تحقیق هوش مصنوعی و کاربرد آن در مهندسی عمران


g

باسمه تعالی

دانشگاه آزاد واحد …

دانشکده فنی مهندسی
گروه مهندسی عمران

پروژه تخصصی

عنوان پروژه : هوش مصنوعی و کاربرد آن در مهندسی عمران

استاد : …

نام و نام خانوادگی:

شماره دانشجویی :

فهرست مطالب

مقدمه 6
تاریخچه 8
تعریف هوش 9
تعریف تربیتی هوش 9
تعریف تحلیلی هوش 10
تعریف کاربردی هوش 10
تاریخچه مطالعات مربوط به هوش 10
تعریف هوش مصنوعی 11
فلسفه هوش مصنوعی 22
آینده هوش مصنوعی 23
هوش مصنوعی و هوش انسانی 24
ویژگی های هوش مصنوعی 25
بازنمایی نمادین 26
روش اکتشافی 26
بازنمایی معرفت 27
اطلاعات ناقص 28
اطلاعات متناقض 28
۱۴ ویژگی که هوش مصنوعی را ترسناک و دوست داشتنی می کند : 28
انواع مختلف هوش مصنوعی 34
هوش مصنوعی نمادین 34
هوش مصنوعی عصبی 34
شبکه های عصبی 35
یادگیری ماشین 35
بینایی ماشین 36
استراتژی‏های تکاملی 37
تشخیص گفتار 37
پردازش زبان طبیعی 37
روباتیک 38
انجام مسابقات 38
سیستم های خبره 39
مزایای سیستم های خبره 40
الگوریتم ژنتیک 41
کاملا واکنشگر 42
حافظه محدود 42
نظریه ذهن: 43
هوش مصنوعی خودآگاه 43
شیوه ها و ابزارها 44
هدف هوش مصنوعی 45
تازه های هوش مصنوعی 46
لباس های هوشمند 46
آجر و ساختمان های هوشمند 47
کفش هوشمند 47
کیف هوشمند 47
شیرآب هوشمند 47
سیستم های حمل و نقل هوشمند 48
تسلیحات نظامی هوشمند 48
شبکه های عصبی مصنوعی 48
آدمواره ها 50
کاربرد هوش مصنوعی در عمران و معماری 52
5زمینه که هوش مصنوعی می تواند نقش بسیار مهمی در آنها ایفا کند به شرح زیر می باشد 55
تکنیک ها و زبان های برنامه نویسی هوش مصنوعی 56
پرولوگ 57
لیسپ 57
استفاده از مدل هوش مصنوعی مرکب نظارت شده برای پیش بینی سطح آب زیرزمین 58
مواد و روشها 62
بررسی دادهها 63
منطق فازی 64
ماشین بردار پشتیبانی(svm) 65
مدل هوش مصنوعی مرکب نظارت شده( SCMAI) 65
هوش مصنوعی در مهندسی عمران(ترجمه ای از مقاله ) 66
1. معرفی 66
2. روش های بهینه سازی هوشمند در مهندسی عمران 68
2.1 محاسبات تکاملی 70
2.1.1 الگوریتم های ژنتیکی 71
2.1.2 سیستم ایمنی مصنوعی 72
2.1.3 برنامه ریزی ژنتیک 72
2.1.4 دیگر الگوریتمهای تکاملی 73
2.2 ازدحام هوش 74
2.2.1 بهینه سازی ازدحام ذرات 74
2.2.2 بهینه سازی کلونی مورچگان 77
2.3 شبکه های عصبی 78
2.4. سیستم های فازی 82
2.5. سیستم کارشناس 86
3. استدلال، طبقه بندی و یادگیری 88
4. دیگران 90
4.1 نظریه هرج و مرج 90
4.2 مهندسی مبتنی بر دانش 91
4.3 هوش مصنوعی 92
5. روند آینده 92
6. نتیجه گیری 94
منابع و ماخذ 94

مقدمه
آیا بشر قادر خواهد بود موجودی هوشمند همانند خود بوجود آورد؟
آیا زمانی فرا خواهد رسید که ربات ها به خانه ما رفت و آمد کنند,کنار ما بنشینند و با ما به تبادل نظر بپردازند؟
چه زمانی رویای ربات ها به حقیقت خواهد پیوست؟
شاید سوالاتی این چنین را بتوان زمینه ساز ظهور دانشی نوین, باعنوان هوش مصنوعی دانست.نخستین جرقه های هوش مصنوعی به سال های بعد از جنگ جهانی دوم بازمیگردد. زمانی که آلن تورینگ1 درسال ١٩٥٠ م. آزمایشی مبنی بر اینکه آیا ماشین قادر است با فرآیندھای مغز انسان رقابت نماید , مطرح کرد. سال ١٩٦٠ م. با روی کار آمدن برنامه های بازی شطرنج و ساخت اولین ربات ها و استفاده از زبانهای برنامه نویسی در آمریکا و اروپا,تحقیقات در زمینه ھوش مصنوعی به جنبه های انسانی نزدیک تر شد . [1]

دهه های آغازین سده بیستم میلادی و دوران پیشرفت شگرف صنعتی ، همراه با تولید خودرو بود که انقلاب همه جانبه این درترابری ، افزایش شتاب جابجایی و صدها کار و پیشه جدیددررشته هابازرگانی بوجودآورده است .

به نظر می رسد که سمبل دوران فراصنعتی و نماد فرآورده های بی همتای قرن آینده "هوش مصنوعی " است . [2]

امروزه موضوع هوش مصنوعی داغ ترین بحث میان کارشناسان دانش رایانه واطلاعات و دیگر دانشمندان و تصمیم گیرندگان است . در سراسرتاریخ تا به امروز انسان از جنبه تن و روان ، مرکز و محور بحث هاو پژوهش ها بوده است . ولی اکنون موجودی با رتبه ای پائین تر،بی جان و ساختگی می خواهد جانشین او شود، امری که بدون شک می توان ادعا نمود بیشتر انسان ها با آن مخالفند.
هوش مصنوعی چنانچه به هدف های والای خود برسد، جهش بزرگی در راه دستیابی بشر به رفاه بیشتر و حتی ثروت افزون ترخواهد بود. هم اکنون نمونه های خوب و پذیرفتن از هوش مصنوعی در دنیای واقعی ما به کار افتاده است . چنین دستاوردهایی ، صرف منابع لازم درآینده راهمچنان توجیه خواهدکرد.
از سوی دیگر،منتقدین هوش مصنوعی چنین استدلال می کنندکه صرف زمان و منابع ارزشمنددیگر در راه ساخت فراورده ای که پر از نقص و کاستی ودست آوردهای مثبت اندکی است ، مایه بدنام کردن و زیر پا گذاشتن توانمندی ها و هوشمندی های انسان می باشد. تلخ ترین انتقادهابر این باور است که هوش مصنوعی ، توهین آشکار به گوهر طبیعت ونقش انسان است .

تاریخچه
این روزها همه جا صحبت از "هوش مصنوعی"2 است که به طور مخفف با عنوان AI از آن یاد می شود.نقش هوش مصنوعی هر روز در زندگی ما بیشتر می شود. آخرین ترند در این زمینه تراشه های هوش مصنوعی و کاربردهای مختلف آن ها در گوشی های هوشمند است. اما شروع توسعه ی این تکنولوژی در واقع به خیلی قبل تر برمی گردد؛ یعنی زمانی در دهه ی ۵۰ میلادی که "دانشگاه دارتموث"3 در ایالات متحده یک پروژه ی تحقیقات تابستانی را به هوش مصنوعی اختصاص داد. ریشه های هوش مصنوعی را حتی می توان در عمق بیشتری از تاریخ و در فعالیت های "آلن نیوئل"4 ، "هربرت ای. سیمون"5 و "آلن تورینگ"6 جست وجو کرد. آزمون مشهور تورینگ در سال ۱۹۵۰ توسط او در مقاله ای مطرح شد. این مقاله یکی از اولین اسنادی است که در آن به وجود آمدن ماشین های هوشمند پیش بینی شده است. با این حال مقوله ی هوش مصنوعی تا پیش از معرفی شدن سوپرکامپیوتر "دیپ بلو"7 توسط کمپانی IBM هنوز توجه جهانیان را به خود جلب نکرده بود. این سوپرکامپیوتر اولین ماشینی بود که توانست قهرمان شطرنج جهان "گری کاسپارف"8 را در مسابقه ای که در سال ۱۹۹۶ میلادی برگزار شد شکست دهد. الگوریتم های هوش مصنوعی برای سال های متمادی است که در دیتاسنترها و کامپیوترهای بزرگ استفاده می شوند، ولی حضور آن ها در حوزه ی لوازم الکترونیک مصرفی به سال های اخیر برمی گردد.[3]

تعریف هوش
بطور کلی تعاریف متعددی را که توسط روان شناسان برای هوش ارائه شده است، می توان به سه گروه تربیتی (تحصیلی) ، تحلیلی و کاربردی تفسیم کرد.

تعریف تربیتی هوش
به اعتقاد روانشناسان تربیتی ، هوش کیفیتی است که مسبب موفقیت تحصیلی می شود و از این رو یک نوع استعداد تحصیلی به شمار می رود. آنها برای توجیه این اعتقاد اشاره می کنند که کودکان باهوش نمره های بهتری در دروس خود می گیرند و پیشرفت تحصیلی چشم گیری نسبت به کودکان کم هوش دارند. مخالفان این دیدگاه معتقدند کیفیت هوش را نمی توان به نمره ها و پیشرفت تحصیلی محدود کرد، زیرا موفقیت در مشاغل و نوع کاری که فرد قادر به انجام آن است و به گونه کلی پیشرفت در بیشتر موقعیتهای زندگی بستگی به میزان هوش دارد.
تعریف تحلیلی هوش
بنابه اعتقاد نظریه پردازان تحلیلی ، هوش توانایی استفاده از پدیده های رمزی و یا قدرت و رفتار موثر و یا سازگاری با موقعیتهای جدید و تازه و یا تشخیص حالات و کیفیات محیط است. شاید بهترین تعریف تحلیلی هوش به وسیله " دیوید وکسلر "9 ، روان شناس امریکایی ، پیشنهاد شده باشد که بیان می کند: هوش یعنی تفکر عاقلانه ، عمل منطقی و رفتار موثر در محیط.
تعریف کاربردی هوش
در تعاریف کاربردی ، هوش پدیده ای است که از طریق تستهای هوش سنجیده می شود و شاید عملی ترین تعریف برای هوش نیز همین باشد.

تاریخچه مطالعات مربوط به هوش
مساله هوش به عنوان یک ویژگی اساسی که تفاوت فردی را بین انسانها موجب می شود، از دیرباز مورد توجه بوده است. زمینه توجه به عامل هوش را در علوم مختلف می توان مشاهده کرد. برای مثال زیست شناسان ، هوش را به عنوان عامل سازش و بقا مورد توجه قرار داده اند. فلاسفه بر اندیشه های مجرد به عنوان معنای هوش و متخصصان تعلیم و تربیت ، بر توانایی یادگیری تاکید داشته اند.
در مقاله ای معتبر که در سال 1904 منتشر شد، " چارلز اسپیرمن " ، روان شناس بریتانیایی ، نخستین کوشش برای تحقیق در ساختمان هوش را با روشهای تجربی و کمی تشریح کرد. پیدایش مقیاس هوشی بینه سیمون ، در سال 1905 و به دنبال آن تهیه و استاندارد شدن مقیاس استنفرد _ بینه ، در سال 1916 در امریکا ، از فعالیتهای اولیه به منظور تهیه ابزار اندازه گیری هوش بوده است. البته در سال 1838 " اسکیرول10 " به منظور تهیه ضوابطی برای تشخیص و طبقه بندی افراد عقب مانده ذهنی ، روشهای مختلفی را آزمود و به این نتیجه رسید که مهارت کلامی فرد بهترین توانش ذهنی اوست. جالب آن که بعدها نیز مهارت کلامی از عوامل اساسی توانش ذهنی شناخته شد و امروز نیز محتوای اکثر تستهای هوش را مواد کلامی تشکیل می دهد.
ترستون11 ، ثرندایک12 ، سیریل برت13 ، گیلفورد14 ، فیلیپ ورنون15 ، از دیگر افرادی بودند که در زمینه هوش به تحقیق و بررسی پرداختند. [4]

تعریف هوش مصنوعی

● تعریف هوش مصنوعی آن را به عنوان شاخه ای از علوم کامپیوتر مشخص می کند که با خودکارسازی رفتارهای هوشمندانه سروکار دارد. بخش سخت ماجرا این است: از آنجا که خود هوش را نمی توانیم به درستی تعریف کنیم، امکان تعریف دقیق هوش مصنوعی هم وجود ندارد. به طور کلی اصطلاح هوش مصنوعی برای تشریح کردن سیستم هایی به کار می رود که هدف آن ها استفاده از ماشین ها برای تقلید و شبیه سازی هوش انسانی و رفتارهای مرتبط با آن است. این هدف گاه ممکن است با استفاده از الگوریتم های ساده و الگوهای از پیش تعیین شده محقق شود، ولی گاهی هم نیاز به الگوریتم ها فوق العاده پیچیده دارد.[3]
● به عبارتی ساخت ماشین هایی که کارهایی را انجام می دهند که آن کارها معمولا با استفاده از هوش انسان انجام می شوند ؛ مثل ترجمه ی یک زبان به زبان دیگر . به عنوان تعریفی دیگر ، دانش و مهندسی ساخت ماشین های هوشمند و مخصوصا برنامه های کامپیوتری هوشمند می باشد . هوش مصنوعی ، وابسته به کامپیوترهای مورد استفاده برای فهم هوش انسانی می باشد ،ولی لازم نیست که خودش را به روش هایی که به صورت زیستی قابل مشاهده اند محدود نماید . [5]
● به زبانی ساده, هوش مصنوعی دانش ساخت ماشین ها با برنامه های هوشمند است.هوش مصنوعی شاخه ای از علم کامپیوتر است و درواقع تلفیقی از سه فناوری و گرایش مطرح,یعنی شبکه های عصبی سیستم های استدلال فازی و الگوریتم تکاملی می باشد.شبکه های عصبی,تقلیدی از سیستم فیزیکی و عصبی انسان است.سیستم فازی الگویی از تفکر و الگوریتم های تکاملی,برداشتی از نحوه بقا وانطباق موجودات با طبیعت است.اما آلن تورینگ, هوشمندی را به گونه ای دیگر تعریف کرده است.وی باانجام آزمایشی که سالها بعد به نام *تست تورینگ* مشهور شد وبیشتر همانند یک بازی بود,توانست روشی برای تشخیص هوشمندی ماشین ارایه دهد .فرض کنید شما در آزمایش تورینگ شرکت کرده اید.در این صورت,بایستی در یک سوی یک دیوار حایل قرار گیرید;به گونه ای که تنها از طریق یک دستگاه تله تایپ (بدون استفاده از صوت),با شخصی که در آن سوی دیوار قرار دارد و هویت او برای شما مشخص نیست,قادر به برقراری ارتباط باشید. در مدت زمان انجام آزمایش, میان شما و آن شخص مکالماتی صورت میگیرد.
حال اگر پس از انجام آزمایش به شما گفته شود شخصی که در آن سوی دیوار قرار داشته و به سوالات شما پاسخ میداده,یک ماشین بوده است,در آن صورت,ماشین مورد نظر,یک ماشین هوشمند خواهد بود ;اما چنانچه در طول آزمایش , به مصنوعی بودن آن پی ببرید , مطابق دیدگاه تورینگ,ماشین,هوشمند نیست. بدین ترتیب,تورینگ در این آزمایش مشخصه مھم ھوشمندی را توانایی پردازش و درک زبان طبیعی مطرح نمود.در تعریفی دیگر,هوش مصنوعی مطالعه روش هایی برای تبدیل کامپیوتر به ماشینی است که بتواند اعمال انجام شده توسط انسان را انجام دهد.
با توجه به تعریف فوق, منظور از موجود هوشمند موجودی شبیه انسان و یا ابزار و یا ماشینی است که میتواند به انسان شبیه شود.هرچند انسان ھوشمند ترین موجودی است که میشناسیم , اما لزوما تنها موجود هوشمند عالم نخواهد بود.از طرفی تمامی اعمال انسان نیز هوشمندانه و برتر از موجودات دیگر نیست; به طوری که در بسیاری از جنبه ھای ادراکی و حسی ,همچون قدرت بینایی و شنوایی,موجودات دیگر کاملا قوی تر از انسان می باشد. از سوی دیگر, برخی بر این باورند که کامپیوترهای امروزی را میتوان جز ابزارهای هوشمند به حساب آورد ;حال آن که این کامپیوترها فعلا بهترین ابزار برای پیاده سازی هوشمندی هستند.همچنین هوشمندی کامپیوترها برخلاف هوشمندی طبیعی انسان است. در کامپیوتر,یک واحد کاملا پیچیده,مسولیت انجام تمام اعمال هوشمندانه را بر عهده دارد ; در حلی که در طبیعت تعداد بسیار زیادی از واحدهای کاملا ساده ( به عنوان مثال نورون های شبکه عصبی ) با عملکرد همزمان خود رفتاری هوشمند را سبب میشوند . بنابراین , تفاوت هوشمندی مصنوعی و هوشمندی طبیعی میان پیچیدگی فوق العاده و سادگی فوق العاده است[6] .
● تلاش در راه برخوردار نمودن رایانه از توانائیهای شناخت وتقلید جنبه های هوشی انسان از دهه 1950 میلادی آغاز شده است .در سال 1956 میلادی ، گروهی از دانشمندان از جمله ماروین مینسکی (از دانشگاه فنی ماساچوست )، کلود شانن) ازآزمایشگاه نامدار بل ) و جان مک کارتی (از دانشگاه دارت موت (همایش در دارت موت کانادا برگزار نمودند تا در این زمینه به گفتگو بپردازند. جان مک کارتی دانشیار کرسی ریاضی دانشگاه و میزبان همایش ، عنوان پهوش مصنوعی ) را بر این نشست نهاد.از آن زمان تاکنون میان دانشمندان و خبرگان آگاه همچنان بحث درمفهوم،هوش مصنوعی جریان دارد.
هوش مصنوعی را کوششهایی تعریف می کنند که در پی ساختن نظامهای رایانه ای )سخت افزار و نرم افزار) است که رفتاری انسان وارداشته باشند.

یک سیستم هوش مصنوعی به راستی نه مصنوعی و نه هوشمند است . بلکه دستگاهی است هدف گرا که مشکل را به روش مصنوعی حل می کند این سیستم ها بر پایه دانش ، تجربه والگوهای استدلایی انسان بوجودآمده اند.
سیستم های هوش مصنوعی مانند کتاب با دیگر آثار فکری انسان می باشند، تا زمانی که نوشته نشوند معلوماتی در خود ندارند. پس از آماده شدن نیز نمی توانند چیزی تازه بسازند و یا راه حل نوینی ابداع کنند.سیستم های هوشمند، تنها و توانایی های کارشناسان را بالا می برند وهرگز نمی توانند جانشین آنها شوند. این سیستم ها فاقد عقل سلیم هستند [8] .

● هوش مصنوعی را باید عرصه ی پهناور تلاقی و ملاقات بسیاری از دانشها، علوم، و فنون قدیم و جدید دانست. ریشه ها و ایده های اصلی آن را باید در فلسفه، زبان شناسی، ریاضیات، روان شناسی، نورولوژی، و فیزیولوژی نشان گرفت و شاخه ها، فروع، و کاربردهای گونه گونه و فراوان آن را در علوم رایانه، علوم مهندسی، علوم زیست شناسی و پزشکی، علوم ارتباطات و زمینه های بسیار دیگر.
هدف هوش مصنوعی بطور کلی ساخت ماشینی است که بتواند "فکر" کند. اما برای دسته بندی و تعریف ماشینهای متفکر، می بایست به تعریف "هوش" پرداخت. همچنین به تعاریفی برای "آگاهی" و "درک" نیز نیازمندیم و در نهایت به معیاری برای سنجش هوش یک ماشین نیازمندیم.
با وجودی که برآورده سازی نیازهای صنایع نظامی، مهم ترین عامل توسعه و رشد هوش مصنوعی بوده است، هم اکنون از فراورده های این شاخه از علوم در صنایع پزشکی، رباتیک، پیش بینی وضع هوا، نقشه برداری و شناسایی عوارض، تشخیص صدا، تشخیص گفتار و دست خط و بازی ها و نرم افزارهای رایانه ای استفاده می شود
مباحث هوش مصنوعی پیش از بوجود آمدن علوم الکترونیک، توسط فلاسفه و ریاضی دانانی نظیر بول16 که اقدام به ارائه قوانین و نظریه هایی در باب منطق نمودند، مطرح شده بود. در سال ۱۹۴۳، با اختراع رایانه های الکترونیکی، هوش مصنوعی، دانشمندان را به چالشی بزرگ فراخواند. بنظر می رسید، فناوری در نهایت قادر به شبیه سازی رفتارهای هوشمندانه خواهد بود.
با وجود مخالفت گروهی از متفکرین با هوش مصنوعی که با دیده تردید به کارآمدی آن می نگریستند تنها پس از چهار دهه، شاهد تولد ماشینهای شطرنج باز و دیگر سامانه های هوشمند در صنایع گوناگون هستیم.
نام هوش مصنوعی در سال ۱۹۶۵ میلادی به عنوان یک دانش جدید ابداع گردید. البته فعالیت درزمینه این علم از سال ۱۹۶۰ میلادی شروع شده بود.[9]
بیشتر کارهای پژوهشی اولیه در هوش مصنوعی بر روی انجام ماشینی بازی ها و نیز اثبات قضیه های ریاضی با کمک رایانه ها بود. در آغاز چنین به نظر می آمد که رایانه ها قادر خواهند بود چنین اموری را تنها با بهره گرفتن از تعداد بسیار زیادی کشف و جستجو برای مسیرهای حل مسئله و سپس انتخاب بهترین آن ها به انجام رسانند.
هنوز تعریف دقیقی که مورد قبول همهی دانشمندان این علم باشد برای هوش مصنوعی ارائه نشده است، و این امر، به هیچ وجه مایهی تعجّب نیست. چرا که مقولهی مادر و اساسی تر از آن، یعنی خود هوش هم هنوز بطور همه جانبه و فراگیر تن به تعریف نداده است. در واقع، می توان نسل هایی از دانشمندان را سراغ گرفت که تمام دوران زندگی خود را صرف مطالعه و تلاش در راه یافتن جوابی به این سوال عمده نموده اند که: هوش چیست؟ [10]

اما اکثر تعریف هایی که در این زمینه ارایه شده اند بر پایه یکی از ۴ باور زیر قرار می گیرند:
۱) سیستم هایی که شبیه انسان ها عمل می کنند
۲) سیستم هایی که همانند انسان ها فکر می کنند
۳) سیستم هایی که معقولانه17 فکر می کنند.
۴) سیستم هایی که معقولانه عمل می کنند.
دومین و سومین مورد می توانند در طبقه بندی هوش مصنوعی قوی قرار گیرند و موارد اول و چهارم بیش تردر طبقه بندی هوش مصنوعی ضعیف قرار می گیرند . در زیر توضیحاتی در مورد تعریف هایی که ذکر شد آمده است :
عمل کردن مثل انسان : -آزمایش تورینگ18 – آلن تورینگ در سال 1950 در مقاله ی ماشین
آلات محاسبه و هوش در مورد شرایطی برای ماشین هوشمند بحث کرده است . او گفته است که اگر ماشین بتواند کاملاً وانمود کند که مانند بشر می باشد آن گاه شما می توانید مطمین باشید که هوشمند است . این آزمایش توانست برخی از افراد و نه همه را راضی نماید . فرد پرسش کننده می تواند با ماشین کار کند و یک فرد (در طرف مقابل) با ماشین تایپ کند (برای جلوگیری از احتیاج ماشین به تقلید ظاهر یا صدای شخص) و فرد باید پرسش کننده را دارای این عقیده نماید که فرد می باشد و ماشین باید تلاش کند که فرد پرسش کننده را گمراه نماید ( و خود را به جای فرد جا بزند) . آزمایش تورینگ یک جانبه (غیرمنصفانه) می باشد .

یک ماشین که آزمایش را می گذراند باید کاملاً هوشمند باشد ، ولی یک ماشین ، برای تقلید ، بدون دانستن به اندازه ی کافی در مورد افراد می تواند هوشمند باشد . کتاب مغز کودکان19 دانیل دنت20 دارای یک بحث عالی در مورد آزمایش تورینگ و جوانب مختلف آزمایش تورینگ که به کار گرفته می شوند می باشد .
برخی از افراد به سادگی تصور می کنند که یک برنامه ی نسبتا گنگ هوشمن می باشد 21. اجزای اصلی پیشنهاد شده برای هوش مصنوعی عبارتند از : دانش ، استدلال ، زبان و آموزش .
اشکالات آزمایش تورینگ این بود که : آزمایش تورینگ تجدید پذیر22 ، سودمند23 یا جوابگو24 برای تحلیل ریاضی نیست.

هنوز هیچ برنامه ای از آزمایش تورینگ ، سربلند بیرون نیامده است . یک برنامه در صورتی آزمایش تورینگ را با موفّقیت می گذراند که قادر باشد زبان طبیعی را بفهمد ؛ چیزهایی که می داند (دانش) رابتواند بیان( ارایه) کند ؛ دانش داشته باشد و بتواند استدلال کن [5] .

شاید بتوان هوش مصنوعی را این گونه توصیف کرد:"هوش مصنوعی عبارت است از مطالعه این که چگونه کامپیوترها را می توان وادار به کارهایی کرد که در حال حاضر انسان ها آنها رابهتر انجام می دهند"

● به زبان بسیار ساده هوش مصنوعی تلاش برای تولید ماشینی است که همانند انسان عمل کند. اما این تعریف حقایق و جزئیات را در خود جای نمی دهد. بنابراین بهتر است به توضیح AI بپردازیم .

AIیک رشته جدیدی است که در اواسط قرن 20 بوجود آمده است. اکثرا در روزنامه ها، تلویزیون، فیلمها و بازی های کامپوتری به این مقوله پرداخته شده اما درست درک نشده است. حتی بعضی ساده لوحان این طرح را غیر عملی میدانند و بعضی از دولتها هرگونه فعالیت در این زمینه را ممنوع کرده اند. اما این علم در صنعت و دانشگاهها در حال پیشرفت است اگرچه همیشه بعنوان هوش مصنوعی شناخته نمی شود، زیرا تکنیکها و ایده های مهمی از مهندسی نرم افزار را در خود دارد. بعضی دیگر از ساده لوحان نیز فکر می کنند که این علم در حال رشد سریعی است و در چند سال آینده رباتها انسانها را به زنجیر میکشند و دنیا را در اختیار خود میگیرند.
متاسفانه هیچ توضیح و یا اشاره ای ازAI در مدارس و حتی دانشگاها داده نمیشود و تعداد معدودی از دانشگاها هستند که رشته و یا درس AI را در برنامه درسی خود قرار داده اند.

