فرمت این مقاله به صورت Word و با قابلیت ویرایش میباشد
تعداد صفحات این مقاله 46 صفحه
پس از پرداخت ، میتوانید مقاله را به صورت انلاین دانلود کنید
تکامل یعنی اینکه انسانها از نسل میمون ها هستند. این ابتدائی ترین و خام ترین برداشتی است که ممکن است شخصی از تکامل داشته باشد و متاسفانه تنها اطلاعی که بسیاری از
افراد از تکامل دارند همین است، که یک آدمی به نام داروین پیدا شده است و ثابت کرده است انسانها قبلاً میمون بوده اند.
در بیان تاریخچه مختصری از تکامل باید گفت که داروین نخستین کسی نیست که تکامل را کشف کرد، هزاران سال پیشاز داروین تئوری تکامل در افسانه ها و اسطوره های برخی از ملت ها وجود داشته است، مثلا هندو ها معتقد بوده اند حیات از آب شروع شده است و اولین موجودات ابتدا در آب شکل گرفتند و بعد به سایر موجودات تبدیل شدند. بعدها دانشمندان و فلاسفه ای مثل تالس تکامل را بصورت فرضیه های طبیعی برای توضیح علمی حیات مطرح کردند اما بررسی علمی و دقیق تکامل در دوران اخیر شکل گرفته است. پیشاز داروین چند دانشمند دیگر مانند لامارک شخصی که زیست شناسی را به معنی امروزی اش بنا نهاد نیز در مورد تکامل مطالعاتی داشتند و نظریاتی را نیز ارائه داده بودند. تفاوت اصلی میان نظریه تکامل لامارک با نظریه داروین در این بود که داروین تکامل را امری گروهی و مربوط به گونه های جانوری میداند ولی لامارک آنرا امری انفرادی میدانسته است، اما با این وجود، این داروین است که پدر تکامل خوانده میشود زیرا درک مدرن ما از تکامل به تئوری گزینش طبیعی بر میگردد که چارلز داروین و آلفرد راسل والاس آنرا در سال ١٨۵٨ در کتاب "مشاء انواع یا ریشه مطرح کردند. (Origin of species) " گونه ها
تعریف گزینش طبیعی:
بر اساس نظریه گزینش طبیعی، طبیعت موجوداتی که ویژگیهای مساعد برای نجات یافتن و ادامه حیات و تکثیر شدن را دارند را حفظ میکند و موجوداتی که این ویژگی ها و صفات را نداشته باشند تدریجا منقرضمیشوند.
گزینش طبیعی در قیاس با گزینش مصنوعی نامگذاری شده است که در آن انسانها گونه خاصی از جانداران را که مورد نظر آنها است انتخاب میکنند و آنها را تکثیر میکنند، مثلا کشاورزان گندم را گزینش کرده و به تکثیر آن کمک میکنند و یا دامداران گاو را گزیده و با پرورشدادن آن به ادامه حیات و تکثیر آن یاری میرسانند، داروین معتقد بود طبیعت نیز چنین میکند، و موجوداتی که بتوانند خود را با شرایط زیستی همساز کنند احتمال ادامه یافتن حیاتشان از باقی جانداران بیشتر خواهد شد و برعکس، یعنی طبیعت نیز بصورت استعاره ای همچون آن کشاورز که گزینش مصنوعی میکند، موجوداتی را انتخاب میکند و باعث گسترشآنها میشود. مفهوم گزینش طبیعی همان تولید مثل افراقی است، یعنی بعضی از اعضای یک گونه بیش از سایر اعضا تولید مثل میکنند و در نتیجه میزان بیشتری از ژن آنها به نسل بعدی انتقال می یابد. گزینش طبیعی از مرکزی ترین یا شاید هم مرکزی ترین نکاتی است که بیولوژی امروزه بر روی آن تمرکز دارد.
تعریف تکامل:
تکامل در بیولوژی، به پروسه ای اطلاق میشود که بر اساس آن، جمعیت گونه ها با ویژگیهای برتر وراثتی افزایشمی یابند و از نسلی به نسل بعدی منتقل میشوند. در طول زمان این ویژگیها به گونه جانوری کمک میکنند که به تعداد بیشتری نسبت به گونه های رقیب تکثیر بیابند و در جمعیت بر آنها تسلط بیابند. اتفاق افتادن این پروسه در مدت های طولانی میتواند پدید آمدن موجودات جدید را توضیح دهد.
