Проблемные ситуации и алгоритмы их решения: Алгоритм решения проблемных ситуаций

В жизни человека случаются разные ситуации, но главное помнить, что выход всегда есть. Ведь можно изменить себя или отношение к проблеме, поменять саму ситуацию или просто выйти из нее. Любые проблемы можно быстро решить, используя простой алгоритм действий.

Произнесите проблему от своего лица

Такие проблемы, как «начальник хочет слишком многого от меня», «мой парень не обращает внимание на меня» не имеют никакого решения.

Проанализируйте проблему

• Измените себя: вы можете найти себе новое хобби, чтобы заполнить пустоту. Вы можете прокачать свои навыки и выполнить весь объем задач.
• Измените отношение к проблеме: вы можете самостоятельно о себе позаботиться. Вы можете смириться с желаниями начальника и не думать об этом.
• Поменяйте ситуацию в свою пользу: вы можете поговорить с любимым человеком и сказать о своих чувствах. Вы можете открыто сказать начальнику, что такой объем задач вы не потяните.
• Выйти из ситуации: вы можете бросить парня или уволиться с работы.

Выберите подходящий способ

Можно выбрать несколько способов сразу, например, изменить себя и свое отношение. Возможно, вам понадобится достаточно времени, чтобы обдумать варианты. Это нормально.

Устройте мозговой штурм

Когда вы выберите один или несколько способов, выпишите на лист бумаги всевозможные варианты решения проблемы. Чем больше вы напишите, тем лучше. Например, если вы выбрали «изменить себя по отношению к начальнику», то в список вариантов можно выписать «пройти дополнительное обучение», «попросить помощи у начальника», «сделать максимально больше задач». Затем взвесьте все варианты и выберите самый подходящий.

Ответьте на вопросы

После того, как вы выбрали вариант решения проблемы, задайте себе простые вопросы:

1. Что мне нужно сделать сейчас, чтобы выполнить задуманный вариант?
2. Из-за чего я не смогу решить проблему?
3. Кого можно попросить о помощи?
4. Что конкретно я сделаю завтра, чтобы решить эту проблему?

После того, как вы сами ответите на данные вопросы, начните действовать. Только действия смогут привести вас к желаемому результату.

Пройдите прямо сейчас тест на умение планировать решение задач и узнайте, насколько хорошо вы владеете данным навыком. Откройте для себя новые возможности!

7.3 Решение проблем — вводная психология

Цели обучения

К концу этого раздела вы сможете:

• Опишите стратегии решения проблем
• Определить алгоритм и эвристику
• Объясните некоторые общие препятствия на пути к эффективному решению проблем

Люди сталкиваются с проблемами каждый день — обычно с множеством проблем в течение дня. Иногда эти проблемы просты: например, чтобы удвоить рецепт теста для пиццы, все, что требуется, — это удвоить каждый ингредиент в рецепте.Однако иногда проблемы, с которыми мы сталкиваемся, более сложные. Например, предположим, что у вас установлен крайний срок работы, и вы должны отправить распечатанную копию отчета своему руководителю до конца рабочего дня. Отчет чувствителен ко времени и должен быть отправлен в ночное время. Вы закончили отчет вчера вечером, но ваш принтер сегодня не будет работать. Что вы должны сделать? Сначала вам нужно определить проблему, а затем применить стратегию решения проблемы.

Изучение процессов решения проблем на людях и животных дало многое для понимания нашего сознательного опыта и привело к достижениям в области компьютерных наук и искусственного интеллекта.По сути, сегодня большая часть когнитивной науки представляет собой исследования того, как мы сознательно и бессознательно принимаем решения и решаем проблемы. Например, когда мы сталкиваемся с большим объемом информации, как нам принимать решения о наиболее эффективном способе сортировки и анализа всей информации, чтобы найти то, что вы ищете, как в парадигмах визуального поиска в когнитивной психологии. Или в ситуации, когда часть оборудования не работает должным образом, как нам организовать, как решить проблему и понять, в чем может быть причина проблемы.Как сортировать необходимые процедуры и сосредоточить внимание на том, что важно для эффективного решения проблем. В этом разделе мы обсудим некоторые из этих вопросов и рассмотрим процессы, связанные с решением проблем людей, животных и компьютеров.

СТРАТЕГИИ РЕШЕНИЯ ПРОБЛЕМ

Когда люди сталкиваются с проблемой — будь то сложная математическая задача или сломанный принтер, как вы ее решаете? Перед тем, как найти решение проблемы, сначала необходимо четко определить проблему.После этого можно применить одну из многих стратегий решения проблем, которая, надеюсь, приведет к решению.

Сами проблемы можно разделить на две разные категории, известные как плохо определенные и четко определенные проблемы (Schacter, 2009). Неопределенные проблемы представляют собой проблемы, у которых нет четких целей, путей решения или ожидаемых решений, тогда как четко определенные проблемы имеют конкретные цели, четко определенные решения и четкие ожидаемые решения. Решение проблем часто включает прагматику (логическое рассуждение) и семантику (интерпретацию значений, стоящих за проблемой), а также во многих случаях требует абстрактного мышления и творчества для поиска новых решений. В психологии решение проблемы относится к мотивационному побуждению к прочтению определенной «цели» из текущей ситуации или состояния, которое либо не движется к этой цели, либо находится далеко от нее, либо требует более сложного логического анализа для поиска недостающего описания условий. или шаги к этой цели. Процессы, относящиеся к решению проблем, включают поиск проблемы, также известный как анализ проблемы, формирование проблемы, в которой возникает организация проблемы, создание альтернативных стратегий, реализация попыток решения и проверка выбранного решения.В области психологии существуют различные методы изучения решения проблем, включая самоанализ, анализ поведения и бихевиоризм, симуляцию, компьютерное моделирование и эксперименты.

Стратегия решения проблем — это план действий, используемый для поиска решения. С разными стратегиями связаны разные планы действий (таблица ниже). Например, известная стратегия — это метод проб и ошибок. Старая пословица «Если сначала не получится, попробуй, попробуй еще раз» описывает метод проб и ошибок. Что касается вашего сломанного принтера, вы можете попробовать проверить уровень чернил, и если это не поможет, вы можете проверить, не застрял ли лоток для бумаги. Или, может быть, принтер на самом деле не подключен к вашему ноутбуку. При использовании метода проб и ошибок вы продолжите пробовать разные решения, пока не решите свою проблему. Хотя метод проб и ошибок обычно не является одной из самых эффективных по времени стратегий, они широко используются.

Другой тип стратегии — это алгоритм.Алгоритм — это формула решения проблемы, которая предоставляет вам пошаговые инструкции, используемые для достижения желаемого результата (Kahneman, 2011). Вы можете думать об алгоритме как о рецепте с очень подробными инструкциями, которые дают один и тот же результат каждый раз, когда они выполняются. Алгоритмы часто используются в нашей повседневной жизни, особенно в информатике. Когда вы выполняете поиск в Интернете, поисковые системы, такие как Google, используют алгоритмы, чтобы решить, какие записи появятся первыми в вашем списке результатов.Facebook также использует алгоритмы, чтобы решить, какие сообщения отображать в вашей ленте новостей. Можете ли вы определить другие ситуации, в которых используются алгоритмы?

Эвристика — это еще один тип стратегии решения проблем. В то время как алгоритм должен точно соблюдаться для получения правильного результата, эвристика — это общая структура решения проблем (Tversky & Kahneman, 1974). Вы можете думать об этом как о мысленных ярлыках, которые используются для решения проблем. «Эмпирическое правило» — это пример эвристики. Такое правило экономит время и силы человека при принятии решения, но, несмотря на его экономящие время характеристики, не всегда является лучшим методом для принятия рационального решения. В разных ситуациях используются разные типы эвристики, но импульс к использованию эвристики возникает, когда выполняется одно из пяти условий (Pratkanis, 1989):

• Когда сталкивается со слишком большим количеством информации
• Когда время на принятие решения ограничено
• Когда решение неважно
• Когда есть доступ к очень небольшому количеству информации для использования при принятии решения
• Когда подходящая эвристика приходит на ум в тот же момент

Работа в обратном направлении — это полезная эвристика, в которой вы начинаете решать проблему, сосредотачиваясь на конечном результате.Рассмотрим следующий пример: вы живете в Вашингтоне, округ Колумбия, и вас пригласили на свадьбу в 16:00 в субботу в Филадельфию. Зная, что межштатная автомагистраль 95 имеет тенденцию к резервному копированию в любой день недели, вам необходимо соответствующим образом спланировать свой маршрут и время отъезда. Если вы хотите быть на свадебной службе к 15:30, а до Филадельфии без пробок можно добраться за 2,5 часа, во сколько вам следует выйти из дома? Вы используете обратную эвристику для регулярного планирования событий дня, возможно, даже не задумываясь об этом.

