انواع الگوریتم ها و کاربرد آن ها – به زبان ساده و با مثال

به‌طور کلی، مراحلی که برای حل یک مسئله می‌بایست انجام شوند را الگوریتم می‌گویند و شامل گام‌ها یا دستوالعمل‌هایی است که با ترتیب خاصی دنبال می‌شوند. این گام‌ها به‌وضوح و به‌طور دقیق تعریف شده‌اند و شامل عملیات ریاضی، عبارات شرطی و حلقه‌هایی هستند که باترتیب معینی اجرا می‌شوند. الگوریتم‌ها در حوزه‌های گوناگون از جمله علوم کامپیوتر، ریاضیات و غیره مورد استفاده قرار می‌گیرند و به کمک آن‌ها می‌توانیم مسائل مختلفی را حل کنیم. در این مطلب از مجله فرادرس، سعی شده تا انواع الگوریتم ها و کاربرد آن‌ها را به زبانی ساده و تا حد ممکن به‌طور کامل به شما توضیح دهیم.

«الگوریتم‌ها» (Algorithms) به ما کمک می‌کنند تا مسائل خود را به روش مناسبی حل کنیم و بر مبنای ذخیره‌سازی داده‌ها، مرتب‌سازی، پردازش و ماشین لرنینگ عمل می‌کنند. به‌طور کلی، الکوریتم‌ها، بهره‌وری نرم‌افزار را بهبود می‌بخشند. انواع الگوریتم ها می‌توانند در حوزه‌های گوناگون رایانشی به‌کار گرفته شوند تا وظایف کامپیوتری را به حال اتوماسیون در آورند. برای درک بهتر این مفهوم، فرض کنید که قرار است مسیری ۲۰۰ کیلومتری را برای تعطیلات پیش رو طی کنید. یک الگوریتم مناسب می‌تواند بهترین مسیر ممکن و زمان حدودی رسیدن به مقصد را پس از بررسی کوتاه‌ترین مسیر، پرهیز از مسیرهای پرترافیک بر مبنای داده‌ها یا تأثیر احتمالی پیش‌بینی آب‌و‌هوا روی رانندگی به شما ارائه دهد.

انواع الگوریتم ها و کاربرد آن ها چیست؟

در علوم کامپیوتر با الگوریتم‌های متعددی رو به رو هستیم که دانستن برخی از آن‌ها از برخی دیگر دارای اهمیت بیشتری است. انواع الگوریتم ها را با توجه به هدف، طراحی و پیچیدگی آن‌ها می‌توان در قالب گونه‌های متعددی دسته‌بندی کرد. در ادامه، عناوین رایج‌ترین الگوریتم‌ها و همچنین خلاصه کاربرد آن‌ها را بیان کرده‌ایم.

فیلم آموزش طراحی الگوریتم + حل مثال های عملی در فرادرس

کلیک کنید

• الگوریتم بروت فورس: بررسی تمام حالات ممکن برای رسیدن به جواب، مانند کرک یک پسورد.
• الگوریتم‌های بازگشتی: حل مسئله با فراخوانی‌های خود، مانند الگوریتم‌های مسیریابی.
• الگوریتم‌های تقسیم و حل: تقسیم یک مسئله به مسائلی کوچکتر و حل هر یک از آن‌ها، مانند مرتب‌سازی داده‌ها.
• الگوریتم‌های برنامه‌ریزی پویا: در مواردی مانند بهینه‌سازی استفاده از منابع سیستم، به‌کار می‌روند.
• الگوریتم بازپیمایی یا عقبگرد: در کاربردهایی مانند مسیریابی می‌تواند مورد استفاده قرار گیرد.
• الگوریتم‌های حریصانه: مسائل گوناگونی نظیر زمان‌بندی کار را می‌توانند حل کنند.
• الگوریتم‌های تصادفی: در موارد متعددی نظیر رمزنگاری، الگوریتم‌های شبکه، ماشین لرنینگ و تحلیل داده به‌کار می‌روند.
• الگوریتم‌های مرتب‌سازی: سازمان‌دهی پایگاه داده‌ها، یکی از کاربردهای بی‌شمار این دسته از الگوریتم‌ها است.
• الگوریتم‌های جست و جو: برای یافتن عنصری خاص در یک پایگاه داده و همچنین موارد دیگر به‌کار می‌روند.
• الگوریتم‌های هَش: در موارد گوناگونی نظیر پردازش تصویر مورد استفاده قرار می‌گیرند.
• الگوریتم‌های رمزگذاری: از کاربردهای این دسته الگوریتم‌ها می‌توان به مرور وب به‌صورت امن، برداشت وجه از خودپرداز و بسیاری موارد دیگر اشاره کرد.
• الگوریتم ژنتیک: کاربردهای متنوعی همچون مسئله مسیریابی وسیله نقلیه، زمان‌بندی وظایف و غیره را شامل می‌شود.
• الگوریتم‌های گراف: کاربردهای بی‌شماری نظیر رتبه‌بندی صفحات جست و جوی گوگل دارند.
• الگوریتم‌های بهینه‌سازی: موارد استفاده متعددی در حوزه‌‌های مهندسی، اقتصاد و علوم کامپیوتر مانند عملکرد خطوط هوایی یا ایرلاین‌ها دارند.
• الگوریتم‌های ماشین لرنینگ: از کاربردهای این دسته از الگوریتم‌ها می‌توان به توانایی تحلیل داده‌ها برای تشخیص ترند‌ها و پیش‌بینی مشکلات پیش از وقوع آن‌ها نام برد.