بر اساس تئوری تکامل موجودات جدید تر همگی اجداد مشترکی دارند، و برای نشان دادن این شراکت استفاده میشود، بعنوان مثال (Phylogenetic tree) در اجداد، معمولا از درختواره های فیلوژنتیکی ارتباط حیوانات با گیاهان و سایر موجودات را نشان میدهد.
گاه بصورت تصادفی و بر اثر برخی علت های دیگر گاهی اوقات این اطلاعات ژنتیکی بواسطه یک جهش ژنتیکی تغییر پیدا میکنند. اگر جهش ژنتیکی وجود نداشته باشد تمامی موجودات دقیقاً شبیه یکدیگر خواهند بود. این تغییرات ژنتیکی یکی از عوامل تکامل هستند و عامل دیگر نیز شرایط زیستی در محیطی است که این جانداران در آن زندگی میکنند. تغییرات زیست محیطی باعث میشوند موجوداتی که سازگارتر با محیط هستند نجات پیدا کنند و موجوداتی که سازگاری با محیط ندارند نابود شوند.
تکامل هنوز تنها یک نظریه است:
این اعتراض از رایج ترین اعتراضاتی است که عوام نسبت به تکامل مطرح میکنند. این افراد نمیدانند که در دنیای علم هیچ مفهومی بالاتر از تئوری نمیرود و تئوری بالاترین مرحله ایست که یک نظر علمی
میتواند داشته باشد. بسیاری از سایر مفاهیم علمی همچون جاذبه نیوتون، سرعت نور، بیگ بنگ و غیره تماما تئوری هستند، اساساً هرچیز که بر مشاهده مبتنی باشد نمیتواند از مرحله تئوری بالاتر
است، مفاهیمی وجود دارند که Science رود. در برخی از شاخه های علم منظور از علم همان گفته (Theorem) مشتق شده از اصول قطعی ریاضیات هستند به آن دسته از مفاهیم قضیه یا تئورم میشود مثلا روابط فیثاغورس و تالسدو نمونه از قضایا هستند، سایر چیز ها نمیتوانند چیزی جز تئوری باشند. پیرامون این مسئله در نوشتاری با فرنام علم چیست؟ توضیحات بیشتری آورده شده است.
نتیجه آنکه تئوری بودن تکامل نمیتواند از ارزشو درستی آن بکاهد و کسانی که این ایراد را وارد میکنند مفهوم کلمه "تئوری" را در فلسفه علم درک نمیکنند. از این گذشته هر تئوری برای توضیح یک واقعیت
شکل میگیرد، مثلاً تئوری جاذبه نیوتون برای توضیح واقعیت جاذبه شکل گرفته است، دقیقاً همین ارتباط میان تئوری تکامل و خود تکامل بعنوان یک واقعیت وجود دارد.
تکامل تصادفی است و احتمال آن پایین است، پس محال است:
در پاسخ به این شبهه باید گفت نخست اینکه تکامل تماماً مبتنی بر تصادف نیست، شخصی که این اعتراض را مطرح میکند عامل دوم تکامل را که عاملی غیر تصادفی است را نادیده میگیرد، از این گذشته تئوری تکامل تماماً مبتنی بر تصادف نیست، بلکه عوامل جبری نیز در آن نقش بازی میکنند.
بسیاری از بیولوژیست ها معتقدند دو عامل اساسی در تکامل نقش بازی میکنند،
.١
تغییراتی که بر اساس تحولات تصادفی ژنتیکی (جهش ژنتیکی) انجام میگیرند.
.٢
تغییراتی که قدرت و احتمال نجات یافتن و تکثیر موجود را بالا میبرند، که عدم تحقق این تغییرات موجب حذف آن موجود توسط گزینشطبیعی میشود.
کسانی که این اعتراض را بیان میکنند درکی بسیار ضعیف از تئوری احتمالات دارند، اینکه احتمال وقوع یک اتفاق پایین باشد هرگز و هرگز به این معنی نیست که آن اتفاق محال است، لذا این اعتراض نیز از
پایه غلط است. در این مورد در نوشتاری با فرنام "مگر میشود همه چیز بطور تصادفی بوجود آمده باشد؟" توضیحات کافی داده شده است.
AI به دو مکتب فکری تقسیم می شود:
AI قراردادی (Coventional AI) : توسط رسمی سازی (formalism)، تحلیل آماری، تعاریف و اثبات مشخص می گردد (مثل یادگیری ماشین و سیستم های خبره).