Еще одна полезная эвристика — это практика выполнения большой цели или задачи путем разбиения ее на серию более мелких шагов. Учащиеся часто используют этот распространенный метод для завершения большого исследовательского проекта или длинного школьного сочинения. Например, студенты обычно проводят мозговой штурм, разрабатывают диссертацию или основную тему, исследуют выбранную тему, систематизируют информацию в план, пишут черновик, редактируют и редактируют черновик, разрабатывают окончательный вариант, организуют список литературы и корректируют свою работу до сдачи проекта.Большая задача становится менее сложной, если ее разбить на серию небольших шагов.

Были определены дальнейшие стратегии решения проблем (перечисленные ниже), которые включают гибкое и творческое мышление для эффективного достижения решений.

• Абстракция — относится к решению проблемы в рамках модели ситуации до ее применения в реальности.
• Аналогия — это решение, которое решает аналогичную проблему.
• Мозговой штурм — относится к сбору и анализу большого количества решений, особенно внутри группы людей, для объединения решений и их разработки до достижения оптимального решения.
• Разделяй и властвуй — разбиение больших сложных проблем на более мелкие и более решаемые.
• Проверка гипотез — метод, используемый в экспериментах, где делается предположение о том, что может произойти в ответ на манипулирование независимой переменной, и проводится анализ последствий манипуляции и сравнивается с исходной гипотезой.
• Боковое мышление — подход к проблемам косвенно и творчески, рассматривая проблему в новом и необычном свете.
• Анализ средств и результатов — выбор и анализ действия на серии более мелких шагов для приближения к цели.
• Метод фокальных объектов — объединение, казалось бы, несовпадающих характеристик различных процедур для создания чего-то нового, что приблизит вас к цели.
• Морфологический анализ — анализ результатов и взаимодействия многих частей, которые вместе составляют целую систему.
• Proof — попытка доказать, что проблема не может быть решена. Если доказательство не удается, становится отправной точкой или решением проблемы.
• Уменьшение — адаптация проблемы к подобной проблеме, где есть решение.
• Исследования — использование существующих знаний или решений аналогичных проблем для решения проблемы.
• Анализ первопричин — попытка определить причину проблемы.

Перечисленные выше стратегии представляют собой краткое изложение методов, которые мы используем при поиске решений, а также демонстрируем, как работает разум, когда сталкивается с препятствиями, мешающими достижению целей.

Один из примеров анализа средств и результатов можно найти с помощью парадигмы Ханойской башни . Эту парадигму можно смоделировать как проблему со словами, как это продемонстрировано в задаче Миссионер-каннибал :

Миссионерская проблема-каннибал

Трое миссионеров и трое людоедов находятся на одной стороне реки, и им нужно перейти на другую сторону. Единственное средство передвижения — лодка, которая может одновременно вместить только двух человек.Ваша цель — разработать набор движений, которые переместят всех шестерых людей через реку, учитывая следующее ограничение: количество каннибалов никогда не может превышать количество миссионеров в любом месте. Помните, что кому-то придется каждый раз переплачивать эту лодку.

Подсказка : В какой-то момент в вашем решении вам придется отправить на исходную сторону больше людей, чем вы только что отправили к месту назначения.

Настоящая проблема Ханойской башни состоит из трех стержней, установленных вертикально на основании с множеством дисков разного размера, которые могут скользить по любому стержню. Головоломка начинается с дисков, собранных аккуратной стопкой в ​​порядке возрастания размера на одном стержне, самый маленький наверху образует коническую форму. Задача загадки — переместить всю стопку на другой стержень, соблюдая следующие правила:

• 1. Одновременно можно перемещать только один диск.
• 2. Каждый ход состоит в том, чтобы взять верхний диск из одной из стопок и положить его поверх другой стопки или на пустой стержень.
• 3. Диск не может быть помещен поверх диска меньшего размера.

Ханойская башня — часто используемый психологический метод для изучения решения проблем и анализа процедур. Был разработан вариант Ханойского Тауэра, известный как Лондонский Тауэр, который стал важным инструментом в нейропсихологической диагностике нарушений исполнительной функции и их лечении.

Как вы, возможно, помните из главы об ощущениях и восприятии, гештальт-психология описывает целые паттерны, формы и конфигурации восприятия и познания, такие как завершение, хорошее продолжение и фигура-фон.Помимо паттернов восприятия, Вольфганг Колер, немецкий гештальт-психолог, отправился на испанский остров Тенерифе, чтобы изучить поведение животных и решение проблем антропоидной обезьяны.

В качестве интересного дополнения к исследованиям Колера решения проблем шимпанзе доктор Рональд Лей, профессор психологии Государственного университета Нью-Йорка, приводит доказательства в своей книге A Whisper of Espionage (1990), предполагая, что при сборе данных для позже будет его книга Менталитет обезьян (1925) на Тенерифе на Канарских островах между 1914 и 1920 годами, Колер также был активным шпионом правительства Германии, предупреждая Германию о судах, плавающих вокруг Канарских островов.Лей предполагает, что его исследования в Англии, Германии и других странах Европы подтверждают, что Колер служил в немецких вооруженных силах, строя, поддерживая и эксплуатируя скрытую радиостанцию, которая способствовала военным усилиям Германии, выступая в качестве стратегического форпоста на Канарских островах, который мог контролировать военно-морские силы. активность приближается к североафриканскому побережью.

Находясь в ловушке на острове во время Первой мировой войны, Колер применил принципы гештальта к восприятию животных, чтобы понять, как они решают проблемы.Он признал, что обезьяны на островах также воспринимают отношения между стимулами и окружающей средой в гештальт-паттернах и понимают эти паттерны как единое целое, а не как части, составляющие единое целое. Колер основывал свои теории интеллекта животных на способности понимать взаимосвязь между стимулами и проводил большую часть своего времени, будучи в ловушке на острове, исследуя то, что он описал как понимание , внезапное восприятие полезных или правильных отношений. Чтобы изучить способность проникновения в суть животных, Колер создавал проблемы для шимпанзе, подвешивая бананы или какую-нибудь еду так, чтобы они были подвешены выше, чем могли дотянуться обезьяны.Внутри комнаты Колер расставлял различные коробки, палки или другие инструменты, которые шимпанзе могли использовать, комбинируя их в узоры или организовывая таким образом, чтобы они могли получать еду (Kohler & Winter, 1925).

Рассматривая шимпанзе, Колер заметил одного шимпанзе, который более эффективно решал проблемы, чем другие. Шимпанзе, которого звали Султан, мог использовать длинные шесты, чтобы проходить сквозь решетку и организовывать предметы по определенному шаблону, чтобы получить еду или другие предметы, которые изначально были недоступны.Чтобы изучить способность проникновения в суть этих шимпанзе, Колер убирал предметы из комнаты, чтобы систематически затруднять добычу пищи. Как гласит история, после удаления многих предметов, которые Султан привык использовать для получения еды, он на некоторое время сел и надулся, а затем внезапно встал, перейдя к двум столбам, лежащим на земле. Без колебаний Султан вставил один шест в конец другого, создав более длинный шест, который он мог использовать для получения еды, демонстрируя идеальный пример того, что Колер назвал прозрением.В другой ситуации Султан обнаружил, как встать на ящик, чтобы достать банан, подвешенный к стропилам, что свидетельствует о восприятии Султаном отношений и важности проницательности в решении проблем.

Решение головоломок

Способность решать проблемы можно улучшить с практикой. Многие люди каждый день ставят перед собой задачу решить головоломки и другие умственные упражнения, чтобы отточить свои навыки решения проблем. Головоломки судоку ежедневно появляются в большинстве газет. Как правило, головоломка судоку представляет собой сетку 9 × 9. Простая судоку ниже (см. Рисунок) представляет собой сетку 4 × 4. Чтобы решить головоломку, заполните пустые поля одной цифрой: 1, 2, 3 или 4. Вот правила: общее количество чисел должно составлять 10 в каждом выделенном жирным шрифтом поле, каждой строке и каждом столбце; однако каждая цифра может отображаться только один раз в выделенном жирным шрифтом поле, строке и столбце.Найдите время, решая эту головоломку, и сравните свое время с одноклассником.