آشنایی با مفهوم الگوریتم

الگوریتم را می‌توان مجموعه‌ای از قوانین یا دستورات در نظر گرفت که برای حل یک مسئله به‌صورت بهینه، می‌بایست از آن‌ها پیروی کرد. همچنین می‌توان آن را روشی برای حل مسائل ریاضی دانست که ممکن است شامل عملیات بازگشتی و اجرای مجدد خود نیز باشد. این نکته را نیز خوب است بدانید که انواع الگوریتم ها را می‌توان به روش‌های گوناگونی مانند فلوچارت‌ها، توصیف‌هایی به زبان‌های طبیعی، شبه‌کدها، زبان‌های برنامه‌نویسی، نمودارهای Drakon و غیره بیان کرد. الگوریتم‌ها دارای ویژگی‌های مهمی نظیر ورودی و خروجی دقیق، شفافیت، محدود بودن تعداد گام‌ها، مستقل بودن از زبان، کارآمدی و عملی بودن هستند و هر الگوریتمی که می‌خواهد کارکرد مؤثری داشته باشد این خصوصیات را دارد.

اهمیت یادگیری انواع الگوریتم ها و کاربرد آن ها

آشنایی با انواع الگوریتم ها به شما کمک می‌کند تا مهارت‌های حل مسئله و تفکر منطقی را در خود تقویت کنید. همچنین با استفاده از مفاهیم بیان شده در رابطه با انواع الگوریتم ها در این مطلب، می‌توانید مسائل گوناگون را به روشی هوشمندانه حل کنید. ضمن اینکه مهارت‌های برنامه‌نویسی شما را نیز افزایش می‌دهند.

پیش از آشنایی با انواع الگوریتم ها بهتر است تا کمی بیشتر در مورد این مفهوم مهم و پرکاربرد بدانید. الگوریتم‌ها، روش‌های گام به گام یا مرحله به مرحله‌ای هستند که می‌توان آن‌ها را برای حل یک مسئله یا انجام یک کار مشخص دنبال کرد. این مفهوم در علوم کامپیوتر، ریاضیات و بسیاری از حوزه‌های دیگر که با مسائل پیچیده سر و کار دارند، دارای اهمیت بسیار زیادی است. الگوریتم‌ها به شما کمک می‌کنند تا کارهای پیچیده یا تکراری را به حالت اتوماسیون در آورید و با صرفه‌جویی در زمان و منابع، وقت و انرژی خود را به انجام سایر امور اختصاص دهید. به‌طور مثال، الگوریتم‌های مرتب‌سازی می‌توانند داده‌ها را به‌شکل مناسبی مرتب کنند. در نتیجه، تحلیل و درک آن‌ها ساده‌تر می‌شود.

الگوریتم‌ها همچنین از طریق ارائه اطلاعات ارزشمند می‌توانند شما را در اتخاذ تصمیم‌های بهتر یاری دهند. به‌طور مثال، انواع الگوریتم‌‌های یادگیری ماشین می‌توانند از داده‌هایی که برای آموزش آن‌ها استفاده کرده‌ایم، یاد گرفته و در رابطه با موضوع مورد نظر پیش‌بینی‌های دقیقی را ارائه دهند.

در نهایت می‌توان گفت که انواع الگوریتم ها برای پیشبرد پژوهش‌‌های علمی و فناوری بسیار اهمیت دارند. آن‌ها می‌توانند برای حل برخی از پیچیده‌ترین مسائل فیزیک، شیمی، زیست‌شناسی و غیره مورد استفاده قرار گیرند.

یادگیری الگوریتم ها با فرادرس

فرادرس به‌عنوان یکی از پلتفرم آموزشی، دوره‌های فیلم آموزشی متعددی را در رابطه با الگوریتم‌ها همچون مجموعه فیلم آموزشی ساختمان داده و طراحی الگوریتم در فرادرس منتشر کرده است که به کمک آن می‌توانید مهارت‌های لازم در این زمینه را کسب کرده و یا آن‌ها را تقویت کنید.

به کمک این فیلم‌های آموزشی می‌توانید الگوریتم‌ها را به لحاظ تئوری و پیاده‌سازی عملی و همچنین برای کسب آمادگی لازم برای کنکور ارشد و دکتری یاد بگیرید.

الگوریتم بروت فورس

Brute Force یکی از ساده‌ترین انواع الگوریتم ها محسوب می‌شود و اولین راهی که هنگام رویارویی با مسئله به ذهن ما خطور می‌کند را انجام می‌دهد. یعنی، تمامی حالات ممکن برای حل مسئله را یک به یک بررسی می‌کند تا به جواب برسد. به بیان دیگر، کل فضای جستجو را قدم به قدم به دنبال راه حل می‌گردد.

به‌طور مثال، اگر یک پین‌کد ۴ رقمی داشته باشیم و هر یک از ارقام آن، عددی بین ۰ تا ۹ باشد، الگوریتم بروت فورس برای پیدا کردن کد صحیح، تمامی ترکیبات و حالات ممکن نظیر 0000  ، 0001 ، 0002 ، 0003 و غیره را تا 9999 یک به یک برای به‌دست آوردن پین‌کد صحیح امتحان می‌کند. در بدترین حالت ممکن، این الگوریتم به ۱۰ هزار تلاش برای یافتن ترکیب صحیح اعداد پین‌کد نیاز دارد.

