در اين نوشتار به معرفي شبكه هاي عصبي زيستي و شبكه
هاي عصبي مصنوعي و ساختارهاي آنها مي پردازيم.در ابتدا نرونهاي شبكه هاي
عصبي زيستي معرفي شده و طرز كار آنها نشان داده شده است.سپس مدل مصنوعي اين
نرونها و ساختار آنها،مدل رياضي آنها،شبكه هاي عصبي مصنوعي و نحوه آموزش و
بكارگيري اين شبكه ها نشان داده شده است.تمركز بيشتر بر نوعي از اين شبكه
ها به نام شبكه هاي عصبي مصنوعي چند لايه مي باشد.سپس الگوریتم ژنتیک که
جزو پرکاربردترین الگوریتمهای پیاده سازی شبکه عصبی مصنوعی است مورد بررسی
قرار گرفته است.
شبكه هاي عصبي مصنوعي از مباحث جديدي است كه دانشمندان علوم
كامپيوتر به آن علاقمند شده اند و براي پيشرفت هرچه بيشتر علوم كامپيوتر
وقت و هزينه زيادي را صرف آن كرده و مي كنند.اين موضوع يا ايده گرفتن از
سيستم عصبي بدن انسان و با هدف شبيه سازي هرچه بيشتر كامپيوتر به انسان شكل
گرفت و تاحال به خوبي پيش رفته است.همچنين در ساليان اخير شاهد حركتي
مستمر از تحقيقات صرفا تئوري به تحقيقات كاربردي بخصوص در زمينه پردازش
اطلاعات براي مساولي كه براي آنها راه حلي موجود نيست و يا به راحتي قابل
حل نيستند بوده ايم. باعنايت به اين امر علاقهاي فزاينده در توسعه تئوريكي
سيستمهاي ديناميكي هوشمند مدل آزاد2كه مبتني بر داده هاي تجربي مي
باشند-ايجاد شده است .ANNها جزء اين دسته از سيستمهاي مكانيكي قرار دارند
كه با پردازش روي داده هاي تجربي،دانش يا قانون نهفته در وراي داده ها را
به ساختار شبكه منتقل مي كنند.به همين خاطر به اين سيستم ها هوشمند گفته مي
شود.زيرا براساس محاسبات روي داده هاي عددي يا مثالها قوانين كلي را ياد
مي گيرند.اين سيستمها در مدل سازي ساختار نرو سيتاپتيكي3 مغز بشر مي
كوشند.البته اين سخن اغراق آميز مي باشد.دانشمندان هرچه بيشتر درمورد مغز
بشر تحقيق مي كنند و مي آموزند،بيشتر در مي يابند كه مغز بشر دست نيافتني
است.در حقيقت در مورد مغز و ساختار سيستم عصبي انسان اطلاعات زيادي به دست
آمده است ولي پياده سازي ساختاري با پيچيدگي مغز انسان براساس اطلاعاتي و
تكنولوژي كه امروزه وجود دارد غير ممكن مي باشد.
فهرست :
فصل اول مقدمه
شبكه عصبي زيستي
سابقه تاريخي
آیده پيدايش شبكه هاي عصبي مصنوعي
شبكه هاي عصبي در مقابل كامپيوترهاي معمولي
تفاوت شبكه هاي عصبي با روش هاي محاسباتي متداول (سيستم هاي خبره)
مزایای استفاده از شبكه هاي عصبي مصنوعی
معايب استفاده از شبكه های عصبي مصنوعی
كاربردهاي شبكه هاي عصبي مصنوعي
توپولوژي شبكه هاي عصبي مصنوعي
انواع يادگيري شبكه هاي عصبي مصنوعي
نحوه عملكرد شبكه هاي عصبي مصنوعي
انواع شبکه عصبی مصنوعی
شبکه هاپفیلد
شبکه پروسپترون چند لایه
خروجی پروسپترون
نقش تابع در خروجی شبکه
توانایی پروسپترون
توابع بولی و پروسپترون
اضافه کردن بایاس
آموزش پروسپترون
الگوریتم یادگیری پروسپترون
شبکه کوهونن
فصل دومالگوریتمهای یادگیری شبکه های عصبی مصنوعی
