پایان نامه NEURAL NETWORK GENETEC ALGORITM شبکه های عصبی
پيش گفتار
نرم افزار به كنسرسيومي از روشهاي محاسباتي اشاره دارد. برخي از اجزاء اساسي آن شامل منطق فاري (FL) شبكه هاي عصبي (NN) و الگوريتم هاي ژنتيكي (GA) مي باشد كه ريشة همگي اينها در هوش عصبي است.
در دنياي امروزي بسيار مرتبط هنگامي كه حل مسائل در طبيعت بسيار مشكل است انتظار مي رود كه نرم افزار وسيله اي قدرتمند براي يافتن سريع راه حل مسائل باشد. البته با دقت تر و قابل قبول تر.
همچنين تركيبي از يك يا چند روشهاي اشاره شده با عبارت سيستمهاي هيبريدي منجر به شكل گيري نمونة جديدي از سيستمها مانند سيستمهاي عصبي – فازي، فازي – ژنتيكي، و ژنتيكي – عصبي مي باشد.
تركيب صحيح آنها مي تواند منجر به توسعة توانايي هاي اين تكنولوژي ها براي روشهاي مؤثرتر و مطلوب تر حل مسائل در طراحي سيستم هاي هوشمند شود با در نظر گرفتن كثرت يافته ها و پيشرفتهايي كه در طي چند سال گذشته روي داده است، كار بزرگي است كه گونه هاي مختلف اطلاعات در زمينة سيستم هاي هوشمند را در برابر خوانندگان ارائه مي دهد. بنابراين وظيفه ماست كه اين ارائه را دقيق كامل، جامع و گسترده نگهداري كنيم؛ اين رهيافت به معناي راهنمايي و ترغيب يك نوآموز به آهستگي اما مسلماً در يك ناحية مجاز تا اينكه به او اجازه دهيم احساس كنددر پيچ و خم حجم بزرگي از اطلاعات گم شده است.
بنابراين تلاش ما اين بوده است كه بر يادگيري طرح، اجرا و كاربردهاي روشهاي نرم افزار با استفاده از مجموعة انتخاب شده اي از سيستمها تأكيد كنيم و بدين وسيله طرفندهاي (راهكارهاي) تجارت) را به خوانندگان عرضه كنيم.
در حقيقت هدف مورد نظر ارائه شده است. اگر اين كتاب بتواند خوانندگان را نه تنها براي درك موضوع برانگيخته كند بلكه علاقة آنها و همكاري را تداوم بخشد. بنابراين اين كتاب هر معماري و مفهوم آن را با جزئيات به همراه كاربردها و مثالهايي براي نشان دادن آن مورد بحث قرار داده است. الگوريتم ها به صورت كدهاي ساختگي آورده شده و هرجا كه ممكن بوده اجراي جزئيات آن آورده شده است.
CD-Rom محتوي برنامه هاي متعددي است كه يادگيري را تسهيل مي كند و مفاهيم متن را تقويت مي كند. همچنين شبيه سازي ها و مثالهاي متعددي براي ايجاد تجزيه در دانشجويان براي حل مسائل ارائه شده است.
سازماندهي
فصل اول نظري كلي بر سه روش نرم افزار – شبكه هاي عصبي؛ منطق فازي و الگوريتم هاي ژنتيكي دارد. كه موضوع مورد بحث اين كتاب است. بقيه كتاب به 4 بخش تقسيم شده است. بخش اول(فصل 2 تا 5) شبكه هاي عصبي را معرفي مي كند.
اين بخش معرفي كنندة پايه ها و سه معماري شبكه هاي عصبي با نامهاي شبكه هاي باز تكثير، حافظة همراه (همكار) و تئوري رزونانس تنظيم شونده است.
اين معماري براي تركيب كردن (هيبريدي كردن) روشهاي N-N ، GA,FL و شكل دادن به پاية بحث شبكه هاي باز تكثير فازي (هيبريد NN-FL) و شبكه هاي باز تكثير. پاية الگوريتم ژنتيكي (هيبريد GA-NN) ساده سازي Artmap فازي (هيبريد FL NN) حافظه همراه (همكار) فازي (هيبريد GA-FL) و الگوريتم ژنتيكي كنترل منطق فازي (هيبريد FL-GA) در بخش IV مورد بحث قرار گرفته است.
