امتیاز : 2

فهرست مطالب

هوش مصنوعی ترکیبی : 1

آینده هوش مصنوعی : 3

الگوریتم ژنتیک ( Genetic Algorithm ) : 7

Fitness ( برازش ) 7

Selection ( انتخاب ) 8

Crossover ( ادغام ) 8

ادغام تک نقطه ای 9

ادغام دو نقطه ای 9

ادغام توسط ماسک 9

Mutation ( جهش ) 9

حل مساله با استفاده از الگوریتم های ژنتیک 10

ارتقای تصویر 10

ارتقای تصویر در حوزه مکانی 10

ارتقای تصویر در حوزه فرکانسی (Frequency Domain) 11

پی نوشت ها: 16

تكنيك ها وزبانهای برنامه نويسی هوش مصنوعی 17

زبان ، شناخت و خلاصه پردازي 18

خلاصه پردازی طبقه بندی شده (سلسله مراتبی ) : 18

انعطاف پذير بودن كنترل: 24

پشتيبانی از روش های برنامه نويسی جستجويی 25

خلاصه اي دربارة LISP و PROLOG 32

محيطهای هيبريد : 36

هوش‌ مصنوعی چيست‌؟ 40

هوش‌ مصنوعی و هوش‌ انسانی ‌: 41

شاخه‌های هوش‌ مصنوعی : 41

سيستم‌های خبره‌ : 42

مزايای سيستم‌های خبره : 42

آدمواره‌ها : 44

پردازش‌ زبان‌های طبيعی (NLP) : 45

منابع‌ و مأخذ: 45

 

 

 

هوش مصنوعی ترکیبی : 

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. 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. 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.

 

آینده هوش مصنوعی : 

هوش مصنوعی علمی است بسیار جوان و روبه رشد. شروع هوش مصنوعی به سال ۱۹۵۰ بازمی گردد یعنی زمانی که آلن تورینگ مقاله خود را درباره ساخت ماشین هوشمند به رشته تحریر درآورد.

رؤیای طراحان اولیه رایانه از بابیج تا تورینگ، ساخت ماشینی بود که توانایی حل همه مسائل را داشته باشد. ماشینی که در نهایت ساخته شد و به نام رایانه در دسترس همگان قرار گرفت تنها توانایی حل دسته ای از مسائل خاص و محدود را داشت، اما نکته اینجاست که همه مسائل از نظر طراحان اولیه رایانه چه می توانست باشد؟ به طبع چون طراحان اولیه رایانه همگی منطق دان و ریاضیدان بودند، منظورشان همه مسائل منطقی و محاسباتی بود از این رو عجیب به نظر نمی رسد که فون نیومان سازنده نخستین رایانه، در حال ساخت این ماشین اعتقاد داشت که برای داشتن ماشینی هوشمند شبیه به انسان راه حل نهایی استفاده از منطق نیست بلکه کلید نهایی حل این مشکل رازی نهفته در دانش ترمودینامیک است.

● تاریخ هوش مصنوعی هوش مصنوعی علمی است بسیار جوان و روبه رشد. شروع هوش مصنوعی به سال ۱۹۵۰ بازمی گردد یعنی زمانی که آلن تورینگ مقاله خود را درباره ساخت ماشین هوشمند به رشته تحریر درآورد. در این مقاله تورینگ روشی را برای تشخیص هوشمندی ماشین ها پیشنهاد داد. روش پیشنهادی تورینگ بیشتر شبیه به یک بازی بود بدین نحو که یک انسان و یک ماشین روبروی هم و پشت پرده ای قرار می گرفتند. ماشین باید با طرح سؤالاتی از انسان او را وادار به پذیرش هوشمند بودن خود می کرد. روش پیشنهادی تورینگ به شرح زیر است: فرض کنید که انسانی در یک سمت دیواری قرار دارد و توانایی برقرار کردن ارتباط به صورت تله تایپ با آن سوی دیگر دیوار را دارا باشد. مکالمه ای میان دو نفر انجام می شود اگر پس از پایان مکالمه به آن شخص گفته شود که در طرف مقابلش نه یک انسان بلکه یک ماشین قرار داشته که پاسخ او را می داده است و این امر بدون پی بردن شخص نسبت به هویت واقعی طرف مقابل انجام شود می توان آن ماشین را ماشینی هوشمند قلمداد کرد. نقطه آغاز علم هوش مصنوعی را می توان به بعد از جنگ جهانی دوم نسبت داد، در آن زمان واینر با توجه به مسائل سایبرنتیک زمینه را برای پیشرفت هوش مصنوعی به وجود آورد و سپس در سال ۱۹۵۰ تورینگ آزمایش بالا را برای اثبات هوشمند بودن یک ماشین پیشنهاد داد و سپس در سال ۱۹۵۶ گروهی از علاقه مندان به هوش مصنوعی در کالج دارتموت گرد هم آمدند و تحقیقات وسیعی را برای هوش مصنوعی آغاز کردند. دهه ۱۹۶۰ را می توان دهه توسعه و پیشرفت تحقیقات در زمینه هوش مصنوعی نامید. در این سال ها بود که با تلاش های دانشمندان هوش مصنوعی، برنامه های بازی شطرنج و ربات های هوشمند پا به عرصه گذاشتند و پس از آن هر سال پله های پیشرفت و ترقی خود را پیمودند.

