تهیه شده:مهندس سیامک گودرزی ومهندس رضا محمددوست
مقدمه و تاریخچه

هوش مصنوعی و Cybernetics: آیا این دو شبیه هم هستند؟ یا اینکه یکی در مورد کامپیوتر است و دیگری در مورد رباطها؟ جواب این سؤالها به طور قطع خیر می‌باشد.
AI(هوش مصنوعی) با استفاده از تکنولوژی کامپیوتر تلاش می‌:ند جهت رسیدن به ماشین مصنوعی و آن را با بهترین نتیجه اجرا میکنند.
Cybernetics از علم معرفت شناسی (محدودیتهای چگونه فهمیدن آنچه که ما می‌دانیم) استفاده می‌کند: ۱- برای فهمیدن محدودیتهای هر رسانه اعم از تکنولوژی – بیولوژیک و اجتماعی و همچنین برای مد نظر قرار دادن ترجیهات قوی به عنوان مهم‌ترین نتیجه. فیلد AI در سال ۱۹۶۰ به عنوان یک مفهوم محاسبه‌گر جهانی رشد یافت دید فرهنگی از مغز به عنوان کامپیوتر و وجود ماشینهای محاسبه‌گر دیجیتال جمع شدند تا آینده‌ای را ترسیم کنند که کامپیوترها حداقل به زیرکی انسان باشند (از نظر محاسبه) و فیلد Cybernetics در اواخر ۱۹۴۰ بوجود آمد زمانی که مفاهمیregulation , feedback , information در کاربردهای خاص مهندسی به سیتم‌های نظی سیستم‌های موجودات زنده و مراحل و پروسه‌‌های هوش و زبان تعمیم یافتند.
Origins of “ybernetics” : این واژه در سال ۱۹۴۷ شروع به ترقی کرد زمانی که Norbert wiener از این واژه استفاده کرد برای نامیدن یک discipline جدای از disciplineهای تأیید شده‌ای چون : مهندسی برق – ریاضیات – بیولوژی- نوروقیزیولوژی – انسان‌شناسی و روان‌شناسی. Arturo Rosenblueth , wiener و jalian biglow نیازمند یک اسم برای discipline جدیدشان بودند و آنها یک واژه یونانی به معنای ) The art of steering: هنر هدایت کردن) را برای برانگیختن تداخل اهداف – پیشگویی‌ها – action ها Feedback و پاسخ دادن به همه نوع سیستم. انتخاب کردند.
کاربردهای اخیر کنترل سیستم‌های فیزیکی ( نشانه گرفتن در توپخانه‌ها) طراحی مدارهای الکتریکی – به حرکت درآوردن رباطهای ساده) نقشهای اساسی این مفاهیم را در زمینه مهندسی به وضوح مشخص کرد، ولی رابطه آن با علوم اجتماعی و علوم دیگر (نرم‌تر-ظریف‌تر) از همان ابتدا واضح بود.
خیلی از محققین از سال ۱۹۴۰ تا ۱۹۶۰ به شدت در زمینه Cybernetic کار کردند بدون اینکه لزوماً از این واژه استفاده کنند مثلا R.buckminster Fuller و دیگران مثل Gnegury Bateson و Margaret Mead به طور غیر عینی کار کردند .
- Limits to knowing:
برای هدایت کردن مدلهای عملی برای تمام سیستم‌ها و محققین سیبرتیکی اخیر پی بردند که علم observed systems (سیستم‌های مشاهده شده) نمی‌تواند از علم observing systems (سیستم‌های هوشیار) جدا باشد زیرا این همان چیزی است که ما می‌بینیم (von Foerster) در واقع علم سرنتیک در ارتباط است با این محدودیت اجتناب‌ناپذیر از آنچه که ما می‌توانیم بفهمیم و آن هست: درونی بودن و فردگرای خودمان.و همینطور سیبرنتیک به طور ماهرانه همان علم معرفت شناسی کاربردی نامیده می شود. و در حدود پایین‌تر، فایده آن تولید توصیفات و تشریحات مفید و خصوصاٌ تشریح کردن در مقابل چشمان مشاهده گر می‌باش.
Shift کردن انگیزه (علاقه) در سپهرنتیک از ovserved systems. ما شامل سیستم‌های فیزیکی مثل ترموستات یا کمپلکس auto pilots – به سیسم‌های هوشیار (obsdrving) شامل سیستم‌های مربوط به سیستم‌های زبان گویا مثل علوم یا ستم‌های اجتماعی صریحاً Observer را در درون توصیفات جا می‌دهد در حالیکه فوندانسیون و شالوده اصلی feedback، gouls و information را حفظ می‌کند.
توصیفات سیبرنتیک از علم روان‌شناسی ، زبان – هنر – هوش و … ممکن است کاملا متفاوت باشند از دیدگاههای علوم سخت و پیچیده – اگر چه سیبرنتیک هم می‌تواند سخت و مشکل باشد. اجرا کردن این علم ممکن است در علم سخت‌افزار و یا نرم‌افزار یا در طراحی سیستم‌های اجتماعی – مدیریت و یا دیگر درجات سستم‌ها دنبال شود.
Origins of AI in cybernetics:
از روی طعنه ولی منطقاً AI در search (جستجو کردن) ماشینهای هوشمند تأثیر می‌گذارد.شروع سیبرنیتک با پیشرفت AI بود ولی اوج AI بین سالهای ۱۹۸۵-۱۹۶۰ بود ، زمانی که به شکست‌های مکرربرای دست‌یابی به ادعای ساخت ماشینهای هوشمند نهایتاً به AI رسیدند.
اینگونه مشکلات در AI منتهی شد به جستجوی مجدد راه‌حلهایی که همان سیبرنتیک بود.
Warren Mcculloch و walter pitts از اولین افرادی بودند که پیشنهاد دادند ترکیب نوروفیزیولوژی و logic (منطق) که در واقع قابلیت‌ها مغز را با محدودیتهای محاسبه کردن بهم پیوند زدند. رضایت‌مندی دنبال شده در فیلد AI همراه با کار در زمینه تورهای عصبی به عنوان perception نامیده شد. با وجود این روش سمبلیک محاسبه rose to squelch perception در سال ۱۹۶۰ ، در سال ۱۹۸۰ دوباره زنده شد. با وجود این نمی‌گوییم که سنت(شیوه) جاری در تورهای عصبی بر می‌گردد به آنچه در سیبرنتیک دیده‌ای. خیلبی از کارهای مدرن در تورهای عصبی متکی هستند به زمینه فلسفی AI و نه به سیبرنتیک.
Philosophy of cybernetics:
AI می‌تواند بر این فرض دلالت شود که دانش وسیله مناسبی است که می‌تواند در درون یک ماشین ذخیره شود و این چنین دانش ذخیره شده‌ای در جهان واقعی هوش را تشکیل می‌دهد.[Minsky 1968] . فقط در درون اینچنین واقع‌نگری «دید جهانی می‌تواند ، برای مثال شبکه‌های پرمعنا و سیستم‌های متخصص قاعده‌مند را پدیدار سازد برای اینکه یک راه برای رسیدن به ماشینهای هوشمند باشد. سیبرنتیک در مقابل باز کرده است یک دید جهانی Constructivist (سازنده) این تفاوتها صرفاً کراکتر معنایی نیستند ولی نسبتاً تعیین می‌کنند منبع و جهت تحقیق انجام شده توسط یک وضع سیبرنتیک و یا AI.
در ضمن تفاوتهای فلسفی بین AI و سیبرنتیک نشان داده می‌شود که چگونه Figure: هر کدام از آنها واژه‌ها (ترم‌ها) را در ستون مرکزی تغییر می‌دهد. برای مثال ، مفهوم representation (نمایش) در دو فیلد متفاوت فهمیده می‌شود.
ارتباطات سمت چپ ردیفهای علی (علت‌ها) هستند و منعکس می کنند استعدادهای neductionist را در دید واقع گرایانة AI که از طریق سیستم عصبی ما می‌توانیم کشف کنیم جهان را همانطور که هست.
ارتباطات سمت راست به طور غیر مرتبه‌ای و Circular (گردشی) هستند که منعکس می‌کنند یک دید سازنده را که در این دید جهان بوسیله عملکرد هوش به یک شیوه اجتماعی و تولید کننده از طریق علم تغییر تولید می‌شود (کشف می‌شود) معنی این تفاوتها خیلی وسیع است و اخیراً با تلاشهای فراوان برای بازسازی مقر به آن رسیده‌اند که حفظ می‌کنند ریشه‌ها را در الگوی «مقر به عنوان کامپیوتر».
این یافته‌ها نگهداری می‌کنند ممدودیتهای محاسبه سمبلیک دیجیتال و که احتمالاً نه قابل توضیح هستند و نه می‌توان برای بازسازی سیستم عصبی از آن استفاده کرد.
Influences:
Winograd و Felons نسبت دادند اثر Humber to Maturana یک بیولوژیست را که مفاهیم زبان و سیستم موجودات زنده را با دید سیبرنتیک دوباره طراحی کرد و همچنین نقش مهم اودر shift دادن عقیده‌هاشان دور از دید AI آنها از Maturana نقل قول می‌کنند: یادگیری یک پروسه جمع‌اوری ارائه‌های محیطی نیست بلکه یک پروسه دگرگونی رفتار از طریق تغییر مکرر در ظرفیت سیستم عصبی است برای ترکیب کردن آن.