بخش 2 – توضيح مي دهد اساس منطق فازي را؛ در فصل 6 و 7 و مفاهيم فازي بودن، رابطه هاي رياضي و كاربردهاي آن در دنياي واقعي را مشخص نموده و توسعه داده است. در بخش 3 الگوريتم هاي ژنتيكي با جزئيات آورده شده است( فصل 8 و 9) با مفاهيم اساسي الگوريتم هاي ژنتيكي در فصل آغاز مي شود و در فصل 9 مدل هاي ژنتيكي كه در توسعه و بهينه سازي سيستم هاي هوش مصنوعي بكار
ميرود.دقت نظرداردبخش IV شامل فصل هاي 10 تا 15 و سيستمهاي تركيبي كه تلفيقي ازتكنولوژي هاي معماري هاي شبكه هاي عصبي، منطق فازي و الگوريتم هاي ژنتيكي است را توضيح داده.
آشنايي با سيستمهاي هوشمند مصنوعي
« هوش مصنوعي (AI) ناحيهاي از علوم كامپيوتر است كه با طراحي سيستمهاي كامپيوتري هوشمند سروكار دارد، سيستمهايي كه « مشخصاتي در ارتباط با هوش و رفتارهاي بشر است نشان ميدهد» (آورن بار و فيگن بام 1981) ، « AI شاخهاي از علم كامپيوتر است كه مرتبط با خودكار سازي رفتارهاي هوشمند است» (لوگر و استابلفيلد 1993).
اگر چه واژه «هوش» به خوبي تعريف نشده است و بنابراين درك كمي از آن شده است. بنابراين به نظر ميرسد كارهايي كه در ارتباط با هوش است مانند آموزش، حس ششم، خلاقيت و استنباط تا حدودي درك شدهاند.
در پژوهش AI براي درك آن مدل و تئوريهاي عملي هوش، به بيان ديگر، در اين پژوهش براي طراحي سيستمهاي هوشمند تنها موفقيتهاي اندكي در زمينه توسعه تكنيكها و روشهاي حل مشكلات هوش ثبت نشده ، بلكه فعاليتهايي بيوقفهاي در فراگيري تعدادي از تكنولوژيهاي مرتبط آغاز شده است. برخي از اين تكنولوژيها محدود به سيستمهاي تخصصي، شبكههاي عصبي، منطق فازي، ربات سلولي، استدلال محتمل نميباشد. از ميان اين تكنولوژيها شبكههاي عصبي، منطق فازي و استدلال محتمل عمدتاً به عنوان نرم افزار كامپيوتري شناخته شدهاند. عبارت «نرمافزار كامپيوتري» توسط لطفي آ. زاده، دانشگاه كاليفرنيا، باركلي، ايلات متحده معرفي شد. استدلال محتمل، الگوريتمهاي ژنتيكي، آشفتگي و بخشي از تئوري يادگيري را در رده خود قرار ميدهد.
بنابر گفته زاده، نرمافزار با سختافزار متفاوت است (كامپيوترهاي مرسوم) در زمينه خطاي مجاز در بيدقتي، نا مشخص بودن و حقيقت نسبي. در واقع، مدل اصلي ذهن بشر است. روشهاي سختافزار كامپيوتري عمدتاً بر اساس كاربردهاي رياضي است و بنابراين نيازمند درجه بالايي از دقت، صحت در لوازم آنها ميباشد. اما در بسياري از مسائل مهندسي پارامترهاي ورودي را نميتوان با درجه بالايي از دقت انجام داد و بنابراين بهترين ارزيابي اين پارامترها براي به دست آوردن راه حل اين مسائل به كار ميرود. اين موضوع كاربردهاي رياضي را براي حل مسائل معكوس محدود ميكند؛ هنگاميكه با مسائل بعدي مقايسه شود.
از طرف ديگر، تكنيكهاي نرمافزار كامپيوتري كه مشخصههاي ذاتي خود را از سيستمهاي بيولوژيكي گرفتهاند؛ متدهاي مؤثري را براي حل حتي مسائل بسيار پيچيده معكوس ارائه دادهاند. دستورالعمل راهنماي نرمافزار كامپيوتر از خطاي مجاز دربيدقتي، نامشخص بودن و حقيقت نسبي براي دستيابي به كنترل پذيري، قدرت و راهحلهاي كم هزينه بهره ميبرد و همچنين به كارگيري نرمافزار كامپيوتري براي حل مشكلات يادگيري ماشينها به درجه بالاي MIQ منجر شده است.(درجه هوشمندي ماشين)
سيستمهاي هوشمند هيبريد با تعامل هم كوشي دو يا چند تكنولوژي كار ميكنند. استفاده از تركيب اين تكنولوژيها به حل مؤثر مشكلات منجر ميشود تا اينكه هر كدام از اين تكنولوژيها را تنها و منحصر به كار بريم.
