منابع پایان نامه ارشد درمورد هوش مصنوعی، تئوری فازی، عصر اطلاعات

دانلود پایان نامه ارشد

ید ابداع گردید. البته فعّالیّت در این زمینه از سال ۱۹۶۰ میلادی شروع شد.
بیشتر کارهای پژوهشی اولیه در هوش مصنوعی بر روی انجام ماشینی بازی‌ها و نیز اثبات قضیه‌های ریاضی با کمک رایانه‌ها بود. در آغاز چنین به نظر می‌آمد که رایانه‌ها قادر خواهند بود چنین فعالیت‌هایی را تنها با بهره گرفتن از تعداد بسیار زیادی کشف و جستجو برای مسیرهای حل مسئله و سپس انتخاب بهترین روش برای حل آن‌ها به انجام رسانند.
این اصطلاح (هوش مصنوعی) برای اولین بار توسط جان مکارتی (John McCorthy) -که از آن به‌عنوان پدر «علم و دانش تولید ماشینهای هوشمند» یاد می‌شود- استفاده شد. آقای جان مکارتی مخترع یکی از زبان‌های برنامه نویسی هوش مصنوعی به نام (lisp) نیز هستند. با این عنوان می‌توان به هویت رفتارهای هوشمندانه یک ابزار مصنوعی پی برد. (ساختۀ دست بشر، غیر طبیعی، مصنوعی) حال آنکه AI به عنوان یک اصطلاح عمومی پذیرفته شده که شامل محاسبات هوشمندانه و ترکیبی (مرکب از مواد مصنوعی) است.
هنوز تعریف دقیقی برای هوش مصنوعی که مورد توافق دانشمندان این علم باشد ارائه نشده‌است، و این به هیچ وجه مایۀ تعجّب نیست. چرا که مقولۀ مادر و اساسی‌تر از آن، یعنی خود هوش هم هنوز بطور همه‌جانبه و فراگیر تن به تعریف نداده‌ است. در واقع، می‌توان نسل‌هایی از دانشمندان را سراغ گرفت که تمام دوران زندگی خود را صرف مطالعه و تلاش در راه یافتن جوابی به این سؤال عمده نموده‌اند که: هوش چیست؟
اما اکثر تعریف‌هایی که در این زمینه ارایه شده‌اند بر پایه یکی از ۴ باور زیر قرار می‌گیرند:
سیستم‌هایی که به طور منطقی فکر می‌کنند.
سیستم‌هایی که به طور منطقی عمل می‌کنند.
سیستم‌هایی که مانند انسان فکر می‌کنند.
سیستم‌هایی که مانند انسان عمل می‌کنند.
شاید بتوان هوش مصنوعی را این گونه توصیف کرد: «هوش مصنوعی عبارت است از مطالعه این که چگونه کامپیوترها را می‌توان وادار به کارهایی کرد که در حال حاضر انسان‌ها آنها را صحیح یا بهتر انجام می‌دهند». هوش مصنوعی به هوشی که یک ماشین از خود نشان می‌دهد و یا به دانشی در کامپیوتر که سعی در ایجاد آن دارد گفته می‌شود. بیشتر نوشته‌ها و مقاله‌های مربوط به هوش مصنوعی آن را «دانش شناخت و طراحی عامل‌های هوشمند» تعریف کرده‌اند. یک عامل هوشمند سیستمی است که با شناخت محیط اطراف خود، شانس موفقیت خود را بالا می‌برد. جان مکارتی که واژه هوش مصنوعی را در سال ۱۹۵۶ استفاده نمود، آن را «دانش و مهندسی ساخت ماشین‌های هوشمند» تعریف کرده‌است.
به فرض اینکه تعاریف بالا را از هوشمندی بپذیریم، موارد زیر فهرستی است از وظایفی که از یک سیستم هوشمند انتظار می‌رود و تقریباً اکثر دانشمندان هوش مصنوعی بر آن توافق نظردارند به شرح زیر است:
تولید گفتار
تشخیص و درک گفتار (پردازش زبان طبیعی انسان)
دستور پذیری و قابلیت انجام اعمال فیزیکی در محیط طبیعی و مجازی
استنتاج و استدلال
تشخیص الگو و بازشناسی الگو برای پاسخ گویی به مسائل بر اساس دانش قبلی
شمایلی گرافیکی و یا فیزیکی جهت ابراز احساسات و عکس العمل‌های ظریف
سرعت عکس العمل بالا
و…
تحقیقات و جستجوهایی انجام شده برای رسیدن به ساخت چنین ماشین‌هایی مرتبط با بسیاری از رشته‌های علمی دیگر می‌باشد، مانند علوم رایانه، روان‌شناسی، فلسفه، عصب شناسی، علوم ادراکی، تئوری کنترل، احتمالات، بهینه سازی و منطق.

