التركيز على الحلول وليس الحل

نعلم جميعًا أنه لا يمكن أن تكون هناك إجابة واحدة لأي سؤال محدد، وهنا يأتي دور الحوسبة التطورية. تستخدم الحوسبة التطورية، المستوحاة من عمليات الطبيعة، خوارزميات ذكية لمواجهة التحديات المعقدة في مختلف المجالات. الآن، قد لا تكون خبيرًا في التكنولوجيا، لكن الحوسبة التطورية مهمة لنا جميعًا. فهو يتمتع بالقدرة على إحداث تحول في حل المشكلات بطرق تمس حياتنا، بدءًا من الرعاية الصحية والنقل إلى التمويل والبيئة.

دعونا نتخيل موقفًا يواجه فيه الأطباء ألغازًا تشخيصية صعبة. يمكن لخوارزميات الحوسبة التطورية تحليل الكثير من المعلومات الطبية، وأنماط التركيز، وتحسين طرق التشخيص لمساعدة الأطباء على إجراء تشخيصات دقيقة وسريعة. وهذا يعني علاجًا أسرع، ونتائج أفضل للمرضى، وفي النهاية إنقاذ المزيد من الأرواح.

لكنها لا تتوقف عند هذا الحد. فكر في التحديات التي نواجهها في التخطيط الحضري والنقل. يمكن أن تساعد الحوسبة التطورية في جعل تدفق حركة المرور أكثر سلاسة، وتقليل الازدحام، وتقصير أوقات التنقل. تصور المستقبل حيث تصبح تنقلاتك اليومية أسهل، مع قضاء وقت أقل عالقًا في حركة المرور والمزيد من الوقت للأشياء التي تستمتع بها.

بالنسبة لأولئك الذين يهتمون بالبيئة، تلعب الحوسبة التطورية دورًا كبيرًا في مكافحة تغير المناخ وتعزيز الاستدامة. ومن خلال تحسين استخدام الطاقة، وإدارة الموارد المحدودة، وتصميم أنظمة صديقة للبيئة، يمكننا خلق عالم أكثر اخضرارًا واستدامة للأجيال القادمة.

قد تتساءل: "كيف يعمل هذا في الواقع". لا تقلق، فجمال الحوسبة التطورية يكمن في قدرتها على التعامل مع الأشياء المعقدة خلف الكواليس. على الرغم من أن الأمر قد يبدو معقدًا، إلا أن النتائج عملية ومؤثرة. ومن خلال محاكاة تطور الطبيعة - حيث البقاء للأصلح فقط والبحث عن أفضل الحلول لا يتوقف أبدًا - تعمل الحوسبة التطورية على تحويل الأفكار المجردة إلى إنجازات في العالم الحقيقي. فهو يمكّن أجهزة الكمبيوتر من أن تصبح حلولاً إبداعية للمشكلات، مستوحاة من الطبيعة، لجعل حياتنا أكثر كفاءة وفعالية.

ما هي الحوسبة التطورية؟

الحوسبة التطورية، والمعروفة أيضًا باسم الحساب التطوري، هي مجال فرعي من الذكاء الاصطناعي والذكاء الحسابي الذي يستمد الإلهام من عملية التطور الطبيعي لحل المشكلات المعقدة. إنه نهج حسابي يستخدم مبادئ الانتقاء الطبيعي، والتنوع الجيني، والبقاء للأصلح لتحسين الحلول. لذا، من أجل شرح وفهم الحوسبة التطورية، يجب علينا أولاً أن نتحدث عن التطور.

في الحوسبة التطورية، يتم إنشاء مجموعة من الحلول المرشحة، والتي يتم تمثيلها عادةً كمجموعة من الأفراد تسمى "الجينومات". تشفر هذه الجينومات الحلول المحتملة للمشكلة المطروحة. يتم تقييم كل جينوم باستخدام وظيفة اللياقة البدنية التي تحدد مدى نجاحه في حل المشكلة.

تبدأ عملية التطور بمجموعة أولية من الجينومات المولدة عشوائيًا. من خلال سلسلة من الخطوات التكرارية تسمى الأجيال، يتطور السكان من خلال تطبيق عوامل وراثية مستوحاة من التطور البيولوجي، مثل التكاثر والتهجين والطفرة.