در اين كتاب ما بر سه تكنولوژي به نام شبكههاي عصبي (NN)، منطق فازي (FL) و الگوريتمهاي ژنتيكي (GA) و تركيبات هيبريدي آنها دقت نظر داريم. همانطوري كه در شكل 1-1 نشان داده شده هر كدام از اين تكنولوژيها به تنهايي و در تركيب ميتوانند براي حل مشكل به كار روند. تركيب آنها شامل تكنولوژيهاي منطق فازي – عصبي، منطق فازي – الگوريتم ژنتيكي، الگوريتم ژنتيكي- منطق فازي – عصبي ميباشد.
شكل 1-1 تعامل تكنولوژيهاي عصبي، منطق امكان و الگوريتم ژنتيكي
هم اكنون به طور مختصر هر سه تكنولوژي GA , FL , NN را به تنهايي معرفي ميكنيم.
بخش 10 در مورد مشكلات تعامل اين سه تكنولوژي در سيستمهاي هيبريدي بحث ميكند.
1-1 – شبكههاي عصبي
شبكههاي عصبي نمونههاي ساده شده سيستمهاي بيولوژيكي عصبي هستند و بنابراين عكسالعمل خود را به گونهاي انجام ميدهند كه توسط مغز انسان مورد استفاده قرار گرفته باشد.
در كل NN شبكهاي متصل از تعداد وسيعي عناصر پردازش كه نورون ناميده ميشود در معماري كه توسط مغز انجام شده است. NN به طرز وسيعي ميتواند موازي قرار گيرد و بنابراين پردازش توزيع موازي را نشان ميدهد.
شبكههاي عصبي مشخصههايي مانند برنامهريزي تواناييها و يا نمونه همكاري ، تعميم، استحكام، خطاي مجاز غلط، پردازش اطلاعات با سرعت بالا و موازي را نشان ميدهد.
شبكههاي عصبي با مثالها آموزش داده ميشوند. بنابراين آنها را با مثالهاي شناخته شده مسائل براي «كسب» دانش در مورد آن ميتوان آموزش داد. اگر در ابتدا به طرز مناسبي آموزش داده شود، شبكه ميتواند استفاده مطلوبي در حل مسائل «شناخته نشده» و «آموزش داده نشده» دست يابد.
شبكههاي عصبي با مكانيسمهاي مختلف يادگيري متناسب است كه متدهاي يادگيري با نظارت و بدون نظارت آن بسيار مشهور است. در يادگيري با نظارت، فرض شده است كه «استاد» در طي روند يادگيري حضور دارد، به ويژه هدف شبكه اين است كه خطاي ميان خروجي هدف (مطلوب) را كه توسط استاد و خروجي كامپيوتر را به حداقل برساند تا اجراي بهتري داشته باشد.
اگر چه در يادگيري بدون نظارت هيچ استادي وجود ندارد كه خروجي مطلوب و شبكه را ارائه كند، بنابراين سعي ميكند تا خودش ياد بگيرد و ورودي مسائل را طبقهبندي كند.
اگر چه معماري NN به طرز وسيعي به عنوان شبكه يك لايهاي پيش خورد، شبكههاي چند لايهاي پيش تغذيه و شبكههاي متناوب طبقهبندي ميكنند.
در طي سالها، تعداد متعددي از بقيه معماري NN توسعه داده شده است. برخي از سيستمهاي مشهور NN شامل شبكه تكثير دوباره ، Perceptron ، آدالاين (مبدل عنصر خطي)، حافظه وابسته، ماشين بلتزمن، تئوري رسنانس مبدل، نقشه مشخصههاي خود سازمان يافته و شبكه hopfield ميباشد.
شبكههاي عصبي به طرز موفقي براي حل مشكلات در زمينههاي تشخيص راه، پردازش تصوير، تراكم اطلاعات، پيشبيني كردن، بهينه سازي كم برآورد هزينه به كار ميروند.