● جان مک کارتی پروفسور جان مک کارتی در سال ۱۹۲۷ در شهر بوستون متولد شد. وی درجه کارشناسی ارشد خود را در رشته ریاضی در سال ۱۹۴۸ از انستیتو کالیفرنیا و مدرک دکترای خود را از دانشگاه پرینستون در سال ۱۹۵۱ دریافت کرد. او با ادامه تحصیل در رشته علوم کامپیوتر موفق به دریافت درجه استادی در این رشته، از دانشگاه استنفورد شد و از سال ۱۹۶۵ تا ۱۹۸۰ سرپرستی آزمایشگاه هوش مصنوعی دانشگاه استنفورد را برعهده داشت. مک کارتی که از جمله بنیان گذاران هوش مصنوعی به حساب می آید، در زمان مطالعات خود درباره این علم زبانی را برای توصیف و توسعه هوش مصنوعی با عنوان list processing یا همان LISP ابداع نمود. این زبان تا سال ۱۹۵۸ از سوی همکاران کارتی در دانشگاه MIT توسعه داده شده و در این سال به عنوان یک زبان کامل وارد دنیای برنامه نویسان شد. مک کارتی و همکارانش معتقد بودند که می توان کاری کرد که ماشین نیز دارای هوش باشد و این هوش همانند هوش انسانی باشد و LISP زبانی است که می تواند این هوش را به وجود بیاورد.

● LISP زبان های lisp و prolog زبان هایی هستند که برای طراحی و برنامه نویسی هوش مصنوعی بر روی ماشین ها، بیش از دیگر زبان ها کاربرد دارند. Lisp زبانی است که بیش از دیگر زبان ها در آمریکا رواج دارد و prolog بیش تر به وسیله اروپایی ها و ژاپنی ها مورد استفاده قرار می گیرد. Lisp دارای انعطاف بیشتری نسبت به زبان prolog است و در مقابل طراحی prolog سطحی بالاتر نسبت به Lisp دارد.

● هدف هوش مصنوعی همه افرادی که نخستین گام ها را در راه معرفی و شناخت هوش مصنوعی برداشتند به دنبال یک هدف بودند و آن نیز رساندن سطح هوش مصنوعی به سطح هوش انسانی بود. اما امروزه می دانیم که مطالعه و بررسی در زمینه هوش و درک مکانیزم آن بسیار پیچیده است، هم اکنون می توان موضوع هوش را از دو دیدگاه متفاوت مورد بررسی قرار داد: ۱) آگاهی از جهان اطراف چگونه حاصل می شود و چه طور می توان از حقایق و کشفیات نتیجه گیری هوشمندانه ای به عمل آورد؟ ۲) کشف و شهود آگاهانه به این معنا که برای رسیدن به هدفی مشخص هزاران راه و بیراهه وجود دارد که با استفاده از هوش مصنوعی می توان راه را از بیراهه تشخیص داد.

