ارسال پاسخ 
 
امتیاز موضوع:
  • 0 رأی - میانگین امتیازات: 0
  • 1
  • 2
  • 3
  • 4
  • 5
تاریخچه هوش مصنوعی 66 صفحه فایل doc
01-29-2018, 09:53 AM
ارسال: #3
RE: تاریخچه هوش مصنوعی 66 صفحه فایل doc
ب : بدون اين كه كسي را جذب كند ، دوباره به سراغ منبع راه حل خود برود .
ج : در سالن رقص با انجام حركاتي خاص سعي در جمع كردن زنبور هاي ديگر به دور خود داشته باشد .
بر اساس ميزان كيفيتي كه زنبور از منبع خود به دست مي آورد ، فاكتوري به نام وفاداري در وي به وجود مي آيد كه در واقع همان وفاداري به راهي است كه خود زنبور انتخاب كرده است .
بار دومي كه زنبورهاي مصنوعي براي پيدا كردن راه حل مساله به حركت در مي آيند ، اين بار سعي در پيدا كردن راههاي جديدي براي حل محموله دارند و بعد از اين كار دوباره عمل حركت به سمت عقب را انجام داده و به كندو بر مي گردند ، و دوباره در كندو در بحثي كه در مورد پيدا كردن بهترين راه شكل گرفته ، شركت مي كنند . اين روند زماني پايان مي پذيرد كه يك راه حل تقريبا كامل براي مساله پيدا شود .
مثال برنامه نويسي پوياي بهينه سازي كلوني زنبورها ، مسائل تركيبي بهينه سازي را در هر مرحله به ميزاني حل كند . هر كدام از مراحل مشخص شده داراي يك مقدار بهينه سازي خاص است . به اين صورت كه :
St = {St1 + St2+ … +Stm}
همانطور كه مي بينيد هر مرحله شامل يك سري مراحل از قبل انتخاب شده است .
در ادامه نشان مي دهيم كه به كمك كميت B ما تعداد زنبور هايي را كه در اين فرآيند شركت مي كنند را مشخص مي كنيم ، و به كمك i تعداد كل مراحلي را كه انجام مي پذيرند را نشان مي دهيم . مجموعه ي تمامي راه حل هاي زير پايه را نيز به كمك Sj نشان مي دهيم كه در آن j داراي مقادير 1 تا m مي باشد . در زير كد پيش ساخته بهينه سازي كلوني زنبورها را مشاهده مي كنيد :
1- شروع
مشخص كردن تعداد زنبورها (B) و تعداد تكرارها (i) ،مشخص كردن تعداد مراحل (St) ، پيدا كردن هر گونه راه حل قابل حل x از مساله .اين راه حل در واقع بهترين و اولين راه حل انتخاب توسط ما خواهد بود .
2- until i=I و 1set I :=
و تكرار كن مراحل بعدي را . . .
3 - until j=m و set j: =m
و تكرار كن مراحل بعدي را . . .
حركت به سمت جلو ( رفت ) : به زنبورها اين امكان را مي دهد كه از كندو بيرون آمده و قابليت انتخاب B راه حل را از مجموعه ي راه حل هاي زير پايه sj و Stj داشته باشند .
حركت به سمت عقب (برگشت ) : تمامي زنبور ها را به كندو بر مي گرداند . به زنبور ها اين اجازه را مي دهد كه اطلاعات خود را در مورد كيفيت راه حل هاي ديگران و خود به اشتراك بگذارند و بدين طريق تصميم بگيرند كه منبع خود را رها كرده يا به دنبال كسي ديگر بيفتند يا به تنهايي به منبع خود بر گردند و يا با رقصيدن ، ديگران را مشتاق دنبال كردن منبع خود كنند .
Set j := j+1
4- اگر بهترين راه حل (xi) كه در i امين تكرار به دست آمده ، بهتر از بهترين راه اخير به دست آمده بود ، آنگاه فاكتور بهترين راه حل را به روز مي كنيم .
X := xi
5- set I : = i+1
به طور كل حركت هاي جلويي و عقبي در بهينه سازي كلوني زنبورها مي تواند نقش فرعي را بگيرند به اين معني ، تا زماني كه يكي از فاكتورهاي مهم كامل نشده است ، اين دو به كار خود ادامه دهند . اين فاكتور مهم به عنوان مثال مي تواند بيشترين مقدار رفت و برگشت ها ويا برخي ديگر از موارد مورد نظر توسط خود اپراتور باشد .
در الگوريتم بهينه سازي كلوني زنبورها زير مدل هاي مختلفي كه به توصيف چگونگي حالات زنبورها مي پردازد ويا منطق گرايي آنها را مشخص مي كند به راحتي قابليت توسعه و تست شدن را دارند . به اين معني كه الگوريتم هاي متفاوتي از بهينه سازي زنبور ها طراحي كرد .
اين مدل ها مي توانند به توصيف چگونگي ترك كردن منبع اوليه توسط زنبوها ، ادامه دادن رفت و برگشت بين كندو و منبع توسط زنبور و يا چگونگي رقصيدن زنبور براي جمع كردن ديگر زنبور ها را به دور خود توضيح مي دهد .

