مقاله فارسی .

ارائه بیش از 25000 مقاله فارسی word

دانلود مقاله شبکه های عصبی مصنوعی

 

 

 


مقدمه

 

هوش محاسباتي يا (Computational-Intelligence) CI به معناي استخراج هوش، دانش، الگوريتم يا نگاشت از دل محاسبات عددي براساس ارائه به روز داده‌هاي عددي است. سيستم‌هايCI در اصل سيستم‌هاي ديناميكي مدل آزاد (Model-free) را براي تقريب توابع و نگاشتها ارائه مي‌كند. در كنار اين ويژگي بسيار مهم بايد از ويژگي مهم ديگري در ارتباط با خصوصيات محاسباتي سيستم‌هاي CI نام برد، كه در آن دقت، وجه‌المصالحه مقاوم بودن، منعطف‌بودن و سهولت پياده‌سازي قرار مي‌گيرد.
مولفه‌هاي مهم و اساسي CI ، شبكه‌هاي عصبي )محاسبات نوروني(، منطق فازي) محاسبات تقريبي( و الگوريتم ژنتيك) محاسبات ژنتيكي(است، كه هر يك به نوعي مغز را الگو قرار داده‌اند. شبكه‌هاي عصبي ارتباطات سيناپسي و ساختار نوروني، منطق فازي استنتاجات تقريبي و محاسبات ژنتيكي محاسبات موتاسيوني مغز را مدل مي‌كنند. ‍‍‌

 


هوش مصنوعی

 

در شبکه ارتباطی مغز انسانها سیگنالهای ارتباطی به صورت پالسهای الکتریکی هستند.جزء اصلی مغز نرون است که از یک ساختمان سلولی و مجموعه ای از شیارها و خطوط تشکیل شده و شیارها محل ورود اطلاعات به نرون هستند وخطوط محل خروج اطلاعات از نرون اند . نقطه اتصال یک نرون به نرون دیگر را سیناپس می نامند که مانند دروازه یا کلید عمل مي کنند. اگر واکنشهایی که میلیونها نرون مختلف به پالسهای متفاوت نشان میدهند با یکدیگر هماهنگ باشند ممکن است پدیده های مهمی در مغز رخ دهد.
آن دسته از پژوهشگران هوش مصنوعی که رویکرد مدل مغزی را دنبال می کنند گونه ای از مدارهای الکتریکی را طراحی کرده اند که تا حدی شبکه مغز را شبیه سازی میکند در این روش هر گره (نرون)به تنهایی یک پردازنده است ولی رایانه های معمولی حداکثر چند cpuدارند هدف عمده کامپیوتر شبکه عصبی این است که مکانیسمی طراحی کند که همانند مغز انسان بازخورد مثبت یاد بگیرد پاسخهای درست و نادرست کدامند.
سیستم شبکه عصبی این کار را از طریق ارزشگذاری کمی برای ارتباطات سیگنالها بین نرونها انجام میدهد مکانیسم ارزشگذاری توسط مقاومتها با تقویت یا تضعیف پالسها انجام میشود.چون شبکه های عصبی میلیونها نرون دارند خرابی تعدادی از آنها تاثیر چندانی برعملکرد سیستم نمی گذارد تا کنون چند سیستم آزمایشی با استفاده از این اصول طراحی و ساخته شده اند مثلاًدر بررسی های زیست محیطی، شبکه های عصبی برای جمع آوری و تحلیل اطلاعاتی که از راه دور حس شده اند مورد استفاده قرار می گیرند اطلاعاتی که اغلب سفینه ها مخابره می کنند بسیار حجیم است.شبکه های عصبی این اطلاعات را به راحتی دسته بندی کرده وپس از جمع آوری اطلاعات ذهنی و تجسمی نتایج جالبی به دست می آورند (مثلاًتشخیص انواع خاصی از ابرها) البته این فرایند با آنچه سیستم های خبره انجام می دهند متفاوت است زیرا این سیستم ها ابزارهای تصمیم سازی هستند و می توانند حجم زیادی از اطلاعات را به سرعت تحلیل کنند شبکه های عصبی برای مدل سازی فرایندهای فکری-مغزی که زمینه ی دیگری برای مطالعات حساس به اطلاعات و پیچیدگی است مورد استفاده قرار گرفته است .

 

به سوی آینده

 

هوش مصنوعی هنوز راه درازی در پیش دارد؛شبکه سازی عصبی (که با اغماض ارتباط گرایی هم نامیده می شود)در سالهای اخیر تغییرات عمده ای را شاهد بوده است .به عنوان نمونه برخی پژوهشگران پیش بینی میکنند به کمک تکنولوژی نرم افزاری جدید شبکه های عصبی با کامپیوترهای شخصی ترتیب داده خواهند شد و پیش بینی بازار سهام را ممکن خواهند کرد افرادی که درباره ی هوش مصنوعی وتوانایی های آن مرددند اظهار می دارند اگر هوش مصنوعی محقق شود ناچار است از دنیای منطقی،قانونمند ونمادین کامپیوترهای دیجیتال خارج شوند و به دنیای مبهم (حاصل از منطق فازی)شبکه های عصبی که مبتنی بر سیستم گسترده ی یاد گیری بازخوردی هستند پا بگذارد .
امروزه نگرش تازه ای نسبت به هوش مصنوعی ایجاد شده است که در بسیاری از آزمایشگاهها تحت بررسی است :دانشمندان سعی می کنند دریابند آیا مجموعه ای از روباتهای نیمه هوشمندمی توان یک هوش جمعی ایجاد کنند به گونه ای که از اعضای تشکیل دهنده اش باهوش تر باشد.

 


هوش مصنوعی (artificial intelligence) را باید عرصهٔ پهناور تلاقی و ملاقات بسیاری از دانشها، علوم، و فنون قدیم و جدید دانست. ریشه‌ها و ایده‌های اصلی آن را باید در فلسفه، زبان‌شناسی، ریاضیات، روان‌شناسی، نورولوژی، و فیزیولوژی نشان گرفت و شاخه‌ها، فروع، و کاربردهای گونه‌گونه و فراوان آن را در علوم رایانه، علوم مهندسی، علوم زیست‌شناسی و پزشکی، علوم ارتباطات و زمینه‌های بسیار دیگر.
این شاخه از علوم بسیار گسترده و متنوع است و از موضوعات و رشته‌های مختلف علوم و فناوری، مانند سازوکارهای ساده در ماشینها شروع شده، و به سیستمای خبره ختم می‌شود. هدف هوش مصنوعی بطور کلی ساخت ماشینی است که بتواند «فکر» کند. اما برای دسته بندی و تعریف ماشینهای متفکر، می‌بایست به تعریف «هوش» پرداخت. همچنین به تعاریفی برای «آگاهی» و «درک » نیز نیازمندیم و در نهایت به معیاری برای سنجش هوش یک ماشین نیازمندیم.

