Artificial Intelligence - هوش مصنوعی  
انجمن را در گوگل محبوب کنيد :

بازگشت   Artificial Intelligence - هوش مصنوعی > محاسبات نرم > هوش ازدحامی يا جمعی (Swarm Intelligence)


 
تبليغات سايت
فیلم های آموزشی
ژنتیک و محاسبات تکاملی
فیلم های آموزشی
شبکه عصبی مصنوعی
فیلم های آموزشی
الگوریتم های فراابتکاری
فیلم های آموزشی
داده کاوی
فیلم های آموزشی
سیستم های فازی
فیلم های آموزشی
آموزش متلب
آموزش الگوریتم TLBO آموزش شبکه عصبی مصنوعی آموزش الگوریتم کرم شب تاب آموزش داده کاوی در متلب آموزش سیستم های فازی آموزش برنامه نویسی متلب
آموزش الگوریتم PSO آموزش شبکه عصبی گازی آموزش الگوریتم مورچگان آموزش آمار و داده کاوی آموزش استنتاج فازی در متلب آموزش رابط گرافیکی در متلب
آموزش ترکیب ژنتیک و PSO آموزش شبکه عصبی رقابتی آموزش الگوریتم علف هرز آموزش وب کاوی آموزش خوشه بندی آموزش شبیه سازی با سیمولینک
آموزش الگوریتم BBO آموزش شبکه عصبی MLP آموزش الگوریتم جهش قورباغه آموزش داده کاوی RapidMiner آموزش نگارش آکادمیک آموزش تحلیل آماری در متلب
آموزش الگوریتم فرهنگی آموزش شبکه عصبی RBF آموزش الگوریتم کرم شب تاب آموزش مبانی داده کاوی تنظیم ضرایب PID در متلب آموزش واقعیت مجازی در متلب
آموزش انتخاب ویژگی آموزش شبکه عصبی LVQ آموزش الگوریتم زنبور ها آموزش کاهش تعداد رنگ تحلیل پوششی داده ها در متلب آموزش محاسبات نمادین در متلب
آموزش الگوریتم ژنتیک آموزش شبکه عصبی GMDH آموزش کلونی زنبور مصنوعی آموزش کاهش ابعاد سیستم فازی عصبی ANFIS آموزش زبان C
الگوریتم رقابت استعماری شبکه عصبی با نروسولوشن آموزش الگوریتم ژنتیک کاوش قواعد وابستگی بهینه سازی مقید در متلب آموزش زبان C++
Iranian Association for the Advancement of Artificial Intelligence
ارسال تاپيک جديد  پاسخ
 
LinkBack ابزارهاي تاپيک نحوه نمايش
قديمي ۰۲-۷-۱۳۸۷, ۰۲:۵۹ قبل از ظهر   #1 (لینک دائم)
Administrator
 
آواتار Siavash
 
تاريخ عضويت: ارديبهشت ۱۳۸۷
محل سكونت: تهران
پست ها: 179
تشكرها: 27
432 تشكر در 108 پست
My Mood: Mehrabon
پيش فرض هوش جمعی

فرض كنید شما و گروهی از دوستانتان به دنبال گنج می‌گردید. هر یك از اعضای گروه یك فلزیاب و یك بی‌سیم دارد كه می‌تواند مكان و وضعیت كار خود را به همسایگان نزدیك خود اطلاع بدهد. بنابراین شما می‌دانید آیا همسایگانتان از شما به گنج نزدیكترند یا نه؟ پس اگر همسایه‌ای به گنج نزدیكتر بود شما می‌توانید به طرف او حركت كنید. با چنین كاری شانس شما برای رسیدن به گنج بیشتر می‌شود و همچنین گنج زودتر از زمانی كه شما تنها باشید، پیدا می‌شود.