AI یک علم بسیار عمیق و پیچیده در قرن اخیر است که در حالت کلی به مطالعه بر روی اطلاعات، چگونگی جمع آوری و نگهداری از آنها، بکارگیری اطلاعات و جابجایی و انتقال آنها به ماشین و یا انسان و حیوان میپردازد.
در فیزیک و شیمی بر اساس قانون اصل بقای انرژی، انرژی از بین نمیرود و فقط از صورتی بصورت دیگری در می آید. بسیاری از علوم مانند بیولوژی، داروسازی، زمین شناسی و دانشهای مهندسی براساس این اصل تکامل یافته است و تمامی این رشته ها بر اساس درک صحیحی از مکانیزم طبیعی و یا مصنوعی تبدیل نیرو، جرم و انرژی استوار است. در مورد اطلاعات نیز این اصل استوار است که اطلاعات انتقال می یابد و از صورتی بصورت دیگر در می آید.
به همین دلیل میتوان این علم را علم اطلاعات و یا علم هوش نامگداری کرد. علمی که بر اساس اصل تبدیل اطلاعات به فرم مکانیکی و شیمیایی و بالعکس استوار است.
نه تنها سیستمهای مصنوعی بلکه انسانها نیز اطلاعات را دریافت میکنند، بکار میگیرند و انتقال می دهند. انسانها حتی با اینها کنترل میشوند. برای مثال با جایزه خوشحال، با خبر بد غمگین، از صدای بلند در تاریکی هراسناک میشوند یعنی با دریافت یکسری اطلاعات از خود احساس نشان میدهند. این مورد نیز در در حال بررسی و مطالعه است. بنابراین AI برخلاف ظاهر اسمش، درباره سیستمهای طبیعی و مصنوعی تجزیه و تحلیل اطلاعات و نه فقط چگونگی دریافت اطلاعات بلکه چه میکنند و چگ.نه احساس میکنند، میباشد.
AIزمینه های پژوهشی دیگری را نیز شامل میشود
اگر ما AI را بدین صورت تعبیر کنیم که علمی است که به چگونگی دریافت، پردازش، نگهداری و استفاده اطلاعات در هوش انسان و حیوان و ماشین باشد، بطور حتم با زمینه های پژوهشی قدیمیتری مانند روانشناسی، اعصاب و روان، فلسفه و منطق نیز در ارتباط هستیم.
پیشرفت کامپیوترها راههای جدیدی برای حل مشکلات AIدر برابر ما گشوده است. در گذشته روانشناسان و دانشمندان مغز و اعصاب نمیتوانستند سیستمهای پردازش اطلاعات حیوانات و آدمی را آزمایش کنند و فلاسفه فقط میتوانستند تئوریهایی در زمینه چگونگی کارکرد مغز و زبان بدهند. حال آنکه امروزه میتوان فراتر از آنها رفت و سیستمهایی طراحی نمود که تئوریها را مورد آزمایش قرار دهد و صحت و سقم آنها را یافت.
تجربه های بدست آمده طراحی ماشین با توانایی های خاص خیلی سخت تر از فرضیات اولیه دانشمندان است. خیلی کارها که در ابتدا ساده بنظر می رسند، موارد دقیق و عمیقی در خود دارند. برای مثال "دیدن" فقط تشخیص اشیا نیست، بیکه شامل ایجاد احساس و درک محیط و درک امن و یا نا امن بودن آن میباشد.
همچنین توانایی فهم زبانی مانند انگلیسی، فرانسه و یا فارسی خیلی پیچیده تر از آن است که محققان فکر کردند. استفاده از زبانهای برنامه نویسی مثل C و C++ و Java نیز خیلی دست و پا گیر است.
ما امروزه میدانیم که حتی افراد کودن هم به مراتب از ماشینهایی که امروزه طراحی شده اند پیشرفته تر و آگاه تر هستند. به هیچ رباتی نمیشود اطمینان داشت که برود و ظروف را از روی میز جمع کند، بشورد و در جاظرفی بچیند و همه این کارها را بدرستی انجام دهد. درحالی که همان افراد کودن هم این کارها را براحتی انجام میدهند.
امروزه این به اثبات رسیده که ماشینها قادر به انجام کارهایی هستند که در ابتدا برای محققان انجام آن توسط ماشینها سخت مینمود مانند
حساب کردن و شطرنج بازی کردن.
ما امروزه فهمیده ایم که خیلی از کارهای پیچیده انسان و حیوان مانند بالا رفتن از درخت و ساختن آشیانه، هوش بسیار بالا و دانش پیچیده ای نیاز دارد که تئوریهای ما هنوز آنها را پوشش نمی دهند. همچنین درک غرایز حیوانی نیز حتی در میان فلاسفه بسیار مشکل است.
بسیاری از محققین سعی میکنند که موارد فوق را بدرستی درک کنند و برای آنها مکانیسمهایی طراحی کنند. طراحی شبکه های عصبی و مترجمهای چند زبانه راهایی هستند که محققین برای رسیدن به این اهداف بزرگ پی گرفته اند. همچنین محققین در تلاشند روشهایی برای ساختن سیستمهای با مکانیزمی که بتواند انگیزه و احساس را دریافت و درک کند، میباشند.
بنابراین AI علاوه بر مطالعه بر روی درک و دریافت، تعلیم؛ یادگیری، احساسات، ارتباطات و غیره، زمینه های دیگر بخصوص فلسفه، منطق، روانشناسی و همچنین مهندسی نرم افزار و علم کامپیوتر را نیز مورد مطالعه قرار میدهد.[11]

در مورد هوش مصنوعی برخی از شرکت ها پیشرو هستند که به آن ها اشاره می کنیم:
انویدیا: این شرکت، پردازنده ی گرافیکی تولید می کند که ستون فقرات سرعت بخشیدن به فرآیندهای AI است و همچنین در حال توسعه نرم افزار استاندارد صنعتی CUDA است که برنامه نویسان را قادر می سازد از سخت افزار این شرکت استفاده کنند. فرهنگ سازمانی نوآورانه سال ها است که عامل پیشرفت شرکت بوده است.
گوگل: گوگل در تحقیقات AI همواره از پیشتازان بوده است. سیستم آلفا گو به دلیل پیروزی در بازی پیچیده چینی گو، برای مدت ها تیتر اخبار بود؛ اما این کمپانی همچنین روی اتومبیل های بدون راننده، دستیار های هوشمند و موارد بسیار دیگری کار می کند. این کمپانی به تازگی آنچه را که واحد پردازش تنسور (TPU) می نامد، توسعه داده است که موج بزرگی در بازارهای سخت افزاری AI ایجاد می کند.
اینتل: این شرکت عمدتا بر تولید پردازنده متمرکز است که برای آموزش سیستم های AI مناسب نیست؛ اما پس از آموزش، از این پردازنده ها برای اجرای سیستم های AI استفاده می شود؛ همچنین پردازنده های این شرکت، هسته اغلب سرورها و رایانه هایی که نرم افزار AI را اجرا می کنند، تشکیل می دهد.
آرم: طبق گزارش SunTrust، این سازنده تراشه که در سال ۲۰۱۶ توسط سافت بانک خریداری شد، به دنبال آوردن هدایت AI به سمت مصرف کننده است. این شرکت با تولید تراشه های کم مصرف، در تلاش است تا AI را از ابرهای بالقوه ناامن بیرون آورد و به طور مستقیم با کاربران ارتباط دهد.
کوالکام: مانند آرم، کوالکام در حال کار روی نسخه های کوچک سیستم های AI است. این شرکت به دنبال ساخت تراشه برای دیگر دستگاه های متصل به اینترنت اشیاء هستند.[12]

فلسفه هوش مصنوعی
بطور کلی ماهیت وجودی هوش به مفهوم جمع آوری اطلاعات, استقرا و تحلیل تجربیات به منظور رسیدن به دانش و یا ارایه تصمیم میباشد . در واقع هوش به مفهوم به کارگیری تجربه به منظور حل مسایل دریافت شده تلقی میشود. هوش مصنویی علم و مهندسی ایجاد ماشینهایی با هوش با به کارگیری از کامپیوتر و الگوگیری از درک هوش انسانی و نهایتا دستیابی به مکانیزم هوش مصنوعی در سطح هوش انسانی میباشد.
در مقایسه هوش مصنوعی با هوش انسانی می توان گفت که انسان قادر به مشاهده و تجزیه و تحلیل مسایل در جهت قضاوت و اخذ تصمیم میباشد در حالی که هوش مصنوعی مبتنی بر قوانین و رویه هایی از قبل تعبیه شده بر روی کامپیوتر میباشد. در نتیجه علی رغم وجود کامپیوترهای بسیار کارا و قوی در عصر حاضر ما هنوز قادر به پیاده کردن هوشی نزدیک به هوش انسان در ایجاد هوشهای مصنوعی نبوده ایم.
بطور کلّی، هوش مصنوعی را می توان از زوایای متفاوتی مورد بررسی و مطالعه قرار داد. مابین هوش مصنوعی به عنوان یک هدف، هوش مصنوعی به عنوان یک رشته تحصیلی دانشگاهی، و یا هوش مصنوعی به عنوان مجموعه فنون و راه کارهایی که توسط مراکز علمی مختلف و صنایع گوناگون تنظیم و توسعه یافته است باید تفاوت قائل بود. [13]

آینده هوش مصنوعی
هوش مصنوعی علمی است بسیار جوان و روبه رشد. شروع هوش مصنوعی به سال ۱۹۵۰ بازمی گردد یعنی زمانی که آلن تورینگ مقاله خود را درباره ساخت ماشین هوشمند به رشته تحریر درآورد.
رویای طراحان اولیه رایانه از بابیج تا تورینگ، ساخت ماشینی بود که توانایی حل همه مسائل را داشته باشد. ماشینی که در نهایت ساخته شد و به نام رایانه در دسترس همگان قرار گرفت تنها توانایی حل دسته ای از مسائل خاص و محدود را داشت، اما نکته اینجاست که همه مسائل از نظر طراحان اولیه رایانه چه می توانست باشد؟
به طبع چون طراحان اولیه رایانه همگی منطق دان و ریاضیدان بودند، منظورشان همه مسائل منطقی و محاسباتی بود از این رو عجیب به نظر نمی رسد که فون نیومان سازنده نخستین رایانه، در حال ساخت این ماشین اعتقاد داشت که برای داشتن ماشینی هوشمند شبیه به انسان راه حل نهایی استفاده از منطق نیست بلکه کلید نهایی حل این مشکل رازی نهفته در دانش ترمودینامیک است.[14]

هوش مصنوعی و هوش انسانی
در شبکه ارتباطی مغز انسان سیگنال های ارتباطی به صورت پالس های الکتریکی وجود دارد. جزء اصلی مغز نرون است که از ساختمانی سلولی و مجموعه ای از شیارها و خطوط به وجود می آید که این شیارها محل ورود اطلاعات به نرون هاست و خطوط نیز محل خروج اطلاعات از نرون است.
محل اتصال نرون ها به یکدیگر را سیناپس می گویند که مانند دروازه ای برای ورود و خروج اطلاعات (Data) عمل می کند، اگر واکنش های نرون ها به پالس های متفاوت هماهنگی کامل داشته باشند اتفاق های مهمی در مغز انسان رخ داده است.
گروهی از دانشمندان هوش مصنوعی که رویکرد مدل مغزی را دنبال می کنند، شکلی از مدارهای الکترونیکی را طراحی کرده اند که تاحدودی شبیه شبکه مغز انسان است ، در این ساختار هر گروه به تنهایی خود یک پردازنده (CPU) است ولی رایانه های معمولی تنها توانایی داشتن بیش از چند CPU را به صورت هم زمان ندارند. هدف از راه اندازی این شبکه عصبی رایانه ای طراحی مکانیسمی است که مانند مغز انسان توانایی یادگیری داشته باشد. سامانه شبکه عصبی این کار را از راه ارزش گذاری کمی برای ارتباطات سیگنال ها بین نرون ها انجام می دهد که این مکانیسم ارزش گذاری به وسیله مقاومت ها با تقویت یا تضعیف پالس ها انجام می شود.
باتوجه به تعداد زیاد نرون ها در شبکه عصبی خرابی تعدادی از آنها تاثیر چندانی بر عملکرد سامانه ندارد تاکنون چند سیستم آزمایشی با استفاده از این اصول طراحی و ساخته شده اند. [15]
ویژگی های هوش مصنوعی
ماشین هایی که به عنوان ماشین های هوشمند شناخته می شوند توانایی فکر کردن بدون نیاز به انسان را دارد و این به دلیل وجودخصلت هوش مصنوعی Artificial Intelligence دراین گونه ازماشین هاست.
ماشین ها تنها در صورتی یک ماشین باهوش شناخته می شوند که دارای قابلیت های خاصی باشد که یکی از این ویژگی ها شناخت از وجود خود است که تاکنون ماشینی که این توانایی را به طور کامل داشته باشد به وجود نیامده است، ویژگی بعدی ماشین های هوشمند توانایی شناخت محیط پیرامون خود است که این امکان در برخی از ماشین های هوشمند امروزی که با نام "ربات های امدادگر" شناخته می شوند وجود دارد، ویژگی بعدی در ماشین هایی که دارای هوش مصنوعی هستند توانایی نشان دادن عکس العمل در مقابل کنش های حاصل از محیط است که این امکان نیز در ربات های هوشمند امروزی و در دسته خاصی از آن ها باعنوان "ربات های کاوشگر" فراهم آمده است.[16]
● هوش مصنوعی برای حل مساله برنامه خاصی را دنبال می کند. توجه به ویژگی های هوش مصنوعی در مقام استفاده از این نوع برنامه ها سودمند است. 5 ویژگی از میان آنها اهمیت خاصی دارند:

بازنمایی نمادین : ویژگی اول این است که هوش مصنوعی از نمادهای عددی در حل مسائل استفاده می کند. هوش مصنوعی بر پایه دستگاه دوگانی؛ صفر و یک مسائل را حل می کند. از این رو برخی مخالفان گفته اند مهمترین نقص هوش مصنوعی آن است که غیر از عدد صفر و یک را نمی فهمد. به تعبیر دیگر، رایانه فقط بله یا نه را می فهمد و نمی تواند حالات واسطه بین آن دو را بفهمد. در مقابل طرفداران هوش مصنوعی گفته اند هوش طبیعی (هوش انسان) هم بر پایه دستگاه دوگانی پدیده ها و امور مختلف را می فهمد؛ اگر سلول های عصبی انسان را بررسی کنیم، درمی یابیم فهم بشری بر حالت دوگانی استوار شده است و دستگاه عصبی مفاهیم و تصورات را به صورت حالات دوگانی تبدیل می کند. البته نشان دادن نحوه این تبدیل در مفاهیم و ادراکات پیچیده دشوار است. اما بررسی برنامه های هوش مصنوعی فهم این امر دشوار را آسان کرده است.
روش اکتشافی: ویژگی دوم هوش مصنوعی به نوع مسائلی که حل می کند، مربوط می شود. این مسائل معمولا راه حل الگوریتمی ندارند. مراد از الگوریتم سلسله ای از مراحل منطقی است که به حل مساله می انجامد. هوش این مراحل را گام به گام طی می کند تا به حل مساله دست می یابد. به عبارت دیگر، در الگوریتم پیمودن این مراحل به طور طبیعی رسیدن به نتیجه را تضمین می کند. مسائلی که هوش مصنوعی حل می کند، معمولا راه حل الگوریتمی ندارند؛ به این معنا که معمولا نمی توانیم برای حل این مسائل الگوریتمی یا به عبارت دیگر، سلسله ای از مراحل منطقی را بیابیم که پیمودن آنها رسیدن به نتیجه را تضمین کند.
از این رو، هوش مصنوعی در حل مسائل به روش اکتشافی؛ یعنی به روشی که پیمودن آن رسیدن به نتیجه را تضمین نمی کند، روی می آورد. هوش مصنوعی بر پایه دستگاه دوگانی مسائل را حل می کند مخالفان می گویند مهمترین نقص هوش مصنوعی آن است که غیر از عددصفرویک را نمی فهمد. در روش اکتشافی راههای متعددی برای حل مساله وجود دارد که اختیار یکی از آنها باز مجالی برای اختیار دیگر راهها باقی می گذارد و پیمودن یکی از آنها مانع از روی آوردن به بقیه نمی شود.
درنتیجه، برنامه هایی که راه حل تضمینی دارند جزو برنامه های رایانه ای به شمار نمی آیند.
مثلا برنامه های حل معادلات درجه دوم جزو برنامه های رایانه ای به شمار نمی آید؛زیرا برای حل آن الگوریتم خاصی وجود دارد .

برنامه های بازی شطرنج زمینه پر خیر و برکتی برای هوش مصنوعی بوده است؛ زیرا روش شناخته شده ای برای تعیین بهترین حرکت در مرحله خاصی از این بازی وجود ندارد. زیرا اولا تعداد احتمالات موجود در هر حالتی تا حدی زیاد است که نمی توان جستجوی کاملی را انجام داد. ثانیا آگاهی ما از منطق حرکتهایی که بازیکنان انجام می دهند، بسیار اندک است. این ناآگاهی تا حدی به ناخودآگاهانه بودن این حرکت ها برمی گردد و البته در برخی موارد هم بازیکنان از روی عمد منطق خود را آشکار نمی کنند.
هربرت دریفوس یکی از مخالفان هوش مصنوعی با توجه به نکته فوق ادعا کرده است که هیچ برنامه ای برای رسیدن به سطح یک بازیگر خوب شطرنج وجود ندارد. اما ظهور برنامه های پیشرفته شطرنج از سال 1985 به بعد خطای ادعای دریفوس را روشن ساخت.

بازنمایی معرفت: برنامه های هوش مصنوعی با برنامه های آماری در بازنمایی معرفت تفاوت دارند؛ به این معنا که برنامه های نخست از تطابق عملیات استدلالی نمادین رایانه با عالم خارج حکایت می کنند. می توانیم این نکته را با مثال ساده ای توضیح دهیم.
بازنمایی معرفت عنوانی برای مجموعه ای از مسائل راجع به معرفت است از قبیل:
معرفت مورد نظر در هوش مصنوعی چیست ، چه انواعی و چه ساختاری دارد؟
چگونه باید معرفت را در رایانه بازنمایی کرد؟
بازنمایی چه نوع معرفتی را آشکار می سازد؟ و چه چیزی مورد تاکید قرار می گیرد؟
معرفت را بایدچگونه به دست آوردوچگونه باید تغییر داد؟
اطلاعات ناقص: هوش مصنوعی می تواند در حالتی که همه اطلاعات مورد نیاز در دسترس نیستند، به حل مساله دست بیابد. این حالت در بسیاری از موارد پزشکی رخ می دهد اطلاعاتی که پزشک برای تشخیص بیماری در دست دارد، تشخیص بیماری را ممکن نمی کند و او هم فرصت زیادی برای درمان ندارد. از این رو باید سریعا تصمیمی بگیرد.
نبود اطلاعات لازم موجب می شود نتیجه به دست آمده غیریقینی باشد و یا احتمال خطا در آن باشد. معمولا ما در زندگی عملی با فقدان اطلاعات لازم تصمیماتی را می گیریم و همواره احتمال خطا در این تصمیمات وجود دارد .

اطلاعات متناقض: هوش مصنوعی می تواند درصورتی که با اطلاعات متناقض روبه رو شود حل مناسبی برای مساله پیدا کند. هوش مصنوعی در چنین موردی بهترین راه را برای حل مساله و رفع تناقض انتخاب کند. [17]

۱۴ ویژگی که هوش مصنوعی را ترسناک و دوست داشتنی می کند :
گسترش هوش مصنوعی در کسب وکارها گام بعدی برای پیشبرد عملیات و افزایش عملکرد شرکت ها محسوب می شود، اما به چه قیمتی؟ 14 عضو شورای فناوری نشریه فوربس به بررسی معایت و مزایای هوش مصنوعی پرداخته اند.

الهام میرمحمدی: هوش مصنوعی در حال حاضر در بسیاری از کسب وکارها کاربرد دارد و به طور کلی در جهان گسترش یافته است.
به گزارش تجارت نیوز، سوالی که مطرح می شود این است که تا چه حد هوش مصنوعی برای دنیا سودمند است؟ به طور قطع هوش مصنوعی راه حل خوبی برای انجام کارهای وقت گیر و دشوار محسوب می شود؛ اما به چه قیمتی؟
آمار و ارقام و پیش بینی ها حاکی از آن است که بودجه کشورها برای هوش مصنوعی تا سال ۲۰۲۰ به ۴۶ میلیارد دلار خواهد رسید. و در حال حاضر، هیچ گونه گزارشی که نشان از توقف این روند یا کند شدن آن داشته باشد، وجود ندارد.
قطعا گسترش هوش مصنوعی در کسب وکارها گام بعدی برای پیشبرد عملیات و افزایش عملکرد شرکت ها است.
اخیرا ۱۴ عضو شورای فناوری فوربس با تمرکز بر نگرانی های مربوط به توسعه هوش مصنوعی، تحقیقاتی را انجام داده اند. در این مطلب معایب و مزایای هوش مصنوعی را بررسی کرده ایم.
۱- کارایی و عملکرد افراد را بالا می برد
نگرانی در مورد تکنولوژی های مخرب همیشه وجود داشته و دارد. شاید تازه ترین مثال آن خودروها باشد. سال ها طول کشید تا قوانین و مقررات مربوط به این صنعت توسعه یافت و خودروها به ایمنی لازم رسیدند.
امروز هوش مصنوعی باعث افزایش کارایی و عملکرد ما می شود و همچنین با ایجاد فرصت های جدید، افزایش درآمد، صرفه جویی و ایجاد شغل را به دنبال دارد.
۲- به ما آزادی عمل می دهد تا مشاغلی که دوست داریم را انجام دهیم
انجام وظایف و کارهای خسته کننده عملکرد افراد را بالاتر نمی برد. ماشین ها و ربات ها خیلی راحت تر این کارها را انجام می دهند و شاید این نقطه قوت هوش مصنوعی به حساب بیاید.
این امر موجب می شود که جنبه های خلاقانه بیشتری را در نظر داشته باشیم و کارآفرینی افزایش یابد.
۳- به ایجاد شغل و افزایش رشد اقتصادی منجر می شود
شاید هر روز به تیترهایی نظیر "ربات ها بسیاری از افراد را بیکار می کنند" بر می خوریم. این امر بیش از اینکه واقعیت باشد، یک داستان است. هوش مصنوعی تحول تدریجی در بازار کار و همچنین در مشاغل را به دنبال دارد.
اما با آماده سازی درست و به موقع، این اتفاق می تواند مثبت باشد. کارمندان تمامی کارهای خود را انجام می دهند. اما این بار با کمک هوش مصنوعی.
قطعا ترکیب بی نظیری از انسان و ربات در آینده ای نه چندان دور امری عادی خواهد شد.
۴- ممکن است کنترل انسان ها را در دست بگیرد
اگر ربات ها باهوش تر از انسان ها باشند، ممکن است همه چیز از کنترل خارج شود.
اگرچه هنوز چنین اتفاقی، دیده نشده، اما چندان هم دور از ذهن به نظر نمی رسد.
۵- زندگی ما را بهبود می بخشد
ظهور هوش مصنوعی در جوامع موجب می شود، از یک سو سبک زندگی افراد بهتر شود و از سوی دیگر، کارایی و عملکرد بالاتر برود. برخی از کارها نظیر پاسخ دادن به ایمیل ها و ورود اطلاعات به راحتی توسط دستیارهای هوشمند انجام می شود.
خانه های هوشمند نیز مصرفِ انرژی را کاهش می دهند و امنیت بیشتری برای ساکنان فراهم می آورند.
بازاریابی به شکلی هدفمندتر انجام می شود. سلامت افراد به دلیل تشخیص درست و به موقع بیماری ها و مراقبت های بهداشتی بهتر تامین می شود.

۶- نظارت بر امور پزشکی از راه دور انجام می شود
هوش مصنوعی می تواند برای اهداف خوب و بد مورد استفاده قرار بگیرد. بنابراین سیاست گذاران باید مراقبت های لازم را انجام دهند.
اگرچه ثروتمندان یک جامعه نخستین افرادی هستند که از تکنولوژی های جدید استفاده می کنند، اما هوش مصنوعی به سادگی می تواند گسترش یابد و برای تمامی افراد کاربردی باشد.
به عنوان مثال، تشخیص و درمان بیماری ها که از طریق هوش مصنوعی و از راه دور صورت می گیرد، به زودی برای عموم مردم قابل استفاده خواهد بود.
۷- پیامدهای ناخواسته و غیرقابل پیش بینی به دنبال دارد
شاید هر روز مطالبی را که در آن به ربات های قاتل اشاره می شود، در خبرها بخوانیم.
پیامدهای ناخواسته و غیرقابل پیش بینی هوش مصنوعی، امروز بیش از هر زمان دیگری مورد توجه قرار گرفته است.
در حال حاضر نیز با برخی از معایب تکنولوژی مواجه هستیم.
به عنوان مثال، ثابت شده که الگوریتم شبکه اجتماعی فیسبوک بر نتیجه انتخابات ریاست جمهوری آمریکا تاثیرگذار بوده است.
سوال این است که چطور می توانیم اتفاقاتی از این دست را پیش بینی و برای آنها راه حل پیدا کنیم؟
۸- اتوماسیون (خودکارسازی) افزایش می یابد
قطعا گسترش یادگیری ماشینی و دیگر فناوری های هوش مصنوعی تاثیرات مثبت اقتصادی به همراه خواهد داشت.
هوش مصنوعی قادر است کارهایی را در ادارات و کارخانه ها انجام دهد که زمانی نیاز به نیروی انسانی داشت.
مزیت عمده هوش مصنوعی برای کسب وکارها کاهش هزینه های عملیاتی است. اما به نظر می رسد، باید منتظر ماند و دید که آیا تاثیر این امر برای جوامع مثبت خواهد بود یا منفی.
۹- کیفیت زندگی را بهتر می کند
توانایی تکنولوژی برای حل مشکلات، به سوالات بیشتری پاسخ می دهد و نوآوری قطعا می تواند در جهت مثبت استفاده شود.
تاریخ نشان می دهد، با پیشرفت تکنولوژی، همواره کیفیت زندگی انسان بهتر شده است. این موضوع شرایطی را فراهم می آورد تا بر کیفیت بهترِ زندگی و عملکرد بالاتر تمرکز کنیم.
۱۰- مشکلات پیچیده اجتماعی را حل می کند
دلیل ترس از هوش مصنوعی ریشه در سوءتفاهم ها در مورد چگونگی استفاده از آن دارد.
اگرچه دانشمندان هوش مصنوعی وعده داده اند تا از این طریق به حل مشکلات پیچیده اجتماعی بپردازند، اما همچنان مسائل اخلاقی، جهت گیری ها و سوگیری‎ها وجود دارند که باید مورد بررسی قرار بگیرند.
در حال حاضر، تنها درک کرده ایم که چطور با کمک هوش مصنوعی به حل مشکلات معنادار انسان بپردازیم.
با بالغ شدن کارکردها و چگونگی استفاده از هوش مصنوعی، قطعا آن را به عنوان یک مزیت خواهیم یافت که قادر است سایر مشکلات پیچیده ما را هم حل کند.
۱۱- مدیریت تقاضای جانبی را بهبود می بخشد
هوش مصنوعی برای جامعه سودمند است؛ چرا که ماشین ها در طول زمان می توانند دقیق تر شوند و بهره وری را افزایش دهند.
علاوه بر این، کامپیوترها به اندازه انسان ها در معرض خطا و اشتباه نیستند.
از دیدگاه انرژی نیز، از هوش مصنوعی می توان برای تحلیل و تحقیق داده های تاریخی استفاده کرد. تا توزیع بارهای انرژی به نحو بهتری صورت پذیرند.
۱۲- برای صنایع سودمند است
در آینده ای نه چندان دور، از مزایای سود مصنوعی نظیر احراز شخصیت، تشخیص چهره، تجزیه و تحلیل محتوای دیجیتال و شناسایی الگوها بهره خواهیم برد.
فرقی نمی کند که از هوش مصنوعی در علوم بهداشتی، تحقیقات علمی یا در حوزه تکنولوژی استفاده می کنیم.
اگر ما کیفیت داده های ورودی را درک نکنیم و قوانینی برای استفاده از آنها تنظیم نکنیم، خطراتِ ناشی از هوش مصنوعی قطعا رخ خواهد داد.