 

تاریخچه
نام هوش مصنوعی در سال ۱۹۶۵ میلادی به عنوان یک دانش جدید ابداع گردید. البته فعالیت درزمینه این علم از سال ۱۹۶۰ میلادی شروع شده بود
تعریف
هنوز تعریف دقیقی که مورد قبول همه دانشمندان این علم باشد برای هوش مصنوعی ارائه شده‌است.اما اکثر تعریف‌هایی که در این زمینه ارایه شده‌اند بر پایه یکی از ۴ باور زیر قرار می‌گیرند:
1. سیستم‌هایی که به طور منطقی فکر می‌کنند .
2. سیستم‌هایی که به طور منطقی عمل می‌کنند .
3. سیستم‌هایی که مانند انسان فکر می‌کنند.
4. سیستم‌هایی که مانند انسان عمل می‌کنند.

 

شاید بتوان هوش مصنوعی را این گونه توصیف کرد:«هوش مصنوعی عبارت است از مطالعه این که چگونه کامپیوترها را می‌توان وادار به کارهایی کرد که در حال حاضر انسان‌ها آنها رابهتر انجام می‌دهند»
به یاری پژوهش‌های گسترده دانشمندان علوم مرتبط، هوش مصنوعی از آغاز پیدایش تاکنون راه بسیاری پیموده‌است. در این راستا، تحقیقاتی که بر روی توانایی آموختن زبانها انجام گرفت و همچنین درک عمیق از احساسات، دانشمندان را در پیشبرد این علم، یاری کرده‌است. یکی از اهداف متخصصین، تولید ماشینهایی است که دارای احساسات بوده و دست کم نسبت به وجود خود و احساسات خود آگاه باشند. این ماشین باید توانایی تعمیم تجربیات قدیمی خود در شرایط مشابه جدید را داشته و به این ترتیب اقدام به گسترش دامنه دانش و تجربیاتش کند.
برای نمونه به رباتی هوشمند بیاندیشید که بتواند اعضای بدن خود را به حرکت درآورد، او نسبت به این حرکت خود آگاه بوده و با سعی و خطا، دامنه حرکت خود را گسترش می‌دهد، و با هر حرکت موفقیت آمیز یا اشتباه، دامنه تجربیات خود را وسعت بخشیده و سر انجام راه رفته و یا حتی می‌دود و یا به روشی برای جابجا شدن، دست می‌یابد، که سازندگانش، برای او، متصور نبوده‌اند.
هر چند مثال ما در تولید ماشینهای هوشمند، کمی آرمانی است، ولی به هیچ عنوان دور از دسترس نیست. دانشمندان، عموما برای تولید چنین ماشینهایی، از تنها مدلی که در طبیعت وجود دارد، یعنی توانایی یادگیری در موجودات زنده بخصوص انسان، بهره می‌برند.
آنها بدنبال ساخت ماشینی مقلد هستند، که بتواند با شبیه‌سازی رفتارهای میلیونها یاخته مغز انسان، همچون یک موجود متفکر به اندیشیدن بپردازد.
مباحث هوش مصنوعی پیش از بوجود آمدن علوم الکترونیک، توسط فلاسفه و ریاضی دانانی نظیر بول (Boole) که اقدام به ارائه قوانین و نظریه‌هایی در باب منطق نمودند، مطرح شده بود. در سال ۱۹۴۳، با اختراع رایانه‌های الکترونیکی، هوش مصنوعی، دانشمندان را به چالشی بزرگ فراخواند. بنظر می‌رسید، فناوری در نهایت قادر به شبیه سازی رفتارهای هوشمندانه خواهد بود.

 

با وجود مخالفت گروهی از متفکرین با هوش مصنوعی که با دیده تردید به کارآمدی آن می‌نگریستند تنها پس از چهار دهه، شاهد تولد ماشینهای شطرنج باز و دیگر سامانه‌های هوشمند در صنایع گوناگون هستیم.
هوش مصنوعی که همواره هدف نهایی دانش رایانه بوده‌است، اکنون در خدمت توسعه علوم رایانه نیز می‌باشد. زبانهای برنامه نویسی پیشرفته، که توسعه ابزارهای هوشمند را ممکن می‌سازند، پایگاههای داده‌ای پیشرفته، موتورهای جستجو، و بسیاری نرم‌افزارها و ماشینها از نتایج پژوهش‌های هوش مصنوعی بهره می‌برند.
در سال ۱۹۵۰ آلن تورینگ) َAlain (Turing، ریاضی دان انگلیسی، معیار سنجش رفتار یک ماشین هوشمند را چنین بیان داشت: «سزاوارترین معیار برای هوشمند شمردن یک ماشین، اینست که آن ماشین بتواند انسانی را( و حتی یک محقق) توسط یک پایانه (تله تایپ) به گونه‌ای بفریبد که آن فرد ( و حتی یک محقق) متقاعد گردد با یک انسان روبروست.»
در این آزمایش شخصی از طریق ۲ عدد پایانه (رایانه یا تله تایپ) که امکان برقراری ارتباط و گپ‌زنی را برای وی فراهم می‌کنند با یک انسان و یک ماشین هوشمند، بطور همزمان به پرسش و پاسخ می‌پردازد. در صورتی که وی نتواند ماشین را از انسان تشخیص دهد، آن ماشین، هوشمند است. خلاصه ابنکه مورد تحقیق قرار گیرد و محقق نتواند دریابد در آن طرف انسان قرار دارد یا کامپیوتر.
آزمایش تورینگ از قرار دادن انسان و ماشین بطور مستقیم در برابر یکدیگر اجتناب می‌کند و بدین ترتیب، چهره و فیریک انسانی مد نظر آزمایش کنندگان نمی‌باشد. ماشینی که بتواند از پس آزمون تورینگ برآید، از تفکری انسانی برخوردار است.
آزمایش تورینگ مدل سازی نحوه تفکر انسان، تنها راه تولید ماشینهای هوشمند نیست. هم اکنون دو هدف برای تولید ماشینهای هوشمند، متصور است، که تنها یکی از آن دو از الگوی انسانی جهت فکر کردن بهره می‌برد:
• سیستمی که مانند انسان فکر کند. این سیستم با مدل کردن مغز انسان و نحوه اندیشیدن انسان تولید خواهد شد و لذا از آزمون تورینگ سر بلند بیرون می‌آید. از این سیستم ممکن است اعمال انسانی سر بزند.
• سیستمی که عاقلانه فکر کند. سامانه‌ای عاقل است که بتواند کارها را درست انجام دهد. در تولید این سیستمها نحوه اندیشیدن انسان مد نظر نیست. این سیستمها متکی به قوانین و منطقی هستند که پایه تفکر آنها را تشکیل داده و آنها را قادر به استنتاج و تصمیم گیری می‌نماید. آنها با وجودی که مانند انسان نمی‌اندیشند، تصمیماتی عاقلانه گرفته و اشتباه نمی‌کنند. این ماشینها لزوما درکی از احساسات ندارند. هم اکنون از این سیستمها در تولید عامل‌ها در نرم افزارهای رایانه‌ای، بهره گیری می‌شود. عامل تنها مشاهده کرده و سپس عمل می‌کند.
Agent قادر به شناسایی الگوها، و تصمیم گیری بر اساس قوانین فکر کردن خود است. قوانین و چگونگی فکر کردن هر Agent در راستای دستیابی به هدفش، تعریف می‌شود. این سیستمها بر اساس قوانین خاص خود فکر کرده و کار خودرا به درستی انجام می‌دهند. پس عاقلانه رفتار می‌کنند، هر چند الزاما مانند انسان فکر نمی‌کنند.
با وجودی که برآورده سازی نیازهای صنایع نظامی، مهمترین عامل توسعه و رشد هوش مصنوعی بوده‌است، هم اکنون از فراورده‌های این شاخه از علوم در صنایع پزشکی، رباتیک، پیش بینی وضع هوا، نقشه‌برداری و شناسایی عوارض، تشخیص صدا، تشخیص گفتار و دست خط و بازی‌ها و نرم افزارهای رایانه‌ای استفاده می‌شود.