این یك مثال ساده از رفتار جمعی یا
Swarm behavior است كه افراد برای رسیدن به یك هدف نهایی همكاری می‌كنند. این روش مؤثرتر از زمانی است كه افراد جداگانه عمل كنند. Swarm را می‌توان به صورت مجموعه‌ای سازمان یافته از موجوداتی تعریف كرد كه با یكدیگر همكاری می‌كنند. در كاربردهای محاسباتی Swarm intelligence از موجوداتی مانند مورچه‌ها، زنبورها، موریانه‌ها، دسته‌های ماهیان و دسته‌ی پرندگان الگو برداری می‌شود. در این نوع اجتماعات هر یك از موجودات ساختار نستباً ساده‌ای دارند ولی رفتار جمعی آنها بی‌نهایت پیچیده است. برای مثال در كولونی مورچه‌ها هر یك از مورچه‌ها یك كار ساده‌ی مخصوص را انجام می‌دهد ولی به طور جمعی عمل و رفتار مورچه‌ها، ساختن بهینه‌ی لایهء محافظت از ملكه و نوزادان، تمیز كردن لانه، یافتن بهترین منابع غذایی و بهینه‌سازی استراتژی حمله را تضمین می‌كند. رفتار كلی یك Swarm به صورت غیر خطی از آمیزش رفتارهای تك‌تك اجتماع بدست می‌آید یا به عبارتی یك رابطه‌ی بسیار پیچیده بین رفتار جمعی و رفتار فردی یك اجتماع وجود دارد. رفتار جمعی فقط وابسته به رفتار فردی افراد اجتماع نیست بلكه به چگونگی تعامل میان افراد نیز وابسته است. تعامل بین افراد، تجربه‌ی افراد درباره‌ی محیط را افزایش می‌دهد و موجب پیشرفت اجتماع می‌شود. ساختار اجتماعی Swarm بین افراد مجموعه كانالهای ارتباطی ایجاد می‌كند كه طی آن افراد می‌توانند به تبادل تجربه‌های شخصی بپردازند، مدل‌سازی محاسباتی Swarmها كاربردهای موفق و بسیاری را در پی داشته است مانند:
كد:
Function optimization
Finding optimal roots
scheduling
structural optimization
Image and data analysis
كاربردهای زیادی از مطالعه‌ی Swarmهای مختلف وجود دارد. از این دسته می‌توان به كولونی مورچه‌ها (Ant Colony) و دسته‌ی پرندگان (Bird Flocks) اشاره نمود.


Particle Swarm Optimization : PSO
الگوریتم PSO یك الگوریتم جستجوی اجتماعی است كه از روی رفتار اجتماعی دسته‌های پرندگان مدل شده است. در ابتدا این الگوریتم به منظور كشف الگوهای حاكم بر پرواز همزمان پرندگان و تغییر ناگهانی مسیر آنها و تغییر شكل بهینه‌ی دسته به كار گرفته شد. در PSO، particleها در فضای جستجو جاری می‌شوند. تغییر مكان particleها در فضای جستجو تحت تأثیر تجربه و دانش خودشان و همسایگانشان است. بنابراین موقعیت دیگر particleهای Swarm روی چگونگی جستجوی یك particle اثر می‌گذارد. نتیجه‌ی مدل‌سازی این رفتار اجتماعی فرایند جستجویی است كه particleها به سمت نواحی موفق میل می‌كنند. Particleها در Swarm از یكدیگر می‌آموزند و بر مبنای دانش بدست آمده به سمت بهترین همسایگان خود می‌روند.

Particle swarm Optimitation Algorithm
اساس كار PSO بر این اصل استوار است كه در هر لحظه هر particle مكان خود را در فضای جستجو با توجه به بهترین مكانی كه تاكنون در آن قرار گرفته است و بهترین مكانی كه در كل همسایگی‌اش وجود دارد، تنظیم می‌كند.
فرض كنید می‌خواهیم زوج مرتب [x,y] را طوری بدست آوریم كه تابع F(x,y)=x2+y2، مینیمم شود. ابتدا نقاطی را به صورت تصادفی در فضای جستجو، روی صفحه‌ی x-y انتخاب می‌كنیم. فرض كنید این Swarm را به 3 همسایگی تقسیم كنیم كه در هر همسایگی نقاط موجود با یكدیگر تعامل دارند. در هر همسایگی هر یك از نقاط به سمت بهترین نقطه در آن همسایگی و بهترین مكانی كه آن نقطه تاكنون در آن قرار داشته است، حركت می‌كند. برای حل یك مسئله چند متغیر بهینه‌سازی می‌توان از چند Swarm استفاده كرد كه هر یك از Swarmها كار مخصوصی را انجام می‌دهند. این همان ایده‌ای است كه Ant colony از آن ریشه می‌گیرد. از آنجا كه دانش Swarm intelligence بسیار جدید است در حال حاضر كاربردهای كمی از آن شناخته شده است. ولی صاحبنظران معتقدند با این رشد روزافزون، Swarm intelligence می‌تواند نقش مهمی را در علوم مختلف از جمله مهندسی نفت ایفا كند.