درک صحیحتر از عملکرد مغز انسان باعث پیشرفت در این زمینه شده است. قابلیت مهم شبکههای عصبی مصنوعی از جمله حافظه، تحلیل سریع دادهها و تصمیم گیریهای سریع باعث کاربرد زیاد آن شده است. به طور خلاصه کاربردهای آن را میتوان در موارد زیر دانست
مهندسی برق
مهندسی کامپیوتر
رباتیک
دانش کامپیوتر
هوش مصنوعی
ریاضیات کاربردی
و …
افراد زیادی در شاخههای مختلف علوم در این زمینه فعالیت داشتهاند و هر یک توانستهاند که دریچهای جدید را بر سیر تکاملی آن بگشایند. شاید تاریخچۀ زیر روندی مناسب از پیشرفت در این شاخه از علوم را نشان بدهد.
فیزیک و فیزیولوژی عصبی: Ivan Pavlov , Ernest Mach , Herman Van Helmholtz (اواخر قرن 19)
نظریۀ محاسبات توابع توسط نرونهای مصنوعی: Walter Pitts ,Warren McCulloch (1940)
روش یادگیری نرونهای بیولوژیک: Donald Herb (1945)
شبکههای عصبی مصنوعی به عنوان حافظه: Ted Hoff , Bernard Widrow (1972)
و . . . [31].
اولین کاربردی که برای شبکههای عصبی مصنوعی مطرح گردید یک جبران ساز کانال تطبیقی در سال 1988 بود که در تلفنهای راه دور مورد استفاده داشت. پس از آن این دانش گسترش قابل توجهی در سایر شاخهها پیدا کرد، از جمله صنایع هوانوردی، خودرو، بانکداری، سرگرمی، پزشکی، نفت و گاز، و . . .[29] .
الهام از بیولوژی
مغز انسان در حدود 10^11 نرون كه هر كدام حدود 10^4 اتصال دارند تشكيل شده است.
سه جزء اصلي را مي‌توان براي يك نرون در نظر گرفت؛ داندریت‌14ها، جسم سلول15، اکسن16.
داندريت‌ها شبكه‌هاي گيرنده درخت مانند شناخته شده از فيبرهاي عصبي هستند كه سيگنال الكتريكي را به جسم سلول مي‌برند. در جسم سلولي اين سيگنال‌ها با هم جمع شده و با يك سطح آستانه مقايسه مي‌شود. اكسن يك فيبر بلند و منفرد است كه سيگنال را از جسم سلولي نرون به نرون‌هاي ديگر ارسال مي‌كند. نقطه تماس اكسن يك نرون با دنداريت نرون ديگر را سيناپس17 می‌نامند.

شکل ‏3.1- شماتيك ساده شده دو نرون بيولوژيكي
دو شباهت كليدي بين شبكه‌هاي عصبي مصنوعي و بيولوژيكي وجود دارد.
هر دو از عناصر محاسبه‌گر و ساده تشكيل شده‌اند كه داراي اتصالات فراوان مي‌باشند.
اتصالات بين نرون ها وظيفه شبكه را مشخص مي‌كنند.

مدل نرون
مدل نرون در سال 1958 در [18] ارائه شد که در شکل زیر آمده است.

شکل ‏3.2- ساختار نرون
معماری شبکۀ چند لایه
بطور معمول يك نرون حتي با تعداد ورودي زياد براي حل يك مسئله كافي نيست و احتياج به تعداد بيشتري نرون داريم. نرون‌هايي كه بصورت موازي كار مي‌كنند يك لايه را تشكيل مي‌دهند.
شبکۀ چند لایۀ عصبی (MLP) اولین بار توسط Minsky و Papert در سال 1969 در [18] ارائه شد. ساختار این بیان در شکل زیر آمده است.