 

 

 

 

 


حال در اینجا برای آشنایی، مطالبی در مورد سیستم های خبره،الگوریتم ژنتیك ومنطق فازی مطرح می کنیم وسپس به بررسی شبکه های عصبی می پردازیم.

 

 

 

تاریخچه و تعاریف سیستم‌های خبره
ریشه اصلی سیستم های خبره یا سیستم های مبتنی بر دانش (KBS) به حوزه مطالعاتی به نام هوش مصنوعی (AI) برمیگردد وسیستم های خبره موجودیت خود را مدیون هوش مصنوعی هستند یکی از بزرگان هوش مصنوعی- ماروین مینسکی- آن را چنین تعریف می کند:
«هوش مصنوعی ،حوزه مطالعاتی است که سعی در ایجاد سیستم هایی دارد که به نظر افراد هوشمند هستند.»
سیستم مبتنی بردانش (knowledge base system ) شامل عملگرهایی است که مشخص می کنند چطور یک سیستم از یک وضعیت می تواند به وضعیت بعد ونهایتاً بسوی وضعیت هدف پیش رود . در این راستا برای ایجاد یک برنامه هوشمند ، آن برنامه باید با کیفیت بالا به نحوی که دانش خاص در حوزه آن مسأله ومرتبط با آن باشد طراحی گردد.
یکی از پر استفاده ترین برنامه های کاربردی هوش مصنوعی، سیستمهای خبره میباشد. یک KBIS یک پایگاه دانش را به اجزای اصلی شناخته شده در انواع دیگر سیستمهای اطلاعاتی کامپیوتری اضافه میکند. یک ES یک سیستم اطلاعاتی مبتنی بر دانش(KBIS) است که دانش خود را در یک حوزه کاربردی پیچیده و خاص بکار میبرد و به عنوان یک مشاور متخصص برای کاربر نهایی عمل میکند. سیستمهای خبره به سوالاتی در زمینه مشکلات و مسائل خاص بوسیله استنباطی نظیر استنباط انسان در حوزه دانشی که در آن متخصص است، جواب میدهد. سیستمهای خبره باید قادر باشند که فرایند استدلال و نتیجه گیری خود را برای کاربر نهایی توضیح دهند.( O`Brien, 2000 ).
زمانی که سازمان با مشکلات پیچیده مواجه است، غالبا از خبره ها برای مشاوره استفاده میکند. این خبره ها ، دانشی خاص و تجربه ای خاص در یک حوزه خاص دارند . آنها گزینه ها ، میزان شانس موفقیت، و منافع و مضار تجاری را می شناسند . سازمانها افراد خبره را برای موقعیتهای غیر ساختارمند جمع میکنند. در واقع سیستم خبره سعی دارد تا از متخصصین انسانی تقلید کند . نوعا سیستم خبره عبارت است از یک پکیج نرم افزاری برای تصمیم گیری که میتواند به سطح یک متخصص (حتی جلوتر) در حل مسایل در حوزه خاص برسد(.Turban, 2000)
سیستم خبره یک برنامه کامپیوتری مبتنی بر دانش است که تخصص انسانی را در حوزه ای محدود کسب میکند.(Lauden & Lauden,2000 ).
بعضی از تعاریف سیستم های خبره
سیستم خبره یک سیستم رایانه ای است که با استفاده از دانش،حقایق وروش های استدلالی ، مسائلی را حل می کند که نیاز به توانایی افراد خبره دارند.
یک سیستم خبره یک سیستم رایانه ای است که توانایی تصمیم گیری یک فرد خبره را «تقلید» میکند. اصطلاح تقلید یعنی انجام کارهایی که یک فرد خبره انجام میدهد واین امر با شبیه سازی اعمال یک خبره تفاوت زیادی دارد.
سیستم خبره یک برنامه هوش مصنوعی است که برای حل مسائل ومشکلات مربوط به یک حوزه خاص تهیه شده باشد.
سیستم خبره یک برنامه رایانه ای است که بااستفاده از دانش و رویه ها در حل مسائل مشکل ، همانند یک انسان متخصص وخبره عمل میکند.
تاریخچه سیستم های خبره
بعد از سال های 1950 میلادی ، محققین هوش مصنوعی سعی نمودند روش هایی برای حل مسئله بر اساس استدلال های بشر،ارائه نمایند . چنین پروژه ای در سال 1976به وسیله نوول و سایمون توسعه یافت که به عنوان الگوریتم های حل مسائل عمومی یا GPS شناخته شد.
یکی از کمبودهای راه حل مسائل عمومی این بود که اندازه مسئله بزرگ شد . بنابراین فضای جستجو به وجود آمده به طور قابل توجهی رشد کرد بنابراین تنها با ساخت برنامه هایی که کمتر عمومی هستند و تمرکز روی دانش خاص مسئله ، می توانیم این قبیل فضای جستجو را کاهش دهیم .
از این رو یک عرصه جدید برای تحقیق در سال 1970پدیدار شد و واترمن(1986)یک برنامه هوشمند به عالیترین کیفیت و دانش مشخص در دامنه مسئله ایجاد نمود که لنات و گودها بعداً در سال 1991 آن را اصل دانش نامیدند . آن ها این مسئله را به شرح زیر بیان کردند: اگر برنامه ای کار پیچیده ای را به خوبی اجرا کند،آن برنامه می بایست راجع به محیطی که در آن عمل می کند ، دانسته هایی داشته باشد . نبود دانش،همه آنچه که مشخص می شود بر اساس جستجو و استدلال است که کافی نیست. از زمانیکه اولین محصول پایگاه دانش پدیدار شد ، یک شاخص در محدوده های زندگی واقعی به حساب می آمد . مانند تشخیص بیماری های عفونی و یا پیشگویی ذخایر معدنی در مناطق جغرافیایی مختلف دنیا ، این تاریخچه ای از آزمایش بر روی مسائل زندگی واقعی بود تا بفهمیم که آیا تصورات با سعی و تلاش قابل دسترس هستند یا خیر؟
سیستم DENDRAL اولین سیستم در این دسته بود که ساخته شد . کار روی این سیستم در سال 1965 میلادی با مدیریت ادوارد فیگن باوم شروع شد.این سیستم به این دلیل به کار گرفته شد تا ساختارهای شیمیایی ذرات ناشناخته را معین کند.این سیستم ها برای حل مسائلی به کار برده شدند که نیاز به سرویس دهی یک خبره داشتند بنابراین به عنوان سیستم های خبره شناخته شدند.همچنین این سیستم ها به عنوان سیستم های مبتنی بر دانش یا سیستم های دانش، شناخته می شوند.