1-2 – منطق فازي
تئوري تنظيم منطق فازي كه در سال 1965 توسط لطفي آ. زاده (1965) ارائه شده، تعميم تنظيم تئوري كلاسيك ميباشد. بازنمود منطق فازي كه در تئوري تنظيم منطق فازي مشاهده شد سعي بر به دست آوردن روشي است كه انسانها با دانش واقعي دنيا رودرروي با مشخص بودن ظاهر ميشوند و استدلال ميكنند. نا مشخص بودن ميتواند ناشي از عموميت، گنگي، ابهام، شانس و يا دانش ناقص باشد.
از نظر رياضي مجموعه منطق فازي توسط مشخص نمودن هر فاز منحصر به فردي در عالم مقال است.
ارزشي كه قصد عضويت خود را در مجموعه منطق فازي نشان ميدهد. اين مقدار وابسته به درجهاي كه آن فرد شبيه يا قابل قياس با مفهوم ارائه شده در مجموعه منطق فازي است. به بيان ديگر، مجموعههاي منطق فازي، مفهوم انعطافپذير عضويت عناصر در يك مجموعه است.
در تئوري مجموعه كلاسيك، يك عنصر يا متعلق به مجموعه است يا نميباشد و بنابراين چنين مجموعهاي، مجموعه مشخص ناميده ميشود. اما در مجموعه منطق فازي بسياري از درجههاي عضويت (بين صفر و يك) اجازه داده شده است. بنابراين عملكرد عضويت با مجموعه منطق فازي A همراه ميشود طوري كه عملكرد هر عنصر عالم مقال X به وقفه [0و1] رسم ميشود.
براي مثال، در مجموعه دانشآموزان كلاس (عالم مقال)، مجموعه منطق فازي «قد بلند» (مجموعه منطق A)، عضويت دانشآموزان را كه قد بلند هستند با درجه عضويتي برابر با ، دانشآموزاني كه قد متوسطي دارند با درجه عضويتي برابر با و آنهايي كه كوتاه قد هستند با درجه عضويتي برابر با ميباشد. براي ذكر چند نمونه، در اين روش، هر دانشآموز ميتواند براي كسب ارزش عضويت ميان 0 و1 در مجموعه منطق فازي A بر اساس قدشان طبقهبندي شود.
توانايي مجموعه منطق فازي براي نشان دادن گذر تدريجي عضويت و غير عضويت و متقابلاً فايده بسياري دارد. نه تنها يك تصوير معنادار و قدرتمند از اندازههاي متغيرها ارائه ميدهد، بلكه همچنين تصويرهاي معناداري از مفهومهاي گنگ كه در زبان معمولي به كار ميرود را نشان ميدهد.
عملياتي مانند اتحاد، فصل مشترك، زير مجموعهها، محصول، تساوي، تفاوت و انفصال همچنين در مجموعه منطق فازي مشخص شدهاند. تناسبهاي منطق فازي با مجموعههاي مشخص با درجههاي مختلف عضويت و عمليات وابسته مانند اتحاد، فصل مشترك، زير مجموعهها و تناسب تركيب مرتبط است.
تنها يك تئوري مجموعه مشخص بر منطق سمبليك تأثير گذار است، تئوري مجموعه فازي به منطق فازي ميرسد. در حاليكه در منطق سمبليك، ارزش حقيقي درست يا غلط فقط طبق مسئله است، در منطق فازي واقعيتهاي چند ارزشي داراي ارزشي مانند درست، كاملاً درست، نسبتاً درست، غلط، كاملاً غلط، نسبتاً غلط و به همين ترتيب ادامه مييابد. قوانين فازي استنباطي ( كه روال محاسباتي براي ارزيابي توصيفات زبان به كار ميرود) و سيستمهايي كه بر اساس قانون فازي هستند( كه داراي مجموعهاي از قوانين فازي ميباشند) در حل مشكلات دنيايي كاربردهاي گستردهاي دارند.
منطق فازي نفوذ بسياري در توليدات مصرفي بويژه توليدات كارخانههاي ژاپني دارد و استفاده وسيعي در سيستمهاي كنترل، كاربردهاي تشخيص راه، تصميمگيري و از آن جمله دارد.