سيستم فازي زنبورها
زنبور ها در فرآيند پيدا كردن بهترين راه حل با مشكلات گيري مختلفي مواجه مي شوند .
مشكلات زير برخي از مشكلات رايج بين آنهاست :
1- راه حل زير پايه بعدي كه بايد به راه حل اصلي اضافه شود چيست ؟
2- آيا بايد راه حل زير پايه فعلي را رها كرده و به دنبال راه حل زير پايه جديدي رفت .
3- آيا بايد به گسترش راه حل زير پايه فعلي ادامه داد ولي فعلا به دنبال ديگر زنبور ها نرفت ؟
بسياري از مدلهاي تصميم گيري بر اساس ابزارهاي مدلينگ مختلفي به وجود آمده اند . اين حالات كاملا منطي و عقلي هستند و بر اساس اين اطلاعات به وجود آمده اند كه ماموران تصميم گير، ماموراني با داشتن با داشتن بيشترين اطلاعات هستند و هميشه بهترين راه حل را براي پايان دادن به حل مساله در نظر مي گيرند . براي اينكه بتوان مدل هاي مختلف حل مساله را بوجود آورد . محققان شروع به استفاده از راه حل هاي بي قاعده تري كردند .
مفهوم ساده منطق فازي كه توسط زاده معرفي شد قابليت بهتري در توضيح مسائلي كه با عدم قطعيت ادغام شده اند را دارند . با توجه به اطلاعات فوق ، ما در ا نتخاب اينكه منطق زنبور ها بر چه اساسي صورت مي گيرد از منطق فازي استفاده مي كنيم . زنبور هاي مصنوعي ما از منطق گرايي تقريبي و منطق فازي براي انجام اعمال خود استفاده مي كنند .
به هنگام دادن راه هاي زير پايه جديد به زنبور مصنوعي زنبور حالتهاي زير را براي برقراري ارتباط با راه حلهاي زير پايه فوق در نظر مي گيرد .
1- كم جاذبه
2- جذاب
3- خبلي جذاب
همچنبن ما در نظر مي گيريم كه يك زنبورمصنوعي مي تواند مقادير خاصي را مانند كوتاه ، متوسط ، بلند ، و يا ارزان ، متوسط و گران در نظر بگيرد . الگوريتم منطق تقريبي براي حل كردن مساله جذابيت از قوانين زير تشكيل شده است ؛
اگرمقادير به دست آمده از راه حل زير پايه خيلي خوب باشد آنگاه راه حل به دست آمده خيلي جذاب است . هدف و امتياز اصلي استفاده از اين الگوريتم اين است كه حتي با وجود اين كه اطلاعات به دست آمده ممكن است فقط اطلاعات تقريبي باشد و نه قطعي ، مي توان ميزان جذابيت راه حل زير را به راحتي مشخص كرد .با در نظر گرفتن جذابيت راه حل زير پايه i به توضيح ميزان احتمال وقوع مي پردازيم . احتمال براي ره حل زير پايه i كه به راه حل اصلي الحاق مي شود، برابراست با نسبت ميزان جذابيت تقسيم برتمامي جذابيت هاي راه حل هاي زير پايه ديگر .
براي اضافه كردن راه حل جديد به راه حل اصلي ، زنبورها از نوعي انتخاب به نام Roulette wheel selection استفاده مي كنند .
در توصيف مكانيزم مقايسه راه حلهاي زير پايه زنبور ، ما موضوع بدي راه حل را معرفي مي كنيم كه برابر است با :
1-بدي راه حل زير پايه به وسيله k امين زنبور؛
2- مقادير تابع مفعولي از راه حل زير پايه اي كه به وسيله n امين زنبور كشف شده است ؛
3- مقادير تابع مفعولي از بهترين راه حل زير پايه كشف شده از ابتداي روند جستجو تا كنون ؛
4- مقادير تابع مفعولي از بدترين راه حل زير پايه كشف شده از ابتداي روند جستجو تا كنون ؛
الگوريتم منطق تقريبي براي تعين بدي راه حل زير پايه از قوانيني به شكل زير تشكيل شده است :
اگر راه حل كشف شده بد بود آنگاه وفاداري كم مي شود .
زنبورها از منطق تقريبي و مقايسه ي راه حل هاي زير پايه كشف شده شان با بهترين راه حل زير پايه ، ومقايسه راه حل هاي زير پايه كشف شده با بدترين راه حل ها از آغاز روند جستجو استفاده مي كند . در اين روش حقايق تاريخي كه به وسيله تمامي اعضاي كلوني زنبور به وجود آمده اند تاثير قابل توجهي بر راههاي آينده جستجو دارند .
از زمان شروع زندگي زنبورها يا بهتر است بگوييم از زمان شروع زندگي حشرات اجتماعي ، احتمال رخدادي است كه در آن زنبور به پرواز در طول همان مسير بدون گرفتن همراه ادامه دهد ، احتمال بسيار كمي است . زنبورها تا محل رقص پرواز مي كنند و با احتمالي برابر مي رقصند . اين نوع ارتباط بين زنبورها منجر به ساخته شدن فاكتوري به نام هوش جمعي شده است .
در اين حالت هنگامي كه زنبور تصميم بگيرد كه همان مسير را پرواز نكند، آن زنبور به سالن رقص رفته و از ديگر زنبور ها پيروي خواهد كرد . هر راه حل زير پايه كه در ناحيه رقص اعلان شده ، داراي دو ويژگي اصلي مي باشد :
الف : مقادير تابع مفعولي ؛
ب : تعداد زنبور هايي كه آن راه حل زير پايه را اعلان كرده است ؛
اين تعداد يك تعين كننده خوب براي دانش دسته جمعي زنبورها است . اين فرآيند نشان مي دهد كه چگونه كلوني زنبوري راه حل زير پايه ي خاصي را در نظر مي گيرد .