Recall(باز نامیدن) وابسته به حفظ نامحدود از ساختار تغییرناپذیر و یکسان نیست که در واقع موجودیت خود را به نمایش می‌گذارد (یک ایده – تصویر یا سمبل) ولی بر طبق توانایی کاربردی سیستم برای تولید کردن ، موقعی که درخواستهای مکرر شخص داده می شوند ، رفتار که توجیه می‌کند درخواستهای مکرر را و یا مشاهده‌گر می‌ـواند کلاسه بندی کند آن را از طریق درخواست قبلی.
سیبرنتیک به طور مستقیم تحت تأثیر قرار می دهد سخت‌افزار را برای تعمیم هوش ارائه ، دانش مدل بندی‌های ادراکی که وابسته به شناخت کارهای تعاونی و مدل‌بندی‌ عصبی نتایج مفید در تمام این زمینه‌ها ثابت شده‌اند. همچون AI ، با وجود این ، سیبرنتیک راه حلهایی برای مشکل ماشینهای مصنوعی یا حداقل راه حلی در زمینه Complex مطرح شده در پروسه سمبلیک ماتریکس ندارد.
خیلی از محصولات مصنوعی فریب خورده با یک درخواست آشناتر تولید شده‌اند مثلاً به عنوان وسیله مناسب جهت جذابیت و سرگرمی یا برای زندگی ، Organic نسبت به یک قطعه سخت افزار.
در ضمن در تجدید نظر در تاریخ در سال ۱۹۵۰ ، اثر سیبرنتیک از میان علوم قسمت و نرم حس می‌شود و همینطور هم اثر AI. در این زمان هم سیبرنتیک یک وضعیت معرفت‌شناسی دارد که همه انسان های دانا وادار می‌شوند بوسیلة درک و اعقادشان و همینطور هم یک چیز ذهنی و درونی است.
ما باید ادامه دهیم به اینکه بفهمیم که آیا سیبرنتیک منتهی می‌شود به شکافتن تمام پیچیدگی ساختمان مصنوعات هوشمند یک سیستم عصبی یا مغز؟
Introduction to Complex Systems
I. معرفی تئوری سیستم‌های پیچیده: تعریف اولیه
سیستم‌های پیچیده هر نوع سیستمی است که شامل مجموعه‌ای از عوامل است که با ساختاری که دارای مقادیر متفاوتی است را شامل می‌شود. این شامل فرایندهایی است که فقط توسط قوانین ساده قابل توصیف است و نه فقط یک سطوح تعریف شده ، این سطح‌ها معمولاً شامل قالب‌هایی است که ظهور آنها نمی‌تواند پیش‌بینی شود. از ویژگی‌ها و خصوصیات کنونی‌شان. تئوری سیستم‌های پیچیده همچنین روابط بسیاری از بخش‌های یک سیستم را نیز مورد بررسی قرار می‌دهد.
پیش از این ، حین بررسی یک موضوع ، محققان از یک رویکر کاهش ، یابنده استفاده می‌کنند که تلاش می‌کرد. مختصر سازد دینامیک‌ها ، فرایندها و تغییراتی که اتفاق می افتد در کوچکترین شرایط معمول و ساده‌ترین آنها ، و تغییراتی که اتفاق می‌افتد در توضیحات قابل اجرای ریزبینانه و قابل اثبات.
ولی از زمان کامپیوترهای قدرتمند که می‌توانند حجم بسیار زیادی از داده را پردازش کند، محققان می‌توانند فقط پیچیدگی عوامل درگیر در یک موضوع را بررسی کنند و ببینند چه نقطه نظرهایی که پیچیدگی‌ها بیان می کنند برون ساده‌سازی و کاهش دانشمندان کشف کرده‌اند که پیچیدگی Complexing به تنهایی توسط تعدادی از ویژگی‌ها مطرح می شود:
۱- خود سازنده‌ها self- organreation
2- غیر خطی بودن non – linearity
3- ترتیب / chaos دینامیک chaose/order dynamic
4- ویژگی‌های ضروری Emergent properties
از پروسة آموزش تحلیل ، شبیه سازی و مدل‌سازی این ویژگیهای سیستم‌های پیچیده ، تعددی از رویکردها برنامه‌های کامپیوترهای خاصل و برانگیزاننده بصورت زیر ظهور کرده است:
۱- زندگی مصونوعی
۲- الگوریتم‌های ژنتیک
۳- شبکه‌های عصبی
۴- Automata های سلولی
۵- شبکه‌های بولین
۱- خودسازنده‌ها self- Organization
دانشمندان کشف کرده‌اند که تغییرات بصورت خود به خود در سیستم‌ها برای افزایش کارایی و تأثیر تا جایی که سیستم به پیچیدگی آن چه در بالا مطرح شد برسد. این تغییرات کامل شده ، توسط فاکتورهایی انجام می‌شود که می‌سازند سیستم را وقتی که بطور اتوماتیک جواب می‌دهید که پاسخ می‌دهند به بازخوردهای محیط که سیستم به آن عادت کرده است. بازخوردهای محیطی می‌توانند با جمع‌آوری اطلاعات دربارة کارایی و تأثیرگذاری سیستم مشاهده شوند.
عواملی که باقی می‌گذارد بازخورد منفی محیطی. بطور اتوماتیکی درباره خود را بازسازی می‌کنند و یا دوباره سازمان دهی می‌نمایند و آنها دربارة انجام بهتر اهداف سیستم است. موفقیت در این مورد بقای مداوم آنها را مطمئن می‌سازد توسط حمایت و نیروی تقویتی که این عوامل بخشی از ساختار آن است.
این پاسخ‌دهی‌ها اتفاق می‌افتد حتی وقتی که عوامل و سیستم‌ها غیر اورگانیک‌اند. بدون هوش و ناخودآگاه هستند تا وقتی که سیستم مانند آن چه توضیح داده شده پیچیده می‌شود.
مثال بعضی از مثال‌های خود سازنده در سیستم‌های پیچیده متفاوت است بشرح زیر است:
A – انتخاب طبیعی: Natura Selection بهترین فرم شناخته شده درباره تئوری فرضیه تکامل است که توضیح می‌دهد چه گونه‌هایی کامیاب شده‌اند و چه گونه‌هایی در این جنگ برای حیات در محیطی منقرض شده‌اند.
در این تئوری ، هرموجودی با مجموعه‌ای از خصوصیات به دنیا می‌آید. در میان این خصوصیات آن دسته‌ای که به حفظ بقای موجود زنده کمک می‌کند. بارزتر می گردد، در مقابل، آن دسته از خصوصیاتی که به حفظ بقا و تولید مثل موجود کمک چندانی نمی‌کنند بهسرعت از ژن موجود مهو می‌شوند زیرا آنها نتواتسته‌اند در هدفی که برایشان تعریف شده ، موفقیت‌زا باشند.
در چنین روندی که می‌تواند در سستم های پیچیدة غیر اورگانیک نیز اتفاق بیفتد ، زیرا بطور طبیعی در حد این مقوله از پیشرفت دهه سیستم‌های پیچیده (اورگانیک ، غیر اورگانیک) آن دسته از پروسه‌هایی که تقویت شده یا دوباره اتفاق افتاده‌اند و یا حمایت شده و بطریقی قدرت یافته‌اند (زیرا ساختاری که آنها بخشی از آن هستند ، نابود خواهند شد به احتمال قوی تر و یا بطریقی حمایت می‌شوند) در مقابل ، آن فرآیندهایی که به ساختار هایی که بخشی از آنها هستند را صدمه می‌زنند آنرا بطریقی به مخاطره می‌اندازد ، تحقیقات تکنیک‌های برنامه‌نویسی در کامپیوتر ایجاد کرده است که مشکلاتی را که بر اساس فرآیندهای پیچیده تحولات بیولوژیکی و انتخاب‌های طبیعی است را حل می‌کند. این تکنیکها «تحولات محاسباتی» نامیده می‌شوند:
۱- زندگی مصنوعی ۲- الگوریتم‌های ژنتیکی از این دسته‌اند.
B- مفهوم دیگر برای خودسازنده‌ها که در طبیعت یافت می‌شود ، سیستم عصبی مرکزی در حیوانات است.
در این مثال، شبکه سلولی نفر که به بیشترین صدمه زنده ماندن حیوانات کمک می‌:ند ، آن خصوصیاتی است که به بیشترین میزان توسط آنها مورد استفاده قرار می‌گیرد بنابراین بنابراین این خصوصیات از نظر پیچیدگی و سایر مورد جهش قرار می‌گیرد. در مقابل ، آن شبکه‌های سلولی نفری که کمک نمی‌کند به حفظ حیات حیوانات کمتر مورد استفاده قرار می‌گیرد بنابراین کمتر رشد می‌یابد یا حتی رشد آن متوقف می‌شود ، لاغر می‌شود یا حتی ناپدید می‌شود.
دانشمندان یک تکنیک برنامه‌نویسی کامپیوتر توسعه داده‌اند به منظور حل این مشکل طراحی شده است و شبکه‌های عصبی نامیده می‌شود.