Вот еще один популярный тип головоломки (рисунок ниже), который бросает вызов вашим навыкам пространственного мышления. Соедините все девять точек четырьмя соединительными прямыми линиями, не отрывая карандаш от бумаги:

Взгляните на логическую головоломку «Загадочные весы» ниже (рисунок ниже). Сэм Лойд, известный мастер головоломок, на протяжении своей жизни создавал и совершенствовал бесчисленное количество головоломок (Cyclopedia of Puzzles, без даты).

ЯМКИ ДЛЯ РЕШЕНИЯ ПРОБЛЕМ

Однако не все проблемы решаются успешно.Какие проблемы мешают нам успешно решить проблему? Альберт Эйнштейн однажды сказал: «Безумие повторяет одно и то же снова и снова и ожидает другого результата». Представьте себе человека в комнате с четырьмя дверными проемами. Одна дверь, которая всегда была открыта в прошлом, теперь заперта. Человек, привыкший выходить из комнаты через этот конкретный дверной проем, продолжает пытаться выйти через тот же дверной проем, даже если остальные три дверных проема открыты. Человек застрял, но ей просто нужно пройти к другому дверному проему, вместо того, чтобы пытаться выбраться через запертый дверной проем.Ментальная установка — это когда вы упорно подходите к проблеме так, как это работало в прошлом, но явно не работает сейчас.

Функциональная неподвижность — это тип ментальной установки, при которой вы не можете воспринимать объект, используемый для чего-то другого, кроме того, для чего он был разработан. Во время миссии Apollo 13 на Луну инженерам НАСА в Центре управления полетами пришлось преодолеть функциональную неподвижность, чтобы спасти жизни астронавтов на борту космического корабля. Взрыв модуля космического корабля повредил несколько систем.Астронавтам угрожала опасность отравиться из-за повышения уровня углекислого газа из-за проблем с фильтрами углекислого газа. Инженеры нашли способ, позволяющий астронавтам использовать запасные пластиковые пакеты, ленту и воздушные шланги, чтобы создать импровизированный воздушный фильтр, который спас жизни астронавтов.

Исследователи выяснили, влияет ли культура на функциональную неподвижность.В одном эксперименте людей из группы Шуар в Эквадоре попросили использовать объект не для той цели, для которой объект был первоначально предназначен. Например, участникам рассказали историю о медведе и кролике, разделенных рекой, и попросили выбрать среди различных предметов, включая ложку, чашку, ластики и т. Д., Чтобы помочь животным. Ложка была единственным предметом, достаточно длинным, чтобы охватить воображаемую реку, но если ложка была представлена ​​таким образом, чтобы отражать ее нормальное использование, участникам требовалось больше времени, чтобы выбрать ложку для решения проблемы.(Герман и Барретт, 2005 г.). Исследователи хотели знать, влияет ли использование узкоспециализированных инструментов, как это происходит с людьми в промышленно развитых странах, на их способность преодолевать функциональную неподвижность. Было установлено, что функциональная фиксация ощущается как в индустриальных, так и в неиндустриализированных культурах (German & Barrett, 2005).

Чтобы принимать правильные решения, мы используем наши знания и рассуждения. Часто эти знания и рассуждения являются надежными и твердыми. Однако иногда на нас влияют предубеждения или другие манипулирующие ситуацией.Например, предположим, что вы и трое друзей хотели снять дом, и у вас общий целевой бюджет составляет 1600 долларов. Риэлтор показывает вам только очень ветхие дома за 1600 долларов, а затем показывает очень красивый дом за 2000 долларов. Можете ли вы попросить каждого человека платить больше за аренду, чтобы получить дом за 2000 долларов? Зачем риэлтору показывать ветхие дома и красивый дом? Риэлтор может оспаривать вашу предвзятость. Смещение привязки возникает, когда вы сосредотачиваетесь на одной части информации при принятии решения или решении проблемы.В этом случае вы настолько сосредоточены на сумме денег, которую готовы потратить, что не можете распознать, какие дома доступны по этой цене.

Предвзятость подтверждения — это тенденция сосредотачиваться на информации, которая подтверждает ваши существующие убеждения. Например, если вы думаете, что ваш профессор не очень хороший, вы замечаете все случаи грубого поведения профессора, игнорируя бесчисленные приятные взаимодействия, в которые он вовлечен ежедневно.Предвзятость в ретроспективе заставляет вас поверить в то, что событие, которое вы только что пережили, было предсказуемым, хотя на самом деле это не так. Другими словами, вы всегда знали, что все будет так, как было раньше. Репрезентативная предвзятость описывает ошибочный образ мышления, при котором вы непреднамеренно стереотипируете кого-то или что-то; Например, вы можете предположить, что ваши профессора проводят свободное время, читая книги и участвуя в интеллектуальных беседах, потому что представление о том, что они проводят время за волейболом или посещением парка развлечений, не соответствует вашим стереотипам о профессорах.

Наконец, эвристика доступности — это эвристика, в которой вы принимаете решение на основе примера, информации или недавнего опыта, которые доступны вам, даже если это не лучший пример для информирования вашего решения . Предубеждения имеют тенденцию «сохранять то, что уже установлено, — поддерживать наши ранее существовавшие знания, убеждения, отношения и гипотезы» (Aronson, 1995; Kahneman, 2011). Эти предубеждения суммированы в таблице ниже.

Удалось ли вам определить, сколько шариков необходимо для балансировки весов на рисунке ниже? Тебе нужно девять.Удалось ли вам решить проблемы, указанные на рисунках выше? Вот ответы.

РЕЗЮМЕ

Существует множество различных стратегий решения проблем. Типичные стратегии включают метод проб и ошибок, применение алгоритмов и эвристику. Чтобы решить большую сложную проблему, часто помогает разбить проблему на более мелкие шаги, которые можно выполнить индивидуально, что приведет к общему решению. Препятствиями на пути к решению проблем являются психологическая установка, функциональная неподвижность и различные предубеждения, которые могут омрачить навыки принятия решений.

Артикул:

Текст Психологии Openstax Кэтрин Дампер, Уильям Дженкинс, Арлин Лакомб, Мэрилин Ловетт и Мэрион Перлмуттер под лицензией CC BY v4.0. https://openstax.org/details/books/psychology

Упражнения

Обзорные вопросы:

1. Конкретная формула решения проблемы называется ________.

а. алгоритм

г. эвристика

г.ментальный набор

г. метод проб и ошибок

2. Решение проблемы Ханойской башни имеет тенденцию использовать ________ стратегию решения проблем.

а. разделяй и властвуй

г. Средне-конечный анализ

г. аналогия

г. эксперимент

3. Умственное сокращение в форме общей схемы решения проблем называется ________.

а. алгоритм

г. эвристика

г.ментальный набор

г. метод проб и ошибок

4. Какой тип предвзятости включает в себя зацикленность на одной особенности проблемы?

а. смещение якоря

г. предвзятость подтверждения

г. репрезентативный уклон

г. смещение доступности

5. Какой тип предвзятости предполагает использование ложных стереотипов при принятии решения?

а. смещение якоря

г. предвзятость подтверждения

г.репрезентативный уклон

г. смещение доступности

6. Вольфганг Колер проанализировал поведение шимпанзе, применив принципы гештальта для описания ________.

а. социальная корректировка

г. варианты оплаты студенческой нагрузки

г. эмоциональное обучение

г. инсайт обучение

7. ________ — это тип мысленной установки, при которой вы не можете воспринимать объект, используемый для чего-то другого, кроме того, для чего он был разработан.

а. функциональная неподвижность

г. предвзятость подтверждения

г. рабочая память

г. инсайт обучение

Вопросы критического мышления:

1. Что такое функциональная неподвижность и как ее преодоление может помочь вам в решении проблем?

2. Как алгоритм экономит ваше время и энергию при решении проблемы?

Личный вопрос по заявлению:

1. Какой тип предвзятости вы признаете в процессе принятия собственных решений? Как эта предвзятость повлияла на то, как вы принимали решения в прошлом, и как вы можете использовать свое осознание этого, чтобы улучшить свои навыки принятия решений в будущем?

Глоссарий:

алгоритм

анкерное смещение

эвристика доступности

систематическая ошибка подтверждения

функциональная неподвижность

эвристика

смещение назад

набор психический

стратегия решения проблем

смещение представителя

метод проб и ошибок

работа в обратном направлении

Ответы к упражнениям

Обзорные вопросы:

1.A

2. B

3. В

4. A

5. C

6. D

7. А

Вопросы критического мышления:

1. Что такое функциональная неподвижность и как ее преодоление может помочь вам в решении проблем?