۱۳- مسئولیت پذیری افراد را کاهش می دهد
اگرچه از یادگیری ماشینی برای پیش بینی مشکلات و حل آنها استفاده می شود، اما ممکن است سیاست گذاری ها و قوانین اشتباه موجب شود، حضور انسان ها دیگر غیرضروری باشد.
زمانی که توانایی هوش مصنوعی از توانایی ما بیشتر باشد و به هوشِ برتر تبدیل شود، باید حواسمان باشد که کورکورانه به توصیه ها و دستورات آنها توجه نکنیم و مسئولیت های مربوط به خود را بپذیریم.
۱۴- موجب افزایش خلاقیت می شود
شاید استفاده از هوش مصنوعی، بزرگ ترین فرصت برای افزایش خلاقیت و ابتکار محسوب شود.اما دو نگرانی در این زمینه وجود دارد. اول اینکه، عده زیادی شغل خود را از دست می دهند. دیگری اینکه هوش مصنوعی می تواند کنترل انسان ها را به دست بگیرد.
هر دو نگرانی قابل بحث است و شاید راه حل هم داشته باشد. [18]

انواع مختلف هوش مصنوعی
هوش مصنوعی نمادین
هوش مصنوعی نمادین25 با نمادهایی انتزاعی کار می کند که برای نشان دادن دانش استفاده می شوند. هوش مصنوعی نمادین، هوش مصنوعی کلاسیکی است که بر اساس این ایده کار می کند که تفکر انسان را می توان در سطحی سلسله مراتبی و منطقی بازسازی کرد. در این روش اطلاعات از بالا با کار کردن روی نمادهای معنی دار برای انسان، ارتباطات انتزاعی و نتیجه گیری های منطقی پردازش می شوند.
هوش مصنوعی عصبی
هوش مصنوعی عصبی26 در اواخر دهه ی ۸۰ میلادی در علوم کامپیوتر محبوبیت پیدا کرد. در این گونه، دانش با استفاده از نمادها نمایش داده نمی شود، بلکه به جای آن، نورون های مصنوعی و ارتباط میان آن ها نماینده ی دانش هستند. این هوش مصنوعی چیزی شبیه به یک مغز بازسازی شده است. در این روش دانش کسب شده به قطعاتی کوچک تر (نورون ها) خرد و سپس از آن گروه هایی متصل به هم تشکیل می شود. این نوع هوش مصنوعی رویکردی پایین به بالا دارد. بر خلاف هوش مصنوعی نمادین، یک سیستم هوش مصنوعی عصبی باید ابتدا آموزش داده شود و در معرض محرک هایی قرار بگیرد تا شبکه های عصبی در آن تجربه کسب کنند، بزرگ شوند و اندوخته ی دانش بیشتری داشته باشند.
شبکه های عصبی
شبکه های عصبی27 در لایه هایی سازماندهی می شوند که با خطوطی شبیه سازی شده به یکدیگر متصل هستند. بالاترین لایه، لایه ی دریافت است. این لایه مانند حسگری عمل می کند که اطلاعات را برای پردازش دریافت می کند و آن ها را به لایه های پایین تر می فرستد. این فرآیند پس از دریافت اطلاعات با حداقل دو لایه ی دیگر (در سیستم های بزرگ تا بیش از بیست لایه) ادامه پیدا می کند که به صورت سلسه مراتبی روی هم قرار دارند و اطلاعات را با استفاده از پیوندها دسته بندی و ارسال می کنند. در پایین ترین بخش سلسله مراتب لایه ی خروجی قرار دارد که به طور معمول تعداد نورون های مصنوعی آن از تمام لایه های دیگر کمتر است. این لایه داده های محاسبه شده را به فرمتی تبدیل می کند که برای ماشین قابل خواندن باشد. [3]
یادگیری ماشین
یادگیری ماشین28 شاخه ای از هوش مصنوعی است که به مطالعه و ساخت سیستم هایی با قابلیت یادگیری از داده ها می پردازد. به طور مثال، به کمک سیستم یادگیری ماشین می توان یک سیستم مدیریت ایمیل را آموزش داد تا پیام های هرزنامه را از دیگر پیام ها تشخیص دهد. این سیستم پس از یادگیری می تواند به دسته بندی ایمیل های جدید به هرزنامه و غیر آن بپردازد . مساله اصلی در یادگیری ماشین، عرضه و کلی سازی است. عرضه نمونه های داده ای و توابعی که بر اساس این نمونه ها ارزیابی می شوند، همگی بخشی از سیستم های یادگیری ماشین هستند. کلی سازی به معنی این قابلیت است که سیستم روی نمونه های داده ای نادیده نیز به خوبی عمل خواهد کرد. شرایطی که تحت آنها بتوان این مساله را تضمین کرد، از موضوعات اصلی مطالعه در زیرمجموعه نظریه یادگیری محاسباتی است.
انواع گسترده ای از فعالیت ها و کاربردهای موفق یادگیری ماشین وجود دارد. تشخیص اپتیکال کاراکتر که در آن کاراکترهای چاپی به صورت خودکار و بر اساس نمونه های قبلی شناخته می شوند، مثالی سنتی از یادگیری دستگاه است

بینایی ماشین
بینایی ماشین29 فناوری و روش های مورد استفاده برای بهبود شناسایی و تحلیل خودکار مبتنی بر تصویر در کاربردهایی مانند بازرسی خودکار، کنترل روند و هدایت روبات در صنعت است. حوزه بینایی ماشین بسیار گسترده است. کاربرد اصلی بینایی ماشین در بازرسی خودکار و هدایت روبات های صنعتی است، همچنین برخی کاربردهای رایج بینایی ماشین در تضمین کیفیت، دسته بندی، کار با مواد، هدایت روبات ها و اندازه گیری نوری است. روش های بینایی ماشین به دو صورت تعریف می شوند، تعریف و ایجاد یک برنامه بینایی ماشین و نیز روندی فنی که در جریان اجرای این برنامه اتفاق می افتد. در اینجا به مورد دوم می پردازیم. این مساله شامل رابط های کاربری، رابط های ادغام سیستم های چندبخشی و تبادل داده اتوماتیک می شود. به هر حال، اولین قدم در جریان اجرای بینایی ماشین، گرفتن یک تصویر است که معمولا با استفاده از دوربین، لنز و نورپردازی انجام می شود و باید وضوح مورد نیاز در پردازش های بعدی در طراحی آن لحاظ شده باشد. سپس بسته نرم افزاری بینایی ماشین از تکنیک های مختلف پردازش تصویر دیجیتال استفاده کرده و اطلاعات مورد نیاز را استخراج و معمولا بر اساس اطلاعات استخراج شده تصمیم گیری (معمولا تایید/رد) می کند.
استراتژی‏های تکاملی الگوریتم ژنتیک 30
در این زمینه بیشتر به هوشمندی‏هایی غیر از هوشمندی انسان پرداخته می‏شود. در حقیقت این گرایش سعی دارد مسائل بهینه‏سازی را با کمک روش‏هایی که در طبیعت انتخاب شده است، حل نماید. به طور مثال، زمینه‏هایی چون سیستم ایمنی بدن انسان که در آن بیشمار الگوی ویروس‏های مهاجم به صورتی هوشمندانه ذخیره می‏شوند و یا روش یافتن کوتاه‏ترین راه به منابع غذا، توسط مورچگان، همگی بیان‏گر گوشه‏هایی از هوشمندی بیولوژیک هستند.

تشخیص گفتار 31
این گونه سیستم‏ها معمولاً به عنوان ابزارهای بیومتریک و تشخیص هویت با کمک صدا در مکان‏هایی چون بانک‏ها، فرودگاه‏ها، آزمایشگاه‏های تحقیقاتی و… برای ایجاد امنیت و کنترل ورود و خروج افراد مورد استفاده قرار می‏گیرند.

پردازش زبان طبیعی
پردازش زبان طبیعی 32 یکی از حوزه های علوم کامپیوتر، هوش مصنوعی و زبانشناسی است که به تعامل کامپیوتر و زیان انسان (طبیعی) می پردازد. از این منظر پردازش زبان طبیعی به حوزه تعامل انسان-کامپیوتر مربوط می شود. بسیاری از چالش های پردازش زبان طبیعی به درک زبان طبیعی مربوط می شود – یعنی ایجاد توانایی در کامپیوتر برای استخراج مفهوم ورودی زیان انسانی یا طبیعی . با وجود فعالیت های قدیمی تر، تاریخچه پردازش زبان طبیعی عموما در دهه ۱۹۵۰ آغاز شد. در سال ۱۹۵۰ آلن تورینگ مقاله ای را با عنوان "هوش و دستگاه محاسباتی" منتشر و در آن، آنچه را امروز به تست تورینگ موسوم است، به عنوان ابزاری برای هوش معرفی کرده بود.
روباتیک
روباتیک شاخه ای از فناوری است که به طراحی، ساخت، عملیات و کاربرد روبات ها و سیستم های کامپیوتری برای کنترل، فیدبک حسگرها و پردازش اطلاعات می پردازد. این فناوری ها با دستگاه های خودکاری سر و کار دارند که می توانند جانشین انسان در محیط ها یا روندهای تولیدی خطرناک شوند یا ظاهر، رفتار و درک انسانی را شبیه سازی کنند. بسیاری از روبات های امروزی از طبیعت الهام گرفته اند که به شاخه روباتیک ملهم از بیولوژی مربوط می شوند. مفهوم ایجاد ماشین هایی که بتوانند خودکار کار کنند، به زمان های دور برمی گردد اما تحقیق روی عملیاتی کردن و کاربردهای احتمالی روبات ها از قرن بیستم آغاز شد. در طول تاریخ، روبات ها به تقلید رفتار انسانی شناخته شده و توانسته اند کارهای مشابهی نیز انجام دهند. امروزه و با پیشرفت فناوری، رشته روباتیک با سرعت زیادی در حال پیشرفت است. تحقیق، طراحی و ساخت روبات های جدید با اهداف کاربردی متفاوت عمومی، تجاری یا نظامی انجام شده است. بسیاری از روبات ها کارهایی را انجام می دهند که برای انسان خطرناک است؛ مانند خنثی سازی بمب و مین و بازرسی لاشه کشتی.
انجام مسابقات (Game Playing)
در این قسمت، کامپیوترها برای شرکت در مسابقاتی چون شطرنج برنامه‏ریزی می‏شوند. ماه مِی سال ۱۹۹۷م. زمانی که کامپیوتر Deep-Blue از IBM قهرمان شطرنج جهان را شکست داد، ۴۰ سال تلاش در زمینه هوش مصنوعی به نتایج موفقیت‏آمیزی دست یافت. چهارم جولای ۱۹۹۷م. ماموریت )رهیاب ( NASA با نشستن یک روبات بر روی سطح کره مریخ، با موفقیت انجام شد. در همین حال و در کنار این پیشرفت‏ها، روبوکاپ اولین قدم‏های خود را با برپایی مسابقات روبات‏های فوتبالیست برداشت. روبوکاپ در واقع جام جهانی روبات‏هاست.هدف سمبلیک این مسابقات این است که در سال ۲۰۵۰م. تیمی متشکل از روبات‏های انسان‏نمای هوشمند بتوانند قهرمان فوتبال جهان را در زمین فوتبال واقعی شکست دهند. تا کنون ۸ دوره از این مسابقات برگزار شده است و قرار است در سال آینده (۲۰۰۵م.) این مسابقات ۱۹-۱۳ جولای در ازاکای ژاپن برگزار گردد.
مسابقات جام جهانی روبات‏ها در شش لیگ زیر انجام می‏شود:
۱ – لیگ روبات‏های اندازه متوسط (Middle Size).
۲- لیگ شبیه‏سازی (Simulation).
۳- لیگ روبات‏های اندازه کوچک (Small Size).
۴- لیگ روبات‏های انسان‏نما (Humanoid).
۵- لیگ روبات‏های امدادگر (Rescue).
۶- لیگ سگ‏های سونی (Sony dog).
جالب است بدانید که دانشگاه آزاد اسلامی واحد قزوین، مقام قهرمانی تیم شبیه‏سازی مربی فوتبال آزمایشگاه تحقیقات مکاترونیک ( آمیخته‏ای از علوم مهندسی الکترونیک، برق، کامپیوتر و کنترل همراه با مهندسی مکانیک جهت طراحی و ساخت سیستم‏های پیچیده هوشمند و مدرن) روبوکاپ ۲۰۰۴م. را از آن خود نموده است. [7]

سیستم های خبره
در هوش مصنوعی، یک سیستم خبره 33 یک سیستم کامپیوتری است که توانایی تصمیم سازی یک انسان خبره را شبیه سازی می کند. سیستم های خبره برای حل مشکلات پیچیده از طریق استنتاج در دانش خبرگی همانند یک انسان خبره است نه پیروی از دستورالعمل های برنامه نویس، آن طور که در برنامه های معمولی است. اولین سیستم های خبره در دهه ۱۹۷۰ ایجاد شدند و در دهه ۱۹۸۰ توسعه یافتند. سیستم های خبره از اولین اشکال واقعا موفق نرم افزارهای هوش مصنوعی بودند. سیستم خبره یک ساختار خاص، متفاوت از برنامه های کامپیوتری متداول است و به دو بخش تقسیم می شود؛ یک بخش ثابت، مستقل از سیستم خبره: موتور استنتاج و یک بخش متغیر: پایگاه دانش. در اجرای سیستم خبره، موتور همانند یک انسان بر اساس پایگاه دانش، استدلال می کند. در دهه ۸۰ بخش سومی هم ظاهر شد: رابط مکالمه برای ارتباط با کاربران. این توانایی برای مکالمه با کاربران بعدها به مکالمه ای شهرت یافت.[19]

مزایای سیستم های خبره
مزایای سیستم های خبره رامی توان به صورت زیردسته بندی کرد:

1) افزایش قابلیت دسترسی : تجربیات بسیاری از طریق کامپیوتر دراختیار قرار می گیرد و به طورساده ترمی توان گفت یک سیستم خبره ،تولیدانبوه تجربیات،است.

2)کاهش هزینه :هزینه کسب تجربه برای کاربربه طورزیادی کاهش می یابد

3) کاهش خطر: سیستم خبره می تواند در محیطهایی که ممکن است برای انسان سخت و خطرناک باشد نیز بکار رود.
4) دائمی بودن : سیستم های خبره دائمی و پایدار هستند. بعبارتی مانندانسان ها نمی میرند و فنا ناپذیرند.
5) تجربیات چندگانه : یک سیستم خبره می تواند مجموع تجربیات وآگاهی های چندین فرد خبره باشد.
6) افزایش قابلیت اطمینان : سیستم های خبره هیچ وقت خسته وبیمار نمی شوند، اعتصاب نمی کنند و یا علیه مدیرشان توطئه نمی کنند، درصورتی که اغلب در افراد خبره چنین حالاتی پدید می آید.
7) قدرت تبیین (Explanation): یک سیستم خبره می تواند مسیر و مراحل استدلالی منتهی شده به نتیجه گیری را تشریح نماید. اما افراد خبره اغلب اوقات بدلایل مختلف (خستگی ، عدم تمایل و…) نمی توانند این عمل رادر زمانهای تصمیم گیری انجام دهند. این قابلیت ، اطمینان شما را در موردصحیح بودن تصمیم گیری افزایش می دهد.

8)پاسخ دهی سریع :سیستم های خبره ،سریع ودراسرع وقت جواب می دهند

9) پاسخ دهی در همه حالات : در مواقع اضطراری و مورد نیاز،ممکن است یک فرد خبره بخاطر فشار روحی و یا عوامل دیگر، صحیح تصمیم گیری نکند ولی سیستم خبره این معایب را ندارد.

10) پایگاه تجربه : سیستم خبره می تواند همانند یک پایگاه تجربه عمل کند وانبوهی از تجربیات را در دسترس قرار دهد.
11) آموزش کاربر: سیستم خبره می تواند همانند یک خودآموز هوش 34 عمل کند. بدین صورت که مثالهایی را به سیستم خبره می دهند و روش استدلال سیستم را از آن می خواهند.

12) سهولت انتقال دانش : یکی از مهمترین مزایای سیستم خبره ،سهولت انتقال آن به مکان های جغرافیایی گوناگون است . این امر برای توسعه کشورهایی که استطاعت خرید دانش متخصصان راندارند،مهم است [20].

الگوریتم ژنتیک
در شاخه هوش مصنوعی از رشته علوم کامپیوتر، یک الگوریتم ژنتیک35 یک جست وجوی مکاشفه ای است که روند انتخاب طبیعی را شبیه سازی می کند. این کاشف (که گاهی متامکاشفه نیز نامیده می شود)، به صورت معمول برای ایجاد راه حل های مفید در مسائل بهینه سازی و جست وجو استفاده می شود. الگوریتم های ژنتیکی به طبقه ای بزرگ تر از الگوریتم های تکاملی 36 تعلق دارند که با استفاده از تکنیک های الهام گرفته از تکامل طبیعی، مانند ارث بری، جهش، انتخاب و عبور، راه حل هایی را برای مسائل بهینه سازی تولید می کنند.
الگوریتم های ژنتیکی در بیوانفورماتیک، فیلوژنتیک، علوم محاسباتی، مهندسی، اقتصاد، شیمی، تولید، فیزیک، ریاضیات، داروشناسی و دیگر موارد کاربرد دارد.[21]

کاملا واکنشگر

ساده ترین نوع هوش مصنوعی است و برداشتی ساده و مستقیم از محیط و موقعیت دارد و بر اساس آن چه می بیند عمل می کند. این نوع هوش مصنوعی فاقد بینش نسبت به جهان اطراف است و هیچ نوع خاطره و حافظه ای ندارد و گذشته بر تصمیمات و عملکردش تاثیری نمی گذارد. این نوع هوش مصنوعی برای ساخت دستگاه های تخصصی در یک حوزه معین استفاده می شوند.

حافظه محدود

این نوع هوش مصنوعی یک پله بالاتر از نوع واکنشگراست و با دارا بودن حافظه، داده های گذشته را در تصمیم گیری فعلی خود دخیل می کند. حافظه و تجربه این نوع هوش مصنوعی است به اندازه ای است که بتواند تصمیمات صحیح تری بگیرد و اعمال مناسبی را اتخاذ کند.
نظریه ذهن:

هوش مصنوعی در این نوع می تواند احساسات و افکاری که بر رفتار انسان اثر می گذارند را درک کند. این هوش مصنوعی می تواند احساسات، انگیزه ها و انتظارات را درک کرده و از نظر اجتماعی فعال باشد.

هوش مصنوعی خودآگاه

هوش مصنوعی خودآگاه خود دارای تصویر و تجسم است. این نوع هوش در واقعا تکامل یافته "نظریه ذهن" است و غیر از داشتن حالات روحی نسبت به خود نیز آگاهی و اطلاع دارد. در این سطح از هوش مصنوعی ماشین می تواند رفتار، احساسات و عکس العمل دیگران را پیش بینی کند. شاید آخرین مرحله هوش مصنوعی همین مرحله باشد که می تواند جهان را دگرگون کند.
لازم به ذکر است نوع سوم و چهارم تا کنون تنها در سطح نظری بوده اند و پیاده سازی نشده اند.
دستگاه های پیاده سازی شده با نوع اول کامپیوتر Deep Blue شطرنج باز است که توانست قهرمان شطرنج جهان کاسپاروف را شکست دهد. برنامه AlphaGo شرکت گوگل نیز با این سطح از هوش پیاده سازی شده است.
دستگاه های پیاده سازی شده با نوع دوم ماشین های خودران و دستیارهای شخصی هستند.
از آن جا که نوع سوم و چهارم تا کنون مثال واقعی ای نداشته اند ولی در دنیای فیلم ها مثال هایی از آن ها موجود است. مثلا ربات Sonny در فیلم i robot و یا ربات های جنگ ستارگان از نوع سوم یا نظریه ذهن هستند.
ربات Eva در فیلم Ex Machina و ربات Synths در سریال Humans نیز از مثال های استفاده از هوش مصنوعی نوع چهارم و نوع خودآگاه هستند.[22]
شیوه ها و ابزارها
ابزارها و شیوه های مختلفی برای به کار بردن هوش مصنوعی در دنیای واقعی وجود دارد که برخی از آن ها را می توان در ترکیب با هم استفاده کرد.
اساس کار تمام این روش ها "یادگیری ماشینی"37 است. تعریف یادگیری ماشینی سیستمی است که تجربه را به دانش تبدیل می کند. این پروسه به سیستم این توانایی را می دهد که الگوها و قوانین را با سرعتی که همواره در حال افزایش است شناسایی کند. در انواع مختلف یادگیری ماشینی از هر دو نوع هوش مصنوعی نمادین و عصبی استفاده می شود.
یادگیری عمیق 38 زیرگونه ای از یادگیری ماشینی است که اهمیت آن رو به افزایش است. در این مورد تنها از هوش مصنوعی عصبی یا همان شبکه های عصبی استفاده می شود. اکثر کاربردهای امروزی هوش مصنوعی بر پایه ی یادگیری عمیق هستند. به لطف امکان گسترش دادن سریع طراحی شبکه های عصبی و تبدیل کردن آن ها به سیستم هایی پیچیده تر و قوی تر با لایه های جدید، مقیاس یادگیری عمیق را می توان به سادگی تغییر داد و آن را با کاربردهای بسیار زیادی منطبق کرد.

سه نوع پروسه ی یادگیری برای آموزش دادن شبکه های عصبی وجود دارد: تحت نظارت، بدون نظارت ویادگیری تقویتی. این سه پروسه روش های متفاوت زیادی را مهیا می کنند تا بتوان نحوه ی تبدیل ورودی به خروجی دلخواه را تنظیم کرد. در یادگیری تحت نظارت، ارزش ها و پارامترها از بیرون برای سیستم مشخص می شود، ولی در یادگیری بدون نظارت این خود سیستم است که تلاش می کند الگوهایی را در اطلاعات ورودی کشف کند که ساختاری قابل تشخیص دارند و می توان آن ها را بازتولید کرد. در یادگیری تقویتی هم ماشین به صورت مستقل کار می کند، ولی بر اساس موفقیت یا شکست، تشویق یا تنبیه می شود.[3]

هدف هوش مصنوعی
همه افرادی که نخستین گام ها را در راه معرفی و شناخت هوش مصنوعی برداشتند به دنبال یک هدف بودند و آن نیز رساندن سطح هوش مصنوعی به سطح هوش انسانی بود. اما امروزه می دانیم که مطالعه و بررسی در زمینه هوش و درک مکانیزم آن بسیار پیچیده است، هم اکنون می توان موضوع هوش را از دو دیدگاه متفاوت مورد بررسی قرار داد:
۱) آگاهی از جهان اطراف چگونه حاصل می شود و چه طور می توان از حقایق و کشفیات نتیجه گیری هوشمندانه ای به عمل آورد؟
۲) کشف و شهود آگاهانه به این معنا که برای رسیدن به هدفی مشخص هزاران راه و بیراهه وجود دارد که با استفاده از هوش مصنوعی می توان راه را از بیراهه تشخیص داد. [23]
تازه های هوش مصنوعی

آنگونه که در روزگاران گذشته اندیشه پرواز در آسمان,قدم زدن در فضا, روشن شدن محیطی وسیع تنها با کمک یک کلید,اینترنت , پیشرفت های پزشکی و بسیاری چیزهای دیگر,بیشتر به یک رویا می مانست تا یک حقیقت امروزی.
نمونه های زیر , تنها گوشه ای از کاربردهای هوش مصنوعی در صنایع مختلف میباشد:

لباس های هوشمند
با توسعه نانو تکنولوژی و استفاده از مواد مولکولی سبک,امکان ساخت لباس های هوشمند فراهم شده است .این گونه لباس ها قابلیت تغییر رنگ جهت استتار در محیط های مختلف را داشته,شخص را در برابر سلاح های بیولوژیکی و شیمیایی محافظت میکند.امکان مجهز نمودن این گونه لباس ها به تجهیزات مخابراتی,انتقال علایم حیاتی جهت درمان از راه دور در مناطق جنگی و یا آسیب دیده,از دیگر مزایای این لیاس ها به شمار می آیند. همچنین در صورت بروز حادثه برای کاربر,پیامی به تلفن همراه یا پست الکترونیکی مشخصی ارسال میگردد.

آجر و ساختمان های هوشمند
ساختمان های هوشمند این قابلیت را دارند که با تغییر شرایط محیطی,نسبت به تغییرات,عکس العمل نشان داده ,امنیت و آرامش را برای ساکنان خانه فراهم نمایند. یک ساختمان هوشمند دارای سیستم های اتوماتیک گرمایشی,تهویه مطبوع,اعلام حریق,آتش نشانی,سیستم های امنیتی,مدیریت انرژی و سیستم های روشنایی خودکار میباشد. آجرهای هوشمند که همانند آجرهای معمولی در ساختمان ها به کار میروند,مجهز به حسگرهای الکترونیکی هستند که با اتصال به یک سیم کامپیوتری,دما,لرزش و حرکت ساختمان را کنترل میکند و سبب ایمن تر شدن ساختمان میشوند.به کارگیری چند آجر در محل های مختلف یک ساختمان میتواند به صورت یک شبکه عمل کرده,تصویری کلی از ثبات ساختمان ارایه دهد.

کفش هوشمند
این کفش ها با قابلیت انطباق با محیط های سنگلاخی,خاکی,مرطوب و هرگونه شرایط آب و هوایی دیگر,برای استفاده ورزشکاران بسیار مناسب میباشند.
کیف هوشمند
به کمک یک سنسور یا حسگر,به یادآوری محتویات درون کیف پرداخته,از گم شدن اشیای داخل کیف جلوگیری میکند.

شیرآب هوشمند
به محض نزدیک شدن دست یا هر جسم دیگری در محدوده دید حسگر دستگاه,فرکانسی از آن ساطع شده,انتقال اختلاف پتانسیل حاصل به میکروکنترلر موجود,سبب جاری شدن آب میشود.شیر مذکور,به محض خروج دست از محدوده دید,در مدت زمان 25 هزارم ثانیه آب را قطع میکند.

سیستم های حمل و نقل هوشمند
سیستم های حمل و نقل هوشمند به معنی استفاده و به کارگیری تکنولوژی های نوین,همچون الکترونیک,ارتباطات و سیستم های کنترلی است.
کاربردهای این گونه سیستم ها عبارتند از:
راهنمایی الکترونیکی مسیر,کنترل ترافیک شهری,سیستم های اعلام خطر,تنظیم چراغ های راهنما,شناسایی موقعیت تصادف و در نهایت پردازش اطلاعات مربوط به جابجایی کالا و مسافر.