یک مثال دیگر از خودسازند‌ه‌ها در جایی است که یک کار کلی با تفکیک آن به چندین بخش انجام می‌شود و بخش‌های حاصل از بین واحدهای مختلف تقسیم می‌کنید. هر یک از این واحد با یکدیگر همکاری می‌:ند در جای ضروری ، تا از عملکرد هماهنگ ، حمایت کنند. در طبیعت از این روش کا بیشتر در سلول‌هایی که اورگان‌های بدن را مس‌سازند ، دیده می‌شود. سلول‌ها جدای از اورگان زندگی نمی‌کنند. در واقع این سلول‌ها هستند که ساختار دقیق اورگان را می‌سازند و اجرا می‌کنند نقش‌های متفاوتی را درعملکرد اورگانی که هدف کلی را انجام می‌دهد.
دانشمندان یک تکنیک برنامه‌نویسی کامپیوتری برای حل این مسئله طراحی کرده‌آند که سلول Automata نامیده می‌شود.
۲- غیر خطی بودن
وقتی تغییری در سیستم‌های پیچیده روی می‌أهد در قالب غیر خطی خواهد بود.
تغییرات خطی جایی است که مجموعه‌ای وقایع و اتفاقات که یکدیگر را تحت تأثیر قرار می‌دهد یکی پس از دیگری. در مقابل ، در تغییرات غیر خطی ، یک نفر می‌یابد فاکتورهایی که مورد تغییر قرارگرفته‌اند توسط عوامل قبلی، ولی بعد به وقت آن، این عوامل تغییر یافته که تحت تأثیر قرار می دهند عواملی را که پیش از این در این سکانس درگیر بوده‌آند.
بنابراین ، در تحلیل غیر خطی ، محققان نشان می دهند که آنها در هر مرحله به مسئله‌ای که نگاه می‌کنند احتمال تأثیر گذاشتن آن را روی موارد هر چیزی قبل یا بعد از آن کنترل می‌کنند. بنابراین اغلب این نتایج ختم می‌شود به unproportional بودن در ورودی‌های اصلی
این نوع از سیستم‌های پیچیده بسیار نزدیک‌تر است به چیزهایی که واقعاً در طبیعت اتفاق می‌افتد. در طبیعت تقریباً هیچگاه اتفقات و تغییرات خطی صورت نمی‌گیرد.
۳/II دینامیک ترتیب/ chaos
این معمولاً بسیار ساده است که پیش‌بینی نمود مرحله بعدی در پیشرفت یک مجموعه چه مرحله‌ای خواهد بود بویژه زمانیکه دانش و آگاهی نسبت به مرحله قبلی وجود دارد. و این دانش معمولاً رنجی از احتمالات است که بعدها ممکن است بوقوع بپیوندد.
ولی وقتی که به پیشرفت عمیقی و بسیار جلوتر از آن چه که ممکن است در زمان کنونی رسیده‌ایم می‌اندیشیم بسیار و بسیار سخت خواهد بود تا افق آینده را ترسیم نمائیم بویژه وقتی که دانش ما محدود به اولین مرحله است. بنابراین اگرچه پیشرفت منطقی از یک مرحله به مرحله دیگر وجود دارد ، یک عدم توانایی فزاینده نیز وجود خواهد داشت که حقیقتاً قدم بعدی چه خواهد بود. این عدم قطعیت در پیش‌بینی chaos بی نظمی نامیده می‌شود.
بنابر این ، می‌توان مشاهده کرد که یک ، تغییر کوچک در یک شرط جزئی چگونه می‌تواند منجر به تعداد بسیار زیادی از نتایج با احتمالات متنوع شود. ولی هنوز تمام این تغییرات نتایج منطقی همان تغییر کوچک خواهد بود ، ققط بطور فزآینده‌‌ای غیر قابل پیش‌بینی است که کدام احتمال به وقوع خواهد پیوست. از آنجایی که بسیاری از احتمالات اتفاق افتادن بسیاری از این حالات قابل پیش‌بینی است ، تحلیل‌های آماری می‌ـوانند نقش بسیار مهمی در کنترل این شرایط داشته باشند تصویرسازی و توضیح کلاسیک در زمینة این ایده که چگونه بال یک پروانه در یک نقطة دنیا ، می‌تواند در تحل یک گردباد عظیم در طیف دیگری از کره خاکی اثر بگذارد بخشی از این دیدگاه است.
a.II) ویژگی‌های خاص:‌
عدم قابلیت پیش‌بینی که در تحول طبیعی سیستم‌های پیچیده ارثی است می‌ـواند نشان دهد نتایجی را که کاملاً غیر قابل پیش‌بینی‌اند از دیدگاه پایه و اساس علمی و شرایط اولیه. این نتایج غیر قابل پیش‌بینی ویژگی‌های خاص emergent properfies نامیده می‌شوند. ویژگی‌های خاص همچنان در دسته‌بندی نتایج منطقی قرار می‌گیرند ویژگی‌های خاص emergent properties نامیده می‌شوند. ویژگی‌های خاص همچنان در دسته‌بندی نتایج منطقی قرار می‌گیرند ویژگی آنها این است که امکان پیش‌بینی شدن ندارند. این مقوله حتماً می‌تواند شامل مواردی است که یک عامل قادر به تجزیه به فاکتورهای مشابه و یا اولیه خود را ندارد.
II) تکنیکهای برنامه‌نویسی‌های کامپیوتری:‌
۱/III) زندگی مصنوعی
زندگی مصنوعی یک برنامه مدل‌سازی کننده است که کامپیوتر را شبیه سازی می‌کند با تمام موجودیت‌های منظم شدة کامپیوتر (که نماینده نامیده می‌شوند Agent) وسیر تحول زندگی که مشخص می‌کند کدامیک زنده می‌ماند و کدام محکوم به فنا است. و این شامل انتخاب‌های طبیعی است.
۲/III) Genetic Algorithms
یک رویکرد محاسباتی است که بر اساس پروسه‌هایی می‌باشد که هجوم می‌برد به مسائل برای حل کردن آنها با انتخاب‌های طبیعی در تحولات بیولوژیکی مهم‌ترین مشکل حیات یا عدم حیات مسئله است. تنها در یک انتخاب طبیعی ، برنامه تنظیم شده تا تمام راه‌حل‌های برنامه‌ای را تولید کند برای یک مشکل خاص. آنهایی که که به موفقیت ختم می‌شوند باقی مانده و بقیه از بین می‌روند.
۳/III) شبکه‌های عصبی.
گروهی از سلول‌های عصبی به هم متصل که تأثیر می‌گذارند بر طریقی بنحوی که می‌رسند به یک نتیجه‌گیری بر اساس ورودی‌هایشان. این با زمان وفق داده می‌شود زمانیکه با پاسخ مورد نظر تطبیق یابد.
این رویکرد ، بطور ابتدایی مورد استفاده قار می‌گیرد به منظور شناخت مروسپس‌های آموزش و خود سازنده‌ها.
این رویکرد برنامه نویسی متقلید شده بعد از پروسه پیشبردی سیستم‌های عصبی در حیوانات.
۴/Iv) Automata های سلولی:
یک رویکرد برنامه‌نویسی است که محاسبه می‌کند رویکردهایی را که متمرکز نشده‌آند در اطراف برنامه‌نویسی‌های ساده و sub- routineها (نماینده Agent نامیده‌میشوند) که محدودیت‌های عملیاتی مشخصی دارند.
A) عملکرد آنها به یک Sub.task یک Task جامع از ساختاری که همچنن ثابت می‌مانند، محدود است
B) ساختارشان تعریف می‌شود و باقی ماند فقط در مجموعه‌هایی که آنها را شامل می‌شود.
C) بدون ساختار و مستقل از آن نمی‌ـوانند ، باقی بمانند.
D) این محدودیت‌ها اغلب پارامترهای برنامه‌ریزی شدة مشکل یا هدف طراحی شده می‌باشند.
این Agentها فقط قادرند که اهداف برنامه نویسی خود را حل کنند و با همکاری یکدیگر همکاری نمایند که در نهایت به تکمیل ساختار کلی Task یا هدف کمک می‌کند.
۵/ III) شبکه‌های بولین.
محاسبات شبکه‌های بولین با دو مقدار اولیة منطقی روشن/خاموش ، بله /خیر ، درست /غلط ۲ حق انتخاب متفاوت بدون هیچ گزینه‌ای بین این دو آغاز می‌شود. بعد مورد مطالعه قرار می‌دهد پیچیدگی را با ایجاد روابط پیچیده مانند مدارهای منطقی ساده با اضافه کردن Connectorهای منطقی مانند AND ، OR ، Not AND و غیره و با استفاده از تیترهای تصادفی.
یک مثال از این مورد بشرح زیر است:
AND یعنی هر دو شرط همزمان مقدار درست داشته باشند.
۱) بسکتبال بازیکن حرفه‌ای باید قد بلند باشد و AND
2) بازیکن بسکتبال حرفه‌ای باید سریع عمل کند.
جان قد بلند است ولی او سریع نیست پس او نمی‌ـواند یک بازیکن حرفه‌ای باشد.
در مقابل OR وقتی است که حداقل یکی از گزینه‌ها دارای ارزش صحیح باشد.
۱)Tom فضای شیرین دوست دارد یا OR
2) Tom فضای شور دوست دارد.
شکلات شیرین است نه شور. با این وجود Tom هنوز شکلات دوست ندارد.

