Means–ends analysis

📅 آخر تحديث: ٢ أغسطس ٢٠٢٦
✍️ نُشر في: ٢ أغسطس ٢٠٢٦
الموسوعة الحرة

Means–ends analysis[1] (MEA) is a problem solving technique used commonly in artificial intelligence (AI) for limiting search in AI programs. MEA was designed by two scientist Allen Newel and Herbert A. Simon in 1957, lateron, the idea of MEA led to the General Problem Solver, with J.C Shaw.

It is also a technique used at least since the 1950s as a creativity tool, most frequently mentioned in engineering books on design methods. MEA is also related to the means–ends chain approach used commonly in consumer behavior analysis.[2] It is also a way to clarify one's thoughts when embarking on a mathematical proof.

An important aspect of intelligent behavior as studied in AI is goal-based problem solving, a framework in which the solution to a problem can be described by finding a sequence of actions that lead to a desirable goal. A goal-seeking system is supposed to be connected to its outside environment by sensory channels through which it receives information about the environment and motor channels through which it acts on the environment. (The term afferent is used to describe inward sensory flows, and efferent is used to describe outward motor commands.) In addition, the system has some means of storing in memory information about the state of the environment (afferent information) and information about actions (efferent information). Ability to attain goals depends on building up associations, simple or complex, between particular changes in states and particular actions that will bring these changes about. Search is the process of discovery and assembly of sequences of actions that will lead from a given state to a desired state. While this strategy may be appropriate for machine learning and problem solving, it is not always suggested for humans (e.g. cognitive load theory and its implications). [3]

How it works

The MEA technique is a strategy to control search in problem-solving. Given a current state and a goal state, an action is chosen which will reduce the difference between the two. The action is performed on the current state to produce a new state, and the process is recursively applied to this new state and the goal state.

لكي يكون نظام إدارة الأداء متعدد الأهداف فعالاً، يجب أن يمتلك آلية لربط أي فرق قابل للقياس بالإجراءات ذات الصلة بتقليص هذا الفرق. كما يجب أن يمتلك آلية لرصد التقدم المحرز (التغيرات في الفروقات بين الوضع الحالي والوضع المنشود)، إذ قد تفشل بعض تسلسلات الإجراءات المُجربة، وبالتالي، يمكن تجربة تسلسلات بديلة.

عند توفر معلومات حول أهمية الاختلافات، يُختار الاختلاف الأكثر أهمية أولاً لتحسين متوسط ​​أداء خوارزمية البحث الاستكشافي المتعدد (MEA) مقارنةً باستراتيجيات البحث الأخرى القائمة على البحث الشامل. مع ذلك، حتى بدون ترتيب الاختلافات وفقًا لأهميتها، تتفوق خوارزمية البحث الاستكشافي المتعدد (MEA) على طرق البحث الاستدلالية الأخرى - في المتوسط ​​- من خلال تركيز حل المشكلة على الاختلافات الفعلية بين الحالة الراهنة والحالة المستهدفة.

استخدام الذكاء الاصطناعي

طُرحت تقنية تحليل العوامل المتعددة (MEA) كاستراتيجية لحل المشكلات لأول مرة عام 1961 من قِبل ألين نيويل وهربرت أ. سيمون في برنامج حل المشكلات الحاسوبي الخاص بهما، برنامج حل المشكلات العامة (GPS). [ 4 ] [ 5 ] في هذا التطبيق، تُوفّر العلاقة بين الاختلافات والإجراءات، والتي تُسمى أيضًا عوامل التشغيل ، مسبقًا كمعرفة في النظام. (في برنامج GPS، كانت هذه المعرفة على شكل جدول اتصالات).

عندما يكون تأثير تطبيق عامل ما وآثاره الجانبية واضحًا، يمكن للبحث اختيار العوامل ذات الصلة بمجرد فحصها، دون الحاجة إلى جدول للروابط. في هذه الحالة الأخيرة، التي يُعد برنامج "ستانفورد ريسيرش إنستيتيوت بروبلم سوليوشنز " (STRIPS)، وهو برنامج حاسوبي للتخطيط الآلي، مثالًا نموذجيًا ، يسمح هذا البرنامج بربط الاختلافات بالعوامل التي تُقللها، بغض النظر عن المهمة.

يُعد Prodigy، وهو نظام لحل المشكلات تم تطويره في مشروع تخطيط آلي أكبر بمساعدة التعلم بدأ في جامعة كارنيجي ميلون بواسطة جايمي كاربونيل وستيفن مينتون وكريج نوبلوك، نظامًا آخر استخدم MEA.

قام مورتن ليند في جامعة الدنمارك التقنية بتطوير أداة تسمى نمذجة التدفق متعدد المستويات (MFM). وهي تقوم بإجراء استدلال تشخيصي قائم على الوسائل والغايات لأنظمة التحكم والأتمتة الصناعية. [ 6 ]

انظر أيضاً

مراجع

  1. ↑ سيمون، هـ. أ. (1981). علوم المصنوعات. كامبريدج، ماساتشوستس: مطبعة معهد ماساتشوستس للتكنولوجيا.
  2. ↑ كاسياك، إي وكولين، سي دبليو (2006). تحليل بيانات سلسلة الوسائل والغايات في أبحاث التسويق . مجلة الاستهداف والقياس والتحليل للتسويق 15، 12-20.
  3. ↑ سويلر، ج. (1988). العبء المعرفي أثناء حل المشكلات: تأثيراته على التعلم. العلوم المعرفية، 12(2)، 257-285. https://doi.org/10.1207/s15516709cog1202_4
  4. ↑ نيويل، أ.، وسيمون، هـ. أ. (1959). محاكاة الفكر البشري. سانتا مونيكا، كاليفورنيا: مؤسسة راند.
  5. ↑ نيويل، أ.، وسيمون، هـ. أ. (1961). نظام تحديد المواقع العالمي (GPS)، برنامج يحاكي التفكير البشري. سانتا مونيكا، كاليفورنيا: مؤسسة راند.
  6. ↑ لارسون، جان إريك (2002). "الاستدلال التشخيصي القائم على نماذج الوسائل والغايات: التجارب والآفاق المستقبلية" . أنظمة قائمة على المعرفة . 15 ( 1-2 ): 103-110 . doi : 10.1016/S0950-7051(01)00126-5 .