تسلیحات نظامی هوشمند
نقش انسان در لحظات بحرانی جنگ,بسیار کمرنگ تر از گذشته شده است.به طوری که جنگ های امروزی در حقیقت نبرد کامپیوتر های ما با کامپیوتر های دشمن خواهد بود. سیستم های شلیک بعد از هشدار کامپیوتر,حضور ماشین هایی با قابلیت های انسانی,مانند بینایی,درک زبان های طبیعی و قدرت استدلال,خلبان اتوماتیک,استفاده از انواع ربات ها جهت شناسایی,تخریب و پاکسازی مناطق جنگی و … تنها نمونه هایی از کاربرد نظامی هوش مصنوعی محسوب میگردند. میکروربات های جراح که همراه با نوشیدن آب و از راه دهان به درون بدن انسان فرستاده میشوند,به کمک کنترل از راه دور,به کاووش در محیط بدن پرداخته,عکس برداری و انجام عمل جراحی را امکان پذیر میسازند.استفاده از برچسب های هوشمند برای ردیابی زندانیان,سیستم های هوشمند اعلام مصرف دارو,کارت های شناسایی هوشمند و تراشه های هوشمند با ابعاد نصف یک دانه شن که در زیر پوست قرار میگیرند و جایگزینی برای کارت
های اعتباری خواهند بود و … نمونه های دیگری از کاربرد وسایل هوشمند هستند.[24]

شبکه های عصبی مصنوعی 39
بعنوان یکی از روش های محاسباتی در هوش مصنوعی سیستم ها و روش های محاسباتی نوینی هستند برای یادگیری ماشینی، نمایش دانش، و در انتها اعمال دانش به دست آمده در جهت بیش بینی پاسخ های خروجی از سامانه های پیچیده. ایده اصلی این گونه شبکه ها (تا حدودی) الهام گرفته از شیوه کارکرد سیستم عصبی زیستی، برای پردازش داده ها، و اطلاعات به منظور یادگیری و ایجاد دانش قرار دارد. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانه پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق العاده بهم پیوسته با نام نورون تشکیل شده که برای حل یک مساله با هم هماهنگ عمل می کنند و توسط سیناپس‎ها (ارتباطات الکترومغناطیسی) اطلاعات را منتقل می‎کنند. در این شبکه ها اگر یک سلول آسیب ببیند بقیه سلول‎ها می توانند نبود آنرا جبران کرده، و نیز در بازسازی آن سهیم باشند. این شبکه ها قادر به یادگیری‎اند. یادگیری در این سیستم‎ها به صورت تطبیقی صورت می گیرد، یعنی با استفاده ازمثال‎ها وزن سیناپس‎ها به گونه ای تغییر می کند که در صورت دادن ورودی‎های جدید، سیستم پاسخ درستی تولید کند.
به طور کلی مدلسازی یکی از ابزار های مناسب برای تصمیم گیری و پیش بینی پدیده های محیط زیستی و طبیعی می باشد که اغلب به صورت مدلهای مفهومی با روابط ریاضی بیان می شوند. فرآیند ها و پدیده هایی که در سیستمهای محیط زیستی وجود دارد و مهندسین با آن سر وکار دارند اغلب دو خصوصیت عمده دارند: 1-وابسته به متغیرهای زیاد هستند 2- روابط بسیار پیچیده ای بین اجزا وجود دارد که تحلیل آن را بسیار مشکل می نماید. این مشکل همواره باعث خطا در دقت و صحت پیش بینی مدلهای مرسوم می شود. شبکه های عصبی مصنوعی از جمله روشهای پیشرفته و نوین در شبیه سازی می باشد که امروزه در تمام علوم مهندسی به عنوان یک ابزار قوی در شبیه سازی پدیده هایی که تحلیل مفهومی آنها با مشکل مواجه است، کاربرد بسیاری پیدا کرده اند. در این روش داده های مشاهده ای به مدل آموزش داده می شود و پس از آموزش مدل با دقت مناسب کار پیش بینی و شبیه سازی را انجام می دهد. نمونه هایی از کاربرد شبکه های عصبی مصنوعی در علوم کشاورزی، منابع طبیعی و محیط زیست عبارتند از:
1- پیش بینی عملکرد محصولات زراعی و باغی
2- پیش بینی خشکسالی
3- پیش بینی سیل
4- پیش بینی زمین لغزش
5- پیش بینی صادرات محصولات کشاورزی
6- تخمین منحنی سنجه رسوب
7- پیش بینی آلودگی هوا
8- مدیریت مواد زائد و پخش آلاینده ها
9- پردازش داده های ماهواره ای و تهیه نقشه های موضوعی
10- تخمین قیمت محصولات زراعی
11- مدل سازی رواناب-سیلاب
12- مدل سازی تبخیر و تعرق
و صدها نوع کاربرد دیگر. بنابراین آشنایی محققان علوم مختلف کشاورزی، منابع طبیعی و محیط زیست با این ابزار محاسباتی می تواند در ارتقای کیفی پژوهش های کاربردی بسیار موثر باشد.[25]

آدمواره ها
کلمه آدمواره (ربات)بعد از به صحنه درآمدن یک نمایش در سال 1920 میلادی در فرانسه متداول و مشهور گردید. در این نمایش که اثر"کارل کپک " بود، موجودات مصنوعی شبیه انسان ، وابستگی شدیدی نسبت به اربابان خویش از خود نشان می دادند. این موجودات مصنوعی شبیه انسان در آن نمایش ، آدمواره نام داشتند.
در حال حاضر آدمواره هایی را که در شاخه های مختلف صنایع مورداستفاده می باشند، می توان به عنوان "ماشین های مدرن ، خودکار، قابل هدایت و برنامه ریزی "تعریف کرد. این آدمواره ها قادرند در محل های متفاوت خطوط تولید، به طور خودکار، وظایف گوناگون تولیدی را تحت یک برنامه از پیش نوشته شده انجام دهند. گاهی ممکن است یک آدمواره ، جای اپراتور در خط تولید بگیرد و زمانی این امکان هم وجوددار که یک کار مشکل و یا خطرناک به عهده آدمواره واگذار شود.همانطور که یک آدمواره می تواند به صورت منفرد یا مستقل به کاربپردازد، این احتمال نیز وجود دارد که چند آدمواره به صورت جمعی و به شکل رایانه ای در خط تولید به کار گرفته شوند.
آدمواره ها عموماً دارای ابزار و آلاتی هستند که به وسیله آنهامی توانند شرایط محیط را دریابند.این آلات و ابزار "حس کننده " نام دارند، آدمواره ها می توانند در چارچوب برنامه اصلی خود، برنامه های جدید عملیاتی تولید نمایند. این آدمواره ها دارای سیستم های کنترل وهدایت خودکار هستند.
آدمواره های صنایع علاوه بر این که دارای راندمان ، سرعت ، دقت وکیفیت بالای عملیاتی می باشند، از ویژگی های زیر نیز برخوردارند:
1) بسیاری از عملیات طاقت فرسا و غیرقابل انجام توسط متصدیان رامی توانند انجام دهند.
2) آنها، برخلاف عامل انسانی یعنی متصدی خط تولید، قادر هستند سه شیفت به کار بپردازند و در این خصوص نه منع قانونی وجود دارد و نه محدودیت های فیزیولوژیکی نیروی کار.
3) هزینه های مربوط به جلوگیری از آلودگی صوتی ، تعدیل هوا و فراهم آوردن روشنایی لازم برای خط،تولید،دیگربرواحدتولیدتحمیل نخواهدشد.

4) برای اضافه کاری این آدمواره ها، هزینه اضافی پرداخت نمی شود.حق بیمه ، حق مسکن و هزینه ایاب و ذهاب پرداخت نمی شود. احتیاج به افزایش حقوق ندارند و هزینه این نیز از بابت بهداشت ودرمان برواحدتولیدی تحمیل نمی کنند.

ویژگی های ذکرشده سبب می شوندکه سهم هزینه کارمستقیم نیروی انسانی در هزینه محصولات تولیدی ، واحدهای تولیدی کاهش پیداکند.[20]

کاربرد هوش مصنوعی در عمران و معماری
امروزه تکنولوژی تغییرات شگرفی در دنیای ما ایجاد کرده است. ماشین ها دیگر نیازی به بنزین ندارند. عملکرد لوازم برقی خانه وابسته به فرمانهای صوتی است. ده هزار آهنگ روی یک ساعت مچی جا میگیرند. همه اینها )و خیلی بیشتر( نشانههای تغییر الگوی تکنولوژیکی بعدی یعنی هوش مصنوعی است. نرمافزارها از موتورهای باینری غیرقابل انعطاف به سیستمهای یادگیری که تنها محدود به تصور انسان هستند، تکامل یافتهاند.
صنایع بازمانده از این تکنولوژیها هم اکنون در حال تغییر هستند. بهتدریج بازدهی و کارآمدی صنعتها افزایش مییابد. آخرین صنعتی که پذیرای هوش مصنوعی شد، ساخت و ساز است.
ساخت و ساز فرآیند هماهنگ کردن افراد، ابزار و مصالح برای ساخت ساختمانها، تونلها، پلها و غیره است. تکنولوژی از دیرباز نقش مهمی را در این صنعت بازی کرده است که بر فرایندهای پایهای مانند طراحی سازه، نقشهکشی و پخش اطالعات تاثیر بسزایی گذاشته است. با وجود تمام تالش انجام شده برای آمادهسازی پروژه اما از تکنولوژی بسیار کم بهره گرفته شده است.

دو شرکت ان ویدیا40 و کوماتسو41 همکاری جدیدی آغاز کرده اند تا سیستم های هوش مصنوعی را وارد حوزه ساخت وساز کنند. از این سیستم ها در پروژه های عمرانی استفاده خواهد شد. شرکت کوماتسو یکی از شرکت های بزرگ و فعال در عرصه تولید ماشین آلات و ابزارهای صنعت ساخت وساز است. آنها ان ویدیا را به عنوان شریک جدید خود انتخاب کرده اند تا پروژه ای جدید را کلید بزنند. در این پروژه از هوش مصنوعی در پروژه های ساخت وساز استفاده می شود تاهم امنیت فضای کار تضمین شود هم بهر ه وری پروژه بهبودیابد.

در این همکاری، کوماتسو از GPUهای (واحد پردازش گرافیکی) شرکت ان ویدیا برای تصویرسازی و تحلیل تمام پروژه های خود استفاده خواهد کرد. پلت فرم هوش مصنوعی جتسون 42 ان ویدیا به مثابه مغز هسته پردازشی ماشین آلات سنگینی عمل خواهد کرد که در پروژه های عمرانی و ساخت وساز به کار گرفته شده است. تمرکز اصلی این پروژه جدید هم روی بالابردن امنیت در محل کار و البته بهبود بهره وری است. بدین ترتیب دوربین های نصب شده روی ماشین آلات کوماتسو اطلاعات را به پلت فرم جتسون منتقل می کند. به کمک این دوربین ها می توان در نمایی ۳۶۰درجه هر ماشین یا انسانی را در محل انجام پروژه شناسایی کرد و از هرگونه حادثه احتمالی و بروز خسارت و تلفات جلوگیری کرد.

جنسن هوانگ43 موسس و مدیر ارشد اجرایی شرکت ان ویدیا در این رابطه اظهار داشت: "هوش مصنوعی روزبه روز بیشتر در صنایع و زمینه های مختلف به کار گرفته می شود و حالا باید از آن در ماشین آلات سنگین عمرانی استفاده کرد. ماشین آلات در آینده هرآنچه در اطراف شان اتفاق می افتد را درک خواهد کرد و به انسان ها کمک می کند در محیطی امن تر به کار مشغول شده، بهره وری بالاتری داشته باشد. صنایع ساخت وساز و معدن می توانند از پیشرفت های موجود در حوزه فناوری به خوبی استفاده کنند.

به علاوه، کوادکوپترهایی به محل اجرای پروژه ارسال می شود که داده ها را به طور همزمان برای پلت فرم هوش مصنوعی جتسون ارسال می کند. به کمک این داده ها می توان به بررسی روند پروژه و برآورد هزینه ها پرداخت. درضمن با این داده ها می توان تعامل نیروی انسانی با همدیگر وباماشین آلات را هم بررسی کرد.

کارگاههای ساختمانی، محیطهای نیمه سازمانیافته بینظمی هستند که سر و صداهای زیادی ایجاد میکنند و در آنها انبوهی از ابزار و مصالح وجود دارد. با این که نتیجه نهایی این تالشها تقریباً همیشه مفید و زیباست، اما این فرایند معموالً بسیار ناکارآمد است. در واقع هزینه 90 درصد پروژههای ساختمانی بزرگ در آمریکای شمالی، 80 درصد بیشتر از بودجه تعیین شده
است.
دلیل وجود متغیرهای گیجکننده مختلفی است که معموالً در یک پروژه چند ساله وجود دارند و برآوردهای آنالیزی را تقریباً غیرممکن میسازند.
اما به لطف پیدایش هوش مصنوعی، این مسئله دیگر وجود نخواهد داشت اما چگونه؟
با هوش مصنوعی، کارگاه ساختمانی به نقشهای زنده و پویا تبدیل میشود. به این طریق کامپیوترها وقایع را تشخیص میدهند، شاخصهای کلیدی عملکرد )KPIs )را ثبت و به اشتراک میگذارند و اقدامات اصالحی الزم را پیشنهاد میدهند.

5زمینه که هوش مصنوعی می تواند نقش بسیار مهمی در آنها ایفا کند به شرح زیر می باشد

1) امنیت: با تحلیل نوارهای ویدئویی، هوش مصنوعی میتواند در صورت اختالل در امنیت، هشدارهای بهموقعی دهد. این اختالالت شامل روشهای استفاده از ابزار و تجهیزات و نقض گواهینامههای معتبر استفاده از آنها باشد. این هشدارها در صورت عدم استفاده از PPE( کالههای ایمنی، جلیقه، عینک ایمنی یا دیگر چیزها( هم فرستاده میشوند. کنترل هوشمند خطاهای انسانی را حذف و از خطرات ناشی از نبود ایمنی زمان سر و کار داشتن با ماشینآالت سنگین جلوگیری می کند .

2) تحلیل و کنترل برنامه زمانبندی زمان واقعی : در صورتی که صدها فعالیت همزمان در برنامه وجود داشته باشد، تقریباً غیرممکن است که با استفاده از ابزار سنتی همه کارها بهموقع انجام شوند. هوش مصنوعی امکان نظارت بر برنامه زمانبندی، کشف بینظمی ها و امکان انجام فعالیتهای جبرانی در زمان واقعی را فراهم میکند. هوش مصنوعی همچنین میتواند منابع آموزشی را از پایگاه داده بازیابی و به حل مشکل کمبود کارگر ماهر که صنعت ساختمانسازی با آن روبه روست کمک کند.

فعالیتهای جبرانی در زمان واقعی همچنین عامل مهمی برای اقدام سریع یا برنامهریزی دوباره فراهم میکنند. یک مدیر پروژه با بهرهگیری از هوش مصنوعی میتواند در یک زمان، همه جا حضور داشته باشد. با استفاده از یک اپلیکیشن موبایل، مدیران پروژه میتوانند با افرادی که به تازگی استخدام شدهاند، آشنا شوند، یک پروفایل به سیستم اضافه کنند و کارهایی را که کارگران جدید الزم است انجام دهند، ابالغ کنند. عالوه بر این، از تکنولوژی هوش مصنوعی میتوان برای لیبل زدن به ابزار استفاده کرد تا پیدا کردن آنها راحتتر شود.

3) بودجهها و صورتحسابها : هوش مصنوعی قادر است فعالیتهای انجام شده در کارگاه ساختمانی را با صورتحساب های صادر شده مطابقت دهد

4) برآورد و آنالیز عملکرد : هرچه دادههای بیشتری در اختیار هوش مصنوعی قرار گیرد، تصمیم گیریهای آینده بهتر خواهند شد. مدیریت محل و کاهش خطر هم برای پروژه فعلی و هم پروژههای آینده مفید خواهد بود. گردآوری دادهها از صدها سایت،
معیار سنجش دقیقتری برای برنامهریزیهای آینده فراهم میکند. وقتی بودجه بندی بهصورت دقیق انجام شود، تعداد پروژههایی که صنعت ساختمانسازی قادر به انجام آن است نیز افزایش خواهدیافت.

5) مدلسازی مطالعات ساختمانی: (BIM) نقشه های معمول پروژههای ساختمانی قبل از پروژه ساختمانی کشیده میشوند و فقط گاهی )و بهصورت دستی با تغییر شرایط سایت، بهروز میشوند. حال آنکه نقشههای مبتنی بر هوش مصنوعی متشکل از دادههای مربوط به مصالح، کارگران، ابزارآالت و تجهیزات، خاک و حتی شرایط آب و هوایی هستند. این نقشهها خروجیهای بهینه تری را ارائه میدهند [26].

تکنیک ها و زبان های برنامه نویسی هوش مصنوعی
عملکرد اولیه ی برنامه نویسی هوش مصنوعی ایجاد ساختار کنترلی مورد لزوم برای محاسبه ی سمبولیک است. زبان های برنامه نویسی لیسپو پرولوگ علاوه بر اینکه از مهمترین زبان های مورد استفاده در هوش مصنوعی هستند خصوصیات نحوی و معنایی آن ها باعث شده که آن ها شیوه ها و راه حل های قوی برای حل مسئله ارائه کنند. تاثیر قابل توجه این زبان ها بر روی توسعه هوش مصنوعی از جمله توانایی های آن ها به عنوان ابزارهای فکر کردن است. در حقیقت همان طور که هوش مصنوعی مراحل رشد خود را طی می کند، زبان های لیسپ و پرولوگ بیشتر مطرح می شوند که این زبان ها کار خود را در محدوده ی توسعه سیستم های هوش مصنوعی در صنعت و دانشگاه ها دنبال می کنند و طبیعتاً اطلاعات در مورد این زبان ها به عنوان بخشی از مهارت هر برنامه نویس هوش مصنوعی است.

پرولوگ: یک زبان برنامه نویسی منطقی است. یک برنامه ی منطقی دارای یک سری ویژگی های قانون و منطق است. در حقیقت خود این نام از برنامه نویسی PRO در LOGIC می آید. در این زبان یک مفسر برنامه را بر اساس یک منطق می نویسد. ایده ی استفاده ی توصیفی محاسبه ی اولیه برای بیان خصوصیات حل مسئله یکی از محوریت های پرولوگ است که برای علم کامپیوتر به طور کلی و بطور جزئی برای زبان برنامه نویسی هوشمند مورد استفاده قرار می گیرند.
لیسپ: اصولاً یک زبان کامل است که دارای عملکردها و لیست های لازمه برای توصیف عملکردهای جدید، تشخیص تناسب و ارزیابی معانی است. لیسپ به برنامه نویس قدرت کامل برای اتصال به ساختارهای اطلاعاتی را می دهد. گر چه لیسپ یکی از قدیمی ترین زبان های محاسباتی است که هنوز فعال است ولی دقت کافی در برنامه نویسی و طراحی توسعه باعث شده است که این یک زبان برنامه نویسی فعال باقی بماند. در حقیقت این مدل برنامه نویسی طوری موثر بوده است که تعدادی از دیگر زبان ها مانند اف پی، ام ال و اسکیم براساس عملکرد برنامه نویسی آن بنا شده اند. یکی از مهمترین برنامه های مرتبط با لیسپ برنامه ی اسکیم است که یک تفکر دوباره در باره ی زبان در آن وجود دارد که بوسیله توسعه هوش مصنوعی وبرای آموزش و اصول علم کامپیوترمورداستفاده قرار می گیرد. [13]

استفاده از مدل هوش مصنوعی مرکب نظارت شده برای پیش بینی سطح آب زیرزمین
منابع آب زیرزمینی از مهمترین منابع تامین آب هستند، لذا مدلسازی آنها حائز اهمیت میباشد. در این میان مطالعه و بررسی نوسانات سـطح آب زیرزمینی از نظر مطالعات مدیریتی، ایجاد سازههای مهندسی، مصارف کشاورزی و حصول آبهای زیرزمینی با کیفیـت بـالا از اهمیـت بـالایی برخـوردار است. عمده تقاضا برای آب شرب و کشاورزی در دشت مشگینشهر نیز از طریق آب زیرزمینی تامین میشود. در این تحقیق چهار مدل هـوش مصـنوعی که عبارتند از شبکه عصبی پیشرو، شبکه عصبی برگشتی، منطق فازی ساگنو و ماشینبردار پشتیبان برای پیشبینی سطح آب زیرزمینی استفاده شـدند. با توجه به نزدیک بودن نتایج به دست آمده و با توجه به این مسئله که مدلهای مختلف در مراحل مختلف مدلسازی نتایج متفاوتی ارائه دادند، انتخـاب یکی از مدلها به عنوان مدل منتخب معقول به نظر نمیرسید. لذا از ترکیب غیر خطی این چهار مدل کـه مـدل هـوش مصـنوعی مرکـب نظـارت شـد ه نامیده میشود، برای ترکیب نتایج این مدلها استفاده شد تا نتایج به دست آمده تقویت شده و از توانایی مدلهای مختلف به طور همزمان استفاده شـود استفاده شد. نتایج نشان دادند که مدل SCMAI بـا مقـادیر R 2 به منظور ارزیابی کارایی و دقت مدلها در پیشبینی، از دو معیار مختلف RMSE و R برابر 85/0 و 90/0 به ترتیب برای پیزومترهای شماره 1 و 2 در مرحله آموزش بهترین پیشبینـی را نسـبت بـه هـر کـدام از چهـار مـدل منفـرد هـوش مصنوعی ارائه کرده است. همچنین مدل SCMAI توانست RMSE پیشبینی را تا 9 %درصد برای پیزومتـر شـماره یـک و 17 %درصـد بـر ای پیزومتـر شماره دو کاهش دهد.
شناخت صحیح و بهرهبرداری اصولی از منابع آب زیرزمینی میتواند در توسعه پایدار فعالیتهای اجتماعی و اقتصادی آن منطقه نقش بسزایی داشته باشد. عدم شناخت صحیح و بهره- برداری بیرویه از این منابع خسارات جبرانناپذیری مانند افت شدید سطح آب زیرزمینی [27]و در نتیجه آن کاهش کیفیت آب [28] فرونشست زمین در اثر برداشتهای بی رویه آب زیرزمینی [29]و پیشروی جبهه های آب شور و تداخل آبهای شور و شیرین [30]را به دنبال خواهد داشت. مدلسازی آب زیرزمینی ابزاری برای توسعه برنامهریزیهای مدیریتی قابل اجرا در مورد آبهای زیرزمینی و محافظت از این منبع حیاتی میباشد. در دهههای اخیر مدلهای هوش مصنوعی به طور گسترده به عنوان مدلی موثر و توانا در پیش بینی سیستمهای هیدرولوژی پیشرفته به کار گرفته شدهاند، از آن جمله میتوان به کاربرد شبکه های عصبی مصنوعی
[31, 32] منطـق فازی [33,34]ماشینهای بردار پشتیبان [35,36]و استفاده ترکیبی از روش- های هوش مصنوعی [37,38]اشاره کرد. در این میان مدلسازی آبخوانها به منظور پیشبینی سطح آب زیرزمینی از اساسیترین موارد در شناخت صحیح منابع آب زیرزمینی و مدیریت کمی آن در مصارف کشاورزی، صنعتی و خانگی، و ایجاد سازههای مهندسی میباشد. در سالهای گذشته به علت افزایش نگرانیها در مورد آب زیرزمینی و مورد نیاز بودن پیشبینیهای دقیق، از شبکه عصبی مصنوعی برای پیشبینی سطح آب زیرزمینی مطالعات گستردهای انجام شده است [39]و همکاران [40,41]از شبکه عصبی مصنوعی برای پیشبینی سطـح آب در حالت غیـر ماندگار و تحت شـرایط متغیر از نظر پمپاژ و وضعیت آب و هوایی استفاده کردند. در تحقیقی نیز 7 نوع مختلف شبکههای عصبی مصنوعی و الگوریتمهای آموزش بر حسب دقت و میزان کارایی برای پیش- بینی سطح آب زیرزمینی آزموده شدند تا مطلوبترین شبکه عصبی مصنوعی شناسایی شود تا بتواند روند کاهشی سطح آب زیرزمینی را شبیهسازی کرده و پیشبینیهای قابل قبولی را تا 18 ماه آینده تهیه کند. در این مطالعه مناسب ترین روش شبکه بوده که با الگوریتم لونبرگ-مارکوات آموزش عصبی پیشرو44 دیده شده بود و پیش بینی های دقیقی را از سطح آب نشان می داد بر اساس رابطه بین سطح آب داد [32]مدل شبکه عصبی BP 45و فاکتورهای حساسی مثل بارش، نشت رودخانهای، زهکش معدن، برداشت آب زیرزمینی و تخلیههای جانبی آبخوان ایجاد شده سپس همه فاکتورهای حساس آنالیز شده و مشخص گردید که زهکش معدن زغال موجود در منطقه بیشترین تاثیر را بر سطح آب زیرزمینی آن منطقه دارد [42]در تحقیقی دیگر با استفاده از دادههای 30 ساله چهار چاه در جنوب شهر ریاض در عربستان صعودی، سطح آب را به وسیله شبکه عصبی مصنوعی برای 20 سال آینده پیشبینی انجام گرفت. نتایج حاصل از این تحقیق نشان داد که افت سطح آب در آینده از 30 % افت ایجاد شده در 30 سال قبل تجاوز نخواهد کرد [43]با توجه به این که پیشبینیهای نوسانات آب زیرزمینی با عدم قطعیت همراه می- باشد، منطق فازی به عنوان ابزاری مناسب برای مقابله با عدم قطعیتهای موجود از اهمیت خاصی برخوردار است[44,45] برای پیشبینی سطح آب زیرزمینی شبکه عصبی مصنوعی به صورت مقایسه ای با منطق فازی [46]و نروفازی [47,48]به کار رفته است. در تحقیقی مدلهای منطق فازی و نروفازی برای پیشبینی سطح آب زیرزمینی به کار رفتند. تغذیه و تخلیه آب زیرزمینی، سطح آب زیرزمینی در زمان گذشته و حال به عنوان ورودیهای مدلها مورد استفاده قرار گرفتند. در این مطالعه مدلهای نرو فازی نتایج بهتری نسبت به منطق فازی ارائه دادند .[49]بر اساس تئوری یادگیری آماری ماشینهای بردار پشتیبان46 و اصول کمینهسازی ریسک ساختاری توسعه یافتهاند و این اصول SVM را قادر میسازد تا دادههای غیر قابل مشاهده را عمومیسازی کنند و دارای سازگاری خوبی با دادهای پراکنده و کم باشند [36]

Behzad و همکاران [50]در تحقیقی روشهای مدلسازی SVM و ANN را برای پیشبینی سطح آب زیرزمینی در حالت غیر ماندگار در یک سیستم پیچیده آب زیرزمینی تحت شرایط متغییر از نظر پمپاژ و آب و هوایی مقایسه کردند. پیشبینیها در پنج دوره مختلف روزانه، هفتهای، دو هفتهای، ماهانه، و دو ماهه، در مدت زمان 5 ماه انجام گرفته و نتایج نشان دادند که روش SVM با توانایی بالا در عمومیسازی و قابلیت مدلسازی با دادههای پراکنده و همچنین در پیشبینیهای با دوره بلند مدت، میتواند جایگزین خوبی برای ANN باشد. همچنین در تحقیقی دیگر ترکیبی از مدلهای ماشین بردار پشتیبان و موجکی برای پیشبینی ماهانه سطح آب زیرزمینی به کار برده شد. سپس مدل ترکیبی SVR-WA با مدلهای انفرادی شبکه عصبی مصنوعی، رگرسیون بردار پشتیبان، و مدل میانگین متحرک تجمعی خود همبسته مقایسه شده و نتایج نشان دادند که مدل ترکیبی دقت بیشتری نسبت به مدلهای انفرادی دارد [51]Yoon و همکاران [52]از ماشینهای بردار پشتیبان و شبکه عصبی مصنوعی به عنوان مدلهای سری زمانی غیر خطی برای پیشبینی سطح آب زیرزمینی در یک سفره ساحلی در کره مورد استفاده قرار دادند. سطح آب زیرزمینی زمان گذشته، بارش و تراز موج- جزر و مد ورودیهای مدلها انتخاب شدند. در یک تحقیق مقایسهای از شیری و همکاران [53]مدلهای مختلف هوش مصنوعی مثل برنامهریزی بیان ژن (GEP) ،نرو فازی (ANFIS) ،شبکه عصبی مصنوعی (ANN )و ماشین بردار پشتیبان (SVM )مورد ارزیابی قرار گرفت. مقادیر سطح آب، بارش و تبخیر از ایستگاه چاه هونگچئون در جنوب کره به عنوان ورودی مدلها انتخاب شدند. نتایج حاصل از مقایسه نشان دادند که مدل GEP عملکرد بهتری نسبت به مدلهای .دارد SVM و ANN ،ANFIS هر کدام از روشهای هوش مصنوعی مزیتهای خاص خود را دارد. یک شبکه عصبی مصنوعی در طول آموزش رفتار سیستم را یاد گرفته و بدون نیاز به قوانین فیزیکی حاکم بر سیستم و بر اساس یافتن رابطه تابعی برای ورودیهای خاص، خروجی مناسب را ارائه میدهد [40]از این رو شبکه عصبی مصنوعی ابزاری قدرتمند برای اجرای غیر خطی ورودی-خروجی میباشد. منطق فازی روشی است بر مبنای قوانین فازی که شامل عبارات ریاضیاتی میشود. این قوانین توانایی کار با عدم قطیعت را سبب میشود و همچنین به دلیل استفاده از جملات زبانی این روش مورد پسند میباشد [38]ماشینهای بردار پشتیبان نیز به موجب دو مشخصه که شامل قابلیت عمومیتسازی و کار با دادههای پراکنده میباشد به عنوان روشی امید بخش در پیش- بینی به شمار میرود [50] . بنابر این استفاده از مدلهای ترکیبی مزایای بیشتری خواهد داشت. مدل ترکیبی هوش مصنوعی در زمینه های مختلف توسط محققانی به کار گرفته [54,55,37,38]است شده منطقه مطالعاتی در این تحقیق، دشت مشگینشهر میباشد که فعالیت اقتصادی مهم در این دشت کشاورزی است و همچنین عمده تقاضا برای آب از طریق آب زیرزمینی تامین میشود. بنابر این به منظور مدیریت هرچه موثرتر این منابع، مطالعه و بررسی سطح آب زیرزمینی در این دشت ضرورت دارد. در این تحقیق از مدل هوش مصنوعی مرکب نظارت شده برای پیشبینی سطح آب زیرزمینی استفاده شده است. هدف از بکارگیری این روش در این تحقیق دستیابی به مزایای همه مدلهای هوش مصنوعی منفرد به صورت همزمان میباشد. روش استفاده شده ترکیب جدیدی از مدلهای هوش مصنوعی در زمینه پیشبینی تغییرات سطح آب زیرزمینی میباشد که با تحقیقات قبلی متفاوت بوده و تا حال به کار گرفته نشده است.
مواد و روشها
منطقه مورد مطالعه محدوه مطالعاتی دشت مشگینشهر میباشد که در شمال غرب ایران در استان اردبیل قرار دارد. کوه سبلان با قلهای به ارتفاع 4814 متر از سطح دریا مرتفعترین نقطه منطقه میباشد که در قسمت جنوب شرقی مشگینشهر واقـع شده است و پستترین نقطه مربوط به خروجی دشت که در روستای صاحبدیوان قرار دارد و ارتفاع آن 714 متر از سطح دریا میباشد. سراسر شمال این شهرستان را دنباله کوههای ارسباران که از غرب به شرق کشیده شده، پوشانده است. در فاصله بین اهر و مشگینشهر کوههای دوسرداغ و ایلانداغ قرار دارند. علاوه بر اینها ارتفاعات دیگری با جهت شمالشرقی- جنوبغربی به نام صلوات داغ در شمال مشگینشهر وجود دارد. این دشت در حد فاصل بین طولهای جغرافیایی '20° 47 و '58° 47 و عرض- های جغرافیایی '18° 38 تا '35° 38 واقع شده است و دارای وسعتی در حدود 705 کیلومتر مربع است (شکل 1( . مسیر مشگینشهر- اهر به طول 62 کیلومتر و راه مشگینشهر- اردبیل به طول 85 کیلومتر از مسیرهای دسترسی این منطقه به شمار میروند. آبخوان دشت مشگینشهر از نوع آزاد است. اقلیم منطقه بر اساس اقلیم نمای آمبرژه [56]از نوع نیمه خشک سرد می- باشد. متوسط دمای سالیانه 66/11 درجه سانتیگراد (بر اساس دادههای ایستگاههای آبیاری مشگین، صاحبدیوان و سد سبلان، 1388-1391 (و میزان متوسط سالانه بارش 292 میلیمتر (بر اساس دادههای ایستگاه آبیاری مشگین، 1380-1391 (در سال میباشد.