2. Как алгоритм экономит ваше время и энергию при решении проблемы?

Глоссарий:

алгоритм: стратегия решения проблем, характеризующаяся конкретным набором инструкций

смещение привязки: ошибочная эвристика, при которой вы сосредотачиваетесь на одном аспекте проблемы, чтобы найти решение

эвристика доступности: ошибочная эвристика, при которой вы принимаете решение на основе легко доступной вам информации

предвзятость подтверждения: ошибочная эвристика, при которой вы сосредотачиваетесь на информации, подтверждающей ваши убеждения

функциональная неподвижность: невозможность рассматривать объект как полезный для любого другого использования, кроме того, для которого он был предназначен

эвристика: мысленный ярлык, который экономит время при решении проблемы

предвзятость в ретроспективе: уверенность в том, что только что произошедшее событие было предсказуемым, хотя на самом деле это не было

мысленная установка: постоянное использование старого решения проблемы безрезультатно

стратегия решения проблем: метод решения проблем

предвзятость представителя: ошибочная эвристика, при которой вы стереотипируете кого-то или что-то без веских оснований для вашего суждения

метод проб и ошибок: стратегия решения проблем, в которой предпринимаются попытки нескольких решений до тех пор, пока не будет найдено правильное

работа в обратном направлении: эвристика , в которой вы начинаете решать проблему, сосредотачиваясь на конечном результате

Мысль | Britannica

Элементы мысли

Широкое использование слов в мышлении («безмолвная речь») способствовало убеждению, особенно среди психологов-бихевиористов и необихевиористов, что думать означает соединять языковые элементы субголосом.Ранние эксперименты показали, что мышление обычно сопровождается электрической активностью в мышцах артикуляционных мышц мыслителя (например, в горле). Благодаря более поздней работе с электромиографическим оборудованием стало очевидно, что мышечные явления не являются действительными проводниками мышления; они просто облегчают соответствующую деятельность мозга, когда интеллектуальная задача особенно сложна. Отождествление мышления с речью подверглось критике со стороны российского психолога Льва Семеновича Выготского и швейцарского психолога развития Жана Пиаже, которые наблюдали истоки человеческого мышления в общей способности детей объединять невербальные действия в эффективные и гибкие комбинации.Эти теоретики настаивали на том, что мышление и речь возникают независимо, хотя они признавали глубокую взаимозависимость этих функций.

Три ученых, придерживающихся разных подходов: русский физиолог XIX века Иван Михайлович Сеченов; американский основатель бихевиоризма Джон Б. Ватсон; и Пиаже — независимо пришли к выводу, что действия, которые служат элементами мышления, являются интернализованными или «дробными» версиями двигательных реакций. Другими словами, элементы считаются ослабленными или сокращенными вариантами нервно-мышечных процессов, которые, если бы они не подвергались частичному торможению, вызывали бы видимые движения тела.

Чувствительные инструменты действительно могут обнаруживать слабую активность в различных частях тела, кроме органов речи, например, в конечностях человека, когда движение мыслится или воображается, но не происходит на самом деле. Недавние исследования показывают существование желудочного «мозга», набора нейронных сетей в желудке. Такие открытия породили теории о том, что люди думают всем телом, а не только мозгом, или что, по словам американского психолога Б. Ф. Скиннера, «мысль — это просто поведение — словесное или невербальное, скрытое или явное. .”

Логическим результатом этих и подобных заявлений была точка зрения периферизма. В работе Уотсона и американского психолога Кларка Л. Халла очевидно, что мышление зависит от событий в мускулатуре: этих событий, известных как проприоцептивные импульсы (т. Е. Импульсы, возникающие в ответ на физическое положение, позу, равновесие или внутреннее состояние). состояние), влияют на последующие события в центральной нервной системе, которые, в конечном итоге, взаимодействуют с внешними стимулами и определяют дальнейшие действия.Однако есть свидетельства того, что мышлению не препятствует прием лекарств, подавляющих всю мышечную активность. Более того, такие исследователи, как американский психолог Карл С. Лэшли, указали, что мышление, как и другие более или менее квалифицированные действия, часто происходит так быстро, что не хватает времени для передачи импульсов из центральной нервной системы. систему к периферическому органу и обратно между последовательными шагами. Таким образом, централистский взгляд на то, что мышление состоит из событий, ограниченных мозгом (хотя часто сопровождается широко распространенной активностью в остальной части тела), получил распространение позже в 20 веке.Тем не менее, каждое из этих нейронных событий можно рассматривать как ответ (на внешний стимул или на более раннюю нейронно-опосредованную мысль или комбинацию мыслей), так и как стимул (вызывающий последующую мысль или двигательную реакцию).

Элементы мышления классифицируются как «символы» в соответствии с концепцией знакового процесса («семиотика»), которая выросла из работы философов (например, Чарльза Сандерса Пирса), лингвистов (например, CK Ogden и Ivor A. Ричардс) и психологов, специализирующихся на обучении (Э.g., Hull, Neal E. Miller, O. Hobart Mowrer и Charles E. Osgood). Суть этой концепции состоит в том, что стимулирующее событие x можно рассматривать как знак, представляющий (или «обозначающий») другое событие y , если x вызывает некоторые, но не все, поведения (как внешние, так и internal), который был бы вызван и , если бы он присутствовал. Когда стимул, который квалифицируется как знак, является результатом поведения организма, для которого он действует как знак, он называется «символом».«Реакции, вызывающие стимулы», которые, как говорят, составляют мыслительные процессы (например, когда человек думает о чем-то поесть), являются яркими примерами.

Этот подход, который предпочитают психологи, придерживающиеся принципа «стимул-реакция» или неоассоциативного течения, контрастирует с таковым из различных когнитивистских или неорационалистских теорий. Вместо того, чтобы рассматривать компоненты мышления как производные вербальных или невербальных двигательных действий (и, следовательно, подчиняться законам обучения и производительности, применимым к усвоенному поведению в целом), когнитивисты рассматривают компоненты мышления как уникальные центральные процессы, регулируемые принципами, которые свойственно им.Эти теоретики придают первостепенное значение так называемым структурам, в которых организованы «когнитивные» элементы, и они склонны видеть выводы, применения правил, репрезентации внешней реальности и другие составляющие мышления в действии даже в простейших формах усвоения знаний. поведение.

Школа гештальт-психологии считает, что составляющие мышления по существу имеют ту же природу, что и паттерны восприятия, которые нервная система конструирует из сенсорных возбуждений.После середины 20 века аналогии с компьютерными операциями приобрели широкое распространение; как следствие, мышление стало описываться в терминах хранения, поиска и передачи элементов информации. Рассматриваемая информация считалась свободно переводимой с одной «кодировки» на другую без ущерба для ее функций. Важнее всего было то, как были объединены события и какие другие комбинации могли произойти вместо этого.

Решение проблем

Иногда недостаточно просто справиться с проблемами — их нужно решать.

Большинство людей ежедневно решают проблемы. Это происходит автоматически для многих мелких решений, которые необходимо принимать ежедневно.

Например, когда вы принимаете решение о том, вставать ли сейчас или поспать еще 10 минут, на ум автоматически приходят возможные варианты, а также относительные риски и преимущества повиновения будильнику или более позднего сна.

Более крупные проблемы решаются аналогичным образом. Например: «У меня есть задачи, которые нужно выполнить до конца недели. Как я собираюсь сделать все вовремя? »

После рассмотрения возможных стратегий выбирается и реализуется 1. Если это окажется неэффективным, пробуют другую стратегию.

Люди, которые могут определять проблемы, рассматривать варианты, делать выбор и реализовывать план, обладают всеми основными навыками, необходимыми для эффективного решения проблем.

Иногда следование пошаговой процедуре определения проблем, выработки решений и реализации решений может сделать процесс решения проблемы менее утомительным.

Шесть шагов руководства, которое поможет вам решить проблемы

Шаг 1. Определите и определите проблему

• Сформулируйте проблему как можно яснее. Например: «У меня недостаточно денег, чтобы оплачивать счета».
• Будьте конкретны в отношении поведения, ситуации, времени и обстоятельств, из-за которых возникает проблема. Например: «Мне нужно оплатить счета за телефон и газ, и у меня нет денег, чтобы оплатить и то, и другое в этом месяце».

