در یک باجه n نفر با ترتیب تصادفی به صف وارد میشوند. مسئول باجه قرار است اندازهي قد بلندقدترین این افراد را به دست آورد. مسئول باجه یک برگه دارد که در ابتـدا بـر روي آن صفر نوشته است. او قد هر فرد که وارد باجه میشود را اندازهگیري میکند و اگر این قـد از عدد نوشته شده بر روي برگه بزرگتر باشد، عدد برگه را خط میزنـد و بـه جـاي قـد فـرد ورودي را مینویسد. به این کار او عمل «جابهجایی» میگوییم. اگر هر نفر با احتمال یکسـان بتواند بلندقدترین فرد باشد، در انتها تعداد میانگین عمل جابهجایی چند تاسـت؟ بهتـرین پاسخ را براي n بزرگ انتخاب کنید
یک ANN از شبکه ای از نورون های مصنوعی (همچنین به عنوان "گره" شناخته می شود) تشکیل شده است. این گره ها به یکدیگر متصل هستند و قدرت اتصالات آنها به یکدیگر بر اساس قدرت آنها یک مقدار تعیین می شود: مهار (حداکثر بودن -1.0) یا تحریک (حداکثر بودن +1.0). اگر مقدار اتصال بالا باشد، نشان دهنده وجود یک اتصال قوی است. در طراحی هر گره، یک تابع انتقال تعبیه شده است. سه نوع نورون در ANN وجود دارد، گره های ورودی، گره های پنهان و گره های خروجی.
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
#هوش_مصنوعی
📣👨💻 @AlgorithmDesign_DataStructuer
🔥4👍1
سلام دوستان
ببخشید توی این مدت نتونستم فعالیتی داشته باشم انشالله از امشب فعال خواهم بود شاید تونسته باشم کمکی به شما کرده باشم ممنون از صبر و بردباری شما عزیزان😁
ممنون میشم کانال ما رو به دوستانتون معرفی کنید.
لینک کانال 👇👇
📣👨💻 @AlgorithmDesign_DataStructuer
ببخشید توی این مدت نتونستم فعالیتی داشته باشم انشالله از امشب فعال خواهم بود شاید تونسته باشم کمکی به شما کرده باشم ممنون از صبر و بردباری شما عزیزان😁
ممنون میشم کانال ما رو به دوستانتون معرفی کنید.
لینک کانال 👇👇
📣👨💻 @AlgorithmDesign_DataStructuer
👍12👌3👨💻3🤩1
Heuristic search(ابتکار):
اکتشافی تکنیکی است که برای حل یک مسئله سریعتر از روش های کلاسیک استفاده می شود. این تکنیک ها برای یافتن راه حل تقریبی یک مسئله استفاده می شود در حالی که روش های کلاسیک این کار را نمی کنند. اکتشافی به تکنیک های حل مسئله گفته می شود که منجر به راه حل های عملی و سریع می شود.
اکتشافی استراتژی هایی هستند که از تجربیات گذشته با مشکلات مشابه به دست می آیند. اکتشافی از روش‌های عملی و میانبرهای مورد استفاده برای تولید راه‌حل‌هایی استفاده میکند که ممکن است بهینه باشند یا نباشند، اما این راه‌حل‌ها در یک بازه زمانی محدود کافی هستند.
در واقع ابتکار تابعی است که فاصله تا هدف را تخمین میزند و هر مساله ای نیازمند به یک تابع ابتکار منحصر به فردی می باشد.
📣👨💻 @AlgorithmDesign_DataStructuer
اکتشافی تکنیکی است که برای حل یک مسئله سریعتر از روش های کلاسیک استفاده می شود. این تکنیک ها برای یافتن راه حل تقریبی یک مسئله استفاده می شود در حالی که روش های کلاسیک این کار را نمی کنند. اکتشافی به تکنیک های حل مسئله گفته می شود که منجر به راه حل های عملی و سریع می شود.
اکتشافی استراتژی هایی هستند که از تجربیات گذشته با مشکلات مشابه به دست می آیند. اکتشافی از روش‌های عملی و میانبرهای مورد استفاده برای تولید راه‌حل‌هایی استفاده میکند که ممکن است بهینه باشند یا نباشند، اما این راه‌حل‌ها در یک بازه زمانی محدود کافی هستند.
در واقع ابتکار تابعی است که فاصله تا هدف را تخمین میزند و هر مساله ای نیازمند به یک تابع ابتکار منحصر به فردی می باشد.
📣👨💻 @AlgorithmDesign_DataStructuer
👍1
درخت قرمز سیاه با 1023 عنصر، دستکم چند گره قرمز باید داشته باشد؟
Anonymous Quiz
34%
0
28%
10
30%
32
7%
22
🔥2
اگر m عمق درخت و b تعداد نودها باشد کدام یک از گزینه های پیچیدگی زمانی الگوریتم حریصانه را بیان میکند؟
Anonymous Quiz
41%
O(b^m)
33%
O(m)
17%
O(b)
8%
بستگی به مقادیر ورودی دارد.