كاربردهاي الگوريتم بهينه سازي زنبورها
- مساله Ride-matching

شبكه هاي راه شهري در بيشتر كشور ها متراكم شده است و در نتيجه زمان سفر درون شهري زياد شده ، تعداد توقفها افزايش يافته ، وقفه هاي پيش بيني نشده ، هزينه سفر درون شهري ، مزاحمت براي رانندگان و مسافران ، آلودگي هوا ، سطح صداي ناهنجار و تعداد تصادفات ناشي از ترافيك ، افزايش يافته است .
افزايش ظرفيت شبكه ي ترافيكي به وسيله ساختمان ها و جاده ها در حالي كه هزينه هاي زيادي دارد ، آسيبهاي محيطي زيادي نيز دارد . استفاده مؤثرتر از منابع موجود براي حمايت از رشد تقاضاي سفر، ضروري است .
Ride sharing يكي از تكنيك هاي شناخته شده ي مديريت رشد سفر است كه توصيه به شريك شدن يك يا چند نفر در يك وسيله نقليه مي كند . تمامي رانندگاني كه در Ride sharing شركت كرده اند به اپراتور ، اطلاعات زير را كه به تكنيك سفر اشاره شده است را ارائه داده اند :
1- ظرفيت وسيله نقليه ؛
2-روزهايي از هفته كه هر فرد براي شركت در Rs حاضر است ؛
3-مبدا سفر براي هر روز هفته ؛
4-مسافت سفر براي هر روز هفته ؛
5- مقصد مورد نظر و يا زمان رسيدن براي هر روز هفته ؛
مسئله Rs به صورت زير تعريف مي شود :
مسير يابي و زمان بندي وسايل نقليه و مسافران براي تمامي هفته در بهترين روش ممكن .

