এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
অ্যান্ট কলোনি অ্যালগরিদম (ACO)
বাস্তব পিঁপড়ার আচরণ থেকে অনুপ্রাণিত মেটাহিউরিস্টিক যা সমন্বয়মূলক অপ্টিমাইজেশন সমস্যায় সর্বোত্তম সমাধান খুঁজে পেতে কৃত্রিম ফেরোমন ব্যবহার করে। অ্যালগরিদমটি সর্বোত্তম সমাধানের দিকে অনুসন্ধান পরিচালনার জন্য ফেরোমন জমা এবং বাষ্পীভবন অনুকরণ করে।
ফেরোমন বাষ্পীভবন
ফেরোমন ঘনত্বের সূচকীয় হ্রাস প্রক্রিয়া যা অকাল অভিসৃতি এড়াতে এবং নতুন সমাধান অন্বেষণে সহায়তা করে। এই প্রক্রিয়াটি প্রকৃত পিঁপড়া কলোনিতে ফেরোমনের প্রাকৃতিক বাষ্পীভবন অনুকরণ করে।
ট্রানজিশন সম্ভাবনা
ফেরোমন স্তর এবং স্থানীয় হিউরিস্টিক তথ্যের ভিত্তিতে একটি পিঁপড়া দ্বারা আংশিক সমাধানে পরবর্তী উপাদান যোগ করার সম্ভাব্যতা নির্ধারণকারী নিয়ম। এই সম্ভাবনা সম্মিলিত শিক্ষণ এবং পূর্ব-তথ্যকে সমন্বয় করে অনুসন্ধান পরিচালনার জন্য।
সমাধান গঠন
পুনরাবৃত্তিমূলক প্রক্রিয়া যেখানে প্রতিটি পিঁপড়া ট্রানজিশন সম্ভাবনা অনুযায়ী ক্রমান্বয়ে উপাদান যোগ করে একটি সম্পূর্ণ সমাধান গঠন করে। গঠনটি সম্ভাব্যতাভিত্তিক কিন্তু পূর্ববর্তী সমাধান দ্বারা ছেড়ে যাওয়া ফেরোমন চিহ্ন দ্বারা প্রভাবিত।
স্থানীয় ফেরোমন আপডেট
প্রতিটি পিঁপড়া দ্বারা তার আংশিক সমাধানে একটি উপাদান যোগ করার অব্যবহিত পরে সম্পাদিত ফেরোমন চিহ্ন পরিবর্তনের প্রক্রিয়া। এই স্থানীয় আপডেট একই পুনরাবৃত্তিতে অন্যান্য পিঁপড়াদের একই পথ বেছে নেওয়ার সম্ভাবনা হ্রাস করে।
গ্লোবাল ফেরোমন আপডেট
একটি পুনরাবৃত্তিতে সমস্ত সমাধান গঠনের পরে প্রয়োগ করা প্রক্রিয়া, যেখানে কেবলমাত্র সর্বোত্তম সমাধানগুলি প্রতিশ্রুতিশীল উপাদানগুলিকে শক্তিশালী করার জন্য ফেরোমন জমা করে। এই প্রক্রিয়াটি সমাধান স্থানের সবচেয়ে প্রতিশ্রুতিশীল অঞ্চলে অনুসন্ধান কেন্দ্রীভূত করে।
কম্বিনেটোরিয়াল অপ্টিমাইজেশন
গাণিতিক সমস্যার একটি শ্রেণি যা সম্ভাব্য সমাধানের সসীম কিন্তু অত্যন্ত বৃহৎ সেট থেকে সর্বোত্তম কনফিগারেশন খুঁজে বের করতে গঠিত। অ্যান্ট কলোনি অ্যালগরিদমগুলি এই NP-কঠিন সমস্যাগুলি সমাধানের জন্য বিশেষভাবে কার্যকর।
ট্রাভেলিং সেলসম্যান সমস্যা (TSP)
