ایران

ژاپن

نیازی به در زدن نیست، لطفا وارد شوید

برای خودم جالب بود یکی شون یه دمپای عربی با سایز خیلی بزرگ که واقعا همچین آدمی تو ایران و سیستان اونو سفارش داده خودم عکس گرفتم چون جالب اومد  .این یه درخت که در اثر آتش سوزی به این روز افتاده ولی جالب شده مثه یه کلبه

یکی دیگه عکس چند تا درخت چنار که عمر ۱۰۰۰ساله داره اونارو هم خودم گرفتم.

دوتاشونم از یه پسر بچه به نام آریا توضیحات اضافی ندارد بدون شرح می باشد

این یکی هم گل بادام تلخ است

گروه لفظ

این فصل اشکالات ریز برنامه را معرفی می کرده که اعداد  باینری و اعداد حقیقی در آن شکل گرفته اند از این رو کتاب متن بسیاری را آماده و توضیحاتی مرتبط بامثال های از  علوم اجتماعی و علم کامپیوتر را مطرح کرده است همچنین یحث در مورد فرهنگ و ماخذ و زبان و دیگر پیشرفت هاو فلسفه ی توسعه آن را مطرح کرده اگر بخواهیم در تولید یک لیست از اشکالات ریز برنامه به موفقیت برسیم به نظر می رسد مثلاٌ این  پیشنهاد یک شی معلوم و مشهود از مدلی سازگار به وجود آید و به وفق دادن مدل فرهنگ در فصل قبل اشاره شده است به اینکه چه چیزی می تواند اتفاق بیفتد.

  یک نتیجه از فعل و انفعالات تصور کردنی ساده و همچنین نتیجه ساده از عامل ها (فاعلها) تصور کردنی اگر بتوانیم اسم همه آنها را عامل بگذاریم.یک فضای بزرگ از احتمالات به وجود می آید .جمعیت اغلب به پیداکردن راه حل های گوناگون  و مفید تواناست .راههایی قابل اهمیتی وجود دارد که مسیله ها را به واسطه بخشی از اعمال متقابل اجتماعی که شکل گرفته حل می کند.

؛"تاکید به اینکه افراد در مدل فرهنگی سعی به حل کردن مسایل نمی کنند"آنها فقط قانون ساده الگوریتم را دنبال می کند بدون گفتن این که مشکلی وجود دارد یا چگونه باید آن مشکل را حل کرد .

هنوز روش Fitnessقابلیت سازگاری بهترین و منحصر به فردتر و تاثیر پذیرتر از«اعمال متقابل»می باشد.Fitness" قابلیت سازگاری" اصطلاحی است که در اینجا کمتر اختصاص پیدا کرده به عنوان«راه و روش های تکاملی» که تعدادی از کارایی های آن بهتر  مشخص شده. با این وجود تاثیر دوجانبه اجتماعی هر فرد برتری ، صلاحیت و شایستگی است ما نمی گوییم که وفق دادن  با الگوریتم فرهنگ یک راه ویژه قدرتمند برای حل کردن مسایل مشکلات است اما یک مقدمه خوب برای بعضی از الگوریتم های اجتماعی است.

در اینجا الگوریتم گروه لفظیمعرفی می کنند اصطلاح اجتماعی و رفتارهاشون به هر حال اون زیاد بکار می رود در روش های حل مشکلات در علوم کامپیوتر و مهندسی .ما بحث می کنیم در مورد مشکلات رمزگذاری باینری و اولین ورژن «نمونه »از اشکالات ریز برنامه نویسی.در اینجا ما مهیا کردیم الگوهای  کار در فضای جستجوی باینری.

درآخر این فصل ما معرفی می کنیم. بیشترین کاربردهای نمونه معمولی را که در فضایی از اعداد واقعی عمل می کنند.

پی بندی کردن دانستنی های اجتماعی

ارزیابی کردن – مقایسه کردن – تقلید کردن

یک تیوری خیلی ساده از  دانستنی های اجتماعی وفق دادن مدل فرهنگی سازگار و گروه لفظیاست .ما در نظر گرفتیم فرهنگ مناسب پردازش، یک سطح بزرگ وبالای از اجزاء را که شامل شده .

در شکل نمونه های از افراد وسطح توانایی هایشان در حل مشکلات دیده می شود و در سطح پایین که از اجزا – رفتار واقعی و شاید رفتار عمومی افراد که می توان در سه اصطلاح اصلی ارزیابی کردن و مقایسه کردن و تقلید کردن خلاصه شود .

ارزیابی کردن :

تمایل به ارزیابی کردن که واحد سنجش شان را با  مثبت یا منفی ، جاذب یا دافع بودن می توان نشان داد. که شاید بیشترین رفتار مشخصه در ترکیب زندگی است. حتی میکروب های گیاهی وقتی محیط زیان آور است می لولند.(به زندگی کردن ادامه می دهند)

آموزش و یادگیری نمی تونه رخ بدهد تا زمانی که ترکیب نتواند ویژگی های جاذب و دافع محیط را تشخیص بدهد بعد از تشخیص خوبی از بدی از دید آموزشی می توانید تشخیص بدهید محیط خوب و بد را و آن را می توان به عنوان یک تغییر که ترکیب را بهبود می بخشد و در مرحله ارزیابی متوسط محیط را قادربه آن می سازد تعریف کرد .

مقایسه کردن :

نظریه علمی مقایسه اجتماعی فستینجر 1954 بعضی از روشهای که مردم به عنوان استاندارد برای اندازه گیری ( سنجیدن ) خودشان استفاده می کنند توضیح می دهد.چگونگی مقایسه با دیگران ممکن است به عنوان نوعی محرک برای یاد گیری و تغییرات خدمت کند.

در نظریه علمی فستینجر شکل کلی(اصلی) حالتی آسان برای امتحان کردن یا تحریف کردن نیست اما در کل آن به عنوان یک ستون فقرات برای نظریه های علمی روانشناسی اجتماعی در آینده خدمت می کند.

تقریبا در هر چیزی که ما فکر می کنیم و انجام می دهیم خودمان را با دیگران مقایسه می کنیم و قضاوت می کنیم (خودمان را در نگاه کردن – ارزشها – شوخی – استعداد و... خودمان را مقایسه می کنیم. )

نکته":(برای اندازه گیری و سنجش IQ بهره هوشی)از قانون میانگین استفاده میشود که از تعدادی از مردم و کلماتی که شما بیان می کنیدکه براتون امتیاز حساب می شود.و بیان می کند که شما چگونه با دیگران مقایسه شده اید مگر اینکه شما خودتون تعیین کنید و بیان کنید که چه طوری با دیگران مقایسه شوید.

چوب خط شما به شما می گوید که چگونه شما با دیگران مقایسه شده اید و نکته واقعی کدام است یا جنبه های دیگر عقیده و توانایی افراد در مدل وفق داده شده  فرهنگ و در گروه لفظی را با همسایه هایشان در اندازه های وخیم مقایسه می کنند. و فقط از آن همسایه های که عالیتر از خودشان تقلید می کنند.

 استاندارد رفتار اجتماعی به وسیله مقایسه با دیگران تنظیم می شود.

تقلید کردن

– شما با خود فکر می کنید که تقلید در همه جای طبیعت وجود دارد تقلید یک راه موثر  برای آموزش و انجام کارهاست با این حال لورنز اشاره داشت که تعداد خیلی کمی از حیوانات صلاحیت و توانایی تقلید واقعی را دارند در حقیقت او اظهار می کند که فقط بشر و بعضی از پرندگان توانایی تقلید را دارند . و بعضی انحراف های کوچک از علم آموزی های اجتماعی میان دیگر گونه ها پیدا می شود. اما هیچ یک با توانایی ما به تقلید کردن  از دیگری مقایسه نمی شود. در حالی که (میمون می بیند- میمون انجام می دهد)

توضیح خوب :رفتار تقلیدی از عموزاده

–تقلید بشر اثراتی از دیگران را در بر دارد نه تنها تقلید کردن یک ر فتار، بلکه هدف تشخیص دادن آن است .اجرا کردن رفتار، زمانی که آن رفتارها را برای خود برداشته ایم در منبع فرهنگی شناخت انسان اثر میشل توماسلواو استدلال می کند که آموزش اجتماعی در انواع متفاوتی اتفاق می افتد .(مثلا در میمون آدم وار شامپانزه ) اما آموزش درست در مسیله تقلید کردن کمیاب است برای مثال از یک چیز به عنوان یک وسیله استفاده می کنند که ممکن است که توجه افراد دیگر به آن چیز نامیده می شود – دومین فرد ممکن است شی یکسان را در راه های متفاوت ( به طرق دیگر ) استفاده کند . تقلید درست ، مرکزی برای اجتماعی بودن بشر است و مرکز برای تحصیل کردن و باقی ماندن (نگهداری کردن است).

توانایی های ذهنی :

سه اصل ارزیابی کردن- مقایسه کردن و تقلید کردن ممکن است در آسان تر کردن راه های اجتماعی بودن در برنامه های کامپیوتر استفاده می شوند.

از توانایی هاشون در رقابت برای وفق دادن مجموعه محیط ها و حل کردن جدی مسایل سخت استفاده کرد.

 دیدها و نقطه نظرات از هم دور  می شود به واسط شناخت .و دیدهای افرادی که در یچ چیز غیر از ارزیابی کردن – مقایسه کردن  و تقلید کردن نمی افتد. ذهن پناهگاهی پیدا نمی کند ( اتاق های خصوصی پنهان شده درون هر فرد- که در آشکارا و بیرون وجود دارد – که این یک پدیده و عارضه عمومی است ).

یک مدل از تصمیمات دوتایی –یک فرد بسیار لاغر را در نظر بگیرید (سادگی فقط یک چیز در ذهن است) یک سری از تصمیمات بلی یا خیر – درست یا غلط – تصمیمات دوتایی اما این تصمیماتات خیلی دقیق هستند– در کجا چه تصمیمات برای کدامیک انتخاب شود. سخت است هر یکی از دوحالت را ما به صورت زیر نمایش خواهیم داد.

بله را با حالت(1)  و نه را باحالت(0) که به وسیله بله یا خیر افراددیگر احاطه می شود . من باید بگویم بله؟ من باید بگویم نه؟ آنها همه می خواهند بهترین انتخاب را داشته باشند . دو نوع مهم از اطلاعات برای این مخلوق ابتدایی(هسته اصلی) فراهم است . اولین تجربه خودشان است برای آنکه آنها در معرض آزمایش قرار می گیرندتا از بین آنها بهترین انتخاب را داشته باشند.پس بنابراین آنها می دونند کدام انتخاب،انتخاب خوب عالی است.اما این آفریده اجتماعی یک اندیشه دوم هم دارند که خودشان رسیدگی می کنند آنها اطلاعاتی از چگونگی انجام دادن کارها توسط افراد دیگر در اطرافشان آگاهی دارند. در حقیقت بسیار ساده است آنها می دانند کدام انتخابشان قطعیترین و مطمین ترین و مثبت ترین در میان  همسایه هاشون آنها( درباره تجربیاتشان و چگونگی عمل کردن به آنها همه چیز را می دانند).

ریچرسون و بوید اینها دو نوع از اطلاعات منطبق شده ای هستند که منحصرا برای آموزش یادگیری و ارسال به وجود آمده اند. برای هر تصمیم گیری یک تابع از چگونگی موقعیت جواب بله است از گزینه نه و احتمال آنکه فرد بخواهد گزینه بله را انتخاب کند برای هر تصمیمات یک تابع از چگونگی موقعیت جواب بله است تصمیمات همچنین به وسیله تاثیرات اجتماعی تحت تاثیر قرار می گیرد مسلما قواعد صحیح و دقیق و واضح در بشر وجود دارد که پاک نمی شه تیوری نظری می گوید :که تصمیمات دوتایی فرد بیشتر تمایل به موافقت با عقیده اکثریت دیگران را دارد.

 اما حتی با وزن کردن نیرو (ارزشیابی نیرو) و نزدیکی به چنین قاعده ای بعضی چیزها نامعلوم است (ایهام در مفهوم نیرو و نزدیکی )برای مدل مقدماتی ما می گویم افراد گرایش به تحت تاثیر قرار گرفتن از بهترین نتیجه های دارند  که باآنها در ارتباط هستند و عضوی از همسایگان که تاکنون موفق بوده است در حالیکه ما می پذیرم این یک مختصر سازی و ساده سازی است . افراد می توانند برطبق شمار بزرگی از طرح ها و نقشه ها با هم ارتباط برقرار کنند تعدادی از آنهادرفصل هشت ذکر شده است.

 بیشترین برای تحقق استفاده از گروه لفظ در یکی از دو اندازه گیری اجتماعی اصلی استفاده می شود ( شکل1-7ببینید)

 اولین آن gbestنامیده می شود . که همه اعضا از گروه های دیگر به آن می پیوندند این نتیجه اثر هر گروه لفظ برنامه برای بهتر کردن کارایی است و این نتیجه ای است که هر یک از اعضا برآن تاثییر می گذارند یا آن را بهتر کرده و کارایی آنرا بالا برده.

دومین آن lbest نامیده می شود. G برای global( عمومی ) و lبرای local (محلی) جایگزین شده اند . خلق کردن یک همسایگی برای هر فرد برای خودش k را نزدیکترین همسایه ها در جمعیت شامل می شود .

برای مثال k=2باشد سپس هر فرد Iبوسیله بهترین کارایی را در میان گروه های ساخته شده  و با استفاده از لفظ i-1 , i+1 تحت تاثیر قرار می گیرد همسایگی ممکن است به نوع متفاوتی از تاثیرات در هر چیزی منتج شود .

بحث بعدی همسایه های Lbestرا با k=2 فرض خواهد کرد هر یک از همسایه ها در بر دارنده خودشان دو تا از همسایه های اول و آخر و مجاورشان هستند .

( شکل1-7)

شماره 3 پیدا می کند بهترین مکان را برای همسایگی پس خود اون شماره چهار است بنابراین همسایگی با شماره 4 با سرعت بیشتری تنظیم می شود و سازگارتر است نسبت به 3 نسبت به مکان قبلی دارای بهترین موقعیت و شماره 4 خودش بهترین مکان را نسبت به قبلی دارد .

همسایگی در Gbest فرض کنید شماره 3 بهترین توانایی فیزیکی را در تمام گروه دارد. دیگران(دیگر همسایه ها) هم می خواهند در پیداکردن بهترین مکان نسبت به مکان قبلی قدم بگذارند.

بحث بعدی lbest را با k=2 فرض خواهد کرد .بعضی اوقات همسایگی =3 را توضیح می دهد در مثال شناخت اجتماعی فرد باید تصمیمات یا قضاوتها را در راههای مناسب با یکدیگر ترتیب دهد چیزی که ما آن را شناختن احساس یا فهمیدن چیزها می نامیم.افراد باید  توانایی ارزیابی کردن – مقایسه کردن -و تقلید کردن یک عدد از انتخاب دوتایی را در یک زمان داشته باشد.

ارزیابی یک سلسله از دوتایی ها می تواند در یک قدم به انجام برسد در موارد روانشناسی اگر ما درباره بشر صحبت می کنیم می توانیم از مفهوم شناخته ناسازگاری استفاده کنیم برای انتقال دادن حس هیجان و کشش در زمانی که تصمیمات شامل ناسازگاری در صف آورده می شود.

 ما تجربه کرده ایم که حالت ناراحتی موجب تغییر کردن بعضی چیزها برای کاهش هیجان و کشش میشود بری بهبود بخشیدن به ارزیابی ناسازگاری توضیح داده شده که توسط فستینجر« واحد سنجش ارزیابی» شناخته شده دقیقا همانطور که شایستگی و صلاحیت یک واحد سنجش برای خوبی و چگونگی صلاحیت شناختی خود را بهبود ببخشید البته تیوری های نظری زیادی درباره آن وجود دارد در مدل کار( اجزن و فیشبن1980)

نیت به عنوان تابعی از دو چیز که باید شبیه بهم دیده شوند.شکل(2-7) را ببینید .از طرف دیگر نیت به وسیله طرز برخورد افراد در مقابل رفتار تحت تاثیر قرار می گیرد. برای مثال اگر شما عقیده دارید که جبرمضر و غیر اخلاقیست پس نیت انجام عمل جبری را ندارید این حالت در تیوری نظری اجزن شکل گرفته که به صورت (eye-zen)تلفظ می شود در تیوری نظری فیشبین با ترکیب خطی عقیده که رفتارسنج می شود به بعضی نتایج bi زمانهای ارزیابی کردن افراد منتج می شود (ei)

A₀= Σ_i=1 b_i e_i

ما علاقه مند به دومین حقیقت قضیه و علتی که نیت وارد هستیم .چیزی که اجزن و فیشبین آن را (subject norm) یا نمونه شخصی ذهنی می نامند نمونه ذهنی راجع به یک رفتار همچنین در این تیوری نظری به عنوان یک خلاصه خطی از نتایج رفتار ساخته شده است.

