• بازدید : 44 views
  • بدون نظر
این فایل در ۶صفحه قابل ویرایش تهیه شده وشامل موارد زیر است:

الگوریتم  PSO یک الگوریتم جستجوی اجتماعی است که از روی رفتار اجتماعی دسته‌های پرندگان مدل شده است. در ابتدا این الگوریتم به منظور کشف الگوهای حاکم بر پرواز همزمان پرندگان و تغییر ناگهانی مسیر آنها و تغییر شکل بهینه‌ی دسته به کار گرفته شد . در PSO، ذرات  در فضای جستجو جاری می‌شوند. تغییر مکان  ذرات در فضای جستجو تحت تأثیر تجربه و دانش خودشان و همسایگانشان است. بنابراین موقعیت دیگر توده  ذرات روی چگونگی جستجوی یک ذره اثر می‌گذارد . نتیجه‌ی مدل‌سازی این رفتار اجتماعی فرایند جستجویی است که ذرات به سمت نواحی موفق میل می‌کنند. ذرات از یکدیگر می‌آموزند و بر مبنای دانش بدست آمده به سمت بهترین همسایگان خود می‌روند اساس کار PSO بر این اصل استوار است که در هر لحظه هر ذره مکان خود را در فضای جستجو با توجه به بهترین مکانی که تاکنون در آن قرار گرفته است و بهترین مکانی که در کل همسایگی‌اش وجود دارد، تنظیم می‌کند.
هوش جمعی : 
 
هوش جمعی خاصیتی است سیستماتیک که در این سیستم، عامل هابه طور محلی با هم همکاري می نمایند و رفتار جمعی تمام عامل هاباعث یک همگرایی در نقطه اي نزدیک به جواب بهینه سراسري میشود نقطه قوت این الگوریتم عدم نیاز به یک کنترل سراسري میباشد. هر ذره) عامل) در این الگوریتم ها خود مختاري نسبی داردکه می تواند در سراسر فضاي جواب ها حرکت کند و می بایست با سایرذرات )عامل ها(  همکاري داشته باشد . دو الگوریتم مشهور هوش جمعی، بهینه سازي جرگه مورچگان  و بهینه سازي توده ذرات  می باشند. از هر دو این الگوریتم ها می توان براي تعلیم شبکه هاي عصبی بهره برد.
شبکه عصبی :

شبکه هاي عصبی مصنوعی داراي ویژگی هاي فراوانی از جمله انطباق پذیري، قابلیت یادگیري و تعمیم می باشد .در حوزه تطابق الگو ها،شبکه هاي عصبی مصنوعی قادرند که الگو هاي جدید را بر اساس تعالیم قبلی خود به کلاس هاي مرتبط طبقه بندي نمایند .
 استفاده از ایده جدید هوش جمعی در ترکیب با شبکه هايعصبی مصنوعی می باشد تا راهکاري براي غلبه بر چالش موجو د درشبکه هاي عصبی باشد.
الگوریتم بهینه سازی توده ذرات:

در سال ۱۹۹۵ به Eberhart و Kennedy براي اولین بار توسط PSOعنوان یک روش جستجوي غیر قطعی براي بهینه سازي تابعی مطرح گشت این الگوریتم از حرکت دسته جمعی پرندگانی که به دنبال غذا می باشند الهام گرفته شده است.
گروهي از پرندگان در فضا يي به صورت تصادفي دنبال غذا مي گردند. تنها يك تكه غذا در فضا ي مورد بحث وجود دارد. هيچ يك از پرندگان محل غذا را نمي دانند. يكي از بهتر ين استراتژيها مي تواند دنبال كردن پرنده ا ي باشد كه كمتر ين فاصله را تا غذا داشته باشد . اين استراتژ ي در واقع جانما يه الگور يتم است.هر راه حل كه به آن يك ذره گفته ميشود، ،PSO در الگوريتم معادل يك پرنده در الگور ي حركت جمع ي پرندگان م يباشد. هر ذره يك مقدارشا يستگي دارد كه توسط يك تابع شا ي ستگي محاسبهميشود. هر چه ذره در فضا ي جستجو به هدف – غذا در مدل حركت پرندگان- نزدكتر باشد، شا يستگي بيشتري دارد .. همچن ين هر ذره داراي يك سرعت است كه هدا يت حركت ذره را بر عهده دارد . هرذره با دنبال كردن ذرات به ينه در حالت فعل ي، به حركت خود د رفضاي مساله ادامه ميدهد. به ا ين شكل است كه گروه ي از ذرات  PSO آغاز كاربه صورت تصادفي به وجود مي آيند و با به روز كردن نسلها سعي در يافتن راه حل بهينه مينمايند. در هر گام، هر ذره با استفاده از دو بهتر ين مقدار به روز ميشود. اولين مورد، بهترين موقعيتي است كه تا كنون ذره موفق به رسیدن به آن شده است . موقعیت مذكورشناخته و نگهدار ي ميشود. بهترين مقدار د يگر