Шаг 2. Создание возможных решений

• Перечислите все возможные решения; не беспокойтесь о качестве решений на данном этапе.
• Попробуйте перечислить хотя бы 15 решений, проявите изобретательность и забудьте о качестве решения.
• Если вы позволите себе проявить творческий подход, вы можете придумать некоторые решения, о которых вы иначе бы и не подумали.

Шаг 3: Оценить альтернативы

• Следующим шагом является поиск и устранение менее желательных или неразумных решений.
• Закажите остальные решения в порядке предпочтения.
• Оцените остальные решения с точки зрения их преимуществ и недостатков.

Шаг 4. Определитесь с решением

• Укажите, кто будет действовать.
• Укажите, как будет реализовано решение.
• Укажите, когда будет реализовано решение. Например: завтра утром позвоните в газовую компанию и договоритесь об оплате счета за газ в следующем месяце.

Шаг 5. Внедрение решения

• Реализуйте решение в соответствии с планом.

Шаг 6: Оцените результат

• Оцените, насколько эффективным было решение.
• Решите, нужно ли пересмотреть существующий план или нужен новый план для лучшего решения проблемы.
• Если результат вас не устраивает, вернитесь к шагу 2, чтобы выбрать новое решение или пересмотреть существующее, и повторите оставшиеся шаги.

Решение проблем — это то, чем мы занимаемся каждый день.

Некоторые проблемы небольшие или легко решаются — другие более сложные и могут показаться непосильными.

Одним из способов решения проблем является использование специальной и систематической процедуры решения проблем. Если вы безуспешно пытались решить определенные проблемы, попробуйте эти шаги и посмотрите, помогут ли они.

Умение эффективно решать проблемы поможет вам свести к минимуму уровень стресса в вашей жизни и улучшить ваше общее чувство благополучия.

Попробуйте и убедитесь.

Куда обратиться за помощью

Центр клинических вмешательств (CCI)

Обратитесь к врачу

Посетите

Линия экстренной помощи в области психического здоровья (MHERL)

• Звонящие в метро: 1300 55 788
• Пилинг: 1800 676822

RuralLink

• Сельские и отдаленные районы 1800 552002

Помните

• Большинство людей ежедневно решают проблемы.
• Иногда следование пошаговому процессу определения проблем, рассмотрения вариантов и принятия решений может облегчить решение проблем.
• Вы всегда можете поговорить со своим врачом или психиатром и попросить о помощи.

Эта информация предоставлена ​​

Центр клинических вмешательств (CCI)

Эта публикация предназначена только для образовательных и информационных целей.Это не замена профессиональной медицинской помощи. Информация о терапии, услуге, продукте или лечении не подразумевает одобрения и не предназначена для замены рекомендаций вашего лечащего врача. Читатели должны иметь в виду, что со временем актуальность и полнота информации могут измениться. Все пользователи должны проконсультироваться с квалифицированным медицинским работником для постановки диагноза и ответов на свои медицинские вопросы.

Эвристических алгоритмов — оптимизация

Авторы: Винсент Кенни, Мэтью Натал и Спенсер Салдана (ChE 345, весна 2014 г.)

Управляющий: Дацзюнь Юэ, Фэнци Ю

Дата представления: 25 мая 2014 г.

Эвристический алгоритм — это алгоритм, который разработан для решения проблемы более быстрым и эффективным способом, чем традиционные методы, путем принесения в жертву оптимальности, точности, точности или полноты ради скорости.Эвристические алгоритмы часто используются для решения NP-полных задач, класса задач решения. В этих проблемах нет известного эффективного способа быстро и точно найти решение, хотя решения можно проверить, если они будут представлены. Эвристика может дать решение индивидуально или использоваться для обеспечения хорошей базы и дополнена алгоритмами оптимизации. Чаще всего используются эвристические алгоритмы, когда приближенных решений достаточно, а точные решения обязательно требуют больших вычислительных ресурсов.1

Примеры алгоритмов

Ниже приведены хорошо известные примеры «интеллектуальных» алгоритмов, в которых используются хитроумные упрощения и методы для решения сложных вычислительных задач.

Интеллект роя

Swarm Intelligence используется большое количество агентов, взаимодействующих локально друг с другом и с окружающей средой. Интеллект роя относится к коллективному поведению децентрализованных систем и может использоваться для описания как естественных, так и искусственных систем.Конкретные алгоритмы для этого класса систем включают алгоритм оптимизации роя частиц, алгоритм оптимизации муравьиной колонии и алгоритм искусственной пчелиной колонии. Каждый из предыдущих алгоритмов был основан на естественном самоорганизованном поведении животных.

Табу Поиск

Этот эвристический метод использует динамически генерируемые табу для поиска оптимальных решений. Он исследует возможные решения проблемы и проверяет ближайших местных соседей, чтобы найти лучшее решение.Поиск создает набор правил динамически и предотвращает повторный поиск системой в одной и той же области, отмечая решения, нарушающие правила, как «табу» или «запрещенные». Этот метод решает проблему методов локального поиска, когда поиск застревает в субоптимальных областях или в областях, где имеется несколько одинаково подходящих решений.

Имитация отжига

Используя металлургический термин, этот метод сводится к решению точно так же, как металлы доводятся до минимальной энергетической конфигурации за счет увеличения размера зерна.Имитация отжига используется в глобальной оптимизации и может дать разумное приближение глобального оптимума для функции с большим пространством поиска. На каждой итерации он вероятностно решает, оставаться ли в текущем состоянии или переходить в другое, в конечном итоге приводя систему к состоянию с наименьшей энергией.

Генетические алгоритмы

Генетические алгоритмы — это подмножество более крупного класса эволюционных алгоритмов, которые описывают набор методов, вдохновленных естественным отбором, таких как наследование, мутация и кроссовер.Генетические алгоритмы требуют как генетического представления области решения, так и функции приспособленности для оценки области решения. Этот метод генерирует совокупность возможных решений и использует функцию соответствия для выбора оптимального решения путем итерации с каждым поколением. Алгоритм завершается, когда достигается удовлетворительный уровень приспособленности для популяции или максимальное количество поколений.

Искусственные нейронные сети

Искусственные нейронные сети (ИНС) — это модели, способные к распознаванию образов и машинному обучению, в которых система анализирует набор обучающих данных и затем может классифицировать новые примеры и данные.На ИНС влияет центральная нервная система и мозг животных, и они используются для решения широкого круга задач, включая распознавание речи и компьютерное зрение1.

Машины опорных векторов

Support Vector Machines (SVM) — это модели с обучающими данными, используемые искусственным интеллектом для распознавания закономерностей и анализа данных. Эти алгоритмы используются для регрессионного анализа и классификации. Используя данные примера, алгоритм сортирует новые примеры по группам.Эти SVM задействованы в машинном обучении, подмножестве искусственного интеллекта, при котором системы учатся на данных и требуют обучающих данных, прежде чем они смогут анализировать новые примеры1.

Примеры проблем

Задача коммивояжера

Хорошо известный пример эвристического алгоритма используется для решения общей задачи коммивояжера. Проблема заключается в следующем: учитывая список городов и расстояния между ними, каков самый короткий маршрут, который посещает каждый город ровно один раз? Эвристический алгоритм, используемый для быстрого решения этой проблемы, — это алгоритм ближайшего соседа (NN) (также известный как жадный алгоритм).Начиная со случайно выбранного города, алгоритм находит ближайший город. Остальные города снова анализируются, и находится ближайший к нему город.

Рисунок 1: Пример того, как работает алгоритм ближайшего соседа.

Это шаги алгоритма NN:

1. Начать со случайной вершины
2. Определить кратчайшее расстояние, соединяющее текущую вершину и непосещаемую вершину V
3. Сделать текущую вершину невидимой V
4. Сделать V посетил
5. Запишите пройденное расстояние
6. Завершить, если не осталось других непосещенных вершин
7. Повторите шаг 2.5

Этот алгоритм является эвристическим, поскольку не учитывает возможность исключения лучших шагов из-за процесса выбора. Для n городов алгоритм NN создает путь, который примерно на 25% длиннее наиболее оптимального решения6.

Пример задачи коммивояжера

На участке размером 10х10 расположены 4 точки интереса: (3,4,5), (9,6,25), (1,8) и (5,5,0). В таблице ниже указано расстояние, необходимое для касания всех 4 точек, при этом первая и последняя точки известны с использованием алгоритма ближайшего соседа:

Начиная с точки (1,8): Кратчайшее расстояние до непосещаемой точки — 4.03 единицы в точку (3,4,5). Кратчайшее расстояние до непосещенной точки составляет 5,15 единиц до точки (5,5,0). Кратчайшее расстояние до невидимой точки составляет 7,16 единиц до точки (9,6,25). Общее пройденное расстояние — 16,34 единицы.

