دسترسی منصفانه به شبکه
یکی از ویژگی های هر بازار رقابت کامل امکان ورود و خروج فعالان به این بازار است.در صنعت برق این موضوع باید با تهیه دستورالعمل معینی برای دسترسی بیطرفانه علاقمندان به شبکه دنبال شود. زیرا عدم تهیه یک دستورالعمل منسجم می تواند به ایجاد تبعیض میان فعالان صنعت منتهی گردد.
تعرفه های استفاده از خدمات انتقال و توزیع
تدوین تعرفه های استفاده از خدمات انتقال و توزیع می تواند باعث شفاف شدن مبادلات شده و تولیدکنندگان و عرضه کنندگان می دانند در صورت استفاده از بخشهای انتقال و توزیع برای جابجایی انرژی و قدرت مورد نیاز چه مبلغی باید به شبکه بپردازند.این موضوع در تصمیم گیری خریداران برای انتخاب فروشنده برق بسیار حائز اهمیت است.
بازبینی مستمر بر عملکرد بازار
طبیعی است در صورتی که مکانیزم بازار به طور مستقیم و دقیق دنبال نشود تشخیص یک مشکل تنها می تواند پس از فروپاشی بازار صورت گیرد.
البته نکات دیگری را نیز می توان ذکر کرد که مواد فوق از اهم آنها انتخاب شده اند.
فصل دوم
مدل سازی با بهره گرفتن از شبکه عصبی
معرفی شبکه عصبی مصنوعی[۴]
قدرت و سرعت کامپیوترهای امروزی به راستی شگفتانگیز است؛ زیرا کامپیوترهای قدرتمند میتوانند میلیون‌ها عملیات را در کمتر از یک ثانیه انجام دهند. شاید آرزوی بسیاری از ما انسان‌ها این باشد که ای کاش می‌شد ما نیز مانند این دستگاه‌ها کارهای خود را با آن سرعت انجام می‌دادیم، ولی این نکته را نباید نادیده بگیریم که کارهایی هستند که ما می‌توانیم آنها را به آسانی و در کمترین زمان ممکن انجام دهیم، ولی قوی‌ترین کامپیوترهای امروزی نیز نمی‌توانند آنها را انجام دهند و آن قدرت تفکری است که مغز ما انسان‌ها دارد. حال تصور کنید که دستگاهی وجود داشته باشد که علاوه بر قدرت محاسبه و انجام کارهای فراوان در مدت زمان کوتاه، قدرت تفکر نیز داشته باشد یا به قول معروف هوشمند باشد! این تصور در حقیقت هدف فناوری هوش مصنوعی[۵] یا به اختصار AI است[۱۴].
یکی از راه حل های تحقق این هدف، شبکه‌های عصبی است. شبکه‌های عصبی در واقع از شبکه‌های عصبی و سیستم عصبی انسان الگوبرداری می‌کنند. برخی از محققان براین باورند که هوش مصنوعی و شبکه‌های عصبی دو راه‌حل متفاوت و در دو جهت مختلف هستند، ولی این باور را نمی‌توان کاملاً صحیح دانست؛ چرا که در حقیقت علم شبکه‌های عصبی و هوش‌مصنوعی وابسته به هم هستند. بدین‌معنا که قبل از اینکه Symbolها بتوانند توسط هوش مصنوعی شناسایی شوند، باید مراحلی طی شود. مثلاً تصور کنید که Symbol هایی مانند خانه، انسان یا میز وجود دارند. قبل از این که AI بتواند هر کدام از این Symbol ها را شناسایی کند، باید از توانایی‌ها و صفات هر کدام از این‌ها اطلاع کامل حاصل کند. مثلاً تصور کنید که یک روبات که هوش مصنوعی دارد، یک انسان را می‌بیند، ولی از کجا می‌فهمد که این جسم یک انسان است؟ مثلاً بر اساس مشخصاتی مثل داشتن دو پا، دست، صورت، دهان و قدرت تکلم. اما شما وقتی یک انسان دیگر را می‌بینید، نیازی ندارید که اول تعداد پاهای او را بشمارید و بعد بگویید که این جسم، انسان است. مغز انسان‌ها می‌تواند با دیدن یک جسم فقط برای یک بار یاد بگیرد و اگر مجدداً آن جسم را مشاهده کرد، می‌تواند سریع تشخیص دهد و قسمت‌های مختلف مغز میتوانند به صورت همزمان فعالیت کنند و از اطلاعات درون مغز استفاده نمایند. شبکه‌های عصبی در بسیاری از پروژه‌های هوش مصنوعی به کار گرفته میشود. مثلاً برای برنامه‌های تشخیص و الگوبرداری، شناسایی تصویر و کاراکتر، روبات‌ها و برنامه‌های فیلترینگ اطلاعات. این شبکه‌ها امروزه حتی در اتومبیل‌های بی‌سرنشین نیز کاربرد دارد. به طوری‌که با دیدن و بررسی رانندگی انسان‌ها، میتوانند رانندگی کنند.