 اما در این زمان فاکتورهای فرمول وارد می شوند نمونه ذهنی فرد در مقابل یک رفتار خلاصه ای از نتایج عقاید آن هستند که دیگران فکر می کنند آنها باید یا نباید آن رفتار را انجام دهند .

برطبق مدل علمی (resoned action model) مطابق با دلیل و رفتار که یک تابع از اغراض است و فقط جزی از حالتهای منحصر بفرد در مورد رفتار است .

این دو جز از تیوری نظری دلیل حرکت ،به راحتی قابل ترکیب با مدل انتقال فرهنگی ریچرسون است . واژه فرد وجود داردآموزش فرد یا طرز برخورد فرد در مقابل یک رفتار  و دیگری وا ژه اجتماعی (انتقال فرهنگی ) یا نمونه ذهنی این دونوع مفاهیم در تیوری های نظری دیگر پیدا میشوند و در مدل تصمیمات ما به عنوان دو واژه که فرمول را متغییر می سازند نشان داده می شود.

 ما وجود چند چیز با هم از این دو حالت دانش را تیوری بندی می کنیم .که دانش حاصل شده از احساسات میان تجربه در جهان و دانش حاصل شده از دیگران است . که به  انسان یک مزیت ذهنی می دهد که گاهی آن منبع هوش و فراست ماست علاوه بر تجربه قبلی نهادهَ محیط اجتماعی فاکتور دیگری که تصمیمات دیگری تصمیمات فرد را تحت تاثیر قرار  می دهد که تمایل جاری یا موقعیت موضوع است آنها ممکن است به طور قوی با یک حالت منفی شروع شوند و یک تجربه مثبت بعدی راجع به انتخاب یا حالت شی را داشته باشد اما هنوز یک احساس منفی راجع به آن دارد تجربیات مثبت ممکن است باعث شود که فرد مثبت را یکی در میان انتخاب کند .

اما منظور از تغییر دادن تمایل فرد در قلمرو مثبت در آغاز هنوز تغییر روبه بالا را دارد اگر موقعیت درونی فرد بی نهایت احتمال پایین تری از تغییرات را در یک چیز دارد فرد احتمال کمتری برای سعی کردن برای دیگر تناوب ها را دارد .

دراصطلاحات ریاضی ما یک مدل از احتمال تصمیمات بله یا نه فرد را پیشنهاد می دهیم درست یا غلط یا ساختن بعضی دیگر از تصمیماتت دوتایی یک تابع از فاکتورهای اجتماعی شخص است .

P(x_id(t)=1)=f(x_id (t-1),v_id(t-1),p_id,p_gd)

P(x_id(t)=1)

احتمالی است که فرد i عدد یک را انتخاب خواهد کرد البته احتمال انتخاب صفر 1-p است.

x_id(t)----حالت جاری از محل رشته ذره ای d  از فرد I

T زمان جار ی معنی میدهد t-1 قدم قبلی است .

V_id(t-1)سنجشی از موقعیت یا احتمال جاری تصمیمات گیری یک است .

P_id بهترین حالتی است که تا کنون پیدا شده برای مثال آنه یک است.اگر بهترین موفقیت زمانی که x_id=1بوده است اتفاق افتاده و همچنین بر عکس آن صفر است .p_gd بهترین همسایه است از طرف دیگر یک اگر بهترین مو فقیت به وسیله هر عضو ا زهمسایگی نایل شود زمانی که آن در حالت یک بود و صفر به طریق دیگر

پارامترها ی(v_id(s موقعیت یک فرد برا ی ساختن یک یا دیگر انتخابهاست که احتمال آستانه را تعیین خواهد کرد .اگر v_id(t) بلندتر باشد احتمال انتخاب یک توسط فرد بیشتر است و پایین ترین اهمیت انتخاب صفر مانند آستانه نیاز به ماندن در ردیف را دارد. [0,0,10]ما پیش یک تابع ساده برای اجرا دیدیم زمانیکه ما در باره شبکه عصبی صحبت می کنیم تابع هلالی پیچیده .

S(V.D)=1/(1+EXP(-V_ID))

با معتدل تر کردن تمایل فرد به سمت موفقیت فرد و ارتباط را آرزومندیم .با انجام دادن آن ما یک فرمول برای v_id پیدا می کنیم .(در مرحله زمان جاری) بعضی توابع از تفاوت بین زمان جاری فرد یا موقعیت در بهترین نقطه پیدا می شوند که تا کنون به وسیله خودشان و همسایه هایشان داشته اند .اگر بطور ساده(P_ID –X_ID (T-1),P_GD-X_ID(T-1)) را به V_ID(T)اضافه کنیم آن به بالا حرکت میکند زمانیکه تفاوت بین دو فرد قبلی بهترین حالت تازه است یا تفاوت بین بهترین همسایه ها و بیشترین حالات جدید فرد .برابر است با یک و باید پایینی ها را جذب کند اگ رهر یک از این دو تفاوت با یک برابر است .(احتمال) آغاز حرکت به بالا زمانیکه بهترین ها یک است حرکت به پایین زمانیکه بهترین ها صفر است .در هر موقعیتی ما نمی دانیم آیا علم آموزی بهتر است یا اینکه تایرات اجتماعی فرد قوی تر است؟اگر ما هر دوی انها را ا عداد بسنجیم سپس بعضی اوقات تاثیر یکی و بعضی اوقات تا ثیر دیگری قویتر است ما از نشانه j استفاده می کنیمبرای نشان دادن یک پیشامد احتمال هشت عدد بردن از یک توزیع یکنواخت- در شهر دوتایی حد اختیاری است واغلب به صورتی تنظیم شده که دو حدj به 4 خلاصه می شوند بنابراین فرمول برای تصمیمات دوتایی

V_ID (T)=V_ID (T-1)+ j(P_ID-X_ID(T-1)+ j₂(P_GD+X_ID(T-1))

اگر P_ID ID(T)/سپس -0 X_ID (T)=1; و دیگری X_ID(T) =₀

هرجاکه p_id یک بردار از احتمال اعداد است بردن از یک توزیع یکنواخت بین 0.0و1 این فرمولها مکررا تکرار می شود برای  هر بعد از فرد هر زمان آزمایش می شوند تا دیده شوند اگر ارزش جاری از x_id منتج شود بهترین ارزیابی –سپس تیوریهای نظری پیشنهاد می شود مدل شایع تصدق کردن شناختن اثرا ت تفاضلی از دو نیرو بدون تصور تصدیق درباره اهمیت ارتباط آنها گاهی اوقات تصمیماتات بر اساس بیشتر تجربیات فرد و گاهی اوقات برا ساس احساس و در ک چیزی است که مردم عقیده دارند و هر یک از دو نوع اطلاعات گاهی مسلطند.ما می توانیم v_id را محدودکنیم که در اینصورت s(v_id)  دقیقا به صفر یا یک دست نمی یابد همیشه شانس برای تکان دادن یک ذره وجوددارد (ما همچنین نمی خواهیم vi در برابر نامحدودی و زیادپرکردن تابع نمونه حرکت کند  ) یک پارامتر ثابت v _maxمیتواند در شروع یک امتحان برای محدود کردن ردیف v_id در تمرین تنظیم شوند v_maxاغلب به صورت 44.0 تنظیم شده به طوریکه شانس کمی از0.0180  ~ (s(v_max وجود دارد که یک ذره تغییر حالت دهد .دراین دل دوتایی تابع v_max شبیه به میزان دگرگونی در الگوریتم پیدایشی تکوینی است افراد در جمعیت زمانیکه توسط موفقیت های همسایه هایشان تحت تاثیر قرار میگیرند تصمیمات می گیرند به طوریکه هر تحت تصمیمات فرد به وسیله (p_gd-x_id (t-1)) تحت تاثیر قرار می گیرد که آن معمولا موفقیت دیگر افراد است.آنها یکی از دیگری تاثیر می گیرند و تمایل به حرکت به سمت موقعیت معمول را دارند آن ممکن است بهتر انجام پذیرد و همسایه هایش متاثر شوند تصمیمات خوب میان جمعیت گسترش می یابد به راحتی این شکل از فرهنگ رادرشمردن جمعیت صدا میزنیم .افراد تمایل به جاذبه به طور احتمالی به سمت تصمیمات هایی دارند که منتج به موفقیت برای خودشان و هم قطارانشان می شود .نتیجه حد مطلوب .بردار تصمیمات هر فرد و همگرایی جمعیت در شیوه مطلوب از انتخابات است .الگوریتم کامل ؛بینهایت بزرگ کردن خوبی در کدهای کاذب دروغین نمایش داده شده است.

آزمایش الگوریتم باینری باDe Gong Test Suite  

ممکن است گیج کننده به نظر برسد؛جهش به سمت عقب و جلو میان مدل های مربوط به ادراک و تست توابع . ما  ادعا داریم تعاریف زیادی که از  مدل های مربوط به به ادارک وجود دارد؛ ناشی از نبود توافق معین  میان روانشناسان  درباره ساختمان درونی مکانیزم فکراست.بنابراین برای ما مد ل مربوط به ادراک؛ درست مثل هر مسئله چند بعدی است جاییکه متقابلا اثر داشتن عناصر یکی به دیگری در یک ترکیب خوبیهای  قابل اندازه گیری را داراست.

کندی و ابهرت در سال  (1997) آزمایش کردند گروه لفظ  باینری را که استفاده می کنند یک باینری کد شده ،ورژنی کلاسیک از برنامه های تست دجنگ .ورژن های باینری قبلا برای آزمایش با الگوریتم های ژنتیکی باینری آماده شده بودند،بنابراین مهم است آنها درون یک برنامه گروه لفظ دوتایی درست بودند. 20نفراز یک جمعیت برای همه آزمایش ها استفاده شده بودند  .در همه حالت ها حد مطلوب سراسری در (0و0 )بود.فرم های جبری توابع در جدول 7.1 داده شده است. جدول 7.1 توابع استفاده شده به وسیله دی جنگ برای آزمایش مقدارهای مختلف در الگوریتم بهینه سازی

گروه ذره ای(لفظی) باینری سریع در f1 به هم نزدیک می شوند،  همچنین به عنوان توابع کروی شناخته می شوند، به عنوان رشته های بیتی با ابعاد 30 رمزگذاری شده اند.

بهترین راه حل گروه ذره ای در 000002/ پیدا شده بود به دور از نتیجه کامل 0.0 ، کدام یک از آنها در 10 تا 20 آزمایش پیدا شده.احتمال داده شده که اختلاف میان مقدار مطلوب پیدا شده وهدف ناشی از عدم دقت در رمز گذاری باینری تا اینکه از عدم موفقیت  الگوریتم در موفقیت هدف .در دومین تابع ، f2 دی جونگ ، در 24بعد ، گروه ذره ای در دست یافتن به بهترین مقدار 000068/  ، توانا شده بود . با یک هدف  0.0  مقایسه شده ، مجددا اختلاف نفکر ناشی، از دقت رمز گذاری تااینکه از الگوریتم. این تابع در رشته های  24 بعدی رمزگذاری شده بود. f2 سخت ترین تابع دی جونگ برای گروه های ذره ای ؛سیستم 4 بار در مجموعه ی 20 تایی، روی بهترین حد مطلوب شناخته شده، نزدیک  شده بود. سخت ترین تابع ممکن است توضیح داده شود توسط وجودبسیار خوب  بهینه های سراسری در ناحیه هایی که هستند فاصله ای در فضای      Hamming از بهترین حد مطلوب شناخته شده .برای مثال،

بهینه  محلی (010111111101111000000111)برگشت یک مقدار از 000312/

در حالی که رشته های بیتی (110111101001110111011111)برگشت 000557/ (111000011001011001000001) برگشت 005439/ .

بهترین حد مطلوب شناخته شده ،برگشت 000068/ پیدا شده بود در 110111101110110111101001.

سرانجام  رشته های بیتی بسیارمتفاوت از یکدیگرند ،در ترم هایی(دوره هایی) از  فاصله Hamming  ،همه راه حل های نسبتا خوبی برای مسایل هستند.یک الگوریتم جست وجو که به توده ی صعودی بستگی دارد، بعید است که جهشی از ناحیه ی مطلوب  محلی به مطلوب جهانی داشته باشد.تابع خودش به تنهایی یک حد مطلوب دارد که سخت است زیرا نواحی عریض و پهن جایی که حرکت خواه به سمت جلو یا دور از حد مطلوب باشد،احتمالا منتج به تغییر غیر واقعی در سازگاری می شود .

سومین تابعf3 تابعی از عدد صحیح است که در 50بعد کد گذاری میشود که مقدار هدف بسیار آسان در هر آزمایش  به دست آمده بود. تابع   f4 دی جنگ ، Gaussian اختلال در تابع را معرفی میکند، و کارایی به عنوان یک میانگین روی تمام جمعیت تااینکه بهترین جمعیت اندازه گیری شده بود.

سرانجام در f5  الگوریتم به بهترین مقدار 943665/ در 20 تلاش در 34 بعد دست یافته بود.،ما فرض میکنیم که بهینه جهانی باشد . سیستم  به سرعت در این سازگاری حداکثر PEAK)) در هر زمان به هم نزدیک می شود.پنج تابع که در یک برنامه تکی اجرا شده بودند ،جاییکه تنها کد تغییر داده شده بود از یک آزمایش در دیگری توابع ارزیابی بودند.در جنبه های دیگر برنامه که شامل مقادیر پارامتر ،اجرا  به طور یکسان در توابع مختلف. بنابراین در این پژوهش مقدماتی به نظر می رسد که گروه ذره ای  باینری انعطاف پذیر و نیرومند بود.

No free lunch

بعضی بحث های  مجادله ای راجع به ارزیابی الگوریتم وجود دارد و شاید ادعای ما که حد مطلوب گروه ذره ای  قدرتمند یا موثر است باید نادیده گرفته شود.دو الگوریتم مطلوب را تصور کنید که یکی به صورت ترتیبی جستجو می کند آن یک توده صعودی الگوریتم است و دیگری جستجو می کند به صورت اتفاقی(تصادفی) اطراف چشم انداز.اکنون دو مسئله را تصور کنید یکی مانند تابع کروی جایی که سطح شیبدار به ناچاردر بهینه هدایت می شود و دیگری که نواحی بهینه بسیاری دارد .بعضی بهتر و بعضی بدتر و چشم انداز با تپه ها و ردیف کوهها پر شده باشد.البته توصیف به گونه ای طرح شده که آشکار می کند که کدام الگوریتم در هر یک از مسائل بهتر عمل می کند .این راه را جستجو کنیم و زمانی که یک هدایت کردن مستقیم به oz وجود دارد.این احمقانه است این راه را جستجو کنیم بالا رفتن و نزدیک شدن تپه در چشم انداز  پست و ناهموار –در این مورد ویژه واضح است که انجام الگوریتم به نوع مسئله  بستگی دارد.

در نوشته های مهم و مباحثه ای 1996 و 1997 دیوید والپرت و ویلیام ماکردی این مشاهده رسمیت و عمومیت یافته و تحلیل آنها یک استنباط شگفت آور دارد.نه تنها بعضی الگوریتم ها نسبتا بیشتر یا کمتر انواع معین مسائل را برای خود بر می دارند.بلکه میانگین شده روی هم رفته همه مسائل ممکن یا توابع با ارزش ،اجرای جستجو الگوریتم ها دقیقا یکسان است.این شامل چیزهایی از قبیل جستجوی تصادفی ؛نه الگوریتمی بهتر ،و میانگین شده از حدس های کورکورانه .سوال والپرت و مکردی .چه انتخاب طبیعی، روش جستجو موثر زیست شناسی است و می گوید که بدترین نژاد ممکن است به خوبی بهترین نژاد کار کند.به استثنای کسانیکه آزمایش را در درجه های از ارزیابی طبیعی رهبری می کند .