3-1 – الگوريتمهاي ژنتيكي
الگوريتمهاي ژنتيكي كه در اوايل دهه 1970 توسط جان هلند آغاز شد و توسعه يافت، (1975 از 1973) تحقيق نامتعارف و الگوريتمهاي بهينه شده هستند كه از روند برخي تحولات طبيعي تقليد ميكند. GA ها تحقيقات بدون ترتيب مستقيم را توسط مجموعهاي از جايگزينيها با هدف يافتن بهترين گزينه به ترتيب داده شده معيارهاي كيفيتي انجام ميدهد. اين معيارها براي نشان داده شدن در يك عملكرد عيني كه معمولاً از آن به نام عملكرد صلاحيت نام برده ميشود، لازم هستند.
صلاحيت به صورت شايستگي مشخص شده است كه حداقل يا حداكثر دارد. همچنين لازم است كه جايگزينيها در برخي طولهاي محدود و مشخص، فرم بندي شود كه شامل نشانههايي از برخي الفباي محدود ميباشد. اين رشتهها كرومزوم ناميده ميشوند و نشانههايي كه اين كروموزمها شكل ميدهند به عنوان ژن شناخته ميشوند. در حالت الفباي دوتايي (1و0) كروموزمها به صورت رشتههاي دوتايي هستند و در حالت الفباي واقعي (9-0)، كروموزمها رشتههاي دهدهي هستند.
در شروع كردن با جمعيت اوليه كروموزمها، عملكرد يك يا چند ارث ژنتيكي براي توليد مثل براي بقاي توليد مثلهاي بعدي جمعيت بكار برده ميشود. عملكرد ارث ژنتيكي توليد دوباره، تغيير، دگرگوني، معكوس، غلبه، حذف، نسخهبرداري، تعيين جا، تفكيك، خاص كردن، مهاجرت، سهيم كردن، جفتگيري ميباشد.
اگر چه در اغلب دستورالعملهاي مشترك، توليد دوباره، جفتگيري (تغيير) و دگرگوني به عنوان عملكردهاي ارث ژنتيكي شناخته شدهاند. توليدات موفق كروموزمها از نظر كيفيتي پيشرفت كرده است كه ناشي از معيارهاي استفاده شده مطلوب براي بقاي آنان است. اين روند به نام مجموعه طبيعي دارويني يا بقاي سازگار ناميده ميشود.
توليد دوباره كه معمولاً اولين عملكرد به كار برده شده در جمعيت براي جذب كروموزمهاي خوب در جمعيت براي ساختن مكان جفتگيري است. برخي از عملكردهاي توليد دوباره در ادبيات وجود دارد(گلد برگ و دب،1991). تغيير عملكرد بعدي به كار رفته ميباشد. در اينجا همچنين تعدادي از عملكردهاي تغيير مشخص شده است(اسپيرزودي جنگ 1990). اما در اغلب عملكردهاي تغيير به طور تصادفي دو رشته از مكان جفتگيري برداشته ميشود و برخي از بخشهاي رشتهها ميان رشتهها رد و بدل ميشود.
تغيير تك جزئي، تغيير دو جزئي، تغيير شبكهاي و برخي تغييرهاي مشترك در عملكرد تغيير به كار ميرود. از ساختار آن چنين بنظر ميرسد كه حتي چند رشتهايهاي خوب والدين ميتواند براي توليد رشتههاي بهتر تركيب شود.
عملكرد دگرگوني در مقايسه با تغيير به طور اندك استفاده ميشود. اين عملكرد يك را به صفر تغيير داده و بالعكس با احتمال كم . نياز به اين عملكرد براي حفظ غلظت جمعيت ميباشد.
اگر چه اغلب شبيهسازيهاي GA توسط رمزدادن دوتايي پارامترهاي مسئله اجرا ميشود، رمز دادن واقعي پارامترها همچنين توصيه شده و كاربرد دارد. (رانيز 1990).
از نظر تئوري و تجربي ثابت شده است كه GAها تحقيق خوبي در فضاي پيچيده فراهم ميكنند و دريافتهاند كه كاربرد وسيعي در زمينههاي تجربي و مهندسي شامل بهينهسازي عملكرد، يادگيري ماشين، برنامهريزي و غيره دارد. (داويس ال 1991، باكلز و پتري 1992)
نقد و بررسیها
هنوز بررسیای ثبت نشده است.