تهیه کنندگان:
نیما حمیدیان دانشجوی مهندسی حفاری
حامد دارابی دانشجوی مهندسی بهره برداری


منبع:
كد:
http://www.petroleumtimes.com/articles/index.php
__________________
Siavash آفلاين است   پاسخ با نقل قول
از Siavash تشكر كرده اند:
ehsan_teimouri (۰۲-۱۵-۱۳۹۲), green_Dream (۱۱-۲۵-۱۳۸۸), Iman (۱۰-۱۸-۱۳۸۸), mahdigh (۱۱-۶-۱۳۸۹), pasmod (۱۱-۵-۱۳۸۹), Solsal (۰۹-۶-۱۳۹۰)

  #ADS
نشان دهنده تبلیغات
تبليغگر
 
 
 
تاريخ عضويت: -
محل سكونت: -
سن: 2010
پست ها: -
 

نشان دهنده تبلیغات is online  
قديمي ۰۲-۷-۱۳۸۷, ۰۱:۰۵ بعد از ظهر   #2 (لینک دائم)
عضو جدید
 
آواتار KraToS
 
تاريخ عضويت: ارديبهشت ۱۳۸۷
محل سكونت: Internet
پست ها: 6
تشكرها: 3
5 تشكر در 1 پست
ارسال پيغام Yahoo به KraToS
پيش فرض شبیه سازی فوتبال

اینطوری که من فهمیدم این دقیقا تو شبیه سازی های فوتبال به کار برده میشه یعنی هر بازیکن یک کار خاص داره و همه این بازیکنان با توجه به هوش و تمرینات خود تیم رو تشکیل میدن
KraToS آفلاين است   پاسخ با نقل قول
قديمي ۰۲-۸-۱۳۸۷, ۱۲:۰۸ قبل از ظهر   #3 (لینک دائم)
Administrator
 
آواتار Siavash
 
تاريخ عضويت: ارديبهشت ۱۳۸۷
محل سكونت: تهران
پست ها: 179
تشكرها: 27
432 تشكر در 108 پست
My Mood: Mehrabon
پيش فرض

این الگوریتم ها، الگوریتم های بهینه سازی هستند معمولا، اما درسته بصورت جمعی سعی می کنند یک هدف رو که بهینه سازی هست انجام بدن.
فوتبال یه جور MAS یا Multi Agent System هست که هر شخص نهایت سعیش رو میکنه که هدف اصلی تیم به بهترین نحو انجام بشه. مثلا توی فوتبال سعی همه بر اینه که بیشترین گل رو بزنند و کمترین گل رو بخورن.
حالت پیشرفته تر از اون DMAS هست که توی اون نوع ایجنت ها هم فرق می کنه مثل شبیه ساز امداد در مسابقات روبوکاپ که آتش نشان، آمبولانس و پولیس داره و هدف وارد شدن کمترین خسارت جانی و مالی به شهر هست.
__________________
Siavash آفلاين است   پاسخ با نقل قول
از Siavash تشكر كرده است:
Iman (۱۰-۱۸-۱۳۸۸)
قديمي ۱۱-۵-۱۳۸۹, ۰۳:۰۳ بعد از ظهر   #4 (لینک دائم)
عضو فعال
 
آواتار soroush007
 
تاريخ عضويت: آبان ۱۳۸۹
محل سكونت: تهران
پست ها: 13
تشكرها: 7
1 تشكر در 1 پست
پيش فرض

ميشه در مورد متغيرهاي بهينه سازي توضيحي بديد.
soroush007 آفلاين است   پاسخ با نقل قول
قديمي ۱۱-۶-۱۳۸۹, ۰۸:۰۹ بعد از ظهر   #5 (لینک دائم)
عضو فعال
 
آواتار soroush007
 
تاريخ عضويت: آبان ۱۳۸۹
محل سكونت: تهران
پست ها: 13
تشكرها: 7
1 تشكر در 1 پست
پيش فرض

از بيان متغير بهينه سازي منظوره و مفهوم خاصي داريد يا اينكه يه اسمه؟
soroush007 آفلاين است   پاسخ با نقل قول
قديمي ۰۳-۱۲-۱۳۹۰, ۱۰:۵۵ قبل از ظهر   #6 (لینک دائم)
Administrator
 
آواتار Astaraki
 
تاريخ عضويت: خرداد ۱۳۸۷
محل سكونت: تهران-کرج!
پست ها: 3,465
تشكرها: 754
16,285 تشكر در 3,124 پست
My Mood: Mehrabon
ارسال پيغام Yahoo به Astaraki
پيش فرض