 ي كه pbest با نام توسط الگور يتم مورد استفاده قرار م يگيرد، بهتر ين موقعيتي است كه تا كنون توسط جمعيت ذرات بدست آمده است.این موقعیت با gbest نمایش داده می شود .
پس از يافتن بهتر ين مقاد ير، سرعت و مكان هر ذره با استفاده از معادلات ( ۱) و ( ۲) به روز ميشود.
سمت راست معادله ( ۱) از سه قسمت تشكيل شده است كه قسمت اول، سرعت فعلي ذره است و قسمتهاي دوم و سوم تغيير سرعت ذره و چرخش آن به سمت بهترين تجربه شخصي و بهترين تجربه گروه را به عهده دارند. اگر قسمت اول را در اين معادله درنظر نگيريم، آنگاه سرعت ذرات تنها با توجه به موقعيت فعلي و بهترين تجربه ذره و بهترين تجربه جمع تعيين ميشود. به اين ترتيب، بهترين ذره جمع، در جاي خود ثابت ميماند و سايرين به سمت آن ذره حركت ميكنند. در واقع حركت دسته جمعي ذرات بدون قسمت اول معادله( ۱)، پروسه اي خواهد بود كه طي آن فضاي جستجو به تدريج كوچك ميشود و جستجويي محلي حول بهترين ذره شكل ميگيرد. در مقابل اگر فقط قسمت اول معادله( ( ۱را در نظر بگيريم، ذرات راه عادي خود را ميروند تا به ديواره محدوده برسند و به نوعي جستجويي سراسري را انجام ميدهند.
کاربردی ازPSO در ریاضیات: 

اساس کار PSO بر این اصل استوار است که در هر لحظه هر particleمکان خود را در فضای جستجو با توجه به بهترین مکانی که تاکنون در آن قرار گرفته است و بهترین مکانی که در کل همسایگی‌اش وجود دارد، تنظیم می‌کند.
فرض کنید می‌خواهیم زوج مرتب (x,y) را طوری بدست آوریم که تابع F(x,y)=x2+y2، مینیمم شود. ابتدا نقاطی را به صورت تصادفی در فضای جستجو، روی صفحه‌ی x-y انتخاب می‌کنیم. فرض کنید این Swarm را به ۳ همسایگی تقسیم کنیم که در هر همسایگی نقاط موجود با یکدیگر تعامل دارند. در هر همسایگی هر یک از نقاط به سمت بهترین نقطه در آن همسایگی و بهترین مکانی که آن نقطه تاکنون در آن قرار داشته است، حرکت می‌کند. برای حل یک مسئله چند متغیر بهینه‌سازی می‌توان از چند Swarm استفاده کرد که هر یک از Swarmها کار مخصوصی را انجام می‌دهند.

اتوماتای یادگیر:

اتوماتاي يادگير ماشيني است كه ميتواند تعدادي متناهي عمل را انجام دهد. هر عمل انتخاب شده توسط يك محيط احنمالي ارزيابي ميشود و نتيجه ارزيابي در قالب سيگنالي مثبت يا منفي به اتوماتا داده ميشود و اتوماتا از اين پاسخ در انتخاب عمل بعدي تاثير ميگيرد . هدف نهايي اين است كه اتوماتا ياد بگيرد تا ازبين اعمال خود بهترين عمل را انت خاب كند . بهترين عمل، عملي است كه احتمال دريافت پاداش از محيط را به حداكثر برساند.
اتوماتاي سلولی یادگیر :
 
