هوش مصنوعی

[سمندون 19437]

 

هوش مصنوعی، دانش ساختن ماشين‌‌ ها يا برنامه‌های هوشمند است.

هر دوی اين نكات كماكان مبهم و قابل پرسشند. آيا تنها اين نكته كه هوشمندترين موجودی كه می‌شناسيم، انسان است كافی است تا هوشمندی را به تمامی اعمال انسان نسبت دهيم؟ حداقل اين نكته كاملاً واضح است كه بعضی جنبه‌های ادراك انسان همچون ديدن و شنيدن كاملاً ضعيف‌تر از موجودات ديگر است.

[سمندون 19437]

علاوه بر اين، كامپيوترهای امروزی با روش‌هايی كاملاً مكانيكی(منطقی) توانسته‌اند در برخی جنبه‌های استدلال، فراتر از توانايی‌های انسان عمل كنند. بدين ترتيب، آيا می‌توان در همين نقطه ادعا كرد كه هوش مصنوعی تنها نوعی دغدغه علمی يا كنجكاوی دانشمندانه است و قابليت تعمق مهندسی ندارد؟(زيرا اگر مهندسی، يافتن روش‌های بهينه انجام امور باشد، به هيچ رو مشخص نيست كه انسان اعمال خويش را به گونه‌ای بهينه انجام می‌دهد). به اين نكته نيز باز خواهيم گشت. اما همين سؤال را می‌توان از سويی ديگر نيز مطرح ساخت، چگونه می‌توان يقين حاصل كرد كه كامپيوترهای امروزين، بهترين ابزارهای پياده‌سازی هوشمندی هستند؟ رؤيای طراحان اوليه كامپيوتر از بابيج تا تورينگ، ساختن ماشينی بود كه قادر به حل تمامی مسائل باشد، البته ماشينی كه در نهايت ساخته شد(كامپيوتر) به جز دسته ای خاص از مسائلقادر به حل تمامی مسائل بود. اما نكته در اينجاست كه اين «تمامی مسائل» چيست؟ طبيعتاً چون طراحان اوليه كامپيوتر، منطق‌دانان و رياضيدانان بودند، منظورشان تمامی مسائل منطقی يا محاسباتی بود. بدين ترتيب عجيب نيست، هنگامی كه فون‌نيومان سازنده اولين كامپيوتر، در حال طراحی اين ماشين بود، كماكان اعتقاد داشت برای داشتن هوشمندی شبيه به انسان، كليد اصلی، منطق(از نوع به كار رفته در كامپيوتر) نيست، بلكه احتمالاً چيزی خواهد بود شبيه ترموديناميك! به هرحال، كامپيوتر تا به حال به چنان درجه‌ای از پيشرفت رسيده و چنان سرمايه‌گذاری عظيمی برروی اين ماشين انجام شده است كه به فرض اين كه بهترين انتخاب نباشد هم، حداقل سهل‌الوصول‌ترين و ارزان‌ترين و عمومی‌ترين انتخاب برای پياده‌سازی هوشمنديست. بنابراين ظاهراً به نظر می‌رسد به جای سرمايه‌گذاری برای ساخت ماشين‌های ديگر هوشمند، می‌توان از كامپيوترهای موجود برای پياده‌سازی برنامه‌های هوشمند استفاده كرد و اگر چنين شود، بايد گفت كه طبيعت هوشمندی ايجاد شده حداقل از لحاظ پياده‌سازی، كاملاً با طبيعت هوشمندی انسانی متناسب خواهد بود، زيرا هوشمندی انسانی، نوعی هوشمندی بيولوژيك است كه با استفاده از مكانيسم‌های طبيعی ايجاد شده، و نه استفاده از عناصر و مدارهای منطقی. در برابر تمامی استدلالات فوق می توان اين نكته را مورد تاُمل و پرسش قرار داد كه هوشمندی طبيعی تا بدان جايی كه ما سراغ داريم، تنها برمحمل طبيعی و با استفاده از روش های طبيعت ايجاد شده است. طرفداران اين ديدگاه تا بدانجا پيش رفته‌اند كه حتی ماده ايجاد كننده هوشمندی را مورد پرسش قرار داده اند، كامپيوتر از سيليكون استفاده می كند، در حالی كه طبيعت همه جا از كربن سود برده است. مهم تر از همه، اين نكته است كه در كامپيوتر، يك واحد كاملاً پيچيده مسئوليت انجام كليه اعمال هوشمندانه را بعهده دارد، در حالی كه طبيعت در سمت و سويی كاملاً مخالف حركت كرده است. تعداد بسيار زيادی از واحدهای كاملاً ساده (بعنوان مثال از نورون‌های شبكه عصبی) با عملكرد همزمان خود (موازی) رفتار هوشمند را سبب می شوند. بنابراين تقابل هوشمندی مصنوعی و هوشمندی طبيعی حداقل در حال حاضر تقابل پيچيدگی فوق العاده و سادگی فوق العاده است. اين مساُله هم اكنون كاملاً به صورت يك جنجال(debate) علمی در جريان است. در هر حال حتی اگر بپذيريم كه كامپيوتر در نهايت ماشين هوشمند مورد نظر ما نيست، مجبوريم برای شبيه‌سازی هر روش يا ماشين ديگری از آن سود بجوييم. تاريخ هوش مصنوعی هوش مصنوعی به خودی خود علمی است كاملاً جوان. در واقع بسياری شروع هوش مصنوعی را 1950 می‌ دانند زمانی كه آلن تورينگ مقاله دوران‌ساز خود را در باب چگونگی ساخت ماشين هوشمند نوشت (آنچه بعدها به تست تورينگ مشهور شد) تورينگ درآن مقاله يك روش را برای تشخيص هوشمندی پيشنهاد می‌كرد. اين روش بيشتر به يك بازی شبيه بود. فرض كنيد شما در يك سمت يك ديوار (پرده يا هر مانع ديگر) هستيد و به صورت تله تايپ باآن سوی ديوار ارتباط داريد و شخصی از آن سوی ديوار از اين طريق با شما در تماس است. طبيعتاً يك مكالمه بين شما و شخص آن سوی ديوار می‌تواند صورت پذيرد. حال اگر پس از پايان اين مكالمه، به شما گفته شود كه آن سوی ديوار نه يك شخص بلكه (شما كاملاً از هويت شخص آن سوی ديوار بی‌خبريد) يك ماشين بوده كه پاسخ شما را می‌داده، آن ماشين يك ماشين هوشمند خواهد بود، در غير اين صورت(يعنی در صورتی كه شما در وسط مكالمه به مصنوعی بودن پاسخ پی ببريد) ماشين آن سوی ديوار هوشمند نيست و موفق به گذراندن تست تورينگ نشده است.

