شبکه‌های عصبی مصنوعی (Artificial Neural Network – ANN) یا به زبان ساده‌تر شبکه‌های عصبی سیستم‌ها و روش‌های محاسباتی نوینی هستند برای یادگیری ماشینی، نمایش دانش، و در انتها اعمال دانش به دست آمده در جهت بیش‌بینی پاسخ‌های خروجی از سامانه‌های پیچیده. ایدهٔ اصلی این گونه شبکه‌ها (تا حدودی) الهام‌گرفته از شیوهٔ کارکرد سیستم عصبی زیستی، برای پردازش داده‌ها، و اطلاعات به منظور یادگیری و ایجاد دانش قرار دارد. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانهٔ پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق العاده بهم‌پیوسته با نام نورون تشکیل شده که برای حل یک مسأله با هم هماهنگ عمل می‌کنند و توسط سیناپس‎ها(ارتباطات الکترومغناطیسی) اطلاعات را منتقل می‎کنند. در این شبکه‌ها اگر یک سلول آسیب ببیند بقیه سلول‎ها می‌توانند نبود آنرا جبران کرده، و نیز در بازسازی آن سهیم باشند. این شبکه‌ها قادر به یادگیری‎اند. مثلا با اعمال سوزش به سلول‎های عصبی لامسه، سلول‎ها یاد می‌گیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم می‌آموزد که خطای خود را اصلاح کند. یادگیری در این سیستم‎ها به صورت تطبیقی صورت می‌گیرد، یعنی با استفاده ازمثال‎ها وزن سیناپس‎ها به گونه‌ای تغییر می‌کند که در صورت دادن ورودی‎های جدید، سیستم پاسخ درستی تولید کند.

A

 userفیلم آموزش درس سیستم های خبره(الگوریتم ژنتیک در متلب)

userمدرس : پاسبان

playقسمت : هفتم

در این قسمت شما با الگوریتم های ژنتیک در متلب آشنا می شوید,

با اصطلاحاتی مانند نسل, جمعیت, کرموروم, ژن, قطع و جهش و .. آشنا می شوید,

چند مثال کاربردی از آن را می بینید,

نحوه کد نویسی آن را در متلب می آموزید,

و…

هدف از تشخیص گفتار که در متون علمی بیشتر با نام بازشناسی گفتار شناخته شده‌است، طراحی و پیاده‌سازی سیستمی است که اطلاعات گفتاری را دریافت و متن و فرمان گوینده را استخراج می‌کند. فناوری تشخیص گفتار به رایانه‌ای که توانایی دریافت صدا را دارد (برای مثال به یک میکروفن مجهز است) این قابلیت را می‌دهد که صحبت کاربر را متوجه شود. این فناوری در تبدیل گفتار به متن و یا به عنوان جایگزینی برای صفحه کلید یا ماوس برای وارد کردن دستورات مورد استفاده قرار می‌گیرد. سیستم‌های تشخیص دهنده گفتار انواع مختلفی دارند، بعضی قادرند گفتار پیوسته را شناسایی نمایند، بعضی دیگر فقط می‌توانند گفتار گسسته (که بین کلمات سکوت وجود دارد) را تشخیص دهند. همچنین سیستم‌ها قادرند کلمات بیان شده توسط افراد مختلف و یا فقط توسط یک گوینده تشخیص دهند. بهر حال ایده آل‌ترین سیستم آن است که بتواند گفتار پیوسته غیر وابسته به گوینده را در محیط نویزی شناسایی نماید. این سیستم‌ها با بکار گیری روش‌های مختلف طبقه بندی و شناسایی الگو قادرند به تشخیص کلمات هستند که البته برای افزایش دقت در شناسایی از یک فرهنگ لغات نیز در انتهای سیستم استفاده می‌شود. روشهایی مانند Hidden Markov Model یا Neural Network در بسیاری از سیستم‌های تشخیص گفتار مورد استفاده قرار می‌گیرند و در بخش‌های انتهایی سیستم از هوش مصنوعی کمک گرفته می‌شود.