الگوریتم های بازگشتی

اساس کار این نوع الگوریتم‌ها فرایندی است که به آن «بازگشت» (Recursion) می‌گویند. به زبان ساده، یعنی یک مسئله به مسائلی کوچک‌تر از همان نوع تقسیم شده و دوباره خود را فراخوانی می‌کند. این فراخوانی‌های تو در تو تا زمانی تکرار می‌شوند که به یک شرط خاتمه برسیم. این مورد را با مثال توضیح می‌دهیم.

فیلم آموزش حل روابط بازگشتی در فرادرس

کلیک کنید

از مسائل شناخته شده‌ای که با این الگوریتم حل می‌شوند می‌توان به موارد آورده شده در ادامه اشاره کرد.

• برج هانوی
• انجام DFS برای گراف
• سری فیبوناچی
• فاکتوریل یک عدد و غیره

برای درک بهتر یک مثال می‌زنیم، محاسبه فاکتوریل را به عنوان یک مسئله معروف و کلاسیک در نظر بگیرید که با رویکرد بازگشتی حل می‌شود. می‌دانیم که فاکتوریل یک عدد مانند ۵ برابر با حاصل‌ضرب اعداد ۱ تا ۵، یعنی 1*2*3*4*5 است.

نکته جالب این است که می‌توان گفت فاکتوریل یک عدد، برابر با حاصل‌ضرب آن عدد در فاکتوریل عدد قبل از آن است. یعنی، فاکتوریل عدد ۵ برابر با «۵ ضرب‌در فاکتوریل ۴» است. به‌همین صورت فاکتوریل عدد ۴ برابر با «۴ ضرب‌در فاکتوریل ۳» است و این روند ادامه پیدا می‌کند تا به شرط خاتمه برسیم. دقت کنید که مسئله به مسائلی کوچکتر شکسته شده و این مسئله کوچکتر هم از همان نوع مسئله اصلی است. شرط پایه یا خاتمه در اینجا عدد «۱» است و پس از رسیدن به آن می‌توانیم مقادیر هر یک از مسائل فرعی را در هم ضرب کنیم تا فاکتوریل ۵ به‌دست بیاید.

الگوریتم‌های بازگشتی همچنین دارای زیر دسته‌هایی نظیر «الگوریتم تقسیم و حل»، «الگوریتم برنامه‌ریزی پویا» و «الگوریتم بازپیمایی» هستند که در ادامه، هر یک را توضیح داده‌ایم.

الگوریتم های تقسیم و حل

الگوریتم‌های «تقسیم و غبله» یا «تقسیم و حل» (Divide and Conquer) مسئله را در ۲ بخش حل می‌کنند. در بخش نخست، مسئله اصلی به مسائلی کوچکتر از همان نوع تقسیم شده و در بخش دوم، هر یک از این مسائل فرعی به‌طور جداگانه حل می‌شوند. سپس با ترکیب نتایج آن‌‌ها، پاسخ نهایی مسئله اصلی به‌دست می‌آید.

فیلم آموزش روش تقسیم و حل در طراحی الگوریتم – مرور و تست کنکور کارشناسی ارشد در فرادرس

کلیک کنید

این روش را می‌توان به ۳ بخش گفته شده در زیر، تقسیم کرد.

• تقسیم: مسئله اصلی را به مسائلی کوچکتر تقسیم می‌کنیم.
• حل: مسائل فرعی را با فراخوانی بازگشتی حل می‌کنیم.
• ترکیب: مسائل فرعی را ترکیب می‌کنیم تا راه‌حل نهایی را برای مسئله کلی به‌دست آوریم.

مواردی که در ادامه آورده شده جزو الگوریتم‌ها و مسائل رایجی هستند که از الگوریتم تقسیم و غلبه پیروی می‌کنند.

• جست و جوی باینری یا دودویی
• مرتب‌سازی ادغامی: الگوریتم Merge Sort، آرایه را به ۲ قسمت تقسیم می‌کند. هر قسمت را به روش بازگشتی مرتب کرده و در آخر ۲ قسمت مرتب شده را با هم ادغام می‌کند.
• مرتب‌سازی سریع: الگوریتم QuickSort یک عنصر که به عنصر «محوری» (Pivot) شناخته می‌شود را - مثلاً به‌طور تصادفی - انتخاب می‌کند. و عناصر آرایه را به‌گونه‌ای مرتب می‌کند که تمامی عناصر کوچکتر از مؤلفه محوری، به سمت چپ آن رفته و تمامی عناصر بزرگتر از مؤلفه محوری، به سمت راست آن بروند. به همین‌ترتیب، الگوریتم به‌صورت بازگشتی - و فراخوانی‌های مکرر خود - زیرآرایه‌های سمت چپ و راست مؤلفه محوری را مرتب می‌کند.
• ضرب ماتریسی استراسن: الگوریتمی بهینه برای ضرب ۲ ماتریس است که به همین روش حل می‌شود.

الگوریتم های برنامه ریزی پویا

الگوریتم‌های Dynamic Programming که به آن تکنیک «به‌خاطر سپاری» هم می‌گویند، به‌طور خلاصه، نتیجه محاسبات قبلی را برای استفاده‌های بعدی خود، ذخیره می‌کند. در این نوع الگوریتم، یک مسئله پیچیده به مسائلی کوچکتر تقسیم شده و نتیجه هر یک از این مسائل فرعی، برای استفاده‌های بعدی ذخیره می‌شود.

مسائل آورده شده در ادامه را می‌توان با الگوریتم برنامه‌ریزی پویا حل کرد.

• مسئله کوله پشتی
• الگوریتم فلوید-وارشال
• برنامه‌ریزی کارهای وزن‌دار
• و غیره

مراحل کار برنامه‌ریزی پویا را می‌توان در قالب ۴ گام زیر بیان کرد.