[سمندون 19437]

يد دقت كرد كه تورينگ به دو دليل كاملاً مهم اين نوع از ارتباط(ارتباط متنی به جای صوت) را انتخاب كرد. اول اين كه موضوع ادراكی صوت را كاملاً از صورت مساُله حذف كند و اين تست هوشمندی را درگير مباحث مربوط به دريافت و پردازش صوت نكند و دوم اين كه بر جهت ديگری هوش مصنوعی به سمت نوعی از پردازش زبان طبيعی تاكيد كند. در هر حال هر چند تاكنون تلاش‌های متعددی در جهت پياده سازی تست تورينگ صورت گرفته مانند برنامه Eliza و يا AIML (زبانی برای نوشتن برنامه‌‌‌‌هايی كه قادر به chat كردن اتوماتيك باشند) اما هنوز هيچ ماشينی موفق به گذر از چنين تستی نشده است. همانگونه كه مشخص است، اين تست نيز كماكان دو پيش فرض اساسی را در بردارد: 1ـ نمونه كامل هوشمندی انسان است. 2ـ مهمترين مشخصه هوشمندی توانايی پردازش و درك زبان طبيعی است. درباره نكته اول به تفصيل تا بدين جا سخن گفته ايم؛ اما نكته دوم نيز به خودی خود بايد مورد بررسی قرارگيرد. اين كه توانايی درك زبان نشانه هوشمندی است تاريخی به قدمت تاريخ فلسفه دارد. از نخستين روزهايی كه به فلسفه(Epistemology) پرداخته شده زبان هميشه در جايگاه نخست فعاليت‌های شناختی قرار داشته است. از يونانيان باستان كه لوگوس را به عنوان زبان و حقيقت يكجا به كار می‌بردند تا فيلسوفان امروزين كه يا زبان را خانه وجود می‌دانند، يا آن را ريشه مسائل فلسفی می‌خوانند؛ زبان، همواره شاُن خود را به عنوان ممتازترين توانايی هوشمندترين موجودات حفظ كرده است. با اين ملاحظات می‌توان درك كرد كه چرا آلن تورينگ تنها گذر از اين تست متظاهرانه زبانی را شرط دست‌يابی به هوشمندی می‌داند. تست تورينگ اندكی كمتر از نيم‌قرن هوش مصنوعی را تحت تاُثير قرار داد اما شايد تنها در اواخر قرن گذشته بود كه اين مسئله بيش از هر زمان ديگری آشكار شد كه متخصصين هوش مصنوعی به جای حل اين مسئله باشكوه ابتدا بايد مسائل كم‌اهميت‌تری همچون درك تصوير (بينايی ماشين) درك صوت و… را حل كنند.

