انجام پایان نامه

درخواست همکاری انجام پایان نامه  بانک مقالات رایگان انجام پایان نامه

سفارش پایان نامه

|

انجام پایان نامه ارشد

 پایان نامه 

انجام پایان نامه| پایان نامه پیش بینی دما با استفاده از روش های هوشمند 110 ص

 مقدمه

تابش هاي مستقيم و غير مستقيم منشا اصلي انرژي حرارتي کره ي زمين است بازتاب آن ها توسط زمين موجب گرم شدن هوا مي گردد. اندازه گيري دما در محيط باز نشان دهنده ي دماي هوا ، دماي ناشي از تابش هاي اجسام مجاور و تابش هاي مستقيم خورشيد است به همين دليل دماسنج ها را در پناهگاههاي هواشناسي قرار مي دهند به طوريکه مخزن آن ها از سطح زمين در ارتفاع مشخصي در حدود 135 سانتي متري قرارداشته باشند. به اين ترتيب دماي هواي بدست آمده در نقاط مختلف با يکديگر قابل مقايسه هستند و تحت تاثير تابش هاي مستقيم يا غير مستقيم نمي باشند. از جمله عوامل موثر در دماي يک منطقه عرض جغرافيايي، ارتفاع، جريان هاي دريايي، فاصله از دريا، باد، جهت و پوشش ابري مي باشند.
حال با توجه به عوامل ذکر شده براي پيش بيني دما روش هاي گوناگوني به کاربرده شده است طوري که در پي ساليان متمادي تحقيق و پژوهش، روشهاي گوناگوني در زمينه پيش بيني پيشنهاد گرديدند که مي‌توان آنها را در دو گروه روش هاي کلاسيک و اکتشافي مدرن طبقه بندي کرد روشهاي کلاسيک بر پايه ي احتمالات و مدل رياضي عمل مي‌کنند ولي روش هاي اکتشافي هوشمند، از سيستم هاي مبتني بر شبکه هاي عصبي، منطق فازي، الگوريتم هاي تکاملي و ترکيبي از روشهاي هوش مصنوعي تشکيل شده است. مزيت اصلي روش هاي اکتشافي مدرن در اين است که به طراح در دستيابي به سيستمي ديناميک و غير خطي کمک مي کنند، و همچون متد هاي کلاسيک نيازي به پيشنهاد يک الگو ندارند و هيچ فرضي درباره ماهيت توزيع داده هاي مشاهده شده در آنها به چشم نمي خورد. حتي در مواقعي که با مشکل داده هاي مفقود شده مواجه مي شويم، بر خلاف روش هاي کلاسيک، در متد هاي اکتشافي مدرن مي توان اين نقيصه را تا حدودي برطرف نمود. اما شايد مهمترين برتري اکتشافي مدرن در اين باشد که عناصر ذهني و انساني را در طراحي راه حل مسئله کنار مي گذارد، امري که در روش هاي کلاسيک يکي از ارکان اصلي در پياده سازي سيستم محسوب مي‌گردد. در حالي که روش هاي اکتشافي مدرن بدون داشتن هيچ فرضي از مسئله، با کمک داده هاي مشاهده شده و ساختار هاي هوشمند نظير شبکه هاي عصبي، و يا بر اساس دانش انسان خبره در سيستم هاي مبتني بر منطق فازي سعي در مدل کردن مسئله در يک بلاک بسته دارند.
    منطق فازی
نظريه ي فازي براي اينکه موضوعات و مسائل پپچيده و بزرگ مقياس که شامل بازيابي اطلاعات مي‌باشند، قابل فهم باشد و بتوان با ظرفيت فکري اندک تصميمي معين گرفت، روشي قابل انعطاف و کلي که در قيد جزئيات کم اهميت نيست، ارائه مي‌دهد. اين روش از عهده‌ي موقعيتهاي اجتماعي و اقتصادي و محيط طبيعي که نيازمند تنوع و انعطاف است، برمي‌آيد.
به منظور ايجاد الگويي شبيه به پردازش عمومي اطلاعات هوشمندانه‌ي بشر، دانش و تجربه‌ي افراد باتجربه ومتخصصان مجرب به زبان طبيعي، وارد رايانه شده و عمليات منطقي به صورت اجمالي اجرا مي‌شوند و با استفاده از اين الگو، تحليل پيش برده مي‌شود و فعاليت‌هاي بشر يا پديده ها و اوضاع اجتماعي و بازرگاني مورد بررسي قرار مي‌گيرند. بيشتر روشهاي فازي که براي مديريت تکميل شده اند از اين روش بهره مي‌گيرند.
در اين فصل ابتدا تاريخچه اي از منطق فازي بيان مي شود و در ادامه با منطق فازي آشنا خواهيم شد. درآخرهم چگونگي کارکرد سيستم هاي فازي بررسي مي شود.
    تاريخچه ي مختصري از منطق فازي
دهه ي1960 آغاز نظريه فازي بود. نظريه‌ي فازي به وسيله پروفسور لطفي زاده در سال 1965 در مقاله اي به نام مجموعه هاي فازي معرفي شد. ايشان قبل از کار بر روي نظريه‌ي فازي، يک استاد برجسته در نظريه کنترل بود. او مفهوم "حالت" را که براساس نظريه‌ي کنترل مدرن را شکل مي‌دهد، توسعه داد. عسگرزاده در سال 1962 چيزي را بدين مضمون براي سيستمهاي بيولوژيک نوشت: "ما اساساً به نوع جديد رياضيات نيازمنديم؛ رياضيات مقادير مبهم يا فازي است که توسط توزيع هاي احتمالات قابل توصيف نيستند." وي فعاليت خويش در نظريه‌ي فازي را در مقاله اي با عنوان "مجموعه هاي فازي" تجسم بخشيد. مباحث بسياري در مورد مجموعه هاي فازي بوجودآمد و رياضيدانان معتقد بودند نظريه‌ي احتمالات براي حل مسائلي که نظريه‌ي فازي ادعاي حل بهتر آن را دارد، کفايت مي‌کند. دهه‌ي 1960 دهه‌ي چالش کشيدن و انکار نظريه‌ي فازي بود وهيچ يک از مراکز تحقيقاتي، نظريه‌ي فازي را به عنوان يک زمينه‌ي تحقيق جدي نگرفتند.