هوش جمعی (Swarm Intelligence) نوعی روش هوش مصنوعی است که مبتنی بر رفتارهای جمعی در سامانه‌های نامتمرکز و خودسامانده بنیان شده است. این سامانه‌ها معمولاً از جمعیتی از کنشگران ساده تشکیل شده است که بطور محلی با یکدیگر و با محیط خود در تعامل هستند. با وجود اینکه معمولاً هیچ کنترل تمرکزیافته‌ای، چگونگی رفتار کنش‌گران را به آنها تحمیل نمی‌کند، تعاملات محلی آنها به پیدایش رفتاری عمومی می‌انجامد. مثال‌هایی از چنین سیستم‌های را می‌توان در طبیعت مشاهده کرد؛ گروه‌های مورچه‌ها، دستهٔ پرندگان، گله‌های حیوانات، تجمعات باکتری‌ها و دسته‌های ماهی‌ها.

روباتیک ازدحامی، کاربردی از اصول هوش مصنوعی ازدحامی در تعداد زیادی از روبات‌های ارزان قیمت است.
روش‌های هوش ازدحامی
از موارد روش‌های فرااکتشافی می‌توان به موارد زیر اشاره کرد
• روش بهینه‌سازی گروه مورچه‌ها یا ACO
• الگوریتم کوچ پرستوها یا روش بهینه‌سازی ازدحام ذرات PSO
• روش شبیه‌سازی کوره‌ای
• روش جستجوی مبتنی بر منع
• روش محاسبات تکاملی
دو روش اول موفق‌ترین روش‌های هوش مصنوعی ازدحامی که تاکنون وجود دارند.
الگوریتم مورچه‌ها
روش ACO، نوعی روش فرااکتشافی است که برای یافتن راه‌حل‌های تقریبی برای مسائل بهینه‌سازی ترکیبیاتی مناسب است. روش ACO، مورچه‌های مصنوعی به‌وسیله‌ٔ حرکت بر روی گرافِ مساله و با باقی گذاشتن نشانه‌هایی بر روی گراف، 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.
الگوریتم کوچ پرستوها
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. در اینچنین فضایی، فرضیاتی مطرح می‌شود و یک سرعت ابتدایی به آنها اختصاص داده می‌شود، همچنین کانال‌های ارتباطی بین ذرات درنظر گرفته می‌شود. سپس این ذرات در فضای پاسخ حرکت می‌کنند، و نتایج حاصله بر مبنای یک «ملاک شایستگی» پس از هر بازه‌ٔ زمانی محاسبه می‌شود. با گذشت زمان، ذرات به سمت ذراتی که دارای ملاک شایستگی بالاتری هستند و در گروه ارتباطی یکسانی قرار دارند، شتاب می‌گیرند. مزیت اصلی این روش بر استراتژی‌های کمینه‌سازی دیگر این است که، تعداد فراوان ذرات ازدحام کننده، باعث انعطاف روش در برابر مشکل پاسخ کمینه‌ٔ محلی می‌گردد.
جذابیت هوش ازدحامی در فناوری اطلاعات
همگونی‌هایی بین مسائل متفاوت در حوزهٔ فناوری اطلاعات و رفتارهای حشرات اجتماعی وجود دارد :
• سامانه‌ای توزیع‌شده از کنشگرهای مستقل و تعامل‌کننده.
• اهداف: بهینه‌سازی کارآیی و توان.
• خودتنظیم‌بودن در روش‌های کنترل و همکاری به شکل نامتمرکز.
• توزیع کار و اختصاص وظایف به شکل توزیع‌شده.
• تعاملات غیرمستقیم.
مراحل طراحی یک سامانه
مراحل طراحی یک سامانه با کاربردهای فناوری اطلاعات بر مبنای هوش مصنوعی ازدحامی فرآیندی سه مرحله‌ای است :
• شناسایی همسانی‌ها: در سامانه‌های IT و طبیعت.
• فهم: مدلسازی رایانه‌ای روش ازدحامی طبیعی به شکل واقع‌گرا.
• مهندسی: ساده‌سازی مدل و تنظیم آن برای کاربردهای IT.
کاربردهای فعلی و آتی
• مسیریابی در شبکه.
• سامانه‌های توزیع‌شده‌ٔ رایانه‌ای.
• اختصاص منابع به شکل بهینه.
• زمان‌بندی وظایف.
• بهینه‌سازی ترکیبیاتی.
• روباتیک:
o بررسی سیستم‌های لوله‌کشی.
o تعمیرات و نگهداری ماهواره‌ها و کشتی‌ها.
o روبات‌های خود-مونتاژ.