 

 

 

 

 

 

 

 

 

الگوريتم ژنتيك
همانطور كه میدانید، یكی از زیر شاخه‌های Soft computing، الگوریتم ژنتیك (GA) است كه تكامل طبیعی موجودات را الگو قرار می‌دهد. Genetic algorithm مانند دیگر شاخه‌های Soft computing ریشه در طبیعت دارد. این روش تقلیدی از فرایند تكامل با استفاده از الگوریتم‌های كامپیوتری است. اساسی‌ترین اصل تكامل، وراثت است. هر نسل، خصوصیات نسل قبلی را به ارث می‌برد و به نسل بعد انتقال می‌دهد. این انتقال خصوصیات از نسلی به نسل بعد توسط ژنها صورت می‌گیرد. درطبیعت، فرایند تكامل زمانی اتفاق می‌افتد كه شرایط زیر موجود باشد:
An entity has the ability to reproduce 1.
There is a population of such self- reprodcing entities 2.
3.There is some variety among Self-reproducing entities

 

جهانی كه در آن زندگی می‌كنیم دائماً در حال تغییر است. برای بقا در این سیستم پویا، افراد باید توانایی داشته باشند كه خود را با محیط، سازگار كنند. Fitness یا سازگاری یك موجود زنده به عنوان درجه‌ی سازگاری آن با محیط تعریف می‌شود.
Fitness یك موجود تعیین می‌كند كه آن موجود چه مقدار زنده خواهد ماند و چقدر شانس دارد تا ژن‌های خود را به نسل بعد انتقال دهد. در تكامل بیولوژیكی، فقط برنده‌ها هستند كه می‌توانند در فرایند تكامل شركت كنند. خصوصیات هرموجود زنده، در ژن‌هایش، كدگذاری شده است و طی فرایند وراثت، این ژن‌ها به فرزندان (یا همان offspring) منتقل می‌شوند. یك مثال جالب در نظریه‌ی تكامل، تكامل تدریجی زرافه‌ها در طول تاریخ می‌باشد. میلیونها سال پیش، زرافه‌های ابتدایی قد نسبتاً كوتاهی داشتند؛ همانطور كه می‌دانیم غذای زرافه‌ها برگ درختان است. زرافه‌هایی كه قد كوتاهتری داشتند غذای كمتری بدست می‌آورند. از این رو به مرور توانایی بقا و تولید مثل خود را از دست دادند و نتوانستند ژنهای خود را به نسل‌های بعدی منتقل كنند. در عوض زرافه‌های بلندتر، بقا یافتند و توانستند ژنهای خود را در طول فرایند تولید مثل به نسل‌های بعد منتقل كنند. بنابراین زرافه‌های هر نسل، از نسل قبل بلندتر شدند. با تقلید از فرایند تكامل طبیعی با استفاده از الگوریتم‌های كامپیوتری، محققین توانستند از توانایی بالای فرایند تكامل در حل مسائل، الگو برداری كنند. بهترین این روشها، ژنتیك الگوریتم (Genetic Algorithm) است.
الگوریتم ژنتیك، روشی برای حل مسائل بهینه‌سازی است. الگوریتم ژنتیك (GA) ابتدا یك جمعیت اولیه از جوابها را به صورت تصادفی در نظر می‌گیرد و مرتباً جمعیت جوابها را اصلاح می‌كند و در هر مرحله‌ ما جوابهای بهتری نسبت به مرحله‌ی قبل داریم. با گذشت نسل‌های متمادی، جمعیت جوابها به سمت یك جواب بهینه میل می‌كند.

 

Genetic Algorithm در حالت كلی از ساختار زیر پیروی می‌كند:
1ـ یك جمیعت اولیه (یا همان initial population) از جوابها به صورت تصادفی (random) انتخاب می‌شوند.
2ـ برای هریك از جوابها، یك تابع سازگاری (Fitness function) تعریف می‌شود.
3ـ نسل بعدی از جوابها با روش‌های خاص پدید می‌آید كه این روش‌ها را در ادامه توضیح می‌دهیم. تا زمانی كه جواب‌ها، به یك جواب بهینه همگرا نشود این پروسه ادامه پیدا می‌كند.

 

حالا با یك مثال با روش كار Genetie Algorithm بیشتر آشنا می‌شویم. فرض كنید می‌خواهیم مینیمم تابع زیر را دربازه‌ی زیر بدست آوریم.

 



این تابع مینیمم‌های محلی زیادی دارد ولی با این حال فقط یك مینیمم مطلق دارد كه در نقطه‌ی [0,0] قرار دارد. همانطور كه مشاهده می‌كنیم مقدار تابع در این نقطه صفر است. هر چه مینیمم محلی از مركز دورتر باشد مقدار تابع در آنجا بیشتر است.

برای حل این مسئله توسط Genetic Algorithm ابتدا ما باید یك جمعیت اولیه (Initial population) را تهیه كنیم. معمولترین روش برای تهیه این جمعیت اولیه روش random است. مثلاً در این مثال 20 زوج مرتب x2,x1 را به صورت تصادفی در فضای جستجو انتخاب می‌كنیم. كه این نقاط در واقع جمعیت اولیه را تشكیل می‌دهند.