الگوریتم تبرید شبیه‌سازی شده (Simulated Annealing) (SA)، یک الگوریتم بهینه‌سازی فراابتکاری ساده و اثربخش در حل مسائل بهینه‌سازی است. منشأ الگوریتم تبرید شبیه‌سازی شده، کارهای کریک پاتریک و کرنی و همکارانشان در سال‌های ۱۹۸۳ و ۱۹۸۵ است. کریک پاتریک و همکارانش، متخصصانی در زمینهٔ فیزیک آماری بودند. آنها برای حل مسائل سخت بهینه‌سازی، روشی مبتنی بر تکنیک تبرید تدریجی پیشنهاد نمودند. تکنیک تبرید تدریجی، به وسیلهٔ متالورژیست‌ها برای رسیدن به حالتی که در آن ماده جامد، به خوبی مرتب و انرژی آن کمینه شده باشد، استفاده می‌شود. این تکنیک شامل قرار دادن ماده در دمای بالا و سپس کم کردن تدریجی این دماست.

شبکه‌های پتری (Petri net) در سال ۱۹۶۲ توسط معرفی شدند. شبکه‌های پتری ابزار قدرتمندی برای هستند و قدرت توصیف بیشتری را نسبت به فراهم می‌کنند. شبکه‌های پتری علاوه بر اینکه دارای ساختار و رفتار صوری هستند، قابلیت نمایش گرافیکی را دارند که به همین سبب مدل سازی توسط آنها را آسان می‌کند.یکی از دلایل موفقیت شبکه‌های پتری سادگی آنهاست که البته این سادگی گاه مدل کردن سیستم‌ها یپیچیده را دشوار می‌سازد . امکانات زیادی به مدل اولیه شبکه پتری اضافه شده‌است تا قدرت مدل سازی آن را افزایش یابد و بتوان آن را در زمینه‌های مختلف به کار برد.

شبکه‌های عصبی مصنوعی (Artificial Neural Network – ANN) یا به زبان ساده‌تر شبکه‌های عصبی سیستم‌ها و روش‌های محاسباتی نوینی هستند برای یادگیری ماشینی، نمایش دانش، و در انتها اعمال دانش به دست آمده در جهت بیش‌بینی پاسخ‌های خروجی از سامانه‌های پیچیده. ایدهٔ اصلی این گونه شبکه‌ها (تا حدودی) الهام‌گرفته از شیوهٔ کارکرد سیستم عصبی زیستی، برای پردازش داده‌ها، و اطلاعات به منظور یادگیری و ایجاد دانش قرار دارد. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانهٔ پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق العاده بهم‌پیوسته با نام نورون تشکیل شده که برای حل یک مسأله با هم هماهنگ عمل می‌کنند و توسط سیناپس‎ها(ارتباطات الکترومغناطیسی) اطلاعات را منتقل می‎کنند. در این شبکه‌ها اگر یک سلول آسیب ببیند بقیه سلول‎ها می‌توانند نبود آنرا جبران کرده، و نیز در بازسازی آن سهیم باشند. این شبکه‌ها قادر به یادگیری‎اند. مثلا با اعمال سوزش به سلول‎های عصبی لامسه، سلول‎ها یاد می‌گیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم می‌آموزد که خطای خود را اصلاح کند. یادگیری در این سیستم‎ها به صورت تطبیقی صورت می‌گیرد، یعنی با استفاده ازمثال‎ها وزن سیناپس‎ها به گونه‌ای تغییر می‌کند که در صورت دادن ورودی‎های جدید، سیستم پاسخ درستی تولید کند.

کاملترین مجموعه آموزشی منطق فازی

منطق فازی چیست؟

همانطور كه مي دانيد بر اساس مباني و اصول علم، همه چيز مشمول يك قاعده ثابت مي شود كه به موجب اين قاعده آن چيز يا درست است يا غلط. گرچه ممكن بود در مورد “درستي” يا “نادرستي” چيزي ترديد داشته باشند، ليكن در مورد يك چيز، هيچ ترديدي نداشتند و آن اينكه هر پديده‌اي يا “درست” است يا “نادرست”. در اين زمينه مثالهاي فراواني را مي توان ارائه داد: مثلاً هركسي مي تواند بگويدكه اتمها ارتعاش مي كنند يا نمي كنند، يا اينكه علف سبز است و قرمز نيست و خيلي چيزهاي ديگر. به عبارت ديگر در يك پاسخ دلخواه، نظير سبز بودن يا قرمز بودن علف، كه مشخص كننده جواب صحيح يا غلط است، حالت ميانه‌اي  مطرح نيست. اما اين مثالها را، كه در آنها براي هر مسأله‌اي تنها يك جواب آري يا نه صادق است، نبايد به همه چيز تعميم داد. اشتباه علم، تعميم اين موضوع به تمام پديده ها بود. در منطق و رياضيات نيز همين استدلال حاكم بوده است: هر چيزي يا درست است يا غلط؛ بر اين اساس، موضوعات منطقي و رياضي نيز يا كلاً درست هستند يا كلاً نادرست، سفيد يا سياه، يك يا صفر. مثال هاي زيادي را مي توان ارائه داد مثلا مشاهده مي کنيد که در برخي کشورها انسان را از 18 سالگي به بالا بزرگسال مي گويند و خيلي قطعي، خشک و يکدفعه شخص 18 ساله را بزرگسال فرض مي کنند و اگر شخص يک روز قبل از 18 سالگي باشد به هيچ وجه از نظر قانون بزرگسال محسوب نمي شود.آيا اينکه انسان را از 18 سالگي به بالا بزرگسال مي گويند يک واقعيت نيست و حال واقعيت چيز ديگري است : در بين 15 يا 16 ساله ها به ندرت مي توان اشخاصي را يافت که واقعا بزرگسال باشند و همچنين در بين 23 يا 24 ساله ها نيز مي توان اشخاصي را (هرچند به ندرت) يافت که هنوز بزرگسال نشده اند.