• شکستن مسئله اصلی: مسئله اصلی را به مسائلی کوچکتر و مستقل تقسیم می‌کنیم.
• ذخیره راه‌حل‌ها: هر یک از این مسئله‌های فرعی را حل کرده و نتیجه را در یک جدول یا آرایه ذخیره می‌کنیم.
• ایجاد راه‌حل: از راه‌حل‌های ذخیره شده برای ایجاد راه‌حل مسئله اصلی استفاده می‌کنیم.
• پرهیز از افزونگی: این الگوریتم با ذخیره‌سازی راه‌حل‌ها به ما اطمینان می‌دهد که هر مسئله فرعی تنها یک مرتبه حل می‌شود و از این راه حجم محاسبات را کاهش می‌دهد.

به‌طور مثال، سری فیبوناچی مانند 0, 1, 1, 2, 3, 5, 8, 13, ...  را در نظر بگیرید. برای حل این مسئله با رویکرد برنامه‌ریزی پویا، گام‌های آورده شده در ادامه را انجام می‌دهیم.

• مسئله اصلی به‌صورت F(3) ،F(2) ،F(1) ،F(0) و غیره تجزیه می‌شود.
• هر F(n) را محاسبه کرده و حاصل آن را در جدولی نگهداری می‌کنیم.
• برای محاسبه F(n) دلخواه، مقادیر F(n-2) و F(n-1) را در جدول پیدا کرده و آن‌ها را با هم جمع می‌کنیم. این جدول به ما اطمینان می‌دهد که هر مسئله کوچک - مانند F(2) - تنها یک مرتبه محاسبه می‌شود و در صورت نیاز در دفعات بعدی، از حافظه خوانده می‌شود. بدین‌ترتیب توانسته‌ایم تا دنباله فیبوناچی را به‌صورت بهینه‌تر و بدون محاسبه مجدد مسائل فرعی حل کنیم.

الگوریتم های بازپیمایی

الگوریتم‌های «عقبگرد» (Backtracking) یا بازپیمایی یکی دیگر از انواع الگوریتم ها هستند که مسائل را به‌صورت گام به گام حل می‌کنند. Backtracking در واقع یک تکنیک الگوریتمی برای حل مسائل به‌طور بازگشتی است و سعی دارد تا یک راه‌حل را به‌صورت مرحله به مرحله ایجاد کرده و راه‌حل‌های نامناسب را حذف کند. منظور از راه‌حل‌های نامناسب مواردی هستند که محدودیت‌های مسئله را ارضا نمی‌کنند. از مسائل شناخته شده که با این روش حل می‌شوند می‌توان به موارد آورده شده در ادامه اشاره کرد.

• یافتن دور همیلتونی
• مسئله رنگ‌آمیزی گراف
• مسئله N وزیر
• مسئله موش در مارپیچ
• و غیره

الگوریتم های حریصانه

در الگوریتم‌های «حریصانه» (Greedy)، راه‌حل به‌صورت گام به گام ایجاد می‌شود و انتخاب بعدی، آن موردی است که جواب بهتری ارائه دهد. لازم است بدانید که در این روش، انتخاب‌های گذشته دوباره بررسی نمی‌شوند.

فیلم آموزش روش حریصانه در طراحی الگوریتم (رایگان) در فرادرس

کلیک کنید

از مسائل معروفی که با این روش حل می‌شوند می‌توانیم الگوریتم‌های آورده شده در ادامه را نام ببریم.

• الگوریتم کوتاه‌ترین مسیر دایجسترا
• الگوریتم پریم
• الگوریتم کراسکال
• کدگذاری هافمن

در الگوریتم‌های حریصانه، همان‌طور که از نامش مشخص است انتخاب‌ها به‌طور حریصانه انجام می‌شوند. یعنی بدون نگاه به حرکات قبلی یا بعدی، انتخابی که در همان لحظه خوب به‌نظر می آید، انجام می‌شود. در این حالت برخی از بهینه‌های محلی که راه‌حل‌های خوبی هستند و نه لزوماً بهترین راه حل، انتخاب می‌شوند و به‌عنوان بهینه سراسری که بهترین راه حل است در نظر گرفته می‌شوند.

نحوه کار این الگوریتم ساده است اما با توجه به اینکه شاید بهترین راه‌حل فعلی، بهترین راه حل کلی برای مسئله نباشد، به‌همین دلیل روش برنامه‌ریزی پویا را به‌جای آن استفاده می‌کنند.

به‌طور مثال، مسئله کوله پشتی کسری را در نظر بگیرید. در این مسئله، راه‌حل بهینه محلی به ما می‌گوید، آیتمی را انتخاب کنیم که «نسبت مقدار به وزن» آن ماکزیموم باشد. اما در عین حال یک راه‌حل بهینه سراسری یعنی انتخاب «کسری از یک آیتم» را هم وجود دارد.

الگوریتم های تصادفی

در الگوریتم‌‌های تصادفی از یک عدد تصادفی یا رندوم استفاده می‌شود که به تعیین خروجی مورد انتظار کمک می‌کند. مسئه‌ای نظیر مرتب‌سازی سریع، جزو مسائلی محسوب می‌شود که به کمک الگوریتم‌‌های تصادفی قابل حل است. به‌طور مثال، در Quicksort از عدد تصادفی به منظور انتخاب عنصر محوری یا Pivot استفاده می‌شود.