شبکه های عصبی نسبت به کامپیوتر های معمولی مسیر متفاوتی را برای حل مسئله طی می کنند. کامپیوتر های معمولی یک مسیر الگوریتمی را استفاده می کنند به این معنی که کامپیوتر یک مجموعه از دستور العمل ها را به قصد حل مسئله پی می گیرد. بدون اینکه قدم های مخصوصی که کامپیوتر نیاز به طی کردن دارد شناخته شده باشند، کامپیوتر قادر به حل مسئله نیست. این حقیقت قابلیت حل مسئله ی کامپیوتر های معمولی را به مسائلی محدود می کند که ما قادر به درک آنها هستیم و می دانیم چگونه حل می شوند. اما اگر کامپیوتر ها می توانستند کار هایی را انجام دهند که ما دقیقا نمی دانیم چگونه انجام دهیم، خیلی پر فایده تر بودند.
شبکه های عصبی اطلاعات را به روشی مشابه با کاری که مغز انسان انجام می دهد پردازش می کنند. آنها از تعداد زیادی از عناصر پردازشی(سلول عصبی) که فوق العاده بهم پیوسته اند تشکیل شده است که این عناصر به صورت موازی باهم برای حل یک مسئله مشخص کار می کنند. شبکه های عصبی با مثال کار می کنند و نمی توان آنها را برای انجام یک وظیفه خاص برنامه ریزی کرد. مثال ها می بایست با دقت انتخاب شوند در غیر این صورت زمان سودمند، تلف می شود و یا حتی بدتر از این، شبکه ممکن است نادرست کار کند. امتیاز شبکه عصبی این است که خودش کشف می کند که چگونه مسئله را حل کند، عملکرد آن غیر قابل پیش گویی است.
از طرف دیگر کامپیوتر های معمولی از یک مسیر مشخص برای حل یک مسئله استفاده می کنند. راه حلی که مسئله از آن طریق حل می شود باید از قبل شناخته شود و به صورت دستورات کوتاه و غیر مبهمی شرح داده شود. این دستورات سپس به زبان های برنامه نویسی سطح بالا برگردانده می شود و بعد از آن به کدهایی که کامپیوتر قادر به درک آنها است تبدیل می شود. به طور کلی این ماشین ها قابل پیش گویی هستند و اگر چیزی به خطا انجام شود به یک اشتباه سخت افزاری یا نرم افزاری بر می گردد.
شبکه های عصبی و کامپیوتر های معمولی با هم در حال رقابت نیستند بلکه کامل کننده یکدیگرند. وظایفی وجود دارد که بیشتر مناسب روش های الگوریتمی هستند نظیر عملیات محاسباتی و وظایفی نیز وجود دارد که بیشتر مناسب شبکه های عصبی هستند. حتی فراتر از این، مسائلی وجود دارد که نیازمند به سیستمی است که از ترکیب هر دو روش بدست می آید(به طور معمول کامپیوتر های معمولی برای نظارت بر شبکه های عصبی به کار گرفته می شوند) به این قصد که بیشترین کارایی بدست آید.
شبکه های عصبی معجزه نمی کنند اما اگر خردمندانه به کار گرفته شوند نتایج شگفت آوری را خلق می کنند.
سابقه تاریخی
به نظر می آید شبیهسازیهای شبکه عصبی یکی از پیشرفتهای اخیر باشد. اگرچه این موضوع پیش از ظهور کامپیوترها بنیانگذاری شده و حداقل یک مانع بزرگ تاریخی و چندین دوره مختلف را پشت سر گذاشته است.
