دوشنبه ۱۵ بهمن ۹۷ ۱۴:۴۹ ۸۹۲ بازديد
راه‌حل مسایل بد ساختار یافته اغلب مستلزم بینش است ، که یک درک متمایز و به ظاهر ناگهانی از یک مشکل یا استراتژی است که به یک راه‌حل کمک می‌کند . اغلب یک بینش شامل مفهوم‌سازی یک مشکل یا یک استراتژی به روش کاملا ً جدید است . اگرچه گاهی اوقات به نظر می‌رسد که دیدگاه‌ها به طور ناگهانی بوجود می‌آیند ، اما معمولا ً نتیجه ضروری زیادی از تفکر قبلی و کار سخت هستند . گاهی اوقات، زمانی که فرد تلاش می‌کند یک بینش را به دست آورد اما ناموفق است ، موثرترین راه آن است که " جوجه‌کشی " مشکل را کنار می‌گذارند و ناخودآگاه آن را پردازش می‌کنند. روانشناسان کشف کرده‌اند که جوجه‌کشی ناخودآگاه اغلب راه حلی برای مشکلات فراهم می‌کند .
الگوریتم‌ها و شیوه‌های اکتشافی
روش‌های دیگر حل مشکلات ترکیبی از روش‌های مرتبط با ریاضیات ، از قبیل الگوریتم‌ها و شیوه‌های اکتشافی ، هم برای مشکلات خوب و هم ساختاری است . تحقیقات در حل مساله عموما ً بین الگوریتم‌ها و شیوه‌های اکتشافی تمایز قایل می‌شوند، زیرا هر رویکرد مشکلات را به روش‌های مختلف حل می‌کند و تضمین متفاوتی از موفقیت دارد.
یک الگوریتم حل مساله یک روش است که اگر به طور دقیق دنبال شود ، یک راه‌حل را تولید می‌کند . در یک مثال معروف ، " تکنیک موزه بریتانیا " ، شخصی می‌خواهد یک شی را در میان مجموعه‌های وسیع موزه بریتانیا پیدا کند ، اما نمی‌داند این شی کجاست . با دنبال کردن یک بررسی ترتیبی از هر شی نمایش‌داده‌شده در هر اتاق از موزه ، فرد در نهایت شی را پیدا می‌کند ، اما این روش احتمالا ً مقدار قابل‌توجهی از زمان را مصرف می‌کند . بنابراین ، رویکرد الگوریتمی ، اگر چه برای موفقیت حتمی است ، اغلب کند است .
یک هیوریستیک حل مساله یک روش غیر رسمی ، شهودی و speculative است که به یک راه‌حل در برخی موارد منجر می‌شود اما نه در دیگران . این حقیقت که نتیجه استفاده از یک روش اکتشافی غیرقابل‌پیش‌بینی است به این معنی است که استراتژی می‌تواند یا بیشتر و یا کم‌تر از استفاده از یک الگوریتم باشد . بنابراین ، اگر کسی ایده‌ای در مورد محل جستجو در موزه بریتانیا داشت ، زمان زیادی را می‌توان با جستجو به جای algorithmically ذخیره کرد . اما اگر یکی از آن‌ها در مورد مکان شی اشتباه باشد ، باید یک هیوریستیک دیگر را امتحان کرده یا به یک الگوریتم متوسل شود .
اگر چه چندین شیوه اکتشافی برای حل مساله وجود دارد ، اما تعداد کمی از آن‌ها اغلب مورد استفاده قرار می‌گیرند . آن‌ها به عنوان تجزیه و تحلیل ends ، کار به جلو ، کار به عقب ، و تولید - و تست شناخته می‌شوند .
در تجزیه و تحلیل نهایی ، حل‌کننده مشکل با تجسم هدف نهایی یا هدف نهایی شروع می‌شود و سپس بهترین استراتژی برای رسیدن به هدف در موقعیت فعلی خود را تعیین می‌کند . اگر برای مثال ، یک نفر مایل به رانندگی از نیویورک به بوستون در حداقل زمان ممکن بود، پس از آن، در هر نقطه داده‌شده در طول دیسک‌گردان ، فرد مسیری را انتخاب می‌کند که زمان را به حداقل می‌رساند و شرایط ترافیکی ، شرایط آب و هوایی و غیره را پوشش می‌دهد .