Gernetic Algithms – Nature`s way : by chris lucas
«هیچ حس دقیقی وجود ندارد وقتی که شما حتی نمی‌دونید که درباره چه دارید صحبت می‌کنید» John von Neumann
«من این قانون را نامیدم که بدینوسیله هر تغییر آرام ، اگر مفید باشد ، ذخیره می‌شود بکمک واژة Nutaral seletion (جمع آوری طبیعی)»
Charles Robent Darwin,
«من این قانون را نامیدم که بدینوسیله هر تغییر آرام ، اگر مفید باشد، ذخیره می‌شود بکمک واژة Natural selection (جمع‌آوری طبیعی)» charles Robent Darwin,
- Introduction :
در یک محدوده وسیع زمانی پروسه‌های تحول (evolution) تدریجی تولید کرده است یک پایه کلی را برای زندگی روی زمین که آن هست DNA یا نوع ساده‌تر متفاوت آن RNA این دو سیستم تقسیم می‌کنند یک سیستم کدگذاری که با آن بزرگترین اختراعات انسان یعنی کامپیوتر می‌تواند کاملاً متفاوت عمل کند.
Approaches to Achievement: در استفاده ما از کامپیوتر ما در ابتدا یک هدف کلی را تصمیم‌گیری می‌کنیم و سپس ما مشکلات مدیریتی آن را رفع کرده و مراحل کار را مرحله به مرحله می نویسیم (الگوریتم) که به وسیله این الگوریتم بتوانیم آنها انجام دهیم. انعکاس میل نرمال ما به سوی زندگی که در آنها تصمیم می‌‌گیریم در رابطه با آنچه ه آرزو داریم انجام دهیم و آنها را دور از جاه‌طلبی طرح‌ریزی می‌کنیم. و زمان و منابع مورد نیاز را نیز محاسبه می‌کنیم. اگر Plan ما کار نمی‌:ند آنرا تغییر می دهیم و اصلاح می‌کنیثم دوباره تلاش می‌کنیم برای چندین سری از آن تا که یکی از آنها در آن زمان به آن دسترسی می‌یابیم.
طبیعت یک شیوه متفاوت است ، نیروی بی شعور و جاهل. اگر وجود دارند ۱۰۰ ها option موجود ، برای همة آنها به خوبی تلاش می‌کنیم . همه Optionها توأماً آزموده شده‌اند ولی کجا وجود دارد؟ مسئله‌ای نیست! در اولین بینش و دید برای چشمهای انسان این یک مفهوم عجیب است. چگونه شما می‌توانید هرجایی فایده بگیرید بدون اینکه بدانید آنجا کجاست؟
Teaching versus exploring:
«ناآگاهی خوش است» و ما انسانها به طور مشخص از یک حالت ناآگاه استارت زده شده‌ایم. هر کدام از ما می‌تواند فقط قصد آنچه را کند که هم اکنون می‌دانیم ، محدودیت‌های دانش و علم ما را به آنچه که می‌توانیم تصور کنیم محدود می‌کند ما اغلب نمی‌توانیم آنسوی فرضیات خودمان را ببینیم. برای غلبه کردن بر این محدودیت‌ها می‌بایست اعتماد کنیم که وسیله شخصی که ما به او توکل کرده‌ایم آموخته شویم بر اساس ایده‌های جدید یا کشفیات جدید تصادفی. در هر دو شیوه ما افق‌های ذهنمان ر ا توسعه می‌أهیم و بنابراین امکانهای جدید را می‌بینیم که به آن قبلاً فکر نکرده‌ بودیم.
با انتخاب متد طبیعت و تلاش کردن برای هر انتخاب ممکن ما می‌توانیم به هر سرنوشتی برسیم. بنابراین ما می‌توانیم هر تجربه ممکنی را جذب کنیم. واه چه شیوه زندگی خوبی. آیا گرهی وجود دارد؟ البته. ما صدها برابر منابع را مصرف می‌کنیم برای هر صد انتخاب ممکن . و انتخابها Option)ها) به طور هندسی زیادی شوند و جهان با هم به اندازه کافی بزرگ نیست.
Eualuating options:
ولی طبیعت در حال حاضر راه‌حل دارد، هرس کردن درختان . تصور کنید ما دو تا option داریم ، هر کدام از آنها نیز دو یا بیشتر option دارند، همه آنها را ترسیم کنید ما به یک تصویری می‌رسیم شبیه درخت شاخه دارد. فرض کنید ما یک test را بر روی هر option اعمال کنی. ، اگر test ، fail شود (شکست بخورد) در آنصورت آن Option(آن شاخه درخت فرضی که رسم کرده‌ بودیم) Delete می‌شود (در این تصویر ما ماذف می‌کنیم هرزن موش را که برای پیدا کردن غذای مرکزی‌اش دچار شکست می شود). بار دیگر ما اینکار را انجام می‌دهیم ما هرس کرده‌ایم تمام شاخه‌‌های Fail شدة درخت را و آنها در تست‌های م ا کنار گذاشته می‌شوند (این دقیقاً شبیه برنامه شطرنج کامپیوتر است). ولی از کدام تست طبیعت می‌تواند استفاده کند؟ یک نوع سادة تست بنام تست‌بقای خودش . هر موجودی قادر است زندگی کند و تولید مثل و خواهد مرد در نهایت ، ژنهای آنها از تمام optionهای موجود هرس می‌شوند.
آیا کامپیوترها می‌توانند آ»چه را که طبیعت انجام می‌دهد عمل کنند؟ آری، این یک فیلد کلی شناخته شده است به عنوان «محاسبه تکاملی» که در آن Algorithm زنتیک یک تکنیک پایه‌ای و می‌تواند توسعه یابد برای از بین بردن آنچه که نیاز است برای یک پروگرام اصولی (field of Genetic programming)
The Genetic Algorthm
چگونه این الگوریتم کار می‌کند؟ خوب، ما یک جمعیتی از اشاخاص را تولید می‌کنیم که هر کدام را بوسیله یک کروموزم نمایش می دهیم (مجموعه‌ای از gene ما و شخصیت‌ما) و آنها را به شکلی اختصاص می‌دهیم که داریم آن را بررسی و تحقیق می‌کنیم. ژنها معمولاً تکمیل می‌شوند بوسیله سری‌هایی از comuter bits (ذرات کامپیوتری) تحت پوشش قرار می‌دهیم همة ارزشهای موجود را. ارزش هر ژن در ابتدا به صورت random تعیین می‌شود با کمک پارامترهای موجود. جمعیت بالا نیز ارزیابی می‌شوند برای تعیین کردن اینکه جقدر خوب هر شخصی وظیفه مربوطه را انجام می دهد.
بهترین اعضای جمعیت (به طور تیپیک ۱۰% افراد) سپس به عنوان پدر و مادر نسل بعد می‌شوند. ژنهای نسل بعد تولید می شوند بوسیله انتخاب دو پدر و مارد به صورت random و قسمتهایی از کروموزوم هر کدام از آنها با هم ترکیب می‌شود ، بنابراین در ترکیبات ژن پدر و مادر ABC و DEF با هم هرماه شده و می‌تواند تولید نسل ABF و DEC کند. این تقلید کردن متقاطع یا دوباره ترکیبی از تولید مثل جنسی در طبیعت است و برای چندین زوج تکرار می‌شود تا یک جمعیت ثانویه full(کامل) بوجود آید. این random ما که به افراد تغییر می‌یابد سپس باعث می‌شود نقش طبیعی جهش یا mutation تقلید شود با یک rate (سرعت) مطلوب (۱ در ۱۰۰ ذرات تغییر یافته).
