10 ارسال در این موضوع قرار دارد

به نام خدا


 


با سلام خدمت دوستان عزیز.


در این پست بنده میپردازم به آموزش برنامه نویسی هوش مصنوعی.


خوب این نوع برنامه نویسی در بسیاری از فروم های امنیتی نیست یا اگر هم وجود داشته باشه ناقص هست و نا مفهوم.


در این پست آموزشات مقدماتی این نوع برنامه نویسی قرار میگیره و در پست های بعدی برنامه نویسی پیشرفته هوش مصنوعی قرار خواهد گرفت.


آموزشات ما دارای دو سر فصل اصلی است:


1-مفاهیم


با زیر مجموعه های:


راهبردهای جست و جوی آگاهانه,توابع هیوریستیک,جستجوی محلی


2-انواع جستجوی های آگاهانه


با زیر مجموعه های :


جستجوی حریصانه,جستجوی A,جستجوی IDA,جستجوی بازگشتی RBFS


 


موفق و موید باشید


 


[جهت حفظ قانون کپی رایت:


نویسندگان:


استوارت راسل، پیتر نورویگ(ترجمه و تنظیم توسط تیم امنیتی گارد ایران)]


 


اصل فایل PDF(بر گرفته از کتاب و گوگل)


Mr.Vector، mili، C0d3!Nj3ct!0n و 10 کاربر دیگر پسندیده اند

به اشتراک گذاری این ارسال


لینک به ارسال
به اشتراک گذاری در سایت های دیگر

بخش اول

 

 

مفاهیم:

راهبردهای جستجوی آگاهانه

توابع هیوریستیک

جستجوی محلی

===================

راهبردهای جستجوی آگاهانه

 

جستجوي اول بهترين:
 
اين استراتژي به اين صورت بيان مي‌شود که در يک درخت، زماني که گره‌ها مرتب مي‌شوند، گره‌اي که بهترين ارزيابي را داشته باشد، قبل از ديگر گره‌ها بسط داده مي‌شود.
هدف: يافتن راه‌حل‌هاي کم‌هزينه است، اين الگوريتم‌ها عموماً از تعدادي معيار تخمين براي هزينه راه‌حل‌ها استفاده مي‌‌کنند و سعي بر حداقل کردن آنها دارند.
 
جستجوی اول بهترین
 
تابع ارزیابی :
 
f(n) تابع ارزیابی گره n ، تابعی است که فاصله گره n تا هدف را تخمین می زند.
توابع هیوریستیک : معمولیترین شکل رساندن اطلاعات اضافی مساله به الگوریتم جستجو هستند.
h(n) هزینه تخمینی کوتاهترین(ارزانترین) مسیر از گره n به هدف است. 
 
 
Mr_X، C0d3!Nj3ct!0n، virtual_hate و 7 کاربر دیگر پسندیده اند

به اشتراک گذاری این ارسال


لینک به ارسال
به اشتراک گذاری در سایت های دیگر

بخش دوم

 

 
 جستجوي حریصانه
 جستجوي A*
 جستجوي IDA*
 جستجوي بازگشتی RBFS
===================
جستجوی حریصانه
 
حداقل هزينه تخمين زده شده براي رسيدن به هدف:
 
يکي از ساده‌ترين استراتژي‌هاي جستجوي بهترين، به حداقل رساندن هزينه تخمين زده شده براي رسيدن به هدف است. بدين صورت که حالت گره‌اي که به حالت 
هدف نزديک ‌تر است، ابتدا بسط داده مي‌شود.
 
جستجوي حريصانه: جستجوي بهترين که h را به منظور انتخاب گره بعدي براي بسط استفاده مي‌کند، جستجوي حريصانه (greedy search) ناميده مي‌شود.
Hiyoristic.png
 
 

 

تابع هیوریستیک در مثال رسیدن به شهر بخارست:

bandicam_2016_02_15_04_10_20_773.png

alizombie، F0r3nz1cs، REX و 2 کاربر دیگر پسندیده اند

به اشتراک گذاری این ارسال


لینک به ارسال
به اشتراک گذاری در سایت های دیگر

بخش سوم

 

جستجوی حریصانه

 

به مثالهای زیر توجه کنید:

 

1-

bandicam_2016_02_15_04_21_49_709.png

 

2-

bandicam_2016_02_15_04_22_02_414.png

3-

bandicam_2016_02_15_04_22_08_959.png

4-

bandicam_2016_02_15_04_22_17_739.png

 

C0d3!Nj3ct!0n، sezar1370، REX و 1 کاربر دیگر پسندیده اند

به اشتراک گذاری این ارسال


لینک به ارسال
به اشتراک گذاری در سایت های دیگر

بخش چهارم

 

 

ادمه...

 

به موارد و توضیحات زیر دقت کنید:

 

5-

bandicam_2016_02_15_04_22_29_561.png

 

6-

bandicam_2016_02_15_04_22_41_298.png

 

7-

bandicam_2016_02_15_04_22_54_914.png

 

8-

bandicam_2016_02_15_04_23_05_363.png

alizombie، REX، ahmad0025 و 1 کاربر دیگر پسندیده اند

به اشتراک گذاری این ارسال


لینک به ارسال
به اشتراک گذاری در سایت های دیگر

بخش پنجم

 

 

ادامه...

 

به موارد و مثال های زیر توجه کنید.

 

 

9-

bandicam_2016_02_15_04_23_18_203.png

 

10-

bandicam_2016_02_15_04_23_26_529.png

 

11-

bandicam_2016_02_15_04_23_34_400.png

12-

bandicam_2016_02_15_04_23_43_909.png

13-

bandicam_2016_02_15_04_23_53_693.png

sezar1370، ahmad0025 و REX پسندیده اند

به اشتراک گذاری این ارسال


لینک به ارسال
به اشتراک گذاری در سایت های دیگر

بخش ششم

 

جستجوی A*

 

تابع کشف‌کنندگي قابل قبول:
تابع hاي را که هزينه‌اي بيش از تخمين براي رسيدن به هدف نداشته باشد، يک کشف‌کنندگي قابل قبول (admissible heuristic) گويند.
 
bandicam_2016_02_16_02_44_42_553.png
ahmad0025، alizombie و REX پسندیده اند

به اشتراک گذاری این ارسال


لینک به ارسال
به اشتراک گذاری در سایت های دیگر

بخش هفتم

 

جست و جوی A*

 

به موارد زیر توجه کنید(نمونه ای از موارد بالا)

 

1-

bandicam_2016_03_07_10_12_18_764.png

 

 

 

 

جستجوی  (Iterative deepening A*)IDA*

 

 

ساده ترين راه براي کاهش حافظه مورد نياز A* استفاده از عميق کننده تکرار در زمينه جست و جوي اکتشافي است.

الگوريتم عميق کننده تکرار A*                 
در جستجوي IDA* مقدار برش مورد استفاده، عمق نيست بلکه هزينه (f(g+h است.
IDA* براي اغلب مسئله هاي با هزينه هاي مرحله اي، مناسب است و از سربار ناشي از نگهداري صف مرتبي از گره ها اجتناب ميکند.
alizombie پسند دیده است

به اشتراک گذاری این ارسال


لینک به ارسال
به اشتراک گذاری در سایت های دیگر
مهمان
این موضوع برای عدم ارسال قفل گردیده است.