[سمندون 19437]

ه اين ترتيب با به محاق رفتن آن هدف اوليه، اينك گرايش‌های جديدتری در هوش مصنوعی ايجاد شده‌اند. در سال‌های آغازين AI تمركز كاملاً برروی توسعه سيستم‌هايی بود كه بتوانند فعاليت‌های هوشمندانه(البته به زعم آن روز) انسان را مدل كنند، و چون چنين فعاليت‌هايی را در زمينه‌های كاملاً خاصی مانند بازی‌های فكری، انجام فعاليت‌های تخصصی حرف‌های، درك زبان طبيعی، و…. می‌دانستند طبيعتاً به چنين زمينه‌هايی بيشتر پرداخته شد. در زمينه توسعه بازی‌ها، تا حدی به بازی شطرنج پرداخته شد كه غالباً عده‌ای هوش مصنوعی را با شطرنج همزمان به خاطر می‌آورند. مك‌كارتی كه پيشتر اشاره شد، از بنيان‌گذاران هوش مصنوعی است اين روند را آنقدر اغراق‌آميز می‌داند كه می‌گويد: «محدود كردن هوش مصنوعی به شطرنج مانند اين است كه علم ژنتيك را از زمان داروين تا كنون تنها محدود به پرورش لوبيا كنيم.» به هر حال دستاورد تلاش مهندسين و دانشمندان در طی دهه‌های نخست را می‌توان توسعه تعداد بسيار زيادی سيستم‌های خبره در زمينه‌های مختلف مانند پزشكی عمومی، اورژانس، دندانپزشكی، تعميرات ماشين،….. توسعه بازی‌های هوشمند، ايجاد مدل‌های شناختی ذهن انسان، توسعه سيستمهای يادگيری،…. دانست. دستاوردی كه به نظر می‌رسد برای علمی با كمتر از نيم قرن سابقه قابل قبول به نظر می‌رسد. افق‌های هوش مصنوعی در 1943،Mcclutch (روانشناس، فيلسوف و شاعر) و Pitts (رياضيدان) طی مقاله‌ای، ديده‌های آن روزگار درباره محاسبات، منطق و روانشناسی عصبی را تركيب كردند. ايده اصلی آن مقاله چگونگی انجام اعمال منطقی به وسيله اجزای ساده شبكه عصبی بود. اجزای بسيار ساده (نورون‌ها) اين شبكه فقط از اين طريق سيگنال های تحريك (exitory) و توقيف (inhibitory) با هم درتماس بودند. اين همان چيزی بود كه بعدها دانشمندان كامپيوتر آن را مدارهای (And) و (OR) ناميدند و طراحی اولين كامپيوتر در 1947 توسط فون نيومان عميقاً از آن الهام می‌گرفت. امروز پس از گذشته نيم‌قرن از كار Mcclutch و Pitts شايد بتوان گفت كه اين كار الهام بخش گرايشی كاملاً پويا و نوين در هوش مصنوعی است. پيوندگرايی (Connectionism) هوشمندی را تنها حاصل كار موازی و هم‌زمان و در عين حال تعامل تعداد بسيار زيادی اجزای كاملاً ساده به هم مرتبط می‌داند. شبكه‌های عصبی كه از مدل شبكه عصبی ذهن انسان الهام گرفته‌اند امروزه دارای كاربردهای كاملاً علمی و گسترده تكنولوژيك شده‌اند و كاربرد آن در زمينه‌های متنوعی مانند سيستم‌های كنترلی، رباتيك، تشخيص متون، پردازش تصوير،… مورد بررسی قرار گرفته است. علاوه بر اين كار بر روی توسعه سيستم‌های هوشمند با الهام از طبيعت (هوشمندی‌های ـ غير از هوشمندی انسان) اكنون از زمينه‌های كاملاً پرطرفدار در هوش مصنوعی است. الگوريتم ژنيتك كه با استفاده از ايده تكامل داروينی و انتخاب طبيعی پيشنهاد شده روش بسيار خوبی برای يافتن پاسخ به مسائل بهينه سازيست. به همين ترتيب روش‌های ديگری نيز مانند استراتژی‌های تكاملی نيز (Evolutionary Algorithms) در اين زمينه پيشنهاد شده اند. دراين زمينه هر گوشه‌ای از سازو كار طبيعت كه پاسخ بهينه‌ای را برای مسائل يافته است مورد پژوهش قرار می‌گيرد. زمينه‌هايی چون سيستم امنيتی بدن انسان (Immun System) كه در آن بيشمار الگوی ويروس‌های مهاجم به صورتی هوشمندانه ذخيره می‌شوند و يا روش پيدا كردن كوتاه‌ترين راه به منابع غذا توسط مورچگان (Ant Colony) همگی بيانگر گوشه‌هايی از هوشمندی بيولوژيك هستند.