اما در دهه‌ي 1970، به کاربردهاي عملي نظريه‌ي فازي توجه شد و ديدگاه هاي شک برانگيز درباره‌ي ماهيت وجودي نظريه‌ي فازي مرتفع شد. استاد لطفي زاده پس از معرفي مجموعه هاي فازي در سال 1965، مفاهيم الگوريتم فازي را در سال 1968 تصميم گيري فازي را در سال 1970 و ترتيب فازي را در سال 1971 ارائه نمود. ايشان در سال 1973 اساس کار کنترل فازي را بنا کرد. اين مبحث باعث کنترل کننده هاي فازي براي سيستم‌هاي واقعي بود. ممداني و آسيليان چهارچوب اوليه‌اي را براي کنترل کننده فازي مشخص کرد. در سال 1978 هومبلاد و اوستگارد اولين کنترل کننده‌ي فازي را براي کنترل يک فرآيند صنعتي به کار بردند که از اين تاريخ به بعد، با کاربرد نظريه‌ي فازي در سيستم‌هاي واقعي، ديد شک برانگيز درباره‌ي ماهيت وجودي اين نظريه کاملاً متزلزل شد.
دهه‌ي 1980 از لحاظ نظري، پيشرفت کندي داشت، اما کاربرد منتطق فازي باعث دوام نظريه‌ي فازي شد. هيچ انديشيده‌ايد که کشورژاپن چرا گوي سبقت را در توليد لوازم الکترونيک هوشمند از ديگر همتايانش ربوده است؟ مهندسان ژاپني به سرعت دريافتند که کنترل کننده‌هاي فازي به سهولت قابل طراحي بوده و در مورد بسياري، مي توان از آنها استفاده کرد. به علت اينکه کنترل فازي به يک مدل رياضي نياز ندارد، مي توان آن را مورد بسياري از سيستم هايي که به وسيله‌ي نظريه‌ي کنترل متعارف قابل پياده سازي نيستند به کاربرد. سوگنو مشغول کار بروي ربات فازي شد، ماشيني که از راه دور کنترل مي‌شد و خودش به تنهايي عمل پارک را انجام مي‌داد. ياشونوبو و مياموتو از شرکت هيتاچي کار روي سيستم کنترل قطار زيرزميني را آغاز کردند. بالاخره در سال 1987 پروژه به ثمر رسيد و يکي از پيشرفته ترين سيستم‌هاي قطار زيرزميني را در جهان بوجود آورد. در دومين کنفرانس سيستم‌هاي فازي که در توکيو برگزار شد، درست سه روز بعد از افتتاح قطار زيرزميني، هيرو تا يک ربات فازي را به نمايش گذارد که پينگ پنگ بازي مي‌کرد، ياکاماوا نيز سيستم فازي را نشان داد که يک پاندول معکوس را در حالت تعادل نشان مي‌داد. پس از اين کنفرانس، توجه مهندسان، دولتمردان و تجار جلب شد وزمينه‌ي پيشرفت نظريه‌ي فازي فراهم شد.
دهه ي 1990، توجه محققان آمريکا و اروپا به سيستم‌هاي فازي موفقيت سيستم‌هاي فازي در ژاپن، مورد توجه محققان آمريکا و اروپا واقع شد و ديدگاه بسياري از محققان به سيستم‌هاي فازي تغيير کرد. در سال 1992 اولين کنفرانس بين الملي در مورد سيستم‌هاي فازي به وسيله‌ي بزرگترين سازمان مهندسي يعني IEEE برگزار شد. در دهه ي 1990 پيشرفت‌هاي زيادي در زمينه‌ي سيستم‌هاي فازي ايجاد شده؛ اما با وجود شفاف شدن تصوير سيستم‌هاي فازي هنوز فعاليت‌هاي بسياري بايد انجام شود و بسياري از راه حل‌ها و روش‌ها همچنان در ابتداي راه قرار دارد. بنابراين توصيه مي‌شود که محققان کشور با تحقيق در اين زمينه، موجبات پيشرفت‌هاي عمده در زمينه‌ي نظريه فازي را فراهم نمايند.
    آشنايي با منطق فازي
منطق فازي عبارتست از استدلال با مجموعه‌هاي فازي. حال اگر بخواهيم نظريه مجموعه هاي فازي را توضيح دهيم، بايد بگوئيم نظريه‌اي ست براي اقدام در شرايط عدم اطمينان. اين نظريه قادر است بسياري از مفاهيم، متغيرها و سيستم‌هايي را که نادقيق و مبهم هستند، صورت بندي رياضي ببخشد و زمينه را براي استدلال، استنتاج، کنترل و تصميم‌گيري درشرايط عدم اطمينان فراهم آورد. پرواضح است که بسياري از تصميمات و اقدامات بشر در شرايط عدم اطمينان است وحالات واضح و غيرمبهم بسيار نادر و کمياب مي‌باشند.
