- لقد قمنا بدراسة الاستراتيجيات التي يمكن أن تفكر إما للأمام أو للخلف، ولكن المزج بين الاتجاهين مناسب لحل مشكلة معقدة وكبيرة. مثل هذه الإستراتيجية المختلطة تجعل من الممكن أولاً حل الجزء الأكبر من المشكلة ثم العودة وحل المشكلات الصغيرة التي تنشأ أثناء دمج الأجزاء الكبيرة من المشكلة. تسمى هذه التقنية تحليل الوسائل والغايات .
- تحليل الوسائل والغايات هو تقنيات حل المشكلات المستخدمة في الذكاء الاصطناعي للحد من البحث في برامج الذكاء الاصطناعي.
- إنه مزيج من تقنية البحث الخلفية والأمامية.
- تم تقديم تقنية MEA لأول مرة في عام 1961 بواسطة Allen Newell وHerbert A. Simon في برنامجهم الحاسوبي لحل المشكلات، والذي سُمي باسم حل المشكلات العامة (GPS).
- تركزت عملية تحليل MEA على تقييم الفرق بين الوضع الحالي وحالة الهدف.
كيف يعمل تحليل الوسائل والغايات:
يمكن تطبيق عملية تحليل الوسائل والغايات بشكل متكرر لحل مشكلة ما. إنها استراتيجية للتحكم في البحث في حل المشكلات. فيما يلي الخطوات الرئيسية التي تصف عمل تقنية MEA لحل المشكلة.
ما هو نظام الملفات لينكس
- أولاً، قم بتقييم الفرق بين الحالة الأولية والحالة النهائية.
- حدد عوامل التشغيل المختلفة التي يمكن تطبيقها على كل اختلاف.
- قم بتطبيق عامل التشغيل عند كل اختلاف، مما يقلل الفرق بين الحالة الحالية وحالة الهدف.
المشغل Subgoaling
في عملية الاتفاق البيئي المتعدد الأطراف، نكتشف الاختلافات بين الحالة الحالية وحالة الهدف. بمجرد حدوث هذه الاختلافات، يمكننا تطبيق عامل لتقليل الاختلافات. لكن في بعض الأحيان يكون من الممكن ألا يمكن تطبيق عامل التشغيل على الحالة الحالية. لذلك قمنا بإنشاء مشكلة فرعية للحالة الحالية، والتي يمكن فيها تطبيق المشغل، ويسمى هذا النوع من التسلسل الخلفي الذي يتم فيه اختيار المشغلين، ثم يتم إعداد الأهداف الفرعية لتحديد الشروط المسبقة للمشغل المشغل Subgoaling .
خوارزمية تحليل الوسائل والغايات:
لنأخذ الحالة الحالية على أنها حالية وحالة الهدف على أنها هدف، ثم فيما يلي خطوات خوارزمية MEA.
- حدد عامل تشغيل جديد O والذي ينطبق على فرق التيار، وإذا لم يكن هناك عامل تشغيل كهذا، فعندئذ فشل الإشارة.
- حاول تطبيق عامل التشغيل O على CURRENT. قم بعمل وصف لحالتين.
ط) O-Start، وهي الحالة التي يتم فيها استيفاء الشروط المسبقة لـ O.
2) نتيجة O، الحالة التي قد تنتج إذا تم تطبيق O في O-start. - لو
(الجزء الاول<------ mea (current, o-start)< strong>
و
(الجزء الاخير<----- mea (o-result, goal)< strong>، ناجحة، ثم قم بالإشارة إلى النجاح وإرجاع نتيجة الجمع بين الجزء الأول وO والجزء الأخير.
تعتبر الخوارزمية التي تمت مناقشتها أعلاه أكثر ملاءمة لمشكلة بسيطة وليست كافية لحل المشكلات المعقدة.
مثال على تحليل متوسط الغايات:
لنأخذ مثالاً حيث نعرف الحالة الأولية وحالة الهدف كما هو موضح أدناه. في هذه المشكلة، نحتاج إلى الحصول على حالة الهدف من خلال إيجاد الاختلافات بين الحالة الأولية وحالة الهدف وتطبيق العوامل.
حل:
لحل المشكلة المذكورة أعلاه، سنجد أولاً الاختلافات بين الحالات الأولية وحالات الهدف، ولكل اختلاف، سنقوم بإنشاء حالة جديدة وسنطبق العوامل. المشغلين لدينا لهذه المشكلة هم:
1. تقييم الحالة الأولية: في الخطوة الأولى، سنقوم بتقييم الحالة الأولية وسنقارن بين الحالة الأولية وحالة الهدف للعثور على الاختلافات بين الحالتين.
2. تطبيق عامل الحذف: كما يمكننا التحقق من الاختلاف الأول هو أنه في حالة الهدف لا يوجد رمز نقطة موجود في الحالة الأولية، لذلك، سنقوم أولاً بتطبيق حذف عامل التشغيل لإزالة هذه النقطة.
3. تطبيق عامل النقل: بعد تطبيق عامل الحذف، تحدث الحالة الجديدة والتي سنقارنها مرة أخرى بحالة الهدف. وبعد مقارنة هذه الحالات هناك فرق آخر وهو أن المربع خارج الدائرة، لذلك سنطبق المعادلة تحرك المشغل .
4. تطبيق عامل التوسيع: الآن يتم إنشاء حالة جديدة في الخطوة الثالثة، وسوف نقوم بمقارنة هذه الحالة مع حالة الهدف. بعد مقارنة الحالات لا يزال هناك اختلاف واحد وهو حجم المربع، لذلك سوف نطبق قم بتوسيع المشغل وأخيرًا، ستولد حالة الهدف.