Начиная с точки (9,6.25): Кратчайшее расстояние до невидимой точки составляет 6,25 единиц до точки (3,4,5). Кратчайшее расстояние до невидимой точки составляет 4,03 единицы до точки (1,8). Кратчайшее расстояние до непосещенной точки составляет 9,18 единиц до точки (5,5,0). Общее пройденное расстояние — 19.46 шт.

Обе ситуации следовали алгоритму NN для решения проблемы, однако общее пройденное расстояние изменилось в зависимости от начального местоположения. Это показывает, как эвристический алгоритм может дать хорошее решение, но не лучшее.

Задача о ранце

Еще одно распространенное использование эвристики — решение задачи о ранце, в которой заданный набор предметов (каждый с массой и значением) сгруппирован так, чтобы иметь максимальное значение, находясь под определенным пределом массы.Эвристический алгоритм для этой проблемы называется алгоритмом жадной аппроксимации, который сортирует элементы на основе их стоимости на единицу массы и добавляет элементы с наибольшим значением v / m, пока остается свободное место.

Для иллюстрации есть сумка с максимальным пределом веса W . Мы хотим максимизировать ценность всех объектов, попадающих в сумку, поэтому целевая функция:

— это двоичная переменная, которая определяет, попадет ли объект j в сумку.

— это стоимость объекта j .

— это вес объекта j , и сумма всех весов не должна превышать W .7

Как правило, жадные алгоритмы используются для приближенного своевременного решения задач комбинаторики8.

Сканирование на вирусы

При сканировании на вирусы алгоритм ищет ключевые фрагменты кода, связанные с определенными видами или вирусами, уменьшая количество файлов, которые необходимо сканировать.Одно из преимуществ эвристического поиска вирусов заключается в том, что различные вирусы одного семейства могут быть обнаружены, не будучи известными из-за общих маркеров кода9.

Поиск и сортировка

Одно из наиболее распространенных применений эвристических алгоритмов — поиск и сортировка. Во время поиска он регулирует свои рабочие параметры для оптимизации скорости, что является важной характеристикой функции поиска. Алгоритм отбрасывает текущие возможности, если они хуже уже найденных решений.10 Некоторые формы эвристических методов могут быть вредными для поиска, например алгоритм поиска по первому наилучшему. Он приближает результаты поиска к цели и следует по новому пути, даже если он может и не привести к оптимальному результату поиска.11

Список литературы

1. С. А. Кук. «Обзор вычислительной сложности», в Коммуникации ACM, т. 26, вып. 6, июнь 1983 г., стр. 401–408.

2. Д. Карабога, Д. Фам. Интеллектуальные методы оптимизации: генетические алгоритмы, Табу-поиск, имитация отжига и нейронные сети.Springer Verlag, 2000.

3. Джон Луи Бентли (1982). Написание эффективных программ. Прентис Холл. п. 11.

4. Задача коммивояжера. (нет данных). В Википедия . Получено 8 июня 2014 г. из [[1]].

5. Алгоритм ближайшего соседа. (нет данных). В Википедия . Получено 4 июня 2014 г. из [[2]].

6. Джонсон, Д.С. и МакГеоч, Л.А. «Задача коммивояжера: пример локальной оптимизации», Локальный поиск в комбинаторной оптимизации, 1997, 215-310

7.Задача о рюкзаке. (нет данных). В Википедия . Получено 8 июня 2014 г. из [[3]].

8. Джордж Б. Данциг, Дискретно-переменные экстремальные задачи, Исследование операций Vol. 5, № 2, апрель 1957 г., стр. 266–288.

9. Wong, W .; Штамп, М. (2006). «Охота за метаморфическими машинами». Журнал компьютерной вирусологии 2 (3): 211–229.

10. Стюарт Рассел и Питер Норвиг (2010). Искусственный интеллект: современный подход. Прентис Холл.

11. Р. Баттити. «Реактивный поиск: к ​​самонастраивающейся эвристике», в современной эвристике. методы поиска.Wiley & Sons, 1996, стр. 61-83.

поисковых алгоритмов. Часть 1: Постановка задачи и поиск решений | пользователя Rithesh K | Kredo.ai Engineering

В предыдущей серии блогов мы видели различные структуры агентов в зависимости от природы среды, в которой они работают. В текущей серии мы обсудим больше об агенте, основанном на целях, и алгоритмы поиска, которые дают «решение» «проблемы» в этих агентах.

Как упоминалось ранее, эти блоги очень похожи на книгу «Искусственный интеллект: современный подход».Фактически, эту серию можно рассматривать как сокращенную версию книги.

Типы агентов на основе целей

Мы видели, что рефлекторные агенты, чьи действия являются прямым отображением состояний окружающей среды, занимают большое пространство для хранения таблицы сопоставления и являются негибкими. Целевые агенты учитывают долгосрочные действия и желательность результата, который легче обучить и который можно адаптировать к изменяющейся среде.

Существует два типа целевых агентов: агентов решения проблем и агентов планирования .Агенты по решению проблем рассматривают каждое состояние мира как неделимое , без внутренней структуры состояний, видимой для алгоритмов решения проблем. Агенты планирования разделяют каждое состояние на переменных и устанавливают между ними взаимосвязь .

В этой серии статей мы подробнее обсудим агенты решения проблем и связанные с ними алгоритмы. Мы продолжим обсуждение агентов планирования в другой раз.

В этом посте (и далее) в качестве примера для объяснения различных алгоритмов мы рассматриваем проблему перемещения из одного места в другое (путь с одним источником и одним пунктом назначения).На Рисунке 1 представлена ​​дорожная карта части Румынии.

Задача — добраться из Арада до Бухареста за день. Цель агента — прибыть в Бухарест на следующий день. Действия, которые не позволяют агенту прибыть в Бухарест вовремя, могут быть отклонены без дальнейшего рассмотрения, что упрощает задачу агента по принятию решения.

Определение и формулировка проблемы

Прежде чем мы перейдем к поиску алгоритма оценки проблемы и поиска решения, нам сначала нужно определить и сформулировать проблему.

Формулировка проблемы включает решение, какие действия и состояния следует учитывать с учетом цели. Например, если агент будет считать, что действие находится на уровне «переместить левую ногу на один дюйм» или «повернуть рулевое колесо на 1 градус влево», у агента будет слишком много шагов, чтобы покинуть стоянка, не говоря уже о Бухаресте. В общем, нам нужно абстрагироваться от деталей состояния из представления.

Формально проблему можно определить с помощью 5 компонентов:

1. Начальное состояние агента.В этом случае начальное состояние может быть описано как In: Arad
2. Возможные действия , доступные агенту, соответствующие каждому состоянию, в котором находится агент. Например, ACTIONS ( In: Arad ) = { Go: Sibiu , Go: Timisoara , Go: Zerind }
3. Модель перехода , описывающая, что делает каждое действие. Представим его как РЕЗУЛЬТАТ (s, a), где s — это состояние, в котором в данный момент находится действие, а a — действие, выполняемое агентом.В этом примере РЕЗУЛЬТАТ ( In: Arad, Go: Zerind ) = In: Zerind.
4. Тест цели , определяющий, является ли текущее состояние целевым. Здесь состояние цели — { In: Bucharest }
5. Функция стоимости пути , которая определяет стоимость каждого пути, которая отражается в показателе производительности. Для агента, пытающегося добраться до Бухареста, важно время, поэтому мы можем установить функцию стоимости как расстояние между местами.(Здесь мы игнорируем другие факторы, влияющие на время в пути). Условно мы определяем функцию стоимости как c (s, a, s ’) , где s — текущее состояние, а a — действие, выполняемое агентом для достижения состояния s’.

Начальное состояние, действия и модель перехода вместе определяют пространство состояний проблемы — набор всех состояний, достижимых любой последовательностью действий. Рисунок 1 — это графическое представление пространства состояний задачи перемещения.Маршрут , в пространстве состояний — это последовательность состояний, связанных последовательностью действий.

Решение данной проблемы определяется как последовательность действий от начального состояния до целевого состояния. Качество решения измеряется функцией стоимости пути, и оптимальное решение имеет самую низкую стоимость пути среди всех решений.