هوش محاسباتی: با ویژگی های غیررسمی، غیراحتمالی و اغلب با رویکردهای آزمون و خطا شناخته می شود. هوش محاسباتی به سه بخش اصلی تقسیم می گردد:
شبکه های عصبی
سیستم های فازی
محاسبه تکاملی
الگوریتم های تکاملی تکنیک پیاده سازی مکانیزم هایی مانند تولید مجدد، جهش، ترکیب مجدد(ادغام)، انتخاب طبیعی (فرایندی که توسط آن افرادی دارای مشخصه های مطلوب با احتمال بیشتری برای تولید افراد بعدی به کار می روند. پس مشخصه های مطلوب در نسل بعد عمومی تر می شوند) و بقای شایسته ترین است. ولی محاسبات تکاملی دارای مشخصه های زیر می باشند:
پیشروی، رشد یا توسعه تکراری
مبنی بر جمعیت
جستجوی تصادفی هدایت شده
پردازش موازی
ملهم از زیست شناسی
محاسبات تکاملی اغلب شامل الگوریتم های بهینه سازی فرااکتشافی است مانند:
الگوریتم های تکاملی (شامل الگوریتم ژنتیک، برنامه نویسی تکاملی، استراتژی تکاملی، برنامه نویسی ژنتیک و سیستم های طبقه بندی کننده یادگیر (
هوش گروهی (شامل بهینه سازی گروه مورچگان و بهینه سازی گروه ذرات)
و تا حد کمتری شامل:
خودسازماندهی (نقشه های خودسازمانده ، گاز عصبی در حال رشد، یادگیری رقابتی)
تکامل تفاضلی (دیفرانسیلی)
زندگی مصنوعی
الگوریتم های فرهنگ
سیستم های ایمنی مصنوعی
مدل تکاملی قابل یادگیری
هوش گروهی (SI) یک تکنیک هوش مصنوعی مبنی بر بررسی رفتار جمعی در سیستم های غیر متمرکز و خودسازمانده است . این واژه توسط Wang و Beni در سال 1989 و در مبحث سیستم های رباتی سلولی مطرح شد.
SI معمولا از جمعیتی از عاملهای ساده تشکیل شده که به طور محلی با یکدیگر و محیطشان تعامل دارند. با اینکه ساختار کنترلی متمرکزی برای تحمیل رفتار عاملها وجود ندارد، تعاملات محلی بین عاملها اغلب منجر به بروز یک رفتار سراسری می گردد. مثال:گروه مورچگان، ازدحام پرندگان و دسته حیوانات.
سیستم های نمونه:
ACO:
یک الگوریتم بهینه سازی فرااکتشافی است که می تواند راه حلهای تقریبی را برای مسایل بهینه سازی ترکیبی مشکل بیابد. در ACO، مورچه های مصنوعی با حرکت روی گراف مساله راه حلها را می سازند و با تقلید از مورچه های حقیقی، روی گراف فرومون مصنوعی به جا می گذارند، به نحوی که مورچه های مصنوعی آینده راه حلهای بهتری بیابند. ACO می تواند با موفقیت بر روی مسایل بهینه سازی زیادی اجرا شود.
الگوریتم کلونی مورچه ها:
انسان همیشه برای الهام گرفتن به جهان زنده پیرامون خود نگریسته است. یکی از بهترین طرح های شناخته شده، طرح پرواز انسان است که ابتدا لئورناردو داوینچی(1519-1452) طرحی از یک ماشین پرنده را بر اساس ساختمان بدن خفاش رسم نمود. چهار صد سال بعد کلمان آدر ماشین پرنده ای ساخت که دارای موتور بود و بجای بال از ملخ استفاده می کرد.
هم اکنون کار روی توسعه سیستم های هوشمند با الهام از طبیعت از زمینه های خیلی پرطرفدار هوش مصنوعی است. الگوریتمهای ژنتیک که با استفاده از ایده تکاملی داروینی و انتخاب طبیعی مطرح شده، روش بسیار خوبی برای یافتن مسائل بهینه سازیست. ایده تکاملی داروینی بیانگر این مطلب است که هر نسل نسبت به نسل قبل دارای تکامل است و آنچه در طبیعت رخ می دهد حاصل میلیون ها سال تکامل نسل به نسل موجوداتی مثل مورچه است.
