بدیهی است كه خداوند معلمی است كه دانش آموزش، انسان را از طریق نشانه­هایش در طبیعت به طور كامل هدایت می­كند.
هم اكنون كار روی توسعه سیستم­های هوشمند با الهام از طبیعت، از زمینه­های پرطرفدار هوش مصنوعی است. الگوریتم ژنتیك[1] كه با استفاده از ایده تكامل داروینی و انتخاب طبیعی مطرح شده روش بسیار خوبی برای یافتن مسائل بهینه­سازی است. ایده تكاملی داروینی بیانگر این مطلب است كه هر نسل نسبت به نسل قبل دارای تكامل است و آنچه در طبیعت رخ می­دهد، حاصل میلیون­ها سال تكامل نسل به نسل موجوداتی مانند مورچه است.
حشراتی مانند مورچه، موریانه، زنبور كه به صورت كلونی زندگی می­كنند، بر رفتار به ظاهر بی­نظم­شان نظم و قانونمندی خاصی حكمفرماست كه دانشمندان و محققان را به خاطر این پیچیدگی منظم و راهگشا در حل مسائل بهینه­ سازی، شیفته خود ساخته است.
2-1- كمومتریكس
بدست آوردن داده تجزیه­ای یكی از مراحل اصلی تجزیه می­باشد، تا اواخر دهه پنجاه قرن بیستم این مرحله به عنوان مشكل­ترین بخش یك تجزیه به حساب می­آمد، همچنین زمان عمده یك تجزیه شیمیائی مربوط به جمع­آوری داده­های تجزیه­ای می­شد.
اما ازآغاز دهه شصت قرن بیستم، زمانی كه دستگاه­های مدرن وارد آزمایشگاه­ها و مراكز تحقیقاتی گردید، این مشكل برطرف شد و در نتیجه استفاده از چنین دستگاه­های پیشرفته تعداد زیادی داده از یك نمونه بدست می­آید. جهت ثبت و ذخیره­سازی چنین داده­های وسیعی نیاز به وسیله­ای بود كه بتواند از عهده چنین كاری برآید، به طور همزمان با ظهور دستگاه­های پیشرفته تعداد زیادی داده از یك نمونه بدست آمد و استفاده از كامپیوتر نیز به عنوان ابزاری جهت ثبت و ذخیره داده­های حاصل از یك تجزیه شیمیائی رشد چشمگیری یافت، در نتیجه اتصال كامپیوتر به دستگاه­های آزمایشگاهی ثبت و ذخیره نمودن داده­ها كه قبلاً به عنوان مشكل­ترین بخش یك تجزیه بوده تبدیل به ساده­ترین مرحله گردید. ولی مشكل دیگری كه به دنبال چنین پیشرفتی، ظاهر گردید، نحوه برخورد با چنین حجم وسیعی از داده بود كه باید به اطلاعات تبدیل می­شدند.
برای مدت­های طولانی، ریاضی و آمار برای تفسیر نتایج آزمایش­ها به كار گرفته می­شدند. ولی با ظهور نرم­افزارهای پیشرفته رایانه ای تحول شگرفی در نحوه استفاده ریاضی و آمار در حل مسائل شیمیایی به وجود آمد. به طوری كه استفاده از ریاضی ، آمار و كامپیوتر در شیمی منجر به ظهور شاخه­ای جدید به نام كمومتریكس[1] گردید. اگرچه شیمی­دانهای تجزیه بیش از سایر همکارانشان با این شاخه آشنا هستند و از آن بهره می­برند، ولی در رشته­های مرتبط با شیمی از جمله علوم داروئی، بیوشیمی و غیره نیز كاربردهای فراوانی دارد ]5-1[.
برای اولین بار در سال 1971 سوانت ولد[2] اصطلاح “كمومتریكس” را به كار برد و آن را هنر استخراج اطلاعات شیمیائی از داده­های تجزیه­ای دانست . در سال 1974 با همكاری كوالسكی[3] انجمن بین­المللی كمومتریكس تأسیس شد ]6[.
در سال 1982 كوالسكی و فرانك[4] كمومتریكس را شاخه­ای از علم شیمی كه در طراحی آزمایش­های بهینه­سازی، برقراری ارتباط بین نتایج تجربی با متغیرهای آزمایش و همچنین استخراج اطلاعات از سیستم­های شیمیایی با استفاده از ریاضی، آمار و كامپیوتر تعریف كردند ]7[.
ماسارت[5]، كمومتریكس را یك روش شیمیائی می­داند كه از منطق ریاضیات و آمار برای رسیدن به اهداف زیر بهره می­جوید ]8[:
1) طراحی با انتخاب فرآیندهای تجربی بهینه شده
2) دسترسی به حداكثر اطلاعات مناسب شیمیائی از طریق داده­ های تجربی
3) بدست آوردن اطلاعات در زمینه سیستم­های شیمیائی
براون[1] سردبیر مجله كمومتریكس معتقد است كمومتریكس قسمتی از علم شیمی است كه كوشش در پاسخگوئی به سوالات مربوط به سنجش­های شیمیائی دارد ]9[. سوالاتی از قبیل:
1) اندازه ­گیری كجا و چگونه باید انجام پذیرد؟
2) سیگنال[2] و نویز[3] كدامند؟
3) چگونه می­ توان از اندازه­گیری، اطلاعات مناسب را بدست آورد؟