Поиск решений

Мы можем сформировать дерево поиска из пространства состояний проблемы, чтобы помочь нам найти решение.Начальное состояние формирует корневой узел , а ветви от каждого узла представляют собой возможные действия от текущего узла (состояния) к дочерним узлам (следующие состояния).

Шесть узлов на рисунке 2, у которых нет дочерних узлов (по крайней мере, до сих пор), являются листовыми узлами . Набор всех листовых узлов, доступных для расширения в любой заданной точке, называется границей .Стратегия поиска включает расширение узлов на границе до тех пор, пока не будет найдено решение (или целевое состояние) (или пока не останется узлов для расширения).

Мы должны заметить одну особенность в дереве поиска на Рисунке 2. Есть путь из Арада в Сибиу и снова обратно в Арад. Мы говорим, что In (Arad) — это повторяющееся состояние, генерируемое циклическим путем . Это означает, что дерево поиска для Румынии — бесконечное , хотя пространство поиска ограничено.Эти зацикленные пути приводят к сбою некоторых алгоритмов, из-за чего проблема кажется неразрешимой. Фактически, петлевой путь — это частный случай избыточных путей , где существует более одного пути из одного состояния в другое (например, Арад — Сибиу и Арад — Зеринд — Орадя — Сибиу).

Ситуация с избыточным путем возникает почти в каждой проблеме и часто делает алгоритм решения менее эффективным, что ухудшает производительность поискового агента. Одним из способов устранения избыточности является использование преимущества, которое дает само определение проблемы.Например, в случае путешествия из Арада в Бухарест, поскольку стоимость пути является аддитивной, а стоимость шага неотрицательна, только один путь среди различных избыточных путей имеет наименьшую стоимость (и это кратчайшее расстояние между двумя состояниями). ), и петлевые пути никогда не лучше, чем тот же путь без петель.

Еще одна идея, позволяющая избежать изучения избыточных путей, состоит в том, чтобы запомнить, какие состояния были посещены ранее. Наряду с деревом поиска поддерживается исследуемый набор , который содержит все ранее посещенные состояния.Новые генерируемые узлы, соответствующие ранее созданным узлам, могут быть отброшены. Таким образом, каждый шаг перемещает государства на границе в исследуемую область и некоторые состояния в неизведанной области в границу, пока не будет найдено решение.

Показатель производительности алгоритмов решения проблем

Мы можем оценить производительность алгоритма с помощью следующих показателей:

1. Полнота : Гарантируется ли, что алгоритм найдет решение, если оно существует?
2. Оптимальность : Находит ли алгоритм оптимальное решение?
3. Временная сложность : Сколько времени требуется алгоритму, чтобы найти решение?
4. Сложность по пространству : Сколько памяти тратится на поиск решения?

В теории графов временная и пространственная сложность измеряется с помощью | V | и | E |, где V и E — количество вершин и количество ребер в графе соответственно.Но в AI мы исследуем пространство состояний (которое является графом) проблемы, используя эквивалентное ему дерево поиска. Поэтому имеет смысл использовать b и d для измерения сложности, где b — это коэффициент ветвления , дерева (максимальное количество преемников любого узла), а d — глубина самого мелкого целевого узла.

Резюме

В этом посте мы обсудили, как определить проблему, чтобы помочь в формулировке проблемы и эффективно найти решение.Мы также видели использование дерева поиска для поиска решения и способы избежать проблемы избыточности. Наконец, мы перечислили показатели для измерения производительности алгоритмов поиска.

В следующем блоге мы обсудим классические алгоритмы поиска, начиная с алгоритмов неинформированного поиска, а затем перейдя к эвристическим или информированным алгоритмам поиска.

Как решать сложные проблемы

В любом научном проекте, включая науку о данных, если вы хотите получить значительную добавленную стоимость и инновации, вам придется иметь дело со сложностью.

Решение сложных проблем требует множества различных навыков, включая концентрацию, воображение и общение. Сегодня опытные ученые предлагают множество простых решений, помогающих людям в их проектах. Мы представим несколько из них, начиная с самых инновационных.

1. Техника плитки шоколада

Некоторые мастера-математики, занимающиеся исследованием алгоритмов, применяют технику «плитки шоколада».

Это происходит из относительно сложной математической задачи : если у вас есть плитка шоколада 5×12, сколько раз вам нужно разбить ее, чтобы остались только отдельные кусочки?

Лучший способ решить эту проблему — сначала рассмотреть планку 1х2, затем 1х3, 2х3 и т.д. как можно меньше деталей, пока дойдут до самых элементарных, а затем постепенно расширяйте их, чтобы понять общую проблему.

Это также применимо с точки зрения блоков знаний : очень сложные проблемы требуют нескольких блоков знаний, то есть элементарных частей понимания , которые связаны вместе, чтобы иметь возможность решить сложную проблему.

Например, вы не сможете понять теорию струн, не зная квантовой механики, и вы не сможете понять квантовую механику, не зная функционального анализа (гильбертовы пространства и т. Д.) И так далее…

2.Обращение за помощью улучшает как понимание, так и решение проблемы

Обычно, когда мы оказываемся заблокированными в сложной проблеме, мы склонны просить поддержки в крайнем случае, но это ошибка.

Если вам нужно быстро достичь хороших результатов, более быстрое описание вашей проблемы на веб-сайте вопросов и ответов даст следующие преимущества:

• Четко сформулировав проблему, вы поймете ее намного лучше . Вот почему мы часто видим, как люди задают вопрос, а через несколько часов они сами на него отвечают, потому что ясно переформулировали проблему.
• Вы могли бы быстро получить ответ. Иногда ответ — это новый интересный вопрос, который может помочь добиться прогресса, или прямое решение, что прекрасно.
• Вы будете улучшать свои навыки в постановке сложных задач . Описание сложной проблемы — непростая задача, поскольку вам, возможно, придется учитывать множество аспектов. Чем больше вы будете просить о помощи, тем лучше вы научитесь ясно выражать свои проблемы.
• Может помочь другим людям , у которых есть подобная проблема.

Следовательно, , обратившись за помощью на ранней стадии, сэкономит вам много времени .

Обратите внимание, что уже существует веб-сайтов вопросов и ответов для обсуждения сложных научных тем , включая алгоритмов анализа данных:

Математика: https://mathoverflow.net/

Науки о данных: https: // datascience. stackexchange.com/

Физика: https://physics.stackexchange.com/

3. Спрашивайте у мастеров

В очень сложных вопросах мастера могут помочь вам в их решении.

Если вы применяете определенный алгоритм из научной статьи, и у вас нет ожидаемого результата, авторы статьи обычно отвечают на любой вопрос .

Их часто интересует, как их алгоритм может быть использован в разных проектах, это беспроигрышная ситуация .

Их адрес электронной почты или профиль в LinkedIn, как правило, легко найти.

Примечание. Конечно, такие великие мастера, как нобелевские лауреаты или полевые медали, очень заняты своей исследовательской деятельностью и могут не отвечать на вопросы.

4. Преподавание — лучший способ учиться

Классический метод решения сложных задач — это переформулировать их своими словами и даже перевести их на наш родной язык (нейронные связи мозга лучше).

Хорошее решение переформулировать — научить других тому, что мы узнали. , в целом, если у него хорошее повествование .Может возникнуть множество интересных вопросов, которые предложат новые способы улучшения.

5. Добавьте размеры для лучшего понимания

Улучшение понимания имеет решающее значение при решении сложных проблем.

Следовательно, необходимо использовать инструменты для визуализации, упрощения, раскрашивания, анимации и даже моделирования сложных проблем.

Это возможно путем создания новых представлений, таких как двухмерные или трехмерные диаграммы, анимированные визуальные эффекты и, в некоторых случаях, уменьшение размеров методы .

В случае очень сложных проблем всегда приветствуются стенды для моделирования и тестирования , поскольку они представляют собой экспериментальные подходы, в которых мы можем поиграть со сложной средой и понять ее намного лучше.

Циклотрон — хороший пример крупномасштабного испытательного стенда.

6. Адаптируйте дизайн вашей среды для решения проблем

Большинству ученых нужны черные или белые доски для решения сложных проблем.

Благодаря доскам можно сгруппировать сразу много информации , которую невозможно сгруппировать в одном документе.Кроме того, это лучший способ обсудить сложные темы с другими коллегами. Это также хороший способ для оставить сложные уравнения для размышления .

Широкие столы или экраны также могут облегчить управление информацией.

Все эти вещи можно организовать в улучшенном дизайне, ср. эта книга .

Примечание. Интерактивная цифровая доска также является отличным решением для решения сложных задач, но стоит довольно дорого.

