محاسبات تکاملی تعاملی (Interactive Evolutionary Computation)
 

محاسبات تکاملی (EC) و محاسبات تکاملی تعاملی (IEC)
محاسبات تکاملی، زیرمجموعه ای از هوش مصنوعی (یا بطور خاص هوش محاسباتی) است و مسائل بهینه سازی ترکیبی را دربر می گیرد.
محاسبات تکاملی از روش پیشرفت تکراری، مانند رشد یا توسعه در یک جمعیت، استفاده می کند. سپس این جمعیت در یک جستجوی تصادفی هدایت شده، با استفاده از پردازش موازی، برای بدست آوردن نتیجه مطلوب تحت عمل انتخاب قرار می گیرد. این فرآیندها اغلب از مکانیزم زیستی تکامل، الهام گرفته شده اند.
استفاده از اصل تکامل داروین برای حل مسائل از دهه 1950، آغاز شد. قبل از دهه 1960، سه تفسیر متفاوت از این ایده، پدید آمد. برنامه سازی تکاملی توسط Lawrence J. Fogol در ایالات متحده معرفی شد، در همین حال، John Henry Holland، شیوه خودش را یک الگوریتم ژنتیک نامید. در آلمان، Ingo Rechenberg و Hans-Paul Schwefel استراتژی های تکاملی را معرفی کردند. این زمینه ها بصورت مجزا از یکدیگر برای حدود 15 سال گسترش یافتند. در اوایل دهه 1990 ، این زمینه ها بعنوان بازنمایی های متفاوت، تحت عنوان محاسبات تکاملی یکپارچه شدند. همچنین در اوایل دهه 1990، موج پنجمی که ایده های یکسانی را دنبال می کرد، بنام برنامه سازی ژنتیک ظاهر شد (Takagi, 2009).
محاسبات تکاملی تعاملی، یک چارچوب بهینه سازی است که شامل یک سیستم بهینه سازی هدف، محاسبات تکاملی و کاربر IEC است. می توان گفت که IEC یک EC است که تابع ارزیابی آن با یک کاربر انسانی جایگزین شده است. IEC در مسائل بهینه سازی که ارزیابی عددی در آنها مشکل یا تقریباً غیرممکن است یا در مواردی که طراحی تابع برازندگی برای مساله امری دشوار است، بکار می رود. بعنوان مثال می توان به تنظیم سمعک اشاره کرد تا بتوان به فرد استفاده کننده اجازه داد آن را با اولویت های صوتی خودش تنظیم کند.
دو تعریف اصلی برای IEC، وجود دارد. تعریف اول IEC را بدین صورت تعریف می کند:
" IEC ، تکنولوژی است که در آن EC، سیستم هدف را براساس ارزیابی ذهنی انسان بهینه می کند. این ارزیابی های ذهنی بعنوان مقادیر برازندگی برای خروجی های سیستم در نظر گرفته می شوند."
این تعریف را بعنوان تعریف مختصر IEC نیز در نظر می گیرند، اما در تعریف جامع IEC داریم:
" IEC، تکنولوژی است که در آن EC، سیستمهای هدفی که واسط تعاملی انسان-ماشین دارند را بهینه می کند."
EC بعنوان یک مفهوم محاسباتی عمومی شامل الگوریتم های ژنتیک (GA)، استراتژی های تکاملی (ES)، برنامه سازی ژنتیک (GP) و برنامه سازی تکاملی (EP)، است. برهمین اساس در IEC اصطلاح GA، ES، GP و EP تکاملی را به اختصار با IGA، IES، IGP و IEP، نمایش می دهند.

با سلام لطفا در مواقعی که توضیحات قرار می دهید مدرک را هم قید کنید

این هم مدرک! یک مقاله isi و بسیار جامع در خصوص محاسبات تکاملی تعاملی (iec)

معمولاً دو روش برای توسعه سیستم هایی که از ارزیابی ذهنی انسان استفاده می کنند، بکار می رود:
 روش تحلیلی: در روشهای قدیمی تر، برای ارزیابی سیستم های مبتنی بر ارزیابی انسانی، اغلب ویژگی های انسانی را مدل می کردند و این مدل ارزیابی جایگزین را در سیستم های بهینه سازی، جاسازی می کردند. در واقع در روش تحلیلی، دانش انسان یا فرد خبره جمع آوری می شود و سپس در سیستم در فرآیند ارزیابی تلفیق می شود. این روش، روشی معمول در پژوهشهای هوش مصنوعی است اما اغلب شناسایی و ذخیره دانش –مدلسازی- بصورت کامل دشوار است، بعنوان مثال: یک مدل اولویت شخصی.
 روش ترکیبی: در این روش، یک فرد مستقیماً بعنوان یک جعبه سیاه ارزیاب در سیستم بهینه سازی قرار می گیرد و به کامپیوتر اجازه می دهد که سیستم هدف را براساس ارزیابی کاربر، بهینه کند. بدین معنی که کاربر مستقیماً ویژگی های individual تولید شده توسط الگوریتم IEC را ارزیابی نمی کند، بلکه بجای آن ویژگیهای قابل رویت آن را ارزیابی می کند.
گاهی اوقات کاربران IEC، phenotype های individual های EC را ارزیابی نمی کنند، اما خروجی های سیستم توسط individual های EC مشخص می شود. برای مثال کاربران مستقیماً ضرایب فیلتر را ارزیابی نمی کنند، اما تصاویر یا صداها توسط فیلترها پردازش می شود.
بهرحال، با وجود بکارگیری هر دو روش، نمی توانیم از تغییر اولویت های انسانی، مختصات هدف در یک فضای ذهنی، اجتناب کنیم، حتی اگر مقیاس یکسانی را در ذهن در نظر بگیریم و ارزیابی سازگاری را انجام دهیم. آنچه در IEC موردنیاز است، تعیین مختصات در یک فضای پارامتر ویژگی است که به همسایگی هدف در یک فضای ذهنی نگاشت می شود، حتی اگر ارزیابی ذهنی فرد، برای یک تصویر یا صدا، در طول زمان تغییر کند. خوشبختانه جستجوی EC نسبت به نویز مقاوم است و اینکه هنگام شبیه سازی، تاثیر کمی از تغییرات می پذیرد.
خروجی هایی از سیستم که کاربر انسانی نمی تواند بین آنها تمایز قائل شود، از نظر ذهنی یکسان در نظر گرفته می شود. بهینه سراسری IEC یک نقطه نیست، بلکه از نقطه نظر بهینه سازی EC معمولی یک ناحیه است. یک ناحیه بهینه سراسری گسترده نسبت به یک نقطه منفرد، ارجحیت دارد. برای مثال، فرض کنید می خواهیم مدل بعدی TOYOTA Camry یا Honda Accord را بیابیم، هدف تنها تعیین یک نقطه نیست –مانند مونتاژ تصویر صورت یک مظنون- بلکه تعیین چندین مدل اتومبیل مختلف براساس مدلهای گذشته است که تاثیر مشترکی دارند

سلام مرسی از لطفتون/ من میخوام ببینم میشه الگوریتم ژنتیک تعاملی رو پیاده سازی کرد / مثلا جمعیتش چیه /جهش چقدره/کراس اورش چجوریه /ترکیبش چیه / کلا برنامشو با مطلب میخوام