پيش از معرفي تئوري منطق فازي توسط پروفسور لطفي زاده در 1965 محققان زيادي به رفع پارادوکس‌هاي موجود در مسائل مطرح شده در علوم مختلف بر اثر محدوديت منطق دوگانه مشغول بودند، مانند پارادوکس wooger در علوم زيستي شناسي که در آن فرزندان بعضي از حيوانات به تيره خانواده‌اي متفاوت از والدينشان تعلق دارند، در حاليکه از نظر ژنتيکي چنين امري ممکن نيست و اين موضوع با منطق دوگانه‌ي مرسوم سازگاري نداشت. در اين راستا راسل  ابهام را جزئي از زبان دانست و يا Jan Lukasiewicz منطق سه ارزشي را مطرح کرد که در آن علاوه بر ارزشهاي False & True منطق ارزشي possible هم وجود داشت.
در منطق فازي به جاي دو ارزشي بودن، ما طيفي از ارزشها را درباره‌ي صفرو يک خواهيم داشت. با اين طيف مي‌توان عدم قطعيت را به خوبي نمايش داد. تمايز عمده منطق فازي با منطق چند ارزشي آن است که در منطق فازي مفهوم يک عبارت هم مي‌تواند مبهم باشد(مانند سردي هوا). در منطق فازي مي‌توانيم جملاتي را که معمولاً در مجاورت روزانه در تحليل مسائل استفاده مي‌کنيم از قبيل "کاملاً درست است"، "کم و بيش درست است"، "تا حدي نادرست است" و... را بکار بنديم. بطور کلي منطق‌ها بعنوان پايه‌ي برهان به 3 بخش متمايز مقادير درستي، عملگرها و فرآيند استدلال تقسيم مي‌شوند.
متغيرهاي زباني: پروفسور زاده در سال  1973 مي‌نويسد: "متغيرهاي زباني، متغيرهاي هستند که مقاديرشان اعداد نيستند، بلکه لغات يا جملات يک زبان طبيعي يا ساختگي هستند." اگر چه تئوري مجموعه‌هاي فازي فقط با مدل‌هاي رياضي سروکار دارد، ولي امکان مدل سازي لغات و عبارات يک زبان طبيعي را به کمک متغيرهاي زباني مي‌دهد. به طور کلي متغير به 2 دسته تقسيم مي‌شوند:
1)زباني: مانند کلمات و عبارات مربوط به يک زبان طبيعي.
2)عددي: که متغيرها داراي مقادير عددي هستند. يک متغير زباني در واقع يک عبارت زباني طبيعي است که به مقدار کميت خاص اشاره دارد و اصطلاحاً مانند مترجم عمل مي‌کند و به کمک تابع عضويت نشان داده مي‌شود مانند واژه "سرد" در جمله "هوا سرد است"، سردي، خود‌ متغيري است براي دماي هوا که مي‌تواند مقادير مختلفي به خود اختصاص دهد و در واقع يک تابع عضويت براي آن تعريف مي‌شود.
متغيرهاي زباني مي‌تواند از الحاق u=u1,u2,…,un تشکيل شوند که هرکدام از ui ها عبارتي تجزيه ناپذيرند، مانند "تا حدي سرد" ، که در مجموع به 4 دسته‌ي زير تقسيم مي‌شود:
1)عبارات اصلي: که به عنوان برچسبهايي براي مجموعه هاي فازي در نظر گرفته مي‌شوند و مانند "سرد" در عبارت بالا يا عباراتي از: کوتاه، بلند، ... که هر کدام تابع عضويت مخصوص به خود دارند.
2)حرف ربط: مانند و، يا، ... را دارند.
3)پيراينده: که روي عبارات اوليه اعمال شده و اثر تشديد يا تضعيف در مفهوم آن عبارت را به همراه دارد مانند تا حدي، اندکي، بسيار و...
4)حروف نشانه مانند پرانتز و...
تمامي پيراينده‌ها روي عبارات اصلي U به صورت u به توان P عمل مي‌کنند که [0,∞) P∈ و اگر P=∞ شود آنگاه عبارت دقيق و غيرفازي حاصل مي‌شود و نشان مي‌دهد که هيچ ابهام و ترديدي وجود ندارد. اگر فرضاً متغير زباني "پير" را به عنوان ملاک ايجاد يک مجموعه‌ي فازي در نظر بگيريم آنگاه آن مجموعه به صورت زير خواهد بود:
پير={(3/0,45)و(5/0,50)و(8/0,55)و(9/0,60)و(1,70)و(1,75)}
عبارت "بسيار پير" = "پير به توان دو" يعني تمام درجات عضويت به توان 2 مي رسند که حاصل به صورت زير خواهد بود:
بسيار پير= {(9/0,45)و(25/0,50)و(64/0,55)و(8/0,60)و(1,60)و(1,75)}
و يا براي نمونه عملگري مثل "کم و بيش" که خاصيت تضعيف کنندگي مفهوم را با خود بدنبال دارد بصورت "کم و بيش پير"="پيربه توان 1/2" .
کميت سنجهاي زباني: منطق کلاسيک دو نوع کميت سنج را به رسميت مي‌شناسد:  1)کميت سنج جامع؛ همه‌ي اشياء خصوصيت معيني دارند. 2)کميت سنج وجودي؛ حداقل يک شيء وجود دارد که خصوصيت معيني داشته باشد. اساساً، دو نوع کميت سنج فازي وجود دارد: 1)مطلق؛ تقريباً ، چندين و... 2)نسبي؛ بيشتر، معدود و ...
در ادامه مهمترين خصوصيات منطق فازي آمده است:
    طبق منطق فازي، استدلال دقيق يا منطق معمولي حالت خاصي از استدلال تقريبي است.
    هر سيستم منطقي قابل تبديل به منطق فازي است.
    در منطق فازي دانش به عنوان مجموعه‌اي از محدوديت‌هاي فازي يا انعطاف پذير روي متغيرها در نظر گرفته مي‌شود.
    استنتاج به عنوان فرآيند انتشار اين محدوديت‌ها در نظر گرفته مي‌شود.
    در منطق فازي تمام مسائل داراي راه حلي هستند که درجه مطلوبيت(امکان)را نشان مي‌دهد.