جمعیت برایند سپس ارزیابی می‌شود از قبل و پروسه تکرار می‌شود برای چندمین دفعه به صورت مطلوب تا اینکه میزان کار مورد نیاز انجام شود. (یا هیچ اصلاح دیگر یبه نظر ممکن نمی‌اید). این تکنیک سریعاً تحت پوشش قرار می‌دهد فضای تمام optionهای ممکن را و متمرکز می‌شود روی یک راه حل که برتر از همه است ولی بهترین برنامه‌ریزیهای انسانی ، در نواحی وجود دارند که هیچ تکنیک‌های برای راه حل موجود نیست (برای حل آن مشکل موجود نیست) Coevlutionary programming :
در بسط برنامه ژنتیک ، ژنها هستند حالتهای با ارزش با یک زبان کامپیوتری و کروموزومها در این case خودش یک برنامه program است. عملیات بیشتر و اضافی انجام می‌شوند برای با هم ترکیب کردن یا تقسیم کردن ممکنت‌های پروگرام (کروموزم) ، و اجازه می‌دهند به طول متفاوت پروگرام‌ها برای بازکردن.
بوسیله تکنیکهای GA (باستثنای جهش) ما می‌تواند اجازه دهیم که یک پروگرام خودش تولید شود برایحل کردن یک مشکل خاص و رد کردن همه پروگرام‌های Fail شده . این عمل ثابت کرده است یک شیوه تولید مثل خیلی قوی را با مشکلات خیلی پیجیده ولی مانعی وجود دارد که در آن که برایند همه آنمشکلات است و غیر قابل فهم برای انسان می باشد.
در اینجا یک پیچیدگی وجود دارد. اگر تست ما خیلی خاص باشد سپس پروگرام برای آن وظیفه خاص ممکن است بی عیب و تکمیل شده باشد ولی برای تمام taskها (وظایف) دیگر fail می‌شود. ما چطور می‌توانیم بر این موضوع عقبه کنیم؟ دوباره با copyبرداری از ططبیعت. فرض کنید ما تولید می‌کنیم یک پروگرام را برای اینکه یک سری از ارقام را sort کنیم (تنظیم کنیم) اگر ما یک تست fix شده یا ثابت از ارقام داشته باشیم ما با مشکل مذکور رویارو می‌شویم بنابراین ما می‌ایست setهایی از ارقام را داشته‌باشمی به همان تعداد پروگرامی که داریم. پروگرام‌ها می‌توانند با تست‌های متفاوت در هر سطحی و مرحله‌ای مواجه شوند و فقط آنها که قادر به راه‌حل کلی هستند زنده خواهند یا نه. ولی ما می‌توانیم هنوز آن را بهبود بخشیم ، بیایید تست‌ها را پیشرفت دهیم وسیله همین پروسه بازماندگان تست هستند آنهایی که پروگرام مغلوب را تشکیل می‌دهند.
از استراتژی convolution استفاده می‌:نیم. تست‌ها سخت‌تر می‌شوند و بنابراین پروگرام‌ها بهبود می‌یابند و این تکنیک bootstrapping feed back یک بهبودی قابل توجه در سرعت و کارایی را به ما می‌دهد. اگر غیر از پروگرام‌ها و تست‌ها ما یک سری واسطه را جذب کنیم به قلمرو زندگی مصنوعی وارد می‌شویم.
Evolutionary thinking:
آیا ما می‌توانیم این سری تکنیک‌ها را در انسان استفاده کنیم ؟ شاید ما در حال انجام آن هستیم. در هر زمانی ما فکر می‌کنیم به یک وظیفه آیا ما به طور اتوماتیک خیلی از آن راه حلهای ممکن را تولید نمی‌کنیم ولی آنها را ارزیابی می‌کنیم در مقابل اهداف‌مان و همه آنهایی که fail می‌شوند را دور می‌ریزیم؟
ما همچنین تصفیه می‌کنیم زنده نگه‌دارنده‌ها را (با ترکیب کردن بهترین قسمتهایی هر کدام از آنها) و بنابراین ما یک راه حل بهینه را داریم و این طبیعت است که دوباره به ما تلنگر می‌زند. از نظر اجتماعی هم یک پروسه اینچنین معمول و عادی است. آشفتگی فکر یک تکنیک محبوب برای تولید مثل است که راه‌حلهای شبه تصادفی را برای یک مشکل تغییر می‌دهد و تعدیل می‌کند برای طبیعت و شاید ارتباط پیدا می‌کند ترفند ژنها.
گروهی که ارزیابی می‌کند (تستها) optionها را و آن سری را که Fail شده‌اند هرس می‌کند ، آن Option برنده تکثیر می‌یابد برای مرحله بعد و سرانجام برای تولید. بکمک این استراتژیهای آنالیز و سنتز (هر دو اهداف ما هستند) ما همچنین عمل می‌کنیم با یک استراتژی تکامل paralled و کمپانی‌ها (کروموزوم‌ها) ما همچنین عمل می‌کنیم با یک استراتژی تکامل parallel و کمپانی‌ها (کروموزم‌ها) برای رشد یافتن رقابت می‌کنند و ایده‌ها برای توجه کردن به آنها و مراقبت از آنها رقابت می‌کنند. تکامل در رفتار ما جای داده می‌شود.
Art and interactions:
تکنیک آلگوریتم‌های ژنتیک قابل اجراست (در بسیار موارد) حتی در زمینه هنر. اگر ما ژنها را کدگذاری کنیم برای اینکه آنها را به چندین تصویر یا شکل یا موزیک ارجاع دهیم ما می‌توانیم به طور فوق‌العاده شرکت کنیم در این برنامه بر اساس اشکال هنری یا موزیک. هر سیستم از بلوکهای ساختمانی می‌تواند تطبیق یابد با این روشها و پروسه‌ها و به این ترتیب تصور برتری پیدا می‌کنیم به طور اتومایتک از تولید کنندة آن با مقید کردن سیستم به تستها ما می‌توانیم طراحی کنیم پروسه‌هایی را برای اینکه در یک وظیفه اصلی و زمینه‌ای شرکت کند. و منتهی شود به یک اختراع غیر قابل انتظار (و این شیوه طبیعت است)
ما می‌بایست با وجود این روشن کنیم که ما به طور کامل یک تقلید کنندة از طبیعت نیستیم ژنهای مصنوعی‌ مثل (ژنهای تیپ G) خیلی خوب تعریف می‌کنند ارتباطات با function یا فرم‌ها (مثل تیپ P) ما همچنین فقط یک کروموزوم با طول خیلی محدود شده داریم در برنامه ژنتیکی‌مان ، از آنجائیکه ژئوتیپ (آنچه برنامه ژنتیکی ما را تعیین می‌کند) طبیعی شامل کروموزوم‌های زیادی است هر کدام با هزاران ژن.
در ژنهای طظبیعت ترجمه کنیم یک فرم بدن را از طریق یک پروسه غیر فعال پیچیده فرم هست یک پدیدة فوری و ضروری وابسته به تداخل ژنها با خودشان با سلول شیمیایی و با ممحیط اطراف. ما نمی‌توانیم این پروسه را به قدر کافی پیشگویی کنیم بدون ضروریات طبیعت را بشناسیم. مهندسی ژنتیک در حالیکه کاملاً ممیزات یک مرحله خطرناک می‌باشد. عوارض (side effect) هر کدام از تغییرات برای یک پروسه غیر خطی و یک کمپلکس بنام زندگی هستند غیر قابل پیشگویی.