بررسی دادهها
پس از بررسی تغییرات سطح آب زیرزمینی و ارتفاع سطح زمین در محل پیزومترهای موجود در دشت مشگین شهر، پیزومترهای شماره 1 و 2 به عنوان نماینده پیزومترهای دشت انتخاب شدند که تغییرات سطح آب در آنها شبیه اکثر پیزومترها بود و هر کدام از آنها نمایانگر بخشی از دشت می- باشد که از نظر ارتفاعی با ای دیگر متفاوت هستند، و همینطور از نظر توزیع در بخش شرقی و غربی دشت قرار گرفته اند. )شکل (1 موقیعت چاه های مشاهده ای، بهره برداری و ایستگاههای هواشناسی منطقه نشان داده است. در این تحقیق از داده های در سطح آب زیرزمینی ماهانه در زمان 1-t0 (GWL*) پیزومترهای مربوطه، میزان متوسط بارندگی در هر ماه (P) ،متوسط دمای ماهانه (T )و میزان تخلیه از چاههای بهره برداری در هر ماه (D)که طی دوره 9 ساله (1383 تا 1391 (در دسترس بودند به عنوان ورودی و سطح آب زیرزمینی در زمان t0 به عنوان خروجی در هر دو مدل انتخاب شدند. داده های سطح آب زیرزمینی و میزان تخلیه از چاه های بهره برداری برای پیزومترهای مذکور به ترتیب روند نزولی و صعودی را نشان می دهند. داده های دما و بارش روند تقریبا ثابتی را در دوره 9 ساله داشته اند. همچنین بررسی نوسانات سطح آب زیرزمینی در پیزومترها در طول دوره آماری ذکر شده تغییرات 2/1 و 45/0 متری را به ترتیب برای پیزومترهای شماره 1 و 2 نشان دادند. 80 درصد این دادهها برای مرحله ی آموزش و 20 درصد بقیه برای مرحله تست مدلها استفاده شدند.

منطق فازی
برای اولین بار زاده [57]روش فازی را برای رشتههای مختلف علوم معرفی کرد. فازی به معنای ابهام میباشد. مجموعه های فازی مرزهای مبهم و تدریجی بین مرزهای تعریف شده دارند، که برای مقابله با ماهیت عدم قطعیت در سیستم و خطاهای انسانی مناسب هستند [45,38]تفاوت مجموعه های فازی با مجموعه ای معمولی در عضویت بخشی موجود در آن است. دما میتواند مثالی از یک مجموعه فازی باشد. در کلاس های موجود در دما، به عنوان مثال کلاس "خیلی پایین" یک ناحیه انتقالی وجود دارد که عضویت در ای نواحی دارای درجه میباشد. C˚1 به احتمال زیاد دارای درجه عضویت بیشتری نسبت به C˚4 ،در کلاس "خیلی پایین" میباشد [33] سیستم فازی شامل سه بخش اصلی است. 1 تعریف تابع عضویت یا فازی سازی دادهها: درجه عضویت در یک مجموعه فازی از طریق تابع عضویت تعریف میشود که مقدار آن بین 0 و 1 است که 0 بدون عضویت و 1 دارای عضویت کامل میباشد و مقادیر بین این دو عضویت بخشی دارند. 2 -قوانین فازی: ایجاد ارتباط بین ورودی و خروجی با میباشد که اگر 1 استفاده از یک سری قوانین مثل آگر آنگاه مربوط به متغیرهای ورودی و آنگاه مربوط به نتایج میباشد[58]. .3غیر فازی سازی: که توسط عملگرهای فازی not ،or ، and انجام میگیرد. غیر فازی سازی فرآیندی است که مقادیر ورودی را از طریق مجموعه قوانین فازی ایجاد شده میگذراند تا پیشبینیهای مدل را استخراج کند [33].

ماشین بردار پشتیبانی(svm)
ماشین بردار پشتیبانی نوعی روش یادگیری است که در سال 1995 توسط Vapnik معرفی شد. SVM [59] بر اساس تئوری یادگیری آماری توسعه یافتهاند و مهمترین جنبه این ماشینهای یادگیری، به کار گرفتن اصول کمینهسازی ریسک ساختاری است که SVM را قادر میسازد تا دادههای غیر قابل مشاهده را عمومیسازی کند. یعنی به جای کمینهسازی خطای مدل یا طبقهبندی، ریسک ساختاری را به عنوان تابع هدف در نظر میگیرد و مقدار بهینه آن را محاسبه میکند. بر اساس این اصول SVM دو ویژگی برجسته دارد که سبب پیشبینیهای ثمربخش این روش میشود، که شامل قابلیت عمومیسازی عالی آن و سازگاری با دادهای پراکنده و کم میباشد .[36]ماشین- های بردار پشتیبانی بیشتر برای حل مسائل رگرسیونی و طبقه بندی توسعه یافته اند[60]
انتخاب بردارهای پشتیبان که ساختار مدل را پشتیبانی می کنند و تعیین وزن آنها فرآیندی اصلی در مدل SVM میباشد.
مدل هوش مصنوعی مرکب نظارت شده( SCMAI)
یک مدل هوش مصنوعی مرکب نتایج چند مدل هوش مصنوعی منفرد را ترکیب میکند تا از مزایای همه مدلهای منفرد برای تولید خروجی نهایی استفاده کند [37]روشهای مختلفی برای ترکیب مدلهای هوش مصنوعی وجود دارد که روش متوسطگیری تجمعی ساده و متوسطگیری وزنی از معروفترین آنها میباشند [54]در این مطالعه، به جای روش متوسطگیری ساده و وزنی از یک شبکه عصبی مصنوعی به عنوان یک ترکیب کننده نظارت شده استفاده شده است [38]در این تحقیق از مدل هوش مصنوعی مرکب نظارت شده برای ترکیب مدلهای شبکه عصبی پیشرو، شبکه عصبی برگشتی، فازی ساگنو و ماشینهای بردار پشتیبان استفاده شده است.

هوش مصنوعی در مهندسی عمران(ترجمه ای از مقاله )
هوش مصنوعی شاخه ای از علم کامپیوتر است که در تحقیق، طراحی و کاربرد کامپیوتر هوشمند دخیل است. روش های سنتی برای مدل سازی و بهینه سازی سیستم های ساختاری پیچیده نیاز به مقادیر زیادی از منابع محاسباتی دارند و راه حل های مبتنی بر هوش مصنوعی اغلب می تواند جایگزین های ارزشمندی برای حل مسائل در مهندسی عمران باشد.
این مقاله خلاصه روش ها و نظریه های اخیر در جهت توسعه برای استفاده از هوش مصنوعی در مهندسی عمران، از جمله محاسبات تکاملی، شبکه های عصبی، سیستم های فازی، سیستم متخصص، استدلال، طبقه بندی و یادگیری، و همچنین دیگران نظریه هرج و مرج، جستجو در فک ، الگوریتم کمانشویی، مهندسی مبتنی بر دانش، و آنالیز شبیه سازی شده است.
گرایش های تحقیق اصلی نیز در انتهای مقاله ذکر شده است. این مقاله خلاصه ای از پیشرفت های هوش مصنوعی مورد استفاده در مهندسی عمران را ارائه می دهد.

1. معرفی
تحقیقات هوش مصنوعی از سال 1956 آغاز شده است، زمانی که در اصطلاح "هوش مصنوعی، AI" در جلسه در دانشکده دارتموث مورد استفاده قرار گرفت.
هوش مصنوعی، یک رشته جامع، بر اساس تعامل چندین رشته نظیر علوم رایانه، سایبرنتیک، تئوری اطلاعات، روانشناسی، زبان شناسی و نوروفیزیولوژی ایجاد شد.
هوش مصنوعی شاخه ای از علم کامپیوتر است که در تحقیق، طراحی و کاربرد کامپیوتر هوشمند دخیل است [61,62] .

هدف این زمینه کشف چگونگی تقلید و اجرای برخی از عملکرد هوشمند مغز انسان است تا مردم بتوانند محصولات فن آوری را توسعه دهند و نظریه های مربوطه را ایجاد کنند[63].
گام اول: افزایش و کاهش هوش مصنوعی در دهه 1950.
گام دوم: به عنوان سیستم کارشناس در حال ظهور، پیشرفت جدیدی از تحقیق در مورد هوش مصنوعی از اواخر دهه 1960 تا 1970 صورت گرفت.
گام سوم: دردهه 1980، هوش مصنوعی پیشرفت زیادی در توسعه رایانه نسل پنجم انجام داد.
گام چهارم: در دهه 1990، پیشرفت جدیدی از تحقیق در مورد هوش مصنوعی وجود دارد:
با توسعه تکنولوژی شبکه، به ویژه فن آوری اینترنت بین المللی، تحقیقات هوش مصنوعی توسط یک عامل هوشمند شروع به مطالعه هوش مصنوعی توزیع شده بر اساس محیط شبکه کردند. مردم نه تنها به حل مسائل توزیع شده با هدف مبتنی بر هدف پرداخته بلکه همچنین به حل مسئله عامل عوامل هوشمندانه کمک می کنند که هوش مصنوعی را عملی تر می کند. علاوه بر این، صحنه آشنایی با تحقیقات و کاربرد شبکه های عصبی مصنوعی ظهور کرده و در تمامی زمینه های زندگی عمیق به عنوان مدل شبکه عصبی چند لایه هف فیلد معرفی شده است. نظریه های اصلی و روش های هوش مصنوعی به عنوان نمادگرایی، رفتارگرایی و رویکرد ارتباطگرایی خلاصه می شود [64]. از آنجا که ظهور هوش مصنوعی هوش مصنوعی در دهه 1950، امیدها و آرزوهای زیادی در مورد آن ایجاد شده است.
اکنون، آخرین پیشرفت تکنولوژی هوش مصنوعی در تمام جنبه های مهندسی عمران و رابطه آن به شرح زیر است.
هدف از این مقاله ارائه نکات برجسته ای از منابع مربوط به هوش مصنوعی در مهندسی عمران است که قبل از سال 2012 منتشر شده است. چنین مقالات مقالات بررسی شده ادبیات که قبلا منتشر شده است را تکمیل خواهد کرد .(1) پایه نظری را فراهم می کند و یا می تواند نقش مهمی در توسعه هوش مصنوعی در مهندسی عمران داشته باشد؛ (2) نقاط قوت و تحقیقات فعلی هوش مصنوعی در مهندسی عمران را نشان می دهد. و (3) تلاش های پژوهشی مستمر را تسهیل می کند.
بقیه مقاله به شرح زیر است: بخش 2 هوش مصنوعی را در مهندسی عمران توضیح می دهد، بخش 3 طبقه بندی استدلال را نشان می دهد، و یادگیری هوش مصنوعی در مهندسی عمران، بخش 4 برخی از نظریه ها و روش های دیگر را معرفی می کند. در نهایت ما در مورد برخی از روند های آینده در بخش 5 بحث می کنیم و در بخش 6 نتیجه گیری می کنیم.

2. روش های بهینه سازی هوشمند در مهندسی عمران
هوش مصنوعی علم تحقیق و کاربرد قانون فعالیت های هوش انسانی است. پس از پیشرفت 50 ساله، موضوع مرزی بسیار وسیع بوده است. امروزه این فناوری در بسیاری از زمینه ها مانند سیستم متخصص، سیستم پایگاه دانش، سیستم پایگاه داده هوشمند و سیستم ربات هوشمند کاربرد دارد. سیستم کارشناس اولین و گسترده ترین، فعال ترین و پربار ترین منطقه است که به عنوان "مدیریت دانش و تکنولوژی تصمیم گیری قرن 21" نامگذاری شده است. در زمینه مهندسی عمران، بسیاری از مشکلات، به خصوص در طراحی مهندسی، مدیریت ساخت و ساز و تصمیم گیری در برنامه، تحت تاثیر بسیاری از عدم اطمینان قرار گرفتند که می توان نه تنها نیاز به محاسبات ریاضیات، فیزیک و مکانیک را حل کرد، بلکه بستگی به تجربی از تمرین کنندگان دارد . این دانش و تجربه غیر منطقی ناقص و نامشخص است و نمی توانند با روش های سنتی مورد استفاده قرار گیرند. با این حال، هوش مصنوعی برتری خود را دارد. این می تواند مشکلات پیچیده را به سطوح کارشناسان با استفاده از متخصصان تقلید حل کند. در مجموع، هوش مصنوعی در زمینه عملی مهندسی عمران چشم انداز گسترده ای دارد. آدم و اسمیت [65] پیشرفت هایی را در زمینه ساخت سازه های مهندسی سازگار انجام دادند. تشخیص خود، کنترل شکل چند هدفه و فرایندهای یادگیری تقویت در یک چارچوب کنترل بر ساختار tensegrity فعال انجام شد. از جمله تکنیک های محاسباتی مبتنی بر هوش مصنوعی، سیستم های استنتاجی تطبیقی عصبی فازی برای مدل سازی سیستم های پیچیده با مجموعه داده های خروجی ورودی مناسب بودند. چنین سیستمی می تواند در مدل سازی رفتار غیرخطی، پیچیده و مبهم مواد مواد سیمان تحت تاثیر عوامل تک، دوگانه یا متعدد آسیب های مختلف در مهندسی عمران موثر باشد. باسونی و نهدی47[66] پیش بینی مبتنی بر عصبی-فازی بر پایه دوام بتن خودمختلفی به سولفات سدیم متفاوتی را نشان می دهد. پراساد و همکاران 48[67] یک شبکه عصبی مصنوعی (ANN) برای پیش بینی 28 روزه مقاومت فشاری بتن معمولی و با مقاومت بالا (SCC) و بتن با کارایی بالا (HPC) با خاکستر پروازی با حجم بالا را ارائه دادند . لی و همکاران 49[68] تکنیک هوش مصنوعی شبکه های عصبی برگشتی برای ارزیابی شکست شیب استفاده شده است. نتایج عددی اثربخشی شبکه های عصبی مصنوعی در ارزیابی پتانسیل شکست شیب را نشان می دهد. شاهین و همکاران50 [69] روش پیشنهادی ارائه شده برای استخراج اطلاعات از کارشناسان برای توسعه قوانین سیستم فیزیکی کارشناسان، و برای مطالعه ویژگی های سیستم یکپارچه، مورد مطالعه تونلی قرار داد . داس و همکاران 51 [70] دو تکنیک هوش مصنوعی را برای پیش بینی حداکثر تراکم خشک (MDD) و مقاومت فشاری نامحدود (UCS) خاک تثبیت شده سیمان توصیف کرد .
[71] Forcael et al نتایج حاصل از یک مطالعه که شامل شبیه سازی کامپیوتری در تدریس مفاهیم و تکنیک های برنامه ریزی خطی است، در یک دوره مهندسی عمران "برنامه ریزی ساخت و برنامه ریزی و زمانبندی" ارائه داده است . برای ارزیابی اثر ترکیب شبیه سازی کامپیوتری در تدریس برنامه ریزی خطی، ارزیابی ها و پاسخ های دانشجویان به پرسشنامه از نظر آماری مقایسه شد. [72] Krcaronemen and Kouba یک روش برای طراحی برنامه های کاربردی نرم افزار Ontologybacked ارائه می دهد که ممکن است هستی شناسی را برای تکامل در حالی که توسط یک یا چند برنامه کاربردی در یک زمان مورد سوء استفاده قرار بگیرد پیشنهاد کرد. این روش بر قرارداد بین هستی شناسی و کاربرد است که به طور رسمی در قالب محدودیت های یکپارچگی بیان می شود. علاوه بر این، جاوا مرجع پیاده سازی روش و کاربرد اثبات مفهوم در حوزه مهندسی عمران معرفی شد.
با توجه به بسیاری از عوامل نامطلوب، عوامل تاثیر گذار پیچیده در مهندسی عمران، هر پروژه دارای ویژگی فردی و عمومی خود است؛ عملکرد سیستم متخصص در لینک ها و موارد خاص تاثیر قابل توجهی دارد. در طول 20 سال گذشته، در زمینه مهندسی عمران، توسعه و استفاده از سیستم متخصص، دستاوردهای زیادی را به دست آورده است، که عمدتا مورد استفاده در ارزیابی، تشخیص، تصمیم گیری و پیش بینی پروژه، طراحی ساختمان و بهینه سازی، مدیریت پروژه مدیریت ساخت و ساز ، تشخیص صحت جاده ها و پل ها و برخی موارد خاص و غیره بوده است .
2.1 محاسبات تکاملی
محاسبات تکاملی (EC) یک زیرمجموعه از هوش مصنوعی است که از تکراری استفاده می کند
فرایند (اغلب توسط مکانیسم های بیولوژیکی تکامل الهام می شود) برای تکامل جمعیت راه حل به یک هدف مطلوب. EC برای چندین دهه به حوزه مهندسی عمران اعمال شده است، که عمدتا به عنوان یک روش موثر برای حل مشکلات بهینه سازی پیچیده ای است.

2.1.1 الگوریتم های ژنتیکی
الگوریتم ژنتیک (GAs) [73] یکی از الگوریتم های معروف تکاملی هستند که شبیه سازی اصل داروین 52 تکامل و بقای مطلوب در بهینه سازی است. این مقدار کاربرد گسترده ای در زمینه مهندسی عمران است، اما در بسیاری از موارد، باید بیشتر مورد مطالعه و بهبود قرار گیرد.
با توجه به پیشرفت تحقیق بالا، الگوریتم ژنتیک در مهندسی عمران به علت الگوریتم ژنتیک به سرعت در حال توسعه است، بنابراین هنوز بسیاری از اقدامات بهبودی که در این مقاله وجود ندارد، وجود دارد. به طور کلی، بهبود رویکردهای الگوریتم ژنتیک شامل تغییر الگوریتم ژنتیک مولفه یا استفاده از تکنولوژی، الگوریتم ژنتیک هیبرید، تکنولوژی تطبیقی پویا، استفاده از اپراتورهای ژنتیک غیر استاندارد و الگوریتم ژنتیک موازی است.
در سال های اخیر بهبود الگوریتم ژنتیک بسیاری از ابزارهای ریاضی جدید را به ارمغان آورد و مهندسی عمران را به عنوان آخرین دستاوردهای کاربردی جذب می کند. ما می توانیم انتظار داشته باشیم، همراه با تکنولوژی کامپیوتری، الگوریتم ژنتیک در برنامه مهندسی عمران به طور کلی و موثرتر خواهد بود.
Senouci and Al-Derham [74] یک مدل بهینه سازی چند منظوره مبتنی بر الگوریتم ژنتیک برای برنامه ریزی پروژه های ساخت خطی ارائه کرد. این مدل برنامه ریزان ساختمانی را قادر می سازد تا برنامه های زمانبندی ساخت و ساز بهینه / نزدیک به قطعی تولید و ارزیابی کنند که حداقل زمان و هزینه پروژه را به حداقل برساند.

2.1.2 سیستم ایمنی مصنوعی
سیستم ایمنی مصنوعی (AIS) که توسط ایمونولوژی نظری، توابع ایمنی، اصول و مدل ها مشاهده شده، سیستم انعطاف پذیری یک موجود زنده را تحریک می کند تا پیچیدگی های مختلف در مشکلات بهینه سازی مهندسی در دنیای واقعی را شناسایی کند. [75] در این روش، ترکیبی از الگوریتم ژنتیک و روش کمترین مربع برای یافتن ساختارهای امکان پذیر و ثابت های مناسب برای آن ساختارها مورد استفاده قرار گرفت. رویکرد جدید نقاط ضعف روش های مبتنی بر شبکه های عصبی سنتی و مصنوعی را که در ادبیات برای تجزیه و تحلیل سیستم های مهندسی عمران ارائه شده است برطرف می کند.
Dessalegne and Nicklow الگوریتم زندگی مصنوعی را، که از پارادایم زندگی مصنوعی حاصل شده است، به کار بردند .[76] مدل مدیریت چند ساله ای که به دست آمده بود به طور موفقیت آمیزی به بخشی از آبریز رودخانه ایلینوی 53 اعمال شد.
با توجه به ویژگی های تنوع سیستم ایمنی، انواع الگوریتم های ایمنی از طریق فرم تحقق پیش بینی شده است. اما از آنجا که ویژگی های سیستم ایزوله اکتشاف نرم افزار هنوز در مرحله اولیه خود است، طراحی الگوریتم جنبه های بسیاری برای بهبود دارد، مانند تحقق الگوریتم، انتخاب پارامتر، بحث نظری و سیستم ایمنی در برنامه مهندسی عمران، هنوز نیازمند توسعه بیشتر است.
2.1.3 برنامه ریزی ژنتیک
برنامه نویسی ژنتیکی یک مدل برنامه نویسی است که از ایده های تکامل بیولوژیکی برای حل مسائل بهینه سازی پیچیده استفاده می کندAminian et al.[77].[78] . یک مدل تجربی جدید برای برآورد برش پایه سازه های فولادی هواپیما تحت بارگذاری زلزله با استفاده از روش ترکیبی یکپارچه سازی برنامه نویسی ژنتیکی (GP) و آنیلینگ شبیه سازی شده (SA) ارائه شده است. GP / SA نامیده می شود . [79] Hsie et al. یک رویکرد جدید به نام "LMGOT" پیشنهاد کرد که دو تکنیک بهینه سازی را در بر می گیرد: روش
Marquardt Levenberg(LM) و درخت عملیات ژنتیکی (GOT). GOT مفهوم را از الگوریتم ژنتیک، یک الگوریتم مشهور برای حل مشکلات بهینه سازی گسسته، برای تولید درخت های عملیاتی (OTs)، که ساختارهای فرمول را نشان می دهد، می گیرد. نتایج نشان می دهد که یک فرمول مختصر برای پیش بینی طول ترک خوردگی عرضی پیاده رو نشان می دهد و نشان می دهد که LMGOT یک رویکرد کارآمد برای ساخت یک مدل ترک کاملا دقیق است.
Cevik and Guzelbey [80] فرمولهای قدرت دو ورق برای فلزات با منحنی های تنش-غیر خطی مانند آلومینیوم و آلیاژهای فولاد ضد زنگ ارائه شده توسط شبکه های عصبی و برنامه نویسی ژنتیکی ارائه داده است. تعیین قدرت لرزش صفحات مستطیلی بر اساس پارامترهای رامبرگ-اسگود 54 .

2.1.4 دیگر الگوریتمهای تکاملی
Caicedo and Yun [81] الگوریتم تکاملی را پیشنهاد کرد که قادر به شناسایی حداقل وعده های جهانی و محلی بود. روش پیشنهادی با دو مثال عددی تایید شد.
Khalafallah and Abdel-Raheem [82] لگوریتم جدید تکاملی به نام Electimize را توسعه داد و آن را برای حل یک مشکل بهینه سازی سخت در مهندسی ساخت و توسعه مورد استفاده قرار داد. الگوریتم رفتار الکترونهای جریان را از طریق شعاع مدار الکتریکی با حداقل مقاومت الکتریکی تقلید می کند. در مورد مسئله تست، راه حل ها توسط سیم های الکتریکی نشان داده شده و در دو سطح ارزیابی می شوند: سطح جهانی، با استفاده از تابع هدف و سطح محلی، ارزیابی پتانسیل هر مقدار تولید شده برای هر متغیر تصمیم. نتایج تجربی نشان می دهد که Electimize دارای توانایی خوبی برای جستجو در فضای راه حل گسترده است، در حالی که به سمت بهینه سازی همگرا می شود.
[83] Ahangar-Asr et al. برای تحلیل ثبات شیب های خاک و سنگ، یک رویکرد جدید بر مبنای پسرفت چندجمله ای تکاملی (EPR) ارائه داده است. یکی دیگر از روش های مبتنی بر EPR را برای سنجش تعامل غیر خطی بین پارامترهای مختلف سیستم های مهندسی عمران معرفی کرد. [84]

2.2 ازدحام هوش
متائوئیستیسم55 براساس هوش روحانی، که شبیه سازی جمعیتی از افراد ساده را با همکاری با یکدیگر و با محیط زیست شبیه سازی کرده است، نشان می دهد عملکرد قابل اعتماد در بسیاری از مشکلات دشوار است و در سال های اخیر تبدیل به یک منطقه تحقیقاتی بسیار فعال است.
2.2.1 بهینه سازی ازدحام ذرات
بهینه سازی ذرات ذرات (PSO) یکی دیگر از روش های بهینه سازی جهانی مبتنی بر جمعیت است که تعدادی از راه حل های فردی، به نام ذرات، را قادر می سازد تا از طریق یک فضای جستجو با ابعاد بیش از اندازه برای جستجوی مطلوب حرکت کنند. هر ذره دارای یک بردار موقعیت و یک بردار سرعت است که در تکرارها با یادگیری از بهترین محلی که توسط ذره خود و بهترین جهانی جاری است که توسط کل ذرات یافت می شود، تعدیل شده است. مدل سازی یک سیستم که در آن چندین راه حل نامزدی همزمان و همزمان همکاری می کند، رویکردهای PSO، تلاش های حل مسئله را در یک شبکه اجتماعی جاسازی می کند و برای بهینه سازی سیستم های بسیار پیچیده در طبیعت مناسب هستند و بنابراین با موفقیت به کار گرفته می شوند.
Solihin et al [85] یک روش جدید برای تنظیم کنترل PID کنترل جرثقیل گاو اتوماتیک با استفاده از بهینه سازی ازدحام ذرات (PSO) پیشنهاد کرد. این کار در جزئیات نحوه استفاده از روش PSO را در پیدا کردن دستاوردهای PID بهینه سیستم جرثقیل زیر بنائی به شیوه بهینه سازی حداقل – حداکثر ارائه می دهد. نتایج شبیه سازی نشان می دهد که با تنظیم مناسب رضایت بخش عملکرد کنترل PID می تواند درایو غیر خطی را مدیریت کند .
برای غلبه بر ناراحتی، مدل ریاضی را دقیق و ثابت می کند و پارامترهای کامل را شناسایی می کند ، وانگ و همکاران 56کنترل گروهی را استفاده کرد.
الگوریتم PSO برای محاسبه ارزش نهایی هر نقطه مشترک استفاده شد[86] کنترل دیفرانسیل بر اساس غلظت گرانشی برای رانندگی کامیون پمپ بتن استفاده شد. از طریق تجزیه و تحلیل نمونه های شبیه سازی، نتیجه گیری این بود که روش ترکیبی PSO و جبران گرانش برای کنترل رونق کامیون بتن مناسب بود. Wang et al. [87] تجزیه و تحلیل و مقایسه عملکرد الگوریتم ژنتیک (GA)، بهینه سازی ذرات (PSO) و الگوریتم های کلونی مورچه (ACA) از سه جنبه به ترتیب، همگرایی، سرعت و پیچیدگی الگوریتم را مقایسه می کند. نتایج تحقیق نشان می دهد که در مقایسه با دو الگوریتم دیگر، ACA برتری خود را برای همگرایی بهتر، سرعت رضایت بخش و پیچیدگی الگوریتم نسبتا کوچک نشان می دهد که بسیار مناسب برای حل مشکلات طراحی فاضلاب مناسب است.[88] Shayeghi et al. با استفاده از بهینه سازی ازدحام ذرات (PSO) به منظور پارامترهای کنترل تدبیر کم فشار (TMD) برای دستیابی به بهترین نتایج در کاهش پاسخ ساختمان تحت تحریک زلزله طراحی و بهینه سازی کرد . نتایج تجزیه و تحلیل نشان می دهد که کنترل کننده TMD مبتنی بر PSO طراحی شده دارای توانایی بسیار خوبی در کاهش ساختار نمونه لرزه ای هیجان انگیز است. Ali and Ramaswamy [89] الگوریتم کنترل منطقی فازی بهینه برای کاهش ارتعاشات ساختمان ها با استفاده از magneto-rheological (MR)، ارائه داده است. برای بهینه سازی پارامترهای FLC، یک الگوریتم microgenetic (mu-GA) و بهینه سازی ازدحام ذرات (PSO) استفاده شد. این روش در حال حاضر کنترل کننده ارتعاش بهتر برای ساختارهای تحت تحریک زلزله است.[90] Filiberto et al روشی را پیشنهاد می کند که متشکل از بهینه سازی ذرات متاوهوریستی (PSO) با نظریه مجموعهآمار تقریبی (RST) را برای پیش بینی ظرفیت مقاومت اتصال (Q) در شاخه مهندسی عمران ارائه می دهد. در همان زمان، برای محاسبه این مقدار، از روش k-NN استفاده شد. نتایج تجربی نشان می دهد که الگوریتم k-NN، PSO و روش محاسبه وزن ویژگی ها، یک روش موثر برای مشکل تقریبی تابع هستند. [91] Schmidtسنتز یک سیستم کنترل فعال با استفاده از یک روش بهینه سازی ذرات تغییر یافته ارائه داده است. طراحی کنترل کننده سیستم به عنوان حداقل سازی شتاب داستان ساختمان مورد تجزیه و تحلیل قرار گرفت. تابع آمادگی پیشنهادی به صورت محاسباتی کارآمد بود و شامل محدودیت هایی بر ثبات سیستم و حداکثر خروجی محرک ها می شود.
Zheng and Liu [92] عوامل مختلف تاثیر گذار بر پیشرفت پروژه را مورد تجزیه و تحلیل قرار داد و مدل ریاضی کنترل برنامه را بر اساس توضیح کمی از رابطه عوامل تاثیر با کنترل برنامه بر روی پروژه توسعه داد. به منظور بهبود سرعت و دقت حل، نویسندگان از الگوریتم ازدحام ذرات برای حل مدل فوق استفاده کردند. تحقیقات تجربی نشان داد که این روش در زمینه کنترل برنامه پروژه موثر است.
برای محاسبه ضرایب شبکه مناسب،[93]Tsaiیک روش بهینه سازی ذرات متحد مرکزی (CUPSO)، متشکل از ذرات مرکزی و انواع جهانی و محلی است که برای انجام وظایف بهینه سازی بسیار موثر است را طراحی کرد .[94] Marinaki et alبهینه سازی ذرات پیشنهاد شده (PSO) برای محاسبه پارامترهای آزاد در سیستم های کنترل فعال و آزمایش کرده است . استفاده از PSO با ترکیبی از متغیرهای مداوم و گسسته برای طراحی مطلوب کنترل کننده پیشنهاد شد. برنامه های کاربردی عددی روی پرتوهای پرتو نازک هوشمند ارائه شده است. Nejadfard et al. [95] یک روش جدید مبتنی بر همکاری چند ربات برای بازرسی و تعمیر ساختارهای گنبد معرفی کرده است. نتایج شبیه سازی نشان می دهد که یک مسیر پایدار به طور کامل جابه جایی سطح یک گنبد وجود دارد. نتایج تجربی در یک نمونه اولیه مقیاس کوچک این نتایج را تایید می کند.[96] Raju et al. مدل توسعه پویای ساختار پرتوهای انعطاف پذیر با استفاده از روش اختلاف محدود (FD) را نشان داده است. مدل شبیه سازی شده با مقایسه حالت های رزونانس با مقادیر نظری مورد تایید قرار گرفت. روش هوشمند طبیعت الهام بخش، بهینه سازی ازدحام ذرات (PSO) برای کنترل لرزش پرتو مورد استفاده قرار گرفت و نتایج با روش الگوریتم ژنتیکی (GA) مقایسه شد. شبیه سازی عددی نشان می دهد که مهار ارتعاش کافی را می توان با استفاده از این روش ها به دست آورد.