نظریه NFL

والپرت و ماکردی (1997) بحث های زیادی را میان پژوهشگران ایجاد کردند .جاییکه قبلا امید پیدا کردن بعضی روشهای جستجو وجود داشت و تخمین تکاملی پژوهشگران که فکر کردند آنها را دارند –اولین پیشنهاد دستیابی به هرکلاس از مسائل است .پژوهش های اخیر بیشتر روی پیدا کردن دقیق نیرو ها و محدودیت های استراتژی جستجوی مختلف متمرکز شده اند.بعضی مشاهدات (NFL) به این معنی می باشد که هیچ الگوریتم مطلوبی نمی تواند بهتر از دیگری باشد.البته آنچه که نظریه به طور دقیق می گوید این نیست .در واقع نظریه می گوید هیچ الگوریتمی نمی تواند بهتر از دیگری در  میانگین هزینه کل  توابع باشد. ابن است یک شرط با اهمیت .متوسط همه ارزش توابع ممکن کدام است؟اینگونه فکر کنید که ما یک مسئله مطوب داریم.خارج شدن یک اتاق در تاریکی.الگوریتم ویژه ما این قدم ها را دنبال می کند.

حرکت در خط مستقیم تا زمانیکه شما به یک دیوار برسید .حرکت در طول دیوار تا زمانیکه یک جای خالی احساس شود.

حرکت از میان جای خالی

و به آسانی الگوریتم های دیگری وجود داشته باشد .از قبیل برخوردن به اطراف ،موج زدن بازوها در هوا ،عریض کردن دایره و مانند آنها  و بعضی ممکن است به ما برای خروج از اتاق کمک کند و بعضی بدتر، از الگوریتم مناسب و شخصی ما.

شکل 7.3 دو الگوریتم های متفاوت ،به طور مساوی خوب در چیزهای متفاوت :توقف در گوشه ها

 الگوریتم  خوبی است برای پیدا کردن راه خروج از یک اتاق (A)-وپیداکردن گوشه ها الگوریتم خوبی است درگیرافتادن در گوشه اتاق (B)

حالاتصور کنید از  یک ناهنجار  NFL طرفداری می کند، یک الگویتمی توقف در گوشه نامیده می شودکه او ادعا دارد آن فقط خوب است ما احساس می کنیم برای الگوریتم بازکردن جای خالی  (آزاد) 

الگوریتم او اینگونه حرکت می کند.

حرکت در خط مستقیم تا اینکه شما به دیوار برسید.حرکت در طول دیوار تا اینکه یک گوشه احساس شود.

توقف د ر آنجا اما شما نمی بینید که او چگونه توانا به خروج از یک اتاق در تاریکیست مانند آن رفتار کردن .پاسخ اولین آن است البته من می خواهم اتاق را به خوبی ترک کنم اما چهار گوشه اتاق و فقط یک در وجود دارد.بنابراین من خواهم توانست در متوسط چهارزمان( فرصت) به عنوان موفقیت در گیرکردن در گوشه ،همچنین شما می خواهید خارج شوید.اما شما گیر نخواهید کرد در یک گوشه و شما می خواهید از اتاق خارج شوید و روش شما بهتر است.

نظریه NFL  می گوید به منظور ارزیابی یک الگوریتم ، و شما رویهمرفته متوسط ارزش توابع  آن را دارید و بعضی ممکن است به صورت زیر باشد:

• خروج از اتاق (که مسئله شماست)
• گیرکردن در گوشه
• پیدا کردن مرکز
• پیدا کردن یک نقطه وسط بین مرکز و لبه
• پیدا کردن یک نقطه سوم از راه بین مرکز و کناره
• اجتناب کردن از دیوارها

 و بدین ترتیب (موقعیت دیگر هست که فضای جستجو باید محدود باشد و بنابراین ما نیاز به نگرانی درباره مسئل بیرونی ابعاد را نخواهیم داشت.)الگوریتم او و شما به طور مساوی خوب است .شما ممکن است بگویید که هرگز پیدا نخواهید کرد مرکز یادوری (اجتناب کردن) از دیوارها که آن محدودیت هایی از نظریه NFL را به ما می دهد.در حالیکه ممکن است صحیح باشد که هیچ الگوریتمی بهتر از دیگری وجود نداردوقتی که  متوسط شده  هر کار نامعمول که به طور احتمالی می تواند تصور شود، در نوع وظایف که مسائل نامیده می شود باشد.اگر هر چیزی  نظریه NFL  ذهن ما را مشغول سازد، ما سعی می کنیم آنرا با الگوریتم مطلوب عنوان کنیم .بیشتر چیزها حتی در جهان محدود به عنوان یک مسئله نیستند .این ممکن است بیشتر انعکاس روش فکر ما از هر چیزی ذاتی که در ریاضیات یا جهان است باشد.کافی است بگوییم ما احساس راحتی نمی کنیم و می گوییم که یک الگویتم می تواند به طور قابل اعتماد حد مطلوب مقطوع را در فضای واقعی مسئله پیدا کند .بهتر از الگوریتمی است که می تواند جواب سوالهایی را پیدا کند که تا کنون هیچ کس پاسخ نداده است .

چند وجهی(MULTI MODALITY):

قسمتی از تحقیق اس بیل

نقطه ضعف الگوریتم های ژنتیکی آزمایشگاه تحقیقات ناوال NRL  و به عنوان یک دانشجو سابق فارغ التحصیل آلن د جونگز ا فراهم می آورد و ارسال می کند خطی یک مجموعه جالب تست توابع در همکاری با NRL   ،همکار میچ پاتر ،اسپیر طراحی و برنامه ریزی کرده بود یک تولید کننده(ژنراتور) مسئله تصادفی چند بعدی (دی جنگ ،پاتر،اسپیر ،1997 ).

دلیل اصلی و منطقی این بود :به طور اشکار اگر یک پژوهشگر دقیق ،روی سازگاریهای یک الگوریتم بهینه کار کند ،در یک مسئله یک خطر وجود دارد که آن در هر چیز دیگری شکست خواهد خورد .یک نیاز برای مطرح شدن ،روشی ازمسائل مختلف وجود داشت ،اما با بعضی کاراکترهای قابل نظارت. تولید کننده مسائل تصادفی یک راه برای امتحان الگوریتم در مسائل نوین را پیشنهاد می دهد ،کنترل کردن بعضی از جنبه های مسائل که انتظار می رود اجراتحت تاثیر قرار دهند .

چندوجهی در این متن اینگونه معنی می دهد که مسئله بیشتر از یک راه حل یا حد مطلوب را دارد .به عنوان قله های(PEAK) سازگاری ُروی چشم انداز تصور می شود. به عنوان مثال در مسئله   X²=25  که یک مسئله چندوجهی(کیفیتی) است  دو راه حل مطلوب وجود دارد: X=+5و X=-5  از آنجا که یک الگوریتم ژنتیکی اغلب با استفاده از کد گذاری باینری اجرا می شود .اس پیر برنامه هایی برای خلق مسائل باینری چند وجهی نوشت، برای حل کردن GA مفهوم بسیار ساده است.

پژوهشگر ابعاد مسئله را تعریف می کند .طول رشته های بیتی و چه تعداد حالت ها و PEAK  ها وجود دارد و برنامه تعدادی از رشته های بیتی که از توالی احتمالی صفر و یک ساخته شده اند را ایجاد می کند.

برای مثال تصور کنید یک پژوهشگر ابعاد را N=10  و چند وجهی یا تعداد PEAK  ها P=5   .تولید کننده مسئله ممکن است این رشته های بیتی را تولید کند.

با رشته های بیتی 10 بعدی 1024=2¹⁰ یعنی 1024 نمونه ممکن از بیتها وجود دارند.

هدف الگوریتم بهینه سازی پیداکردن یکی از  پنج PEAK  هایی که به وسیله برنامه تعریف می شوند .فاصله همینگ (HAMMING)  میان یک رشته بیتی و نزدیکترین بهینه یک قابلیت  ارزیابی را فراهم می کند که بیشتر شبیه بیت رشته ای است .در یکی از پیکهای معین ،آن مناسبتر است.برای رشته های بیتی 10 بعدی، دورترین نقطه منحصربفرد می تواند از یک پیک که واحدهای همینگ آن 10 است باشد.

مسائل مالتی مدال(چند حالته) می توانند برای الگوریتم های ژ نتیکی سخت باشند.ریکال در GA   ،کروموزم ها در هر تولیدی متقاطع اند.بخش های موفقیت آمیز با یکدیگر در تولید جمعیت بعدی می پیوندند .در یک موقعیت چند حالته کاملا ممکن است که بخش هایی که با یکدیگر پیوستند از کروموزم هایی بیایند که قابلیت ناشی شدن از مجاورت خودشان درحدهای  بهینه مختلف را داشته باشند.برای مثال ،کروموزم 0 100110110  تنها یک بیت محتلف ازاولین حد مطلوب تعریف شده در بالا و 0110010010 است تنها یک بیت محتلف ازدومین راه حل.

 گذاشتن آنها با هم توانست بچه کروموزم های 0100110010   را تولید کند ،که است سه بیت مختلف از از اولین حد مطلوب (HAMMING =3  ) و سه بیت مختلف از دومین حرکت

به دور  از هر دو آنها.آن در واقع یک مسوله چند وجهی است که متقاطع بودن را در این حالت بی اثر می سازد.

GA  نه تنها به وسیله ها روی دوباره ترکیب شدن تکیه نکرد،بلکه روی تغییر (وگاهی اوقات دیگر اپراتورها)برای حرکت میان فضای یک مسئله .دجنگ وپاتر ، اس پیر تلاش کردند چندین تغییر

(اصلاح)از GA  شامل یک کسی که تنها اپراتور بود ،تغییر ،عدم تقاطع در ژنراتور مسائل تصادفی چند حالته آن را GAM   نامیدند ارائه دادند.

در این الگوریتم ،هر جا(سایت) در هر رشته بیتی کمترین احتمال تغییرات از یک  0 تا یک 1، یا بالعکس دارد،معمولاکمتر از 0.01 در  هرتولید جمعیت ارزیابی می شود و مناسب ترین آنها انتخاب می شود و تغییرات در آنها عملی می شود.

میان این پردازش تولید کننده ها به بهبود بخشیدن تمایل دارند. همچنین دجنگ و،پاتر و اس پیر   آزمایش کردند یک GA  ارزیابی شده متقاطع،بودن حرکت و این نوع متمایل به لغزش را در نسل های اولیه  پیدا کرد،اماتنها یکبار جمعیت شروع به نزدیک شدن روی یک پیک منحصر بفردکرد ،بهبود نسبتا سریع به وجود می آید.تنها متقاطع GA  که GAC نامیده می شود در پیدا کردن یکی از حدهای مطلوب بسیار موفقند.

اگر شما به اندازه زیاد منتطر مانده اید ،همان از GA سنتی صحیح بود با هر دو متقاطع و متغییر.

تنها تغیییر GA S  ، دائما بهبود می یابد ،تولید به وسیله تولید ،اما اگر ابعاد مسئله بزرگ باشد و شانس تغییر در یک جهت که منجر به بهبود است بسیار کم و کمتر رشد و ترقی می کرد به همان اندازه جمعیت به حد مطلوب رسیده بود.زمانی که رشته های بیتی کوتاه بودند ،تغییرات کروموزم ها حد مطلوب را به سرعت و به طور موثر پیدا کرد.اما  مسیر ابعاد بزرگتر ،مسائل بزرگتر و همچنین سخت تر برای آنها می سازد.اگر چه سرانجام به حد مطلوب سراسری  ،بهبود بخشیدن سرعت در بیشتر اوقات را پیدا کرد.

شکل 7.4 میانگین بهترین کارایی سه نوع الگوریتم  ژ نتیکی رادر 500 peak  مسئله نشان می دهد.

در دنباله ،دجنگ مطالع کندی و اس پیر (1998) الگوریتم باینری  گروه ذره ای رابا سه  GAS مختلف تولید کننده مسائل تصادفی مقایسه کردند  .مطالعه در فرم یک پژوهش بنا شده بود.جایی که سه متغییر مستقل ا لگوریتم های ابعادی و چند حالته  بودند.چهار نوع الگوریتم (GA-C , GA-M,GA,PS ) و دو سطح از ابعاد (20 و 100) و دو سطح از چند حالته (20 و 100 ) .

در هر یک از 16 شرایط آزمایش ،20 نظر وجود داشته بود.و اندازه جمعیت 100 بود.(اندازه این جمعیت بزرگتر از یک نمونه گروه ذره ای ،در ساختن دو نمونه های متناسب استفاده شده بود.)

متغییر های وابسته در آزمایش کندی و اس پیر در بیشتر اوقات قالب بهترین اجرای منحنی بودند.این اندازه گیری چند گونه ای ،بیشتر پیچیده است از دیگرهایی که پیدا شده بودند در پژوهش های نمونه ای .اما به آسانی محاسبه پذیر است با نرم افزار ریاضی خوب.

هر شرط در پوهش 20 بار برای هر ارزیابی اجرا شده بود.در نظر گرفتن بهترین کارایی که محاسبه شده بود بعد از 0 ارزیابی و بعد از 1000 و2000 وهمچنین در بالاتر تا 20000.

اماچگونگی در بیشتر اوقات تغییرات کارایی ها فرق داشتند .        شکل (7-5)

 GAM بهترازهمه الگوریتم ها را در ابتدا  تکرار هر وضعیتی اجرا شده بودند.اما به سرعت سبقت گرفته بودند به وسیله یکدیگر،به جز در وضعیت lite با رشته های بیتی 20 بیتی و تنها 20 پیک.زمانی که هر یکاین دو تا بعد با کیفیت یا هر دو افزایش یافته بودند ،هر چند ، GAM متقاطع است GAC  و GA که اجرا شده بود ند هر دو متقاطع وجهشی ،شروع کرده بودند در هر وضعیت با یک "DIP"در هر کارایی .

گروه ذره ای باینری اجرا شده بود بهتر در همه وضعیت ها به جز "" یکی (جایی که دومی بهتر بود)؛آن پیدا کرد یک بهینه سراسری در هر آزمایش و در هر وضعیتی و انجام داد آن را سریعتر از الگوریتم های مقایسه ای .این نمی گوید که آن می خواسته اجرا شود بهتر از هرGA روی چندین مسئله و شاید آن امکان وفق دادن پارامترهای یکGA  در بهینه ساختن آن در اجرای یک وضعیت مفهومی.به عبارتی دیگر اهمیت این نتایج این بود که از روی آمار قابل توجه در یک چند گونه ای آنالیز و واریانس (MANOVA) نباید دست کم گرفته می شدند.

شکل 5-7

بهترین کارایی منحنی برای چهار نوع الگوریتم با دو بعد (n)ودو حالته (p).(از کندی و اسپیر 1998 )

گروه ذرهای باینری اجرا شده بود بسیار خوب در ژنراتورهای مسائل تصادفی چند حالته ،مقایسه شده با تعدادی رقیب بی مانند.

همان طور که در بالا ذکر شده است الگوریتم ژنتیکی سنتی با متقاطع اغلب باالگوریتم های  چند حالتی درد سر دارد:متقاطع بودن بین کروموزم ها ی والدین که نزدیک به حد مطلوب هستند به بچه  کروموزم هایی که به حد مطلوب نزدیک نیستند منتج می شود.

GA با تغییر دگرگونی بسیار قدرت جستجوی یک هدف  رشته های بیتی را ندارد .چند کیفیتی بودن برای گروه ذره ای باینری ،جاهای  بیشتری برای جا دادن را معنی می دهد.و هدف های بیشتری برای نائل شدن ،تنها اثر مثبت از GA  سنتی با متقاطع بودن است.زیر قسمت ها گروه ذره ای باینری جمعیتی است که می توانند در حد مطلوب به هم نزدیک شوند .لفظ هایی که در نیمه راه بین دو حد مطلوب هستند در دو جهت تمایل به تغییر کردن دارند نه اینکه دو فرصت برای شکست خوردن و موفق نشدن.

جان هاپفید یک فیزیکدان مورد احترام است شما ممکن است بگویید که پژوهش های اوبر اساس سیلیکونهاست. در سا ل1982 هاپفید نشریه ای را بر طبق پژوهش های شبکه ی عصبی منتشر کرد.که نقش مهمتری را از دیگر مطالب منتشر شده در حوزه شبکه عصبی بازی می کند.یکی از پیشرفتهای او تعریف انرژی از شبکه عصبی است. برای یک حالت داده شده از شبکه عصبی انرژی نسبی روی هم رفته مجموع محصولات از هر جفت از وزن نوداکتیوهاست(vj , vi) و ارتباط وزن را با آنها شریک میکند.

                                       (Tij≡0)          E=-0.5∑ Tij VjVi

او نشان داد که الگوریتمش برای وفق دادن نوداکتیوها یک دسته از ارتباط وزن نودها را میدهد.Eرا کاهش میدهد و سرانجام مینیمم Eرا بدست می آورد.

نودها در نمایش ابتدایی شبکه هاپفید اغلب موضوع او بودند.وقتی بعضی از دیگر حالتهای نودها تحت فشار گذاشته می شود شبکه یک نمونه از دیگر حالت نودها را جستجو میکند که ماکزیمم به حداقل رساندن انرژی است(Eدر معادله بالا).