    سيستم هاي فازي
در پردازش اطلاعات فازي، تفکر،دانش و تجربه‌ي بشر به صورت واژه وارد رايانه مي‌شوند و اين واژه‌ها به وسيله‌ي توابع عضويت(MF)تصوير مي‌شوند و به اين ترتيب عمليات ورود اطلاعات به رايانه‌هاي رقمي متعارف که قادر به استفاده از کميت هستند انجام مي‌گيرد.
از آنجائي که افراد بشر تفکر خود در مورد اشياء و پديده‌ها را با واژگان بيان مي‌کنند و چون واژه‌ها حاوي ابهام معنايي هستند(که نياز به تفکر دارند)در نظريه‌ي منطق فازي بر استفاده از اين ابهام تاکيد شده است.
راه حل                                   مقدار                                       واژگان بشري
   
سيستم‌هاي فازي، سيستم‌هاي مبتني بر دانش يا قواعد مي‌باشند، قلب يک سيستم فازي يک پايگاه دانش است که از قواعد اگر-آنگاه فازي تشکيل شده است. دراولين نگاه به اطراف خود به سادگي مي‌توانيد مجموعه‌اي از اين دستگاه ها و لوازم را در خانه و در محل کار خود بيابيد. بله، مخترع منطق نوين علمي که جهان صنعت را دگرگون کرد و در کنار منطق ديجيتالي در ساختمان دستگاههاي الکترونيکي، "منطق فازي" را به دنيا عرضه نمود، کسي نيست جز پروفسور لطفي زاده.
منطق فازي تعميمي از منطق دو ارزشي متداول است و درحاليکه در منطق دو دويي جايي براي واژه‌هايي همچون "کم"، "زياد"، "اندکي"، "بسيار"، ... که پايه‌هاي انديشه و استدلال هاي معمولي انسان را تشکيل مي دهند، وجود ندارد. روش پروفسور بر مبناي بکارگيري همين عبارات زباني است. به عنوان مثال مسئله‌ي رعايت فاصله با خودروي جلويي در هنگام رانندگي را در نظر مي‌گيريم، جهت تنظيم اين فاصله هنگام مواجه شدن با خودروي روبرو "اگر جاده لغزنده باشد، بايد فاصله را زياد کنيم "و"اگر سرعت خودرو کم باشد، مي‌توانيم فاصله را کم کنيم" و "اگر هوا تاريک باشد، فاصله را زياد مي‌کنيم" که غالباً هنگام رانندگي مکان اندازه گيري دقيق ميزان سرعت خودرو تاريکي جاده، لغزندگي جاده و نظير آن به منظور محاسبه مقادير فاصله مطلوب وجود ندارد، در نتيجه جهت طراحي سيستم ترمز موثر خودرو بر پايه منطق فازي، عباراتي مثل تاريکي کم يا زياد، سرعت کم يا زياد، لغزندگي کم يا زياد و... را به عنوان متغيرهاي ورودي و عباراتي همچون "فاصله ي کم يا زياد" را مشابه آنچه در مغز انسان براي تصميم گيري رخ مي- دهد را به عنوان متغير خروجي بکار مي بنديم. امروزه هيچ دستگاه الکترونيکي، از جمله وسايل خانگي، بدون کاربرد اين منطق در ساختار فني خود ساخته نمي‌شود. با منطق پروفسور لطفي زاده اين دستگاه ها هوشمند مي‌شوند. امروزه اروپايي‌ها، ژاپني‌ها و آمريکايي‌ها و همه‌ي کشورهاي پيشرو در علم و صنعت، پروفسور لطفي زاده را مي‌شناسند و از اهميت کار او در دانش مدرن بشري آگاهند. برخلاف آموزش سنتي در رياضي، پروفسور "زاده" در سال 1965 منطق انساني و زبان طبيعت را وارد رياضي کرد. مفهوم کلمه يا عبارت به تنهايي ممکن است واضح و روشن باشد، اما زمانيکه از آن بعنوان معياري در تعيين اعضاي يک مجموعه رياضي استفاده مي‌شود شايد نتوان بطور قاطع شئ را به آن نسبت داد و بالعکس به عنوان "کلمه سال" شناخته شد. با اين اوصاف:
الف)ما تا چه حد قادريم احساسات و تفکراتمان را بدون ابهام به مخاطبان خود انتقال دهيم و تا چه حد آن چيزي که بيان مي‌کنيم دقيقاً همان خواسته ذهني ما بوده است؟
ب)چقدر درک مخاطب از جمله‌ي ما، با آنچه که مقصود ما بوده همخواني داشته است؟
اين 2 سوال دو مفهوم متفاوت و در عين حال اساسي در مبحث فازي را بيان مي‌کند. بطور کلي براي برقراري ارتباط با محيط اطراف، ما از يک "زبان طبيعي" استفاده مي‌کنيم و از آنجا که قدرت تفکر همواره فراتر از توان پياده سازي آن با يک زبان است براي بسياري از مفاهيم ذهني معادل دقيق در دامنه‌ي لغات زبان وجود ندارد. براي سوال دوم هم بايد گفت که عوامل مختلفي دربرداشت و درک افراد از يک مفهوم مشخص اثرگذار است. فرضاً در عبارت " هواي سرد" با توجه به مکان زندگي، فرهنگ، حساسيت فرد به سرما و...تعابير مختلفي براي فرد از عبارت "سردي" قابل تعريف است که لزوماً با شخص ديگر در مکان ديگربرابر نيست، زيرا سردي هوا از نظر افراد مختلف داراي درجات متفاوتي است. کسي که در قطب زندگي مي‌کند دماي 15- را سرد مي‌داند در حالي که براي فرد ساکن در استوا دماي 5+ هم ممکن است سرد تلقي شود. اين تفاوت درک افراد از يک موضوع چگونه قابل توجيه است؟ براي پاسخ به اين سوال ابتدا بايد مفهوم و جايگاه واژه‌ي "سردي" در دنياي پيرامون ما تعريف و مشخص شود. اين نکته همان چيزي است که پروفسور زاده در سال 1973 تحت عنوان متغيرهاي زباني به آن اشاره کرد متغيرهاي زباني که عدد نيستند، بلکه مقادير آنها حروف ولغات هستند و با مدل سازي مجموعه‌اي براي متغير زباني "سردي" سعي در توصيف آن نموده و به هرکدام از دماهاي مختلف (x) يک "درجه عضويت" (μ) نسبت مي‌دهيم که بيان کننده‌ي ميزان تعلق آن عضو به مجموعه است و بين يک بازه‌ي بسته‌ي [0و1] متغير است. در نتيجه در تئوري مجموعه‌ي فازي A در مجموعه‌ي مرجع U بصورت زوج مرتب است:A={x,μ(x)│x∈U}