[سمندون 19437]

از بدو مطرح شدن هوش مصنوعی به عنوان یک Dicipline در علوم رایانه، دو طرز تفکر در تحقق سیستم های هوشمند مطرح بوده است، شاید بتوان آن دو را در پردازش نمادین و پردازش عددی تعریف نمود. برای درک پردازش نمادین می توانیم به یک مثال اشاره داشته باشیم. فرض کنید از یک نوازنده پیانو سوال می کنیم که چگونه پیانو می نوازی؟! این نوازنده با استفاده از یک سری بیانات و شاید حرکات، روش کار خود را به ما نشان می دهد و به احتمال زیاد شیوه عمل او را هم درک می کنیم و اگر کمی جدیت به خرج دهیم شاید حتی بتوانیم چند نت را هم به گونهء جمیع تکرار نماییم. حال فرض کنید، می خواهیم این رفتار را با استفاده از یک فرمول ریاضی( پردازش عددی) مدل کرده و مثلا با استفاده از یک ربات تکرار کنیم. سوال این خواهد بود که آیا مدل ریاضی که منحصر به روابط بین یک سری کیفیتهای رقمی است، قادر به انجام این عمل خواهد بود؟

فکر می کنم جواب شما منفی باشد. در ادامه به یک وضعیت دیگر اشاره می کنم. فرض کنید می خواهید از یک خیابان که ماشین ها با سرعت عبور می کنند، بگذرید. آیا روش تصمیم گیری شما در رابطه با عبور کردن بر مبنای پردازش یک سری اندازه گیری انجام شده است؟ برای مثال آیا سرعت ماشین را تخمین زده و با در نظر گرفتن عرض خیابان، سرعت خود را محاسبه می کنید؟ به احتمال زیاد در این صورت مطمئناً شانس رسیدن شما به آن طرف خیابان بسیار پایین می باشد و یا زمان بسیار زیادی طول خواهد کشید که تصمیم به عبور از خیابان را به مرحله اجرا در آورید. در این گونه شرایط ، روش برخورد ما به این صورت خواهد بود که: " به نظر می رسد ماشین آهسته حرکت می کند؛ به آن طرف خیابان خواهم رسید" در این نوع پردازش انسان مواجه با تعداد زیادی نماد symbols می باشد و با استفاده از این نمادها برای تصمیم گیری اقدام می کند. این نوع تصمیم گیریها به طور واضح در رفتار آدمی مشاهده می شود و طبیعی است که پردازش نمادین از جایگاهی ویژه در علم هوش مصنوعی برخوردار است.