خیلی از پیشرفتهای مهم با تقلیدها و شبیهسازیهای ساده و ارزان کامپیوتری بدست آمده است. در پی یک دوره ابتدائی اشتیاق و فعالیت در این زمینه، یک دوره بیمیلی و بدنامی را هم پشت سرگذاشته است. در طول این دوره سرمایه گذاری و پشتیبانی حرفهای از این موضوع در پایینترین حد خود بود، پیشرفتهای مهمی به نسبت تحقیقات محدود در این زمینه صورت گرفت که بدین وسیله پیشگامان قادر شدند تا به گسترش تکنولوژی متقاعدکننده ای بپردازند که خیلی برجستهتر از محدودیتهایی بود که توسط Minsky و Papert شناسانده شد. Minsky وPapert کتابی را در سال ۱۹۶۹ منتشر کردند که در آن عقیده عمومی راجع به میزان محرومیت شبکه های عصبی را در میان محققان معین کرده بود و بدین صورت این عقیده بدون تجزبه و تحلیلهای بیشتر پذیرفته شد. هماکنون، زمینه تحقیق شبکه های عصبی از تجدید حیات علایق و متناظر با آن افزایش سرمایه گذاری لذت میبرد.
اولین سلول عصبی مصنوعی در سال ۱۹۴۳ بهوسیله یک neurophysiologist به نامWarren McCulloch و یک منطق دان به نام Walter Pits ساخته شد اما محدودیتهای تکنولوژی در آن زمان اجازه کار بیشتر به آنها نداد.
ساختار شبکه های عصبی مصنوعی
شبکه های عصبی مصنوعی جز آن دسته از سیستمهای دینامیکی قرار دارند که با پردازش روی داده های تجربی، دانش یا قانون نهفته در ورای داده ها را به ساختار شبکه منتقل می کنند. به همین خاطر به این سیستمها هوشمند میگویند، چرا که بر اساس محاسبات روی داده های عددی یا مثالها، قوانین کلی را یاد می گیرند. برای نخستین بار شخصی به نام سگال اعلام کرد که مغز از عناصر اصلی ساختاری به نام نرون تشکیل شده است و هر نرون بیولوژیکی به عنوان اجتماعی از مواد آلی، اگر چه دارای پیچیدگی یک میکروپروسسور است، ولی دارای سرعت محاسباتی برابر با یک میکروپروسسور نیست. دانشمندان علم بیولوژی دریافتهاند که عملکرد نرونهای بیولوژیکی از قبیل ذخیرهسازی و حفظ اطلاعات، در خود نرونها و ارتباطات بین نرونها نهفته است. گرچه همه نرونها کارکرد یکسانی دارند، ولی اندازه و شکل آنها بستگی به محل استقرارشان در سیستم عصبی دارد.
با وجود این همه تنوع، بیشتر نرونها از سه قسمت اساسی تشکیل شده اند:
بدنه سلول (که شامل هسته و قسمت های حفاظتی دیگر است)
دندریت
اکسون
دو قسمت آخر، عناصر ارتباطی نرون را تشکیل می دهند. شکل ۲-۱ ساختمان سلول عصبی را نشان می دهند.
شکل ۲- ۱: ساختمان سلول عصبی
نرون ها بر اساس ساختارهایی که بین آنها پیامها هدایت میشوند به سه دسته تقسیم میگردند:
نرونهای حسی که اطلاعات را از ارگانهای حسی به مغز و نخاع می فرستند.
نرونهای محرک که سیگنالهای فرمان را از مغز و نخاع به ماهیچهها و غدد هدایت می کنند.
نرونهای ارتباطی که نرونها را به هم متصل می کنند.
روابط بین نرونهای ارتباطی موجبات انجام کارهای پیچیده را از قبیل تفکر، احساسات، ادراک و محفوظات فراهم می آورد. با توجه به مقدمات فوق، میتوان گفت که با تمام اغراقها در مورد شبکه های عصبی مصنوعی، این شبکه ها اصلا سعی در حفظ پیچیدگی مغز ندارند. از جمله شباهت این دو سیستم میتوان به موارد زیر اشاره نمود:
بلوکهای ساختاری در هر دو شبکه مصنوعی و بیولوژیکی، دستگاههای محاسباتی خیلی ساده هستند و علاوه بر این، نرونهای مصنوعی از سادگی بیشتری برخوردار هستند.