يعني ديگر نمي‌توان بطور دقيق عنصري از  Uرا به مجموعه‌ي A نسبت داد و چون مرزي که در انتساب اعضا به وجود مي‌آيد( به دليل درک مختلف افراد از آن عبارت) حالت غير قطعي و غير دقيق به خود مي‌گيرد. توابع عضويت در تعيين درجات عضويت نقشي اساسي ايفا مي‌کنند، براي مثال براي مجموعه‌ي فازي با عنوان "سردي" دماي 10- با درجه ي 0.8 به اين مجموعه تخصيص مي‌يابد. در حاليکه دماي 5+ داراي درجه عضويت 4/0 است. با توجه به اين درجه عضويتها مي‌توان فهميد دماي 10- سردتر از 5+ است زيرا ميزان تعلق آن به مجموعه‌هاي فازي صفر باشد، آن عنصر به مجموعه تعلق ندارد و درجه عضويت يک نشان مي‌دهد که عنصر دقيقاً عضو مجموعه است. بهرحال در تئوري فازي ابهام در مفهوم توصيف کننده ها و گزاره‌هاي بيان کننده شرايط سيستم وجود دارد و توجه کنيد که کليه مباحث ما مربوط به اين نوع عدم قطعيت است، بويژه زمانيکه در خصوص تصميم‌گيري و يا ارزيابي يک سيستم يا فرآيند تحت کنترل صحبت مي‌کنيم. به عنوان نمونه عبارت "سال مالي موفق" را در نظر بگيريد. براي بعضي شرکت‌ها، سال اقتصادي موفق يعني اينکه نسبت به سال قبل سود بيشتري بدست آورند، اما براي برخي ديگر يعني اينکه از ورشکستگي‌ها رهايي يابند! و... در نتيجه عبارت فوق الذکر وابسته به نحوه عملکرد شرکتهاي مختلف است و برخلاف عبارت "سردي هوا" ذاتاً لغتي  فازي محسوب نمي‌شود. بدليل ماهيت منطق فازي و تئوري مجموعه‌هاي فازي، زمينه‌هاي کاربردي گسترده‌اي در علوم مهندسي و حتي اجتماعي و اقتصادي براي آن بوجود آمده است.
نمونه هايي از انجمن هاي فعال در زمينه ي منطق و تکنولو ژي فازي عبارتند از[34]:
 Japan society Fuzzy theory,
  International Fuzzy Engineering Researcher and systems.
براي کسب اطلاعات بيشتر مي توانيد به[20]مراجعه نماييد.
    نتيجه گيري
داده‏هاي فازي بخش عظيمي از دنياي اطراف ما را فراگرفته‏اند. انسانها نيز دنيايي از اين داده‏ها را در ذهن خود نگهداري كرده،‌ تصميم‏گيري را براساس آنها انجام مي‏دهند. با توجه به اين حقايق، پي به سنخيت منطق فازي و طرز فكر انسانها مي‏بريم.
در پاسخ به چيستي منطق فازي يا منطق نادقيق شايد ساده ترين پاسخ بر اساس شنيده ها اين باشد که Fuzzy Logic يا Fuzzy Theory يک نوع منطق برنامه نويسي است که روش‌هاي نتيجه گيري در مغز بشر را جايگزين مي‌کند. منطق فازي در واقع با استفاده از مجموعه‌اي از معلومات نادقيق که با الفاظ و جملات زباني تعريف شده اند به دنبال استخراج نتايج دقيق است.
منطق فازي تکنولوژي جديدي است که شيوه هاي مرسوم براي طراحي ومدل سازي يک سيستم را که نيازمند رياضيات پيشرفته و نسبتاً پيچيده است با استفاده از مقادير و شرايط زباني و يا به عبارتي دانش فرد خبره، و با هدف ساده سازي وکارآمدتر شدن طراحي سيستم جايگزين و يا تاحدود زيادي تکميل نمايد.
علي رغم اينکه منطق فازي بر پايه رياضيات پيشرفته و پيچيده قرار دارد يادگيري آن بسيار آسان است. از نظر تئوري هر سيستمي که توسط منطق فازي طراحي شده باشد توسط ساير تکنيک‌هاي پياده ‌سازي مرسوم نيز قابل پياده سازي است اما ممکن است اين شيوه‌ها نسبت به منطق فازي پيچيده و مشکل‌تر باشند.
2-1- چکيده
الگوريتم هاي ژنتيک از اصول انتخاب طبيعي داروين براي يافتن فرمول بهينه جهت پيش بيني يا تطبيق الگو استفاده مي‌کنند. الگوريتم‌هاي ژنتيک اغلب گزينه خوبي براي تکنيک هاي پيش بيني بر مبناي رگرسيون هستند. همان طور ساده، خطي وپارامتريک گفته مي‌شود، به الگوريتم هاي ژنتيک مي‌توان غير پارامتريک گفت.
مختصراً گفته مي‌شود که الگوريتم ژنتيک (یا GA) يک تکنيک برنامه نويسي است که از تکامل ژنتيکي به عنوان يک الگوي حل مسئله استفاده مي‌کند. مسئله اي که بايد حل شود ورودي است و راه حلها طبق يک الگو کد گذاري مي شوند و متريک که تابع fitness هم نام دارد هر راه حل کانديد را ارزيابي مي‌کند که اکثر آنها به صورت تصادفي انتخاب مي شوند.
کلاً اين الگوريتم ها از بخش هاي زير تشکيل مي‌شوند :
تابع برازش - نمايش – انتخاب – تغيير
که در ادامه آنها را توضيح خواهيم داد.






