advertise laitec sharif univercity
دانلود سورس هوش مصنوعی رنگ آمیزی گراف با ژنتیک در #C

دانلود سورس هوش مصنوعی رنگ آمیزی گراف با ژنتیک در #C

10000 تومان
دانلود سورس پروژه فروشگاه کیف با asp.net و sql express

دانلود سورس پروژه فروشگاه کیف با asp.net و sql express

10000 تومان
دانلود سورس n وزیر با جست وجوی ممنوع در سی شارپ #C

دانلود سورس n وزیر با جست وجوی ممنوع در سی شارپ #C

10000 تومان
پکیج ویژه پروژه پایانی و پایان نامه رشته کامپیوتر

پکیج ویژه پروژه پایانی و پایان نامه رشته کامپیوتر

148000 تومان
سورس پروژه پایانی وب سایت و نرم افزار کلینیک در ASP.net

سورس پروژه پایانی وب سایت و نرم افزار کلینیک در ASP.net

48000 تومان

عامل های حل مسئله در هوش مصنوعی Artificial intelligence

بحث ما در مورد یک نوع عامل مبتنی بر هدف به نام عامل حل مساله است که از نمایش اتمیک استفاده میکنند یعنی حالتهای دنیا بعنوان یک کل در نظر گرفته میشود، بطوریکه ساختار داخلی آن توسط الگوریتم های حل مساله قابل مشاهده نیست. اولین گام در حل مساله فرموله کردن هدف بر اساس وضعیت فعلی و معیار کارایی عامل است.
عامل های حل مسئله در هوش مصنوعی Artificial intelligence

عامل های حل مسئله در هوش مصنوعی Artificial intelligence

بحث ما در مورد یک نوع عامل مبتنی بر هدف به نام عامل حل مساله است. عامل های حل مساله از نمایش اتمیک استفاده میکنند یعنی حالتهای دنیا بعنوان یک کل در نظر گرفته میشود، بطوریکه ساختار داخلی آن توسط الگوریتم های حل مساله قابل مشاهده نیست. عامل های مبتنی بر هدف که از نمایش های پیشرفته تری مثل تجزیه شده یا ساختاری استفاده میکند، معمولا عاملهای برنامه ریزی نامیده میشوند.

عامل های هوشمند طوری عمل میکنند که معیار کارایی خود را ماکزیمم کنند. اگر عامل دارای هدف باشد و سعی کند به آن برسد، ماکزیمم کردن معیار کارایی ، ساده است. در ادامه این مساله را بررسی میکنیم که "چرا و چگونه یک عامل میتواند چنین کاری را انجام دهد. "

اهداف مختلف باعث میشوند با محدود کردن مقاصدی که عامل سعی در رسیدن به آنها دارد، رفتار عامل سازماندهی شود. اولین گام در حل مساله فرموله کردن هدف (یا تدوین هدف) بر اساس وضعیت فعلی و معیار کارایی عامل است.

هدف را مجموعه ای از حالتهای دنیا در نظر میگیریم(آن حالتهایی که هدف در آنها برآورده میشود). وظیفه عامل یافتن دنباله ای از فعالیتها است که آن را به "حالت هدف" میرساند. قبل از انجام هر کار، باید تصمیم بگیردکه چه نوع فعالیت ها و حالتهایی را در نظر بگیرد.

فرموله کردن مسئله (تدوین مسئله) ، فرآیند تصمیم گیری در مورد انتخاب فعالیت ها و حالت ها است تا با استفاده از آنها به یک هدف برسیم.

فرض کنید عامل نمی داند کدام فعالیت او بهترین است، زیرا  از حالت حاصل از عملیات انجام شده اطلاعی ندارد. اگر عامل اطلاعاتی نداشته باشد، و محیط ناشناخته باشد، هیچ گزینه ای برای انتخاب ندارد و بهتر است یکی از فعالیت ها را بطور تصادفی انتخاب کند.

حال فرض کنید اطلاعاتی راجع به حالتهایی که عامل میتواند خودش را به آنها برساند و یا فعالیتهایی که میتواند انجام دهد، در اختیار عامل قرار گیرد. بطور کلی، عاملی که با چند گزینه فوری و مقدار ناشناخته مواجه است، ابتدا باید دنباله های ممکن از فعالیت هایی را که منجر به حالتهایی با مقدار شناخته شده میشوند، بررسی کند و سپس بهترین دنباله را انتخاب نماید.