👨💻1
خب میخواهیم در مورد الگوریتم های A* و Unifom_Cost صحبت کنید. در الگوریتم هایی که به صورت A* هستند ما در جهت هدف حرکت میکند و بعضی وقت ها هم در جهت غیر هدف حرکت میکند ولی الگوریتم هایی که به صورت Uniform_Cost هستند ما در تمام جهت حرکت میکنیم برای همین جستجوهایی که در این الگوریتم میکنیم نسبت به A* بیشتر می باشد و هزینه بیشتری را برای در پی خواهد داشت و پاداش کمتری نیز به دست می آوریم.
در الگوریتم Uniform_Cost ما فقط هزینه واقعی را در نظر میگیریم. اگر بخواهیم به صورت ریاضی آن را تعریف کنیم:
f(n)=g(n)
که در فرمول بالا f(n) تابع ارزیابی در نود n و g(n) هزینه واقعی ما تا نود n می باشد.
در الگوریتم A* ما هم هزینه واقعی را در نظر میگیریم و همچنین هزینه تخمین زده شده تا هدف را که میتوان گفت :
f(n)=g(n)+h(n)
که در آن h(n) هزینه تخمین زده شده تا نود n می باشد.
📣👨💻 @AlgorithmDesign_DataStructuer
در الگوریتم Uniform_Cost ما فقط هزینه واقعی را در نظر میگیریم. اگر بخواهیم به صورت ریاضی آن را تعریف کنیم:
f(n)=g(n)
که در فرمول بالا f(n) تابع ارزیابی در نود n و g(n) هزینه واقعی ما تا نود n می باشد.
در الگوریتم A* ما هم هزینه واقعی را در نظر میگیریم و همچنین هزینه تخمین زده شده تا هدف را که میتوان گفت :
f(n)=g(n)+h(n)
که در آن h(n) هزینه تخمین زده شده تا نود n می باشد.
📣👨💻 @AlgorithmDesign_DataStructuer
👍2👌2👨💻1
برای رشد توابع میتوان از حد استفاده کرد که در شکل بالا تعریف شده است.
📣👨💻 @AlgorithmDesign_DataStructuer
📣👨💻 @AlgorithmDesign_DataStructuer
👨💻1
🤔4
همان طور که در شکل بالا میبینید UCS همانند یک لاک پشت می باشد که فکر میکند و به آرامی به هدف نزدیک میشود و Greedy یا همان حریصانه رفتن همانند خرگوش فرض شده است یعنی دوست دارد سریع به هدف نزدیک شود. ترکیبی از این دو الگوریتم , الگورتیم A* را به وجود می آورد زیرا که همانند خرگوش زودتر به هدف میرسد و با فکر لاک پشت میتواند از مسیری برود که با هزینه کمتری به همراه داشته باشد.
📣👨💻 @AlgorithmDesign_DataStructuer
📣👨💻 @AlgorithmDesign_DataStructuer
👏6👍2👨💻2
یک مثال بسیار خوب از الگوریتم A* که میتوانیم با استفاده از فرمول گفته شده آن را به دست آورد.
همچنین نکاتی وجود دارد که باید گفته شود. میتوان گفت A* بهینه هست که بتوان ابتکار یا Heuristic خوبی را برای آن در نظر بگیریم اگر ابتکار خوبی نداشته باشیم بهینه نمی باشد. از نکاتی دیگری که باید به آن توجه کرد این است که ممکن این مسیری وجود داشته باشد کهf(n) آن یکسان باشد شما باید هر هر دو مسیر را امتحان کنید زیرا ممکن است در ادامه هزینه کمتری برای رسیدن به هدف بپرازید.
یک نکته دیگر هم این است که شکل بالا یک جستجوی ابتدا به شکل گراف بوده است سپس آن را به شکل درخت درآورده شده است.
📣👨💻 @AlgorithmDesign_DataStructuer
همچنین نکاتی وجود دارد که باید گفته شود. میتوان گفت A* بهینه هست که بتوان ابتکار یا Heuristic خوبی را برای آن در نظر بگیریم اگر ابتکار خوبی نداشته باشیم بهینه نمی باشد. از نکاتی دیگری که باید به آن توجه کرد این است که ممکن این مسیری وجود داشته باشد کهf(n) آن یکسان باشد شما باید هر هر دو مسیر را امتحان کنید زیرا ممکن است در ادامه هزینه کمتری برای رسیدن به هدف بپرازید.
یک نکته دیگر هم این است که شکل بالا یک جستجوی ابتدا به شکل گراف بوده است سپس آن را به شکل درخت درآورده شده است.
📣👨💻 @AlgorithmDesign_DataStructuer
👍3