أثناء التكاثر، من المرجح أن يتم اختيار الأفراد ذوي اللياقة العالية كآباء لإنتاج ذرية. يتضمن التقاطع الجمع بين المادة الوراثية من الوالدين لتكوين ذرية جديدة، ومحاكاة العملية البيولوجية للتكاثر الجنسي. تُدخل الطفرة تغييرات عشوائية في المادة الوراثية للأفراد لتعزيز التنوع والاستكشاف بين السكان.

بعد توليد ذرية جديدة، يتم تحديث السكان، عادةً عن طريق استبدال الأفراد الأقل لياقة بأفراد تم إنشاؤهم حديثًا. تفضل عملية الاختيار هذه الأفراد ذوي اللياقة العالية، ومحاكاة عملية الانتقاء الطبيعي في علم الأحياء. تستمر دورة التقييم والاختيار والتكاثر والطفرة لعدد محدد من الأجيال أو حتى يتم استيفاء معيار الإنهاء.

من خلال هذه العملية التكرارية، تستكشف الحوسبة التطورية مساحة البحث وتتقارب تدريجيًا نحو الحلول المثالية أو شبه المثالية. الافتراض الأساسي هو أن الأفراد الأكثر لياقة في كل جيل يمتلكون حلولاً أفضل، ومن خلال الجمع بين مادتهم الوراثية وتغييرها، يتطور السكان نحو حلول أفضل بمرور الوقت.

لقد تم تطبيق الحوسبة التطورية بنجاح على مجالات مختلفة من المشاكل، بما في ذلك التحسين، والتعلم الآلي، والجدولة، واستخراج البيانات، وغيرها الكثير. إنه يوفر نهجًا مرنًا وقويًا لحل المشكلات المعقدة التي قد تواجه فيها الأساليب الخوارزمية التقليدية صعوبات.

التاريخ المتميز للحوسبة التطورية

يمكن إرجاع تاريخ الحوسبة التطورية إلى منتصف القرن العشرين عندما بدأ الباحثون في استكشاف فكرة استخدام مبادئ التطور البيولوجي لحل المشكلات الحسابية.
تم وضع الأساس للحوسبة التطورية بواسطة نظرية التطور لتشارلز داروين في القرن 19. كانت أفكاره حول الانتقاء الطبيعي والبقاء للأصلح مصدر إلهام للتطورات اللاحقة في هذا المجال.

في ستينيات القرن العشرين، تم تقديم مفهوم الخوارزميات الجينية بشكل مستقل من قبل إنغو ريتشنبرغ في ألمانيا وجون هولاند في الولايات المتحدة. واقترحوا استخدام نماذج حسابية بسيطة للعمليات الجينية، مثل التقاطع والطفرة، لتحسين الحلول للمشكلات المعقدة. كتاب جون هولاند "التكيف في النظم الطبيعية والاصطناعية(1975) ساهمت في نشر الخوارزميات الجينية.

في الثمانينيات، قام جون كوزا بتوسيع مبادئ الخوارزميات الجينية لتطوير برامج الكمبيوتر من خلال عملية تسمى البرمجة الجينية. يقوم GP بتطوير مجموعات من برامج الكمبيوتر من أجل حل مهام محددة، مثل الانحدار الرمزي وتوليد التعليمات البرمجية التلقائي.

قدم لورانس فوجل وزملاؤه البرمجة التطورية في الستينيات وقاموا بتطويرها في التسعينيات. يستخدم EP في المقام الأول لمشاكل التحسين وأنظمة التحكم.

اكتسبت الحوسبة التطورية شعبية ووجدت تطبيقات في مجالات مختلفة، بما في ذلك التحسين، والروبوتات، واستخراج البيانات، والتعلم الآلي، والنمذجة المالية، ولعب الألعاب، من بين أمور أخرى. واصل الباحثون تحسين وتطوير خوارزميات تطورية جديدة لمعالجة مجالات المشكلات المعقدة والمتنوعة.

