دانلود با لینک مستقیم و پر سرعت .
نوع فایل: word
قابل ویرایش 80 صفحه
چکیده:
موضوع اصلی این پروژه، معرفی و بررسی روش هایی که با نام هوش جمعی از آن ها یاد می شوند. در روش هایی که در گروه هوش جمعی جای می گیرند، ارتباط مستقیم یا غیر مستقیم بین جواب های مختلف الگوریتم وجود دارند. در واقع، در این روش ها، جواب ها که موجوداتی کم هوش و ساده هستند، برای پیدا شدن و یا تبدیل شدن به جواب بهینه، همکاری می-کنند. این روش ها از رفتار های جمعی حیوانات و موجودات زنده در طبیعت الهام گرفته شده اند. الگوریتم مورچه ها یکی از بارزترین نمونه ها برای هوش جمعی است که از رفتار جمعی مورچه ها الهام گرفته شده است. یکی دیگر از مهمترین الگوریتم هایی که در گروه هوش جمعی جای می گیرد، الگوریتم بهینه سازی انبوه ذرات است. در الگوریتم بهینه سازی انبوه ذرات، اعضای جامعه، که ماهی ها یا پرندگان می باشند، به صورت مستقیم با هم ارتباط دارند. و همچنین در این پروژه به الگوریتم ژنتیک و دیگر کاربرد های هوش جمعی میپردازیم.
مقدمه:
ما در این پروژه به تعریف هوش جمعی می پردازیم که هوش جمعی یکی از شاخه های هوش مصنوعی می باشد.در واقع بیان می کنیم، هوش جمعی ویژگی از سیستم است که بر اساس آن رفتار گروهی عامل های غیر پیچیده که به صورت محلی با محیطشان در ارتباط هستند منجر به وجود آمدن الگوهای یکپارچه و منسجم می شود. همچنین کاربردهای مهم هوش جمعی را ذکر خواهیم کرد، و اینکه هر کاربرد بیشتردرکجاها استفاده خواهد شد.
فهرست مطالب:
صفحه
فصل اول: هوش مصنوعی و ارتباط آن با هوش جمعی
1 مقدمه
2 تاریخچه هوش مصنوعی
3 هوش چیست؟
4 فلسفه هوش مصنوعی
مدیریت پیچیدگی
عامل های هوشمند
7 سیستم های خبره
8 رابطه هوش جمعی با هوش مصنوعی
فصل دوم: تعریف هوش جمعی
1 مقدمه
2 تعریف هوش جمعی
3 خصوصیات هوش جمعی
4 اصول هوش جمعی
5 طبقه بندی هوش جمعی
5 -1 طبیعی در مقابل مصنوعی
5 – 2 علمی در مقابل مهندسی..
6 تعامل دو دسته طبیعی/ مصنوعی و علمی/ مهندسی
فصل سوم: کاربردهای هوش جمعی
1 مقدمه
2 تعریف بهینه سازی
3 الگوریتم بهینه سازی کلونی مورچه ها
3- 1 تعریف
3- 2 الگوریتم
3- 3 خواص عمومی کلونی مورجه ها
3- 4 الگوریتم مورچه برای مسئله فروشنده دوره گرد
3- 5 کاربردهای الگوریتم مورچه
3- 5- 1 مسیریابی خودرو..
3- 5- 2 الگوریتم S_ANTNET
3- 5- 3 هزارتوی چند مسیره.
3- 5- 4 مسیریابی در شبکه های مخابراتی
4 الگوریتم بهینه سازی زنبور
4- 1 تعریف
4- 2 جستجوی غذا در طبیعت
4- 3 الگوریتم زنبور
4- 4 بهینه سازی کلونی زنبورها
4- 5 سیستم فازی زنبورها
4- 6 کاربردهای الگوریتم بهینه سازی زنبورها
4- 6- 1 مسئلهRide_matching
4- 6- 2 حل مسئله RS بوسیله سیستم فازی زنبورها
4- 6- 3 کاربردهای الگوریتم زنبور در مهندسی
5 الگوریتم بهینه سازی انبوه ذرات.
5- 1 تعریف
5- 2 الگوریتم
5- 3 کاربردهای الگوریتم بهینه سازی انبوه ذرات
6 الگوریتم ژنتیک
6- 1 تعریف
6- 2 عملگرهای یک الگوریتم ژنتیک
6- 3 عملکرد کلی الگوریتم ژنتیک
6- 4 مقایسه الگوریتم ژنتیک و دیگر شیوه های مرسوم بهینه سازی
6- 5 الگوریتم ژنتیک و سیستم های مهندسی
6- 6 کاربردهای الگوریتم ژنتیک
7 شبکه های عصبی
7- 2 تازیخچه شبکه های عصبی3
7- 3 چرا از شبکه های عصبی استفاده می کنیم؟.