و در نظریه دوتایی و ارزش مداوم مطالعات شبکه ای هاپفیلد ادامه یافت.اما اینجا به شرح دوتایی تمرکز می کنیم.نودها در هر دو حالت فعال و غیر فعال وجود دارند. و به صورت (0,1) نمایش داده میشوند وبه وسیله ی ارتباط قرینه دار به هم وسل می شوندTij . غیر مفید بودن شبکه زمانی دیده می شود که فقط بخشی از الگوی ورودی یا یک روش شلوغ است که به صورت بازده شبکه معرفی می شود نمونه ی کاملی است که بهترین سازگاری رابا نمونه ی تحت فشار دارد .در نمونه ی کلی هاپفید وزن بین نود ها از داده ها مشتق می شود اما در بیشتر روش های شناخته شده ارزش ها از فرض کردن ارتباط بین حالت ها و عقاید یا رفتار مشتق میشود معمولاٌ دلیل اساسی یا منطقی برای انتخاب روش ها وجود دارد اما این از اجرا به دیگری تغییر می کند و حقیقت است که بعضی حقایق مربوط و دیگر آن ها نامربوط اند آن ها میتوانند به صورت مثبت یا منفی به هم مربوط شوند وبعضی از جفت عقیده ها ارتباط قویتری از دیگری دارند متخصص علوم نظری فوراٌ این حقیقت را در مدل ها یش با تغییر دادن درجه های موفقیت ومقولیت اجرا میکند.

یک خرده اشکال دوتایی که برای حد مطلوب ساختمان شبکه ای ساده توسط ادوین هات چین در سال 1995 نصب شده بود در فصل 5 توضیح داده می شود. یک شبکه از 6 نود تشکیل شده به طوری که 3 نود  سمت چپ به طور مثبت با یکدیگر در ارتباط اند 3 نود سمت راست هم به طور مثبت با یکدیگر در ارتباط اند ولی بین نود های سمت راست و چپ با یکدیگر ارتباط منفی وجود دارد . شبکه زمانی در حالت مطلوب است که هر یک از نود های سمت چپ فعال و نود های سمت راست غیر فعال اند وبالعکس. که در اصطلاح دوتایی این به این معنی است که 000111 و 111000 الگو های مطلوب سراسری از نود های فعال هستند ؛ هات چین مدل را با یک داستان از کشتی شکستگی معرفی می کند. زمانی که بعضی روشنایی ها از دور به وسیله ی افراد مختلف متفاوت تقسیم می شوند منتج به یک تصادف می شود.

هات چین یک گروه از چهار شبکه با تغییر دادن اعداد و ارتباط بین آن ها برای ثابت کردن اثر ارتباط با یک گروه برنامه ریزی کرد. بعضی از خرده اشکال های مشابه در هر شبکه منحصر به فرد هستند و عمل متقابل آن ها به آنها اجازه می دهد حد مطلوب روش های فعال را پیدا کند زمانی که نمونه با 20 خرده اشکال منحصر به فرد حرکت می کند, طرح های مطلوب جهانی هر زمان بوسیله همه اعضا  ی جمع پیدا می شود ما می پذیریم که مشکلات بهینه سازی نیست  به طوری که فقط 2 به توان 6 یا 64 حالت ممکن در شبکه با دو حد مطلوب یکنواخت وجود دارد.خرده اشکالهای دو تایی با استفاده از قانون های بسیار خوبی می تواند بر روی محدودیت های پیچیده عملیات بهتری داشته باشد در این مثال توجه به شکل گیری تمدن در جمعیت همانطور که در شکل 7.6 دیده میشود در lbest خرده اشکال های برنامه عمل متقابل منحصر به فردی را با همسایه های مجاور دارند و روش ها از همسایه ای به همسایه دیگر گسترش می یابد و این معمولا به عنوان بهینه سازی های مختلف بر روی جمع  اتفاق می افتد . این یک مدل پردازش خوب به وسیله دو قطبی سازی در جامعه به نظر میرسد. هر دو جمع بندی صحیح هستند و هر دو منتج میشوند به روشهایی که نودها با الگوی مثبت فعالند و نودها با الگوی منفی غیر فعال. از طریق مذاکره و انتشار دادن اطلاعات میان خودشان و همسایه هایی که موافق هستند و آنهایی که مخالفند اما در مجموع به سازگاری در حد مطلوب با یکدیگر می رسند .عمل متقابل اجتماعی از همگرایی فرهنگ در نمونه هایی از عقاید منتج میشود .

000111

000111

000111

000111

000111

111000

111000

111000

111000

111000

000111

شکل 7.6

 ما در حال شرح دادن یک نمونه از خرده اشکال های بهینه ای که معمولا مقدار باینری آنها یک یا صفر و درست یا غلط است میباشیم که یک نمونه ساده و قدرتمند برای استفاده و آسان برای فهمیدن است و به سرعت به هم نزدیک میشوند حتی بری ابعاد بزرگ –مسائل چند وجهی در جهان واقعی. اگر چه ما معمولا باید با اعداد پیوسته کار کنیم د. در بخش بعدی چگونگی کار بهترین خرده اشکال در اعداد پیوسته را نشان میدهیم.

خرده اشکا ل در اعداد پیوسته یا متوالی

عقاید و نظرات از یک الگوریتم بهینه سازی اجتماعی و کمی یعنی مدل فرهنگ انطباقی به مدلی پیشرفت کرده است که بتواند به صورت کمی یا کیفی خرده اشکالهای دو تایی را تعبیر و تفسیر کند. در این فصل ما به خرده اشکال واقعی میرسیم که الگوریتم بهینه سازی عددی است.(Kennedy and Eberhart, 1995). الگوریتم گروه ذره ای جویای حد مطلوب در فضای جستجوی نا محدود است که اغلب با R به توان n یعنی فضای n  بعدی اعداد واقعی نشان داده میشود.( در واقع آن جویای فضای محاسباتی است و ما از pc ها استفاده می کنیم و بنابراین هشدارها و اخطار ها در ارتباط با چیزهایی همچون وجود خطا های گرد کردن می باشد).

خرده اشکال در فضای اعداد واقعی 

در فضای اعداد واقعی٬ پارامتر های یک تابع عنوان یک نقطه تصور می شوند.اگر ما به یک سیستم روانشناختی به عنوان یک نوع تابع پردازشی اطلاعات فکر کنیم /هر دوتایی مثل MMPI روان درمانگر٬ پرسشنامه تحقیقی افکار عمومی ٬ فهرست جویای ریسک٬ مشاور مدیریت Myers-Briggs یا love-Q شما چیست؟با حمایت Cosmo اعداد واقعی را ایجاد میکند که می توانند به صورت یک نقطه در یک فضای روانشناختی تعبیر و تفسیر شوند.در کاربرد های مهندسی ٬ تصور اینکه حالتهای سیستمی در فضای چند بعدی به صورت نقاط می باشند٬ عادی و متداول است.فضای چند بعدی بسته به موقعیت دارای نام های متفا وتی می باشد . این اسامی شامل فضای حالت یا وضعیت فضای فازی یا مرحله ای و فضای ما ورایی یا فوق العاده – می باشند. پیشنهاد اینکه چندین فرد را می توان در یک دستگاه مختصات منفرد ترسیم کرد یک جهش و تغیییرناگهانی فلسفی کوچک می باشد جایی که مقییاس های تعداد افراد ٬ نقاط فراوانی را ایجات می کند . ( شکل 707 ). نزدیک یکدیگر بودن در فضا به معنای ان است افراد مقییاس های مربوطه مشابه می باشند. اگر تست صحیح باشد ،نشانه های واقعی بین افراد وجود دارد. اگر بردار های پارامتری متفاوت در یک تابع ریاضی تست شوند، بنا براین ما انتضار داریم که نقاط در منطقه یکسان با بردن دادها ی تابعی و تناسب و حرف مربوطه همبستگی داشته باشند. از چشم انداز در افکار منحصر به فرد در فضا به صورت نقطه ، تغییر در طول زمان به صورت حرکت نقاط نشان داده می شود و اکنون اعداد صحیح می باشند . فراموش کردن و یادگیری را می توان به صورت کاهش یا افزایش شناختی در بعضی از ابعاد مشاهده کرد، تغیییر نگرش ها به صورت جنبش ها و حرکات بین انتها های مثبت منفی یک محور مشاهده می شوند تغییر خلق و خو وهیجانات بسیاری از افراد را می توان در یک دستگاه مختصات رسم کرد. از انجا که افراد زیا دی در چارچوب ابعادی بالای یکسانوجود دارند. دستگاه مختصات شامل تعدادی ذره متحرک است. بینش و چشم انداز روانشناسی اجتماعی این است که این نقاط گرایش به حرکت به سمت یکدیگر دارند تا بر یکدیگر تاثیر ندارند زیرا افراد جویای سازگاری با همسایگان و هم جوارهای خود می باشند. بینش و چشم انداز دیگر این است که فضایی که ذرات در ان حرکت می کند با توجه به ارزیابی نا متجانس می باشند: بعضی از مناطق برتر از سایرین می باشند. این مورد در مورد توابع، دستگاها و روانشناسی می باشد. بعضی از نقاط در فضای پارامتری متناسب تراز سایرین می باشند. یک برد از پارامتر ها شناختی، ریاضی یا مهندسی را می توان ارزیابی کرد و فرض می شود که یک نوع الوییت یا کشش برای مناطق بهتر فضا وجود دارد. موقعیت ذره i نماد بردار جبری xi را تعین می کند. به طور طبیعی هر تعداد و ذره ای می تواند وجود داشته باشد و هر برداری می تواند با هر بعدی باشد. تغییر موقعیت یک ذرهaxi نام دارد اما برای ساده کردن این مفهوم ما ان را vi برای سرعت می نامیم.سرعت یک بردار از اعداد است که به مختصات موقعیت یا پوزیشن افزوده می شوند تا ذره را از یک مرحله زمانی به مرحله دیگر حرکت وجابجا کنند:

xi(t)=xi(t-1)vi(t)

  اکنون مساله  تعیین و تعریف قوانینی است که ذره را در مسیر مطلوب جابجا میکنند به گونه ای که به طور بهینه زمان جستجوی حد مطلوب به آزمایشات اختصاص می یابند.الگوریتم خرده اشکال فضای جستجو را به تغییر مدت سرعت نمونه برداری می کند . نظریه زبان شناختی اجتماعی حاکی از آن است که افرادی که به یک فضای جامعه شناختی حرکت می کنند باید تحت تاثیر رفتار های قبلی خود و موفقیت های همجوارهای خود باشند. این همسایگان لزوما افراد نزدیک آنها در فضای پارامتری نمی باشند بلکه کسانی هستند که در یک فضای جغرافیایی نزدیک آنها هستند که ساختار گروه سنجی جمعیت را تعیین می کند کسی که بر شما تاثیر میگذارد به واسطه ارتباطات شما در شبکه اجتماعی و نه به واسطه پوزش او در فضای اعتقادی و باور تعیین می شود ممکن است کسی باشد که با شما درباره هر چیزی موافق باشد یا کسی که هرگز او را ندیده اید (و کسی که شما می دانید تا بحال ندیده اید و آنها کسی را نمی شناسند . . . )و در نهایت کسی است که بر شما تاثیر نمیگذارد. بنابراین در خرده اشکال عدد متوالی٬ مانند نسخه یا مدل دوتایی یک همسایه برای هر فرد بر مبنای پوزیشن او در صف جمعیت جغرافیایی تعیین می شود.صف جمعیتی به طور متداول به صورت یک ساختار حلقه ای اجرا می شود . که آخرین عضو همسایه اولین عضو خانه پهلویی می باشد.از آنجایی که سیستم٬ پویا و دینامیک است ٬ هر فرد ٬متحرک فرض می شود.که در واقع تغییر کردن در تمام زمان ها نامیده می شود.این پریود مفهوم حرکت lewin می باشد. جهت حرکت تابعی از سرعت و موفقعیت کنونی٬ لوکیشن بهترین موقعیت قبلی فرد و بهترین پوزیشن یافت شده به واسطه هر عضو در همسایگی می باشد و به صورت زیر می باشد:

Xi(t)=f(xi(t-1),vi(t-1),pi,pg)

درست مانند مدل دوتایی  تغییر( که اکنون بر حسب سرعت به جای احتمال تعریف می شود)تابعی از اختلاف یا تفاوت بین بهترین موقعیت قبلی فرد و موقعیت کنونی او و تفاوت بین بهترین موقعیت همسایگی او و همسایگی کنونی او می باشد.در حقیقت فرمولها برای تغییر سرعت با فرمول مورد استفاده برای تنظیم احتمالات در مدل دوتایی یکسان می باشند.بجز اینکه اکنون متغیر ها ٬متوالی و پیوسته می باشند و چیزی که تنظیم می شود سرعت و موقعیت ذره در R^n می باشد:

{vi(t)=vi(t-1)+Ф1(pi-xi(t-1))+ Ф2(pg-xi(t-1))

xi(t)=xi(t-1)+vi(t)                                                   

مانند قبل متغیرهای Ф اعداد تصادفی تعریف شده به واسطه حد بالا می باشند.اثر آن٬ این است که سیکل های ذره ای به طور ناهموار به دور یک نقطه به صورت میانگین دو تا از بهترین ها تعیین می شوند:

ФiPi+ Ф2P2) / Ф1+Ф2)

بخاطر اعداد تصادفی ٬ موقعیت تعیین این نقطه در هر تکرار تغییر می کند.بنا به دلایلی که در فصول بعد مورد بحث قرار خواهند گرفت.سیستم گرایش به انبساط  و انفجار دارد زیرا نوسانات عریض و عریض تر می شوند گر اینکه از یک روش برای میرا کردن سرعت استفاده شود.روش معمول برای جلوگیری از انفجار٬ تعیین یک پارامتر Vmax و جلوگیری از تجاوز سرعت از این حد در هر بعد d برای فرد می باشد:

if vid >Vmax then vid =Vmax

else if vid <-Vmax then vid =-Vmax

اثر این عمل این است که به ذرات٬ امکان نوسان درچهارچوب رامی دهداگرچه هیچ گرایشی برای همگرایی یا فروپاشی گروهی نسبت به یک نقطه وجود ندارد. حتی بدون همگرایی، نوسا نا ن گروه نقاط پیشرفته رادر منطقه مطلوب و بهینه پیدامی کند. یک رویکرد برای کنترل جستجو اجرای یک وزن اینرسی یا لختی است. روش دیگر بواسطه ریاضیدان فرانسوی موریس کلرک توسعه یافت شامل یک سیستم از ضرایب قید است که در عبارت متفاوت فرمول ها به کار می رود. این رویکردها در فصل بعدمورد بحث قرار می گیرد

شبه کدی برای بهینه سازی خرده اشکال در اعداد متوالی

به طور خلاصه الگوریتم خرده اشکال در فضای اعداد واقعی تقریبا با الگوریتم دوتایی یکسان است به جز اینکه vi بازدهی یا افزایش حرکت را به جای آستانه احتمال تعریف می کند که بواسطه شبه کد یا رمز زیر داده می شود.

مشکلات اجرایی

یک مشکل که هر کسی با آن در اجرای الگوریتم مواجه است این است که چگونه جمعیت را راه اندازی کنیم. موقعیت و سرعت های ذرات معمولا به صورت تصادفی می باشند.موقعیت های تصادفی اولیه اغلب در محدوده دینامیک هر بعد توزیع می شوند.سرعت های اولیه اغلب به طور تصادفی بروی [-Vmax ,Vmax] توزیع می شوند.

مسئله دیگری که در زمان اجرا مواجه هستیم این است که از چه تعداد ذره باید استفاده شود؟ هیچ پاسخ واضحی برای این سوال وجود ندارد اما تجربه نویسندگان نشان می دهد که انتخاب جایی بین 10 و 50 معمولا خوب است. یکی از نویسندگان[JK]   جمعیت های با محدوده پایین را اجرا می کند در حالیکه نویسنده دیگر اغلب شمار بالای جمعیت را ترجیح می دهد.اگر شما از یک الگوریتم ژنتیک سنتی استفاده می کنید٬ شما باید با ذرات کمتر از تعداد کروموزوم های GA که شما استفاده می کنید٬ شروع کنید.