به نمایش هر یك از جواب‌های مسئله كروموزوم (Chromosome) می‌گویند. هر كروموزوم یك نقطه را در فضای جستجو نشان می‌دهد. برای مثال مینیمم، می‌توان هر كروموزوم را به صورت زیر نشان داد. در این مثال هر كروموزوم به دو قسمت تقسیم شده است كه قسمت اول مربوط به متغیر x1 و قسمت دوم مربوط به متغیر x2 می‌باشد. برای استفاده‌ی كامپیوتری باید هر یك از متغیرهای x2,x1 را به صورت binary نشان دهیم. كه در شكل برای هر كدام یك array8 بیتی در نظر گرفته شده است. به هر یك از این بیت‌ها، ژن گویند.
X2 X1

تابع سازگاری(FitnessFunction)
Fitness Function معیاری است برای درجه‌ی سازگاری یك كروموزم. یعنی هر چه درجه‌ی سازگاری یك كروموزوم بهتر باشد، آن كروموزوم شانس بیشتری برای بقا و تولید مثل دارد. در این مثال ساده Fitness Function خود تابع است و هر چه مقدار آن برای یك كروموزوم كمتر باشد، آن كروموزوم شانس بیشتری برای بقا و تولید مثل دارد. پس از اینكه Fitness هر كروموزوم مشخص شده، باید تعدادی از جواب‌ها را به عنوان والدین (parents) برای تولید نسل بعد انتخاب كرد. این انتخاب با روش‌های مختلفی انجام می‌شود. یكی ازمعمولترین روش‌ها آن است كه در آن، شانس انتخاب شدن هر كروموزوم به عنوان parent متناسب است با درجه‌ی Fitness آن كروموزوم. یعنی كروموزوم‌هایی كه Fitness بهتری دارند به همان نسبت شانس بیشتری برای انتخاب شدن به عنوان parent دارند. پس ازآنکه parentها انتخاب شدند با اپراتورهای زیر نسل بعدی ایجاد می‌شوند.
1) Elitism(نخبه‌گزینی): بهترین‌های هر نسل با توجه به درجه Fitnessشان مستقیماً به نسل بعدی منتقل می‌شوند. این كار برای آن است كه مطمئن باشیم بهترین جواب ما در نسل بعدی نسبت به نسل قبل بدتر نشود.
2)Corss-over: هدف از Cross-over تولید فرزندان (Offspring) از دو parent است در طی این فرایند بعضی از ژن‌های دو parent با هم عوض می‌شوند. تضمینی نیست كه درجه‌ی Fitness فرزندان بهتر از والدین باشد. در واقع هدف از Cross-over فقط تغییر دادن جوابها و حركت در فضای جستجو است.
بعضی از نمونه‌های مختلف Cross-over را در شكل بالا مشاهده می‌كنید.
Mutation(جهش ژنتیكی)
در mutation بعضی از ژن‌های یك كروموزوم عوض می‌شود. در واقع با این كار گوناگونی ژنتیكی یك جمعیت افزایش پیدا می‌كند و از همگرایی به جواب‌های نادرست جلوگیری می‌شود. Mutation معمولاً در كروموزوم‌هایی اتفاق می‌افتد كه درجه Fitness خوبی ندارند. چون اگر در جواب‌های خوب اتفاق بیافتد ممكن است درجه‌ی Fitness آنها را كاهش دهد. بعضی از نمونه‌های مختلف mutation را در شكل می‌بینید.

به همین صورت نسل‌‌های بعدی با استفاده از اپراتورهای Mutation, Cross-over ,Elitism از نسل قبل ایجاد می‌شود و در نهایت جواب ما به یك جواب بهینه میل می‌كند.
Genetic Algorithm كاربردهای زیادی درمهندسی نفت و بخصوص در حل مسائل بهینه‌سازی دارد. كه یك مثال ساده را بررسی می‌كنیم.
این میدان نفتی را در نظر بگیرید. فرض كنید 5 تا چاه داریم كه با دایره‌های سیاه مشخص شده‌اند. نقاط x1تا x5 نشان دهنده‌ی مكان‌های منتخب برای water injection می‌باشند.

مسئله‌ی بهینه‌سازی كه در اینجا مطرح است این است كه injection rate در هر یك از نقاط x1 تا x5 چقدر باشد تا در نهایت ماكزیمم تولید از كل میدان را داشته باشیم. به مقدار تولید كل میدان NPV (یا Net present value) نیز گویند. برای هر یك از چاههای تزریقی، (یعنی نقاط x1 تا x5) می‌توانیم rateای بین 0 تا یك مقدار ماكزیمم (مثلاً Day/bbl 20000) در نظر بگیریم. در این صورت متغیرها روی یك فضای پیوسته تعریف می‌شوند كه می‌توان مسئله را با روشها Classical optimization حل نمود. ولی اگر چاهها، حالت تزریق یا عدم تزریق داشته باشند یا آنكه فقط بتوان با چند rate مشخص تزریق كرد؛ مثلاً (0, 5000, 10000, 15000, 20000 Day/bbl) در اینصورت متغیرها روی یك فضای گسته قرار می‌گیرند. این فضای گسسته نه تنها مسئله را ساده نمی‌كند بلكه بر عكس كاملاً مسئله را پیچیده می‌كند. زیرا نمی‌توان آن را با روشهای مؤثر Classical Optimization حل نمود. از ریاضیات گسسته به یاد داریم كه برای مسئله‌ی تزریق با عدم تزریق 5 چاه تعداد كل تعداد حالات ممكن 25 حالت است. در این Case تعداد حالات، محدود است و می‌توان مسئله را به سادگی با محاسبه‌ی N.P.V درتمام حالات ممكن حل نمود. ولی این حالت را در نظر بگیرید. فرض كنید 25 نقطه دارای پتانسیل انتخاب شدن برای تزریق وجود دارد و ما حداكثر می‌توانیم 4 تا از این نقاط را به عنوان چاه تزریقی انتخاب كنیم. در این حالت، باید 15276 حالت را بررسی كنیم. و اگر تعداد ماكزیمم چاههایی را كه می‌توانیم برای تزریق انتخاب كنیم، از 4 به 6 افزایش دهیم، تعداد حالات موجود به 245506 حالت می‌رسد. حتی در این حالت هم با روش‌های مدرن محاسباتی می‌توان مسئله را حل كرد. البته به شرطی كه برای هر یك از حالات، بتوان NPV را به راحتی بدست آورد. اما در عمل برای بدست آوردن NPV باید از 3D-Simulator ها استفاده كنیم كه بسیار زمان براست.
پس به كارگیری روشهای جدیدتر مانند Genetic Algorithm امری ضروری به نظر می‌رسد. حالا یك حالت ساده از مثال قبل را در نظر بگیرید. فرض كنید دو نقطه برای injection داریم كه هر یك از این نقاط می‌تواند با 20 rate مختلف تزریق شود. (,3000,2000,1000,0 ... تا 20000 Day/bbl)

 