2-2- مقدمه
هنگامي كه لغت تنازع بقا به كار مي‌رود اغلب بار ارزشي منفي آن به ذهن مي‌آيد. شايد همزمان قانون جنگل به ذهن برسد و حكم بقاي قوي‌تر!
البته براي آنكه خيالتان راحت شود مي‌توانيد فكر كنيد كه هميشه هم قوي‌ترين‌ها برنده نبوده‌اند. مثلا دايناسورها با وجود جثه عظيم و قوي‌تر بودن در طي روندي كاملاً طبيعي بازي بقا و ادامه نسل را واگذار كردند در حالي كه موجوداتي بسيار ضعيف‌تر از آنها حيات خويش را ادامه دادند. ظاهراً طبيعت بهترين‌ها را تنها بر اساس هيكل انتخاب نمي‌كند! در واقع درست‌تر آنست كه بگوييم طبيعت مناسب ترين‌ها   را انتخاب مي‌كند نه بهترين‌ها.
قانون انتخاب طبيعي بدين صورت است كه تنها گونه‌هايي از يك جمعيت ادامه نسل مي‌دهند كه بهترين خصوصيات را داشته باشند و آنهايي كه اين خصوصيات را نداشته باشند به تدريج و در طي زمان از بين مي‌روند.
مثلا فرض كنيد گونه خاصي از افراد، هوش بسيار بيشتري از بقيه افراد يك جامعه يا كولوني دارند. در شرايط كاملاً طبيعي اين افراد پيشرفت بهتري خواهند كرد و رفاه نسبتاً بالاتري خواهند داشت و اين رفاه خود باعث طول عمر بيشتر و باروري بهتر خواهد بود(توجه كنيد شرايط طبيعيست نه در يك جامعه سطح بالا با ملاحظات امروزي يعني طول عمر بيشتر در اين جامعه ی نمونه با زاد و ولد بيشتر همراه است). حال اگر اين خصوصيت (هوش) ارثي باشد به طبع در نسل بعدي همان جامعه تعداد افراد باهوش به دليل زاد و ولد بيشتر اين‌گونه افراد بيشتر خواهد بود. اگر همين روند را ادامه دهيد خواهيد ديد كه در طي نسل‌هاي متوالي دائماً جامعه‌ی نمونه ما باهوش و باهوش‌تر مي‌شود. بدين ترتيب يك مكانيزم ساده طبيعي توانسته است در طي چند نسل عملاً افراد كم هوش را از جامعه حذف كند علاوه بر اينكه ميزان هوش متوسط جامعه نيز دائماً در حال افزايش است.
بدين ترتيب مي‌توان ديد كه طبيعت با بهره‌گيري از يك روش بسيار ساده (حذف تدريجي گونه‌هاي نامناسب و در عين حال تكثير بالاتر گونه‌هاي بهينه) توانسته است دائماً هر نسل را از لحاظ خصوصيات مختلف ارتقا بخشد.
البته آنچه در بالا ذكر شد به تنهايي توصيف كننده آنچه واقعاً در قالب تكامل در طبيعت اتفاق مي‌افتد نيست. بهينه‌ سازي و تكامل تدريجي به خودي خود نمي‌تواند طبيعت را در دسترسي به بهترين نمونه‌ها ياري دهد. اجازه دهيد تا اين مساله را با يك مثال شرح دهيم.
پس از اختراع اتومبيل به تدريج و در طي سال‌ها اتومبيل‌هاي بهتري با سرعت‌هاي بالاتر و قابليت‌هاي بيشتر نسبت به نمونه‌هاي اوليه توليد شدند. طبيعيست كه اين نمونه‌ها حاصل تلاش مهندسان طراح جهت بهينه ‌سازي طراحي‌هاي قبلي بوده اند. اما دقت كنيد كه بهينه‌سازي يك اتومبيل تنها يك "اتومبيل بهتر" را نتيجه مي‌دهد.
اما آيا مي‌توان گفت اختراع هواپيما نتيجه همين تلاش بوده است؟ يا فرضاً مي‌توان گفت فضا پيماها حاصل بهينه‌سازي طرح اوليه هواپيماها بوده‌اند؟