Neural networks-Artificial Brains : by Chris lucas :

- دست‌یابی به یادگیری شانسی نیست ، یادگیری ما نسبی به گرمی جستجو شود و با سعی و کوشش برای آن حضور یافته شود.
Abigaid Adams.
- سیستم عصبی organize می‌شود زیرا یک واقعیت stable را محاسبه می‌:ند این حالت همان اتونرمی را بیان می‌کند ، که به آن self negulation یا خود تنظیمی ، برای زندگی هم می‌گویند.
Heinz Von fewrster
اگر ما بخواهیم یک ماشینی هوشمند بسازیم و بهترین شیوه برای اینکار تقلید کردن از فکر و ذهن انسان است و گونه‌های باهوش تکامل یافته. آیا این کار ممکن است؟ خب، برای تعیین کردن این موضوع ما می‌بایست او ل از همه آنچه را که می‌خواهیم تقلید کنیم بفهمیم.
The human Brain:
مقر انسان شامل حدود ۱۰ بیلیون نورول (سلول عصبی) است. و هر کدام از اینها حدود ۱۰۰۰۰ نقاط ارتباطی با دیگر نورونها دارند. که هم پیام به آن وارد می‌شود از طریق دندریت و هم از آن خارج می‌شود از طریق آکسون. این ارتباطات می‌توانند موضعی باشند (نورنهای مجاور) یا دو از هم باشند (هم در لایه‌های مجاور هم در مقر و هم در لایه‌های دورتر).
The Neuron
عمدتاً نورنها به عنوان یک بخش تغییر یافته ساده از چندین نمونه می‌باشند ، و اینها یک mputy دریافت می‌کنند برای یک ترکیب خاص و آن را به صورت output تحویل می‌دهند. مثل Computer. این دید با وجود این خیلی نادرست است. تحقیقات اخیر نشان داده‌اند که نورونها پروسه‌های قابل توجهی هم وابسته به زمان هم وابسته به مکان را انجام می‌دهند.
Output یک نورون هست نتیجه‌ای از یک محاسبه وسیع و شاید هم معادل با یکی از super computer‌های خودمان. یک نورون به عنوان سلولی است که هر کدام از آنها را ما می‌دانیم محتوی میکروتوبولهای کامپیوتری است (هزاران میکروتوبول در هر سلول هر کدام عملی‌کنند حدود ۱۰ میلیون سیکل در ثانیه).
Connections:
ارتباطات از یک پش زمینه‌ای از پیچیدگی می‌باشد که از شبکه‌های عصبی مشتق شده‌اند. آیا ما می‌توانیم خلاصه کنیم هر تصویر مفیدی از نفر را که ما می‌توانیم در درون سیستم‌های ماشینی بکار ببریم؟ خب ، ایده کلی از واحدهای ارتباطی مثل «نتیجه پایانی» بستگی دارد به اثرات متقابل یکسو از این واحدها و بستگی ندارد به دستورالعمل‌های حقیقی‌شان به عنوان یک ایدة مشخص و دقیق می‌باشد. ما همچنین توجه کنیم که همه قسمتهای شبکه عصبی به صورت موازی عمل می‌کنند (و غیر اراد) نمودی از مقر انسان که خیلی اهمیت دارد هست«توانایی یادگرفتن» چگونه این کار ممکن است؟ ما یک جواب کامل برای این سؤال نداریم ، ولی می‌دانیم که ارتباطات عصبی در مقرهای خودمان تبدیل می‌شوند به یادگیری هم به صورت قوی و هم به صورت پوسته و این آن چیزی است که ما می‌توانیم تقلید کنیم.
برای پیشرفت کردن می‌بایست مسئله را ساده کنیم ، و بعد ما نورونهای مصنوعی را به عنوان یک سوئیج خیلی ساده و یا پیچیده در نظر می‌گیریم ، با ارتباطات بنیابینی که قدرت آنها می‌تواند درآیند متفاوت باشد (نظریه فازی)
اصولاً ، با توجه به پیچیدگی داده شده ، تولید کردن یک کامپیوتر جهانی با یک طراح شبکه عصبی ممکن است ، ولی این برتر از توانایی‌های معمول ماست. بنابراین باید با این چیز ساده شروع کنیم. هر محاسبه‌ای نیاز به یک mput دارد یک پروسه (برنامه) و یک output. این سه مرحله تقلید می شود با یک سری نورونهای input و اینها مربوط می‌شوند به یک سری نورونها برای برنامه‌ریزی inputها که خودشان درباره به نورونهای output وصل می‌شوند. دسته نورون یک لایه نامیده می‌شود. تعداد نورونهای استفاده شده برای هر لایه. ارتباطات بینابینی آنها و تعداد لایه‌های بهینه برای هر وظیفه خاص بیشترین بحث را به خود اختصاص داده است هم از لحاظ تئوریکی هم از لحاظ علمی.
Supervised hearning:
یک ترتیب مناسب از نورنهای مصنوعی داده شده که ما می‌بایست شبکة آ» را برای انجخام یک وظیفه یاد بگیریم. چگونه می‌توانیم اینکار را بکنیم؟ چندین تکنیک بحث شده است که به طور وسیع به دو گروه یاد بگیریم. چگونه می‌توانیم اینکار را بکنیم / چنید تکنیک بحث شده است که به طور وسیع به دو گروه طبقه‌بندی شده‌اند . در گروه اول فرض می‌کنیم که ما می‌دانیم نتیجه چه باید باشد. در این Case ما می‌توانیم mput ای را نشان دهیم که چک می‌کند آنچه را که output صحیح بدست آید. که این عمل می‌تواند تست کردن با تمام inputها تکرار شود ت ازمانیکه شبکه نزدیک شود به error fnee هر جقدر که امکان دارد. (تا زمانیکه یک شبکه بدون error بدست اید). زیرا ما errorها را تصحیح می‌کنیم از out put آن و این نوع تکنیک به عنوان back propagation شناخته می‌شود.
خیلی از فرمهای دیگر این تکنیک استفاده می‌شود با درجات متفاوت از پیشرفت و support. این خیلی از فرمهای دیگر این تکنیک استفاده می‌شود با درجات متفاوت از پیشرفت و Support. این متدهای supervised learning از تقویت دستی استفاده می‌کنند ولی آموختن آنها کند است و خیلی اشکالات دیگری دارند مثل عدم توانایی برای نو شدن (بیشتر از آنچیزی که ما می‌دانیم)
Attractor Mased = یک نوع میانی شبکه عصبی شبکه Hop field است. در این cutegorisation سیستم‌ها ، output به inpute در یک loop متصل می‌شود. و این فیدیک اتوماتیک اجازه می‌دهد که آن شبکه جستجو کند یک راه حل را و آن را تکرار کند به عبارت دیگر ما یک همگرایی داریم به یک actoractor برای هر input خاصتعیین کردن آن به عنوان یک مسئله سخت است.
Unsupervised learning=
پیچیدگی مفرهای را به این مفهوم است که ما می‌توانیم به یک طبقه‌بندی چندگانه دسترسی پبیدا کنیم ما خیلی از زمینه‌‌های هر موضوعی را در یک زمان تشخیص می‌دهیم. تا کنون سیستم‌های شبکه عصبی خیلی محدود شده‌اند به مقایسه ولی ساختارهای شبکه‌ای ساده شناخته می‌شوند برای اینکه قادر به Self organize باشند. مرحلة دوم تکنیک‌ها از این ایده استفاده می‌کنند. این نوع یادگیری خیلی از زوایای جالب رفتار انسان و توانایی ما برای یادگیری خودمان و برای جمع کردن ۱+۱ که در نهایت مجموع عدد ۳ شود را تقلید می‌کند.
در این‌گونه موارد ما نیاز داریم به یک شبکه‌ای که تشخیص دهد اشکال داه‌های وارد شده و نشان دهد یافته‌های را به چند شیوه برای استفاده کردن از آن. و این یک وظیفه پرتقاضا است.