در این شكل مقدار NPV را به ازای rateهای مختلف تزریق در نقاط 1و 2 می‌بینیم. ارتفاع هر نقطه روی صفحه، از صفحه‌ی x1-x2 میزان NPV میدان را نشان می‌دهد. توجه كنید كه افزایش rateهای چاههای 1و 2 اثر بسیار پیچیده و غیر قابل پیش‌بینی روی NPV دارند. این سطح Multimodal است، یعنی برآمدگی‌ها یا Peakهای زیادی دارد. مثلاً Peak B, Peak A
كه البته همانطور كه می‌بینید Peak A جواب بهینه‌ی مسئله است زیرا مقدار NPV در این نقطه ماكزیمم است.
هیچ روش بهینه‌سازی وجود ندارد كه تضمین كند Peak A به عنوان جواب مسئله یافته شود. بجز آنكه تمام حالات مختلف بررسی شود كه عملاً همانطور كه گفتیم امكان‌پذیر نیست. روش بسیار قدرتمندی كه در این گونه مسائل موفقیت زیادی را كسب كرده، الگوریتم ژنتیك است. Genetic Algorithm با انتخاب N نقطه برای جستجو روی این سطح، شروع به كار می‌كند. كه هر نقطه به صورت مؤثری در محدوده خود، عملیات جستجو را انجام می‌دهد.
می‌توانیم این جمعیت از نقاط را به صورت براده‌های آهن در نظر بگیریم كه روی یك صفحه پخش شده‌اند. Peakهای روی سطح مانند آهنربا عمل می‌كنند. هر چه ارتفاع Peak بیشتر باشد، قدرت جذب آن بیشتر است. در طول فرایند جستجو، هر یك از براده‌ها به نزدیكترین Peak، كه آن را جذب می‌كند، جذب می‌شود. اگر تعدادی Peak با قدرت جذب یكسان داشته باشیم، حداقل چند تا از براده‌ها به سمت هر Peak جذب می‌شوند. اما اگر یكی از Peak ها به نسبت بقیه، قدرت جذب بسیار بیشتری داشته باشد، (مثلاً در اینجا Peak A) تمام نقاط را به سمت خود جذب می‌كند و جواب بهینه برای مسئله بدست می‌آید.

 

 

 

 

 

 

 


مقدمه ای بر سیستم های فازی وکنترل فازی
چرا سيستم‌هاي فازي

 

واژه «فازي» در فرهنگ لغت آكسفورد بصورت «مبهم، گنگ، نادقيق، گيچ، مغشوش، درهم و نامشخص» تعريف شده است. که در اینجا از همان واژه «فازي» استفاده مي‌كنيم. سيستم‌هاي فازي، سيستم‌هايي هستند با تعريف دقيق و كنترل فازي نيز نوع خاصي از كنترل غيرخطي مي‌باشد كه آن هم دقيقاً تعريف مي‌گردد. اين مطلب مشابه كنترل و سيستم‌هاي خطي مي‌باشد كه واژه خطي يك صفت فني بوده كه حالت و وضعيت سيستم و كنترل را مشخص مي‌كند. چنين چيزي در مورد واژه فازي نيز وجود دارد. اساساً گرچه سيستم‌هاي فازي پديده‌هاي غيرقطعي و نامشخص را توصيف مي‌كنند، با اين حال خود تئوري فازي يك تئوري دقيق مي‌باشد. در اين متن، دو نوع توجيه براي تئوري سيستم‌هاي فازي وجود دارد:
1)دنياي واقعي ما بسيار پيچيده‌تر از آن است كه بتوان يك توصيف و تعريف دقيق براي آن بدست آورد، بنابراين بايد يك توصيف تقريبي يا همان فازي كه قابل قبول و قابل تجزيه و تحليل باشد، براي يك مدل معرفي شود.

 

2)با حركت ما بسوي عصر اطلاعات، دانش و معرفت بشري بسيار اهميت پيدا مي‌كند. بنابراين ما به فرضيه‌اي نياز داريم كه بتواند دانش بشري را به شكلي سيستماتيك فرموله كرده و آن را به همراه ساير مدلهاي رياضي در سيستم‌هاي مهندسي قرار دهد.

 

توجيه اول گرچه درست است، با اين حال طبيعت واحدي را براي تئوري سيستم‌هاي فازي مشخص نمي‌كند. در حقيقت تمامي نظريه‌هاي علوم مهندسي، دنياي واقعي را به شكلي تقريبي، توصيف مي‌كنند. بعنوان مثال در عالم واقعي تمامي سيستم‌ها بصورت غيرخطي مي‌باشند ولي تقريباً تمامي مطالعات و بررسي‌ها بر روي سيستم‌هاي خطي مي‌باشد. يك تئوري مهندسي خوب از يكسو بايد بتواند مشخصه‌هاي اصلي و كليدي دنياي واقعي را توصيف كرده و از سويي ديگر قابل تجزيه تحليل رياضي باشد. بنابراين از اين جنبه، تئوري فازي تفاوتي با ساير تئوري‌هاي علوم مهندسي ندارد.
توجيه دوم مشخصه واحدي از سيستم‌هاي فازي را توصيف كرده و وجود تئوري سيستم‌هاي فازي را به عنوان يك شاخه مستقل در علوم مهندسي توجيه مي‌كند. بعنوان يك قاعده كلي يك تئوري مهندسي خوب بايد قادر باشد از تمامي اطلاعات موجود به نحو موثري استفاده كند.
در سيستم‌هاي عملي اطلاعات مهم از دو منبع سرچشمه مي‌گيرند. يكي از منابع افراد خبره مي‌باشند كه دانش و آگاهيشان را در مورد سيستم‌هاي با زبان طبيعي تعريف مي‌كنند. منبع ديگر اندازه‌گيري‌ها و مدل‌هاي رياضي هستند كه از قواعد فيزيكي مشتق شده‌اند. بنابراين يك مسئله مهم تركيب اين دو نوع اطلاعات در طراحي سيستم‌ها است. براي انجام اين تركيب سوال كليدي اين است كه چگونه مي‌توان دانش بشري را در چهارچوبي مشابه مدلهاي رياضي فرموله كرد. به عبارت ديگر سوال اساسي اين است كه چگونه مي‌توان دانش بشري را به يك فرمول رياضي تبديل كرد. اساساً آنچه كه يك سيستم فازي انجام مي‌دهد، همين تبديل است. براي اينكه بدانيم اين تبديل چگونه صورت مي‌گيرد، ابتدا بايد بدانيم سيستم‌هاي فازي، چگونه سيستم‌هايي هستند.
سيستم‌هاي فازي چگونه سيستم‌هايي هستند؟

 