پاسخ اينست كه گرچه اختراع هواپيما قطعاً تحت تاثير دستاورهاي صنعت اتومبيل بوده است اما به‌هيچ وجه نمي‌توان گفت كه هواپيما صرفاً حاصل بهينه‌سازي اتومبيل و يا فضاپيما حاصل بهينه‌سازي هواپيماست. در طبيعت هم عيناً همين روند حكم‌فرماست. گونه‌هاي متكامل‌تري وجود دارند كه نمي‌توان گفت صرفاً حاصل تكامل تدريجي گونه قبلي هستند.
در اين ميان آنچه شايد بتواند تا حدودي ما را در فهم اين مساله ياري كند مفهوميست به نام : تصادف يا جهش.
به عبارتي طرح هواپيما نسبت به طرح اتومبيل يك جهش بود و نه يك حركت تدريجي. در طبيعت نيز به همين گونه‌است. در هر نسل جديد بعضي از خصوصيات به صورتي كاملاً تصادفي تغيير مي‌يابند سپس بر اثر تكامل تدريجي كه پيشتر توضيح داديم در صورتي كه اين خصوصيت تصادفي شرايط طبيعت را ارضا كند حفظ مي‌شود در غير اين‌صورت به شكل اتوماتيك از چرخه طبيعت حذف مي‌گردد.
در واقع مي‌توان تكامل طبيعي را به اين‌صورت خلاصه كرد: جست‌وجوي كوركورانه  یا تصادف + بقاي قوي‌تر.
حال ببينيم كه رابطه تكامل طبيعي با روش‌هاي هوش مصنوعي چيست .هدف اصلي روش‌هاي هوشمند به كار گرفته شده در هوش مصنوعي يافتن پاسخ بهينه مسائل مهندسي ست. بعنوان مثال اينكه چگونه يك موتور را طراحي كنيم تا بهترين بازدهي را داشته باشد يا چگونه بازوهاي يك ربات را محرك كنيم تا كوتاه‌ترين مسير را تا مقصد طي كند(دقت كنيد كه در صورت وجود مانع يافتن كوتاه‌ترين مسير ديگر به سادگي كشيدن يك خط راست بين مبدا و مقصد نيست) همگي مسائل بهينه‌سازي هستند.
روش‌هاي كلاسيك رياضيات داراي دو اشكال اساسي هستند. اغلب اين روش‌ها نقطه بهينه محلي  را بعنوان نقطه بهينه كلي در نظر مي‌گيرند و نيز هر يك از اين روش‌ها تنها براي مساله خاصي كاربرد دارند. اين دو نكته را با مثال‌هاي ساده‌اي روشن مي‌كنيم.
به شكل زير توجه كنيد. اين منحني داراي دو نقطه ماكزيمم مي‌باشد. كه يكي از آنها تنها ماكزيمم محلي است. حال اگر از روش‌هاي بهينه‌سازي رياضي استفاده كنيم مجبوريم تا در يك بازه بسيار كوچك مقدار ماكزيمم تابع را بيابيم. مثلا از نقطه 1 شروع كنيم و تابع را ماكزيمم كنيم. بديهي است اگر از نقطه 1 شروع كنيم تنها به مقدار ماكزيمم محلي دست خواهيم يافت و الگوريتم ما پس از آن متوقف خواهد شد. اما در روش‌هاي هوشمند خاصه الگوريتم ژنتيك بدليل خصلت تصادفي آنها حتي اگر هم از نقطه 1 شروع كنيم باز ممكن است در ميان راه نقطه A به صورت تصادفي انتخاب شود كه در اين صورت ما شانس دست‌يابي به نقطه بهينه كلي  را خواهيم داشت.
در مورد نكته دوم بايد بگوييم كه روش‌هاي رياضي بهينه ‌سازي اغلب منجر به يك فرمول يا دستورالعمل خاص براي حل هر مسئله مي‌شوند. در حالي كه روش‌هاي هوشمند دستورالعمل‌هايي هستند كه به صورت كلي مي‌توانند در حل هر مسئله‌اي به كار گرفته شوند. اين نكته را پس از آشنايي با خود الگوريتم بيشتر و بهتر خواهيد ديد.[71]
شکل2-1- منحنی