حل مساله Rs به وسيله سيستم فازي زنبور
بياييد هر مسافري كه در Rs شركت كرده است را به عنوان يك گره در نظر بگيريم . ما مساله را به مراحلي تجزيه مي كنيم . اولين سرنشين ماشين (راننده) مرحله اول معرفي مي شود ، دومين مسافري كه به Rs ملحق مي شود مرحله دوم معرفي مي شود .
در طي رفت ، زنبور تعداد معيني از گره ها را بازديد خواهد كرد . زنبورها تمامي راه حلهاي زير پايه توليد شده را مقايسه مي كنند . بر مبناي كيفيت راه حلهاي زير پايه توليد شده ، هر زنبور تصميم مي گيرد كه آيا مسير توليد شده را ترك كند و سرگردان شود يا به پرواز در طول مسير كشف شده بدون گرفتن همراه ادامه دهد . يا برقصد و بدينگونه همراه بگيرد قبل كه به مسير كشف شده بازگردد .

كاربردهاي الگوريتم زنبور در مهندسي
- آموزش شبكه عصبي براي الگو شناسي ؛
- زمان بندي كارها براي توليد ماشين ؛
- دسته بندي اطلاعات ؛
- بهينه سازي اجزاي مكانيكي؛
- بهينه سازي چند گانه ؛
- ميزان كردن كنترل كننده منطق فازي براي ربات هاي ورزشكار ؛

3-4 الگوريتم بهينه سازي انبوه ذرات (pso)
مقدمه

براي برخي از حيوانات كه به صورت گروهي زندگي مي كنند ، همانند دسته هاي ماهي ، رفتارهاي پيچيده اي به هنگام حركت قابل مشاهده هستند. اين در حالي است كه هر كدام از اعضاي جمع ، به اطلاعات محدودي دسترسي دارند و صرفا از موقعيت عده اندكي از همسايگانشان خبر دارند. به عنوان مثال يك دسته از ماهي ها مي توانند خطر يك شكارچي را دفع كنند. در ابتدا گروه به دو قسمت تقسيم مي شود و سپس از نو ساخته مي شود . اما در هر حالتي ، نزديكي و فشردگي كل جمع ، از طرف همه ماهي ها كنترل مي شود.
در چنين مجموعه اي ، هر كدام از حيوانات صرفا از چند قانون ساده تبعيت مي كنند و رفتارهاي پيچيده اي كه در كل جمع قابل مشاهده هستند، چيزي جز تركيب اين قوانين ساده نيستند. هر كدام از ماهي ها در يك دسته ، از موقعيت،جهت حركت و سرعت ماهي ها ي نزديكش خبر دارد و با استفاده از اين اطلاعات و پيروي از چند قانون ساده ، خود را با جمع تطبيق مي دهد. به عنوان مثال :
- همواره سعي داشته باش كه به طور نسبي ، در نزديكي سايرين حركت كني؛
- سعي كن در جهتي كه بقيه حركت مي كنند ، حركت بكني؛
- تقريبا با همان سرعتي كه ديگران حركت مي كنند، حركت كن؛
از قوانين ساده اي هستند كه هر ماهي در يك دسته رعايت مي كند و حاصل تبعيت از چنين قوانيني، حركت هاي پيچيده اي است كه در مجموعه توسط دسته ي ماهي ها انجام مي گيرد.
اين رفتارها همگي با اصلي به نام خود- ترتيبي شناخته مي شوند. اين اصطلاح در علوم مختلف ، همچون فيزيك و زيست شناسي ، تعاريف جداگانه دارد. يك تعريف دقيق به اين صورت است:
خود-ترتيبي فرآيندي است كه در آن الگوي كلي يك سيستم پيچيده، صرفا در اثر تعداد زيادي از تعاملات مرتبه-پايين و دروني شكل ميگيرد. علاوه بر اين ، قوانيني كه بر تعامل بين عناصر تشكيل دهنده ي سيستم حاكم هستند، فقط از اطلاعات محلي استفاده مي كند و هيچ وقت از اطلاعات سراسري بهره نمي برند.