سيستم‌هاي فازي، سـستم‌هاي مبتني بر دانش يا قواعد مي‌باشند. قلب يك سيستم فازي يك پايگاه دانش بوده كه از قواعد اگر ـ آنگاه فازي تشكيل شده است. يك قاعده اگر‌ـ آنگاه فازي يك عبارت اگر ـ آنگاه بوده كه بعضي كلمات آن بوسيله توابع تعلق پيوسته مشخص شده‌اند.يك سيستم فازي از مجموعه‌اي از قواعد اگرـ آنگاه فازي ساخته مي شود.
بطور خلاصه، نقطه شروع ساخت يك سيستم فازي بدست آوردن مجموعه‌اي از قواعد اگرـ آنگاه فازي از دانش افراد خبره يا دانش حوزه مورد بررسي مي‌باشد. مرحله بعدي تركيب اين قواعد در يك سيستم واحد است. سيستم‌هاي فازي مختلف از اصول و روشهاي متفاوتي براي تركيب اين قواعد استفاده مي‌كنند.
بنابراين سوال اساسي اين است، چه نوع سيستم‌هاي فازي معمولاً استفاده مي‌شود؟
در كتب و مقالات معمولاً از سه نوع سيستم فازي صحبت به ميان مي‌آيد:
1ـ سيستم‌هاي فازي خالص،
2ـ سيستم‌هاي فازي تاكاگي‌ـ‌سوگنو و كانگ (TSK)
3ـ سيستم‌هاي با فازي‌ساز و غيرفازي‌ساز
سيستم‌هاي فازي كجا و چگونه استفاده مي‌شوند؟

 

سيستم‌هاي فازي امروزه در طيف وسيعي از علوم و فنون كاربرد پيدا كرده‌اند، از كنترل، پردازش سيگنال، ارتباطات، ساخت مدارهاي مجتمع و سيستم‌هاي خبره گرفته تا بازرگاي، پزشكي، دانش اجتماعي و... با اين حال بعنوان يكي از مهمترين كاربردهاي آن حل مسائل و مشكلات كنترل را مي‌توان بيان كرد. بنابراين، خود را بر روي تعدادي از مسائل كنترل كه سيستم‌هاي فازي نقش عمده‌اي را در آن بازي مي‌كنند، متمركز مي‌نماييم. سيستم‌هاي فازي را مي‌توان بعنوان كنترل‌كننده حلقه باز و كنترل كننده حلقه بسته مورد استفاده قرار داد. هنگامي كه بعنوان كنترل‌كننده حلقه باز استفاده مي‌شود، سيستم‌فازي معمولاً بعضي پارامترهاي كنترل را معين كرده و آنگاه سيستم‌مطابق با اين پارامترهاي كنترل كار مي‌كند. بسياري از كاربردهاي سيستم فازي در الكترونيك به اين دسته تعلق دارند. هنگامي كه سيستم فازي بعنوان يك كنترل‌كننده حلقه بسته استفاده مي‌شود، در اين حالت خروجي‌هاي فرايند را اندازه‌گيري كرده و بطور همزمان عمليات كنترل را انجام مي‌دهد. كاربردهاي سيستم‌فازي در فرايندهاي صنعتي به اين دسته تعلق دارند.

 

زمينه‌هاي تحقيق عمده در تئوري فازي

 

منظور ما از تئوري فازي، تمام تئوري‌هايي است كه از مفاهيم اساسي مجموعه‌هاي فازي يا توابع تعلق استفاده مي‌كنند. تئوري فازي را به پنج شاخه عمده مي‌توان تقسيم كرد.
1ـ رياضيات فازي، كه در آن مفاهيم رياضيات كلاسيك با جايگزيني مجموعه‌هاي فازي يا كلاسيك توسعه پيدا كرده است.
2ـ منطق فازي و هوش مصنوعي، كه در آن منطق كلاسيك تقريب‌هايي يافته و سيستم‌هاي خبره براساس اطلاعات و استنتاج تقريبي توسعه پيدا كرده است.
3ـ سيستم‌هاي فازي كه شامل كنترل فازي و راه‌حل‌هايي در زمينه پردازش سيگنال و مخابرات مي‌باشند.
4ـ عدم قطعيت و اطلاعات، كه انواع ديگري از عدم قطعيت را مورد تجزيه و تحليل قرار مي دهد
5ـ تصميم‌گيري‌هاي فازي كه مسائل بهينه‌سازي را با محدوديت‌هاي ملايم در نظر مي‌گيرد.
البته اين پنج شاخه مستقل از يكديگر نبوده و به شدت به هم ارتباط دارند.
بعنوان مثال كنترل فازي از مفاهيم رياضيات فازي و منطق فازي استفاده مي‌كند.
از نقطه نظر عملي، عمده كاربردهاي تئوري فازي بر روي كنترل فازي متمركز شده است. گرچه سيستم‌هاي خبره فازي نيز در زمينه تشخيص پزشكي وجود دارند. بدليل اينكه تئوري فازي هنوز چه از نظر تئوري و چه از نظر كاربرد در ابتداي راه بسر مي‌برد، انتظار داريم كاربردهاي عملي بسياري در آينده پيدا كند. تئوري فازي زمينه گسترده‌اي داشته كه موضوعات تحقيق زيادي را در اختيار ما قرار مي‌دهد.
تاريخچه مختصري از تئوري و كاربردهاي فازي
دهه 1960: آغاز تئوري فازي

 

تئوري فازي بوسيله پروفسور لطفي‌زاده در سال 1965 در مقاله‌اي به نام
«مجموعه‌هاي فازي» معرفي گرديد. قبل از كار بر روي تئوري فازي لطفي‌زاده يك شخص برجسته در تئوري كنترل بود. او مفهوم حالت كه اساس تئوري كنترل مدرن را شكل مي‌دهد، توسعه داد. در اوايل دهه 60 او فكر كرد كه تئوري كنترل كلاسيك پيش از حد بر روي دقت تاكيد داشته و از اين رو با سيستم‌هاي پيچيده نمي‌تواند كار كند. در سال 1962 چيزي را بدين مضمون براي سيستم‌هاي بيولوژيك نوشت : «ما اساساًَ به نوع جديدي رياضيات نيازمنديم، رياضيات مقادير مبهم يا فازي كه توسط توزيع‌هاي احتمالات قابل توصيف نيستند». پس از آن وي ايده‌اش را در مقاله «مجموعه‌هاي فازي» تجسم بخشيد. با پيدايش تئوري فازي، بحث و جدل‌ها پيرامون آن نيز آغاز گرديد. بعضي‌ها آن را تائيد كرده و كار روي اين زمينه جديد را شروع كردند و برخي ديگر نيز اين ايراد را وارد مي‌كردند كه اين ايده برخلاف اصول علمي موجود مي‌باشد. با اين حال بزرگترين چالش از ناحيه رياضيداناني بود كه معتقد بودند تئوري احتمالات براي حل مسائلي كه تئوري فازي ادعاي حل بهتر آن را دارد، كفايت مي‌كند. بدليل اينكه كاربردهاي علمي تئوري فازي در ابتداي پيدايش آن مشخص نبود، تفهيم آن از جهت فلسفي كار مشكلي بود و تقريباً هيچيك از مراكز تحقيقاتي تئوري فازي را بعنوان يك زمينه تحقيق جدي نگرفتند.
با وجودي كه تئوري فازي جايگاه واقعي خود را پيدا نكرد، با اين حال هنوز محققيني بودند كه در گوشه و كنار دنيا، خود را وقف اين زمينه جديد نمودند و در اواخر دهه 1960 روشهاي جديد فازي نظير الگوريتم‌هاي فازي، تصميم‌گيري‌هاي فازي و... مطرح گرديد.