شکل ‏3.3- ساختار چند لایۀ شبکۀ نرونی با یک و دو لایۀ مخفی

روابط ریاضی شبکۀ عصبی مصنوعی ارائه شدند که می‌توان برای مطالعه به [18] مراجعه کرد. همچنین مدل‌های مختلف و پیشرفته‌ای نیز به مرور زمان برای شبکه‌های عصبی در کاربردهای گوناگون معرفی شد که می‌توان در [18] با آن‌ها دقیق‌تر آشنا شد. از جمله از این موارد می‌توان به موضوعات زیر اشاره کرد.
روش خود تنظیم کهونن18، شبکه‌های هاپفیلد19، ماشین بولتزمان20 و تابع بنیادی شعاعی (RBF)21 که همگی در مرجع معرفی شده آمده‌اند.

کنترل فازی
مقدمه
واژۀ فازي در فرهنگ لغت آکسفورد به صورت مبهم ، گنگ ، نادقیق ، گیج ، مغشوش ، در هم و نامشخص، تعریف شده است. سیستم‌هاي فازي ، سیستم‌هایی هستند با تعریف دقیق و کنترل فازي نیز نوع خاصی از کنترل غیرخطی می‌باشد که آنهم دقیقاً تعریف می‌گردد . این مطلب مشابه کنترل و سیستم هاي خطی می باشد که واژه خطی یک صفت فنی بوده که حالت و وضعیت سیستم و کنترل را مشخص می‌کند . چنین چیزي در مورد واژۀ فازي نیز وجود دارد. اساساً گرچه سیستم‌هاي فازي پدیده‌هاي غیرقطعی و نامشخص را توصیف می‌کنند ، با این حال خود تئوري فازي یک تئوري دقیق می‌باشد . در این‌جا دو نوع توجیه براي تئوري سیستم‌هاي فازي وجود دارد:
دنیاي واقعی ما بسیار پیچیده‌تر از آن است که بتوان یک توصیف و تعریف دقیق براي آن بدست آورد بنابراین باید یک توصیف تقریبی یا همان فازي که قابل قبول و قابل تجزیه و تحلیل باشد ، براي یک مدل معرفی شود .
با حرکت ما بسوي عصر اطلاعات ، دانش و معرفت بشري بسیار اهمیت پیدا می‌کند. بنابراین ما به فرضیه اي نیاز داریم که بتواند دانش بشري را به شکلی سیستماتیک فرموله کرده و آنرا به همراه سایر مدل‌هاي ریاضی در سیستم‌هاي مهندسی قرار دهد.