2.2.2 بهینه سازی کلونی مورچگان
الگوریتم بهینه سازی کلون مورچه (ACO) الگوریتم رفتار مورچه های واقعی که در مستعمرات زندگی می کنند و با یکدیگر ارتباط برقرار می کنند با استفاده از فرومون به منظور انجام وظایف پیچیده مانند ایجاد کوتاه ترین مسیر از لانه به منابع غذایی، تقلید می کند. در یک کار بسیار جدید، مونکایو-مارتینز و ژانگ57 ACO چند منظوره را برای بهینه سازی زنجیره تامین مطالعه کرد. ACO برای بهینه سازی چند هدفه زنجیره تامین مورد مطالعه قرار گرفت. آنها برای کمینه کردن کل هزینه در نظر گرفتند، در حالی که نگه داشتن کل زمانهای اجرایی در زمان تحویل مورد نیاز، مورد توجه قرار گرفت. آنها مشکل طراحی را به فرم بهینه سازی ACO به صورت فرمول درآوردند و تعدادی از مستعمرات مورچه را در یک دنباله اجرا کردند تا فضای راه حل را کشف کنند و به دنبال مجموعه ای از طرح های زنجیره تامین که به طور متوالی بهتر نشده بودند را جستجو کرد. الگوریتم کلونی مورچه به عنوان یک الگوریتم جدید بهینه سازی bionic heuristic پیشنهاد شده است. اگر چه فقط چند سال است، و آن راه حل بسیاری از ترکیبات پیچیده است مشکلات بهینه سازی و مزایای آشکار را نشان داد.
[97] Kaveh and Talatahari برای بهینه سازی مستعمرات کلونی (IACO)، مشکلات طراحی مهندسی محدود، و برای طراحی بهینه مشکلات مختلف مهندسی ارائه داده است. [98]Doerner et al بهینه سازی کلانتری مورچه پارتو به عنوان یک عامل موثر به خصوص برای حل مشکل انتخاب نمونه کارها و مقایسه آن با سایر رویکردهای اکتشافی با استفاده از آزمایش های محاسباتی با نمونه های تصادفی، را معرفی کرد. علاوه بر این، نویسندگان یک مثال عددی بر اساس داده های دنیای واقعی ارائه دادند. اگرچه الگوریتم colony (مستعمره)
(الگوریتم بهینه سازی مورچه ها) دارای قدرت قوی، جستجو موازی کلی و مزایای دیگر است، اما در طول همگرایی مدل الگوریتم و مبنای نظری، مدت زمان طولانی نیز جستجو می شود، و به همین ترتیب، کارهای زیادی برای ادامه تحصیل در نظر گرفته شده است . علاوه بر این، با توجه به ترکیب روش بهینه سازی الگوریتم colony (مستعمره) (الگوریتم بهینه سازی مورچه ها) و الگوریتم ژنتیک و الگوریتم ایمنی، این روش موثر برای بهبود عملکرد الگوریتم کلونی مورچه است. با تشدید تحقیق در الگوریتم colony (مستعمره) (الگوریتم بهینه سازی مورچه ها) ، برنامه کاربردی گسترده تر خواهد شد.

2.3 شبکه های عصبی
سیل[99] شبکه های عصبی مصنوعی را برای تحریک علاقه در جامعه تحقیقاتی مهندسی عمران برای توسعه نسل بعدی استفاده می کند و نشان می دهد که این رویکرد نیاز به طراحی برخی از مکانیسم های نوین ژنتیک پیچیده ای دارد تا ساختارهای مورد نیاز شبکه بالاتر و استفاده از مکانیسم های توسعه در طبیعت مشاهده شده مانند رشد، خود-سازمان و توابع چند مرحله ای . [100] Sharma and Dasیک شبکه عصبی مصنوعی (ANN) به عنوان ابزاری برای پردازش مجدد استفاده کرد. [101] Bendana et alیک سیستم مبتنی بر منطق فازی برای انتخاب پیمانکاران ارائه داده است . به عنوان بخشی از فرآیند اعتبارسنجی، یک شبکه عصبی برای اثبات این که ابزار کنترل فازی یک رفتار است که می تواند توسط یک شبکه عصبی شناخته شود، توسعه داده شد. [102] Bilgil and Altun روشی کارآمد برای تخمین ضریب اصطکاک از طریق یک شبکه عصبی مصنوعی، که ابزار محاسباتی امیدوار کننده در مهندسی عمران بود، معرفی کرد. ارزش تخمینی از ضریب اصطکاک در معادله مانینگ برای پیش بینی جریان کانال به منظور انجام مقایسه ای بین رویکرد مبتنی بر شبکه های عصبی پیشنهاد شده و مقادیر معمول استفاده شده است. نتایج نشان می دهد که رویکرد پیشنهادی در مقایسه با نتایج تجربی، با نتایج آزمایشگاهی مقایسه شده است. Z. Q. Gu و S. O. Gu [103]مطالعات عددی کنترل ارتعاش ساختاری چند درجه ای (MDOF) را بر اساس رویکرد الگوریتم انتشار عقب به روش کنترل DRNN ارائه کردند. نتایج تحقیقات نشان می دهد که پاسخ ارتعاش ساختارهای MDOF خطی و غیر خطی به ترتیب بین 78٪ تا 86٪ و بین 52٪ و 80٪ کاهش می یابد، زمانی که آنها تحت فرآیند زلزله های ال Centro، Kobe، Hachinohe و Northridge قرار می گیرند . [104] Laflamme and Connorیک شبکه عصبی تطبیقی که از توابع شعاعی گاوسی برای ترسیم رفتار سازه های مدنی کنترل شده با دمبرهای مغناطیسی پیشنهاد داده است. کنترل کننده پیشنهادی با استفاده از سه نوع زلزله شبیه سازی شده است . [105] Lee et al تکنیک هوش مصنوعی شبکه های عصبی برگشتی را برای ارزیابی شکست شیب استفاده کرد. نتایج عددی نشان دهنده اثربخشی شبکه های عصبی مصنوعی در ارزیابی پتانسیل شکست شیب براساس پنج عامل اصلی، مانند زاویه شیب، ارتفاع شیب، بارش تجمعی، بارندگی روزانه و مقاومت مواد است.
[106] Xiao and Amirkhanian یک سری از مدل های ANN را برای شبیه سازی مدول انعطاف پذیر از مخلوط های لاستیکی (رطوبت های محیطی و فریزر) با استفاده از هفت متغیر ورودی از جمله اجزای مواد مانند درصد لاستیک و RAP و همچنین خواص رئولوژیکی اتصال دهنده های اصلاح شده (یعنی ویسکوزیته، G * sin دلتا، سختی، و mvalues) ارائه داد . نتایج نشان داد که مدل های مبتنی بر ANN بیشتر از مدل های رگرسیون58 موثر بوده و می توانند به آسانی در یک صفحه گسترده اجرا شوند، بنابراین کاربرد آن آسان است.
سیل [99] در ساخت انجمن تحقیقات مهندسی عمران، برای توسعه نسل بعدی شبکه های عصبی مصنوعی مورد استفاده قرار می گیرد. به طور خاص، آن را مشخص می کند چه نسل بعدی این دستگاه ها باید برای رسیدن به آن، و جهت گیری در مورد چگونگی پیشرفت آنها را فراهم می کند.
Benchmark and Narasimhan [107] یک طرح کنترل مستقیم تطبیقی را برای کنترل فعال پل عابر پیاده غیر خطی ارائه دادند. نیروی کنترل با استفاده از یک شبکه عصبی غیر خطی غیر پارامتر لاجیک مخلوط با یک کنترل کننده متناسب با نوع مشتق شده محاسبه شد. نتایج نشان می دهد که طرح کنترل کننده پیشنهادی می تواند کاهش های پاسخ خوب در ساختار بدون نیاز به توصیف دقیق غیر خطی یا اطلاعات سیستم ساختاری گسترده را به دست آورد.
Zhang and Haghighat [108] الگوریتم شبکه عصبی مبتنی بر شبکه عصبی مصنوعی بر اساس الگوریتم حرارتی (ANN-HC) را برای پیش بینی محیط های متوسط ​​Nusselt در امتداد سطوح مجاری توصیف کردند. نشان داده شده است که این روش به خوبی می تواند تعاملات بین ETAHE و محیط آن را شبیه سازی کند.
[109] Yvera امکان استفاده از ابزار مبتنی بر هوش مصنوعی و داده های واقعی را بررسی می کند. نتایج این تحقیق نشان می دهد که این رویکردی است که می تواند مورد استفاده و توسعه بیشتری قرار گیرد. این ابزار 100٪ بویایی را پیش بینی کرد، قالب 76٪ و به درستی 92٪ پوسید. Rahman et al [011] استفاده از مدل چند لایه شبکه عصبی مصنوعی پیشگیرنده (ANN)، کریگینگ عادی (OK) و مدل های وزن دهی معکوس (IDW) را در برآورد عمق انهدام محلی در اطراف پل ها نشان داد. نشان داده شد که مدل شبکه عصبی مصنوعی عمق شستشوی محلی را دقیق تر از مدل های مقادیر کریجینگ و معکوس فاصله پیش بینی می کند. یافته شد که ANN با دو لایه پنهان، مدل مطلوب برای پیش بینی عمق آبشستگی محلی بود.
بر اساس شبکه عصبی BP، Wang et al. [111] مدل برآورد هزینه مهندسی بزرگراه را تنظیم کرد. این دیدگاه امیدوار کننده شبکه عصبی BP را در برآورد هزینه مهندسی ساخت و ساز نشان می دهد. Parhi and Dash [112] رفتار پویای یک ساختار پرتو با چندین ترمز عرضی با استفاده از کنترل کننده عصبی را تحلیل می کند. نتایج حاصل از کنترل عصبی برای مقایسه با خروجی از نظریه، عددی محدود و تجزیه و تحلیل تجربی ارائه شده است. از ارزیابی عملکرد کنترل کننده شبکه عصبی مشاهده شد که روش توسعه داده شده می تواند به عنوان یک ابزار تشخیص کرک در حوزه ساختارهای ارتعاشی دینامیک استفاده شود.
Gui et al [113] خلاصه برنامه های بهینه سازی ساختاری در طراحی مهندسی عمران و توسعه وضعیت مبتنی بر ویژگی های طراحی پل سازه ای پیشنهاد داده است.
برای پروژه پل به الگوریتم ژنتیک فن آوری سیستم متخصص به عنوان اساس برای ترکیب طراحی خودکار و بهینه سازی طراحی ساختاری سیستم نیاز است .
Li et al [105] یک روش شناسایی خسارت مبتنی بر ارتعاش جهانی، که از تغییرات الگوی آسیب در عملکرد توابع پاسخ فرکانسی (FRF) و شبکه های عصبی مصنوعی (ANNs) برای شناسایی نقص ها استفاده می کند، ارائه داده است. Li et al [106] کاربرد شبکه های عصبی مصنوعی را برای پیش بینی مقاومت فشاری نشان می دهد. نتایج نشان داد که ANN یک ابزار قابل پیش بینی برای پیش بینی مقاومت فشاری است. Cheng et al [117] یک شبکه عصبی ترکیبی فازی تکاملی (EFHNN) را برای افزایش اثربخشی ارزیابی عملکرد قراردادی در صنعت ساخت و ساز ایجاد کرد. EFHNN توسعه یافته ترکیبی از شبکه های عصبی (NN) و شبکه های عصبی مرتبه بالا (HONN) را به یک شبکه عصبی ترکیبی (HNN)، که به عنوان موتور اصلی نتیجه گیری عمل می کند و با اتصالات لایه خطی و غیر خطی NN متناوب عمل می کند.[118] Cachim از شبکه های عصبی مصنوعی برای پیش بینی درجه حرارت چوب در زیر بارگیری آتش استفاده می کند. مدل شبکه عصبی مصنوعی با استفاده از نتایج عددی موجود به دست آمده با استفاده از روش طراحی Eurocode 5 برای محاسبه درجه حرارت در چوب تحت بارگذاری آتش مورد آزمایش قرار گرفت. نتایج آموزش و آزمایش در مدل شبکه عصبی نشان داده است که شبکه های عصبی می توانند به طور دقیق درجه حرارت را در اعضای چوب اعمال شده در معرض آتش سوزی محاسبه کنند.
Arangio و Beck [119]از یک دیدگاه تاریخی از رویکرد منطق احتمالی و کاربرد آن در زمینه مدل شبکه عصبی استفاده کرده اند، ادبیات موجود بر اساس چهار سطح اعلام شده، بازنویسی شده و تغییر یافته است. سپس، این چارچوب برای توسعه یک استراتژی دو مرحله ای برای ارزیابی یکپارچگی یک پل طولانی تعلیق تحت لرزش های محیطی اعمال شد.
به عنوان یک تحلیل و حل مشکلات پیچیده، به ویژه در مسئله غیر خطی، شبکه عصبی یک ابزار مهم است و پتانسیل شبکه عصبی در مهندسی و فناوری اطلاعات توسط محققان بیشتر و بیشتر درک شده است. شبکه عصبی در زمینه استفاده از زمینه مهندسی عمران بسیار گسترده خواهد بود. شبکه عصبی همچنان متعلق به علم متقابل جدید است، خود کامل نیست. در مورد ساختار و الگوریتم شبکه عصبی، تحقیقات بهبود آن در حال انجام است. و مطالعات کاربردی آن هنوز مشکلی وجود دارد، به ویژه در روش ترکیبی شبکه عصبی، الگوریتم ژنتیک منطق فازی، و سیستم متخصص، و این یک زمینه پژوهشی بسیار جذاب است.

2.4. سیستم های فازی
[120] Zarandi et al شبکه های عصبی چند جملهای فازی (FPNN) را برای پیش بینی مقاومت فشاری بتن توسعه می دهد. نتایج نشان می دهد که FPNN-Type1 دارای توان بالقوه ای به عنوان یک ابزار قابل پیش بینی برای پیش بینی مقاومت فشاری بتن مخلوط طراحی است. Hossain et al تحلیلی از عملکرد مقایسه ای از الگوریتم های شناسایی و کنترل سیستم هوشمند در چارچوب یک سیستم کنترل لرزش فعال (AVC) ارائه کرد.[121]
عملکرد مقایسه ای از الگوریتم ها در پیاده سازی سیستم شناسایی و سیستم AVC مربوطه با استفاده از GAs و ANFIS از طریق مجموعه ای از آزمایشات ارائه شده و مورد بحث و بررسی قرار می گیرد . [122] Cheng etیک سیستم استنتاج عصبی فازی تکاملی (EFNIS) را برای تقلید از فرایندهای تصمیم گیری در مغز انسان به منظور تسهیل تصمیم گیری کارشناسان ژئوتکنیکی توسعه داد.
سبحانی و رمضانیان پور[123] یک سیستم محاسباتی نرم افزاری را برای ارزیابی عمر مفید بلوک های بتنی تقویت شده به عنوان یکی از مهم ترین مسائل در مهندسی عمران مورد بررسی قرار دادند. سیستم پیشنهادی با استفاده از چهار رابط فازی برای اندازه گیری شرایط قرار گرفتن در معرض، ضخامت پوشش مورد نیاز، چگالی جریان خوردگی و نسبت خوردگی خوردگی استفاده می کند. نتایج نشان داد که سیستم پیشنهادی می تواند عمر مفید را پیش بینی کند؛ با این حال، عمر طولانیتری را در مقایسه با روش احتمالاتی برآورد کرد.
[124]Guo et al استراتژی کنترل فازی با استفاده از مدل پیش بینی شبکه عصبی ساختار ساختمان با گیره های MR پیشنهاد شده است که در آن مدل پیش بینی شبکه عصبی برای پیش بینی واکنش های دینامیکی سیستم های AMR طراحی شده است و سپس یک فازی برای تعیین جریان های کنترل دمپر مغناطیسی(جاذب امواج مغناطیسی)59کنترل کرده است .
[125]Choi et al کاربرد سیستم کنترل هوشمند غیرفعال مغناطیسی (MR) با استفاده از القای الکترومغناطیسی (EMI) به حفاظت لرزه ای سازه های ساختمانی پایه با سیستم های جداسازی غیرخطی مانندرفتار اصطکاک و رفتار سرب مورد بررسی قرار گرفت.
Omurlu et al.[126] استفاده از کنترل خوشه بر روی جاده های viaduct که از قطعات مسطح ساخته شده است معرفی شده است. تجزیه و تحلیل عملکرد کنترل خوشه ای همراه با اثرات فردی پارامترهای کنترل کننده در پاسخ فرکانس سیستم مورد بحث و ارائه شده است.
[127]Guclu and Yaziciمنطق فازی و کنترل کننده های PD برای یک ساختار آزادی چند درجه ای با استفاده از آمپر جابجایی فعال (ATMD) برای جلوگیری از ارتعاشات ناشی از زلزله طراحی شده است.کنترل منطقی فازی (FLC) به دلیل کارایی قوی، عملکرد برتر و دانش اکتشافی به طور موثر وراحت درکنترل فعال ترجیح داده است.نتایج شبیه سازی ها نشان می دهد عملکرد خوب توسط کنترل کننده منطق فازی برای بارهای مختلف و زمین لرزه ها است.
[128] Ozbulut and Hurlebaus یک مدل عصبی-فازی از سیمهای آلیاژ شکل NiTi (SMA) ارائه دادند که توانایی ضبط رفتارهای SMA های فوق العاده را در دماهای مختلف و بارهای مختلف بارگیری داشت، در حالی که به اندازه کافی ساده برای تحقق شبیه سازی های عددی باقی ماند.
نشان داده شد که عناصر مجهز به SMA می توانند به صورت موثر جابجایی محدوده عرشه و جابجایی نسبی بین پره ها و ساختارهای مجاور در یک پل جدا شده در حالی که تمام تغییرات را به موقعیت اصلی خود می رسانند، کاهش می یابد. [129]Shaheen et al نشان می دهند که چگونه سیستم های متخصص فازی می تواند در مدل های شبیه سازی رویداد گسسته به منظور ارتقاء قابلیت های مدل سازی و پیش بینی آنها برای برنامه های کاربردی مهندسی ساخت و ساز عمل کنند.یک روش پیشنهادی برای استخراج اطلاعات از کارشناسان برای توسعه قوانین سیستم فیزیکی کارشناس ارائه شده است. Chen et al [130] امکان استفاده از استراتژی کنترل کشویی فازی تطبیقی (AFSMC) برای کاهش پاسخ های پویا از پل ها ساخته شده با استفاده از سیستم حفاظتی هیبرید جداسازی الیاف سرب (LRB) ساخته شده را بررسی کردند . استراتژی کنترل جذاب که از آن به دست می آید، به پل های تحریک شده لرزه ای با استفاده از جداسازی LRB اعمال می شود. [131] Bianchini and Bandini یک مدل عصبی-فازی برای پیش بینی عملکرد پیاده روهای انعطاف پذیر با استفاده از پارامترهای به طور مرتب توسط سازمان ها برای مشخص کردن وضعیت یک روستای موجود، پیشنهاد می کنند. نتایج مدل فازی عصبی با توجه به دقت در تقریب، بهتر از مدل رگرسیون خطی بود. مدل پیشنهادی عصبی-فازی، توانایی تعمیم خوبی را نشان داد و ارزیابی عملکرد مدل نتایج رضایت بخش را نشان داد، که نشان دهنده کارایی و توانایی این تکنیک های مدل سازی ریاضی جدید است.[132] Ozbulut and Hurlebaus دو کنترل کننده منطقی فازی (FLCs) را برای نیروی کنترل عمل جرقه های اصطکاک پیزوالکتریک مورد استفاده برای محافظت در برابر لرزه های ساختمان های جدا شده بر علیه انواع مختلف تحرکات زلزله پیشنهاد می کنند. نتایج برای چندین حرکت زمین تاریخی نشان می دهد که کنترل کننده های منطقی فازی می توانند به طور موثر تغییر شکل سیستم انزوا را بدون از دست دادن مزایای بالقوه جداسازی پایه لرزه ای کاهش دهند.[133] Meng et al از یک حساب جدید کنترل فازی با استفاده از شناسایی حالت در کنترل نیمه فعال استفاده کرده اند. استراتژی کنترل فازی مختلفی اعمال می شود. [134] Nieto-Morote and Ruz-Vilaروش ارزیابی ریسک را بر اساس نظریه مجموعه فازی ارائه دادند که یک ابزار موثر برای مقابله با قضاوت ذهنی و فرایند تحلیلی سلسله مراتب (AHP) است که برای ساختن تعداد زیادی از خطرات استفاده شد . روش پیشنهادی دانش و تجارب بسیاری از کارشناسان را به دست می آورد، زیرا شناسایی خطرات و ساختار آنها را انجام می دهند، و همچنین قضاوت های ذهنی پارامترهایی برای ارزیابی عامل خطر کلی در نظر گرفته می شود.[135] Rosko با بهینه سازی توپولوژی ساختاری با محدودیت فازی برخورد کرد. این مطالعه در مهندسی و مهندسی عمران کاربرد دارد. مثال مثال تئوری ارائه شده را نشان می دهد. گونزالز جورج و همکارانش [136] 60 پیشنهاد روش شناسی برای استخراج اطلاعات مربوط به حضور دانه های زیستی در ساختارهای بتنی با استفاده از اسکنرهای لیزری زمینی را پیشنهاد کردند. هدف از این روش، ادغام تمام اطلاعات در دسترس، دامنه، شدت و رنگ، در جریان کار استخراج بود. این روش اساسا بر اساس دو الگوریتم است.
[137]Yakut and Alli ، الگوریتم کنترل حالت کشویی فازی مبتنی بر عصبی را با استفاده از تکنیک های کنترل حالت کشویی و تکنیک های هوش مصنوعی مورد استفاده قرار دادند و به ساختمان 8 طبقه نمونه با تاندون فعال اعمال شدند. نتایج به دست آمده نشان می دهد که کنترل کننده در کنترل زلزله با ویژگی های مختلف کنترل بسیار خوبی دارد.
[138] Mahjoobi et ارائه مدل های جایگزین ارزشیابی مبتنی بر شبکه های عصبی مصنوعی (ANNs)، سیستم استنتاج فازی (FIS) و سیستم استنتاج فازی بر مبنای
Adaptive-Network را ارائه دادند. جهت سرعت باد، جهت باد، طول کشش و طول باد به عنوان متغیرهای ورودی، در حالی که ارتفاع موج قابل توجهی، اوج طیف طیفی و جهت موج میانگین، پارامترهای خروجی بودند. نتایج نشان داد که آمار خطای مدلهای نرم افزار محاسباتی مشابه بود، در حالی که مدل های ANFIS نسبت به مدل های FIS و ANNs دقیق تر بودند.
بر اساس نظریات فوق، تحقیق تئوری تقریبی سیستم فازی بیش از 10 سال است. از نظریه تقریب اولیه، هر نوع شرایط کافی برای ایجاد شرایط لازم، مکانیزم تقارن سیستم فازی تابع پیوسته نشان داده شده است. تعدادی از قوانین فازی، تقریب جهانی جوهر برای سیستم فازی است. تئوری تقریب فازی تا نقطه ای کامل به وجود نیامده است و کار تحقیقاتی شامل چندین بعد است: تجزیه و تحلیل خطا تقریبی سیستم؛ الگوریتم ساختاری سیستم فازی موثر مناسب برای کاربرد مهندسی.