[سمندون 19437]

در کنار پردازش نمادین در انسان می دانیم که مغز انسان از یک مجموع منسجم سلول های عصبی تشکیل شده است و مدل های ارائه شده برای این سیستم عصبی بر مبنای پردازش عددی عمل می کند. چگونگی عمل سیستم طبیعی عصبی به طور واضح برای انسان مشخص نشده است و از آنجا که مدل های ارائه شده ، از قابلیتهای بسیار بالایی برخوردار هستند و در کاربردهای زیادی از خود کارآیی خوبی ارائه کرده اند، به نظر می رسد از واقعیت امر زیاد دور نباشند. بنا براین، شاید بتوان گفت، انسان به طور کلی در سطح بالای تصمیم گیری از پردازش نمادین استفاده می کند و در سطوح حسی و واکنشهای عصبی خود یک نوع پردازش عددی را به کار می گیرد. بنابراین، رفتار هوشمندانه آدمی ناشی از یک روش نمادین تفکر در کنار محاسبات عصبی مغز می باشد.

همانگونه که مطرح شد، این دو محور در هوش انسان از بدو پیدایش هوش مصنوعی، به صورت دو دیدگاه معرفی شده اند.

از یک دید، هدف ساختن مغز مصنوعی(شبکه های عصبی مصنوعی) است که در صورت وجود این سخت افزار می توان توقع داشت ماشینی که به این وسیله مجهز شود، رفتار هوشمندانه از خود نشان دهد.

از دیدگاه دوم، هدف، مدل سازی روش تفکر انسان است که با استفاده از آن انسان تصمیم گیریهای هوشمندانه می کند. در دهه های 50 و 60 محور اول به عنوان محور اصلی در مخلوقات هوش مصنوعی مطرح بوده است ولی در دهه 70، پردازش نمادین به عنوان فهم روش تفکر در طراحی سیستم های هوشمندان مطرح شد. خوشبختانه، در ده سال اخیر محققان به این نتیجه رسیده اند که برای ساختن یک سیستم هوشمند که بتواند در حوزه های (Domains) مختلف عمل کند، و با یک مساله پیچیده را حل کند، اعتماد کردن به یک روش(یا بینش) کافی نخواهد بود و از اینرو فلسفه هوش مصنوعی ترکیبی (Hybrid Artificial Intelligence) مطرح شده است.

[سمندون 19437]

به طور کلی سه روش ترکیب تکنیکهای هوش مصنوعی در جهت ساخت یک سیستم هوشمند ارائه شده است که در ذیل به اختصار به آنها می پردازیم.

در روش اول از یک تکنیک خاص جهت اجرای یک function در یک تکنیک دیگر هوش مصنوعی استفاده می کنیم. برای مثال در طراحی یک سیستم کنترلی فازی چندین بلوک وجود دارد که هر کدام کار مشخصی را انجام می دهند. یکی از این بلوکها جهت انجام Fuzzification طراحی می شود. در یک سیستم ترکیبی می توان از شبکه های عصبی در انجام این کار استفاده نمود. البته در اینجا در مورد مزایا یا معایب این ترکیب سخنی گفته نخواهد شد. در یک مثال دیگر می توان به کاربرد روشهای ژنتیکی در امر یادگیری شبکه های عصبی اشاره نمود.