● هوش مصنوعی و هوش انسانی در شبکه ارتباطی مغز انسان سیگنال های ارتباطی به صورت پالس های الکتریکی وجود دارد. جزء اصلی مغز نرون است که از ساختمانی سلولی و مجموعه ای از شیارها و خطوط به وجود می آید که این شیارها محل ورود اطلاعات به نرون هاست و خطوط نیز محل خروج اطلاعات از نرون است. محل اتصال نرون ها به یکدیگر را سیناپس می گویند که مانند دروازه ای برای ورود و خروج اطلاعات (Data) عمل می کند، اگر واکنش های نرون ها به پالس های متفاوت هماهنگی کامل داشته باشند اتفاق های مهمی در مغز انسان رخ داده است. گروهی از دانشمندان هوش مصنوعی که رویکرد مدل مغزی را دنبال می کنند، شکلی از مدارهای الکترونیکی را طراحی کرده اند که تاحدودی شبیه شبکه مغز انسان است ، در این ساختار هر گروه به تنهایی خود یک پردازنده (CPU) است ولی رایانه های معمولی تنها توانایی داشتن بیش از چند CPU را به صورت هم زمان ندارند. هدف از راه اندازی این شبکه عصبی رایانه ای طراحی مکانیسمی است که مانند مغز انسان توانایی یادگیری داشته باشد. سامانه شبکه عصبی این کار را از راه ارزش گذاری کمی برای ارتباطات سیگنال ها بین نرون ها انجام می دهد که این مکانیسم ارزش گذاری به وسیله مقاومت ها با تقویت یا تضعیف پالس ها انجام می شود. باتوجه به تعداد زیاد نرون ها در شبکه عصبی خرابی تعدادی از آنها تأثیر چندانی بر عملکرد سامانه ندارد تاکنون چند سیستم آزمایشی با استفاده از این اصول طراحی و ساخته شده اند.

● ویژگی های هوش مصنوعی ماشین هایی که به عنوان ماشین های هوشمند شناخته می شوند توانایی فکر کردن بدون نیاز به انسان را دارد و این به دلیل وجودخصلت هوش مصنوعی Artificial Intelligence دراین گونه ازماشین هاست. ماشین ها تنها در صورتی یک ماشین باهوش شناخته می شوند که دارای قابلیت های خاصی باشد که یکی از این ویژگی ها شناخت از وجود خود است که تاکنون ماشینی که این توانایی را به طور کامل داشته باشد به وجود نیامده است، ویژگی بعدی ماشین های هوشمند توانایی شناخت محیط پیرامون خود است که این امکان در برخی از ماشین های هوشمند امروزی که با نام «ربات های امدادگر» شناخته می شوند وجود دارد، ویژگی بعدی در ماشین هایی که دارای هوش مصنوعی هستند توانایی نشان دادن عکس العمل در مقابل کنش های حاصل از محیط است که این امکان نیز در ربات های هوشمند امروزی و در دسته خاصی از آن ها باعنوان «ربات های کاوشگر» فراهم آمده است.

● کاربردهای هوش مصنوعی از کاربردهای هوش مصنوعی می توان به موارد زیر اشاره کرد: ۱) طراحی نرم افزارهای هوشمند: این گروه از نرم افزارها برای انجام کارهای تخصصی طراحی شده اند و دارای توانمندی های بالایی نیز هستند، پشتوانه این گونه از برنامه ها وجود یک بانک اطلاعاتی (Data Base) قوی برای پاسخگویی به پرسش های مختلف کاربران است. نمونه هایی از این گونه از نرم افزارها نیز، نرم افزارهایی است که در آزمون های استخدامی و دانشگاهی مورد استفاده قرار می گیرد. ۲) طراحی بازی های هوشمند: زمانی که شما در حال انجام یک بازی رایانه ای هستید، دشمنان شما از هوش کافی برخوردارند. اگر شما به آن ها شلیک کنید آن ها اقدام به فرار کرده و یا با مقابله به سوی شما شلیک خواهند کرد. این فرآیند نیز به دلیل وجود هوش مصنوعی در دشمنان شماست که آن ها را به واکنش نسبت به شما برمی انگیزاند. ۳) طراحی ربات های هوشمند: کاربرد عمده دیگر هوش مصنوعی در طراحی ماشین ها به نسبت هوشمند است. ماشین هایی مانند ربات های کاوشگر و ربات های امدادگر. در ربات های امدادگر، ربات باید در محدوده مورد نظر به دنبال مصدومان حادثه بگردد و پس از یافتن آن ها کمک های مورد نیاز را در اختیار آن ها قرار دهد که این خود نیاز به داشتن شناخت از محیط دارد. دسته دیگر ربات ها یعنی ربات های کاوش گر باید به دنبال قطعه مورد نظر در مکانی خاص باشند و یا مسیری را که از پیش تعریف شده است دنبال کنند که این نیز نیازمند داشتن هوش مصنوعی در این دسته از ربات ها است.

