دانلود پاورپوینت هوش مصنوعی  وبررسی  الگوریتم های جستجوی محلی

\n

هوش مصنوعی

\n

\n

عنوان های پاورپوینت  : 

\n

 فصل چهارم فراتر از جست و جوی کلاسیک

\n

الگوریتم های جستجوی محلی

\n

دماغه

\n

جست و جوی تپه نوردی

\n

جست و جوی سخت سازی شبیه سازی شده

\n

جستجوی پرتویی محلی

\n

الگوریتم ژنتیک

\n

مراحل الگوریتم ژنتیک

\n

مثال الگوریتم ژنتیک روی 8 وزیر

\n\n

---

\n\nقسمت ها و تکه های اتفاقی از فایل\n\n \n\nتا به حال همه الگوریتمها برون خطی بودند\n\nبرون خطی(Offline):راه حل قبل از اجرا مشخص است\n\nدرون خطی(Online):با یک در میان کردن محاسبات و فعالیت عمل میکند\n\nجستجوی درون خطی در محیطهای پویا و نیمه پویا مفید است\n\nآنچه را که باید واقعا اتفاق بیفتد، در نظر گرفته نمیشود\n\nجست و جوی درون خطی ایده ضروری برای مسئله اکتشاف است\n\nفعالیتها و حالتها برای عامل مشخص نیستند\n\nمثال:قرار گرفتن روبات در محیطی جدید, نوزاد تازه بدنیا آمده\n\n \n\nمقداردهی اولیه جمعیت\n\nانتخاب یکسری از موجودات  جمعیت به منظور تولید جمعیت جدید\n\nاعمال آمیزش و جهش روی موجودات انتخاب شده\n\nارزیابی جمعیت جدید\n\nجایگزینی جمعیت قدیمی با جمعیت جدید\n\n \n\nیک حالت بعدی با ترکیب دو حالت پدر ایجاد می شود.\n\nشروع با k حالت تصادفی (جمعیت اولیه)\n\nنمایش یک عضو جمعیت: کروموزوم\n\nتابع ارزیابی: fitness function)) : هر حالت از جمعیت فعلی را ارزیابی  می کند و عددی تولید می کند.\n\nنسل بعدی جمعیت با انجام اعمال زیر روی جمعیت فعلی تولید می شود:\n\nانتخاب (selection)\n\nآمیزش (crossover)\n\nجهش (mutation)\n\n \n\nبه جای یک حالت، k حالت را نگهداری میکند\n\n1- حالت اولیه:شروع جستجو با k حالت تصادفی\n\n2- گام بعد: پسین همه k حالت تولید میشود\n\n3- اگر یکی از پسین ها هدف بود، تمام میشود\n\n4- وگر نه از بین k حالت اولیه و k حالت تولید شده، k حالت بهتر را انتخاب می کند و به مرحله 2 برمی گردد\n\nتفاوت عمده با جستجوی شروع مجدد تصادفی\n\nدر جست و جوی شروع مجدد تصادفی، هر فرایند مستقل از بقیه اجرا میشود\n\nدر جست و جوی پرتو محلی، اطلاعات مفیدی بین k فرایند موازی مبادله میشود\n\nایده: از بهینه های محلی، با انجام حرکت های بد، فرار کن. اما به تدریج اندازه و تعداد حرکات بد را کم کن.\n\nترکیبی از تپه نوردی با حرکت تصادفی\n\nپیشروی مانند تپه نوردی می باشد، اما در هر مرحله حالت بعدی به طور  تصادفی انتخاب می شود.\n\nاگر حالت بعدی انتخاب شده بهتر باشد، همواره به آن حالت بعدی خواهیم رفت.\n\nدر غیر این صورت، تنها با یک احتمال به آن حالت خواهیم رفت و این احتمال به صورت نمایی کاهش می یابد.\n\n \n\nشبیه سازی حرارت:\n\nدر متالوژی، سخت سازی فرایندی است که برای آب دادن فلزات و شیشه ها به کار می رود. ابتدا آنها را با درجه بالا حرارت می دهند و سپس به تدریج آنها را سرد می کنند که به ماده اجازه می دهد به شکل مورد نظر دربیاید.