در رویکرد پیش رو ، همانطور که نام اشاره دارد ، حل‌کننده مشکل تلاش می‌کند تا مشکل را از ابتدا تا انتها حل کند . سفری از شهر نیویورک به بوستون ممکن است صرفا ً با مشاوره یک نقشه و ایجاد کوتاه‌ترین مسیری که از شهر نیویورک شروع‌شده و در بوستون به پایان می‌رسد برنامه‌ریزی شود . حل‌کننده مشکلات در رویکرد پشت به عقب ، در پایان شروع و به سمت شروع کار می‌کند . برای مثال ، فرض کنید که یکی از آن‌ها قصد سفر از نیویورک به پاریس را دارد . آدم می‌خواهد به یکی از هتل‌های پاریس برسد . برای رسیدن باید یک تاکسی از فرودگاه Orly بگیریم . برای رسیدن به فرودگاه ، باید بر روی هواپیما پرواز کرد ؛ و به همین ترتیب ، برگردیم به نقطه مبدا .
منبع سایت بریتانیایی
الگوریتم‌ها و شیوه‌های اکتشافی
روش‌های دیگر حل مشکلات ترکیبی از روش‌های مرتبط با ریاضیات ، از قبیل الگوریتم‌ها و شیوه‌های اکتشافی ، هم برای مشکلات خوب و هم ساختاری است . تحقیقات در حل مساله عموما ً بین الگوریتم‌ها و شیوه‌های اکتشافی تمایز قایل می‌شوند، زیرا هر رویکرد مشکلات را به روش‌های مختلف حل می‌کند و تضمین متفاوتی از موفقیت دارد.
یک الگوریتم حل مساله یک روش است که اگر به طور دقیق دنبال شود ، یک راه‌حل را تولید می‌کند . در یک مثال معروف ، " تکنیک موزه بریتانیا " ، شخصی می‌خواهد یک شی را در میان مجموعه‌های وسیع موزه بریتانیا پیدا کند ، اما نمی‌داند این شی کجاست . با دنبال کردن یک بررسی ترتیبی از هر شی نمایش‌داده‌شده در هر اتاق از موزه ، فرد در نهایت شی را پیدا می‌کند ، اما این روش احتمالا ً مقدار قابل‌توجهی از زمان را مصرف می‌کند . بنابراین ، رویکرد الگوریتمی ، اگر چه برای موفقیت حتمی است ، اغلب کند است .
یک هیوریستیک حل مساله یک روش غیر رسمی ، شهودی و speculative است که به یک راه‌حل در برخی موارد منجر می‌شود اما نه در دیگران . این حقیقت که نتیجه استفاده از یک روش اکتشافی غیرقابل‌پیش‌بینی است به این معنی است که استراتژی می‌تواند یا بیشتر و یا کم‌تر از استفاده از یک الگوریتم باشد . بنابراین ، اگر کسی ایده‌ای در مورد محل جستجو در موزه بریتانیا داشت ، زمان زیادی را می‌توان با جستجو به جای algorithmically ذخیره کرد . اما اگر یکی از آن‌ها در مورد مکان شی اشتباه باشد ، باید یک هیوریستیک دیگر را امتحان کرده یا به یک الگوریتم متوسل شود .
اگر چه چندین شیوه اکتشافی برای حل مساله وجود دارد ، اما تعداد کمی از آن‌ها اغلب مورد استفاده قرار می‌گیرند . آن‌ها به عنوان تجزیه و تحلیل ends ، کار به جلو ، کار به عقب ، و تولید - و تست شناخته می‌شوند .
در تجزیه و تحلیل نهایی ، حل‌کننده مشکل با تجسم هدف نهایی یا هدف نهایی شروع می‌شود و سپس بهترین استراتژی برای رسیدن به هدف در موقعیت فعلی خود را تعیین می‌کند . اگر برای مثال ، یک نفر مایل به رانندگی از نیویورک به بوستون در حداقل زمان ممکن بود، پس از آن، در هر نقطه داده‌شده در طول دیسک‌گردان ، فرد مسیری را انتخاب می‌کند که زمان را به حداقل می‌رساند و شرایط ترافیکی ، شرایط آب و هوایی و غیره را پوشش می‌دهد .
در رویکرد پیش رو ، همانطور که نام اشاره دارد ، حل‌کننده مشکل تلاش می‌کند تا مشکل را از ابتدا تا انتها حل کند . سفری از شهر نیویورک به بوستون ممکن است صرفا ً با مشاوره یک نقشه و ایجاد کوتاه‌ترین مسیری که از شهر نیویورک شروع‌شده و در بوستون به پایان می‌رسد برنامه‌ریزی شود . حل‌کننده مشکلات در رویکرد پشت به عقب ، در پایان شروع و به سمت شروع کار می‌کند . برای مثال ، فرض کنید که یکی از آن‌ها قصد سفر از نیویورک به پاریس را دارد . آدم می‌خواهد به یکی از هتل‌های پاریس برسد . برای رسیدن باید یک تاکسی از فرودگاه Orly بگیریم . برای رسیدن به فرودگاه ، باید بر روی هواپیما پرواز کرد ؛ و به همین ترتیب ، برگردیم به نقطه مبدا .
منبع سایت بریتانیایی
- ۰ ۰
- ۰ نظر