2-3- الگوريتم ژنتيک چيست؟
الگوريتم هاي ژنتيک از اصول انتخاب طبيعي داروين براي يافتن فرمول بهينه جهت پيش بيني يا تطبيق الگو استفاده مي‌کنند. الگوريتم هاي ژنتيک اغلب گزينه خوبي براي تکنيک هاي پيش بيني بر مبناي رگرسيون هستند.همان طور ساده،خطي وپارامتريک گفته مي‌شود، به الگوريتم‌هاي ژنتيک مي‌توان غير پارامتريک گفت.
براي مثال اگر بخواهيم نوسانات قيمت نفت را با استفاده از عوامل خارجي وارزش رگرسيون خطي ساده مدل کنيم، اين فرمول را توليد خواهيم کرد: قيمت نفت در زمان t= ضريب 1 نرخ بهره در زمان t + ضريب 2 نرخ بيکاري در زمان t + ثابت 1 . سپس از يک معيار براي پيدا کردن بهترين مجموعه ضرايب و ثابت ها جهت مدل کردن قيمت نفت استفاده خواهيم کرد. در اين روش 2 نکته اساسي وجود دارد. اول اين روش خطي است و مسئله دوم اين است که ما به جاي اينکه در ميان "فضاي پارامترها"جستجو کنيم ،پارامترهاي مورد استفاده را مشخص کرده ايم.
با استفاده از الگوريتم هاي ژنتيک ما يک ابر فرمول يا طرح تنظيم مي کنيم که چيزي شبيه"قيمت نفت در زمان t تابعي از حداکثر 4 متغير است"را بيان مي کند. سپس داده هايي براي گروهي از متغيرهاي مختلف، شايد در حدود 20 متغير فراهم خواهيم کرد. سپس الگوريتم ژنتيک اجرا خواهد شد که بهترين تابع و متغيرها را مورد جستجو قرار مي دهد. روش کار الگوريتم ژنتيک به طور فريبنده اي ساده، خيلي قابل درک وبه طور قابل ملاحظه اي روشي است که ما معتقديم حيوانات آنگونه تکامل يافته اند. هر فرمولي که از طرح داده شده بالا تبعيت کند فردي از جمعيت فرمول هاي ممکن تلقي مي شود .
متغير هايي که هر فرمول داده شده را مشخص مي‌کنند به عنوان يکسري از اعداد نشان داده شده اند که معادل دي ان اي آن فرد را تشکيل مي‌دهند.
موتور الگوريتم ژنتيک يک جمعيت آغاز از فرمول ايجاد مي‌کند. هر فرد در برابر مجموعه‌اي از داده‌هاي مورد آزمايش قرار مي‌گيرند و مناسب ترين آنها شايد 10 درصد از مناسب ترين ها باقي مي‌مانند. بقيه کنار گذاشته مي‌شوند. مناسب ترين افراد با هم جفتگيري (جابجايي عناصر دي ان اي) وتغيير (تغيير تصادفي عناصر دي ان اي) کرده اند. مشاهده مي‌شود که با گذشت از ميان تعداد ريادي از نسلها، الگوريتم ژنتيک به سمت ايجاد فرمول هايي که بيشتر دقيق هستند، ميل مي‌کنند. در حالي که شبکه هاي عصبي هم غير خطي و غير پارامتريک هستند، جذابيت زياد الگوريتم هاي ژنتيک اين است که نتايج نهايي قابل ملاحظه ترند. فرمول نهايي براي کاربر انساني قابل مشاهده خواهد بود، و براي ارائه سطح اطمينان نتايج مي‌توان تکنيک هاي آماري متعارف رابر روي اين فرمول ها اعمال کرد. فناوري الگوريتم هاي ژنتيک همواره در حال بهبود است ، براي مثال با مطرح کردن معادله ويروس ها که در کنار فرمول ها وبراي نقض کردن فرمول ها ي ضعيف توليد مي شوند ودر نتيجه جمعيت را کلاً قويتر مي سازند. [71]
مختصراً گفته مي شود که الگوريتم ژنتيک (يا GA) يک تکنيک برنامه نويسي است که از تکامل ژنتيکي به عنوان يک الگوي حل مسئله استفاده مي کند. مسئله اي که بايد حل شود ورودي است و راه حلها طبق يک الگو کد گذاري مي شود و متريک که تابع fitness هم نام دارد هر راه حل کانديد را ارزيابي مي‌کند که اکثر آنها به صورت تصادفي انتخاب مي شوند. [73]
الگوريتم ژنتيک GA يک تکنيک جستجو در علم کامپيوتر براي يافتن راه حل بهينه ومسائل جستجو است. الگوريتم هاي ژنتيک يکي از انواع الگوريتم هاي تکاملي اند که از علم زيست شناسي مثل وراثت، جهش، انتخاب ناگهاني ، انتخاب طبيعي و ترکيب الهام گرفته شده اند.


.



انجام پایان نامه

برای دیدن ادامه مطلب از لینک زیر استفاده نمایید

سفارش پایان نامه

نقشه