● نتیجه هوش مصنوعی هنوز راه درازی در پیش دارد، شبکه سازی عصبی که در سال های گذشته شاهد تغییرات عمده ای نیز بوده است هر روز به دوران رشد و بلوغ خود نزدیک تر می شود. به عنوان مثال پژوهشگران پیش بینی می کنند که به کمک فناوی نرم افزاری جدید شبکه های عصبی بتوان پیش بینی های بسیار دقیقی از بازار سهام به عمل آورد و پیش بینی های دقیق تری مانند مکان فیزیکی سیاره ها درسال های آتی و اوضاع کره زمین از نظر شرایط زیست محیطی و غیره نیز میسر خواهد شد. امروزه نگرش تاز ه ای نسبت به هوش مصنوعی به وجود آمده است که در بسیاری از آزمایشگاه ها در حال بررسی است. پژوهشگران سعی می کنند دریابند آیا مجموعه ای از ربات های نیمه هوشمند می توانند یک هوش جمعی ایجاد کنند به نحوی که هوش جمعی حاصل از هوش اعضای تشکیل دهنده این مجموعه بیشتر باشد؟

 

الگوریتم ژنتیک ( Genetic Algorithm ) : 

الگوریتم های ژنتیک یکی از الگوریتم های جستجوی تصادفی است که ایده آن برگرفته از طبیعت می باشد . الگوریتم های ژنتیک در حل مسائل بهینه سازی کاربرد فراوانی دارند . به عنوان مثال می توان به مسئله فروشنده دوره گرد اشاره کرد . در طبیعت از ترکیب کروموزوم های بهتر ، نسل های بهتری پدید می آیند . در این بین گاهی اوقات جهش هایی نیز در کروموزوم ها روی می دهد که ممکن است باعث بهتر شدن نسل بعدی شوند. الگوریتم ژنتیک نیز با استفاده از این ایده اقدام به حل مسائل می کند .

در الگوریتم های ژنتیک ابتدا به طور تصادفی یا الگوریتمیک ، چندین جواب برای مسئله تولید می کنیم . این مجموعه جواب را جمعیت اولیه می نامیم . هر جواب را یک کروموزوم می نامیم . سپس با استفاده از عملگرهای الگوریتم ژنتیک پس از انتخاب کروموزوم های بهتر ، کروموزوم ها را باهم ترکیب کرده و جهشی در آنها ایجاد می کنیم . در نهایت نیز جمعیت فعلی را با جمعیت جدیدی که از ترکیب و جهش در کروموزوم ها حاصل می شود ، ترکیب می کنیم . موارد فوق را با جزئیات بیشتری مورد بررسی قرار می دهیم :

برای استفاده از الگوریتم ژنتیک در حل مسائل باید روشی برای نشان دادن جواب مساله داشته باشیم . در بیشتر مواقع از رشته های بیتی یا آرایه ها استفاده می کنیم . به عنوان مثال برای نشان دادن یک تور در مساله فروشنده دوره گرد می توان از یک آرایه یک بعدی استفاده کرد . بدین صورت که آرایه به تعداد شهرها دارای عنصر خواهد بود . مقادیر موجود در آرایه بیانگر ترتیب شهر ها خواهد بود .

برای انتخاب ، ترکیب و ایجاد جهش در کروموزوم ها عملگرهای مختلفی وجود دارد اما غالبا الگوریتم های ژنتیک از چهار عملگر زیر برای حل مسائل استفاده می کنند :

 

  گزارش تخلف  |  افزودن به فایل های من | jikjik | تاریخ ارسال : 03 /05 /1394

شما هم می توانید در مورد این فایل نظر دهید.