\n\nمقایسه با حرکت توپ\n\nاگر توپ را رها کنیم تا قل بخورد، در یک کمینه محلی گیر می کند. اگر سطح را تکان دهیم می توانیم توپ را از کمینه محلی در بیاوریم. تکان مجدد باید به حدی باشد که توپ را از کمینه محلی در بیاورد ولی نتواند توپ را از کمینه اصلی (سراسری) خارج کند.\n\nبنابراین\n\nابتدا تکان شدید به توپ می دهیم (دمای زیاد)\n\nبتدریج تکان های کمتر (به دمای پایین تر)\n\nمشکل اصلی تپه نوردی: بسته به حالت اولیه مسأله ممکن است در ماکزیمم محلی گیر کند.\n\nتپه نوردی به دلایل زیر میتواند متوقف شود:\n\nبیشینه محلی: قله ای است که از تمام همسایه ها بلندتر است اما از قله اصلی، کوتاهتر است.\n\nدماغه ها (مانند شکل بعد): دنباله ای از بیشینه های محلی که عبور از آنها مشکل است.\n\nفلات: ناحیه ای است که در آن، تابع ارزیاب، ثابت است. یعنی همسایه بهتر وجود ندارد. ممکن است نتواند راه عبور از فلات را بیابد.\n\n \n\nانواع تپه نوردی:\n\nتپه نوردی غیرقطعی،  تپه نوردی اولین انتخاب،  تپه نوردی شروع مجدد تصادفی\n\n \n\nمثال: مسئله 8 وزیر\n\nمسئله 8 وزیر با استفاده از فرمولبندی حالت کامل\n\nدر هر حالت 8 وزیر در صفحه قرار دارند\n\nتابع جانشین: انتقال یک وزیر به مربع دیگر در همان ستون\n\nتابع اکتشاف: جفت وزیرهایی که نسبت به هم گارد دارند\n\nمستقیم یا غیر مستقیم\n\n \n\nحلقه ای که در جهت افزایش مقدار حرکت میکند(بطرف بالای تپه)\n\nرسیدن به بلندترین قله در همسایگی حالت فعلی، شرط خاتمه است.\n\nساختمان داده گره فعلی، فقط حالت و مقدار تابع هدف را نگه میدارد\n\nجست و جوی محلی حریصانه نیز نام دارد\n\nبدون فکر قبلی حالت همسایه خوبی را انتخاب میکند\n\nتپه نوردی به دلایل زیر میتواند متوقف شود:\n\nبیشینه محلی\n\nبرآمدگی ها\n\nفلات\n\nالگوریتم های قبلی، فضای جست و جو را به طور سیستماتیک بررسی میکنند\n\nتا رسیدن به هدف یک یا چند مسیر نگهداری میشوند\n\nمسیر رسیدن به هدف، راه حل مسئله را تشکیل میدهد\n\nدر بسیاری از مسائل بهینه سازی، مسیر راه حل اهمیت ندارد؛ خود حالت هدف پاسخ مسأله می باشد.\n\nمانند 8 وزیر\n\nدر چنین مواردی می توان از الگوریتم های جستجوی محلی بهره گرفت.\n\nایده جستجوی محلی: یک حالت (حالت فعلی) را در نظر بگیر، سعی کن آن را بهبود بخشی.\n\n \n\nجستجوی محلی = استفاده از یک حالت فعلی و حرکت به حالت های همسایه\n\n• مزایا:\n\n– استفاده از حافظه بسیار کم\n\n– یافتن راه حل های معقول در اغلب موارد در فضاهای حالت بزرگ و یا نامحدود\n\n• مفید برای مسائل بهینه سازی محض\n\nیافتن بهترین حالت بر طبق تابع هدف: (objective function)\n\n \n\n \n\n30 تا 70 درصد پروژه | پاورپوینت | سمینار | طرح های کارآفرینی و  توجیهی |  پایان-نامه |  پی دی اف  مقاله ( کتاب ) | نقشه | پلان طراحی |  های آماده به صورت رایگان میباشد ( word | pdf | docx | doc )