Kohonen الگوریتمی را ایجاد کرده بنام (self organizing Map or SOM) برای تقلید کردن توانایی مقر برای organize کردن خودش و این الگوریتم پایه‌ای از بیشترین نوع self-learning شبکه عصبی را شکل می‌دهد. در این متدها dataها مقایسه می‌شوند به صورت Random برای یک سیگنال input و نزدیک‌ترین یافته تنظیم می‌شود برای اصلاح کردن آن. این عمل تکرار می‌شود برای تمام inputها و بتدریج منتهی می‌شود به شبکه network که میل می‌کند به دسته‌ای از input ها که با آن مواجه می‌شود شبکه آنچیزی را که خارج از آن شبکه است و بوسیله تنها تجربه بدست می‌آید را می‌آموزد. اشکال تشخیص داده شده ممکن است آن دسته از اشکال قابل انتظار انسان نباشند…..
Probabistic Matching
برای تمام این تکنیک‌ها ما سیستم‌های احتمالی (probabilisric Mat.) را داریم. که آن است ، ما نمی‌ـوانیم مطمئن شویم از نتایج بدست آمده و هر نتیجه‌ای فقط محتمل‌تر از دیگری است و سیستم فقط آن نتیجه‌ای که بالاترین احتمال را دارد انتخاب می‌کند. این ممکن است به نظر برسد به عنوان یک مانع و مقایسه می‌شود با کامپیوترهای صحیح‌تر از لحاظ ریاضی که ما آنها را بیشتر می‌شناسیم و اکنون تقریباً این کامپیوترها ارتباط می‌یابند با کارهای واقعی مقر ما. یک Data در زندگی واقعی سر و صداست که در یک category ثابت نمی‌”نجد و این به این معناست که ما می‌توانیم بسازیم generalisation (کلیات)‌های چندگانه را دربارة این data- ما می‌توانیم چندین الگوی دیگر بیابیم که آیا کدامیک از آنها شبکه ما را کشف می‌کنند؟
و اینجاست که ما با یک مشکل سستم‌های ساده شده روبرو می‌شویم که ما قادریم که آن را بسازیم. فرضیات ماست درباره اینکه از کجا شروع کنیم برای شبکه به طور قابل ملاحظه‌ای. عموماً ما می‌خواهیم یک نتیجه خاص و بنابراین شبکه برای یک دلیل خاص ساخته می‌شود شاید برای تشخیث گفتار (سخن که گفته می‌شود) و ما آن را به یک شیوه نسبتاً‌ ثابت و fix شده می‌سازیم که حس می‌کنیم برای آن وظیفه اختصاص داده شده است. با این زمان‌بندی محدود شده ما قادریم خیلی از الگوها را سعی کنیم بنابراین از دست می‌دهیم فواید طراحی تکامل یافته خصیصه‌های مقرمان را Optimising= هر راه حل واقعی احتمالاً
تقسیم می‌شود به خیلی از راه حلها ولی صره می‌شود بوسیله solutions مقرهایی که به آنها هدایت می‌شوند. خود راه حلها در میزان کارایی متفاوتند خیلی از آنها نیز نسبتاً ضعیف‌اند و تابحال تلاش ما برای رفع یک مشکل ممکن است نزدیک شود به یک راه حل خاص. این راه حل که ما می‌خواهیم ممکن است غیر قابل دسترسی باشد ، متأسفانه این همان چیزی است که ما هنوز نمی‌دانیم.
به عبارت دیگر ما یک همگرایی داریم به یک atcoractor برای هر input خاص تعیین کردن آن به عنوان یک مسئله سخت است.
۱- شبکه سریعاً می‌توان به یک حالت فیکس نزدیک شود ، یک attractor (جذب کننده) نقطه‌ای در این گونه سیستم‌ها مشکل از حالت اولیه که ما آنرا شروع می‌کنیم نیست شبکه همیشه همگرا می‌شود به همان نقطه.
۲- شبکه می‌تواند از بیان یک مجموعه بی نظم در بزند و برهمه nodeها (گره‌ها) تأثیر بگذارد ، به ندرت یک حالت یکسان از Output ترکیب شده را می‌أهد. برای case 9 گرهی خیلی ساده تا ۵۱۲ output متفاوت ممکن است.
۳- شبکه می‌تواند به یک مجموعه کوتاه جا داده شود و تأثیر بگذارد فقط بر روی تعداد خلی کمی node (گره) خیلی از گره‌ها در صفر یا یک و سیکل باقیمانده از بیان حالتهای تکراری و پیاپی ثابت می‌شوند.
Attracor changes:
این امکان سوم یک نوع جالب است. چه پیش می‌آید اگر ما position اولیه یا به عبارت دیگر پیکر بندی حالتهای output را تغییر دهیم؟ خب ، ما می‌توانیم یک سکانس دوره‌ای یا cyclic را ملاحظه کنیم بعنوان یک جذب کنندة سیستم (attractor سیستم) ، حالت اولیه نقطه‌ای در پایة جذب Attractor است که به attractor جریان می‌یابد به عنوان یک شبکه خود سازمان یافته اگر ما حالت اولیه را تغییر دهیم یک نقطه جدیدی را باز می‌کنیم ، که ممکن است در همان پایه از attraction(جذب) باشد یا نباشد. اگر در همان پایه باشد پس شبکه برای جهش stable می‌باشد و output به همان سکانس بزودی برمی‌گردد. اگر نقطه جدید در همان attactor base مورد قبلی در خیلی از موارد مثلاً در طول بلندتر یا کوتاهتر ، شامل شدن گرههای متفاوت و شاید یک point attractor (جذب کننده نقطه‌ای) و یا یک جذب‌کنندة بی نظم.
امکان تغییر رفتار بوسیله یک تغییر ساده در حالت اولیه جالب است در مفهوم سلول – مقر و رفتارهای اجتماعی. برای اینچنین شبکه ساده‌ای مثل case 9 گرهی ما می‌توانیم داشته باشیم چندین attactor همزمان ، فقط یکی از آنها در همان زمان اظهار می‌شود.
آشفتگی نیاز دارد attractor ممکن است یک تک ذره باشد که تغییر می‌کند یا ممکن است به چندین ذره برای تغییر یافتن نیاز داشته باشد. هر دو نوع رفتار stable و غیر stable در طبیعت وجود دارند ، با پیشنهاد اینکه این مدل یک مدل مفید است.
=Activation Sequences
برای این نمونه‌های attractor ، output های گرههای متفاوت یک سکانس را دنبال می‌:ند ، تعدادی از آنها ممکن است همیشه on باشند و تعدادی همیشه off ، تعدادی on و off متناوباً و تعدادی یکبار در ۳ دور (سیکل) on می‌باشد و بنابراین در ۴ دور.
وابسته به اینکه چگونه ما این شبکه‌ها را ملاحظه می‌کنیم ما می‌توانیم به شیوه‌های متفاوت مفاهیم را به آن شبکه‌ها نسبت دهیم ، بوسیله نقشه برداری کردن آنها به کاربردهای “neal world” جالب. اگر Outputها به عنوان فعال‌کننده‌های gene در نظر بگیریم پس هورمونهای تولید شده می‌توانند سیک‌های دائمی ممکن است دیده شوند (مثل خوردن ، نوشیدن ، خوابیدن، همراه شدن). اگر در عوض ما علاقمند باشیم به افکار ناپایدار ممکن است داشته باشیم چندین مفهوم فعال که به طور موازی آشکار میشود و همچنین داشته باشیم هر تناسب قوی برای زمان On شدن گره‌ها.
تشخیص اینچنین ارتباطاتی می‌تواند یک مسئله سخت باشد. این مفهوم بستگی دارد به استپ زمانی (زمان) که ما داریم کار می کنیم. سیستم‌ها می‌توانند در بیشتر از یک سرعت خاص عمل کنند مثل متابولیسم سلولی در مقابل زندگی و مرگ سلول یا در leaelهای متفاوت مثل نیازهای شخص در مقابل ارزشهای اجتماعی که هر کدام به تفسیر ۹خاص و چاره‌اندیشی نیاز دارد.
