیر ژن گسسته است یا پیوسته؟ ( در مثال هشت وزیر این مقادیر گسسته هستند )
• آیا در صورت مسئله محدودیت هایی برای انتخاب مقادیر ژن وجود دارد ؟ ( در مسئله 8 وزیر محدودیتی نداریم )

نحوه نمایش جواب مسئله و ژن ها در موفقیت الگوریتم و نحوه پیاده سازی الگوریتم ژنتیک تاثیر بسیار مهمی دارد. در بیشتر مسائل نیز روش های مختلفی برای نشان دادن جواب مساله می توان طراحی کرد. به عنوان مثال در مسئله 8 وزیر به جای استفاده از بردار ( آرایه یک بعدی ) 8 عنصری می توان از یک ماتریس 8 * 8 استفاده کرد که در آن هر وزیر می تواند در هریک از 64 خانه صفحه شطرنج قرار گیرد. هنگام استفاده از این روش نمایش ، در یک خانه ممکن است بیش از یک وزیر قرار گیرد بنابراین هنگام پیاده سازی الگوریتم باید از بروز چنین مسئله ای جلوگیری کنیم. همچنین از صورت مسئله 8 وزیر پیداست که هیچ دو وزیری نمی تواند در یک ستون قرار گیرد ( یا همچنین هیچ دو وزیری نمی تواند در یک سطر قرار گیرد ). این در حالی است که در نمایش ماتریسی مسئله 8وزیر می توان در یک ستون و در سطر بیش از یک وزیر قرار داد. اما برای هرچه ساده تر شدن پیاده سازی دیگر مراحل الگوریتم ژنتیک برای این مسئله و افزایش کارآیی زمانی الگوریتم ، می توانیم تریبی اتخاذ کنیم که هیچ دو وزیری در یک سطر ( یا ستون) قرار نگیرد. بنابراین می توانیم از نمایش برداری برای آن استفاده کنیم که در این نحوه نمایش مقدار موجود در هر ژن نشان دهنده شماره سطری ( یا ستون ) است که وزیر در آن قرار دارد. به عنوان مثال اگر اولین ژن از کروموزوم مقداری برابر 6 داشته باشد ، این بدان معناست که وزیر اول در سطر ششم از ستون اول بر روی صفحه شطرنج قرار دارد. در نمایش برداری مسئله 8 وزیر مشکل قرار گرفتن بیش از یک وزیر در یک خانه نیز برطرف می شود. همانطور که در این مثال ساده دیدیم ، طراحی نحوه نملیش مسئله نقش حیاتی در اجرا و پیاده سازی الگوریتم ژنتیک بازی می کند. در اینجا ما به بررسی روش های معمول نحوه نمایش می پردازیم. اما یک طراح الگوریتم ژنتیک برای مسائل مختلف ممکن است از روش های دیگری برای نمایش کروموزوم استفاده کند. در حالت کلی هنگام طراحی یک روش نمایش کروموزوم باید موارد زیر را در نظر بگیریم :
• کروموزوم باید به گونه ای طراحی شود که تا حد ممکن از اطلاعات مسئله برای کاهش تعداد حالات فضای حالت استفاده کند. به عنوان مثال در مسئله 8 وزیر با تبدیل نمایش ماتریسی به نمایش برداری فضای حالت مسئله به طور چشمگیری کوچک گردید
• در یک کروموزوم باید بتوان براحتی محدودیت های مسئله را اعمال کرد و در اثر اعمال مراحل دیگر الگوریتم ژنتیک محدودیت های مسئله نقض نگردد
• تا حد امکان کروزوم نباید در اثر اجرای مراحله ادغام ( تولید نسل جدید ) به حالت نامعتبر تبدیل گردد. در برخی مسئله گزیر از حالت های نامعتبر در نحوه نمایش امکان پذیر نخواهد بود و باید در روش ادغام کروموزوم های تغییر ایجاد کنیم.

نمایش باینری
در این نحوه نمایش هر ژن از کروموزوم مقدار 1 یا 0 به خود می گیرد و موجب تشیکل یک رشته باینری در کرموزوم می گردد. به عنوان مثال فرض کنید یک تابع 3 پارامتری داریم و می خواهیم مقدار این 3 پارامتر را طوری انتخاب کنیم که مقدار تابع مینیمم گردد. فرض کنید هر پارامتر یک مثدار اعشاری 4 بایتی ( 32 بیتی ) باشد. در صورتی که بخواهیم از روش نمایش باینری برای این 3 پارامتر استفاده کنیم، یک رشته باینری به طول 96 بیت باید تشکیل دهیم.

نمایش مقداری

 

در این روش نمایش ، مقادیر واقعی متغیر ها را نشان می دهیم. به عنوان مثال در مسئله 8 وزیر هر ژن شماره سطری را نشان می دهد که وزیر در آن قرار دارد. با وجود اینکه روش های نمایش دیگری همچون نمایش اکتال ، نمایش هگزادسیمال نیز وجود دارد، اما با این حال نحوه نمایش حالتی از مسئله وابسته به مسئله بوده و به تجربه و مهارت طراح الگوریتم ژنتیک بستگی دارد.


http://www.pca.ir/forum/showthread.php?4873-%D9%87%D9%88%D8%B4-%D9%85%D8%AD%D8%A7%D8%B3%D8%A8%D8%A7%D8%AA%DB%8C

صفحات جانبی

نظرسنجی

    لطفاً نظرات خود را درمورد وبلاگ با اینجانب در میان بگذارید.(iman.sariri@yahoo.com)نتایج تاکنون15000مفید و 125غیرمفید. با سپاس


  • آخرین پستها

آمار وبلاگ

  • کل بازدید :
  • تعداد نویسندگان :
  • تعداد کل پست ها :
  • آخرین بازدید :
  • آخرین بروز رسانی :