الگوریتم های مرتب سازی

الگوریتم‌های مرتب‌سازی برای مرتب کردن داده‌ها به‌صورت صعودی یا نزولی استفاده می‌شوند.

فیلم آموزش الگوریتم های مرتب سازی در زبان برنامه نویسی پایتون با مثال (رایگان) در فرادرس

کلیک کنید

انواع گوناگونی از الگوریتم‌های مرتب‌سازی وجود دارد ولی شناخته شده‌ترین آن‌‌ها، مواردی هستند که در ادامه فهرست کرده‌ایم.

• مرتب‌سازی حبابی
• مرتب‌سازی درجی
• مرتب‌سازی هیپ
• مرتب‌سازی ادغامی

الگوریتم های جست و جو

این دسته از انواع الگوریتم ها، داده‌های ما را برای یافتن یک عنصر مشخص جست و جو می کنند. از الگوریتم‌های جستجوی معروف می‌توان به الگوریتم‌های جستجوی دودویی یا باینری، جستجوی خطی و جستجوی اول-عمق یا BFS اشاره کرد.

این الگوریتم‌ها یک آیتم را درون یک ساختمان داده - مانند آرایه - جست و جو می‌کنند. در اصل، ۲ نوع جست و جو شامل جست و جوی خطی و جست و جوی باینری وجود دارد. در جست و جوی خطی، هر یک از عناصر موجود در آرایه، یک به یک بررسی می‌شوند و این روند تا هنگام پیدا شدن مقدار مورد نظر، ادامه می‌یابد. از سویی دیگر در جست و جوی باینری، فضای جست و جو در هر مرحله نصف می‌شود. به‌همین دلیل از جست و جوی خطی سریع‌تر است. توجه داشته باشید که جستجوی باینری روی داده‌های مرتب شده انجام می‌شود. به‌‌همین دلیل عنصری که به‌دنبال آن هستیم را سریع‌تر پیدا می‌کنیم.

الگوریتم‌های جست و جو، نوعی از الگوریتم‌ها هستند که داده یا اطلاعات مورد نظر ما را از درون مجموعه بزرگ‌تری از داده‌ها پیدا می‌کنند. بنابراین این الگوریتم‌ها در حوزه‌های گوناگون نظیر علوم کامپیوتر، بازیابی اطلاعات و موتورهای جست و جوی وب که با داده‌های زیادی سر و کار دارند، بسیار مهم هستند. همچنین، هریک از الگوریتم‌های جست و جو، مزایا و معایب خود را دارند.

الگوریتم‌های جست و جو، اطلاعاتی که به‌دنبال آن هستیم را سریع‌تر و بهینه‌تر - به لحاظ زمان و استفاده از منابع - پیدا می‌کنند. به‌طور مثال، یک الگوریتم جست و جو می‌تواند خیلی سریع، اطلاعات مورد نظر کاربر را از یک پایگاه داده بزرگ یا یک سند مشخص پیدا کند. افزون بر این، الگوریتم‌های جست و جو نقش مهمی را در برخی از الگوریتم‌های دیگر نظیر الگوریتم‌های بهینه‌سازی یا الگوریتم‌های ماشین لرنینگ دارند. آشنایی با نحوه کار این الگوریتم‌ها و انتخاب الگوریتم مناسب، برای افراد درگیر با داده‌ها در حوزه‌های گوناگون، اهمیت زیادی دارد.

الگوریتم های Hashing

نحوه کار الگوریتم‌های «درهم‌ساز» یا «هَش» (Hashing) مانند الگوریتم‌های جست و جو است با این تفاوت که دارای یک زوج کلید-مقدار هستند. به بیان دیگر، ما در فرایند هش کردن، کلیدی را به داده‌ای مشخص اختصاص می‌دهیم. به‌طور نمونه، برخی از مسائل مرتبط با «پسورد» را می‌توان به‌وسیله الگوریتم هش حل کرد.

فیلم آموزش درهم سازی در ساختمان داده (رایگان) در فرادرس

کلیک کنید

الگوریتم هش در واقع، تابعی است که داده‌ای با اندازه دلخواه را به مقداری با اندازه ثابت نگاشت می‌کند و به این مقدار، هش یا کد هش گفته می‌شود. الگوریتم‌های هش کاربردهای گوناگونی در «رمزنگاری» (Cryptography)، «ساختمان داده‌ها» (Data Structures) و پایگاه‌داده‌ها دارند.

مزایای استفاده از هش را در ادامه آورده‌ایم.

• قابلیت جست و جوی سریع در ساختمان داده‌ها را امکان‌پذیر می‌کند.
• فضای ذخیره‌سازی مورد نیاز را کاهش می‌دهد.
• به منظور تأیید صحت داده‌ها مورد استفاده قرار می‌گیرد.

الگوریتم های رمزگذاری

الگوریتم‌های «رمزنگاری» (Encryption)، نوعی از الگوریتم‌ها هستند که برای رمزگذاری داده‌ها مورد استفاده قرار می‌گیرند تا آن‌ها را به‌شکلی تبدیل کنند که تنها توسط افراد مجاز قابل دسترسی باشند. این الگوریتم‌ها در حوزه‌های درگیر با اطلاعات حساس نظیر داده‌های مربوط به امور مالی، خدمات بهداشت و درمان و امنیت ملی، اهمیت بسیار زیادی دارند.