ক্লাসিক্যাল কম্বিনেটোরিয়াল অপ্টিমাইজেশন সমস্যা যেখানে উদ্দেশ্য হল প্রতিটি শহর ঠিক একবার পরিদর্শন করে শুরুর বিন্দুতে ফিরে আসার সবচেয়ে ছোট পথ খুঁজে বের করা। TSP প্রায়শই অ্যান্ট কলোনি অ্যালগরিদমের কর্মক্ষমতা মূল্যায়নের জন্য বেঞ্চমার্ক হিসেবে ব্যবহৃত হয়।
আলফা প্যারামিটার (α)
ACO অ্যালগরিদমে ট্রানজিশন সম্ভাবনা গণনায় ফেরোমোন ট্রেসের প্রভাব নিয়ন্ত্রণকারী সহগ। আলফার উচ্চ মান পূর্বে আবিষ্কৃত সমাধানগুলির ব্যবহারকে প্রাধান্য দেয়।
বিটা প্যারামিটার (β)
ট্রানজিশন নির্বাচনে হিউরিস্টিক তথ্যের গুরুত্ব নিয়ন্ত্রণকারী প্যারামিটার, যা সাধারণত একটি চলনের স্থানীয় দৃশ্যমানতা বা কাম্যতা প্রতিনিধিত্ব করে। এই প্যারামিটারটি সমষ্টিগত শিক্ষাকে সমস্যার পূর্ব-তথ্যের সাথে সামঞ্জস্য করে।
রো প্যারামিটার (ρ)
ফেরোমোন বাষ্পীভবনের হার, 0 থেকে 1 এর মধ্যে সহগ যা পুনরাবৃত্তির মধ্যে ফেরোমোন ট্রেস হ্রাসের গতি নির্ধারণ করে। এই প্যারামিটারটি সিস্টেমে জমা হওয়া তথ্যের স্থায়িত্ব নিয়ন্ত্রণ করে।
Q প্যারামিটার
পিঁপড়াদের দ্বারা জমা করা ফেরোমোনের পরিমাণ পরিমাপ করতে ব্যবহৃত ধ্রুবক, যা প্রায়শই পাওয়া সমাধানের গুণমানের সমানুপাতিক। এই প্যারামিটারটি সিস্টেমে ভালো সমাধানগুলির শক্তিবৃদ্ধির তীব্রতা প্রভাবিত করে।
প্রার্থী তালিকা
পরবর্তী চলনের পছন্দকে একটি স্থানীয় হিউরিস্টিকের ভিত্তিতে সবচেয়ে সম্ভাবনাময় বিকল্পগুলির একটি উপসেটে সীমাবদ্ধ করার অপ্টিমাইজেশন মেকানিজম। এই কৌশলটি সম্ভাব্য ভালো সমাধানগুলিতে ফোকাস করে অভিসারীতা ত্বরান্বিত করে।
দৃশ্যমানতা হিউরিস্টিক
একটি চলনের স্থানীয় কাম্যতা সম্পর্কে স্থির বা গতিশীল তথ্য, যা সাধারণত TSP-এ দূরত্বের মতো সমস্যার বৈশিষ্ট্যের উপর ভিত্তি করে। এই হিউরিস্টিকটি জমা হওয়া ফেরোমোন থেকে স্বাধীনভাবে পিঁপড়াদের নির্দেশনা দেয়।
অনুসন্ধানের বৈচিত্র্য
স্থানীয় অপ্টিমায় স্থবিরতা এড়াতে সমাধান স্পেসের বিভিন্ন অঞ্চল অন্বেষণ বজায় রাখার কৌশল। ACO-তে, এটি প্রধানত বাষ্পীভবনের হার এবং ট্রানজিশন প্যারামিটার দ্বারা নিয়ন্ত্রিত হয়।
অনুসন্ধানের তীব্রতা
এখন পর্যন্ত চিহ্নিত সবচেয়ে সম্ভাবনাময় সমাধানগুলির চারপাশে অনুসন্ধান প্রচেষ্টা কেন্দ্রীভূত করার প্রক্রিয়া। এই কৌশলটি বিদ্যমান সমাধানগুলিকে পরিমার্জন করার জন্য ফেরোমোনের মাধ্যমে জমা হওয়া তথ্য ব্যবহার করে।