Unified Computational Intelligence for Complex Systems

هوش محاسباتی طیف گسترده‌ای از تکنیک‌ها را در بر می‌گیرد که به محاسبات امکان یادگیری، تطبیق و جستجو را می‌دهد. یعنی ممکن است برای یادگیری اطلاعات بدون برنامه‌ریزی صریح در مورد ماهیت محتوایی که باید حفظ شود، طراحی شده باشند، ممکن است با عملکردی آغشته باشند تا بتوانند مسیر خود را در یک محیط پیچیده و غیرقابل پیش‌بینی در حال تغییر حفظ کنند، و ممکن است به ما کمک کنند حقایقی را در مورد پویایی و زندگی خودمان از طریق گنجاندن آنها در مدلسازی سیستم پیچیده بیان کنیم. این قابلیت‌ها توانایی ما برای محاسبه را جدا از توانایی ما در برپایی پل‌های معلق در مقوله‌ای قرار می‌دهند، اگرچه هر دو محصول پیشرفت فناوری هستند و منعکس‌کننده درک فزاینده‌ای از جهان ما هستند. در این کتاب، ما نشان می‌دهیم که چگونه جنبه‌های یادگیری و سازگاری را در چارچوب هوش محاسباتی یکسان کنیم. در حالی که تعدادی الگوریتم وجود دارد که زیر چتر هوش محاسباتی قرار می‌گیرند، هر ساله الگوریتم‌های جدیدی اضافه می‌شوند، همه آن‌ها بر قابلیت‌های یادگیری، تطبیق و کمک به ما در جستجو تمرکز دارند. بنابراین، اصطلاح هوش محاسباتی یکپارچه به الگوریتم‌های فردی مربوط نمی‌شود، بلکه به اهداف زیربنایی آنها مربوط می‌شود. این کتاب بر حوزه‌های هوش محاسباتی شبکه‌های عصبی و برنامه‌نویسی پویا تمرکز دارد و نشان می‌دهد که چگونه می‌توان جنبه‌های این حوزه‌ها را برای ایجاد معماری‌های هوش محاسباتی جدید، قدرتمندتر برای اعمال در حوزه‌های مشکل جدید یکسان کرد.

Computational intelligence encompasses a wide variety of techniques that allow computation to learn, to adapt, and to seek. That is, they may be designed to learn information without explicit programming regarding the nature of the content to be retained, they may be imbued with the functionality to adapt to maintain their course within a complex and unpredictably changing environment, and they may help us seek out truths about our own dynamics and lives through their inclusion in complex system modeling. These capabilities place our ability to compute in a category apart from our ability to erect suspension bridges, although both are products of technological advancement and reflect an increased understanding of our world. In this book, we show how to unify aspects of learning and adaptation within the computational intelligence framework. While a number of algorithms exist that fall under the umbrella of computational intelligence, with new ones added every year, all of them focus on the capabilities of learning, adapting, and helping us seek. So, the term unified computational intelligence relates not to the individual algorithms but to the underlying goals driving them. This book focuses on the computational intelligence areas of neural networks and dynamic programming, showing how to unify aspects of these areas to create new, more powerful, computational intelligence architectures to apply to new problem domains.