الگوریتم کلونی مورچه برای اولین بار توسط دوریگو (Dorigo) و همکارانش به عنوان یک راه حل چند عامله (Multi Agent) برای مسائل مشکل بهینه سازی مثل فروشنده دوره گرد (TSP :Traveling Sales Person) ارائه شد.
عامل هوشند(Intelligent Agent) موجودی است که از طریق حسگر ها قادر به درک پیرامون خود بوده و از طریق تاثیر گذارنده ها می تواند روی محیط تاثیر بگذارد.
الگوریتم کلونی مورچه الهام گرفته شده از مطالعات و مشاهدات روی کلونی مورچه هاست. این مطالعات نشان داده که مورچه ها حشراتی اجتماعی هستند که در کلونی ها زندگی می کنند و رفتار آنها بیشتر در جهت بقاء کلونی است تا درجهت بقاء یک جزء از آن. یکی از مهمترین و جالبترین رفتار مورچه ها، رفتار آنها برای یافتن غذا است و بویژه چگونگی پیدا کردن کوتاهترین مسیر میان منابع غذایی و آشیانه. این نوع رفتار مورچه ها دارای نوعی هوشمندی توده ای است که اخیرا مورد توجه دانشمندان قرار گرفته است.باید تفاوت هوشمندی توده ای(کلونی) و هوشمندی اجتماعی را روشن کنیم.
در هوشمندی اجتماعی عناصر میزانی از هوشمندی را دارا هستند. بعنوان مثال در فرآیند ساخت ساختمان توسط انسان، زمانی که به یک کارگر گفته میشود تا یک توده آجر را جابجا کند، آنقدر هوشمند هست تا بداند برای اینکار باید از فرغون استفاده کند نه مثلا بیل!!! نکته دیگر تفاوت سطح هوشمندی افراد این جامعه است. مثلا هوشمندی لازم برای فرد معمار با یک کارگر ساده متفاوت است.
در هوشمندی توده ای عناصر رفتاری تصادفی دارند و بین آن ها هیچ نوع ارتباط مستقیمی وجود ندارد و آنها تنها بصورت غیر مستقیم و با استفاده از نشانه ها با یکدیگر در تماس هستند. مثالی در این مورد رفتار موریانه ها در لانه سازیست.
جهت علاقه مند شدن شما به این رفتار موریانه ها وتفاوت هوشمندی توده ای و اجتماعی توضیحاتی را ارائه می دهم :
فرآیند ساخت لانه توسط موریانه ها مورد توجه دانشمندی فرانسوی به نام گرس قرار گرفت. موریانه ها برای ساخت لانه سه فعالیت مشخص از خود بروز می دهند. در ابتدا صدها موریانه به صورت تصادفی به این طرف و آن طرف حرکت می کنند. هر موریانه به محض رسیدن به فضایی که کمی بالاتر از سطح زمین قرار دارد شروع به ترشح بزاق می کنند و خاک را به بزاق خود آغشته می کنند. به این ترتیب گلوله های کوچک خاکی با بزاق خود درست می کنند. علیرغم خصلت کاملا تصادفی این رفتار، نتیجه تا حدی منظم است. در پایان این مرحله در منطقه ای محدود تپه های بسیار کوچک مینیاتوری از این گلوله های خاکی آغشته به بزاق شکل می گیرد. پس از این، همه تپه های مینیاتوری باعث می شوند تا موریانه ها رفتار دیگری از خود بروز دهند. در واقع این تپه ها به صورت نوعی نشانه برای موریانه ها عمل می کنند. هر موریانه به محض رسیدن به این تپه ها با انرژی بسیار بالایی شروع به تولید گلوله های خاکی با بزاق خود می کند. این کار باعث تبدیل شدن تپه های مینیاتوری به نوعی ستون می شود. این رفتار ادامه می یابد تا زمانی که ارتفاع هر ستون به حد معینی برسد. در این صورت موریانه ها رفتار سومی از خود نشان می دهند. اگر در نزدیکی ستون فعلی ستون دیگیری نباشد بلافاصله آن ستون را رها می کنند در غیر این صورت یعنی در حالتی که در نزدیکی این ستون تعداد قابل ملاحظه ای ستون دیگر باشد، موریانه ها شروع به وصل کردن ستونها و ساختن لانه می کنند.