تئوری فازی به وسیلۀ پروفسور لطفیزاده در سال 1965 در مقالهای به نام “مجموعههای فازی” معرفی گردید. یسیاری از مفاهیم بنیادی تئوری فازی به وسیلۀ پروفسور لطفیزاده در اواخر دهۀ 60 و اوایل دهۀ 70 مطرح گردید. او در سال 1973 با انتشار مقالهای به نام “طرح یک راه حل جدید برای تجزیه و تحلیل سیستمهای پیچیده و فرآیند تصمیم گیری” اساس کنترل فازی را بنا نهاد. در سال 1975 ممدانی و آسیلیان چارچوب اولیه را برای کنترل کنندۀ فازی مشخص کردند. در سال 1978 هولمبلاد22 و اوسترگارد23 اولین کنترل کنندۀ فازی را برای یک فرآیند صنعتی کامل به کار بردند، کنترل فازی کورۀ سیمان. سوگنو24 در سال 1980کنترل فازی سیستم تصفیۀ آب فوجی و در سال 1987 ماشینی را که از راه دور کنترل میشد و خودش عمل پارک را انجام میداد را توسط کنترل فازی طراحی نمود. در 1992 اولین کنفرانس بینالمللی IEEE در زمینۀ فازی برگزار شد و در سال 1993 بخش سیستمهای فازی IEEE گشایش یافت. تا به امروز مقالات پرشماری در زمینۀ فازی و همچنین ترکیبات آن با سایر علوم خصوصاً شاخۀ کنترل به چاپ رسیده است و این پیشرفت کماکان ادامه دارد [25,26].
مفاهيم اوليه و تعاريف مقدماتي
تعريف 1. فرض كنيد X يك مجموعه مرجع دلخواه باشد. تابع مشخصه هر زير مجموعه معمولي A از X به {0,1} است.
X_A (x)={█(1 x∈A@0 x∉A)┤
حال اگر بردار تابع مشخصه را از مجموعه دو عضوي {0,1} به بازه [0,1] توسعه دهيم، يك تابع خواهيم داشت كه به هر x از X عددي را از بازه [0,1] نسبت مي‌دهد. اين تابع را تابع عضويت25 A مي‌ناميم.
با توجه به تعريف 1، اكنون ديگر A يك مجموعه معمولي نيست بلكه چيزي است كه آن را يك مجموعه فازي مي‌‌ناميم. بنابراين يك مجموعه فازي A مجموعه‌اي است كه درجات عضويت اعضاء آن مي‌تواند به طور پيوسته از [0,1] اختيار شود.
اگر تابع عضويت A را باμ_A (x) نشان دهيم، مشخص مي‌شودμ_A (x) تابعي است كه به هر عضو از X يك عدد از بازه [0,1] به عنوان درجه عضويت آن عنصر در مجموعه فازي A نسبت مي‌دهد. نزديكي مقدار μ_A (x) به عدد 1 نشان دهنده تعلق بيشتر x به مجموعه فازي A است و بالعكس.
تعريف 2. فرض كنيد X يك مجموعه مرجع و A يك زيرمجموعه فازي از آن باشد. مجموعه نقاطي از X براي آن نقاط μ_A (x)0، تكيه‌گاه A يا مجموعه نقاط پشتيبان A ناميده مي‌شود و با suppA نشان داده مي‌شود.
تعريف 3. مقدار 〖M=sup μ〗_A (x) ارتفاع مجموعه A ناميده مي‌شود. اگر ارتفاع مجموعه فازي A برابر يك باشد، آن گاه A نرمال ناميده مي‌شود. در غير اين صورت A را زير نرمال مي‌نامند.
براي نشان دادن يك مجموعه فازي روش‌هاي مختلفي رايج است، كه ذيلاً به شرح آن‌ها مي‌پردازيم:
به كار بردن مستقيم تابع عضويت مجموعه فازي.
يك مجموعه فازي را به صورت يك مجموعه از زوج‌هاي مرتب به صورت زير نيز نمايش مي‌دهند.
A={(x, μ_A (x); x∈X}
هنگامي كه
X يك مجموعه متناهي (و يا نامتناهي شما را) به صورت {x_1,…,x_n } باشد، يك زيرمجموعه فازي A از X به صورت‌هاي زير نشان داده مي‌شود.
A={(μ_A (x_1))/x_1 ,(μ_A (x_2))/x_2 , …, (μ_A (x_n))/x_n }
A= (μ_A (x_1))/x_1 +…+ (μ_A (x_n))/x_n = ∑_(i=1)^n▒(μ_A (x_i))/x_i
كه در عبارت دوم، منظور از علامت + اجتماع است نه جمع حسابي. و هنگامي كه X يك مجموعه پيوسته باشد نماد زير به كار برده مي‌شود.
A=∫_x^ ▒(μ_A (x))/x
تعريف 4. زير مجموعه (معمولي) عناصري از X كه درجه عضويت آن‌ها در مجموعه فازي A حداقل به بزرگي (α0)α است را α – برش A (يا مجموعه تراز α وابسته به A) گوييم و با نماد زير نشان مي‌دهيم:
A^α={x∈X|μ_A (x)≥α}┤
تعريف 5. مجموعه فازي A را محدب گوييم اگر هر α – برش A (براي تمام 0α≤1) محدب باشد. تعريف معادل تحدب به صورت زير

پایان نامه
Previous Entries منابع پایان نامه ارشد درمورد هوش مصنوعی، مدل‌سازی، الگوریتم ژنتیک Next Entries منابع پایان نامه ارشد درمورد عدم قطعیت، سیستم فازی، تابع عضویت فازی