وبلاگ

بشر هوشمند و صاحب تفكر همیشه برای یافتن راهی كه زندگی­ اش را متحول و كامل گرداند، از طبیعت الهام گرفته است.
با گذشت قرن ها، احساس نیاز به الهام گرفتن از طبیعت اسرارآمیز و دوست داشتنی و صد البته منظم، قانونمند و دارای شعور فطری، شدت پیدا كرده است. به گونه ای كه از ریزترین موجودات همچون ویروس تا غول آساترین كهكشان ها، برای انسان كه همیشه در تكاپوی حقیقت و دانش است، همه، معلمان و راهنمایان خوبی محسوب گردیده­اند، چرا كه طبیعت همیشه رو به سوی كمال دارد.
آنچه كاملاً مشهود است، به نظر می آید جهان هستی از جزء تا كل با یک حركت آرام ولی پیوسته كه به ظاهر تصادفی است رو به یک نقطه بهینه درحال حركت است. در حقیقت طبق نظریه داروینی، طبیعت در حال بهینه كردن مسائل است.
به طور مثال اگر بخواهیم حجم معینی آب را از كوهستان به دریا منتقل كنیم و تمام ویژگیها و معادلات مربوط به سختی، نوع، دما، جنس و سایر مشخصات آب و محیط اطراف را تعیین كرده و با این معادلات مسیر را بیابیم دقیقاً به همان مسیر جویبارها و رودخانه­ها می­رسیم كه در طبیعت جریان دارند.
بدیهی است كه خداوند معلمی است كه دانش آموزش، انسان را از طریق نشانه­ هایش در طبیعت به طور كامل هدایت می­كند.
هم اكنون كار روی توسعه سیستم­های هوشمند با الهام از طبیعت، از زمینه ­های پرطرفدار هوش مصنوعی است. الگوریتم ژنتیك[1] كه با بهره گرفتن از ایده تكامل داروینی و انتخاب طبیعی مطرح شده روش بسیار خوبی برای یافتن مسائل بهینه­سازی است. ایده تكاملی داروینی بیانگر این مطلب است كه هر نسل نسبت به نسل قبل دارای تكامل است و آنچه در طبیعت رخ می­دهد، حاصل میلیون­ها سال تكامل نسل به نسل موجوداتی مانند مورچه است.
حشراتی مانند مورچه، موریانه، زنبور كه به صورت كلونی زندگی می­كنند، بر رفتار به ظاهر بی­نظم­شان نظم و قانونمندی خاصی حكمفرماست كه دانشمندان و محققان را به خاطر این پیچیدگی منظم و راهگشا در حل مسائل بهینه­ سازی، شیفته خود ساخته است.
2-1- كمومتریكس
بدست آوردن داده تجزیه­ای یكی از مراحل اصلی تجزیه می­باشد، تا اواخر دهه پنجاه قرن بیستم این مرحله به عنوان مشكل­ترین بخش یک تجزیه به حساب می­آمد، همچنین زمان عمده یک تجزیه شیمیائی مربوط به جمع­آوری داده ­های تجزیه­ای می­شد.
اما ازآغاز دهه شصت قرن بیستم، زمانی كه دستگاه­های مدرن وارد آزمایشگاه­ها و مراكز تحقیقاتی گردید، این مشكل برطرف شد و در نتیجه استفاده از چنین دستگاه­های پیشرفته تعداد زیادی داده از یک نمونه بدست می­آید. جهت ثبت و ذخیره­سازی چنین داده ­های وسیعی نیاز به وسیله­ای بود كه بتواند از عهده چنین كاری برآید، به طور همزمان با ظهور دستگاه­های پیشرفته تعداد زیادی داده از یک نمونه بدست آمد و استفاده از كامپیوتر نیز به عنوان ابزاری جهت ثبت و ذخیره داده ­های حاصل از یک تجزیه شیمیائی رشد چشمگیری یافت، در نتیجه اتصال كامپیوتر به دستگاه­های آزمایشگاهی ثبت و ذخیره نمودن داده ­ها كه قبلاً به عنوان مشكل­ترین بخش یک تجزیه بوده تبدیل به ساده­ترین مرحله گردید. ولی مشكل دیگری كه به دنبال چنین پیشرفتی، ظاهر گردید، نحوه برخورد با چنین حجم وسیعی از داده بود كه باید به اطلاعات تبدیل می­شدند.
برای مدت­های طولانی، ریاضی و آمار برای تفسیر نتایج آزمایش­ها به كار گرفته می­شدند. ولی با ظهور نرم­افزارهای پیشرفته رایانه ای تحول شگرفی در نحوه استفاده ریاضی و آمار در حل مسائل شیمیایی به وجود آمد. به طوری كه استفاده از ریاضی ، آمار و كامپیوتر در شیمی منجر به ظهور شاخه­ای جدید به نام كمومتریكس[1] گردید. اگرچه شیمی­دانهای تجزیه بیش از سایر همکارانشان با این شاخه آشنا هستند و از آن بهره می­برند، ولی در رشته­های مرتبط با شیمی از جمله علوم داروئی، بیوشیمی و غیره نیز كاربردهای فراوانی دارد ]5-1[.