به طور کلی، سیستم‌های ایمنی مصنوعی جزء الگوریتم‌های الهام گرفته شده از بیولوژی هستند. این نوع الگوریتم‌ها، الگوریتم‍هایی کامپیوتری هستند که اصول و ویژگی‌های آنها نتیجه بررسی در خواص وفقی و مقاومت نمونه‌ها بیولوژیکی است. سیستم ایمنی مصنوعی نوعی الگو برای یادگیری ماشین است. یادگیری ماشین، توانایی کامپیوتر برای انجام یک کار با یادگیری داده‌ها یا از روی تجربه است. سیستم ایمنی مصنوعی توسط کاسترو به صورت زیر تعریف شده است:

سيستم هاي وفقي كه با الهام از ايمونولوژي نظري و توابع، اصول و مدل هاي ايمني مشاهده شده به وجود آمده‌اند و برای حل مسائل مورد استفاده قرار می‌گیرند.

دي كاسترو  و تيميس تعريف بالا را براي AIS برگزيده اند و سه نكته را برشمردند كه در هر الگوريتم ايمني مصنوعي بايد لحاظ شود:

1.       در هر الگوريتم ايمني مصنوعي، حداقل بايد يك جزء ايمني مانند لنفوسيت ها وجود داشته باشد.

2.       در هر الگوريتم ايمني مصنوعي بايد ايده اي برگرفته از بيولوژي نظري يا تجربي استفاده شود.

3.       الگوريتم ايمني مصنوعي طراحي شده بايد به حل مسئله اي كمك كند.

بر اساس اين سه ضابطه، ديكاسترو و تيميس، اولين الگوريتم هاي ايمني مصنوعي را در سال 1986 طراحي كردند. در همان سال فارمر مدلی برای تئوری شبکه ایمنی ارائه کرد و بر اساس این مدل  اعلام کرد که “سیستم ایمنی قادر به یادگیری، به خاطر سپردن و تشخیص الگوست.” بعد از ادعای فارمر، توجه به AIS به عنوان یک مکانیزم یادگیری ماشین شروع شد. پس از آن به تدریج AIS، در زمینه‌های مختلف وفق پذیر و جذاب بودن خود را نشان داد. سیستم ایمنی علاوه بر توانایی تشخیص الگو، صفات دیگری از قبیل یادگیری، حافظه، خود سازماندهی و از منظر مهندسی، خصوصیات دیگری مانند تشخیص بی‌قاعدگی، تحمل خطا، توزیع‌پذیری و مقاومت بالا نیز دارد که در صورتی که AIS به طور صحیح ایجاد شود، AIS هم دارای این ویژگی‌ها خواهد بود.

الگوريتم بهينه سازي ازدحام ذرات (PSO)، که به نام الگوريتم پرندگان نيز مشهور است، يک خانواده از روش‌هاي هوش جمعي و يکي از الگوريتم هاي موفق در زمينه بهينه سازي پيوسته و گسسته مي باشد. اين روش بهينه سازي اولين بار در سال 1995 و با الهام از رفتار جمعي پرندگان و ماهي‌ها و بکارگيري مفاهيم الگوريتم‌هاي تکاملي, معرفي شد. الگوريتم بهينه سازي ازدحام ذرات مشابه با الگوريتم هاي تکاملي يک الگوريتم جمعيتي بوده که در آن تعدادي ذره که راه حل هاي کانديداي يک تابع يا يک مسئله هستند، يک ازدحام (جمعيت) را تشکيل مي‌دهند. اين ذرات در فضاي مسئله حرکت کرده و براساس تجربيات فردي خود و تجربيات جمعي سعي مي‌کنند تا راه حل بهينه در فضاي جستجو را بيابند. اين روش بوسيله ابعاد و غيرخطي بودن مسئله خيلي تحت تأثير قرار نگرفته و نتايج خوبي در محيط‌هاي استاتيک, نويزي و محيط هاي بطور پيوسته در حال تغيير مي‌گيرد. اين ويژگي‌ها به علاوه سادگي پياده‌سازي، عدم الزام بر پيوستگي تابع هدف و توانايي وفق دادن به محيط پويا باعث شده که اين الگوريتم در حوزه‌هاي بسيار مختلفي بکار برده شود.

