استفاده بجا از الگوريتم هاي هوش مصنوعي
 

سلام
يه سوال مهم دارم. شايد به نظر تكراري بياد، ولي اينطور نيست.
ميخوام بدونم هر كدوم از الگوريتم هاي موجود در هوش مصنويي، در چه زمينه اي استفاده بشن بهتره؟
مثلا تو صفحه اصلي سايت، مدير سايت الگوريتم هارو از نظر محاسباتي و بهينه سازي، دسته بندي كرده. ميخوام اين دسته بندي ريز تر بشه.
من به شخصه با الگوريتم ژنتيك آشنايي دارم كه در نرم افزار برنامه ريزي درسي دانشگاه ازش استفاده كردم و يك مقدار ساختارش رو از حالت عادي بيرون آوردم تا به جواب بهينه تري برسم. اما با الگوريتم هاي ديگه آشنايي ندارم و ميخوام موقع پياده سازي سيستم هاي مختلف، هر كدومش رو ياد بگيرم.
چيزي كه از الگوريتم ژنتيك فهميدم اينه كه موقعي استفاده ميشه كه ما براي حل مسئله، راه حل ساده و يا مشخصي در پيش نداريم و جواب خروجي، هر چيزي ميتونه باشه. مهم اينه كه خروجي، بهينه ترين كروموزوم توليد شده باشه. و در كل ما معيار مشخصي براي سنجش درست يا نادرست بودن خروجي نداريم و خروجي يك چيز نسبي هستش.
آيا براي بقيه الگوريتم ها هم ميشه اينچنين تعريفي داشت؟
با تشكر.

اين دسته بندي بر اساس موارد استفاده بيشتر آنها صورت گرفته:)

مثلاً الگوریتم تکاملی الگوریتمی است که زیر مجموعه‌ای از محاسبات تکاملی است.
این الگوریتم از مکانیزم‌های مختلفی استفاده می‌کند: تولید، جهش، ترکیب و انتخاب.
راه حل‌های منتخب برای مسایل بهینه‌سازی نقش اجزا را ایفا می‌کنند و تابع هزینه از میان این اجزا و افراد، تصمیم می‌گیرد که چه راه حل‌هایی باقی بمانند. تکامل جمعیت با بکار بردن موارد بالا همچنان ادامه می‌یابد تا به یک جواب بهینه برسد!

الگوریتم ژنتیک هم همانطور که خودتون هم اشاره کرديد تکنیکي جستجویی برای یافتن راه‌حل تقریبی برای بهینه‌سازی و مسائل جستجو است.
البته الگوریتم ژنتیک نوع خاصی از الگوریتمهای تکامل است که از تکنیک های زیست‌شناسی فرگشتی مانند وراثت و جهش استفاده می‌کند.
در واقع الگوریتم‌های ژنتیک از اصول انتخاب طبیعی داروین برای یافتن فرمول بهینه جهت پیش‌بینی یا تطبیق الگو استفاده می‌کنند.
الگوریتم‌های ژنتیک اغلب گزینه خوبی برای تکنیک‌های پیش‌بینی بر مبنای رگرسیون هستند. مختصراً گفته می‌شود که الگوریتم ژنتیک یک تکنیک برنامه‌نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده می‌کند.مسئله‌ای که باید حل شود ورودی است و راه‌حلها طبق یک الگو کد گذاری می‌شوند که تابع fitness نام دارد هر راه حل کاندید را ارزیابی می‌کند که اکثر آنها به صورت تصادفی انتخاب می‌شوند. کلاً این الگوریتم‌ها از بخش های زیر تشکیل می‌شوند : تابع برازش - نمایش – انتخاب – تغییر

الگوریتم PSO یا Particle Swarm Optimization که به نام های الگوریتم انبوه ذرات، الگوریتم ازدحام ذرات و الگوریتم پرندگان نیز مشهور است، یکی از الگوریتم های بسیار پر کاربرد در زمینه بهینه سازی استاتیک و دینامیک است. این الگوریتم سرعت همگرایی مناسبی دارد و در اغلب کاربردها، به عنوان گزینه اول مورد استفاده قرار می گیرد. با وجود قدمت 14 ساله این الگوریتم، که در مقایسه با عمر الگوریتم ژنتیک بسیار کمتر است، گرایش به سمت این الگوریتم قدرتمند، هر روز بیشتر و بیشتر می شود. روش PSO یک روش سراسری کمینه‌سازی است که با استفاده از آن می‌توان با مسائلی که جواب آنها یک نقطه یا سطح در فضای n بعدی می‌باشد، برخورد نمود.

بهینه‌سازی گروه مورچه‌ها یا ACO یک الگوریتم مناسب یافتن راه‌حل‌های تقریبی برای مسائل بهینه‌سازی ترکیبیاتی است. در این روش، مورچه‌های مصنوعی به‌وسیله‌ٔ حرکت بر روی نمودار مساله و با باقی گذاشتن نشانه‌هایی بر روی نمودار، همچون مورچه‌های واقعی که در مسیر حرکت خود نشانه‌های باقی می‌گذارند، باعث می‌شوند که مورچه‌های مصنوعی بعدی بتوانند راه‌حل‌های بهتری را برای مساله فراهم نمایند. همچنین در این روش می‌توان توسط مسائل محاسباتی-عددی بر مبنای علم احتمالات بهترین مسیر را در یک نمودار یافت.

از توجهتون ممنونم.
كليت اين سيستم ها، اين طور كه معرفي كرديد روي بهينگي مسير هست و تا اونجا كه متوجه شدم، در يك مسئله بهينه سازي، انتخاب يكي از اين الگوريتم ها زياد مهم و تاثير گذار نيست. يعني اينكه حتما لازم نيست براي يك مسئله فقط از الگوريتم ژنتيك استفاده كرد و لاغير.
نكته ديگه اي كه برداشت كردم اينه كه الگوريتم پرندگان، از نظر سرعت و دقت، بهتر از الگوريتم هاي ديگه رفتار ميكنه. پس دنبال يادگرفتن الگوريتم هاي بهينه سازي ديگه، نباشم.
فقط يه سري تعاريف در مورد الگوريتم هاي محاسباتي و ياد گيري لازم دارم (كهبيشتر تاكيدم روي همون ها بود)
مثلا منطق فازي، شبكه هاي عصبي و غيره.

اينطور نميشه نتيجه گيري کرد;)
توصيه بنده اينه که شما اطلاعات لازم رو از هر کدوم به دست بياريد (با اسلايدهاي آموزشي که در هر بخش از سايت قرار داده شده) و بين اينها گزينه اي که براتون جذابتر بود رو انتخاب کنيد!