تماشای الگوهای نبرد ذرات جالب است. ما دریافتیم که شما بعضی اوقات می توانید بعضی چیزها را درباره مساله مدل سازی شده یا بهینه شده٬ با تماشای پرواز ذرات یاد بگیرید .تصاویر گروهی که تصاویر کلی می باشند-مانند اشکال این کتاب- نمی توانند نسبت به پویایی یا دینامیک سیستم به عدالت رفتار کنند.شما میتوانید این کار را با اجرای کد منبعی که ما در وب سایت کتاب ایجاد کرده ایم٬ انجام دهید.اما یک راه ساده تر رفتن به وب سایت و اجرای java applet است.شما میتوانید از بین شماری از توابع تستی و مجموعه ای از پارامتر ها برای هر تابع انتخاب کنید.

مثال:بهینه سازی خرده اشکال وزن های شبکه عصبی

اولین اجرای واقعی الگوریتم خرده اشکالی ٬مدلی بود که پل اتصال نظریه روانشناختی و کاربرد های مهندسی است.شبکه عصبی مصنوعی یک مدل آماری شناخت است که بردارهای متغیر های مستقل را دارد و برآورد های بردارهای متغیر های وابسته را بیرون می دهد.شبکه به عنوان یک مجموعه اوزان سازماندهی می شود که معمولا به صورت لایه هایی مرتبط میشوند و مساله بهینه سازی باید مقادیری را برای اوزان بیابد که طراحی و نقشه برداری با حداقل خطا را امکان پذیر می سازد.از حوصله این کتاب خارج است تا درباره جزئیات شبکه های عصبی صحبت شود.شما به کتابهایی ارجاع داده می شوید که حاوی اطلاعات پایه در مورد شبکه های عصبی و کاربرد های آنها مثل  Eberhart ,Simpson,و( Dobbins (1996 یا Reed و Marks  (1999)  می باشند.

 شبکه های چند فوروارد از طریق یک نوع الگوریتم  گرادیان بهینه می شود که به طور سنتی از انتشار عقبی و پشتی خطا استفاده می کند.برداشت و تعبیر شناختی آن این است که فرد ٬ قضاوت هایی را درباره محرک ها از طریق انطباقات و سازگار ها بر مبنای تجربه شخصی صورت می دهد. در مقابل با آن دیدگاه خرده اشکال فرد را در یک زمینه اجتماعی – روانشناختی قرار می دهد .فرد سازگار هایی را با ترکیب تجربه ی فردی با اکتشافات سایرین صورت می دهد. در این دیدگاه یک اقدام مشارکتی می باشد که در یک محیط اجتماعی بین فردی رخ می دهد که در آن فرد تنها یک بخش یا قسمت می باشد.

شبکه عصبی فید فوروارد علاوه بر قابلیت خود برای ایجاد بینش هایی در درک شناخت یک ابزار آنالیز داده ای فوق الاده مفید می باشد که یک ابر مجموعه دارد که در آن آنالیز رگرسیون یک عضو می باشد این شبکه ها اغلب برآورد کننده های تابع فراگیر نام دارند زیرا آنها قادر به تقلید از هر نوع داده ریاضی میباشد. نقطه ضعف آنها در استفاده آماری مربوط به اشکال در توضیح یک نتیجه بدست آمده می باشد.این نقطه ضعف دو سطح دارد : نه تنها مشکل روابط بشری در درک یا توضیح چگونگی ایجاد یک برآورد از طریق داده های مربوط به صد ها ارتباط اندازه گیری شده وجود دارد بلکه هنوز مشخص نیست که چگونه استنباط های آماری در یک جمعیت از یک شبکه ایجاد می شوند یعنی چگونه درجه اطمینان بر نتیجه برآورد می شود. یک مشکل تست کلاسیک برای فید فوروارد٬ مشکل xor است.

عملیات منطقی یا منحصر بفرد (که مخفف xor است ) در صورتی درست است که تنها و تنها یک قضیه درست باشد بر خلاف اپراتور Boolean OR که در صورتی درست است که هر قضیه با استدلالی درست باشد.این پازل کوچک یک جفت درون داد دوتایی را می پذیرد و یک 0 را در صورتیکه یکسان باشند و 1 را در صورتیکه متفاوت از یکدیگر باشند بیرون می دهد.به شبکه با یک مجموعه داده هایی درون داد و برون داد مانند جدول 2-7 آموزش داده می شود .شبکه عصبی فید فوروارد به طور گسترده به عنوان یک نوع مدل شناخت بشری خصوصا طبقه بندی مورد بررسی قرار گرفته است زیرا قادر به شبکه سازی مهارت بشری برای یکی کردن چیزهایی است که به نظر میرسد متعلق به هم نمی باشند.تفکیک پذیری خطی زمانی وجود دارد که از ترکیبی از خواص افزودنی برای گروه بندی نمونه ها استفاده کرد.یهنی زمانیکه چیزها با خصوصیاتشان به صورت نمودار در می آیند و یک خط یا سطح مستقیم کشیده می شود که به طور کامل دو نوع چیز را از هم جدا می کند.مقوله بندی یا طبقه بندی بشری اغلب بصورت خطی قابل تفکیک نمی باشد. 

 جدول 7.2. خروجی تابع XOR زمانی صفر است که ورودی ها مثل هم باشند یعنی با هم تطبیق داشته باشند و زمانی یک است که ورودی ها متفاوت باشند.

 XOR مشکلی دارد که در مثال بالا نشان داده شده است. به عنوان مثال نمی توانند از هم تفکیک شود. برای حل این مشکل ، دو ورودی  و یک خروجی از  گره ها نیاز دارند که با دو گره پنهان ارتباط برقرار کنند. مگر این که ورودی ها مستقیما به خروجی ها متصل شوند. بنابراین برای برای رسیدن به این هدف ، ما در آینده از یک شبکه با دو گره پنهان استفاده می کنیم.(شکل 9-7 راببینید) . در تصویر ، هر گره ورودی به یک گره پنهان و هر گره پنهان به یک گره خروجی متصل می شود. همچنین هر گره پنهان و گره خروجی دارای یک گذرگاه هستند که می توانند با آن پیوند برقرار کنند. بنابراین این شبکه نیاز دارد که با وزنی در حدود 9 بهینه شود . از سوی دیگر ، گره ها در فضای به اندازه 9 حرکت می کنند . مقادیر ورودی داده شده در این طرح ها به روی خروجی تاثیر می گذارد. یک جمعیت که به طور انحصاری 20 نفر تعریف شده ،هر نفر آزمون را به عنوان یک نمودار تصادفی برگزار می کند . هر بخش موقعیت جاری را با موقعیت قبلی مقایسه می کند و  سرعت را به سوی نقطه ای که مقادیر آنها قالب بندی شده است تنظیم می کنند . ورودی هایی که به درون شبکه وارد می شوند ، به معنی 1 می باشند که تفاوتی بین بدست آوردن و مراقبت کردن از مقادیر در محاسبات وجود  دارد . البته هدف این است که اندازه خطا را کوچک کنیم به حداقل برسانیم . خطا به عنوان یک مقایسه گر برای هر عضوی از جمعیت محسوب می شود. سرانجام برخی از اعضای این جمعیت الگوی را به عنوان معیاری برای به اشتراک گذاشتن قالب ریز می کنند . برای مثال ، معدل مجموع خطاها باید 0.02> شود. در مطالعات اخیرkennedy در سال1997 توانست شبکه ای را پیدا کند که این معیار را بهینه کند. در صورتی که  2 = V _MAX  و   ϕ _TOTAL=4 شود. ما در این نوشته  بخشی از الگوریتم های گروهی را معرفی می کنیم که اجازه می دهند در شبکه های عصبی بهینه سازی سریعتر انجام شود .

شکل 7.8. مشکل XOR  به طور خطی تفکیک شدنی نیستند، هیچ خطی نمی تواند به .یر این گوشه ها کشیده شود.گوشه (0،0) و(1،1) در یک طرف قرار دارند و گوشه (0،1)و(0،1) در طرف دیگر قرار دارند.

شکل 7.9. یک جفت از ورودی های XOR  در شبکه اینگونه عمل می کنند اگر دو ورودی متفاوت باشند خروجی 1 و اگر یکسان باشد خروجی 0 است.

یک کاربرد در جهان واقعی

شبکه XOR بطور صریح بعنوان شبکه های وابسته به عصب استفاده می شوند و اولین بخش از کاربرد جهانی این گروه این بود که یک شبکه عصبی بهینه سازی را طراحی کند که بتواند وضعیت شارژ یک بسته باطری در یک وسیله الکتریکی تخمین بزند. در حقیقت یک شبکه،8 ورودی ، 5 گره پنهان و1 گره خروجی دارد. سرانجام شبکه ساده شده به صورت 5 گره ورودی ، 3 گره پنهان و1 گره خروجی درآمد. یک نویسنده در این گروه به نتیجه رسید که شبکه های عصبی می توانند از الگوریتم بازگشتی استفاد ه کنند. اگرچه شبکه ها کوچک بودند، تقریبا مجموعه در حدود 2500 داده از این شبکه ها استفاده می کنند.هر دوره آموزشی از الگوریتم های بازگشتی استفاده می کنند که نیاز دارند 3.5 ساعت را تقریب بزنند.

این یک مثال ساده بود تا الگوریتم بازگشتی را حذف کنند و بهینه سازی را جانشین آن کند.نتیجه بدست آمده هیجان انگیز بود این تحقیقات آموزشی نیاز داشت که مقدار خطا را از 3.5 ساعت به 2.2 دقیقه کاهش دهد.

این برای اولین بار بود که ما نگاهی اجمالی به الگوریتم های گروهی قدرتمند انداختیم زمانی که عنوان مشکل بهینه سازی جهان واقعی بکار برده شدند برای توضیحات بیشتر این کاربرد تحقیقاتEberhart, Simpson Dobbins را ببینید.هر چند شبکه برای اینکه به موفقیت برسد به بهینه سازی وابسته نبود .

آشکار و واضح است که این موضوعی است که باید در مورد آن بیشتر تحقیق شود.بیشتر شبکه های عصبی آموزش می بینند که از بهینه سازی گروهی استفاده کنند در اینجا دیگر کاربرد ها از قاعده شصت استفاده می کنند. اولین قانون این است ک V_max  را انتخاب کنیم.

 تابع حلقوی استاندارد در شبکه هایی که اساسا ورودی هایی در حدود+/− 10 دارند استفاده می شود.بنابراین ، ما اغلب محدوده دینامیکی سنگین در حدود 2.0 را مورد توجه قرار می دهیم. این به نظر معقول می رسد که ما حدی که بشترین سرعت را دارد در این محدوده دینامیکی قرار دهیم.زمانی که یک V_max باشد،موفقیت بیشتری برای پیش برد شبکه ها و فعال کردن تابع حلقوی بدست می آوریم.زمانی  ϕ_total دارای سرعت پایداری می باشد ، به طور کلی مجموعه ای در حدود 4.0 برای این برنامه کاربردی استفاده می شود.

دومین قاعده شصت این است که ما تنظیمات اندازه را مورد توجه قرار دهیم.هرچند نظریه پایه ای در این زمینه وجود ندارد،این نظریع اندازه ای را در این همسایگی پیددا می کند که در حدود 20-10 درصد از مردم بسیار خوب و راحت کارمی کنند.

همانطور که در فصل 9 در مورد کاربرد های گروه های ذره ای در مسائل مهندسی مشاهده شد.از الگوی گروه ذرهای در بسیاری از شبکه های بزرگ استفاده شده است.به علاوه در یک توسعه جالب و جدید از خرده اشکال می توان در واقع برای طراحی شبکه عصبی استفاده کرد.گره ها می تواند ساده شوند و از شبکه در زمانی که مقادیر بهینه و مطلوب برای اوزان  یافت می شوند،حذف شوند.

 آموزش ( تنظیم  وزن) شبکه عصبی مصنوعی چند لایه با توابع انتقال غیرخطی قبلا غیر قابل حل بود. اگر چه تکنیک هایی چون پراکندگی و انتشارپشتی  خطای بسط یافته برای بهینه سازی اوزان، ناقص می باشند یعنی حساس به حد مطلوب موضعی می باشند.اما این روش ها برای بسیاری از مصارف به اندازه کافی خوب بوده اند. در حقیقت بعضی از حقه ها و ترفند ها (ما در اینجا در مورد الگوریتم  quick prop"" حائل سریع اسکات فالمن فکر می کنیم)اکتشاف راه های قوی را مورد رضایت قرار می دهد.

همانطور که مشاهده شد،یک کتابخانه از توابع و عملکردها برای آزمایش نقاط ضعف و قوت الگوریتم های بهینه سازی از جمله تستDe Jong  و سایر عملکرد ها و توابع هایی که سال ها جمع آوری شدند، وجود دارد. هر الگوریتم بهینه سازی جدید از جمله خرده اشکال باید خود را بواسطه پیروزی بر این میدان های مین ریاضی و شیطانی اثبات کتد که با چندین حد مطلوب ،شیار و موج، حفره و محفظه و بر آمدگی ها ،ابعاد پذیری بالا، مناطق غیر عملی،انحراف پیچیدگی دینامیک و تدبیر طراحی می شوند(آخری اصطلاحی است که برای مسائلی که شیب از حد مطلوب جهانی بالاتر می رود).در تحقیقات ها و سایرین ،الگوریتم های خرده اشکال در حل این مسائل موفق بوده است.

خرده اشکال هیبرید

اکنون که ما به شما نشان داده ایم که چگونه خرده اشکال دوتایی و با ارزش واقعی کار می کنند، ما دوست داریم تا به طور خلاصه، یکی از موضوعات رایج تحقیقی مان یعنی خرده اشکال هیبرید را مدنظر قرار دهیم. همانطور که ممکن است حدس بزنید یک خرده اشکال هیبرید با پارامترهای  دوتایی با ارزش واقعی در یک تحقیق ترکیب می شوند.در این بخش ما به شما چند ایده  درباره ی اینکه  چرا شما میخواهید چنین سیستمی را اجرا کنید وچگونه آنرا انجام دهید ارائه دهیم .

 چرا ما یک الگوریتم هیبرید را نیاز داریم؟ احتمالا شما به یک مسئله با متغیر های دوتایی و پیوسته مواجه شده اید، یک نمونه از آن سهولت توضیح و توجیه یک سیستم تشخیصی چندین علامتی است. فرض کنید یک سیستم تشخیصی بر مبنای شبکه عصبی را طراحی کرده اید تا بیماری های شکمی را مثل آپاندیست و درد شکمی غیر ثابت را تشخیص دهید. بعضی از علائم مثل دمای بدن وشمار سلول سفید خون متغیرهای پیوسته می باشند و به بهترین وجه نشان دهنده تعداد واقعی می باشند.سایر داده ها مثل پاسخ به این سوال " آیا شما آپاندیس خود را برداشته اید؟."  مقادیر دو تایی می باشند. بنابراین ترکیب علائم شامل تعداد و اعداد واقعی ودوتایی است .این عمل هیچ مشکلی را در زمان آموزش یک شبکه عصبی ایجاد نمی کند.خواه شما از رویکرد سنتی تری مثل پراکندگی و انتشار پشتی استفاده کنید وخواه از رویکرد دلخواه ما و از بهینه سازی خرده اشکال استفاده کنید.

 توضیح اینکه چگونه یک شبکه تصمیم خود را می گیرد، بسیار مشکل می باشد. از آنجایی که اطلاعات به صورت الگوهای پیچیده بارها و وزن های اتصال و رمزگذاری می شوند که معمولا چندین لایه گره را به هم متصل می کنند اما به ندرت مشخص می شود که آن درباره چه نوع الگوی داده ای می باشد که منجر به تشخیص می شود. این احتمال وجود دارد تا یک وسیله توضیحی و تفسیری را ایجاد کنیم که برای پزشکان ابزاری را در درک چگونگی تشخیص توسط شبکه را فراهم کند.ما معمولا از الگوریتم تکاملی استفاده می کنیم تا دو نوع چیز را تعیین کنیم. اولین سطوح فوق العاده ای که نشان دهنده تشخیص تفاضلی است،کجا می باشند؟ تشخیص تفاضای این است مجموعه داده هایی (یانوعی از این قبیل ورودی ها)که بر روی مرز بین دو تشخیص قرار می گیرند .به عبارت دیگر تشخیص های تفاضلی،آن مجموعه داده هایی هستند که شانس آنها در نشان دادن علائم آپاندیسیت و درد شکمی غیرثابت برابر و مساوی است. دومین، نمونه های اصلی هر تشخیص چه باشند؟به عبارت دیگر چه ترکیبی از داده ها منجر به حداکثر احتمال یک بیماری مثل آپاندیسیت بر طبق سیستم می شود؟

یافتن این مجموعه داده ها نمونه ای از یک مسئله معکوس می باشد و چیزی است که الگوریتم های تکاملی برای آنها خوب و مفید می باشند.اکنون سوال این است،چطور ما آنها را انجام دهیم.شما احتمالا تا حالا پاسخ را فهمیده اید،بر مبنای داده های دو تایی (جناس پزشکی) با الگوریتم خرده اشکال دوتایی عمل می کنیم و (یک جناس پزشکی دیگر) متغیرهای پیوسته را با خرده اشکال با ارزش واقعی درمان کنیم

.ما بعضی از تست های اولیه را انجام داده ایم و این رویکرد به نظر می رسد که خوب عمل کند. ما تاکید می کنیم که این مورد موضوع تحقیق و توسعه مداوم می باشد.