تفاوتهای هوشمندی اجتماعی انسان با هوشمندی توده ای موریانه را در همین رفتار ساخت لانه می توان مشاهده کرد. کارگران ساختمانی کاملا بر اساس یک طرح از پیش تعیین شده عمل می کنند، در حالی که رفتار اولیه موریانه ها کاملا تصادفی است. علاوه بر این ارتیاط مابین کارگران سختمانی مستقیم و از طریق کلمات و ... است ولی بین موریانه ها هیچ نوع ارتباط مستقیمی وجود ندارد و آنها تنها بصورت غیر مستقیم و از طریق نشانه ها با یکدیگر در تماس اند. گرس نام این رفتار را Stigmergie گذاشت، به معنی رفتاری که هماهنگی مابین موجودات را تنها از طریق تغییرات ایجاد شده در محیط ممکن می سازد.
بهینه سازی مسائل بروش کلونی مورچه(ACO) :
همانطور که می دانیم مسئله یافتن کوتاهترین مسیر، یک مسئله بهینه سازیست که گاه حل آن بسیار دشوار است و گاه نیز بسیار زمانبر. بعنوان مثال مسئله فروشنده دوره گرد(TSP). در این مسئله فروشنده دوره گرد باید از یک شهر شروع کرده، به شهرهای دیگر برود و سپس به شهر مبدا بازگردد بطوریکه از هر شهر فقط یکبار عبور کند و کوتاهترین مسیر را نیز طی کرده باشد. اگر تعداد این شهرها n باشد در حالت کلی این مسئله از مرتبه (n-1)! است که برای فقط 21 شهر زمان واقعا زیادی می برد:
روز1013*7/1 = S1016*433/2 = ms10*1018*433/2 = !20
با انجام یک الگوریتم برنامه سازی پویا برای این مسئله ، زمان از مرتبه نمایی بدست می آید که آن هم مناسب نیست. البته الگوریتم های دیگری نیز ارائه شده ولی هیچ کدام کارایی مناسبی ندارند. ACO الگوریتم کامل و مناسبی برای حل مسئله TSP است.
مورچه ها چگونه می توانند کوتاهترین مسیر را پیدا کنند؟
مورچه ها هنگام راه رفتن از خود ردی از ماده شیمیایی فرومون(Pheromone) بجای می گذارند البته این ماده بزودی تبخیر می شد ولی در کوتاه مدت بعنوان رد مورچه بر سطح زمین باقی می ماند. یک رفتار پایه ای ساده در مورچه های وجود دارد :
آنها هنگام انتخاب بین دو مسیر بصورت احتمالاتی( Statistical) مسیری را انتخاب می کنند که فرومون بیشتری داشته باشد یا بعبارت دیگر مورچه های بیشتری قبلا از آن عبور کرده باشند. حال دقت کنید که همین یک تمهید ساده چگونه منجر به پیدا کردن کوتاهترین مسیر خواهد شد :
همانطور که در شکل 1-1 می بینیم مورچه های روی مسیر AB در حرکت اند (در دو جهت مخالف) اگر در مسیر مورچه ها مانعی قرار دیهم(شکل 2-1) مورچه ها دو راه برای انتخاب کردن دارند. اولین مورچه ازA می آید و بهC می رسد، در مسیر هیچ فرومونی نمی بیند بنابر این برای مسیر چپ و راست احتمال یکسان می دهد و بطور تصادفی و احتمالاتی مسیر CED را انتخاب می کند. اولین مورچه ای که مورچه اول را دنبال می کند زودتر از مورچه اولی که از مسیر CFD رفته به مقصد می رسد. مورچه ها در حال برگشت و به مرور زمان یک اثر بیشتر فرومون را روی CED حس می کنند و آنرا بطور احتمالی و تصادفی ( نه حتما و قطعا) انتخاب می کنند. در نهایت مسیر CED بعنوان مسیر کوتاهتر برگزیده می شود. در حقیقت چون طول مسیر CED کوتاهتر است زمان رفت و برگشت از آن هم کمتر می شود و در نتیجه مورچه های بیشتری نسبت به مسیر دیگر آنرا طی خواهند کرد چون فرومون بیشتری در آن وجود دارد.