الگوريتم بهينه سازي انبوه ذرات(pso)
جيمز كندي ، روانشناس اجتماعي ، و راسل سي ابرهارت ، مهندس برق ، صاحبان اصلي ايده الگوريتم PSO مي باشند.آنها در ابتدا قصد داشتندكه با بهره گيري از مدل هاي اجتماعي و روابط موجود اجتماعي، نوعي از خوش محاسباتي را بوجود آورندكه به توانايي هاي فردي ويژه نيازي نداشته باشند.اولين شبيه سازي آنها كه در سال 1995 انجام گرديد، آنها را به سمت شبيه سازي رفتار پرندگان براي يافتن دانه رهنمون كرد. در الگوريتم pso تعدادي از موجودات وجود دارند ، كه آنها را ذره مي ناميم ودر فضاي جستجوي تابعي كه قصد كمينه كردن ويا بهينه كردن مقدار آن را داريم ، پخش شده اند. هر ذره مقدار تابع هدف را در موقعيتي از فضا كه در آن قرار گرفته است، محاسبه مي كند. سپس با استفاده از تركيب اطلاعات محل فعلي اش و بهترين محلي كه قبلا در آن بوده است و همچنين اطلاعات يك يا چند ذره از بهترين ذرات موجود در جمع ، جهتي را براي حركت انتخاب مي كند . همه ذرات جهتي براي حركت انتخاب مي كنند و پس از انجام حركت ، يك مرحله از الگوريتم به پايان مي رسد. اين مراحل چندين بار تكرار مي شوند تا آنكه جواب مورد نظر به دست بيايد. در واقع انبوه ذراتكه كمينه يك تابع را جستجو مي كند، همانند دسته اي از پرندگان عمل مي كنند كه به دنبال غذا مي گردند.الگوريتم pso چيزي فراتر از يك مجموعه ذرات است. هيچ كدام از ذرات قدرت حل هيچ مساله اي را ندارند، بلكه هنگامي مي توان به حل مساله اميدوار شدكه آنها با همديگر ارتباط و تعامل داشته باشند. در واقع براي انبوه ذرات، حل مساله ، يك مفهوم اجتماعي استكه از رفتار تك تك ذرات و تعامل ميان آنها بوجود مي آيد.در مرحله ابتدايي الگوريتم ،ذرات با موقعيت ها و سرعت ها ي تصادفي ايجاد مي شوند.
به طور كل هر ذره به هنگام حركت :
1- جهت حركت قبلي خود؛
2- بهترين موقعيتي را كه در آن قرار داشته است؛
3-بهترين موقعيتي را كه توسط كل جمع تجربه شده است؛
را در نظر مي گيرد.
فرض کنیم میخواهیم زوج مرتب (X,Y) را طوری به دست آوریم که تابع مینیمم شود. ابتدا نقاطی را به صورت تصادفی در فضای جستجو، روی صفحه X-Y انتخاب میکنیم. فرض کنید این گروه را به 3 همسایگی تقسیم کنیم که در هر همسایگی نقاط موجود با یکدیگر تعامل دارند. در هر همسایگی هر یک از نقاط به سوی بهترین نقطه در آن همسایگی و بهترین مکانی که آن نقطه تاکنون در آن قرار داشته حرکت می کند.
برای حل یک مسئله چند متغییره بهینه سازی میتوان از چند گروه (Swarm) استفاده کرد که هر یک از گروه ها کار مخصوصی را انجام می دهند. این همان ایده ای است که کلونی مورچه از آن ریشه می گیرد. از آنجا که دانش هوش جمعی بسیار جدید است در حال حاضر کاربرد های کمی از آن شناخته شده است.
الگوريتم pso را مي توان به شكل مجموعه اي از بردارها تصور كرد كه ؛ در فضايي متشكل از تجارب شخصي هر ذره و برخي ازذرات ديگر ، نوسان مي كند. در حالت كلي ، هر ذره با عده اي ديگر از ذرات داراي ارتباط است كه معمولا اين ارتباط دو طرفه مي باشند و به نام رابطه همسايگي يا مجاورت شناخته مي شود. مجموعه ي ذراتي كه با يك ذره داراي ارتباط همسايگي هستند ، به نام مجموعه همسايگي شناخته مي شوند. بايد توجه كرد كه مجموعه ي همسايه هاي يك ذره ، شامل خود آن ذره نيز مي شود. يعني يك ذره ، همسايه خودش نيز مي باشد.