الگوریتم ژنتیک
کاربردهای الگوریتم ژنتیک
به دنبال تکامل
ایده ی اصلی استفاده از الگوریتم ژنتیک
درباره علم ژنتیک
تاریخچه علم ژنتیک
تکامل طبیعی (قانون انتخاب طبیعی داروین)
رابطه تکامل طبیعی با روشهای هوش مصنوعی
الگوریتم جستجو
الگوریتمهای جستجوی ناآگاهانه
جستجوی لیست
جستجوی درختی
جستجوی گراف
الگوریتمهای جستجوی آگاهانه
جستجوی خصمانه
مسائل NPHARD
هیوریستیک
انواع الگوریتمهای هیوریستیک
فصل سوم
الگوریتم ژنتیک
مکانیزم الگوریتم ژنتیک
عملگرهای الگوریتم ژنتیک
چارت الگوریتم به همراه شبه کد آن
تابع هدف
روشهای کد کردن
کدینگ باینری
کدینگ جایگشتی
کدگذاری مقدار
کدینگ درخت
نمایش رشته ها
انواع روش های تشکیل رشته
بازگرداندن رشته ها به مجموعه متغیرها
تعداد بیتهای متناظر با هر متغیر
جمعیت
ایجاد جمعیت اولیه
اندازه جمعیت
محاسبه برازندگی(تابع ارزش)
انواع روشهای انتخاب
انتخاب چرخ رولت
انتخاب حالت پایدار
انتخاب نخبه گرایی
انتخاب رقابتی
انتخاب قطع سر
انتخاب قطعی بریندل
انتخاب جایگزینی نسل اصلاح شده
انتخاب مسابقه
انتخاب مسابقه تصادفی
انواع روشهای ترکیب
جابه جایی دودویی
جابه جایی حقیقی
ترکیب تک نقطه ای
ترکیب دو نقطه ای
ترکیب n نقطه ای
ترکیب یکنواخت
ترکیب حسابی
ترتیب
چرخه
محدّب
بخش_نگاشته
احتمال تركيب
تحليل مكانيزم جابجایي
جهش
جهش باينري
جهش حقيقي
وارونه سازی بیت
تغییر ترتیب قرارگیری
وارون سازی
تغییر مقدار
محک اختتام اجرای الگوریتم ژنتیک
انواع الگوریتمهای ژنتیکی
الگوریتم ژنتیکی سری
الگوریتم ژنتیکی موازی
مقایسه الگوریتم ژنتیک با سیستم‌های طبیعی
نقاط قوّت الگوریتمهای ژنتیک
محدودیت‌های GAها
استراتژی برخورد با محدودیت‌ها
استراتژی اصلاح عملگرهای ژنتیک
استراتژی رَدّی
استراتژی اصلاحی
استراتژی جریمه‌ای
بهبود الگوریتم ژنتیک
چند نمونه از کاربردهای الگوریتمهای ژنتیک
فصل چهارم
مقدمه
حلّ معماي هشت وزیر
جمعیت آغازین
تابع برازندگی
آمیزش
جهش ژنتیکی
الگوریتم ژنتیک و حلّ مسألۀ فروشندۀ دوره‌گرد
حل مسأله TSP به وسیله الگوریتم ژنتیک
مقایسه روشهای مختلف الگوریتم و ژنتیک برای TSP
نتیجه گیری
حلّ مسأله معمای سودوکو
حل مسأله
تعیین کروموزم
ساختن جمعيت آغازين يا نسل اول
ساختن تابع از ارزش
تركيب نمونه‌ها و ساختن جواب جديد
ارزشيابي مجموعه جواب
ساختن نسل بعد
مرتب سازی به کمک GA
صورت مسأله
جمعیت آغازین
تابع برازندگی
انتخاب
ترکیب
جهش
نتيجه گيري
فهرست منابع
:: برچسب‌ها:
الگوریتم یادگیری پروسپترون ,
الگوریتمهای جستجوی ناآگاهانه ,
انواع الگوریتمهای هیوریستیک ,
تاریخچه علم ژنتیک ,
تعیین کروموزم ,
توابع بولی و پروسپترون ,
توپولوژي شبكه هاي عصبي مصنوعي ,
حل معماي هشت وزیر ,
رابطه تکامل طبیعی با روشهای هوش مصنوعی ,
شبكه هاي عصبي مصنوعي ,
:: بازدید از این مطلب : 137
|
امتیاز مطلب : 0
|
تعداد امتیازدهندگان : 0
|
مجموع امتیاز : 0
عضو شوید
عضویت سریع
آمار مطالب
آمار بازدید
