در این مقاله به ابزارهای محاسباتی مورد استفاده در هوش مصنوعی پرداخته شده است.
بسیاری از مشکلات در هوش مصنوعی می توانند از نظر تئوری با جستجوی هوشمندانه در میان بسیاری از راه حل های ممکن حل شوند:[ ۱] استدلال را می توان به انجام یک جستجو کاهش داد. به عنوان مثال، اثبات منطقی را می توان جستجوی مسیری دانست که از مقدمات به نتیجه می رسد، که هر مرحله، استفاده از یک قانون استنتاج است. [ ۲] الگوریتم های برنامه ریزی در درختان اهداف و اهداف فرعی جستجو کرده، تلاش می کنند برای یافتن راهی برای رسیدن به یک هدف، که فرایندی به نام تجزیه و تحلیل معنی و هدف است. [ ۳] الگوریتم های رباتیک برای حرکت دادن اندام ها و گرفتن اشیا از جستجوهای محلی در فضای پیکربندی استفاده می کنند. [ ۴] بسیاری از الگوریتم های یادگیری از الگوریتم های جستجو مبتنی بر بهینه سازی استفاده می کنند.
جستجوی ساده و کامل[ ۵] به ندرت برای بیشتر مشکلات دنیای واقعی کافی است: فضای جستجو ( تعداد مکان های جستجو ) به سرعت به اعداد نجومی می رسد. نتیجه جستجویی بسیار کند است یا هرگز کامل نمی شود. راه حل، برای بسیاری از مشکلات، استفاده از " اکتشافی " است که انتخاب ها را به نفع افرادی که احتمال بیشتری برای رسیدن به هدف دارند اولویت بندی می کند و این کار را در چند مرحله کوتاه تر انجام می دهد. در برخی از روشهای جستجو، روشهای اکتشافی همچنین می توانند به طور کامل برخی از گزینه هایی را که بعید است به یک هدف منجر شوند از بین ببرند ( که " هرس درخت جستجو " نامیده می شود ) . روشهای ابتکاری "بهترین حدس" را برای مسیری که راه حل در آن نهفته است، ارائه می دهند. [ ۶] روشهای اکتشافی جستجو برای راه حل ها را به اندازه نمونه کوچکتر محدود می کند. [ ۷]
نوع مختلفی از جستجو در دهه ۱۹۹۰، بر اساس تئوری ریاضیات بهینه سازی، مورد توجه قرار گرفت. برای بسیاری از مشکلات، می توان جستجو را با نوعی حدس آغاز کرد و سپس حدس را به تدریج اصلاح کرد تا جایی که دیگر اصلاحاتی نتواند انجام شود. این الگوریتم ها را می توان به صورت کوهنوردی کور از تپه مشاهده کرد: ما جستجو را در یک نقطه تصادفی از چشم انداز آغاز می کنیم، و سپس، با پرش یا گام، حدس خود را در سربالایی حرکت می دهیم، تا اینکه به قله برسیم. سایر الگوریتم های بهینه سازی شبیه سازی بازپخت، جستجوی پرتو و بهینه سازی تصادفی هستند. [ ۸]
این نوشته برگرفته از سایت ویکی پدیا می باشد، اگر نادرست یا توهین آمیز است، لطفا گزارش دهید: گزارش تخلفبسیاری از مشکلات در هوش مصنوعی می توانند از نظر تئوری با جستجوی هوشمندانه در میان بسیاری از راه حل های ممکن حل شوند:[ ۱] استدلال را می توان به انجام یک جستجو کاهش داد. به عنوان مثال، اثبات منطقی را می توان جستجوی مسیری دانست که از مقدمات به نتیجه می رسد، که هر مرحله، استفاده از یک قانون استنتاج است. [ ۲] الگوریتم های برنامه ریزی در درختان اهداف و اهداف فرعی جستجو کرده، تلاش می کنند برای یافتن راهی برای رسیدن به یک هدف، که فرایندی به نام تجزیه و تحلیل معنی و هدف است. [ ۳] الگوریتم های رباتیک برای حرکت دادن اندام ها و گرفتن اشیا از جستجوهای محلی در فضای پیکربندی استفاده می کنند. [ ۴] بسیاری از الگوریتم های یادگیری از الگوریتم های جستجو مبتنی بر بهینه سازی استفاده می کنند.
جستجوی ساده و کامل[ ۵] به ندرت برای بیشتر مشکلات دنیای واقعی کافی است: فضای جستجو ( تعداد مکان های جستجو ) به سرعت به اعداد نجومی می رسد. نتیجه جستجویی بسیار کند است یا هرگز کامل نمی شود. راه حل، برای بسیاری از مشکلات، استفاده از " اکتشافی " است که انتخاب ها را به نفع افرادی که احتمال بیشتری برای رسیدن به هدف دارند اولویت بندی می کند و این کار را در چند مرحله کوتاه تر انجام می دهد. در برخی از روشهای جستجو، روشهای اکتشافی همچنین می توانند به طور کامل برخی از گزینه هایی را که بعید است به یک هدف منجر شوند از بین ببرند ( که " هرس درخت جستجو " نامیده می شود ) . روشهای ابتکاری "بهترین حدس" را برای مسیری که راه حل در آن نهفته است، ارائه می دهند. [ ۶] روشهای اکتشافی جستجو برای راه حل ها را به اندازه نمونه کوچکتر محدود می کند. [ ۷]
نوع مختلفی از جستجو در دهه ۱۹۹۰، بر اساس تئوری ریاضیات بهینه سازی، مورد توجه قرار گرفت. برای بسیاری از مشکلات، می توان جستجو را با نوعی حدس آغاز کرد و سپس حدس را به تدریج اصلاح کرد تا جایی که دیگر اصلاحاتی نتواند انجام شود. این الگوریتم ها را می توان به صورت کوهنوردی کور از تپه مشاهده کرد: ما جستجو را در یک نقطه تصادفی از چشم انداز آغاز می کنیم، و سپس، با پرش یا گام، حدس خود را در سربالایی حرکت می دهیم، تا اینکه به قله برسیم. سایر الگوریتم های بهینه سازی شبیه سازی بازپخت، جستجوی پرتو و بهینه سازی تصادفی هستند. [ ۸]