2.5. سیستم کارشناس

یک سیستم متخصص با استفاده از دانش کارشناس انسانی موجود بر پایه سیستم راه اندازی دانش متکی است؛ سیستم متخصص، اولین، موثرترین در زمینه تحقیقات هوش مصنوعی را توسعه می دهد. این سیستم متخصص به طور گسترده ای در جاده ها و پل ها، مهندسی ساخت و ساز، مهندسی ژئوتکنیک، مهندسی زیرزمینی، پروژه پیشگیری از حوادث، مهندسی مواد، اکتشاف زمین شناسی و صنایع شیمیایی نفت و غیره مورد استفاده قرار می گیرد. یک سیستم متخصص در یک منطقه خاص است و دارای دانش مربوطه است و دانش و تجربه مربوطه در سیستم برنامه نویسی دارد. استفاده از هوش مصنوعی کارشناسان انسانی را در حل مسئله فرایند تفکر در زمینه شبیه سازی می کند و به سطح کارشناسان نزدیک می شود.
[139] Golroo and Tighe مدل های عملکردی PCP را برای اولین بار با استفاده از یک روش زنجیره مارکوف (ترکیب تکنیک های همگن و غیر همگن) با استفاده از دانش تخصصی به کار بردند . هر دو رویکرد قطعی و تصادفی برای ساخت مدل مارکوف با استفاده از مقادیر مورد انتظار و تکنیک شبیه سازی لاتین هیپوکان استفاده می شود. Grau et al [140] خلاصه تحقیق در مورد سوال، چه زمانی، و چه مقدار طراحی سایت مناسب است تا نفوذپذیری پروژه را تحت تاثیر قرار دهد. بر اساس تجزیه و تحلیل داده های نماینده 115 پروژه های تسهیلات سرمایه با 9 میلیارد دلار در کل هزینه های نصب شده، یک سیستم برنامه ریزی متخصصین پایگاه داده برای محاسبه قابل اعتماد فعالیت های طراحی خاص مورد بررسی قرار گرفت که در صورت اجرا بر روی سایت، شانس موفقیت پروژه را افزایش می دهد . در مهندسی عمران، تعیین طراحی concretemix بسیار دشوار است و معمولا نتیجه نامعلوم است. منطق فازی راهی برای نشان دادن یک نوع عدم قطعیت است که قابل درک برای انسان است.
[141] Adeli Neshat یک سیستم کارشناس فازی برای تعیین ترکیب طراحی بتن را طراحی کرده اند . [142]Sariyar and با استفاده از سیستم های متخصص، یعنی شبکه های عصبی (NN)، تعامل سازه خاک (SSI) را مورد بررسی قرار دادند. این روش یک دیدگاه جدید برای ارزیابی SSI و استفاده از زمین را فراهم می کند. شبکه های عصبی مصنوعی (ANN) بر روی بسیاری از مسائل مربوط به مهندسی عمران با برخی از موفقیت ها اعمال شده است. Gupta [143]et al ANN را به عنوان تلاش برای به دست آوردن دقیق تر قدرت پیش بینی بتن بر اساس پارامترهای مانند طراحی مخلوط بتن، اندازه و شکل نمونه، روش درمان و دوره، شرایط محیطی، و غیره مورد استفاده قرار دادند .
[144]Chau and Albermani توصیف یک سیستم مبتنی بر دانش (KBS) برای طراحی ساختارهای نگهدارنده مایع است که می تواند هر دو پردازش دانش نمادین بر اساس اکتشافات مهندسی در مرحله سنتز اولیه و چرخه های عددی گسترده ای که در مرحله تجزیه و تحلیل دقیق درگیر هستند . سیستم نمونه اولیه با استفاده از معماری تخته سیاه و یک ورق تجاری VISUAL RULE STUDIO طراحی شده است.
[145] Zain et al سیستم متخصص نمونه اولیه HPCMIX را توصیف می کنند که نسبت آزمایش مخلوط بتن با کارایی بالا (HPC) و توصیه های مربوط به تنظیم مخلوط را ارائه می دهد. دانش از منابع متن متنی و متخصصان انسان به دست آمد. این سیستم با استفاده از فن آوری نمایندگی هیبرید توسعه داده شد. [146] Kazaz کاربرد سیستم متخصص را به عنوان شاخه زیر سیستم های هوش مصنوعی در نظر گرفت. برای غلبه بر این گره و همچنین افزایش دانش کارکنان نظارتی، سیستم متخصص مکانیک شکست مکانیک بتن توسعه یافته است.
فن آوری سیستم کارشناس فرصتی جدید برای سازماندهی و سیستم فراهم آوردن دانش و تجربه موجود در زمینه انتخاب ساختاری فراهم می کند. با استفاده از روش هوش مصنوعی، سیستم متخصص در برنامه مهندسی عمران نیز گسترش می یابد. محل فعالیت مهندسی عمران تکنولوژی اطلاعاتی شامل استفاده از سیستم متخصص خواهد داشت. سیستم کارشناس تبدیل به ابزار مدیریت ساخت و ساز و دستیار مهندسی عمران هوشمند برای انسان های قرن 21 خواهد شد.

3. استدلال، طبقه بندی و یادگیری
[147] Göktepe et al و همکارانش، کاربرد یک سیستم مبتنی بر قاعده فازی را برای انتخاب عوامل تورم / انقباض موثر بر دقت بهینه سازی زمین انجام دادند. این رویکرد میتواند در هر روش هماهنگسازی بزرگراه کمک کند تا حجم دقیق برش و پر کردن را مرتفع کند. [148]Zanaganeh et alمدل یک الگوریتم ژنتیکی سازگار مبتنی بر شبکه مبتنی بر
FIS( GA -ANFIS) را توسعه دادند که در آن هر دو پارامترهای خوشه بندی و پارامتر پایه به طور همزمان با استفاده از GAs و شبکه های عصبی مصنوعی (ANNs) بهینه شدند. نتایج نشان می دهد که مدل GA-ANFIS نسبت به ANFIS و روش دستیابی حفاظت از ساحل (SPM) نسبت به دقت پیش بینی آنها برتر است.
Bianchin و Bandini [149]یک مدل فازی عصبی برای پیش بینی عملکرد پیاده روهای انعطاف پذیر با استفاده از پارامترهای به طور معمول توسط سازمان ها برای مشخص کردن وضعیت یک روان شناسی موجود ارائه می دهند. مدل پیشنهادی عصبی-فازی، توانایی تعمیم خوبی را نشان داد و ارزیابی عملکرد مدل نتایج رضایت بخش را نشان داد، که نشان دهنده کارایی و توانایی این تکنیک های مدل سازی ریاضی جدید است.
[150]Eliseo et alیک مطالعه موردی را نشان دادند که پتانسیل هستی شناسی را به بحث در مورد تغییرات زمانی در فضای معماری نشان می دهد. این کار یک هسته شناسی دامنه با روابط زمان را نشان می دهد تا تغییرات در یک ساختمان را در طول زمان ثبت کند و نشان می دهد که چگونه این هستی شناسی را می توان به عنوان یک حمایت برای یادگیری در کلاس تاریخ معماری برای ایجاد انگیزه برای دانش آموزان استفاده کرد.
[151]Lee and Mita یک روبات عامل سنسور متحرک با شتاب سنج و یک LRF محدوده لیزر پیشنهاد دادند. برای رسیدن به این هدف، قاب ربات به منظور حرکت به پایین و ایجاد سختی کافی برای به دست آوردن اطلاعات مناسب تغییر یافت.
[152]El-Sawalhi et alالگوریتم ژنتیک ترکیبی و مدل شبکه عصبی (GNN) ارائه کردند . نتایج نشان داد که بین ویژگی های پیمانکار و عملکرد مربوطه از نظر انحراف پیمانکار از اهداف مشتری رابطه مناسب دارد. [153]Lee and Bernold نتیجه تلاش را برای تست عملکرد برنامه های کاربردی همه جانبه ارتباطات بر روی بی نهایت وفاداری بی سیم نصب شده در سایت ساخت و ساز غیر دوستانه ارائه کردند. ارزش آن درس های آموخته شده و نتیجه انواع آزمون های میدانی با سیستم نمونه اولیه بود. Kovacevic و همکاران[154] سیستم پرسش و پاسخ (Q-A) (که در جای دیگر گزارش شده است) را توسعه دادند. برای حمایت از این سیستم، نویسندگان یک خزنده اتوماتیک ایجاد کرده اند که امکان ایجاد یک بانک از صفحات مربوطه را فراهم می کند و به نیازهای این صنعت خاص صنعت کاربر برمی گردد. O'Brien و همکاران معماری را که توسط یک نمونه اولیه از نسل اول کار می شود معرفی می کند. جزئیات نمونه اولیه، درس های آموخته شده و پیشرفت های خاص مشخص شد. پیاده سازی تجاری آینده معماری، چشم انداز های خاص ساختاری برای محاسبات همه جا را ممکن می سازد با ایجاد کشف انعطاف پذیر و قوی و استفاده از داده ها به شیوه ای خاص. لونا و همکاران[156] 96 یک ابزار یادگیری جغرافیایی (GIS) را با استفاده از مجموعه ای از اشیاء یادگیری توسعه داد. این اشیاء یادگیری برای حمایت از آموزش مکمل در GIS طراحی شده اند و به طور یکپارچه در برنامه درسی دوره یکپارچه شده اند. Singh و همکاران[157] پیشنهاد استفاده از یک رویکرد جدید مبتنی بر تصویر مبتنی بر تصویر (IBML) را برای کاهش تعداد تعاملات کاربر مورد نیاز برای شناسایی راه حل های کالیبراسیون امیدوار کننده در زمینه پارامترهای پارامتر فضایی توزیع پیشنهاد می کنند. رویکرد IBML بر روی مسئله کالیبراسیون آب زیرزمینی آزمایش شده و نشان داده شده است که به بهبود قابل ملاحظه ای می انجامد و میزان تعامل کاربر را تا نیمه کاهش می دهد بدون اینکه کیفیت کیفیت IMOGA را تحت تاثیر قرار دهد.
تامپسون[158] نشان داد که ارزیابی های کاربردی و تکنیک های جایزه می توانند به صورت سودمند به عنوان ابزار آموزشی مورد استفاده قرار گیرند. به طور کلی کار مطالعه موردی به نظر می رسد که اهداف یادگیری اصلی را در اختیار دانش آموزان درک گستردگی راه حل های عملی در پایداری قرار دهد[159] Obonyo توصیف استقرار یک محیط یادگیری الکترونیکی برای دوره های ساخت و ساز مبتنی بر افزایش فن آوری محاسبات مجازی با استفاده از تکنیک های مبتنی بر عامل است. روش پیشنهادی عامل گرا و برنامه کاربردی در نتیجه دانش ساخت و ساز را به یک ساختار تبدیل می کند که دانش آموزان را قادر می سازد تا بیشتر خودکفا، اکتشاف سیستماتیک و علمی انجام دهند.[160] Zhu et al، اثربخشی استفاده از شبیه سازی را به عنوان ابزار افزایش یادگیری در کلاس درس در بخش مهندسی عمران دانشگاه مینه سوتا در شهرهای دوقلو بررسی کردند. یافته های این تحقیق می تواند پیامدهای قابل توجهی را برای عمل آینده در استراتژی آموزش مبتنی بر شبیه سازی داشته باشد. Das و همکاران[161] دو تکنیک هوش مصنوعی را برای پیش بینی حداکثر تراکم خشک (MDD) و مقاومت فشاری نامطبوع (UCS) خاک تثبیت شده سیمان معرفی می کنند. Newson و Delatte تفاوت های بین دو نوع آشنا ترین را شرح دادند: "تاریخچه های مورد" و "مطالعات موردی". این روش ها با استفاده از سقوط راهروی کانتینس Hyatt Regency به عنوان نمونه ای ارائه شده است.

4. دیگران
4.1 نظریه هرج و مرج
لو و همکارانش[162] چارچوب مفهومی را که رویکرد روششناسی و برنامههای کاربردی فعلی را از دیدگاه نظری ارائه شده توسط نظریه هرج و مرج مطرح می کنند، بسط می دهد. اگرچه برنامه های پیشنهادی و همچنین مثال های تصویری با توجه به پدیده هایی که هرج و مرج را نشان می دهند، مورد توجه قرار می گیرند، هیچ هدف در اینجا برای ایجاد اهمیت نسبی بین مدل های هرج و مرج و سنتی وجود ندارد. نویسندگان پیشنهاد نمیکنند رویکردهای فعلی را به تئوری نسبی بر اساس نظریه هرج و مرج جایگزین کنند، بلکه نویسندگان پیشنهاد می دهند که تئوری فعلی را با معرفی یک لایه آشفتگی گسترش دهند.
Kardashov و همکارانش[163] یک رویکرد تحلیلی واحد ارائه دادند که می تواند با پردازش سیگنال ECG واقعی و پالس های فشارخون مرتبط باشد. نتایج نشان می دهد که مدل های دینامیکی تحلیلی همراه با روش های پردازش سیگنال موجود می توانند برای توصیف خودآزمایی و درجه حرارت هرج و مرج در انتشار ضربان قلب و پالس های فشار در بطن چپ در مرحله تخلیه استفاده شوند. مدل سازمانی سازمانی (EA)، عناصر اساسی سازمان ها و روابط آنها را برای رسیدن به اهداف اسناد، تحلیل و برنامه ریزی، ضبط می کند. عناصر و روابط آنها در طول زمان، برنامه ریزی EA به طور فزاینده پیچیده می شود. تجزیه و تحلیل روش های موجود نشان می دهد که پیچیدگی دینامیک به اندازه کافی مورد خطاب نیست.
4.2 مهندسی مبتنی بر دانش
[164] Sapuan مطالعات مختلف در زمینه توسعه سیستم انتخاب مواد کامپیوتری را بررسی می کند. اهمیت سیستم مبتنی بر دانش ZKBS. در زمینه مهندسی همزمان توضیح داده شد. مطالعه KBS در انتخاب مواد در یک فرایند طراحی مهندسی توصیف شد. Lovett و همکارانش [165]یک پروژه مهندسی مبتنی بر دانش (KBE) را در حال پیشرفت در دانشگاه کولنتری توصیف می کنند. نیاز به روش شناسی برای توسعه سیستم KBE مورد بررسی قرار گرفت، همچنین نیازهای متفاوت در این زمینه از سازمان های کوچک و بزرگ مورد بررسی قرار گرفت. [166]Chapman and Pinfold، محدودیت های کنونی ابزار CAD AidDesign (CAD) را مورد بحث و بررسی قرار دادند و گزارش های مربوط به استفاده از مهندسی مبتنی بر دانش (KBE) را در ایجاد یک ابزار توسعه مفهوم، برای سازماندهی جریان اطلاعات و به عنوان یک معماری برای اجرای موثر طراحی سریع راه حل ها ارائه داده است. سپس این راه حل های طراحی می تواند خود را در فرم صحیح سیستم های تجزیه و تحلیل قرار دهند. Kulon et al [167]سیستم مهندسی مبتنی بر دانش (KBE) برای طراحی جعل داغ با استفاده از فناوری پیشرفته و اینترنت را توسعه داد. مزایای یک روش KBE در فرآیند طراحی سنتی تاکید می شود. هدف از سیستم پیشنهادی KBE این بود که فرآیند طراحی جعل داغ را به یک چارچوب واحد برای گرفتن دانش و تجربه مهندسان طراحی تبدیل کند.
4.3 هوش مصنوعی
[168]Prada and Paivaیک مدل برای بهبود اعتقادات گروهی از کارکردهای مصنوعی خودمختار را برای ترویج همکاری کاربر با چنین گروه هایی توصیف کردند. این مدل با موفقیت در یک بازی مشارکتی مورد استفاده قرار گرفت. آزمایش انجام شده در این سناریو نشان داد که اثر مثبت این مدل می تواند بر تجربه تعامل کاربر داشته باشد. توسعه سیستم های مهندسی دارای خواص استقلال و هوش، یک هدف پژوهشی چشم انداز قرن بیستم بود. این تحولات الهام بخش پیشنهاد یک پارادایم هوش مصنوعی مهندسی به عنوان جایگزینی برای هوش مصنوعی است که در آن هوش از طریق سیستم های عناصر مولکولی و سلولی طراحی شده و ساخته شده از سطح مولکولی و بالا به پایین به پایین دنبال می شود.

5. روند آینده
ما روش های الهام گرفته از اصلی برای طراحی و بهینه سازی سیستم SCM را خلاصه کرده ایم. شایان ذکر است که سیستم های مبتنی بر متخلخل و سیستم ایمنی مصنوعی هنوز بلوغ نداشته و انتظار می رود که منافع تحقیق بیشتری کسب کنند. در حوزه مهندسی عمران، در شرایط کنونی، تحقیق و توسعه هوش مصنوعی فقط فقط آغاز شده است، تاکنون نمیتواند نقش مناسب خود را بازی کند. ترکیبی از تکنولوژی هوش مصنوعی و شی گرا و اینترنت تکنولوژی هوش مصنوعی روند کلی توسعه است. هوش مصنوعی در توسعه آن برای مهندسی عمران در جنبه های زیر است:
1( پرداز فازی،تکنولوژی هوشمندیکپارچه، فناوری هوش هیجانی هوشمنددرمهندسی عمران.
2(به منظور تقویت درک مشکلات نااطمینانی و و یافتن مکانیزم استدلال مناسب، وظیفه اصلی است. برای توسعه فناوری اطلاعات عملی هوش مصنوعی، تنها در زمینه تکنولوژی هوش مصنوعی و دانش لازم است که درک کامل داشته باشیم.
3) بر اساس الزامات کاربرد مهندسی عملی مهندسی عمران، تحقیق و توسعه تکنولوژی هوش مصنوعی در زمینه مهندسی عمران به طور مداوم انجام شد. بسیاری از سوالات در زمینه مهندسی عمران باید از تکنولوژی هوش مصنوعی استفاده کنند. با توجه به ویژگی های زمینه مهندسی عمران، تکنولوژی هوش مصنوعی در بسیاری از زمینه ها برای مهندسی عمران، از قبیل مهندسی عمران ساختمان، مهندسی پل، مهندسی ژئوتکنیک، مهندسی زیرزمینی، مهندسی جاده، اکتشاف زمین شناسی و ساختار تشخیص بهداشت و غیره استفاده شده است.
4( سیستم اطلاعاتی هیبرید و یک تحقیق سیستم عامل کارشناس بزرگ.
5) با توسعه فناوری اطلاعات هوش مصنوعی، برخی از تکنولوژی هوش مصنوعی اولیه نیاز به افزایش دانش و سازوکار سازش استدلال و بهینه سازی رابط دستگاه و غیره دارد.
6) برای برخی از مشکلات مرتبط، بسیاری از کارهای تک یکپارچه سیستم هوشمند مصنوعی میتوانند انجام دهند، به عنوان یک سیستم جامع هوش مصنوعی یکپارچه شده و سیستم هوش مصنوعی را برای حل مسئله توانایی گسترش دهند.
7) تکنولوژی هوش مصنوعی در کاربرد واقعی تنها در کاربرد عملی تکنولوژی هوش مصنوعی مورد استفاده قرار می گیرد تا قابلیت اطمینان را تست کند و به نقش تکنولوژی هوش مصنوعی و ایجاد تکنولوژی هوش مصنوعی برای تکامل و تجاری سازی بپردازد. در تجاری سازی تکنولوژی هوش مصنوعی، نمونه های موفق بسیاری در خارج از کشور وجود دارد، زیرا برای شرکت ها و اجتماعی سود قابل توجهی به دست می آورند.

6. نتیجه گیری
این مقاله خلاصه و معرفی فن آوری های هوشمند در مهندسی عمران با نتایج تحقیقات اخیر و برنامه های کاربردی ارائه شده است. تمام جنبه های کاربرد فناوری هوش مصنوعی در مهندسی عمران مورد تجزیه و تحلیل قرار گرفت. بر اساس نتایج تحقیق فوق، چشم انداز تکنولوژی هوش مصنوعی در کاربرد نرم افزار مهندسی عمران و روند توسعه نشان داده شده است. هوش مصنوعی می تواند به کاربران بی تجربه کمک کند مشکلات مهندسی را حل کند، همچنین می تواند به کاربران با تجربه برای بهبود کارایی کار کمک کند و همچنین در تیم از طریق تکنولوژی هوش مصنوعی برای به اشتراک گذاشتن تجربه هر عضو. تکنولوژی هوش مصنوعی با گذشت هر روز تغییر می کند، همانطور که کامپیوتر بیشتر و بیشتر مورد استفاده قرار می گیرد و در زمینه مهندسی عمران چشم انداز وسیعی دارد.

منابع و ماخذ
[1] http://artificial.ir/intelligence/thread497.html

[2] Phlippe coiffet, "Robots technology" volume 1, Prentice – Hall Inc. , 1983. P.ll.
[3] https://www.digikala.com/mag/%D9%87%D9%85%D9%87-%DA%86%DB%8C%D8%B2-%D8%AF%D8%B1-%D9%85%D9%88%D8%B1%D8%AF-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C/

[4] http://docs.aiapir.com/index.php?title=%D9%87%D9%88%D8%B4

[5] کتاب الکترونیکی هوش مصنوعی ویرایش بهار 1388 ترجمه شده توسط سهراب جلوه گر

[6] http://samayan.blogfa.com/post/10

[7] http://samayan.blogfa.com/post/10

[8] http://www.cloob.com/timeline/answer_72521_715023

[9] بوینه، الآن. الذکاء الاصطناعی، واقعه و مستقبله، ترجمه ی علی صبری فرغلی، کویت: عالم المعرفه ی، ۱۹۹۳ م.
ترجمه ای است از:Bonnet, Alain. Artificial Intelligence, Prentic Hall, (۱۹۸۵)

[10] http://aminsajedi.ir/%D8%AA%D8%B9%D8%B1%DB%8C%D9%81-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C/

[11]http://webcache.googleusercontent.com/search?q=cache:iKPuCCp00TQJ:www.irexperts.ir/uploadedfiles/expert/billboardfiles/192071_20101109002039028hz7riuqmnz.doc+&cd=9&hl=fa&ct=clnk&gl=ir

[12] https://www.zoomit.ir/2017/7/15/189158/artificial-intelligence-is-going-to-change-every-aspect-of-your-life/

[13]https://fa.wikipedia.org/wiki/%D9%87%D9%88%D8%B4_%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C

[14] http://www.pcdoc.blogsky.com/1388/07/09/post-33/
[15] http://www.serentipiti.blogfa.com/post/5

[16]http://www.faratik.com/%D9%88%DB%8C%DA%98%DA%AF%DB%8C%D9%87%D8%A7%DB%8C-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C/

[17] http://hooshe-masnoui.blogfa.com/post/10

[18] https://tejaratnews.com/startup/%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%AA%D8%B1%D8%B3%D9%86%D8%A7%DA%A9-%D9%88-%D8%AF%D9%88%D8%B3%D8%AA%E2%80%8C%D8%AF%D8%A7%D8%B4%D8%AA%D9%86%DB%8C

[19] http://peivast.com/world/%D8%AA%D8%B9%D8%B1%DB%8C%D9%81-%D9%88-%D8%B4%D8%A7%D8%AE%D9%87%E2%80%8C%D9%87%D8%A7%DB%8C-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C/
&
https://irdanesh.persianblog.ir/9kM0wkZJavSnd964XKNd-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D9%88-%D8%B1%D8%A8%D8%A7%D8%AA%DB%8C%DA%A9

[20] Phillippe coiffet, "Robots Techonology", Volume 1, Prentice – Hall Inco,1983, p,11

[21] http://www.mreweb.ir/%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C/

[22] https://hitos.ir/187/introduction-all-types-of-artificial-intelligence

[23]https://www.ihoosh.ir/article/10346/%D8%A2%D9%8A%D9%86%D8%AF%D9%87-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C

[24]https://hawzah.net/fa/Magazine/View/4892/5042/44440/%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D9%88-%D8%B1%D9%88%D8%A8%D8%A7%D8%AA%DB%8C%DA%A9

[25] www.birjand.ac.ir/files/doc/kargah1.doc

[26] http://home.peymansaz.org/virtual-training/2740-Application-of-Artificial-Intelligence-in-Civil-and-Architecture.html

[27] اکبری، م.، جرگه، م.، مدنی سادات، ح.، "بررسی افت سطح آبهای زیرزمینی با استفاده از سیستم اطلاعات)مطالعه موردی: آبخوان دشت ( GIS) جغرافیایی، مشهد("، مجله پژوهشهای حفاظت آب و خاک، 1388
.78-63 ،(4) 16

[28] مرتضوی، س. م.، سلیمانی، ک.، غفاری موفق، ف.، مدیریت منابع آب و توسعه پایدار، مطالعه موردی:
.131-126 ،2 ، دشت رفسنجان"، آب و فاضلاب، 139

[29] Zhu, L., Gong, H., Li, X., Wang, R., Chen, B.,Dai, Z., Teatini, P., "Land Subsidence due to
Groundwater Withdrawal in the Northern Beijing lain, China", Engineering Geology, 2015, 193, 243-255.

[30] جعفری، ف.، افتخاری، م.، "بررسی تبادلات آبی و نفوذ
جبهه آب شور دریاچه ارومیه به آبخوانهای همجوار"،
.47-29 ،(1) 3 ، مدیریت آب و آبیاری، 13

[31] اصغری مقدم، ا.، نورانی، و.، ندیری، ع.، "مدلسازی بارش
دشت تبریز با استفاده از شبکههای عصبی مصنوعی"،
1-15 ،(1) 18 ، مجله دانش کشاورزی، 1387

[32] Li, X., Shu, L., Liu, L., Yin, D., Wen, J., "Sensitivity Analysis of Groundwater Level in Jinci Spring Basin (China) Based on Artificial Neural Network Modeling", Hydrogeology Journal, 2012, 20, 727-738.

[33] Coppola, E. A., Duckstein, L., Davis, D., "Fuzzy Rule-based Methodology for Estimating Monthly Groundwater Recharge in a Temperate Watershed", Journal of Hydrologic Engineering, 2002, 4, 326-335.

[34] ندیری، ع.، اصغریمقدم، ا.، عبقری، ه.، کلانتری
اسکویی، ع.، حسینپور، ع.، و حبیبزاده، و.، "منطق
فازی در تخمین قابلیت انتقال آبخوانها مطالعه موردی:
،، دشت تسوج"، نشریه دانش آب و خاک، (1) 24 1393

[35] Asefa, T., Kemblowski, M., McKee, M., Khalil, A., "Multi-time Scale Stream Flow Predictions: The Support Vector Machines Approach", Journal of Hydrology, 2006, 318, 7-16.

[36] Behzad, M., Asghari, K., Eazi, M., Palhang, M., "Generalization Performance of Support Vector Machines and Neural Networks in Runoff Modeling", Expert Systems with Applications, 2009, 36, 7624-7629.

[37] Nadiri, A. A., Fijani, E., Tsai, F. T-C., Moghaddam, A. A., "Supervised Committee Machine with Artificial Intelligence for Prediction of Fluoride Concentration", Journal of Hydroinformatics, 2013, 15, 1474-1490.

[38] Tayfur, G., Nadiri, A. A., Moghaddam, A. A., "Supervised Intelligent Committee Machine Method for Hydraulic Conductivity Estimation", Water Resources Management, 2014, 28, 1173-1184.

[39] Sreekanth, P. D., Geethanjali, N., Sreedevi, P. D., Ahmed, S., Kumar, N. R., Jayanthi, P. D. K., "Forecasting Groundwater Level Using Artificial Neural Networks", Research Articles, 2009, 96 (7), 933-939.

[40] Coppola, E. A., Szidarovszky, F., Poulton, M., and Charles, E., "Artificial Neural Network Approach for Predicting Transient Water Levels in a Multilayered Groundwater System under Variable State, Pumping, and Climate Conditions", Journal of Hydrologic Engineering, 2003, 6, 348-360.

[41] Coppola, E. A., Rana, A. J., Poulton, M. M., Szidarovszky, F., Uhl, V. W., "A Neural Network Model for Predicting Aquifer Water Level Elevations", Ground Water, 2005, 2, 231-241.

[42] Daliakopoulos, I. N., Coulibaly, P., Tsanis, I. K., "Groundwater Level Forecasting Using Artificial Neural Networks", Journal of Hydrology, 2005, 309, 229-240.

[43] Hamed, Y., Elkiki, M., Gahtani, O. S. A., "Prediction of Future Groundwater Level Using Artificial Neural Network, Southern Riyadh, KSA (Case Study)", International Water Technology Journal, 2015, 5 (2), 149-169.

[44] Kadkhodaie-Ilkhchi, A., Amini, A., "A Fuzzy Logic Approach to Estimating Hydraulic Flow Units from Well Log Data: A Case Study from the Ahwaz oilfield, South Iran", Journal of Petroleum Geology, 2009, 32 (1), 67-78.

[45] Calvo, P. I., Estrada, G. J. C., "Improved Irrigation Water Demand Forecasting using a Soft-Computing Hybrid Model", Biosystems Engineering, 2009, 102 (2), 202-218.

[46] Mayilvaganan, M. K., Naidu, K. B., "ANN and Fuzzy Logic Models for the Prediction of Groundwater Level of A Watershed", International Journal on Computer Science and Engineering, 2011, 3 (6), 2523-2530.

[47] Emamgholizadeh, S., Moslemi, K., Karami, G., "Prediction the Groundwater Level of Bastam Plain (Iran) by Artificial Neural Network (ANN) and Adaptive Neuro-Fuzzy Inference System (ANFIS)", Water Resources Management, 2014, 28, 5433-5446.

[48] Rashidi, S., Mohammadan, M., Azizi, K., "Predicting of Groundwater Level Fluctuation Using ANN and ANFIS in Lailakh plain", Journal of Renewable Natural Resources Bhutan, 2015, 3 (1), 77-84.