4) منشأ خطاها در نتایج حاصل از اندازه ­گیری­ها چیست؟

انجمن بین­المللی كمومتریكس (ICS) تعریف جامعی از كمومتریكس ارائه می­دهد. براساس تعریف این انجمن كمومتریكس علم برقراری ارتباط بین سنجش­های انجام شده بر روی یك سیستم یا فرایند شیمیائی و حالتی از سیستم می­باشد. این ارتباط از طریق كاربرد روش­های آماری و ریاضی صورت می­پذیرد.
به هر حال، شاید بتوان اهداف كمومتریكس را چنین بیان نمود كه:
با استفاده از کمومتریکس، عوامل موثر و بر همكنش آن­ها در یك فرایند شیمیائی (اعم از یك فرایند تجزیه­ای و غیره) مورد شناسائی قرار گرفته و با حداقل آزمایش­ها، بهینه­سازی می شوند. بدست آوردن ارتباط بین عوامل موثر و پاسخ سیستم از دیگر اهداف كمومتریكس می­باشد. در نهایت، تبدیل داده­های حاصل به اطلاعات نیز هدف نهائی كمومتریكس می­باشد. واضح است رسیدن به چنین اهدافی نیازمند كمك گرفتن از ریاضی، آمار و كامپیوتر است ]10[.
بسیاری از مسائلی که در کمومتریکس با آنها مواجه می شویم به دلیل پیچیدگی فوق العاده با روش های دقیق قابل حل نیست به زبان علوم کامپیوتر، چنین مسائلی را “چند جمله ای نامعین سخت[4]” می گویند.
زمان لازم برای حل دقیق چنین مسائلی با زیاد شدن تعداد ورودی ها ، به شدت زیاد می­شود ، در چنین مواردی لازم است از “تقریب های خوب[5]” استفاده کنیم، یکی از این تقریب­های خوب الگوریتم های هیوریستیک می باشند که از آن برای برقراری رابطه ساختار – خاصیت بهره خواهیم جست ]11[.
3-1- الگوریتم هیوریستیك

هیوریستیك­ها[1] عبارت از معیارها، روش­ها یا اصولی برای تصمیم­گیری بین چندین خط مشی و انتخاب اثربخش­ترین آن ­ها برای دستیابی به اهداف مورد نظر می باشند. سیستم­های پیچیده اجتماعی، تعداد زیادی از مسائل دارای طبیعت تركیباتی را پیش روی ما قرار می­دهد. به عنوان مثال مسیر كامیون­های حمل و نقل باید به شکل بهینه تعیین شود. تئوری پیچیدگی[2] به ما می­گوید كه مسائل تركیباتی اغلب چند جمله­ ای[3] نیستند. این مسائل در اندازه­های كاربردی و عملی خود به قدری بزرگ هستند كه نمی­توان جواب بهینه آنها را در مدت زمانی قابل قبول به دست آورد. با این وجود، این مسائل باید حل شوند و بنابراین چاره­ای نیست كه به جواب­های با تقریب بهینه بسنده نمود.

این مطلب را هم بخوانید :

الگوریتم­هائی داریم كه می­توانند یافتن جواب­های خوب در فاصله مشخصی از جواب بهینه را تضمین كنند كه به آن­ها الگوریتم­های تقریبی می­گویند. الگوریتم­های دیگری هستند كه تضمین می­دهند با احتمال بالا جواب “نزدیك بهینه[4]” تولید كنند كه به آن­ها الگوریتم­های احتمالی گفته می­شود. جدای از این دو دسته، می­توان الگوریتم­هائی را پذیرفت كه هیچ تضمینی در ارائه جواب ندارند اما بر اساس شواهد و سوابق نتایج آن­ها، به طور متوسط بهترین تقابل كیفیت و زمان حل برای مسئله مورد بررسی را به همراه داشته­اند. به این الگوریتم­ها، الگوریتم­های هیوریستیك گفته می­شود.
هیوریستیك­ها نتیجه برقراری اعتدال بین دو نیاز هستند: نیاز به ساخت معیارهای ساده و تمایز درست بین انتخاب­های خوب و بد.
خاصیت هیوریستیك­های خوب این است كه ابزار ساده­ای برای تشخیص خط مشی­های بهتر ارائه می دهند. در حالی كه این الگوریتم­ها الزاما، تشخیص خط مشی­های اثربخش را تضمین نمی­كنند اما اغلب به صورت شرط كافی این تضمین را فراهم می­آورند.