 

دهه 1970: تئوري فازي رشد پيداكرد و كاربردهاي عملي ظاهر گرديد

 

اگر بگوييم پذيرفته شدن تئوري فازي بعنوان يك زمينه مستقل بواسطه كارهاي برجسته پروفسور لطفي‌زاده بوده، سخن به گزاف نگفته‌ايم. بسياري از مفاهيم بنيادي تئوري فازي بوسيله زاده در اواخر دهه 60 و اوايل دهه 70 مطرح گرديد. پس از معرفي مجموعه‌اي فازي در سال 1965، او مفاهيم الگوريتم‌هاي فازي در سال 1968، تصميم‌گيري‌فازي در سال 1970، و ترتيب فازي را در سال 1971 مطرح نمود. در سال 1973 او مقاله ديگري را منتشر كرد به نام«طرح يك راه‌حل جديد براي تجزيه و تحليل سيستم‌هاي پيچيده و فرايندهاي تصميم‌گيري». اين مقاله اساس كنترل فازي را بنا كرد. او دراين مقاله مفهوم متغيرهاي زباني و استفاده از قواعد اگرـ آنگاه را براي فرموله كردن دانش بشري معرفي نمود.

 

رخداد بزرگ در دهه 1970، تولد كنترل‌كننده‌هاي فازي براي سيستم‌هاي واقعي بود. در سال 1975، ممداني و آسيليان چهارچوب اوليه‌اي را براي كنترل‌كننده فازي مشخص كردند و كنترل‌كننده فازي را به يك موتور بخار اعمال نمودند. نتايج در مقاله‌اي تحت عنوان «آزمايش در سنتز زباني با استفاده از يك كنترل كننده فازي »منتشر گرديد. آنها دريافتند كه ساخت كنترل‌كننده فازي بسيار ساده بوده و به خوبي نيز كار مي كند.در سال 1978 هولمبلاد و اوسترگارد اولين كنترل‌كننده فازي را براي كنترل‌يك فرآيند صنعتي كامل بكار بردند، كنترل فازي كوره سيمان.

 

در مجموع، پايه‌گذاري تئوري فازي در دهه 1970 صورت گرفت. با معرفي مفاهيم جديد، تصوير تئوري فازي بعنوان يك زمينه جديد، هر چه بيشتر شفاف گرديد. كاربردهاي اوليه‌اي نظير كنترل موتور بخار و كنترل كوره سيمان نيز تئوري فازي را بعنوان يك زمينه جديد مطرح كرد. معمولاً زمينه‌هاي تحقيق جديد بايد بوسيله مراكز تحقيقاتي و دانشگاهها حمايت گردد. اين امر متاسفانه در مورد تئوري فازي اتفاق نيفتاد. ضمن اينكه بسياري از محققين، زمينه كاري خود را بدليل عدم پشتيباني تغيير دادند. اين مطالب بويژه در ايالات متحده واقعيت داشت.

 

 

 

دهه 1980: كاربردهاي بزرگ

 

در اوايل دهه 1980 اين زمينه از نقطه نظر تئوريك پيشرفت كندي داشت. دراين مدت راه‌حل‌ها و مفاهيم جديد اندكي معرفي گرديد، چرا كه هنوز افراد كمي داشتند روي آن كار مي‌كردند. در واقع كاربردهاي كنترل فازي بود كه هنوز تئوري فازي را سرپا نگاه داشته بود.
مهندسان ژاپني (باحساسيتي كه نسبت به فناوري‌هاي جديد دارند) به سرعت دريافتند كه كنترل‌كننده‌هاي فازي بسهولت قابل طراحي بوده و در مورد بسياري مسائل مي‌توان از آنها استفاده كرد. بدليل اينكه كنترل فازي به يك مدل رياضي نياز ندارد، آن را مي‌توان در مورد خيلي از سيستم‌هايي كه بوسيله تئوري كنترل متعارف قابل پياده‌سازي نيستند، بكار برد. در سال 1980 سوگنو شروع به ساخت اولين كاربرد ژاپني فازي نمود، (كنترل سيستم تصفيه آب فوجي) در سال 1983 او مشغول كار بر روي يك ربات فازي شد. ماشيني كه از راه دور كنترل شده و خودش به تنهايي عمل پارك را انجام مي‌داد. در اين سالها ياشانوبو و مياموتو از شركت هيتاچي كار روي سيستم كنترل قطار زيرزميني سندايي را آغاز كردند. بالاخره در سال 1987 پروژه به ثمر نشست. و يكي از پيشرفته‌ترين سيستم‌هاي قطار زيرزميني را در جهان بوجود آورد. در جولاي 1987، دومين كنفرانس سيستم‌هاي فازي در توكيو برگزار گرديد. اين كنفرانس درست سه روز پس از افتتاح قطار زيرزميني سندايي آغاز بكار كرد. در اين كنفرانس هيروتا يك روبات فلزي را به نمايش گذارد كه پينگ‌پنگ بازي مي‌كرد، ياماكاوا نيز سيستم فازي‌اي را نشان داد كه يك پاندول معكوس را در حالت تعادل قرار مي‌داد. قبل از اين رويدادها، تئوري فازي چندان در ژاپن شناخته شده نبود ولي پس از آن موجي از توجه مهندسان، دولتمردان و تجار را فرا گرفت به نحوي كه دراوايل دهه 90 تعداد زيادي از لوازم و وسايلي كه براساس تئوري فازي كار مي‌كردند، در فروشگاهها به چشم مي‌خورد.

 

 

 

 

 

 

 

 

 

دهه 1990: چالشها كماكان باقي است

 

موفقيت سيستم‌هاي فازي در ژاپن، تعجب محققان را در آمريكا و اروپا برانگيخت. عده‌اي هنوز به آن خرده مي‌گرفتند. ولي عده‌اي ديگر از عقيده خود دست برداشته و بعنوان موضوع جدي در دستور كار خود قرار دادند. در فوريه 1992 اولين كنفرانس بين‌المللي IEEE در زمينه سيستم‌هاي فازي در سان‌ديه‌گو برگزار گرديد. اين يك اقدام سمبليك در مورد پذيرفتن سيست

اشتراک بگذارید:


پرداخت اینترنتی - دانلود سریع - اطمینان از خرید

پرداخت هزینه و دریافت فایل

مبلغ قابل پرداخت 12,700 تومان

درصورتیکه برای خرید اینترنتی نیاز به راهنمایی دارید اینجا کلیک کنید


فایل هایی که پس از پرداخت می توانید دانلود کنید

نام فایلحجم فایل
3216B163_489985_5923.zip1.2 MB