7. Не стесняйтесь делать ошибки и исследовать новые идеи

Многие научные прорывы были обнаружены благодаря неожиданным ошибкам или неудачам.

Пеницилин, радар или радиоактивность — хорошие примеры неожиданных открытий.

Это означает, что неожиданный результат может привести к новым решениям.

Ошибки тоже полезны для изучения, если они преобразуются в содержательный урок .

Решение проблем не всегда сводится к поиску конкретного решения, но также и к поиску новых путем переосмысления исходной проблемы .

Чтобы справиться со сложностью, нужно возвращаться к исследованиям снова и снова .

Это, наверное, самая сложная часть, потому что кажется, что время теряется, но очень важно иметь твердые знания.

Практика делает мастера.

9.Освоение поиска в Интернете дает огромные преимущества

Сегодня все используют поиск в Интернете для решения проблем, но не все знают способов эффективного поиска , даже научные эксперты.

Советы по чтению с веб-страницы, например , этот сэкономят вам много времени в долгосрочной перспективе.

Если у вас не очень хороший английский, инструменты перевода также очень мощные, но часто бывает важно добавить контекста для достижения хороших результатов перевода.

Кстати, я написал здесь статью о математике, лежащей в основе последних услуг по переводу.

10. Прочтите книги о решении проблем

Во многих интересных книгах представлены передовые решения для решения сложных проблем . Вот некоторые из них:

11. Накачивайте свои навыки решения проблем

Чтобы хорошо решать проблемы, также требуется эффективность.

Многим компаниям требуются ученые, способные быстро решать проблемы не только в команде, но и индивидуально.Таким образом, можно потренироваться на веб-сайтах по решению проблем, на некоторых из них есть тесты для получения сертификата или задач.

Project Euler: попробуйте решить множество интересных математических задач.

Великолепно: научитесь решать сложные проблемы с помощью новаторских уроков.

Topcoder: развивайте навыки через практику и испытания.

Hackerrank: отработайте навыки программирования, включая математические задачи.

Не говоря уже о Kaggle, который необходим для решения задач Data Science с большим количеством наборов данных.

А ты?

Спасибо за чтение. Эта статья не об одном опыте, а о нескольких, которые могут включать и ваш.

Не стесняйтесь делиться своим решением в комментариях, я добавлю главу о нем, чтобы поделиться им со всеми.

Я надеюсь, что эта статья поможет вам лучше понять сложность, «непостижимую природу природы», как сказал Ричард Фейнманн.

Алгоритм локального поиска — обзор

Оптимальное время отсечки для статических перезапусков

Детальный анализ RTD алгоритма, особенно в отношении асимптотического поведения и стагнации, часто может предложить способы повышения производительности алгоритма.Возможно, самый простой способ преодолеть застой в алгоритме SLS — это перезапустить поиск через фиксированный промежуток времени (время отсечки). Как правило, основываясь на нашем определении эффективности поиска и застоя, легко решить, может ли такая стратегия статического перезапуска улучшить производительность алгоритма A Лас-Вегаса для данного экземпляра проблемы π. Если для всех времен работы t эффективность A на π в момент времени t , eff _{A , π} ( t ) больше единицы, перезапустите с любым временем отсечки t приведет к снижению производительности.Интуитивно это тот случай, когда с увеличением t вероятность найти решение в течение заданного временного интервала увеличивается, что отражается на кумулятивном графике RTD, который круче при t , чем экспоненциальное распределение ed [ m ], для которого ed [ m ] ( t ) = rtd _{A , π} ( t ) (пример такого RTD показан на рисунке 4.13). Более того, если и только если, eff _{A , π} ( t ) = 1 для всех t , перезапуск в любой момент t не изменит вероятность успеха в любое время t ′; как указано в разделе 4.3, это условие выполняется тогда и только тогда, когда RTD A на π является экспоненциальным распределением. Наконец, если существует время выполнения t ′ такое, что eff _{A, π} ( t ) ≤ 1 для всех t> t ′, то перезапуск алгоритма в момент времени t приведет к к повышенной вероятности решения для некоторого времени выполнения t ″> t . Это эквивалентно условию, что от t ′ на кумулятивном графике RTD A на π менее крутой в любое время t> t ′, чем экспоненциальное распределение ed [ m ], для которого ed [ m ] ( t ) = rtd _{A, π} ( t ).

Рисунок 4.13. Квалифицированный RTD алгоритма ACO для TSP (ℳℳAS) на экземпляре TSPLIB lin318 с 318 вершинами, на основе 1 000 независимых прогонов и экспоненциального распределения с идентичной медианной величиной. Тот факт, что этот RTD постоянно круче экспоненты, указывает на то, что перезапуск с любым фиксированным временем отключения приведет к потере производительности.

В случае, когда случайный перезапуск эффективен для некоторого времени отсечки t ′, оптимальное время отсечки t _opt можно интуитивно определить, найдя «крайнее левое» экспоненциальное распределение, ed [ m *], который касается графика RTD A на π, и минимального t , для которого ed [ m *] ( t ) = rtd _{A, π} ( т ).Формально это достигается с помощью следующих определений:

(4.2) m *: = min {m | ∃t> 0: ed [m] (t) = rtdA, π (t)}

(4.3) topt: = min {t | t> 0 ∧ ed [m *] (t) = rtdA, π (t)}

, где rtd _{A, π} ( t ) — теоретическое распределение времени выполнения A на π, и A является неполным, то есть P _s ( RT ≤ t ) <1 для любого конечного времени выполнения t (обратите внимание, что A все еще может быть вероятностно приблизительно полным).

Обычно при решении этих двух уравнений необходимо учитывать два особых случая. Во-первых, мы не сможем определить m *, потому что набор, который мы минимизируем в первом уравнении, не имеет минимума. В этом случае, если нижняя грань набора равна нулю, можно показать, что оптимальное время отсечки либо равно нулю, либо равно + ∞ (в зависимости от поведения t _opt as m * стремится к нулю). Во-вторых, если существует m *, как определено первым уравнением, все еще может быть невозможно определить t _opt , потому что набор во втором уравнении не имеет минимума.В этом случае есть сколь угодно малые времена t , для которых ed [ m *] ( t ) = rtd _{A, π} ( t ), то есть две кривые идентичны на некотором интервале [0, t ′], а оптимальное время отсечки равно нулю. На практике оптимальные времена отсечки, равные нулю, вряд ли будут иметь место, поскольку они могут возникнуть только в том случае, если A будет решать π с вероятностью больше нуля для бесконечно малых времен выполнения.

Уравнения 4.2 и 4.3 применимы как к теоретическим, так и к эмпирическим RTD. В последнем случае, однако, достаточно учитывать только времена выполнения t в уравнениях 4.2 и 4.3, которые наблюдались в одном из прогонов, лежащих в основе эмпирического RTD. При использовании этого метода есть одно предостережение: к случаям, когда оптимальное время отсечки, определенное из уравнения 4.3, равно одному из самых продолжительных времен выполнения, лежащих в основе данного эмпирического RTD, следует относиться с осторожностью. Причина этого заключается в том факте, что высокие квантили эмпирических RTD, которые соответствуют самым длинным сериям, часто довольно статистически нестабильны.Тем не менее, использование отсечки, основанной на таком экстремальном времени выполнения, может быть оправдано, если есть свидетельства того, что алгоритм демонстрирует поведение стагнации.

В случае алгоритмов SLS для задач оптимизации оптимальное время отсечки определяется из квалифицированных RTD. Ясно, что такие оптимальные времена отсечки зависят от оценки качества решения. Во многих случаях более жесткие границы качества решения (т. Е. Границы, которые ближе к оптимальному качеству решения) приводят к более высоким оптимальным временам отсечки; тем не менее, для слабых границ качества решения перезапуск с любым временем отсечки обычно приводит к потере производительности.

Пример 4.13 Определение оптимального времени отсечки для статических перезапусков

На рисунке 4.14 показан эмпирический квалифицированный RTD простого алгоритма ILS для TSP для поиска оптимальных решений для экземпляра TSPLIB pcb442 с n = 442 вершинами. Алгоритм был запущен 1 000 раз на машине Pentium 700 МГц с 512 МБ ОЗУ, а неудачные запуски прекращались через 1 000 секунд ЦП. Этот квалифицированный RTD демонстрирует сильную стагнацию; обратите внимание, что такое поведение не могло наблюдаться при ограничении максимального времени выполнения алгоритма менее 5 секунд ЦП.На рисунке 4.