در سیستم‌های پیچیده ممکن است اثبات کردن تشخیص اینکه کدام گره در سکانس شامل می‌شود یا حتی node (گره) چیست؟ مشکل باشد.
بیایید تعیین کنیم اینکه چه سکانسی معنای کلی سیستم را تعیین می‌کند. طرح‌های کلی این موضوع در خیلی از زمینه‌های تحقیقی مفید اثبت شده است و ما می‌توانیم آن را از سیستم‌های خیلی ساده به سیستم‌های پیچیده‌تر بسط دهیم.
Real world networks:
ساختمان ژنتیکی انسان حدود ۵۰ هزار ژن دارد مقر حدود ۱۰ میلیون نورون – اینترنت بالاتر از ۲۰ میلیون کامپیوتر و جهان بیشتر از ۶ بیلیون انسان. برای انیچنین اتصال بزرگی مشخص است که attractor option ها (مؤلفه‌های جذب کننده) بیشمارهستند خوشبختانه اتصال همه این سیستم‌ها بنظر می‌رسد که از مدلهای اتصال یافته ما به صورت Random دور می‌باشد (یک پدیبده اغلب شبکه small- world (جهان کوچک)‌نامیده می‌شود-یک بخش هندسی از اتصال نتیجه‌ای از پروسه‌های خود سازمانده می‌باشد) بنطر می‌رسد که ما قادریم تقسیم کنیم سیستم‌های زندگی واقعی را به واحدهای مدولی. که تمایل دارند که به عنوان شبکه‌های همکار کوچک رفتار کننده وقتی شبکه‌های بزرگتر آنالیز می شوند به ۳ فرم هستند بنظر می‌رسد که به این شیوه تکامل می‌یابند برای نشان دادن نواحی دینامیک کوچک که بوسیله سدهای غیر قابل تغییر از هم مجزا می‌شوند. این هست آنچه که ما آن را بحران خودسازمان یافته (self-organized criticality) و اجازه می‌دهد که هر دو سیستم modular autononomy (خودمختاری مدولی) باشیم وسیع ارتباطات با هم ترکیب شوند و این یادآور هم ارگانیسم و هم جوامع می‌باشد. مدلهای شبکه یک عقیده مفیدی را بیان می‌کند در تمام سستم‌های پیچیده. از لحاظ توپولوژیکی این مدلها متناظر می‌باشند برای سیستم‌های مربوط به طبیعت و این تأثیر نمی‌پذیرد بوسیله سایز یا طبیعت سیستم واقعی- خیلی از انواع متفاوت و leaelهای متفاوت سیستم‌ها به همین ترتیب شبکه‌ای نشان داده می‌شوند و انتظار می‌رود برای نمایش دادن همین رفتارهای مفید.
به این شیوه ما می‌توانیم ارتباطاتی بین انواع متفاوت سیستم‌های طبیعی باعث شویم یا شاید ببینیم طبیعت را برای آنچه که هست که همه به صورت یکپارچه تحت لوای یک کانون کلی عمل می‌کنند.
Lagic Continuun:
ما با یک ساده‌سازی شروع کرده‌ایم بوسیله فرض کردن اینکه همه node ها یک output صفر یا یک دارد. ما می‌دانیم که caseهای زیادی که حقیقت ندارند – وجود دارد پروسه هایی که به طور موثق عمل می‌کنند و دارند output های متفاوتی را مثل قدرت سرماخوردگی یا حرکت یک متهم. آیا ما می‌توانیم مثل اینها عمل کنیم؟
برای انجام دادن این عمل ، ما نیاز داریم به توسعه دادن lagic خودمان برای پوشاندن caseهایی که ارزشهای واقعی میانه دارند (مثل گروه قبل کاملاً غیر حقیقی نیستند)
ممکن نیست استفاده کردن از logic تا زمانی که ما احتمال این caseها را رد کنیم که بخشی از آنها واقعی هستند و بخشی از آنها واقعی هستند وبخشی غیر واقعی . ولی یک فرم جدید logic کشف شده که می‌تواند با این موقعیت‌ها مرتبط باشد که fuzzy logic نامیده می‌شود.
در منطق نازی ما بیان می‌کنیم input ها را بعنوان ارزشهای پیوسته‌ای از صفر و یک ، Output سپس اینها را با هم ترکیب می‌کند و از یک کارگر مناسب استفاده می‌کند برای تولید کردن یک output‌ای که بین صفر و یک متفاوت باشد. زیرا ما جنرالیزه می‌کنیم (جمع بندی می‌کنیم) مدلهایمان را به یک case پیوسته از یک case مجزا (دیجیتال) ما انتظار داریم یافته‌هایی را برای نگه‌داشتن این فکر به طور کلی ، این شبکه‌های فازی می‌بایست پیدا شوند برای نشان دادن دینامیکهای attractor (جذب کننده) بحرانهای selt-organized و مدولاریتی. این برای سیستم‌هایی بکار می‌رود که اساس‌بندی می شوند به کار کرد حلقوی S شکل برای خیلی از واکنش‌های طبیعی.
تا زمانی که پایداری نیاز به یک مقاومت دارد برای تغییر ، پایداری attractorها برای فرم‌های متفاوت کارکردی قابل تغییر است.
در بدترین case (تابع خطی) یک attractor وجود دارد و یک حالت متوازن از سیستم. موقعی که تابع پاسخ غیر خطی بیشتر را تولید می‌:ند سپس attractor نیز می‌شوند برای یک مرحله logic 0/1 خالص ، ما می‌توانیم داشته باشیم یک گذر و انتقال تنهایی را بین attractor های مجاور هم
مهم است موقعی که ما در نظر می‌گیریم سیستم‌های چند بعدی را که در آن هر node وارد پارامترهای زیادی برای انتخاب کردن. در این سیستم‌ها ، از یک نقطه نظر ، ما می‌فهمیم که برای حرکت کردن از یک حالت (از همه ۱ها) به حالتی از ) ۰ صفر) نیاز داریم به ۵ تا جهش هم زمان ، یک سناریوی غیر قابل احتمال ، بنابراین سیستم وارد یک منطقه بهینه می‌شود ، فرض کنیم ۱۱۱۱۱ و ۰۰۰۰۰ هر دو بهینه باشند و حالتهای mix شده آنها با هم (۱۰۱۰۱) بهینه نیستند. برای سیستم‌های پبیوسته سدهای attractor فازی گونه می‌باشند و سیستم می ـواند کار کند به آسانی از attractor به attractor دیگر تا زمانی که ما یک سیستم کلاسیک ergodic را بگیریم که هیچ محدودیت حرکتی بکار نمی‌رود. تابع غیر خطی تولید می‌کند شنادیوهایی را بین این دو طرف ، و این فضاها به موقعیت‌هایی نزدیک می‌شوند که ما در زندگی روزمره با آنها روبرو می‌شویم.

کلید واژه:
Feedback:بازخوردی

regulation:تنظیم، دستور ،تعدیل

Agent:عامل، نماینده

Natura Selection:انتخاب طبیعی

Organization-Self:خود سازنده

Linearity-Non:غیر خطی

Constractivist:سازنده

Circular:چرخشی

Connections:ارتباطات

LOgic:منطق

Network:شبکه

منابع:
• Gregory Bateson
• Cybernetics & Human Knowing:A Journal of Second Order Cybernetics & Cyber-Semiotics
• Yogesh Malhotra Complex Systems Research page.
• Complexity and Management Mail List archive
• Principia Cybernetica Web
• Evolutionary Systems and Artificial Life (Louis Rocha) (related links) s (Hudson Bancroft)
• Good$hare International (Ted Lumley)
• Institute for the Study of Coherence and Emergence
• Complexity Theory Websites American Educational Research Association Chaos and Complexity SIG
• Society for Chaos Theory in Psychology and the Life Sciences
• Emergence (Lawrence Erlbaum Assoc.)
• Complexity (John Wiley & Sons)