علم به عنوان یک تلاش مساعی

 نوع فرایند های تصمیم گیری در هر دو الگوریتم های خرده اشکال با ارزش واقعی و دوتایی گرایشی را نشان میدهد که زمان دیدن آن در معرفت بشری،خطا و نقص لحاظ شده است.کارن پاپر(1959) متدلوژی علمی را تغییر اساسی داد و ما را ترغیب کرد که این احتمال وجود ندارد که تایک فرضیه را به اثبات رساند و تنها احتمال تکذیب و رد آن وجود دارد. در مثال مشهور او ، حتی اگرشما یک میلیون قوی سفید را ببینید هرگز در زندگی تان هیچ رنگ دیگری را ندیده باشید شما هنوز به طور یقین اثبات نکرده اید که" تمام قو ها سفید" می باشند. از طرف دیگر، یک قوی سیاه منفرد، این سخنان را تکذیب می کند. متد لوژی علمی مدرن برمبنای فلسفه آزمایش فرضیه صفر و هیچ می باشد که سعی در اثبات این فرضیه دارد که فرضیه  تحقیقی تان در حقیقت اشتباه است یعنی شما جویای قوهای سیاه می باشید. یک فرضیه را نمی توان تست کرد مگر اینکه عملی باشد و اثبات علمی بر مبنای تشخیص این است که چه اتفاقی می افتد اگر فرضیه در واقع اشتباه باشد و سپس بفهمید که آیا آن رویداد ها در یک موقعیت تجربی رخ میدهند یا نه .

در حالیکه از نظر منطقی امکان اثبات فرضیه ای بواسطه پشتیبانی از آن وجود ندارد، اما آن دقیقاً رویکردی است که مردم به طور نرمال اتخاذ می کنند.روانشناسان شناختتی،این گرایش را جانبداری از دلیل قاطع می نامند یعنی تمایل تایید عقاید و نظریاتمان به طور غیر منطقی بجای تقلب.

 Ha ,Klayman(1987) به این موضوع بر می گردد و اشاره می کند که تقلب یک استراتژی خوب برای تعیین درستی یا نادرستی بسیاری از فرضیه ها نمی باشد.آنها پیشنهاد کردند که مردم از یک "استراتژی مثبت" استفاده کنند که به صورت  case و موارد آزمایشی معرفی می شود که انتظار می رود نتیجه مفروض را به وجود آورد تا موارد آزمایشی که موفق به ایجاد این نتیجه نمی شود." آنها پیشنهاد کردند که مردم از استراتژی تست مثبت به عنوان روش اکتشافی پیش فرض استفاده کنند" (ص.225).

روش دیگر برای این مورد مقایسه درستی واقعیت و قطعیت است. بیشتر اوقات ، افرادی که مساله ای را حل می کنند نیاز به دانش و اطلاعاتی که چیزی باید بر مبنای درست و واقعیت باشد ندارند،آنها تنها نیاز دارند که آن تا از سطحی از قطعیت اثبات کنند. همانطور که کارل پایر در مصاحبه اش به نویسنده ای به نام جان هورگان (1996)، گفت: " ما باید بین واقعیت و درستی که مطلق و عینی است قطعیت که ذهنی است ، تمایز ایجاد کنیم."  انطباق فرضیه هایتان به اتفاق آرا و موارد تستی که آنچه را که شما به آن معتقدید تایید می کنند. روش های برای افزایش قطعیت می باشند. چیزی که برای این مفهوم تایید می کنند تناقض یا حقایق تجربی است . بنابراین" تست مثبت"  تنها در صورتی می تواند کار کند که با پدیده های موجود در جهان سازگار باشد. در حالی که این احتمال وجود دارد که قطعیت در غیاب واقعیت و درستی ایجاد شود اما این دو مستقل نمی باشند. حقیقت، و واقعیتی که می توان از آن بهره جست. استراتژی های که قطعیت را افزایش می دهند ، احتمال اکتشاف واقعیت و درستی را نیز دارند .

 در مدلی که ما توصیف کرده ایم ، افراد به سمت موفقیت های قبلی خود حرکت می کنند و و جانب داری از دلیل قاطع در این استراتژی بنیادی می باشد. اما این مورد یک جانب داری از دلیل قاطع اجتماعی و مفصل می باشد . افراد جویای اثبات نه تنها دنبال فرض های خود می باشند بلکه جویایی اثبات فرض های همسایگان خود نیز می باشند. به طور متناقض اگر چه ما می گوئیم که طرز فکر افراد و مردم علمی نیست خصوصا تا آنجا که علم ، ریاضی وار و قیاسی تصور می شود اما حتی دانشمندان نیز مانند آن عمل می کنند . چیزی که توماس کان (1970) آنرا الگو نمونه می نامد یک نوع تقارن و تلاقی اجتماعی دانشمندان در یک فضای تعمیم سازی نظری است." یک الگو و نمونه ، چیز مشترک بین جامعه علمی است و برعکس یک جامعه علمی متشکل از افراد ی است که یک الگو و نمونه مشترک دارند"(ص176) . دانشمندان در مورد استفاده از اصطلاخات علمی ،روش های تحقیقی مورد قبول و سایر جنبه های کاریشان اتفاق نظر دارند و این عمل بخاطر تاکید شدید بر یک حوزه موضوعی تعیین شده می باشد که دانشمندان قادرند به طور کامل از یافته خود بهره برداری کنند. در قیاس خرده اشکال ،Kuhnian   یک "انقلاب" رخ داد زمانی که فردی منطقه تحقیق و جستجوی بهتری را بدست آورد و توجه همسایگان خود را با برتر بودند در آن حوالی جلب کرد.

 در دهه 1960 و 1970 بعضی از نظریه پردازان تکاملی یک تطابق را بین فرآیندهای علمی و تکاملی پیشنهاد کردند  که مکرر بیان شوند .(Lorenz1973 ;popper1972 ;campbell1965,974  ( dawkins 1976;atmar 1976  . در این دیدگاه ،یک عضو منحصر به فرد از نمونه نشان دهنده فرضیه  درباره خواص منطقی محیط می باشد  ، صحت و درستی این فرضیه با بقا و حفظ  فرد نشان داده می شود  این رویکرد  استباطی برای یادگیری منجر  به پیش بینی  جنبه های مهم محیطی شده است با بحث در مورد دیدگاه memetic  ،اعتراض ، به پذیرش این دیدگاه با تفاوت بین انتخاب که در تکامل رخ می دهد و تغییر که در یادگیری ظاهر می شود.، مرتبط می باشد . یک دانشمند اغلب با آمد و رفت چند الگو نمونه سروکار دارد . فرضیه ها ، ایده هایی هستند که در  ذهن دانشمندان حفظ می شوندکسانی که بواسطه پیشرفت ثابت و از طریق انطباق و سازگاری ثابت – یعنی یادگیری -   قادر به افزایش صحت فرضیه های خود می باشند. چشم انداز تکاملی به جهش و انتخاب ایده ها فی نفسه نگاه می کند در حالیکه دیدگاه خرده اشکالات  به تغییرات سازگار افرادی که آن ایده ها را دارند، نگاه می کنند.

 در تلاش و جستجوی اجتماعی بشر غیر رسمی برای یک فضای مساله و مشکل ، تلاش اندکی برای انتخاب دقیق داده ها صورت گرفته است و هر دوی مقیاس و خطای نمونه برداری بیش از حد فراوانی وجود دارد نگاهی به کتب درسی در مورد روان شناختی اجتماعی و معرفتی بسیاری از این روش های "اکتشافی" ،"جانبداری" و "خطاها" را در پردازش اطلاعات بشری نشان می دهد. ما پیشنهاد می کنیم که بسیاری از این جانبداری ها ناشی از تمایل "خرده اشکالات " افراد برای حرکت به سمت اثبات اجتماعی و خود فرضیه می باشد. گرایشی که از نظر منطقی نادرست است اما در حقیقت منجر به پردازش اطلاعات عالی می شود.ما موافق نیستیم که تفکر انسان اشتباه باشد،بر عکس ما پیشنهاد می کنیم که منطق رسمی برای حل انواع مساله هایی که انسان آن ها را بررسی می کند، ناکافی می باشد.

فرهنگ پدیدار شدن ، هوش فراست غوطه ور

بعد از تکرار ها و دوباره گویی زیاد ، اعضای جامعه گروه ذره ای ، یک حد مطلوب یا بیشتر را ایجاد کردند. در مواردی که چندین حد مطلوب جهانی توسط جامعه کشف می شوند . هم نوعان  توپولوژیکی در فضای جستجوی یکسان گروه بندی می شوند. این گروه ها ماورای مناطق سخت کد گذاری شده و بسط می یابند. زمانیکه فردی یک ترکیب مطلوب از عوامل و عناصر را می یابد ، آن هم نوعان خود را جذب می کنند و الی آخر. اگر زیر مجموعه دیگری از این جامعه به یک منطقه متفاوت اما خوب فضای مساله و شکل جذب شوند ، تکنیک و جداسازی طبیعی گروه ها به وجود می آید و هر یک با الگوی مختصات خود مشاهده می شود که به آسانی به عنوان معیار یا فرهنگ تصور می شود.(" ما زمانیکه در مورد معیارها صحبت می کنیم ، عادت داریم که بگوییم رسم ورسوم ، اکنون بهتر است بگویم'  معیار' " Picker) ،1997،ص1233 ).

وقتی که یک راه حل بهتر از دیگری است ، معمولا با الگوی کمتری پایان می یابد اگر چه در بعضی موارد ، توافق و حد وسط نه چندان خوب افراد بر روی مرز های گروه ها از گسترش راه حل بهتربواسطه این جامعه جلوگیری می کنند.  قطبش و جدایی این جمعیت های ساختگی و مصنوعی به فرهنگ های مجزا بسیار مشابه تلاقی و تقارب جمعیتهای فردی انیانبر مبنایی معیار های  متفاوت نگرشی ، رفتاری و شناختی می باشدتاثیر متقابل و تامل منجر به مطابقت و تقارب الگوهای می شود که برای افراد نزدیک و مشابه و بین گروه ها متفاوت می باشد .

 تشکیلات در آزمایشات خرده اشکالها در برنامه های کامپیوتری معین نمی شود و قابل پیش بینی از تعاریف تاملات در برنامه ها نمی باشد. بنابراین ان به صورت یک تلاش نوپا لحاظ می شود اگر چه ما قبول داریم پیدایش و تشکیل در واقع اصطلاحی است که نشان دهنده سادگی ذهنهای خود ماست . خصوصیتی که مربوط به نقص ما در درک آن و نه سیستم می باشد .

خصوصیت مهمی دیگری که رفتار خرده اشکال یا یک جامعه بشری وجود دارد و آن ، پیدایش انطباق و سازگاری شناختی افراد  در نتیجه تاثیر از بالا به پایین فرهنگ نوپا می باشد شرکت کنندگان در سیستم هوشمند می شوند. و هر آنچه که کیفیت ها در تابع تناسب خوب تعریف می کنند را کسب می کند در نتیجه بهینه سازی فرهنگی به واسطه تاملات محلی و موضعی می باشد (compbell 1999).

تقارب فرهنگی افراد در فضایی جستجو باعث بهره برداری گسترده از مناطق بهینه و مسدود می شود. ترکیبات عناصری خوب که در جوامع بشری ، عقاید رفتارها ،حل مشکلات و مسائل ، و نظرات

توجه بسیاری بدست آورد در نتیجه ،عملکردهای افراد  بهبود می آید . فرهنگ که نتیجه پیامد فرآیندهای از پایین به بالا می باشد پدیده های ذهنی غوطه ور و پراکنده از بالا به پایین را فعال و فرآیندهای شناختی افراد را بهینه می سازد.

بر طبق این چشم انداز ، افکار و فرهنگ ها  محصولات بهم پیچیده تاملات افراد می باشد . نیازی بدیهی فرض کردن و تمایز بین پردازش اطلاعات داخلی و خارجی نمی باشد.  آنها  همه با هم کار میکنند . هیچ تجربه ای هوشیارانه فردی را نباید تکذیب کرد یا بگوییم که هر دو ذهن منحصر به فردی با یکدیگر یکسان می باشندو قطعیت نباید گسترش تجانس و همانندی کسل کننده را از طریق جامعه پیش بینی کند بلکه تنوع افکار و ذهن ما و تنوع بهره برداری و و توضیح و تفاسیر ، مواد خام را برای پیدایش فرهنگ و پیدایش همزمان رفتار هوشمندانه فراهم میکند.

رقابت موقعیتهای شناختی برتر امکان انطباق و سازگاری کارآمد را با چشم اندازهای شناختی پیچیده می دهد . الگوریتم خرده اشکال به عنوان یک بهینه ساز نشان داده شده است که بخوبی در تست های سخت بسیاری اجرا شده است . پیامد اشکار و روشن این است که رقابت متقابل می تواند  منجر به انطباق و سازگاری منحصر به فرد شود .(هوش). ارزیابی، عقاید و تقلید جمعیتی از نهاد ها یاجتماعی در راه حل های خوب بروی مسائل پیچیده متمرکز شده است .

خلاصه

قضیه No Free Lunch  (غذای رایگان نه!) بحث می کند که هیچ الگوریتم منفردی نمی تواند از بهتر از دیگری بهینه سازی کند در صورتی که ما آنها را بر مبنای تمام نقش ها و عملکردهای احتمالی مقایسه کنیم . اما مشخص می شود که محتمل ترین توابع جالب نمی باشند انها موفق نشدند تا مشکلات و مسائل را توصیف کنند با فرض زیر مجموعه موقعیتهای که محققان در واقع خودشان نگران آن می باشد در واقع این احتمال وجود دارد تا الگوریتمی را نشان دهد که بر دیگری مزیت دارد . یک روش برای یلفتن این تفاوت ها ،امتحان الگوریتمهای مجموعه مسائل می باشد که به دلایل مختلف مشکل هستند. چندین نوع الگوریتم ها که خودشان به صورت فوق آنچه که تواناییشان در خوشابین بودن نسبت به حل انواع مختلف توابع سخت و دشوار انتظار می رود به اثبات رسیده اند . تاپ کاری ساختگی و مصنوعی ، روشهای تخمین تکاملی گوناگون را اکنون نیز گروه ذره در بین اینها هستند. این ا لگوریتم گروه ذره از رفتار اجتماعی انسان تقلید می کنند . اشخاص با یگدیگر روابط متقابل دارند در حالی که تجربه همدیگر را نیز فرا می گیرند و به تدریج ، اعضای جمعیت به مناطق بهتری از فضای مشکل خود حرکت می کنند .  

این الگوریتم بسیار ساده است . آنرا می توان در یک فرم ساده و بی پیچ و خم توصیف کرد. اما قادر به غالب آمدن بر تعداد زیادی از موانع می باشد که مشکلات و مسایل بهینه سازی را به طور عام و رایج ارایه می دهد ، در بخش 8 ما خواهیم دید که این فرمول ساده اثرات و نتایج پیچیده و دامنه داری را به وجود می آورد . محققین کارهای بیشماری را برای درست بکار بردن مسیرهای جستجوی ذرات را بررسی کرده اند که برخی از روشهای آنها منجر به اصلاحات و بینش ها و بصیرت ها گردیده  است.

زبان مدل سازي يكنواخت (UML)
خلاصه

UML شامل تعدادي عنصر گرافيكي است كه از تركيب آنها نمودارهاي UML شكل مي گيرند . هدف استفاده از نمودارهاي مختلف در UML ، ارائه ديدگاه هاي گوناگون از سيستم است. همانطور كه مهندسين عمران جهت ساختن يك ساختمان پلانهاي مختلفي از ساختمان تهيه مي كنند ، ما با استفاده از نمودارهاي UML نماهاي مختلفي از نرم افزار مورد نظر را تهيه مي كنيم.

نكته اي كه بايد حتما به آن توجه كنيد اين است كه : مدل UML آنچه كه يك سيستم بايد انجام دهد را توضيح مي دهد، ولي چيزي درباره نحوه پياده سازي سيستم نمي گويد.