ارتباطهای بین نرونها، عملکرد شبکه را تعیین می کند اگر چه نرونهای بیولوژیکی از نرونهای مصنوعی که توسط مدارهای الکتریکی ساخته میشوند، بسیار کندتر هستند(یک میلیون بار)، اما عملکرد مغز، خیلی سریعتر از عملکرد یک کامپیوتر معمولی است. علت این پدیده بیشتر به خاطر ساختار کاملا موازی نرونها است و این یعنی همه نرونها معمولا به طور همزمان کار می کنند و پاسخ می دهند.
شبکه های عصبی مصنوعی هم دارای ساختار کاملا موازی هستند. اگرچه بیشتر شبکه های عصبی مصنوعی هم اکنون توسط کامپیوترهای سریع پیادهسازی میشوند، اما ساختار موازی شبکه های عصبی، این امکان را فراهم می آورد که به طور سختافزاری، توسط پردازشگرهای موازی، سیستمهای نوری و تکنولوژی پیاده سازی شوند.
شبکه های عصبی مصنوعی با وجود این که با سیستم عصبی طبیعی قابل مقایسه نیستند ویژگیهایی دارند که آنها را در بعضی از کاربردها مانند تفکیک الگو، رباتیک، کنترل و به طور کلی در هرجا که نیاز به یادگیری یک نگاشت خطی و یا غیرخطی باشد، ممتاز مینماید. این ویژگی ها به شرح زیر هستند:
قابلیت یادگیری: استخراج نتایج تحلیلی از یک نگاشت غیرخطی که با چند مثال مشخص شده، کار سادهای نیست. زیرا نرون یک دستگاه غیرخطی است و در نتیجه یک شبکه عصبی که از اجتماع این نرونها تشکیل می شود نیز یک سیستم کاملا پیچیده و غیرخطی خواهد بود. بهعلاوه، خاصیت غیرخطی عناصر پردازش، در کل شبکه توزیع میگردد. پیادهسازی این نتایج با یک الگوریتم معمولی و بدون قابلیت یادگیری، نیاز به دقت و مراقبت زیادی دارد. در چنین حالتی سیستمی که بتواند خود این رابطه را استخراج کند، بسیار سودمند بهنظر میرسد. خصوصا افزودن مثالهای احتمالی در آینده به یک سیستم با قابلیت یادگیری، به مراتب آسانتر از انجام آن در یک سیستم بدون چنین قابلیتی است، چراکه در سیستم اخیر، افزودن یک مثال جدید به منزله تعویض کلیه کارهای انجام شده قبلی است. قابلیت یادگیری یعنی توانایی تنظیم پارامترهای شبکه(وزنهای سیناپتیکی) در مسیر زمان که محیط شبکه تغییر می کند و شبکه شرایط جدید را تجربه می کند، با این هدف که اگر شبکه برای یک وضعیت خاص آموزش دید و تغییر کوچکی در شرایط محیطی آن(وضعیت خاص) رخ داد، شبکه بتواند با آموزش مختصر برای شرایط جدید نیز کارآمد باشد.
پراکندگی پردازش اطلاعات به صورت متن: آنچه شبکه فرا میگیرد(اطلاعات یا دانش) در وزنهای سیناپسی مستتر میباشد. رابطه یکبهیک بین ورودی ها و وزنهای سیناپتیکی وجود ندارد. میتوان گفت که هر وزن سیناپسی مربوط به همه ورودی ها است ولی به هیچیک از آنها به طور منفرد و مجزا مربوط نیست. بهعبارت دیگر هر نرون در شبکه، از کل فعالیت سایر نرونها متاثر است. در نتیجه، اطلاعات به صورت متن توسط شبکه های عصبی پردازش میشوند. بر این اساس چنانچه بخشی از سلولهای شبکه حذف شوند و یا عملکرد غلط داشته باشند باز هم احتمال رسیدن به پاسخ صحیح وجود دارد. اگر چه این احتمال برای تمام ورودی ها کاهش یافته ولی برای هیچ یک از بین نرفته است.
موضوعات: بدون موضوع
لینک ثابت