در روش دوم جهت ساخت یک سیستم پیچیده، آن سیستم را تجزیه نموده( به زیر سیستم های کوچکتر تقسیم نموده) و بعد از آن هر زیر سیستم را با یک روش مناسب هوشمند پیاده سازی می کنیم. برای مثال جهت کنترل یک فرآیند پیچیده صنعتی از شبکه های عصبی جهت پیشگویی و مدل سازی یک سری از پارامترهای کلیدی استفاده می شود و نتایج به دست آمده جهت تصمیم گیریهای کلی به یک سیستم خبره داده می شود. سیستم خبره در اصل حکم یک مدیر پروسه متخصص را دارد که با استفاده از پارامترهای تولید شده در سطح پایین تر تصمیم گیری می کند. بسیاری از مسائل پیچیده از این طبیعت برخوردار هستند و شکستن آن به مسائل کوچکتر و به کارگیری روش مناسب برای حل هر کدام به صورت مجزا و در نهایت ادغام کردن نتایج به دست آمده، به حل درست مساله اصلی کمک خواهد نمود.

روش آخر استفاده از یک روش هوشمند در پیاده سازی یک روش دیگر می باشد. برای مثال می توان به پیاده سازی یک سیستم خبره با استفاده از شبکه های عصبی اشاره نمود. در اینجا هر نرون در شبکه عصبی یک قانون در پایگاه دانش می باشد و با استفاده از محاسبات عصبی روش استنتاج را پیاده می کنیم. مثال دیگر به کارگیری گرامرها در تحلیل و نمایش دانش آموخته شده در شبکه های عصبی می باشد.

البته توجه به این نکته لازم می باشد که یک سیستم ترکیبی هوشمند نباید الزا ما از روشهای هوشمند در پیاده سازی استفاده کند. در پیاده سازی یک سیستم شاید نیاز به بکارگیری روشهای آماری، ریاضی و تحلیلی... نیز وجود داشته باشد.

 

برای مشاهده این محتوا لطفاً ثبت نام کنید یا وارد شوید.

• ورود
• یا
• ثبت نام

[سمندون 19437]

ACOیا Ant Colony Oprimization یک راه حل برای مسئله های با فضای حالت بزرگ یا NP است که تقریبا همانند الگوریتمهای Genetic است ولی در عمل نسبت به آن بهتر است. آنچه در ادامه می آید قسمتی از یک مقاله در مورد کاربردهای Data Mining و ACO است.

مورچه ها حشره های مستقلی هستند كه فعالیت اشتراكی دارند به ظاهر یك از مورچه فعال در یك كلونی مستقل از دیگری فعالیت می كند ولی در واقع كلیه مورچه ها در قالب یك سیستم جهت حل یك مسئله پیچیده با هم همكاری می كنند . مسئله مهم دررابطه مورچه ها و به طور كلی حشرات مسئله وابستگی بقا است. مورچه ها غذا را جستجو می كنند و آن را به شكل مناسب نگهدار و انبار می كنند حل این مسئله نیاز به برنامه ریزی پیشرفته دارد مورچه ها این عملیات را بدون هر گونه كنترل مركزی و نظارت متمر كز انجام می دهند به همین دلیل به حشرات به طور كلی گروه هوشمند می گویند.

در این مقاله ما به بررسی رفتار مورچه های واقعی، در زمان جستجو ی غذا تمركز می كنیم. مورچه ها قادرند كوتاه ترین مسیر را برای یافتن غذا از لانه خود به منبع غذا جستجو نمایند. .هر این فرآیند بدون هیچ گونه اطلاعات تصویری از مسیر غذا صورت می گیرد.

[سمندون 19437]

مورچه ها به صورت غیر مستقیم و از طریق ماده ای به نام فرومون با هم ارتباط بر قرار می كنند و اطلاعات مربوط به مسیر ها را در اختیار یكدیگر قرار می دهند مورچه ها با ترشح مقدار معینی فرومون مسیر خود را مشخص و علامت گذاری می كنند سایر مورچه ها با بررسی و مشاهده فرومون موجود در مسیر، راه یافتن غذا را پیدا می كنند این فرایند می تواند باز خورد حلقه مثبت را شرح دهد، به این ترتیب كه یك مورچه می تواند با استفاده از یك تابع احتمالی مسیر خود را انتخاب كند. هر چه تعداد مورچه های عبور كرده از یك مسیر بیشتر باشد آنگاه احتمال آنكه آن مسیر توسط مورچه بعدی انتخاب شود ، بیشتر است. در ابتدا مو رچه ها پس از خارج شدن از لانه خود با احتمال مساوی به جهات مختلف، برای یافتن غذا حركت می كنند . مورچه ها در مسیر های نا هموار با سرعت مساوی حركت می كنند، در مسیر خود فرومون ترشح می كنند . بعد از اینكه یك مورچه در مسیر خود غذایی پیدا كرد به سرعت از همان مسیر به سمت لانه مراجعت می كنند و میزان ترشح فرومون را در مسیر افزایش می دهد . به این ترتیب سایر مو رچه ها كه مسیر های دیگر را تجربه كرده اند به تدریج به یك مسیر هدایت خواهند شد .