كاربردها
الگوريتم PSO در طي ساليان گذشته، براي حل انواع مختلفي از مسائل مورد استفاده قرار گرفته است. الگوريتمPSO در حل مسائل پيچيده كه چندين جواب بهينه ي محلي دارند مناسب است . براي حل چنين مسائلي يا روش ديگري وجود ندارد و يا در صورت وجود داشتن ، جواب مناسبي به دست نمي آيد. كاربردهايي كه تا كنون براي PSO مطرح شده اند، در 26 گروه مجزا تقسيم شده اند . البته برخي از كاربردها به بيش از يك گروه متعلق مي باشند . آماري كه در اين بخش بيان ميشود، بر اساس مقالات موجود در پايگاه داده اي IEEE XPLORE ، تا اواخر سال 2007 مي باشد.در حدود 1100 مقاله در مورد PSO در اين پايگاه داده وجود دارند كه حدود 350 مورد از آنها در مورد بهبود بخشيدن به عملكرد الگوريتم PSO و تغيير دادن آن نوشته شده اند. در بسياري از اين مقالات، الگوريتم PSO براي استفاده در كاربرد مورد نظر نويسندگان ، به نحوي تغيير داده شده است كه جوابهاي بهتري به دست بيايند. اين تحليلها به صورت يك گزارش فني توسط ريكاردوپولي و در 20 نوامبر سال2007 ارائه شده است . شناسايي شاخه هاي اصلي كاربردها ، به صورت دستي و با كمك گرفتن از كامپيوترهاي كوچك انجام گرفته است .

کلمه عبور تمامی فایلها:

کد:
www.a00b.com

جهت مطالعه ادامه ، لطفا فایل ضمیمه را دانلود فرمائید. لطفا پس از دانلود و یا مطالعه این مطلب یک فاتحه رفتگان مرا میهمان نمایید . . .



فایل‌(های) پیوست شده
.zip  Ai60Pages961106.zip (اندازه: 63.8 KB / تعداد دفعات دریافت: 188)


==================================================
طراحی وب سایت
پروژه های برنامه نویسی تجاری
دانلود پروژه های ASP.NET وب سایتهای آماده به همراه توضیحات
دانلود پروژه های سی شارپ و پایگاه داده SQL Server همراه توضیحات و مستندات
دانلود پروژه های UML نمودار Usecase نمودار class نمودرا activity نمودار state chart نمودار DFD و . . .
دانلود پروژه های حرفه ای پایگاه داده SQL Server به همراه مستندات و توضیحات
پروژه های حرفه ای پایگاه داده Microsoft access به همراه مستندات و توضیحات
دانلود پروژه های کارآفرینی
دانلود گزارشهای کارآموزی کارورزی تمامی رشته های دانشگاهی
قالب تمپلیت های آماده وب سایت ASP.NET به همراه Master page و دیتابیس
برنامه های ایجاد گالری عکس آنلاین با ASP.NET و JQuery و اسلایدشو به همراه کد و دیتابیس SQL کاملا Open Source واکنشگرا و ساده به همراه پایگاه داده
==================================================
یافتن تمامی ارسال‌های این کاربر
نقل قول این ارسال در یک پاسخ
ارسال پاسخ 


پیام‌های داخل این موضوع
RE: تاریخچه هوش مصنوعی 66 صفحه فایل doc - ali - 01-29-2018 09:53 AM

پرش به انجمن:


کاربرانِ درحال بازدید از این موضوع: 1 مهمان