کلوني مورچه ها و يا به صورت کلي‌تر جوامع اجتماعي حشرات، سيستم هاي توزيعي هستند که علي رغم سادگي عملکرد اعضاي کلوني، يک سازمان اجتماعي پيچيده بوجود مي‌آورند. اين سازمان قادر به انجام وظايف پيچيده اي است که از توانايي يک عضو به تنهايي فراتر مي‌باشد. در حوزه ي “الگوريتم‌هاي مورچگان” مدل‌هايي بررسي مي‌شودکه از مشاهده رفتار مورچه ها در طبيعت بدست آمده‌اند. اين مدل‌ها به مرجعي الهام بخش در طراحي الگوريتم‌هاي جديد در حل مسائل بهينه سازي تبديل شده‌اند. علي رغم آن که مورچه ها موجوادت نابينا، بي حافظه و کم هوشي هستند، جنبه‌هاي مختلف رفتار آن ها الهام بخش الگوريتم‌هاي متفاوت بوده است. به صورت کلي، زندگي اجتماعي مورچه‌ها، باعث بروز رفتارهايي از قبيل تقسيم کار، ساماندهي گورستان و رفتار کاوشگرانه براي جستجوي غذا شده است. در انجام همه‌ي اين وظايف مورچه‌ها فعاليت‌هاي خود را بوسيله‌ي ارتباط غيرمستقيمي که با نام stigmergy شناخته شده است، هماهنگ مي‌کنند. ايده‌اي که منجر به شکل‌گيري بهينه‌سازي کلوني مورچگان (ACO ) شده است، برگرفته از رفتار کاوشگرانه اين موجودات براي غذا مي باشد. . روش ACO ، نوعي روش فرا اکتشافي است که براي يافتن راه‌حل‌هاي تقريبي براي مسائل بهينه‌سازي ترکيبياتي مناسب است.  در اين روش،  مورچه‌هاي مصنوعي به‌وسيله‌‌ي حرکت بر روي گرافِ  مسئله  و با باقي گذاشتن نشانه‌هايي بر روي گراف، همچون مورچه‌هاي واقعي که در مسير حرکت خود نشانه‌هايي باقي مي‌گذارند، باعث مي‌شوند که مورچه‌هاي مصنوعي بعدي بتوانند راه‌حل‌هاي بهتري را براي  مسئله  فراهم نمايند.

الگوریتم ژنتیک (Genetic Algorithm – GA) تکنیک جستجویی در علم رایانه برای یافتن راه‌حل تقریبی برای بهینه‌سازی و مسائل جستجو است. الگوریتم ژنتیک نوع خاصی از الگوریتمهای تکامل است که از تکنیکهای زیست‌شناسی فرگشتی مانند وراثت و جهش استفاده می‌کند.در واقع الگوریتم‌های ژنتیک از اصول انتخاب طبیعی داروین برای یافتن فرمول بهینه جهت پیش‌بینی یا تطبیق الگو استفاده می‌کنند. الگوریتم‌های ژنتیک اغلب گزینه خوبی برای تکنیک‌های پیش‌بینی بر مبنای رگرسیون هستند. مختصرا گفته می‌شود که الگوریتم ژنتیک یا GA یک تکنیک برنامه‌نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده می‌کند. مسئله‌ای که باید حل شود ورودی است و راه‌ حلها طبق یک الگو کد گذاری می‌شوند که تابع fitness نام دارد هر راه حل کاندید را ارزیابی می‌کند که اکثر آنها به صورت تصادفی انتخاب می‌شوند.

کاملترین مجموعه آموزشی الگوریتم های ژنتیک

الگوریتم ژنتیک (Genetic Algorithm – GA) تکنیک جستجویی در علم رایانه برای یافتن راه‌حل تقریبی برای بهینه‌سازی و مسائل جستجو است. الگوریتم ژنتیک نوع خاصی از الگوریتمهای تکامل است که از تکنیکهای زیست‌شناسی فرگشتی مانند وراثت و جهش استفاده می‌کند. این الگوریتم برای اولین بار توسط جان هلند معرفی شد.