برای پی بردن به مفهوم جمله "بررسی فعالیت های آینده" باید خواص محیط را ،بطور دقیق بررسی کنیم. فعلا فرض میکنیم که محیط، قابل مشاهده (قابل دسترس) است، و در نتیجه عامل همیشه حالت فعلی را میداند. همچنین فرض میکنیم که محیط ، گسسته است، بطوریکه در هر حالت، فقط تعدادی عملیات محدود وجود دارند که میتوان از بین آنها عملیاتی را انتخاب کرد. فرض میکنیم که محیط شناخته شده است، بطوریکه عامل میداند که با هر فعالیت، به چه حالت هایی میرسد.

سرانجام فرض میکنیم محیط قطعی است، بطوریکه هر فعالیت دقیقا یک نتیجه (پیامد) دارد.

با توجه به این فرض ها ، جواب هرمسئله، یک دنباله ی ثابت از فعالیت هاست. ممکن است بگویید که "در غیر اینصورت چه چیزی میتواند باشد؟" بطور کلی میتواند یک استراتژی انشعابی باشد که پیشنهاد میکند فعالیت های مختلف در آینده، به آنچه که احتمالا دریافت خواهد شد، بستگی دارد. خوشبختانه، اگر عامل ، حالت اولیه (حالت شروع) را بداند و محیط آن شناخته شده و قطعی باشد، دقیقا میداند که پس از اولین فعالیت در کجا خواهد بود و چه چیزی را دریافت خواهد کرد. چون پس از اولین فعالیت ، فقط یک ادراک (دریافت)  ،امکانپذیر است، جواب مسئله فقط میتواند یک عملیات ممکن دوم را مشخص کند.

این فرآیند برای یافتن چنین دنباله ای ، جست وجو نام دارد. الگوریتم جست وجو، مسئله ای را بعنوان ورودی میگیرد و راه حلی (جواب) را به شکل دنباله ای از فعالیت ها ارائه میکند. وقتی راه حل پیدا شد، فعالیتهای پیشنهادی آن میتواند اجرا شود. این مرحله، فاز اجرا نام دارد. لذا یک طراحی ساده ی "فرموله کردن، جست وجو، و اجرا" برای عامل وجود دارد. پس از فرموله کردن هدف و مسئله ای که باید حل شود، عامل، رویه جستوجو را برای حل مسئله فراخوانی میکند. سپس با راه حل ارائه شده بعنوان راهنمای فعالیتش استفاده میکند و آنچه را که این راه حل پیشنهاد میکند، انجام میدهد و سپس آن مرحله را از دنباله ی فعالیت ها حذف میکند. وقتی راه حل اجرا شد، عامل هدف دیگری را تعیین میکند.

تا موقعی که عامل در حال اجرای دنباله های جواب است، هنگام انتخاب یک فعالیت، ادراکات خود را نادیده میگیرد، زیرا آنها را از قبل میداند. عاملی که برنامه هایش را با چشم بسته اجرا میکند، باید به عواقب آن فکر کند. نظریه پردازان کنترل، آن را سیستم حلقه باز مینامند، زیرا نادیده گرفتن ادراکات، حلقه ی بین عامل و محیط را از بین میبرد.

 



0
نظرات

نظر خود را ارسال کنید



نام:
ایمیل:
دیدگاه:
captcha
کد امنیتی :


advertise
آشنایی با عامل های حل مسئله درهوش مصنوعیعامل های حل مسئله در هوش مصنوعیproblem solving agent in AIعاملهای حل مسئله در AIآشنایی با problem solving agent در هوش مصنوعیعامل های حل مسئله هوش مصنوعیآشنایی با عامل حل مسئله در AIعامل حل مساله در هوش مصنوعی به چه می گویند؟problem solving agentماهیت عاملهای حل مسئلهفرموله کردن هدف در هوش مصنوعیعاملهای حل مسئله لیست برچسب ها
تمامی حقوق این سایت اعم از محتوی ، تصاویر ، قالب و ... متعلق به گروه مهندسی وب سایت سورس کد می باشد.
SourceCodes.ir ، افقی روشن برای برنامه نویسان ، از مبتدی تا حرفه ای

پیشنهادات ویژه سورس کد

پکیج ویژه پروژه پایانی رشته کامپیوتر دانلود مجموعه 70 پروژه کاربردی سی شارپ وب سایت فروشگاه با php