لینک پرداخت و دانلود *پایین مطلب*
فرمت فایل:Word (قابل ویرایش و آماده پرینت)
تعداد صفحه25
بخشی از فهرست مطالب
پیاده سازی و ارزیابی الگوریتمها و سیر تکاملی و انواع زبانهای برنامه نویسی
AI به دو مکتب فکری تقسیم می شود:
- AI قراردادی (Coventional AI) : توسط رسمی سازی (formalism)، تحلیل آماری، تعاریف و اثبات مشخص می گردد (مثل یادگیری ماشین و سیستم های خبره).
- هوش محاسباتی: با ویژگی های غیررسمی، غیراحتمالی و اغلب با رویکردهای آزمون و خطا شناخته می شود. هوش محاسباتی به سه بخش اصلی تقسیم می گردد:
- شبکه های عصبی
- سیستم های فازی
- محاسبه تکاملی
الگوریتم های تکاملی تکنیک پیاده سازی مکانیزم هایی مانند تولید مجدد[1] ، جهش، ترکیب مجدد(ادغام)، انتخاب طبیعی (فرایندی که توسط آن افرادی دارای مشخصه های مطلوب با احتمال بیشتری برای تولید افراد بعدی به کار می روند. پس مشخصه های مطلوب در نسل بعد عمومی تر می شوند) و بقای شایسته ترین است. ولی محاسبات تکاملی دارای مشخصه های زیر می باشند:
- پیشروی، رشد یا توسعه تکراری
- مبنی بر جمعیت
- جستجوی تصادفی هدایت شده
- پردازش موازی
- ملهم از زیست شناسی
محاسبات تکاملی اغلب شامل الگوریتم های بهینه سازی فرااکتشافی است مانند:
- الگوریتم های تکاملی (شامل الگوریتم ژنتیک، برنامه نویسی تکاملی، استراتژی تکاملی، برنامه نویسی ژنتیک و سیستم های طبقه بندی کننده یادگیر (Learning Classifier Systems) )
- هوش گروهی[2] (شامل بهینه سازی گروه مورچگان و بهینه سازی گروه ذرات[3])
و تا حد کمتری شامل:
- خودسازماندهی (نقشه های خودسازمانده ، گاز عصبی در حال رشد، یادگیری رقابتی)
- تکامل تفاضلی (دیفرانسیلی)
- زندگی مصنوعی
- الگوریتم های فرهنگ
- سیستم های ایمنی مصنوعی
- مدل تکاملی قابل یادگیری
هوش گروهی (SI) یک تکنیک هوش مصنوعی مبنی بر بررسی رفتار جمعی در سیستم های غیر متمرکز و خودسازمانده است . این واژه توسط Wang و Beni در سال 1989 و در مبحث سیستم های رباتی سلولی[4] مطرح شد.
SI معمولا از جمعیتی از عاملهای ساده تشکیل شده که به طور محلی با یکدیگر و محیطشان تعامل دارند. با اینکه ساختار کنترلی متمرکزی برای تحمیل رفتار عاملها وجود ندارد، تعاملات محلی بین عاملها اغلب منجر به بروز یک رفتار سراسری می گردد. مثال:گروه مورچگان، ازدحام پرندگان و دسته حیوانات.
سیستم های نمونه:
- ACO: یک الگوریتم بهینه سازی فرااکتشافی است که می تواند راه حلهای تقریبی را برای مسایل بهینه سازی ترکیبی مشکل بیابد. در ACO، مورچه های مصنوعی با حرکت روی گراف مساله راه حلها را می سازند و با تقلید از مورچه های حقیقی، روی گراف فرومون مصنوعی به جا می گذارند، به نحوی که مورچه های مصنوعی آینده راه حلهای بهتری بیابند. ACO می تواند با موفقیت بر روی مسایل بهینه سازی زیادی اجرا شود. ؟؟؟؟؟؟؟؟؟ مسایل مناسب در مقاله Dorigo
تحقیق در مورد پیاده سازی و ارزیابی الگوریتمها و سیر تکاملی و انواع زبانهای برنامه نویسی