الگوریتم‌های رمزنگاری، با استفاده از یک الگوریتم پیچیده ریاضی، متن معمولی و ساده ما را به قالبی با نام «متن رمزی» (Ciphertext) رمزنگاری می‌کنند به‌طوری‌که برای خواندن این متن رمزی، به کلید رمزگشایی آن نیاز داریم. این کلید، معکوس فرایند رمزنگاری را انجام می‌دهد و به‌کمک آن می‌توانیم داده‌های اولیه را به‌صورت رمز نشده را بازیابی کنیم. در ادامه، برخی از معروف‌ترین الگوریتم‌های رمزنگاری را آورده‌ایم.

• الگوریتم «استاندارد رمزنگاری پیشرفته» (Advanced Encryption Standard | AES)
• RSA
• Blowfish

با الگوریتم‌های رمزنگاری می‌توانیم از داده‌های حساس محافظت کرده و جلوی سرقت یا دسترسی غیرمجاز به آن را بگیریم. این نوع الگوریتم‌ها در عصر حاضر که حجم زیادی از اطلاعات شخصی و محرمانه به‌شکل الکترونیکی ذخیره و منتقل می‌شوند، دارای نقشی بسیار مهم و حیاتی هستند.

در یکی از مطالب پیشین مجله فرادرس، رمزنگاری‌های رایج را معرفی کرده‌ایم که مطالعه آن‌ برای شما سودمند خواهد بود. به‌طور کلی، عملیات رمزنگاری می‌تواند از لو رفتن اطلاعات حساس جلوگیری کرده و مانع از سرقت و کلاه‌برداری از این نوع داده‌ها شود. دانستن نحوه کار این الگوریتم‌ها و اینکه چگونه از آن‌ها استفاده کنیم برای افراد مشغول در حوزه‌‌های درگیر با اطلاعات حساس، ضروری است.

الگوریتم ژنتیک

ایده اصلی الگوریتم ژنتیک از انتخاب طبیعی و ژنتیک آمده است. با توجه به اصل بقای اصلح، افرادی که شایستگی یا «برازش» (Fitness) بیشتری دارند، شانس بیشتری را برای ادامه حیات خواهند داشت. در الگوریتم ژنتیک نیز با مجموعه‌ای از راه‌حل‌ها رو به رو هستیم که به آن‌ها جمعیت می‌گویند. در هر تکرار از الگوریتم، اعضای بهتر جمعیت - یا راه‌حل‌هایی که به اصطلاح برازش بیشتری دارند - شانس بیشتری برای شرکت در تکرار بعدی - یا نسل بعدی - خواهند داشت. یعنی، بهترین راه‌حل‌ها در هر گام از اجرای الگوریتم با هم ترکیب شده و راه‌حل‌های نسل بعد را تشکیل می‌دهند. رفته رفته این راه‌حل‌ها به سمت بهتر شدن پیش می‌روند یا به بیان ساده‌تر تکامل می‌یابند تا به یک جواب شبه‌بهینه برای مسئله دست پیدا کنیم. شرط خاتمه این الگوریتم می‌تواند تعداد تکرار مشخص یا میزان مطلوب بودن راه‌حل باشد.

فیلم آموزش پیاده سازی الگوریتم ژنتیک در پایتون Python – مقدماتی در فرادرس

کلیک کنید

این الگوریتم در حوزه‌های گوناگون و درگیر با مسائل جست و جو و بهینه‌سازی نظیر هوش مصنوعی، مهندسی و امور مالی، نقش بسیار مهمی را ایفا می‌کند.

به‌کمک الگوریتم ژنتیک می‌توانیم مسائلی را حل کنیم که با سایر روش‌های بهینه‌سازی حل نمی‌شوند یا اینکه حل آن‌ها بسیار سخت است. به همین دلیل‌، الگوریتم‌های ژنتیک بسیار راه‌گشا و ارزشمند محسوب می‌شوند. این الگوریتم‌ها به‌خصوص برای مسائلی که متغیرهای وابسته و اهداف متناقض دارند نیز می‌تواند سودمند باشد.

در ادامه، برخی از کاربردهای الگوریتم‌های ژنتیک را بیان کرده‌ایم.

• بهینه‌سازی پرتفوی مالی
• طراحی سیستم‌های کنترلی بهینه
• ایجاد فرایند‌های کارآمد تولیدی

در صورتی که قصد یادگیری و پیاده‌سازی این نوع الگوریتم‌ها را دارید، پلتفرم فرادرس، فیلم‌های آموزش متعددی را در این باره ارائه داده است که مشاهده آن‌ها می‌تواند برای شما سودمند باشد. برخی از فیلم‌های آموزشی مرتبط را در ادامه آورده‌ایم.

• فیلم آموزش الگوریتم ژنتیک در متلب از فرادرس، بدون تردید یکی از کامل‌ترین فیلم‌های آموزشی در مورد الگوریتم ژنتیک، هم به لحاظ تئوری و هم و پیاده‌سازی آن است.
• فیلم آموزش تکمیلی پیاده‌سازی الگوریتم ژنتیک در پایتون از فرادرس، این الگوریتم را با رویکرد حل مسئله و پیاده‌سازی با زبان پایتون به شما آموزش می‌دهد.

به‌طور کلی، الگوریتم ژنتیک ابزاری قدرتمند برای حل مسائل پیچیده به‌شمار می‌رود. دانستن نحوه کار و همچنین استفاده از آن‌ها برای افراد شاغل در حوز‌های درگیر با مسائل جست و جو یا بهینه‌سازی، ضروری است.

الگوریتم های گراف

این دسته از الگوریتم‌ها، روابط بین نقاط داده‌ای در گراف را تحلیل می‌کنند و نقش مهمی در حوزه‌های متعدد و دارای سیستم‌های پیچیده نظیر شبکه‌‌های اجتماعی، شبکه‌‌های حمل و نقل و سیستم‌های بیولوژیکی دارند.