1- مشخصات اصلی بهینه سازی به روش كلونی مورچه ها

الگوریتم بهینه سازی كلونی مورچه ها بر اساس یك سری عامل بنا نهاده شده است، بطوریكه رفتار این عامل ها از رفتار طبیعی مورچه ها الهام گرفته شده است نكته اساسی در رفتار عامل ها و یا مورچه ها همان همكاری و انطباق است با استفاده از این سیستم و الگوریتم می توان یك روش فرا اكتشافی برای حل مسائل بهینه سازی تركیبی ارائه كرد این روش فرا اكتشافی دارای دو ویژگی قدرت و تنوع است . به این ترتیب می توان به طور موفقیت آمیزی از آن در حل مسائل بهینه سازی پیچیده استفاده كرد .

الگوریتم ACO شامل بخشهای زیر است :

هر مورچه در زمان حل مسئله با مسیرهای مختلف بر خورد می كند. هنگامی كه یك مورچه از یك مسیر عبور می كند میزان فرومون جدید در آن مسیر را متناسب با كیفیت مسیر افزایش می دهد هنگامی كه یك مورچه با چند مسیر مختلف مواجه می شود . احتمال انتخاب مسیری كه میزان فرومون آن نسبت به سایر مسیرها بیشتر باشد افزایش می یابد. بنابر این مورچه ها همواره كوتاهترین مسیر را برای پیدا كردن غذا جستجو می كنند . كه این حالت می تواند حالت بهینه یا نزدیك به حالت بهینه باشد .

2- مشخصات و ماهیت الگوریتم های ACO

چنانچه بتوان ساختار مسئله را به صورت یك گراف نمایش داد آنگاه می توان از الگوریتم های ACO برای یافتن كوتاه ترین مسیر در گراف كه همانا پاسخ مسئله است استفاده كرد. هر مورچه بصورت تکاملی اقدام به تغییر یا ساخت بخشی از پاسخ مسئله می نماید ، علکرد کلی مورچه ها وابسته به یک تابع احتمالی و یک تابع اکتشافی وابسته به مسئله است. ساختار و ماهیت الگوریتم های ACO بصورت زیر است :

ایجاد یک متد برای ارزیابی پاسخهای تولید شده . این متد بر اساس ساختار مسئله تعریف می شود.

ارائه یک تابع اکتشافی H) وابسته به مسئله ،این تابع میزان کیفیت item های قابل اضافه کردن به پاسخ مسئله را ارزیابی می کند .

یک روتین جهت بهمگام سازی میزان فرومون مسیرها(P)

ارائه یک تابع احتمالی که به کمک آن بتوان مسیرها را جهت تولید پاسخ جستجو کرد .در این تابع از تابع اکتشافی و میزان فرومون موجود در مسیرها استفاده می شود.

 

 

برای مشاهده این محتوا لطفاً ثبت نام کنید یا وارد شوید.

• ورود
• یا
• ثبت نام

[ali aan 15]

با تشکر از سمندون عزیز من به رباتیک علاقه دارم و دوست دارم یاد بگیرم ولی نمیدونم از کجا شروع کنم لطفا راهنماییم کنید

[Mehdi.Aref 26780]

با تشکر از سمندون عزیز من به رباتیک علاقه دارم و دوست دارم یاد بگیرم ولی نمیدونم از کجا شروع کنم لطفا راهنماییم کنید

 

اگه این تاپیک رو دنبال کنی میتونه بهت خیلی کمک کنه