محاسبات نرم در علوم مهندسی

محاسبات نرم ، امروزه ابزارهای موجود در هوش مصنوعی به صورت گسترده‌ای در سایر علوم مورد استفاده قرار گرفتند. یکی از زمینه‌های مهم هوش مصنوعی محاسبات نرم است که با استفاده از الگوریتم‌های نوین توانسته است بسیاری از مسائل را حل کند. امروزه استفاده از هوش مصنوعی و محاسبات نرم بخشی جدایی ناپذیر از زندگی بشر تبدیل شده است. یکی از کاربردهای موفق و جالب هوش مصنوعی، موتور جست و جوی گوگل است. شاید برایتان سوال پیش آمده باشد که چگونه گوگل در کسری از ثانیه، نتایج جست و جوی گسترده ای برای کاربر پیشنهاد می‌دهد. در این جا گوگل با بهره گیری از پردازش زبان طبیعی متناسب ترین جواب را برای جست و جوی کاربر ارائه می‌دهد (گرچه این تنها یکی از هزاران کاربرد هوش مصنوعی در گوگل است!!!).

بر همین اساس یادگیری و آشنایی با محاسبات نرم قدم آغازین برای ورود به دنیای پر رمز و راز هوش مصنوعی است. در این قسمت سعی می‌شود برخی از پرکاربردترین ابزارها در محاسبات نرم مورد بررسی قرار بگیرد و الگوریتم‌های موجود در این زمینه به صورت خلاصه معرفی و شرح داده شوند. لذا مطالب این بخش در سه دسته کلی قرار خواهند گرفت که عبارتند از:

الگوریتم‌های فراابتکاری

الگوریتم‌های تکاملی ، الگوریتم‌های احتمالی ، الگوریتم‌های الگو گرفته از فرایندهای فیزیکی ، الگوریتم‌های هوش جمعی ، الگوریتم‌های ایمنی مصنوعی

الگوریتم‌های فراابتکاری

این الگوریتم‌ها بر گرفته از رفتارها و فرآیند‌ها طبیعی هستند. برخی از این الگوریتم‌ها عبارتند از:

الگوریتم ژنتیک ، الگوریتم بهینه سازی اجتماع ذرات ، الگوریتم بهینه سازی گرگ خاکستری ، الگوریتم بهینه سازی کرم شب تاب، الگوریتم رقابت استعماری ، الگوریتم شبیه سازی ذوب فلزات و غیره. در ادامه‌ی این آموزش‌های کوتاه هر یک از این الگوریتم و سایر الگوریتم‌ها در این زمینه معرفی خواهند شد.

الگوریتم‌های طبقه‌بندی

برخی از الگوریتم‌های طبقه‌بند معروف عبارتند از :

شبکه‌های عصبی ، درخت تصمیم ، K نزدیکترین همسایه ، ماشین بردار پشتیبان و غیره.

طبقه‌ بندی به عنوان یک عملی جهت تعیین طبقه‌ ی هر داده‌  می تواند تعریف گردد. برای طبقه‌ بندی ابتدا باید بر اساس داده‌ها قدیمی مدلی مناسب شاخته شود. این داده‌های قدیمی (شناخته شده) که بر چسب یا کلاس آنها معین است، داده‌ها آموزش نامیده می‌شوند. لذا طبقه‌بندی یک روش یادگیری با ناظر است.

 

الگوریتم‌های طبقه‌بندی

شبکه‌های عصبی ، K نزدیکترین همسایه ، طبقه‌بندی ماشین بردار پشتیبان ، بیز ساده ، درخت تصمیم ، رگرسیون ، لاجستیک

الگوریتم‌های خوشه بندی

خوشه بندی k-MEANS ، خوشه بندی DNSCAN ، خوشه بندی MEAN SHIFT ، خوشه بندی CLIQUE

الگوریتم‌های خوشه بندی

برخی از الگوریتم‌ها خوشه بندی عبارتند از :

الگوریتم خوشه بندی K-means ، الگوریتم خوشه بندی C-means (خوشه بندی فازی) ، الگوریتم خوشه بندی DBSCAN و غیره.

خلاف الگوریتم‌های طبقه‌ بندی در خوشه بندی بر چسب داده ها مشخص نیست و داده‌ها بر اساس یک معیار شباهت در چندین خوشه قرار می‌گیرند. لذا خوشه بندی یک روش یادگیری بدون ناظر است. در خوشه بندی هر چه داده‌ها بیشتر شبیه هم باشند در یک خوشه قرار خواهند گرفت. لذا تعیین معیار شباهت در خوشه بندی از اهمیت بالایی برخوردار است. خوشه بندی بر اساس معیارها و روش‌‌ های متنوعی صورت می گیرد.