فیلم آموزش گراف در ساختمان گسسته (رایگان) در فرادرس

کلیک کنید

الگوریتم‌های گراف، «گره‌ها» (Nodes) و «پیوندهای» (Edges) یک گراف را پیمایش کرده و الگوها یا روابط درون آن را شناسایی می‌کنند. به‌طور مثال، می‌تواند مواردی نظیر شناسایی کوتاه‌ترین مسیر بین ۲ گره، تشخیص دورها و حلقه‌های موجود در گراف را انجام دهد یا مؤثرترین گره‌های درون شبکه را پیدا کند.

از رایج‌ترین الگوریتم‌های گراف می‌توان به موارد آورده شده در ادامه اشاره کرد.

• «جستجوی سطح-اول» (Breadth-First Search | BFS)
• «جستجوی عمق-اول» (Depth-First Search | DFS)
• الگوریتم دایکسترا
• PageRank

با توجه به ساختار شبکه‌ای گراف، به‌کمک آن می‌توانیم رفتار سیستم‌ها و شبکه‌های پیچیده را تحلیل و درک کنیم تا از این طریق بهتر تصمیم بگیریم. در ادامه، برخی از موارد استفاده الگوریتم‌های گراف را آورده‌ایم.

• تحلیل شبکه‌‌های اجتماعی
• بهینه کردن مسیر‌های حمل و نقل
• مدل‌سازی سیستم‌های بیولوژیکی یا زیستی

آشنایی با نحوه کار این الگوریتم‌ها و اینکه چگونه آن‌‌ها را به‌کار ببندیم برای افراد درگیر با حوزه‌هایی شامل تحلیل داده‌‌‌های پیچیده یا تصمیم‌گیری، اهمیت بسیار زیادی دارد.

الگوریتم های بهینه سازی

الگوریتم‌های «بهینه‌سازی» (Optimization)، یکی دیگر از انواع الگوریتم ها هستند که سعی در بیشینه‌سازی یا کمینه‌سازی تابع هدف تعیین شده دارند. این نوع از الگوریتم‌ها در حوزه‌های گوناگون و درگیر با حل مسئله و تصمیم‌گیری نظیر اقتصاد، مهندسی و تحقیق در عملیات نقش بسیار مهمی دارند. برای آشنایی بیشتر با این مبحث می‌توانید فیلم آموزش رایگان ساختار کلی الگوریتم‌های بهینه‌سازی را مشاهده کنید.

الگوریتم‌های بهینه‌سازی به‌صورت تکرارشونده اجرا می‌شوند و در این تکرارها، به دنبال راه‌حل بهینه هستند. همان‌طور که گفته شد در این نوع الگوریتم‌ها تابع هدف داریم و راه‌حل‌های مسئله می‌بایست مقدار این تابع را با توجه به هدف ما، Minimize یا Maximize کنند. در هر تکرار، راه‌حل‌های موجود ارزیابی شده و مقدار آن‌ها تعیین می‌کند که جست و جو به سمتی پیش رود. این تکرارها به‌طور معمول تا پیدا شدن راه‌حل مطلوب ادامه دارند.

در ادامه، برخی از نمونه‌های رایج الگوریتم بهینه‌سازی را آورده‌ایم.

• گرادیان نزولی
• روش نیوتون
• «تبرید شبیه‌سازی‌شده» (Simulated Annealing)

الگوریتم‌های بهینه‌سازی به ما کمک می‌کنند تا راه‌حل مطلوبی را برای مسئله پیدا کنیم. به‌همین دلیل بسیار مهم هستند. این دسته از الگوریتم‌ها در مسائل بهینه‌سازی با متغیرهای متعدد نیز کاربرد دارند. از موارد استفاده این الگوریتم می‌توان به بهینه‌سازی عملیات زنجیره تأمین، طراحی سیستم‌های کنترل بهینه یا بیشینه کردن سود در کسب و کارها اشاره کرد.

به‌طورکلی می‌توان گفت که الگوریتم‌های بهینه‌سازی، ابزار قدرتمندی برای حل مسئله و تصمیم‌گیری به‌شمار می‌روند و آشنا بودن با نحوه کار آن‌ها و اینکه چه‌طور از آن‌ها استفاده کنیم برای افراد مشغول در حوزه‌‌های درگیر با بهینه‌سازی، ضروری است.

یادگیری الگوریتم های بهینه سازی با فرادرس

درصورتی‌که قصد آشنایی و یادگیری الگوریتم‌های بهینه‌سازی را دارید، مجموعه آموزش الگوریتم‌های بهینه‌سازی هوشمند از فرادرس می‌تواند در این زمینه برای شما بسیار سودمند باشد.

در ادامه، عناوین برخی از فیلم‌های آموزش مربوط به الگوریتم‌های مختلف بهینه‌‌سازی را آورده‌ایم.