برای اولین بار در سال 1971 سوانت ولد[2] اصطلاح “كمومتریكس” را به كار برد و آن را هنر استخراج اطلاعات شیمیائی از داده ­های تجزیه­ای دانست . در سال 1974 با همكاری كوالسكی[3] انجمن بین ­المللی كمومتریكس تأسیس شد ]6[.
در سال 1982 كوالسكی و فرانك[4] كمومتریكس را شاخه­ای از علم شیمی كه در طراحی آزمایش­های بهینه­سازی، برقراری ارتباط بین نتایج تجربی با متغیرهای آزمایش و همچنین استخراج اطلاعات از سیستم­های شیمیایی با بهره گرفتن از ریاضی، آمار و كامپیوتر تعریف كردند ]7[.
ماسارت[5]، كمومتریكس را یک روش شیمیائی می­داند كه از منطق ریاضیات و آمار برای رسیدن به اهداف زیر بهره می­جوید ]8[:
1) طراحی با انتخاب فرایندهای تجربی بهینه شده
2) دسترسی به حداكثر اطلاعات مناسب شیمیائی از طریق داده­ های تجربی
3) بدست آوردن اطلاعات در زمینه سیستم­های شیمیائی
براون[1] سردبیر مجله كمومتریكس معتقد است كمومتریكس قسمتی از علم شیمی است كه كوشش در پاسخگوئی به سوالات مربوط به سنجش­های شیمیائی دارد ]9[. سوالاتی از قبیل:
1) اندازه ­گیری كجا و چگونه باید انجام پذیرد؟
2) سیگنال[2] و نویز[3] كدامند؟

3) چگونه می­ توان از اندازه ­گیری، اطلاعات مناسب را بدست آورد؟
4) منشأ خطاها در نتایج حاصل از اندازه ­گیری­ها چیست؟
انجمن بین ­المللی كمومتریكس (ICS) تعریف جامعی از كمومتریكس ارائه می­دهد. براساس تعریف این انجمن كمومتریكس علم برقراری ارتباط بین سنجش­های انجام شده بر روی یک سیستم یا فرایند شیمیائی و حالتی از سیستم می­باشد. این ارتباط از طریق كاربرد روش­های آماری و ریاضی صورت می­پذیرد.
به هر حال، شاید بتوان اهداف كمومتریكس را چنین بیان نمود كه:
با بهره گرفتن از کمومتریکس، عوامل موثر و بر همكنش آن­ها در یک فرایند شیمیائی (اعم از یک فرایند تجزیه­ای و غیره) مورد شناسائی قرار گرفته و با حداقل آزمایش­ها، بهینه­سازی می شوند. بدست آوردن ارتباط بین عوامل موثر و پاسخ سیستم از دیگر اهداف كمومتریكس می­باشد. در نهایت، تبدیل داده ­های حاصل به اطلاعات نیز هدف نهائی كمومتریكس می­باشد. واضح است رسیدن به چنین اهدافی نیازمند كمك گرفتن از ریاضی، آمار و كامپیوتر است ]10[.
بسیاری از مسائلی که در کمومتریکس با آنها مواجه می شویم به دلیل پیچیدگی فوق العاده با روش های دقیق قابل حل نیست به زبان علوم کامپیوتر، چنین مسائلی را “چند جمله ای نامعین سخت[4]” می گویند.
زمان لازم برای حل دقیق چنین مسائلی با زیاد شدن تعداد ورودی ها ، به شدت زیاد می­ شود ، در چنین مواردی لازم است از “تقریب های خوب[5]” استفاده کنیم، یکی از این تقریب­های خوب الگوریتم های هیوریستیک می باشند که از آن برای برقراری رابطه ساختار – خاصیت بهره خواهیم جست ]11[.
3-1- الگوریتم هیوریستیك
هیوریستیك­ها[1] عبارت از معیارها، روش­ها یا اصولی برای تصمیم ­گیری بین چندین خط مشی و انتخاب اثربخش­ترین آن ­ها برای دستیابی به اهداف مورد نظر می باشند. سیستم­های پیچیده اجتماعی، تعداد زیادی از مسائل دارای طبیعت تركیباتی را پیش روی ما قرار می­دهد. به عنوان مثال مسیر كامیون­های حمل و نقل باید به شکل بهینه تعیین شود. تئوری پیچیدگی[2] به ما می­گوید كه مسائل تركیباتی اغلب چند جمله­ ای[3] نیستند. این مسائل در اندازه­ های كاربردی و عملی خود به قدری بزرگ هستند كه نمی­توان جواب بهینه آنها را در مدت زمانی قابل قبول به دست آورد. با این وجود، این مسائل باید حل شوند و بنابراین چاره­ای نیست كه به جواب­های با تقریب بهینه بسنده نمود.