با توجه به رشد نرم افزارهاي پشتيباني كننده UML امروزه با استفاده از نرم افزارهايي مانند Visio ، Enterprise Architecture و rational rose شما مي توانيد بعد از كشيدن نمودارهاي UML مستقيما نمودارهاي خود را به بانك اطلاعاتي و كد تبديل كنيد (البته اين نرم افزارها ساختار كد شما را برايتان توليد مي كنند!) اين نرم افزارها همچنين كد برنامه شما را گرفته و نمودارهاي UML برنامه را توليد مي كنند. پس از آشنايي با مفاهيم شيء گرايي، (توضیحات بیشتر در سایر مقالات سایت میکرو رایانه) در اينجا زبان مدلسازي UML را معرفي کرده و خواهيم ديد چگونه اين زبان مفاهيم شيء گرايي را پشتيباني مي كند.

زبان مدل سازي يكنواخت ( Unified Modeling Language ) یا UML يك زبان مدلسازي است كه براي تحليل و طراحي سيستم هاي شی گرا به كار مي‌رود. UML اولين بار توسط شركت Rational ارائه شد و پس از آن از طرف بسياري از شركت هاي كامپيوتري و مجامع صنعتي و نرم افزاري دنيا مورد حمايت قرار گرفت؛ به طوريكه تنها پس از يك سال، توسط گروه Object Management Group، به عنوان زبان مدلسازي استاندارد پذيرفته شد. UML توانايي ها و خصوصيات بارز فراواني دارد كه مي‌تواند به طور گسترده‌اي در توليد نرم‌افزار استفاده گردد. در ادامه اين مقاله ابتدا به تاريخچة UML و در ادامه به معرفي، ويژگي ها و نمودارهاي آن پرداخته مي شود.


تاريخچة UML :

ديدگاه شي گرايي (Object Oriented) از اواسط دهه 1970 تا اواخر دهه 1980 در حال مطرح شدن بود. در اين دوران تلاش هاي زيادي براي ايجاد روش هاي تحليل و طراحي شي گرا صورت پذيرفت. در نتيجه اين تلاش ها بود كه در طول 5 سال يعني 1989 تا 1994، تعداد متدولوژي هاي شي گرا از كمتر از 10 متدولوژي به بيش از 50 متدولوژي رسيد. تكثر متدولوژي ها و زبانهاي شي گرايي و رقابت بين اينها به حدي بود كه اين دوران به عنوان "دوران جنگ متدولوژيها" لقب گرفت.

از جمله متدولوژي هاي پركاربرد آن زمان مي توان ازBooch، OOSE، OMT، Fusion، Coad-Yourdan، Shlayer-Mellor و غيره نام برد. فراواني و اشباع متدولوژيها و روشهاي شي گرايي و نيز نبودن يك زبان مدلسازي استاندارد، باعث مشكلات فراواني شده بود. از يك طرف كاربران از متدولوژيهاي موجود خسته شده بودند، زيرا مجبور بودند از ميان روشهاي مختلف شبيه به هم كه تفاوت كمي در قدرت و قابليت داشتند يكي را انتخاب كنند. بسياري از اين روشها، مفاهيم مشترك شي گرايي را در قالب هاي مختلف بيان مي کردند كه اين واگرايي و نبودن توافق ميان اين زبانها، كاربران تازه كار را از دنياي شي گرايي زده مي‌ کرد و آنها را از اين حيطه دور مي‌ساخت. عدم وجود يك زبان استاندارد، براي فروشندگان محصولات نرم افزاري نيز مشكلات زيادي ايجاد كرده بود.

اولين تلاشهاي استانداردسازي از اكتبر 1994 آغاز شد، زماني كه آقاي Rumbaurgh صاحب متدولوژي OMT به آقاي Booch در شركت Rational پيوست و اين دو با تركيب متدولوژيهاي خود، اولين محصول تركيبي خود به نام "روش يكنواخت" را ارائه دادند. در سال 1995 بود كه با اضافه شدن آقاي Jacobson به اين دو، روش يكنواخت ارائه شده با روش OOSE نيز تركيب شد و اين خود سبب ارائه UML نسخة 0.9 در سال 1996 گرديد. سپس اين محصول به شركتهاي مختلفي در سراسر جهان به صورت رايگان ارائه شد و استقبال شديد شركت ها از اين محصول و تبليغات گسترده شركت Rational، سبب آن شد كه گروه OMG، نسخة 1.0 UML را به عنوان زبان مدلسازي استاندارد خود بپذيرد. تلاشهاي تكميلي UML استاندارد ادامه پيدا كرد و نسخة 1.1 آن در سال 1997 و نسخه 1.3 آن در سال 1999 ارائه گرديد.

اما چرا مدل و مدلسازي؟

ايجاد يك مدل براي سيستمهاي نرم افزاري قبل از ساخت يا بازساخت آن، به اندازه داشتن نقشه براي ساختن يك ساختمان ضروري و حياتي است. بسياري از شاخه هاي مهندسي، توصيف چگونگي محصولاتي كه بايد ساخته شوند را ترسيم مي كنند و همچنين دقت زيادي مي كنند كه محصولاتشان طبق اين مدلها و توصيفها ساخته شوند. مدلهاي خوب و دقيق در برقراري يك ارتباط كامل بين افراد پروژه، نقش زيادي مي توانند داشته باشند. شايد علت مدل كردن سيستمهاي پيچيده اين باشد كه تمامي آن را نمي توان يك باره مجسم كرد، بنابراين براي فهم كامل سيستم و يافتن و نمايش ارتباط بين قسمتهاي مختلف آن، به مدلسازي مي‌پردازيم. UML زباني است براي مدلسازي يا ايجاد نقشه توليد نرم افزار.

به عبارت ديگر، يك زبان، با ارائه يك فرهنگ لغات و يك مجموعه قواعد، امكان مي دهد كه با تركيب كلمات اين فرهنگ لغات و ساختن جملات، با يكديگر ارتباط برقرار كنيم. يك زبان مدلسازي، زباني است كه فرهنگ لغات و قواعد آن بر نمايش فيزيكي و مفهومي آن سيستم متمركزند. براي سيستمهاي نرم افزاري نياز به يك زبان مدلسازي داريم كه بتواند ديدهاي مختلف معماري سيستم را در طول چرخه توليد آن، مدل كند.

فرهنگ واژگان و قواعد زباني مثل UML به شما مي گويند كه چگونه يك مدل را بسازيد و يا چگونه يك مدل را بخوانيد. اما به شما نمي گويند كه در چه زماني، چه مدلي را ايجاد كنيد. يعني UML فقط يك زبان نمادگذاري (Notation) است نه يك متدولوژي. (توضیحات بیشتر در سایر مقالات سایت میکرو رایانه) يك زبان نمادگذاري شامل نحوه ايجاد و نحوه خواندن يك مدل مي باشد، اما يك متدولوژي بيان مي كند كه چه محصولاتي بايد در چه زماني توليد شوند و چه كارهايي با چه ترتيبي توسط چه كساني، با چه هزينه‌اي، در چه مدتي و با چه ريسكي انجام شوند.

ويژگيهاي UML

مساله ديگر اينكه، UML يك زبان برنامه نويسي بصري (visual) نيست، اما مدلهاي آن را مي‌توان مستقيماً به انواع زبانهاي مختلف ارتباط داد. يعني امكان نگاشت از مدلهاي UML به كد زبانهاي برنامه نويسي مثل Java و ++C وجود دارد كه به اين عمل "مهندسي رو به جلو" مي گويند.

عكس اين عمل نيز ممكن است؛ يعني اين امكان وجود دارد كه شما بتوانيد از كد يك برنامه زباني شي گرا، مدلهاي UML معادل آن را به دست آوريد. به اين عمل "مهندسي معكوس" مي گويند. مهندسي رو به جلو و معكوس از مهمترين قابليت هاي UML به شمار مي روند، البته نياز به ابزار Case مناسبي داريد كه از اين مفاهيم پشتيباني كنند.

اگر با زبانهاي مدلسازي ديگر كار كرده باشيد، براي كار با UML مشكل چنداني نخواهيد داشت. اما براي شروع كار با UML به عنوان اولين زبان مدلسازي، بهتر است فقط با نمودارهاي خاصي كار كنيد. براي اين كار بهتر است ابتدا با نمودارهاي مورد كاربرد و تعامل كار كنيد و پس از مدتي كار و آشنا شدن با ويژگيهاي اولیه آن، به يادگيري و استفاده از نمودارها و اجزاي ديگر بپردازيد. در مقايسه با زبانهاي مدلسازي ديگر مثل ER و زبان فلوچارتي DR، زبان UML نمودارهاي قوي تر و قابل فهم تري را ارائه مي دهد كه شامل تمامي مراحل چرخه حيات توليد نرم افزار (تحليل، طراحي، پياده سازي و تست) مي‌شود.

يكي ديگر از ويژگي هاي مهم UML اين است كه مستقل از متدولوژي يا فرايند توليد نرم افزار مي باشد و اين بدان معني است كه شما براي استفاده از UML، نياز به استفاده از يك متدولوژي خاص نداريد و مي توانيد طبق متدولوژي هاي قبلي خود عمل كنيد با اين تفاوت كه مدلهايتان را با UML نمايش مي دهيد. البته مستقل بودن از متدولوژي و فرايند توليد، يك مزيت براي UML مي‌باشد؛ زيرا بسياري از انواع پروژه ها و سيستمها نياز به متدولوژي خاص خود دارند. اگر UML در پي پياده كردن همه اينها بر مي آمد، يا بسيار پيچيده مي شد و يا استفاده خود را محدود مي كرد. البته متدولوژيهايي براساس UML در حال شكل گيري مي باشند.

از ديگر ويژگيهاي UML مي توان به پشتيباني از مفاهيم سطح بالاي شي گرايي مثل Collaboration، Framework، Pattern و Component اشاره كرد. همچنين UML با استفاده از يك سري مكانيزم هاي گسترش پذير امكان مي دهد كه بتوان زبانهاي مدلسازي جديدتري (با گسترش مفاهيم پايه اي موجود) ايجاد كرد.


نمودارهاي UML :

در اين بخش به معرفي نمودارهاي UML مي‌پردازيم:

نمودار كلاس (Class Diagram):
اين نمودار، كلاس ها، واسط ها و همكاري و روابط بين آنها را نمايش می دهد. و نمودار اصلي و مركزي UML مي‌باشد. كه بيان كننده ساختار ايستاي سيستم نرم افزاري مي باشد.

نمودار اشياء (Object Diagram):
اين نمودار، اشياء سيستم و روابط بين آنها را نمايش مي دهد. در واقع يك تصوير لحظه‌اي از نمودار كلاس مي باشد.

نمودار موردكاربرد (Usercase Diagram):
اين نمودار، تعامل كاربران خارجي و سيستم را مدل مي كند و از جهاتي شبيه نمودار سطح صفر DFD مي باشد كه جنبه هاي رفتاري سيستم را نمايش مي دهد. اين نمودار نقطه‌ ورودي براي تمامي نمودارهاي ديگري است كه به تشريح نيازمنديها و معماري و پياده سازي سيستم مي پردازند.

نمودارهاي تعامل (Interaction Diagram):
اين نمودارها، بيان كننده تعامل هستند كه شامل اشياء مختلف است و نیز روابط بين آنها و همچنين پيغام هايي كه بين آنها رد و بدل مي شود.
اين نمودارها جنبه هاي پوياي يك سيستم را مدل مي كنند و خود بر دو نوعند: نمودار توالي (Sequence Diagram) كه ترتيب زماني تعامل ها را نشان مي دهد و نمودار همكاري (Collaboration Diagram) كه تاكيد بر نمايش ساختاري تعامل ها دارد.

نمودارحالت (Statechart Diagram):
اين نمودار، بيان كننده جنبه هاي رفتاري سيستم مي باشد و در واقع توصيف رسمي يك كلاس بوده كه شامل حالات، انتقال بين حالات، رخدادها و فعاليت ها مي‌باشد. از اين نمودارها براي نمايش دادن چرخه حيات اشياء يك كلاس خاص نيز مي توان استفاده كرد.

نمودار فعاليت (Activity Diagram):
اين نمودار، نوع خاصي است از نمودار حالت، كه انتقال جريان از يك فعاليت به فعاليت ديگر را نمايش مي دهد. اين نمودار جنبه هاي پوياي يك سيستم را نمايش مي دهد. در واقع حالات اين نمودار، گام هاي ترتيبي انجام يك عمل را نمايش مي دهند.

نمودار اجزاء(Component Diagram):
از جمله نمودارهاي پياده سازي مي‌باشد و سازمان دهي و روابط بين مجموعه‌اي از اجزاء را نمايش مي دهد. اين نمودار، جنبه هاي ايستاي پياده سازي يك سيستم را مدل مي كند.

نمودار به كارگماري(Deployment Diagram):
پيكربندي گره هاي پردازشي زمان اجرا را نمايش مي دهد. كه براي مدل كردن جنبه هاي ايستاي به كار‌گماري يك معماري بكار مي رود. همچنين نمايش دهنده اجزای استفاده شده زمان اجرا مثل كتابخانه هاي DLL، فايل‌هاي اجرايي، كدهاي مبدا و روابط بين آنها مي باشد.

البته اين نمودارها تمام نمودارهاي UML نيستند بلكه بسته به نياز و با كمك ابزارهاي Case مي توان نمودارهاي ديگري نيز تعريف و استفاده كرد.

روند حركت به سمت UML در جهان:

قبل از ارائه UML، زبان مدلسازي استانداردي وجود نداشت و استفاده كنندگان مجبور بودند از ميان زبانهاي مختلف موجود ‌كه تقريباً هیچ کدام كامل نبودند و تفاوتهايي با هم داشتند، يكي را انتخاب كنند. تفاوتهاي زبانهاي مدلسازي، چندان قدرت مدلسازي را افزايش نداده بود، اما در عوض باعث افول صنعت شي گرايي و سردرگمي كاربران شده بود. در چنين شرايطي طبيعي بود كه استقبال زيادي از چنین زبان مدلسازي استانداردی بشود كه ويژگيهاي بارز زيادي داشت. بسياري از شركتها در همان اوايل كار به UML روي آوردند و تعداد ديگري نيز پس از تثبيت UML، آن را به عنوان استراتژي توليد و مستندسازي خود پذيرفتند.

OMG كه كنسرسيومي است متشكل از 700 شركت معتبر آمريكا، از UML حمايت كرد و آن را به عنوان زبان مدلسازي استاندارد خود اعلام كرد. البته علاوه بر استاندارد شدن، حمايت جداگانه شركت هاي بزرگ دنيا مثل Hewlett-Packard، I-Logix، Microsoft، IBM، Oracle و بسياري ديگر، خود سبب افزايش كاربرد آن در محافل صنعتي و نرم افزاري دنيا گرديد.

اس ام اس جالب

لبخندهايش به حالت تعليق درامده.ازوقتي تکرارشادي هايش راحلق اويزکرده

اس ام اس ضد زن

زنها دو وقت گريه مي کنن : ?- وقتي فريب مي خورن ! ?- وقتي مي خوان فريب بدن

اس ام اس ضد زندگی

زندگی همچون بادکنی است در دستان کودکی، که همیشه ترس از ترکیدن آن لذت داشتنش را از بین می برد.

اس ام اس . خوش به حال کودکان

کاش کودک بودم تا بزرگترین شیطنت زندگی ام نقاشی روی دیوار بود، ای کاش کودک بودم تا از ته دل می خندیدم نه اینکه مجبور باشم همواره تبسمی تلخ بر لب داشته باشم ، ای کاش کودک بودم تا در اوج ناراحتی و درد با یک بوسه همه چیز را فراموش می کردم

اس ام اس فارسی

بي وفا ديگه دوستم نداري . . . خيلي خب ، قلادتو باز مي كنم بري

کوتاهی از عشق

عشق مرگ نيست زندگي است. سخت نيست عين سادگي است. عشق عاشقانه هاي باد وگندم است . اولين پناهگاه کودکي آخرين پناهگاه آدم است. زندگي زيباست حتي اگر کور باشي ؟ خوش آهنگ است حتي اگر کر باشي مسحور کننده است حتي اگر فلج باشي؟ اما بي ارزش است اگرثانيه اي عاشق نباشي اگر مي دانستي دل ترک خورده ي من با ياد چشمان باراني ات شکسته تر مي شود هيچ گاه به من پشت نمي کردي اگر مي بيني کسي به روي تو لبخند نمي زند علت را در لبان فرو بسته خودت جستجو کن.