بسياري از مسايل را نميتوان با استفاده از يك اتوماتاي يادگيرتكي حل كرد بلكه قدرت اصلي اتوماتاي يادگير زماني آشكار ميشودكه آنها به صورت دسته جمعي بكار روند .با توجه به اين مساله و ضعفهاي عنوان شده براي اتوماتاي سلولي، در با تركيب اين دو مدل، مدل جديدي با نام اتوماتاي يادگير سلولي ايجاد گرديد .
 اتوماتاي يادگير سلولي  d  بعدي است به طوريكه: CLA = (Z d ,φ , A,N,F) يك چندتايي
تايي هاي مرتب از اعداد صحيح d يك شبكه از Z d •
مي باشد . اين شبكه مي تواند يك شبكه متناهي، نيمه متناهي يا متناهي باشد.
φ  يك مجموعه متناهي از حالتها مي باشد. 
A يك مجموعه از اتوماتاهاي يادگير(LA) است كه هر   يك از آنها به يك سلول از اتوماتاي سلولي نسبت داده ميشود.
N = { x1,…, xm } يك زير مجموعه متناهي از Zd  مي باشد كه بردار همسايگي ناميده مي شود.
F :φ m → β   قانون محلي CLA مي باشد به طوريكه β مجموعه مقاديري است كه مي تواند به عنوان سيگنال تقويتي پذيرفته شود.
در اتوماتاي يادگير سلولي مي توان از ساختارهاي مختلفي براي همسايگي استفاده نمود . در حالت كلي هر مجموعه مرتب از سلولها را ميتوان به عنوان همسايه در نظر گرفت.
عملكرد اتوماتاي يادگير سلولي را مي توان به شرح زير بيان كرد. در هر لحظه هر اتوماتاي يادگير در اتوماتاي يادگير سلولي يك عمل از مجموعه اعمال خود را انتخاب مي كند. اين عمل مي تواند بر اساس مشاهدات قبلي و يا به صورت تصادفي انتخاب شود . عمل انتخاب شده با توجه به اعمال انتخاب شده توسط سلولهاي سلولها ی همسايه و قانون حاکم بر اتوماتای یادگیر سلولی پاداش داده یا جریمه می شود و سپس اتوماتا رفتار خود را تصحیح کرده و ساختار داخلی اتوماتا به روز می شود.


: CLA-PSO 
بزرگترين مشكل PSO  استاندارد اين است كه سبب مي شود در حل مسائل چند قله ايي با فضاي حالت بزرگ ناتوان باشد بنابر اين PSO راهكاري براي خروج از بهينه محلي ارائه نمي دهد.
تر كيبي از اتوماتاي يادگير سلولي و حركت دسته جمعي ذرات ميباشد. تنظيم رفتار ذرات به اين معني است كه با استفاده از اتوماتاي يادگير در هر گام تعيين ميگردد كه ذرات به مسير فعلي ادامه دهند و يا به دنباله روي از بهترين ذرات پيدا شده تا كنون بپردازند
در الگوريتم حركت دسته جمعي ذرات استاندارد، در محاسبه سرعت ذره در گام بعد، كل سرعت فعلي ذره محاسبه ميشود. در واقع سرعت ذره در هر گام از دو قسمت تشكيل ميشود كه قسمت اول سرعت فعلي ذره و قسمت دوم مربوط به دنبال كردن بهترين تجربه شخصي و بهترين تجربه گروه است. بدون قسمت دوم الگوريتم حالت يك جستجوي سراسري كوركورانه را خواهد داشت.

نتیجه گیري
شبکه هاي عصبی مصنوعی ابزار هاي مناسبی جهت   انطباق، یادگیري و دسته بندي اطلاعات می باشند. بسیاري از محققین تمایل زیادي در استفاده از این ابزار را دارند اما چالش آموزش شبکه هاي عصبی را در
روي دارند ترکیب دو ایده هوش جمعی و شبکه هاي عصبی مصنوعی می تواند پاسخی براي این چالش محسوب شود. نتایج شبیه سازي نمایش می دهد که الگوریتم بهینه سازي توده ذرات می تواند صحت پاسخ شبکه را افزایش و زمان آموزش را کاهش دهد

عتیقه زیرخاکی گنج