الگوریتم­هائی داریم كه می­توانند یافتن جواب­های خوب در فاصله مشخصی از جواب بهینه را تضمین كنند كه به آن­ها الگوریتم­های تقریبی می­گویند. الگوریتم­های دیگری هستند كه تضمین می­ دهند با احتمال بالا جواب “نزدیک بهینه[4]” تولید كنند كه به آن­ها الگوریتم­های احتمالی گفته می­ شود. جدای از این دو دسته، می­توان الگوریتم­هائی را پذیرفت كه هیچ تضمینی در ارائه جواب ندارند اما بر اساس شواهد و سوابق نتایج آن­ها، به طور متوسط بهترین تقابل كیفیت و زمان حل برای مسئله مورد بررسی را به همراه داشته اند. به این الگوریتم­ها، الگوریتم­های هیوریستیک گفته می­ شود.
هیوریستیك­ها نتیجه برقراری اعتدال بین دو نیاز هستند: نیاز به ساخت معیارهای ساده و تمایز درست بین انتخاب­های خوب و بد.
خاصیت هیوریستیك­های خوب این است كه ابزار ساده­ای برای تشخیص خط مشی­های بهتر ارائه می دهند. در حالی كه این الگوریتم­ها الزاما، تشخیص خط مشی­های اثربخش را تضمین نمی­كنند اما اغلب به صورت شرط كافی این تضمین را فراهم می­آورند.
بیشتر مسائل پیچیده نیازمند ارزیابی تعداد انبوهی از حالت­های ممكن برای تعیین یک جواب دقیق می­باشند. زمان لازم برای یافتن یک جواب دقیق اغلب بیشتر از یک طول عمر است. هیوریستیك­ها با بهره گرفتن از روش­هائی كه نیازمند ارزیابی كمتر هستند و جواب­هایی در محدوده ­های زمانی قابل قبول ارائه می­نمایند، دارای نقش اثربخشی در حل چنین مسائلی خواهند بود.
در حالت كلی الگوریتم­های هیوریستیک را به سه دسته تقسیم می­كنند:
1- الگوریتم­هائی كه بر هدایت هیوریستیک یک الگوریتم سازنده یا جستجوی محلی متمركز می­شوند، به گونه­ ای كه آن الگوریتم بتواند بر شرایط حساس غلبه كند به این الگوریتم­ها، متاهیوریستیك[1] گفته می­ شود.
2- الگوریتم­هائی كه بر ویژگی­های ساختاری مسأله و ساختار جواب متمركز می­شوند و با بهره گرفتن از آنها الگوریتم­های سازنده یا جستجوی محلی تعریف می­كنند.
3- الگوریتم­هائی كه بر تركیب یک چارچوب یا مفهوم هیوریستیک با گونه ­هایی از برنامه ­ریزی ریاضی (معمولاً روش­های دقیق) متمركز می­شوند.
هیوریستیك­های نوع دوم می­توانند خیلی خوب عمل كنند (گاهی اوقات تا حد بهینگی) اما ممكن است در جواب­های دارای كیفیت پائین گیر كنند.
همان طور كه اشاره شده یكی از مشكلات مهمی كه این الگوریتم­ها با آن روبرو می­شوند افتادن در بهینه­های محلی[1] است. بدون اینكه هیچ شانسی برای فرار از آنها داشته باشند. برای بهبود این الگوریتم­ها از اواسط دهه هفتاد، موج تازه­ای از رویكردها آغاز گردید. این رویكردها شامل الگوریتم­هائی است كه صریحاً یا به صورت ضمنی تقابل بین ایجاد تنوع جستجو و تشدید جستجو (این هدف كه بهترین جواب در منطقه مورد بررسی را پیدا كند) را مدیریت می­كنند.
این الگوریتم­ها متاهیوریستیک نامیده می­شوند و از بین این الگوریتم­ها می­توان به موارد زیر اشاره نمود:‌
1) بازپخت شبیه­سازی شده[2]
2) جستجوی ممنوع[3]
3) الگوریتم­های ژنتیك
4) شبكه ­های عصبی مصنوعی[4]
بهینه ­سازی مورچه­ای یا الگوریتم مورچه [5]
5) در حالیکه الگوریتم هوش مصنوعی به دنبال شبیه سازی هوش انسانی بر روی کامپیوتر (شبکه های عصبی) هستند، الگوریتم های متاهیوریستیک از هوش دسته جمعی حیوانات و حشراتی که به صورت کلونی برای حل مسائل پیچیده الهام می گیرند] 12.[
[1]. Local Optima
[2]. Simulated Anealling
19. Tabu Search
[4]. Meta Heuristic
Artificial Inteligence
[1]. Meta Heuristic
[1] .Heuristics
2. Complexity Theory
[3]. Polynomial
4. Near Optimal
[1]. Brown
[2]. Signal
[3]. Noise
None Deterministic Polynomial Hard
[5] .Good Approximation
[1]. Chemometrics
[2]. Sovant Wold
[3]. Kowalski
[4]. Frank
[5]. Massart
[1]. Genetic Algorithm