اس ام اس دوست داشتن

ويكتور هوگو مي گه هرگز به كسي كه دوستش داري نگو دوستت دارم ... ويكتور هوگو غلط كرده دوست دارم دوست دارم دوست دارم

اس ام اس عاشقانه

نه دل در دست محبوبي گرفتار، نه سردرکوچه باغي برسردار، از اين بيهوده گرديدن چه حاصل ؟؟ پياده مي شوم، دنيا نگهدار

اس ام اس آدمهای ...

چقدر حقيرند مردماني که نه جرأت دوست داشتن دارند ، نه اراده‌ي دوست نداشتن ، نه لياقت دوست داشته شدن و نه متانت دوست داشته نشدن، با اين حال مدام شعر عاشقانه مي‌خوانند

مسیج

بی تو بودن کار من نیست، تا دلت نرفته برگرد...

شعر کوتاه یک عاشق

من در این کلبه خوشم تو در ان اوج که هستی خوش باش من به عشق تو خوشم تو به عشق هر که هستی خوش باش.

جمله عاشقانه

نظامي ترين جمله عاشقانه: توي اردو گاه قلبتء منم يه اسير جنگيء تو منو شکنجه ميديءتوي اين قلعه ي سنگي

اس ام اس عاشقانه کوتاه

اي كه از درد دلم با خبري / قرص دل درد مرا كي مي خري؟

اشعار نامردی در زمین

روزگاري مردم دنيا دلشان درد نداشت. هر كسي غصه اينكه چه مي كرد نداشت. چشم سادگي از لطف زمين مي جوشيد. خودما نيم زمين اين همه نا مرد نداشت

اس ام اس مهم

آدمی ساخته ی افکار خویش است فردا همان خواهی شد که امروز بدان فکر می کنی

شما هم نسبت به خداوند دینی دارید

آن چه به پروردگار مديونيم , دوست داشتن ديگران است

دل تاري است كه وقتي بشكند بهتر مي نوازد

ملت عشق از همه دینها جداست * عاشقان را مذهب و ملت خداست

نامی نداشت. نامش تنها انسان بود؛و تنها دارايی اش تنهايی اش

آن چه به پروردگار مديونيم , دوست داشتن ديگران است

اشعار یک عاشق

کلاس عشق ما دفتر ندارد شراب عاشقي ساغر ندارد بدو گفتم که مجنون تو هستم هنوز آن بي وفا باور ندارد

سلام بعد از مدتها امدم تا سلامی کنم و درد دلهای که تو سینه ام سنگینی می کنه براتون بگم برای بلگم

برای همدم تنهاییام اونی که همیشه همه حرفامو شنیده و هیچ وقت خسته نشده نمی دونم چی بگم از کی بگم از کدوم آدما اونایی که یه روز می آنو ادعای بودن تا همیشه بودن می کنند ولی موقع عمل که می رسه می زنن زیر همه چی و خیلی اروم و خونسرد تنهات می ذارن و می رن  می ر تا یه بار دیگه آسمون هر چی سخت تر و سردتر بخوره تو سرت که نتونی بلند شی  نمی دونم کجایی این دنیایی ایم که اینجوریم ولی من و ما هیچ وقت برای کسی  که تو زندگی مون نبوده و نیست ناراحت نیستم برای اونایی نارحتیم که نمیدونن هستن یا نیستن نمی دونن که چه جوری باشن یکی باشن یه رنگ باشن و همیشه باشن نه یه نسیم نه یک نم نم بارون اگر چه لطیف ولی بازم نم نم  هستند .

---

 خدایا دلم برای همه چیزای خوب تو این زمونه تنگه خیلی کاش می شد که دلتنگی نبود ولی نمیشه

عید مبارک

اس ام اس 87 هندونه بده قاچ كنيم لوپتو بده ماچ كنيم;-).

هر وقت صداي مسيج موبايلت آومد نگو مسيج دارم بگو دوستي دارم که به يادمه

رشتيه ميره كلاس غيرت،نصف شب زنش پاميشه بره توالت ميگه بشين خودم ميرم

ترس پسرهاازازدواج دل بستن به يه دخترنيست دل بريدن ازبقييه دخترهاست *

در ذهن اگر نيافرينمت ميميرم¤از شاخه اگر نچينمت مي ميرم¤اى عادت چشمان كم حوصله ام¤يك لحظه اگر نبينمت مى ميرم¤ بيادتم رفيق

بزرگترين درددنياميدوني چيه؟اينكه بفهمي پناه لحظه هات پناهگاه ديگه داره مهناز
تهديدآميزترين اس ام اس سال : بند شلوارتيم ، ولمون کني آبروتو برديم .

يك قطعه قلب 3در4،يك فتوكپي ازصفاوصميميت ويك فيش عشق وعلاقه لازم دارم تاتمام قلبم رابه نامت كنم.

زيباترين سلام دنياطلوع خورشيداست آنرابدون غروبش تقديمت ميكنم

عقل رادر عقل (ضرب) وهمدلي وعشق راباحاصل آن(جمع)كنيد خودپرستي را از آن(تفريق) و حاصلش رابر دوكه(تقسيم) كنيد آنچه(مي ماند) فقط (خوشبختي) است.

باخون غم نوشتم غربت مكان مانيست ازياد بردن دوست هرگز مرام مانيست.

هزار تا رك دارم وهزارتا رفيق،توشاه رگي و تك رفيق..

ميگن به ياد يكى بخوابي خوابشومى بينى،ميميرم برات تاهميشه ببينمت.

محبت تنهاجوشکاريه که دلاي شکسته رومجاني جوش مي ده
لوتي ترين پيامك سال : بند كفشتيم، گره بزن خفه شيم.

تعيين جايگاه حقيقي خود در آن دنيا زا به ما بسپاريد?افسانه بايگان

هرکه با احساس باشد عاقبت خواهد شکست، اين جواب سادگي است.

دهقان فداکارپيرشده، چوپان دروغگوعزيزشده، شنگول ومنگول گرگ شدن، کوکب حوصله مهمون رونداره، کبراتصميم گرفته دماغشوعمل کنه، روباه وکلاغ دستشون تو يه کاسه اس، آرش کمانگيرمعتادشده، رستم اسبش رو فروخته يه موتورخريده وبااسفنديارميرن کيف قاپي، واقعا"چه به سرايران و ايراني آمده است؟ از طرف ساحل

سکوتي بودبرقلبم که باآن مي زدم فرياداگر ازشهر غم رفتي مراهرگزمبرازياد

چارلي چاپلين به دخترش: تا وقتي قلب عريان كسي را نديدي بدن عريانت را نشانش نده! هيچ گاه چشمانت را براي کسي که معني نگاهت را نمي فهمد گريان مکن قلبت را خالي نگه دار اگر هم يه روزي خواستي كسي را در قلبت جاي دهي سعي كن كه فقط يك نفر باشد به او بگو كه تو را بيش تر از خودم وكمتر از خدا دوست دارم زيرا كه به خدا اعتقاد دارم وبه تو نياز دارم

براي اداره كردن خودت از عقلت استفاده كن وبراي اداره كردن ديگران از دلت
دلم گرفت از ادماييكه ميخوان مال اونا باشي اما مال تونيستن از ادماييكه زير بارون واست ميميرن وقتي افتاب شد يادشون ميره با تشكر شيما

ت كه دلدار پيامي نفرستاد*** ننوشت سلامي و كلامي نفرستاد*

صد نامه فرستادم وآن شاهسواران*** پيكي ندوانيد و سلامي نفرستاد*

قسم به عشق پروانه كه وجودش رادر راه عشق مىسوزاند وقسم به شمعى كه تاسردى عشق مىسوزد وناله اش برنمىخيزد

تو مثل راز پائيزى ومن رنگ زمستانم،چگونه دل اسيرت شد،قسم به شب نمى دانم

درفصل بهار3جاندار به خوزستان حمله ميكند:1-پشه 2-مگس 3-راهيان نور
اندردل بي وفاغم باد آنكس دردلش وفانيست زعالم كم باد،ديدي كسي جزغم مرا ياد نكرد، كه هزارآفرين برغم باد

شاد باش كه زشادي تو من هم شادم ؛تاتوشادي ز غم هردو جهان آزادم ؛لذت زندگي من همه خرسندي توست؛ به وفايت كه وفايت نرود از يادم.

من از زندگاني آموختم چگونه اشك ريختن را، ولي اشكهايم نياموخت چگونه زندگي كردن را
متين ترين كلمه (عشق)است.جذاب ترين كلمه (اشنايي)است.پاك ترين كلمه(وجدان)است. تلخترين كلمه (جدايي)است. زشترين كلمه (خيانت)است. سخترين كلمه(تنهايي)است.وبدترين كلمه(بي وفايى)است.

گل عشق تو هستم شبنمم باش/ دلم دنياي زخمه مرحمم باش. ز درد بي کسي قلبم شکسته/ به شهر بي کسي ها همدم باش.

در كنار ساحلت من قايقى شكسته ام تو همان ساحل عشقى كه بهت دل بسته ام
اي رفيق مهربان هرشب دعايت ميکنم! اگرندارم سروتي جانم فدايت مي کنم
درعشق اگرعذاب دنيابكشي *بااشك به ديده طرح دريا بكشي *تاغربت من هزارفرسنگ باقيست *تنها نشدي كه درد تنها بكشي

احمدي نژاد: يک شب امام اومد به خوابم گفت:محمود گفتم چيه آقا بذاريد دستتونو ببوسم امام گفت: نميخواد تواستعفابده من پاتو ميبوسم.

اینو من نباید بهت بگم ولی تو یه عیب خیلی بزرگ داری    

 که... نمی شه دوست نداشت! 

*********************************************

دوست دارم: فارسی   

انگلیسی: iloveyou   

احبک : عربی   

ترکی: senis evar youroum   

آلمان: ichie bed   

پدات: افغانی   

بابا به چه زبونی دیگه بگم دوست دارم خوب دوست دارم دیگه  

********************************************* 

آنقدر دل اتم پر بود که با شکافتنش دنیایی لرزید ،     

 دل من نیز پر بود ، وقتی شکست ، سکوتی کرد که به دنیایی می ارزید .  

*********************************************  

 یه هیزم شکن وقتی خسته میشه که تبرش کُند بشه!  

نه این که هیزمش زیاد باشه . تبر ما انسانها باورهامونه نه آرزوهامون... 

*********************************************   

خداوند بي نهايت است و لامکان و بي زمان اما به قدر فهم تو کوچک مي شود و به قدر نياز تو فرود مي آيد و به قدر آزادي تو گسترده مي شود و به قدر ايمان تو کارگشا مي شود يتيمان را پدر مي شود و مادر محتاجان

 
برادري را برادر مي شود عقيمان را طفل مي شود نا اميدان را اميد مي شود گمگشتگان را راه مي شود در تاريکي ماندگان را نور مي شود رزمندگان را شمشير مي شود پيران را عصا مي شود محتاجان به عشق را عشق مي شود

مي دونم دلت گرفته ؛ من برات سنگ صبورم چي شده تنها نشستي ؛ مثل تو از همه دورم واسه من زندگي سرده ؛ نکنه تو هم غريبي ؟ کاش مي شد اشکهاتو پاک کرد؛بميرم تو هم بريدي؟ چه تبسم قشنگي ؛ وقتي به غمها بخندي آخه ارزشي نداره ؛
دل به اين دنيا ببندي نازنين دنيا همينه ؛ اون که خوب بود بدترينه نکنه تنهات گذاشته ؛ آخره عشقها همينه
شنيدم كه چون قوى زيبا بميرد فريبنده زاد و فريبا بميرد شب مرگ تنها نشيند به موجى رود گوشه اى دور و تنها بميرد در آن گوشه چندان غزل خواند آن شب كه خود در ميان غزل ها بميرد گروهى بر آنند كاين مرغ شيدا كجا عاشقى كرد،آنجا بميرد
شب مرگ از بيم آنجا شتابد كه از مرگ غافل شود تا بميرد من اين نكته گيرم كه باور نكردم نديدم كه قويى به صحرا بميرد چو روزى ز آغوش دريا برآمد شبي هم در آغوش دريا بميرد تو درياى من بودى آغوش وا كن كه مي خواهد اين قوى زيبا بميرد

دعا مي کنيم که هيچ گاه چشمهاي کهربايي تو را در انحصار قطره هاي اشک نبينيم. دعا مي کنيم که لبانت را فقط در غنچه هاي لبخند ببينيم . دعا مي کنيم دستانت که وسعت آسمان و پاکي دريا و بوي بهار را دارد هميشه از حرارت عشق گرم باشد ،
تا گرما بخش کانون مهربان خانواده و عزيزانت باشي . دعا مي کنيم که گلهاي وجود نازنينت هيچ گاه پژمرده نشوند . براي شاپرکهاي باغچهء خانه ات دعا مي کنيم که بالهايشان هرگز محتاج مرهم نباشند . و براي خورشيد آسمان زندگيت دعا مي کنيم

 بچرخم به دورش همچو پروانه 
  حيف  وصد حيف باز هم خدا براي شنيدن حرفايم گوشش را گرفته
 باز خدا را شكر كه گوشش را گرفته
هست ولي نمي خواد بزرگترين خواسته يه دختر تنها و غريبو بيكسو برآورده كنه
 ديگه كي مي تونه آرزومو برآورده كنه
 ديدي باز تنهام ديدي كسي نيست
 حتي اونم از ديدن من غصه اش گرفته

تو را ساختم با اون برفا ، آدم برفي تو اون شب اومدي دنيا ، آدم برفي شبي كه عمرش از هر شب دراز تر بود به او شب ما مي گيم ، يلدا ، آدم برفي يه جورايي من و تو عين هم هستيم توام تنها ، منم تنها ، آدم برفي من عاشق بودم و خواستم پناهم شي توام عاشق بودي اما ، آدم برفي همه انگار پي اونن كه كم دارن تو بودي عاشق گرما ، آدم برفي منم از عشقم و اسمش واست گفتم نوشتم با دسام زيبا ، آدم برفي تو خنديدي و گفتي ، قلبت از يخ نيست تو عاشق بودي عين ما ، آدم برفي تو گفتي كه براش مي ميرم

در دلم به اندازه تمام کلماتی که حرف زده ام سکوت دارم گاهی چه زیبا و آرام بخش است این سکوت و گاهی چنان احساس خفقان می کنم که می خواهم با تمام وجودم از ته دل فقط فریاد بکشم تا تو بودی سکوت معنا نداشت غم معنا نداشت همه شور بود و هیجان لبهایم با کلمات غریبه شده اند کلمات برای ساختن یک جمله کنار هم جا نمی گیرند من همچنان در سکون و سکوت هستم

کدامین چشمه سمی شد که آب از آب میترسد که حتی ذهن ماهیگیر از قلاب میترسد کدامین وحشت وحشی گرفته روح دریا را که طوفان از خروش و موج از گرداب میترسد گرفته وسعت شب را غباری مبهم و سنگین که چشم از دیدگاه و ماه از مهتاب میترسد شب است و خیمه شب بازان و رقص وحشی اشباح مژه از پلک و پل از چشم و چشم از خواب میترسد

 تو را به جای همه كسانی كه نشناخته ام، دوست دارم تو را به خاطر عطر نان گرم برای برفی كه آب می شود،‌ تو را برای دوست داشتن،‌ دوست دارم تو را به جای همه كسانی كه دوست نداشته ام،‌ تو را به خاطر دوست داشتن، ‌دوست می دارم برای اشكی كه خشك شد و هیچ وقت نریخت لبخندی كه محو شد و هیچگاه نشكفت، تو را به خاطر خاطره ها، دوست می دارم برای پشت كردن به آرزوهای محال

گشاده دست باش، جاری باش، کمک کن مثل رود با شفقت و مهربان باش مثل خورشید اگر کسی اشتباه کرد آن رابه پوشان مثل شب وقتی عصبانی شدی خاموش باش مثل مرگ متواضع باش و کبر نداشته باش مثل خاک بخشش و عفو داشته باش مثل دریا اگرمی خواهی دیگران خوب باشند خودت خوب باش مثل آینه

 چه قدر حقیرند مردمانی که نه جرأت دوست داشتن دارند، نه اراده‌ی دوست نداشتن، نه لیاقت دوست داشته شدن و نه متانت دوست داشته نشدن، با این حال مدام شعر عاشقانه می‌خوانند

بدون تو تمام ِشبهای دنيا يلداست و من آنقدر برای ِنَبودَنَت بيداری کشيدم که امشب را می خواهَم تا‌ اَبَد بخوابَم هميشه وقتی می خوابَم زمان زود تر می گذَرد امشب برای ِخوابيدن وقتِ خوبيست انسانها بيدار می مانَند و خواب ها خلوَتَند،ساکِتَند، بی ازدحامَند و من راحت تو را پیدا می کنم