منابع
Swarm Intelligence. در دانشنامهٔ ویکی‌پدیا انگلیسی.
Astaraki آفلاين است   پاسخ با نقل قول
از Astaraki تشكر كرده اند:
andr0meda (۰۷-۲۶-۱۳۹۰), ayfer.a11 (۰۳-۱۹-۱۳۹۰), ehsan_teimouri (۰۲-۱۵-۱۳۹۲), Solsal (۰۹-۶-۱۳۹۰)
قديمي ۰۸-۱۸-۱۳۹۰, ۰۱:۳۳ بعد از ظهر   #7 (لینک دائم)
عضو جدید
 
آواتار arezoodelijeh
 
تاريخ عضويت: فروردين ۱۳۹۰
پست ها: 2
تشكرها: 0
0 تشكر در 0 پست
پيش فرض

سلام- تحقیقی می خواستم که موضوع آن به صورت زیر است:
چند نوع هوش گروهی در جهان وجود دارد تمام آنها را به صورت کامل توضیح دهید و الگوریتم آنها- بهینه سازی الگوریتم را هم میخواهم؟
به ایمیل ام بفرستید arezoodelijeh@yahoo.com
arezoodelijeh آفلاين است   پاسخ با نقل قول
قديمي ۰۸-۱۸-۱۳۹۰, ۰۶:۰۳ بعد از ظهر   #8 (لینک دائم)
عضو فعال
 
آواتار رضا جهان
 
تاريخ عضويت: ارديبهشت ۱۳۸۹
پست ها: 10
تشكرها: 5
5 تشكر در 4 پست
My Mood: Mehrabon
پيش فرض

تعداد مقالات در مورد هوش جمعی و انواع اون زیاد هست

سخته و زمان میبره که اونها رو شناسایی کرد

ولی در عنوان تاپیک های صفحه اصلی چند تایی آورده شده است.
رضا جهان آفلاين است   پاسخ با نقل قول
قديمي ۰۹-۳-۱۳۹۰, ۰۳:۴۷ بعد از ظهر   #9 (لینک دائم)
عضو جدید
 
آواتار fandogh2011
 
تاريخ عضويت: آبان ۱۳۹۰
محل سكونت: khozestan
پست ها: 4
تشكرها: 0
1 تشكر در 1 پست
Smile

با سلام خدمت همه ى دوستان عزيز
دنبال مقاله اي هستم كه به مقايسه الكوريتم هاي مبتني برهوش تكاملي مثل pso و رقابت استمعاري وbee وشبيه ساز ذوب برداخته باشد
خيلي واجبه
ممنون ميشم راهنماييم كنيد
fandogh2011 آفلاين است   پاسخ با نقل قول
قديمي ۱۰-۲۳-۱۳۹۳, ۰۱:۵۳ بعد از ظهر   #10 (لینک دائم)
عضو جدید
 
آواتار fahim67
 
تاريخ عضويت: آذر ۱۳۹۳
پست ها: 3
تشكرها: 2
0 تشكر در 0 پست
My Mood: Vaaaaay
پيش فرض

سلام خسته نباشید
من یک نمونه پیاده سازی یا یک نمونه عملی برای پروژه هوش جمعی و کاربرد آن میخواستم که برای فصل 4 پایان نامم بذارم
استادم خیلی تاکید به نمونه عملی داره
یا اینکه هوش جمعی با چه نرم افزاری کار میکنه به این صورت...
ممنون میشم کمکم کنید و پاسخ گوی من باشید هرچه زودتر
fahim67 آفلاين است   پاسخ با نقل قول
پاسخ



كاربران در حال ديدن تاپيک: 1 (0 عضو و 1 مهمان)
 
ابزارهاي تاپيک
نحوه نمايش

قوانين ارسال
You may not post new threads
You may not post replies
You may not post attachments
You may not edit your posts

BB code is فعال
شکلکها فعال است
كد [IMG] فعال است
كدهاي HTML غير فعال است
Trackbacks are فعال
Pingbacks are فعال
Refbacks are فعال




زمان محلي شما با تنظيم GMT +3.5 هم اکنون ۰۲:۵۳ بعد از ظهر ميباشد.


Powered by vBulletin® Version 3.8.3
Copyright ©2000 - 2019, Jelsoft Enterprises Ltd.
Search Engine Friendly URLs by vBSEO 3.1.0 ©2007, Crawlability, Inc.

Teach and Learn at Hexib | Sponsored by www.Syavash.com and Product In Review

استفاده از مطالب انجمن در سایر سایت ها، تنها با ذکر انجمن هوش مصنوعي به عنوان منبع و لینک مستقیم به خود مطلب مجاز است

Inactive Reminders By Icora Web Design