[49] Bisht, D. C. S., Raju, M. M., Joshi, M. C., "Simulation of Water Table Elevation Fluctuation Using Fuzzy-Logic and ANFIS", Computer Modelling and New Technologies, 2009, 13 (2), 16-23.

[50] Behzad, M., Asghari, K., Coppola, E. A., "Comparative Study of SVMs and ANNs in Aquifer Water Level Prediction", Journal of Computing in Civil Engineering, 2010, 5, 408-413.

[51] Suryanarayana, Ch., Sudheer, Ch., Mahammood, V., Panigrahi, B. K., "An Integrated Wavelet-Support Vector Machine for Groundwater Level Prediction in Visakhapatnam, India", Neurocomputing, 2014, 145, 324-335.

[52] Yoon, H., Jun, S. C., Hyun, Y., Bae, G. O., Lee, K. K., "A Comparative Study 0f Artificial Neural Networks and Support Vector Machines for Predicting Groundwater Levels In A Coastal Aquifer", Journal of Hydrology, 2011, 396, 128-138.

[53] Shiri, J., Kisi, O., Yoon, H., Lee, K. K., Nazemi, A. H., "Predicting Groundwater Level Fluctuations with Meteorological Effect Implications-A Comparative Study among Soft Computing Techniques", Computers & Geosciences, 2013, 56, 32-44.

[54] Chen, C. H., Lin, Z. S., "A Committee Machine with Empirical Formulas for Permeability Prediction", Computers & Geosciences, 2006, 32, 485-496.

[55] Kadkhodaie-Ilkhchi, A., Rahimpour-Bonab, H., Rezaee, M., "A Committee Machine with Intelligent Systems for Estimation of Total Organic Carbon Content from Petrophysical Data: An Example from Kangan and Dalan reservoirs in South Pars Gas Field, Iran", Computers & Geosciences, 2009, 35, 459- 474.

[56] Emberger, L., "La Vegetation De La Region Mediterraneenne. Essai D'une Classification Des Groupments Vegetaux", Revue générale de Botanique, 1930, 42, 641-662.

[57] Zadeh, L. A., "Fuzzy Sets", Information and Control, 1965, 8 (3), 338-353.

[58] Bardossy, A., Duckstein, L., "Fuzzy rule-based Modeling with Applications to Geophysical, Biological and Engineering Systems", CRC Press, Florida, 1995.

[59] Vapnik, V. N., "The Nature of Statistical Learning Theory", Springer, NewYork, 1995.

[60] Hong, W. C., Pai, P. F., "Potential Assessment of the Support Vector Regression Technique in Rainfall Forecasting", Water Resources Management, 2007, 21, 495-513.

[61] Artificial intelligence, 2012, http://en.wikipedia.org/wiki/Artificial intelligence .

[62] Y. Kao, M. H. Chen, and Y. T. Huang, "A hybrid algorithm based on ACO and PSO for capacitated vehicle routing problems," Mathematical Problems in Engineering, vol. 2012, Article ID 726564, 2012.

[63] S. Y. Chen, Y. Zheng, C. Cattani, and W. Wang, "Modeling of biological intelligence for SCM system optimization," Computational and Mathematical Methods in Medicine, vol. 2012, Article ID 769702, 30 pages, 2012.

[64] History of Artificial Intelligence, 2012, http://en.wikipedia.org/wiki/History of artificial intelligence.

[65] B. Adam and I. F. C. Smith, "Active tensegrity: a control framework for an adaptive civil-engineering structure," Computers and Structures, vol. 86, no. 23-24, pp. 2215-2223, 2008.

[66] M. T. Bassuoni and M. L. Nehdi, "Neuro-fuzzy based prediction of the durability of self-consolidating concrete to various sodium sulfate exposure regimes," Computers and Concrete, vol. 5, no. 6, pp. 573-597, 2008.

[67] B. K. R. Prasad, H. Eskandari, and B. V. V. Reddy, "Prediction of compressive strength of SCC and HPC with high volume fly ash using ANN," Construction and Building Materials, vol. 23, no. 1, pp.
117-128, 2009.

[68] T. L. Lee, H. M. Lin, and Y. P. Lu, "Assessment of highway slope failure using neural networks,"
Journal of Zhejiang University: Science A, vol. 10, no. 1, pp. 101-108, 2009.

[69] A. A. Shaheen, A. R. Fayek, and S. M. Abourizk, "Methodology for integrating fuzzy expert systems and discrete event simulation in construction engineering," Canadian Journal of Civil Engineering, vol. 36, no. 9, pp. 1478-1490, 2009.

[70] S. K. Das, P. Samui, and A. K. Sabat, "Application of artificial intelligence to maximum dry density and unconfined compressive strength of cement stabilized soil," Geotechnical and Geological Engineering, vol. 29, no. 3, pp. 329-342, 2011.

[71] E. Forcael, C. R. Glagola, and V. Gonzalez, "Incorporation of computer simulations into teaching linear scheduling techniques," Journal of Professional Issues in Engineering Education and Practice, vol. 138, no. 1, pp. 21-30, 2012.

[72] P. Krcaronemen and Z. Kouba, "Ontology-driven information system design," IEEE Transactions on Systems, Man and Cybernetics C, vol. 42, no. 3, 2012.

[73] J. H. Holland, Adaptation in Natural and Artificial Systems, The University of Michigan Press, AnnArbor, Mich, USA, 1975.

[74] A. Senouci and H. R. Al-Derham, "Genetic algorithm-based multi objective model for scheduling of linear construction projects," Advances in Engineering Software, vol. 39, no. 12, pp. 1023-1028, 2008.

[75] J. D. Farmer, N. H. Packard, and A. S. Perelson, "The immune system, adaptation, and machine learning," Physica D, vol. 22, no. 1-3, pp. 187-204, 1986.

[76] T. Dessalegne and J. W. Nicklow, "Artificial life algorithm for management of multi-reservoir river systems," Water Resources Management, vol. 26, no. 5, pp. 1125-1141, 2012.

[77] W. Banzhaf, P. Nordin, R. E. Keller, and F. D. Francone, Genetic Programming: An Introduction: On the Automatic Evolution of Computer Programs and Its Applications, Morgan Kaufmann, 1998.

[78] P. Aminian, M. R. Javid, A. Asghari, A. H. Gandomi, andM. A. Esmaeili, "A robust predictive model
for base shear of steel frame structures using a hybrid genetic programming and simulated annealing
method," Neural Computing and Applications, vol. 20, no. 8, pp. 1321-1332, 2011.

[79] M. Hsie, Y. F. Ho, C. T. Lin, and I. C. Yeh, "Modeling asphalt pavement overlay transverse cracks using the genetic operation tree and Levenberg-Marquardt Method," Expert Systems with Applications, vol. 39, no. 5, pp. 4874-4881, 2012.

[80] A. Cevik and I. H. Guzelbey, "A soft computing based approach for the prediction of ultimate strength of metal plates in compression," Engineering Structures, vol. 29, no. 3, pp. 383-394, 2007.

[81] J. M. Caicedo and G. Yun, "A novel evolutionary algorithm for identifying multiple alternative solutions in model updating," Structural Health Monitoring-An International Journal, vol. 10, no. 5, pp. 491-501, 2011.

[82] A. Khalafallah and M. Abdel-Raheem, "Electimize: new evolutionary algorithm for optimization with application in construction engineering," Journal of Computing in Civil Engineering, vol. 25, no. 3, pp. 192-201, 2011.

[83] A. Ahangar-Asr, A. Faramarzi, and A. A. Javadi, "A new approach for prediction of the stability of soil and rock slopes," Engineering Computations (Swansea, Wales), vol. 27, no. 7, pp. 878-893, 2010.

[84] M. Rezania, A. A. Javadi, and O. Giustolisi, "An evolutionary based data mining technique for assessment of civil engineering systems," Engineering Computations (Swansea, Wales), vol. 25, no. 6, pp. 500-517, 2008.

[85] M. I. Solihin,Wahyudi,M. A. S. Kamal, and A. Legowo, "Optimal PID controller tuning of automatic gantry crane using PSO algorithm," in Proceedings of the 5th International Symposium on Mechatronics and its Applications (ISMA '08), May 2008.

[86] T. Wang, G. Wang, K. Liu, and S. Zhou, "Simulation control of concrete pump truck boom based on PSO and gravity compensation," in Proceedings of the 2nd International Symposium on Intelligent Information Technology Application (IITA '08), pp. 494-497, December 2008.

[87] L. Wang, Y. Zhou, and W. Zhao, "Comparative study on bionic optimization algorithms for sewer optimal design," in Proceedings of the 5th International Conference on Natural Computation (ICNC '09), pp. 24-29, August 2009.

[88] H. Shayeghi, H. Eimani Kalasar, H. Shayanfar, and A. Shayeghi, "PSO based TMD design for vibration control of tall building structures," in Proceedings of the International Conference on Artificial Intelligence (ICAI '09), 2009.

[89] S. F. Ali and A. Ramaswamy, "Optimal fuzzy logic control for MDOF structural systems using evolutionary
algorithms," Engineering Applications of Artificial Intelligence, vol. 22, no. 3, pp. 407-419,
2009.

[90] Y. Filiberto, R. Bello, Y. Caballero, and R. Larrua, "Using PSO and RST to predict the resistant capacity of connections in composite structures," Studies in Computational Intelligence, vol. 284, pp. 359- 370, 2010.

[91] A. Schmidt, The Design of an Active Structural Vibration Reduction System Using a Modified ParticleSwarm Optimization, 2010.
[92] X. Zheng and Z. Liu, "The schedule control of engineering project based on particle swarm algorithm," in Proceedings of the 2nd International Conference on Communication Systems, Networks and Applications (ICCSNA '10), pp. 184-187, July 2010.

[93] H. C. Tsai, "Predicting strengths of concrete-type specimens using hybrid multilayer perceptrons with center-unified particle swarm optimization," Expert Systems with Applications, vol. 37, no. 2, pp. 1104-1112, 2010.

[94] M. Marinaki, Y. Marinakis, and G. E. Stavroulakis, "Fuzzy control optimized by PSO for vibration suppression of beams," Control Engineering Practice, vol. 18, no. 6, pp. 618-629, 2010.

[95] A. Nejadfard, H. Moradi, and M. Ahmadabadi, "A multi-robot system for dome inspection and maintenance: concept and stability analysis," in Proceedings of the IEEE International Conference on Robotics and Biomimetics (ROBIO '11), 2011.

[96] V. Raju, D. Maheswari, and S. Patnaik, "Active vibration control of piezo actuated cantilever beam using PSO," in Proceedings of the IEEE Students' Conference on Electrical, Electronics and Computer Science (SCEECS '12), 2012.

[97] A. Kaveh and S. Talatahari, "An improved ant colony optimization for constrained engineering design problems," Engineering Computations (Swansea, Wales), vol. 27, no. 1, pp. 155-182, 2010.

[98] K. Doerner,W. J. Gutjahr, R. F. Hartl, C. Strauss, and C. Stummer, "Pareto ant colony optimization: a metaheuristic approach to multiobjective portfolio selection," Annals of Operations Research, vol. 131, no. 1-4, pp. 79-99, 2004.

[99] I. Flood, "Towards the next generation of artificial neural networks for civil engineering," Advanced Engineering Informatics, vol. 22, no. 1, pp. 4-14, 2008.

[100] S. Sharma and A. Das, "Backcalculation of pavement layermoduli fromfalling weight deflectometer data using an artificial neural network," Canadian Journal of Civil Engineering, vol. 35, no. 1, pp. 57 66, 2008.

[101] R. Benda˜ na, A. Del Ca˜ no, and M. P. De La Cruz, "Contractor selection: Fuzzy-control approach," Canadian Journal of Civil Engineering, vol. 35, no. 5, pp. 473-486, 2008.

[102] A. Bilgil and H. Altun, "Investigation of flow resistance in smooth open channels using artificial neural networks," Flow Measurement and Instrumentation, vol. 19, no. 6, pp. 404-408, 2008.

[103] Z. Q. Gu and S. O. Gu, "Diagonal recurrent neural networks for MDOF structural vibration control," Journal of Vibration and Acoustics, Transactions of the ASME, vol. 130, no. 6, Article ID 061001, 2008.

[104] S. Laflamme and J. J. Connor, "Application of self-tuning Gaussian networks for control of civil structures equipped with magnetorheological dampers," in Active and Passive Smart Structures and Integrated Systems 2009, vol. 7288 of Proceedings of the SPIE, The International Society for Optical Engineering, March 2009.

[105] T. L. Lee, H. M. Lin, and Y. P. Lu, "Assessment of highway slope failure using neural networks," Journal of Zhejiang University: Science A, vol. 10, no. 1, pp. 101-108, 2009.

[106] F. Xiao and S. N. Amirkhanian, "Effects of binders on resilient modulus of rubberized mixtures containing RAP using artificial neural network approach," Journal of Testing and Evaluation, vol. 37, no. 2, pp. 129-138, 2009.

[107] B. Benchmark and S. Narasimhan, "Robust direct adaptive controller for the nonlinear highway," Structural Control and Health Monitoring, vol. 16, no. 6, pp. 599-612, 2009.

[108] J. Zhang and F. Haghighat, "Development of Artificial Neural Network based heat convection algorithm for thermal simulation of large rectangular cross-sectional area Earth-to-Air Heat Exchangers," Energy and Buildings, vol. 42, no. 4, pp. 435-440, 2010.

[109] V. Yveras, "Performance prediction method in the early design stage for outdoor ventilated crawl spaces based on artificial neural networks," Journal of Building Physics, vol. 34, no. 1, pp. 43-56, 2010.

[110] H. Rahman, K. Alireza, and G. Reza, "Application of artificial neural network, kriging, and inverse distance weighting models for estimation of scour depth around bridge pier with bed sill," Journal of Software Engineering and Applications, vol. 3, no. 10, 2010.

[111] X. Z. Wang, X. C. Duan, and J. Y. Liu, "Application of neural network in the cost estimation of
highway engineering," Journal of Computers, vol. 5, no. 11, pp. 1762-1766, 2010.

[112] D. R. Parhi and A. K. Dash, "Application of neural networks and finite elements for condition monitoring of structures," Proceedings of the Institution of Mechanical Engineers C, vol. 225, no. 6, pp. 1329- 1339, 2011.

[113] X. Gui, X. Zheng, J. Song, and X. Peng, "Automation bridge design and structural optimization," Applied Mechanics and Materials, vol. 63-64, pp. 457-460, 2011.

[114] S. N. Alacali, B. Akba, and B. Doran, "Prediction of lateral confinement coefficient in reinforced concrete columns using neural network simulation," Applied Soft Computing Journal, vol. 11, no. 2, pp. 2645-2655, 2011.
[115] J. Li, U. Dackermann, Y. L. Xu, and B. Samali, "Damage identification in civil engineering structures utilizing PCA-compressed residual frequency response functions and neural network ensembles," Structural Control and Health Monitoring, vol. 18, no. 2, pp. 207-226, 2011.

[116] J. Liu, H. Li, and C. He, "Predicting the compressive strength of concrete using rebound method and artificial neural network," ICIC Express Letters, vol. 5, no. 4, pp. 1115-1120, 2011.

[117] M. Y. Cheng, H. C. Tsai, and E. Sudjono, "Evaluating subcontractor performance using evolutionary fuzzy hybrid neural network," International Journal of Project Management, vol. 29, no. 3, pp. 349-356, 2011.

[118] P. B. Cachim, "Using artificial neural networks for calculation of temperatures in timber under fire loading," Construction and Building Materials, vol. 25, no. 11, pp. 4175-4180, 2011.

[119] S. Arangio and J. Beck, "Bayesian neural networks for bridge integrity assessment," Structural Control & Health Monitoring, vol. 19, no. 1, pp. 3-21, 2012.

[120] M. H. Fazel Zarandi, I. B. T¨ urksen, J. Sobhani, and A. A. Ramezanianpour, "Fuzzy polynomial neural networks for approximation of the compressive strength of concrete," Applied Soft Computing Journal, vol. 8, no. 1, pp. 488-498, 2008.

[121] M. A. Hossain, A. A. M. Madkour, K. P. Dahal, and H. Yu, "Comparative performance of intelligent algorithms for system identification and control," Journal of Intelligent Systems, vol. 17, no. 4, pp. 313-329, 2008.

[122] M. Y. Cheng, H. S. Peng, Y.W.Wu, and T. L. Chen, "Estimate at completion for construction projects using evolutionary support vector machine inferencemodel," Automation in Construction, vol. 19, no. 5, pp. 619-629, 2010.

[123] J. Sobhani and A. A. Ramezanianpour, "Service life of the reinforced concrete bridge deck in corrosive environments: A soft computing system," Applied Soft Computing Journal, vol. 11, no. 4, pp. 3333-3346, 2011.

[124] Y. Q. Guo, S. M. Fei, and Z. D. Xu, "Simulation analysis on intelligent structures with magnetorheological dampers," Journal of Intelligent Material Systems and Structures, vol. 19, no. 6, pp. 715-726, 2008.

[125] K. M. Choi, H. J. Jung, H. J. Lee, and S. W. Cho, "Seismic protection of base-isolated building with nonlinear isolation system using smart passive control strategy," Structural Control and Health Monitoring, vol. 15, no. 5, pp. 785-796, 2008.

[126] V. E. Omurlu, S. N. Engin, and I. Y¨ uksek, "Application of fuzzy PID control to cluster control of viaduct road vibrations," JVC/Journal of Vibration and Control, vol. 14, no. 8, pp. 1201-1215, 2008.

[127] R. Guclu and H. Yazici, "Vibration control of a structure with ATMD against earthquake using fuzzy logic controllers," Journal of Sound and Vibration, vol. 318, no. 1-2, pp. 36-49, 2008.

[128] O. E. Ozbulut and S. Hurlebaus, "A temperature- and strain-rate-dependent model of NiTi shape memory alloys for seismic control of bridges," in Sensors and Smart Structures Technologies for Civil, Mechanical, and Aerospace Systems 2009, usa, March 2009.

[129] A. A. Shaheen, A. R. Fayek, and S. M. Abourizk, "Methodology for integrating fuzzy expert systems and discrete event simulation in construction engineering," Canadian Journal of Civil Engineering, vol. 36, no. 9, pp. 1478-1490, 2009.

[130] C. W. Chen, K. Yeh, and K. F. R. Liu, "Adaptive fuzzy sliding mode control for seismically excited bridges with lead rubber bearing isolation," International Journal of Uncertainty, Fuzziness and Knowlege-Based Systems, vol. 17, no. 5, pp. 705-727, 2009.

[131] A. Bianchini and P. Bandini, "Prediction of pavement performance through neuro-fuzzy reasoning," Computer-Aided Civil and Infrastructure Engineering, vol. 25, no. 1, pp. 39-54, 2010.

[132] O. E. Ozbulut and S. Hurlebaus, "Fuzzy control of piezoelectric friction dampers for seismic protection of smart base isolated buildings," Bulletin of Earthquake Engineering, vol. 8, no. 6, pp. 1435- 1455, 2010.

[133] Q. Meng, M. Zhang, and J. Ye, "Fuzzy control strategy based on mode identification Used in semiactive control," Applied Mechanics and Materials, vol. 71-78, pp. 3975-3982, 2011.

[134] A. Nieto-Morote and F. Ruz-Vila, "A fuzzy approach to construction project risk assessment," International Journal of Project Management, vol. 29, no. 2, pp. 220-231, 2011.

[135] P. Rosko, "Structural topology optimization with fuzzy constraint," in 4th International Conference on Machine Vision (ICMV '11): Computer Vision and Image Analysis; Pattern Recognition and Basic Technologies, vol. 8350 of Proceedings of the SPIE, The International Society for Optical Engineering, 2011.

[136] H. Gonzalez-Jorge, D. Gonzalez-Aguilera, P. Rodriguez-Gonzalvez, and P. Arias, "Monitoring biological crusts in civil engineering structures using intensity data from terrestrial laser scanners," Construction and Building Materials, vol. 31, pp. 119-128, 2012.

[137] O. Yakut and H. Alli, "Application of neural based fuzzy logic sliding mode control with moving sliding surface for the seismic isolation of a building with active tendon," Journal of Intelligent & Fuzzy Systems, vol. 20, no. 6, pp. 235-256, 2009.

[138] J. Mahjoobi, A. Etemad-Shahidi, and M. H. Kazeminezhad, "Hindcasting of wave parameters using different soft computing methods," Applied Ocean Research, vol. 30, no. 1, pp. 28-36, 2008.

[139] A. Golroo and S. L. Tighe, "Development of pervious concrete pavement performance models using expert opinions," Journal of Transportation Engineering-Asce, vol. 138, no. 5, pp. 634-648, 2012.

[140] D. Grau,W. E. Back, and J. R. Prince, "Database expert planning system for on-site design strategies," Journal of Computing in Civil Engineering, vol. 26, no. 1, pp. 64-75, 2012.

[141] M. Neshat and A. Adeli, "Designing a fuzzy expert system to predict the concrete mix design," in Proceedings of the IEEE International Conference on Computational Intelligence for Measurement Systems and Applications (CIMSA '11), pp. 80-85, 2011.

[142] O. Sariyar and D. N. Ural, "Expert system approach for soil structure interaction and land use," Journal of Urban Planning and Development, vol. 136, no. 2, pp. 135-138, 2010.

[143] R. Gupta, M. A. Kewalramani, and A. Goel, "Prediction of concrete strength using neural-expert system," Journal of Materials in Civil Engineering, vol. 18, no. 3, pp. 462-466, 2006.

[144] K. W. Chau and F. Albermani, "A coupled knowledge-based expert system for design of liquidretaining structures," Automation in Construction, vol. 12, no. 5, pp. 589-602, 2003.

[145] M. F. M. Zain, M. N. Islam, and I. H. Basri, "An expert system for mix design of high performance concrete," Advances in Engineering Software, vol. 36, no. 5, pp. 325-337, 2005.

[146] A. Kazaz, "Application of an expert system on the fracture mechanics of concrete," Artificial Intelligence Review, vol. 19, no. 2, pp. 177-190, 2003.

[147] A. B. G¨oktepe, A. H. Lav, S. Altun, and G. Altintas¸, "Fuzzy decision support system to determine swell/shrink factor affecting earthwork optimization of highways," Mathematical and Computational Applications, vol. 13, no. 1, pp. 61-70, 2008.

[148] M. Zanaganeh, S. J. Mousavi, and A. F. Etemad Shahidi, "A hybrid genetic algorithm-adaptive network-based fuzzy inference system in prediction of wave parameters," Engineering Applications
of Artificial Intelligence, vol. 22, no. 8, pp. 1194-1202, 2009.

[149] A. Bianchini and P. Bandini, "Prediction of pavement performance through neuro-fuzzy reasoning," Computer-Aided Civil and Infrastructure Engineering, vol. 25, no. 1, pp. 39-54, 2010.

[150] M. Eliseo, J. Parente de Oliveira, and S. Pellegrino, "Domain ontology with temporal descriptions for architectural buildings as a support for learning history of architecture," IEEE Multidisciplinary Engineering Education Magazine, vol. 6, no. 2, 2011.

[151] N. Lee and A. Mita, "Sensor agent robot with servo-accelerometer for structural health monitoring," Sensors and Smart Structures Technologies for Civil, Mechanical, and Aerospace Systems, vol. 8345, parts 1 and 2, 2012.

[152] N. El-Sawalhi, D. Eaton, and R. Rustom, "Forecasting contractor performance using a neural network and genetic algorithm in a pre-qualification model," Construction Innovation, vol. 8, no. 4, 2008.

[153] J. Lee and L. E. Bernold, "Ubiquitous agent-based communication in construction," Journal of Computing in Civil Engineering, vol. 22, no. 1, pp. 31-39, 2008.

[154] M. Kovacevic, J. Y. Nie, and C. Davidson, "Providing answers to questions from automatically collected web pages for intelligent decision making in the construction sector," Journal of Computing in Civil Engineering, vol. 22, no. 1, pp. 3-13, 2008.

[155] W. J. O'Brien, C. Julien, S. Kabadayi, X. Luo, and J. Hammer, "An architecture for decision support in ad hoc sensor networks," Electronic Journal of Information Technology in Construction, vol. 14, pp. 309-327, 2009.

[156] R. Luna, R. Hall, M. Hilgers, and G. E. Louis, "GIS learning tool for civil engineers," International Journal of Engineering Education, vol. 26, no. 1, pp. 52-58, 2010.

[157] A. Singh, B. S. Minsker, and P. Bajcsy, "Image-based machine learning for reduction of user fatigue in an interactive model calibration system," Journal of Computing in Civil Engineering, vol. 24, no. 3, pp. 241-251, 2010.

[158] P. Thompson, "Teaching sustainability in civil engineering using Ceequal," Proceedings of the Institution of Civil Engineers: Engineering Sustainability, vol. 163, no. 4, pp. 209-217, 2010.
[159] E. Obonyo, "An agent-based intelligent virtual learning environment for construction management," Construction Innovation, vol. 11, no. 2, 2011.

[160] S. Zhu, F. Xie, and D. Levinson, "Enhancing transportation education through online simulation using an agent-based demand and assignment model," Journal of Professional Issues in Engineering Education and Practice, vol. 137, no. 1, pp. 38-45, 2011.

[161] S. K. Das, P. Samui, and A. K. Sabat, "Application of artificial intelligence to maximum dry density and unconfined compressive strength of cement stabilized soil," Geotechnical and Geological Engineering, vol. 29, no. 3, pp. 329-342, 2011.

[162] T. A. Newson and N. J. Delatte, "Case methods in civil engineering teaching," Canadian Journal of Civil Engineering, vol. 38, no. 9, pp. 1016-1030, 2011.

[163] X. Lu, D. Clements-Croome, andM. Viljanen, "Integration of chaos theory and mathematical models in building simulation part II: conceptual frameworks," Automation in Construction, vol. 19, no. 4, pp. 452-457, 2010.

[164] S. M. Sapuan, "A knowledge-based system for materials selection in mechanical engineering design," Materials and Design, vol. 22, no. 8, pp. 687-695, 2001.

[165] P. J. Lovett, A. Ingram, and C. N. Bancroft, "Knowledge-based engineering for SMEs-a methodology," Journal of Materials Processing Technology, vol. 107, no. 1-3, pp. 384-389, 2000.

[166] C. B. Chapman and M. Pinfold, "Design engineering-a need to rethink the solution using knowledge based engineering," Knowledge-Based Systems, vol. 12, no. 5-6, pp. 257-267, 1999.

[167] J. Kulon, P. Broomhead, and D. J. Mynors, "Applying knowledge-based engineering to traditional manufacturing design," International Journal of Advanced Manufacturing Technology, vol. 30, no. 9-10, pp. 945-951, 2006.

[168] R. Prada and A. Paiva, "Teaming up humans with autonomous synthetic characters," Artificial Intelligence, vol. 173, no. 1, pp. 80-103, 2009.

1 Alan Mathison Turing
2 Artificial Intelligence
3 Dartmouth College
4 Allen Newell
5 Herbert A. Simon
6 Alan Turing
7 Deep Blue
8 Garry Kasparov
9 David Wechsler

10 Ski Roll
11 Louis Thurstone
12 Edward Lee Thorndike
13 Cyril Burt
14 Guilford
15 Philip E. Vernon
16 Boole
17 rationally
18 Turing test
19 Brainchildren
20 Daniel Dennett
21 http://www-formal.stanford.edu/jmc/whatisai/node1.html
22 reproducible
23 constructive
24 amenable
25 Symbolic
26 Neural AI
27 Neural Networks
28 Machine Learning
29 Machine Vision
30 Evolutionary Algorithms
31 Speech Recognition
32 Natural Language Processing
33 Expert System
34 Intelligent Tutor
35 Genetic Algorithm
36 Evolutionary Algorithm
37 Machine Learning
38 Deep Learning
39 Artificial Neural Network
40 NVIDIA
41 Komatsu
42 Jetson
43 Jensen Huang
44 Feedforward neural network
45 Back-propagation
46 Support Vector Machine (SVM)
47 Bassuoni and Nehdi
48 Prasad et al
49 Lee et al
50 Shaheen et al
51 Das et al
52 Darwinian
53 Illinois
54 Ramberg-Osgood
55 Metaheuristics
56 Wang et al
57 Moncayo-Martinez and Zhang
58 regression models
59 Magnetorheological damper
60 Gonzalez-Jorge et al
—————

————————————————————

—————

————————————————————

3