• فیلم آموزش شبیه‌سازی تبرید یا Simulated Annealing در متلب از فرادرس
• فیلم آموزش الگوریتم PSO در متلب از فرادرس
• فیلم آموزش الگوریتم مورچگان Ant Colony در متلب از فرادرس
• فیلم آموزش الگوریتم بهینه‌سازی گرگ خاکستری یا GWO به‌همراه پیاده‌سازی در متلب از فرادرس
• فیلم آموزش الگوریتم کرم شب‌تاب یا Firefly Algorithm در متلب از فرادرس
• فیلم آموزش الگوریتم بهینه‌سازی فاخته به‌همراه پیاده‌سازی در متلب از فرادرس

الگوریتم شاخه و کران

الگوریتم «شاخه و کران» (Branch and Bound) در واقع، روشی است که در مسائل بهینه‌سازی ترکیباتی برای جست و جوی بهترین راه‌حل، مورد استفاده قرار می‌گیرد. در این الگوریتم، مسئله اصلی به مسائلی کوچکتر یا همان شاخه‌ها تقسیم شده و سپس شاخه‌ها بر مبنای کران‌های راه‌حل بهینه، حذف می‌شوند. این فرایند تا هنگامی ادامه می‌یابد که راه‌حل بهینه پیدا شود یا اینکه تمام شاخه‌ها بررسی شوند. «فروشنده دوره‌گرد» (Traveling Salesman) و «زمانبندی کار» (Job Scheduling)، جزو مسائل رایجی هستند که با الگوریتم شاخه و گران حل می‌شوند.

الگوریتم های ماشین لرنینگ

الگوریتم‌های ماشین لرنینگ، نوعی دیگر از انواع الگوریتم ها هستند که قابلیت یادگیری از داده‌‌ها را به سیستم‌های کامپیوتری می‌دهند. توجه داشته باشید که این مورد با برنامه‌نویسی صریح کامپیوترها فرق دارد که در آن خیلی واضح مشخص می‌کنیم که چه واکنشی می‌بایست در شرایط معین داشته باشند. این الگوریتم‌ها به‌طور معمول در حوزه‌های گوناگونی مانند هوش مصنوعی، علم داده و رباتیک که با تحلیل داده‌ها و تصمیم‌گیری سر و کار دارند نقش بسیار مهمی را ایفا می‌کنند.

فیلم آموزش کتابخانه scikit-learn در پایتون – الگوریتم های یادگیری ماشین در فرادرس

کلیک کنید

الگوریتم‌های یادگیری ماشین، حجم زیادی از داده‌‌ها را در قالب دیتاست مشاهده کرده و الگوهای موجود در آن‌ها و همچنین روابطی که بین این داده‌ها وجود دارد را شناسایی می‌کنند. اکنون می‌توان با استفاده از این بینش به‌دست آمده، کارهایی نظیر پیش‌بینی و تصمیم‌گیری را بر اساس داده‌های جدید انجام داد. به زبان ساده، کامپیوتر‌ها با داده‌های موجود یاد می‌گیرند و پس از آن می‌توانند از دانش خود در مورد داده‌‌های جدید استفاده کنند.

نمونه‌هایی از الگوریتم‌های ماشین لرنینگ را در ادامه، فهرست کرده‌ایم که هر کدام دارای کاربردها، مزیا و معایب خود هستند.

• درخت‌های تصمیم
• جنگل‌های تصادفی
• ماشین بردار پشتیبان یا SVM
• شبکه‌های عصبی

به کمک الگوریتم‌های یادگیری ماشین می‌توانیم فرایند‌های تصمیم‌گیری را به حالت خودکار در آوریم و پیش‌بینی‌ها را با دقت بی‌نظیری انجام دهیم. به‌همین دلیل دارای اهمیت فوق‌العاده‌ای هستند. این الگوریتم‌ها همچنین، برای مسائلی که دارای حجم زیادی داده هستند یا به یادگیری مداوم و اِعمال دانش خود روی داده‌های جدید نیاز دارند، نیز سودمند هستند. در ادامه، برخی کاربردهای الگوریتم‌های ماشین لرنینگ را آورده‌ایم.

• پیش‌بینی رفتار مشتری
• تشخیص تراکنش‌های مشکوک به کلاه‌برداری
• تشخیص بیماری‌ها
• و غیره

به‌طور کلی، الگوریتم‌های ماشین لرنینگ را می‌توان ابزاری قدرتمند برای هوش مصنوعی و علم داده دانست و پیش‌بینی می‌شود که نقش مهمی را در آینده بسیاری از صنایع ایفا خواهند کرد. آگاه بودن از نحوه کار این الگوریتم‌ها و اینکه چگونه می‌بایست از آن‌ها استفاده شود برای هر فرد درگیر با مسائل تحلیل داده و تصمیم‌گیری، ضروری است.

جمع‌بندی

در این مطلب از مجله فرادرس، انواع الگوریتم ها، نحوه کار و کاربردهای هر یک از آن‌ها را به لحاظ تئوری مورد بررسی قرار دادیم.

فیلم آموزش طراحی الگوریتم در فرادرس

کلیک کنید

الگوریتم‌ها را می‌توان برای حل مسائل گوناگون به‌کار گرفت. با این حال، مسائل بسیار پیچیده‌ای - همچون مسئله توقف - وجود دارند که با الگوریتم‌ها هم حل نمی‌شوند. بهترین الگوریتم برای حل مسئله‌ای مشخص، به خصوصیات آن مسئله بستگی دارد. به‌همین دلیل نمی‌تواند ادعا کرد که یک الگوریتم برای تمام موقعیت‌ها و سناریوها، عملکردی عالی را به ما ارائه می‌دهد. همچنین انواع الگوریتم های رایج را نام بردیم که الگوریتم‌های مرتب‌سازی نظیر «مرتب‌سازی سریع»، «مرتب‌سازی ادغامی»، «مرتب‌سازی حبابی» از همین موارد هستند و کاربرد زیادی در سازمان‌دهی و نظم بخشیدن به داده‌‌ها دارند.