نکه بسیار با اهمیت این است که هر چند احتمال انتخاب مسیر پر فرومون ت توسط مورچه ها بیشتر است ولی این کماکان احتمال است و قطعیت نیست. یعنی اگر مسیر CED پرفرومون تر از CFD باشد به هیچ عنوان نمی شود نتیجه گرفت که همه مورچه ها از مسیرCED عبور خواهند کرد بلکه تنها می توان گفت که مثلا 90% مورچه ها از مسیر کوتاهتر عبور خواهند کرد. اگر فرض کنیم که بجای این احتمال قطعیت وجود می داشت، یعنی هر مورچه فقط و فقط مسیر پرفرومون تر را انتخاب میکرد آنگاه اساسا این روش ممکن نبود به جواب برسد. اگر تصادفا اولین مورچه مسیرCFD(مسیر دورتر) را انتخاب می کرد و ردی از فرومون بر جای می گذاشت آنگاه همه مورچه ها بدنبال او حرکت می کردند و هیچ وقت کوتاهترین مسیر یافته نمی شد. بنابراین تصادف و احتمال نقش عمده ای در ACO بر عهده دارند.
نکته دیگر مسئله تبخیر شدن فرومون بر جای گذاشته شده است. برفرض اگر مانع در مسیر AB برداشته شود و فرومون تبخیر نشود مورچه ها همان مسیر قبلی را طی خواهند کرد. ولی در حقیقت این طور نیست. تبخیر شدن فرومون و احتمال به مورچه ها امکان پیدا کردن مسیر کوتاهتر جدید را می دهند.
1-1
2-1
3-1
4-1
مزیتهای ACO :
همانطور که گقته شد «تبخیر شدن فرومون» و «احتمال-تصادف» به مورچه ها امکان پیدا کردن کوتاهترین مسیر را می دهند. این دو ویژگی باعث ایجاد انعطاف در حل هرگونه مسئله بهینه سازی می شوند. مثلا در گراف شهرهای مسئله فروشنده دوره گرد، اگر یکی از یالها (یا گره ها) حذف شود الگوریتم این توانایی را دارد تا به سرعت مسیر بهینه را با توجه به شرایط جدید پیدا کند. به این ترتیب که اگر یال (یا گره ای) حذف شود دیگر لازم نیست که الگوریتم از ابتدا مسئله را حل کند بلکه از جایی که مسئله حل شده تا محل حذف یال (یا گره) هنوز بهترین مسیر را داریم، از این به بعد مورچه ها می توانند پس از مدت کوتاهی مسیر بهینه(کوتاهترین) را بیابند.
کاربردهای ACO :
از کاربردهای ACO می توان به بهینه کردن هر مسئله ای که نیاز به یافتن کوتاهترین مسیر دارد ، اشاره نمود :
1. مسیر یابی داخل شهری و بین شهری
2. مسیر یابی بین پست های شبکه های توزیع برق ولتاژ بالا
3. مسیر یابی شبکه های کامپیوتری
مسیر یابی شبکه های کامپیوتری با استفاده از ACO :
در ابتدا مقدمه ای از نحوه مسیر یابی در شبکه های کامپیوتری را توضیح خواهیم داد :
اطلاعات بر روی شبکه بصورت بسته های اطلاعاتی کوچکی (Packet) منتقل می شوند. هر یک از این بسته ها بر روی شبکه در طی مسیر از مبدا تا مقصد باید از گره های زیادی که مسیریاب (Router) نام دارند عبور می کنند. در داخل هر مسیریاب جدولی قرار دارد تا بهترین و کوتاهترین مسیر بعدی تا مقصد از طریق آن مشخص می شود، بنابر این بسته های اطلاعاتی حین گذر از مسیریاب ها با توجه به محتویات این جداول عبور داده می شوند.
روشی بنام : Ant Colony Routering
ACR پیشنهاد شده که بر اساس ایده کلونی مورچه به بهینه سازی جداول می پردازید و در واقع به هر مسیری با توجه به بهینگی آن امتیاز می دهد. استفاده از ACR به این منظور دارای برتری نسبت به سایر روش هاست که با طبیعت دینامیک شبکه سازگاری دارد، زیرا به عنوان مثال ممکن است مسیری پر ترافیک شود یا حتی مسیر یابی (Router) از کار افتاده باشد و بدلیل انعطاف پذیری که ACO در برابر این تغییرات دارد همواره بهترین راه حل بعدی را در دسترس قرار می دهد.
فرمت این مقاله به صورت Word و با قابلیت ویرایش میباشد
تعداد صفحات این مقاله 46 صفحه
پس از پرداخت ، میتوانید مقاله را به صورت انلاین دانلود کنید
پردازش تکاملی والگوریتم تکاملی