در واقع الگوریتم‌های ژنتیک از اصول انتخاب طبیعی داروین برای یافتن فرمول بهینه جهت پیش‌بینی یا تطبیق الگو استفاده می‌کنند.الگوریتم‌های ژنتیک اغلب گزینه خوبی برای تکنیک‌های پیش‌بینی بر مبنای رگرسیون هستند. مختصراً گفته می‌شود که الگوریتم ژنتیک (یا GA) یک تکنیک برنامه‌نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده می‌کند.مسئله‌ای که باید حل شود ورودی است و راه‌حلها طبق یک الگو کد گذاری می‌شوند که تابع fitness نام دارد هر راه حل کاندید را ارزیابی می‌کند که اکثر آنها به صورت تصادفی انتخاب می‌شوند.

این الگوریتم‌ها از بخش های زیر تشکیل می‌شوند : تابع برازش – نمایش – انتخاب – تغییر

همانطور که گفتیم یکی از شاخه­های پردازش تکاملی، برنامه نویسی ژنتیک می­باشد. در برنامه نویسی ژنتیک سعی می­کنیم که با استفاده از الگوریتم­های ژنتیک، و مفاهیم درختهای تجزیه برای کاربردهای خاص، به جای اینکه کد برنامه لازم را بنویسیم، به کامپیوتر این امکان را بدهیم که تنها با دانستن مفهوم کلی از کار، برنامه مورد نظر را برایمان آماده کند. در واقع یک دستور سطح بالا به کامپیوتر بدهیم و خود کامپیوتر برنامه لازم برای اجرای برنامه مورد نظر را آماده کند، سپس برنامه را اجرا و خروجی مطلوب ما را به ما ارائه دهد.

تاریخچه برنامه نویسی ژنتیک به اوائل دهه نود میلادی باز می­گردد. و از افرادی که بیشترین تلاشها را برای پیشرفت این شاخه انجام داده است می­توانیم به آقای John Koza اشاره کنیم.

رنامه نویسی ژنتیک (GP) روشی برای استنتاج برنامه ها است، برنامه نویسی خودکار هدف  علوم کامپیوتر برای چند دهه بوده است دانشمندان مایل هستند که یک مساله را به کامپیوتر داده و از آن بخواهند که برای حل آن برنامه بسازد. گفته می شود که GP بیشترین پتانسیل را در جهت نوشتن خودکار برنامه های کامپیوتری نشان داد.

نحوه کار برنامه نویسی ژنتیک، در صورتی که با مقدمات پردازش تکاملی آشنائی دارید، در ادامه آورده شده است.

الگوریتم های ژنتیک کلاسیک در یافتن نواحی جواب با سرعت خوبی عمل می کنند اما در به دست آوردن جواب با دقت مورد نظر زمان زیادی را صرف می کنند. این نقص را می توان تا حدودی با بکارگیری دانش موجود از مساله و یا اضافه کردن فاز جستجوی محلی به چرخه ی تکاملی بهبود بخشید. محققان با الهام گرفتن از ایده ی »مم« که توسط ریچارد داوکینز مطرح شد، الگوریتم هایی پیشنهاد کرده اند که مم ها به عنوان جستجوگرهای محلی بهبود هایی جواب های بدست آمده را بهبود می دهند تا فرآیند جستجو سریع تر و کاراتر شود.به این گونه روش ها الگوریتم های ممتیک یا دورگه گفته می شود. این الگوریتم ها از نظر تطبیق پذیری به ۳ دسته ی ایستا، تطبیقی و خود تطبیقی تقسیم می شوند.  در دوسته ی اول مم ها در فرآیند جستجو تغییر نمی کنند و فقط انتخاب بهترین مم مطرح است ولی در دسته ی سوم مم ها در جمعیتی جداگانه تکامل پیدا کرده و به صورت تکاملی با مساله تطبیق پیدا می کنند.

این الگوریتم ها کاربرد های زیادی در مسائل طراحی دارند و کارایی بسیار خوبی در این زمینه نشان داده اند. همچنین در حوزه ی بیوانفورماتیک و مسائلی چون پیش بینی ساختار پروتئین ها به کار گرفته می شوند.

در این پست جزوه کامل درس اتوماتای یادگیر را برایتان آماده کرده ام امیدوارم مفید واقع شود.