7- 4 شبکه های عصبی در مقابل کامپیوترهای معمولی
7- 5 چگونه مغز انسان می آموزد؟
7- 6 از سلول های عصبی انسانی تا سلول های عصبی مصنوعی
7- 7 کاربردهای شبکه های عصبی
8 کاربردهای دیگر هوش جمعی
8- 1 تعریف
8- 2 اقتصاد
8- 3 شبکه های ادهاک
8- 4 سیستم های خودسازمانده
فصل چهارم: نتیجه گیری
منابع
منابع ومأخذ:
[1] E. Bonabeau, M. Dorigo, and G. Theraulaz. Swarm Intelligence: From Natural to Artificial System. Oxford University Press, New York, 1999.
[2] J.-L. Deneubourg, S. Aron, S. Goss, and J.-M. Pasteels. The Self_Orgonazing exploratory pattern of the Argentine ant. Journal of insect Behavior, 3:159-168, 1990.
[3] G. Di Caro and M. Dorigo. AntNet: Distributed stigmergetic control for communications networks. Journal of Artificial Intelligence Research, 9:317-365, 1998.
[4] G. Di Caro, F. Ducatelle, L. M. Gambardella. AntHocNet: An adaptive nature_inspired algorithm for routing in mobile ad hoc networks. European Transactions on Telacommunications, 16(5): 443-455, 2005.
[5] M. Dorigo,v. Maniezzo,and A. Colorni. Positive feedback as a search strategy. Technical Report 91-016,Dipartimento di Elettronica, politecnico di Milano, Milan, Italy,1991.Revised version publishedas: M.dorigo, on systems, Man,and cybernetics-part B,26(1):29-41,1996.
[6] M. Dorigo and T.Stutzle. Ant Colony Optimization. MIT Press, Cambridge ,MA , 2004.
[7] J.Kennedy and R.C.Eberhart. Paticle swarm optimization. Proceedings of IEEE International Confeence on Neural Networks,IEEE Press,Piscataway,NJ,pp.1942-1948,1995.
[8] J.Kennedy, R.C.Ebehart,andY.Shi.Swarm Intelligence.Mogan Kaufmann,San Francisco,CA,2001.
[9] J.d.Farmer,J.J.Sidorowich,Predicting.Chaotic time seies,Physical review letters,vol.59,no.8,pp.845-848,1987.
[10] M.C.asdagli,Nonlinear prediction of chaotictim series physical. D,vol,35,pp.335-356,1989.
[11] S.chen, y.wu,b.l luk,combined genetic algorithm for radial baisis function network,IEEE Tran.on Neural networks, vol.10,no.5,1239-1243,1999.
[12] H. leung,T.LO,S.Wang,Prediction of noisy chaotic time series using an optimal radial baisis function neural network.IEEE Tran.on Neural ,vol.12,no.5,pp.1163-1172,2001.
[13] J.R.Jang. ANFIS:adaptive network- based fuzzy infrence system ,IEEE Tran.on systems , man and cybernetics, vol.23,no.3,pp.665-685,1993.
[14] PETE JAcKSon, Introduction to Exprrt systems 2 ND Edition ADDISON,Wesley publishing co ,1990.
[15] TAkE NORI MAKINO, overview of machine translation cicc manuscript, toho university, 2-2-1 miyama, funabashi ,274, FEB,1994
[16] kEITH JEFFERY, expert data base systems , Academic press 1992.
[17] E.Bonabeau,M. Dorigo, and G. Theraulaz. Swarm intelligence: from Natural to artificial system. Oxford university press, New York ,1999.
[18] E.Bonabeau,M.Dorigo,and G. Theraulaz. Inspiration for optimization from social insect Behavior. Nature, 406:39-42,2000.
[19] Kylie Bryantm ,Genetic Algorithm and the traveling salesman problem, Hervey mudd college,2000.
[20] Dr Alex Rogers, CM2408-Symbolic Al Lecture 8-introduction to Genetic Algorithms , December, 2002.
[21] Jean-philippe,ph.D,Genetic algorithm, may 2000.
[22] Genetic Algorithm, Beasly-Bull-Martin,october2000.