مع ظهور الحوسبة المتوازية والموزعة، تم تطوير الخوارزميات التطورية بشكل أكبر لاستغلال فوائد التوازي، مما يسمح بحل المشكلات بشكل أكثر كفاءة وقابلية للتطوير.

تظل الحوسبة التطورية مجالًا نشطًا ومتناميًا للبحث والتطبيق، وتتطور باستمرار لمعالجة مشكلات العالم الحقيقي المعقدة بشكل متزايد عبر مجالات مختلفة. يستمر المجال في استكشاف الخوارزميات المبتكرة والأساليب الهجينة والتطبيقات في التقنيات الناشئة.

كيف تعمل الحوسبة التطورية؟

تبدأ عملية الحوسبة التطورية بمجموعة من الأفراد يتم إنشاؤها بشكل عشوائي. ثم يتم تقييم الأفراد باستخدام وظيفة اللياقة البدنية. يتم بعد ذلك استخدام عامل الاختيار لاختيار مجموعة فرعية من الأفراد لاستخدامها في إنشاء الجيل القادم من الأفراد. يتم بعد ذلك استخدام عوامل التقاطع والطفرة لإنشاء الجيل القادم من الأفراد. تتكرر العملية حتى يتم استيفاء معيار التوقف، مثل عدد معين من الأجيال أو مستوى معين من اللياقة البدنية.

تستخدم الحوسبة التطورية أفكارًا معينة موجودة في علم الأحياء لفترة طويلة. تقنية الحوسبة هذه، التي تتيح لنا حل مشاكل اليوم بطريقة معززة بالذكاء الاصطناعي باستخدام التقنيات التي استخدمناها لعدة قرون للتحقيق في أصل الحياة، مستوحاة من التقنيات التالية في علم الأحياء:

• التمثيل: يتم تمثيل حلول المشكلة كأفراد في عدد السكان. يمكن تمثيل الأفراد بعدة طرق، مثل السلاسل الصغيرة، أو الكروموسومات، أو الأشجار.
• رشاقة وظيفة: يتم استخدام دالة اللياقة البدنية لتقييم جودة كل فرد. عادةً ما تقوم وظيفة اللياقة البدنية بتعيين درجة أعلى للأفراد الأفضل في حل المشكلة.
• اختيار: يتم استخدام عامل التحديد لاختيار الأفراد الذين سيتم استخدامهم لإنشاء الجيل القادم من الأفراد. عادةً ما يختار عامل الاختيار الأفراد الحاصلين على أعلى درجات اللياقة البدنية.
• كروس: يتم استخدام عامل التقاطع للجمع بين فردين لإنشاء فرد جديد. عادةً ما يقوم عامل التقاطع بتبديل بعض جينات الفردين لإنشاء فرد جديد بمزيج من جيناتهم.
• تحول: يتم استخدام عامل الطفرة لتغيير جينات الفرد بشكل عشوائي. يمكن لعامل الطفرة أن يساعد في إدخال تنوعات جديدة في السكان ومنع السكان من أن يصبحوا عالقين في الوضع الأمثل المحلي.

تعد الحوسبة التطورية تقنية قوية يمكن استخدامها لحل مجموعة واسعة من المشكلات. ومع ذلك، من المهم أن نلاحظ أن الحوسبة التطورية ليست حلاً سحريًا. قد يستغرق تشغيل خوارزميات الحوسبة التطورية وقتًا طويلاً ومكلفًا من الناحية الحسابية، وقد لا تجد دائمًا الحل الأمثل.

كيف تختلف الحوسبة التطورية عن الحوسبة الكلاسيكية؟

في الحوسبة الكلاسيكية، يتم استخدام تمثيلات المشكلة الواضحة والخوارزميات الإرشادية لحل المشكلات. وينصب التركيز على تحديد المشكلة بشكل واضح وتصميم الخوارزميات التي توفر حلولاً دقيقة أو تقريبية. غالبًا ما تعتمد الحوسبة الكلاسيكية على استراتيجيات البحث المحلية، حيث يتم إجراء البحث في المنطقة المجاورة للحل الحالي. إن استكشاف الحلول أمر حتمي، بمعنى أنه يتبع مجموعة محددة مسبقًا من القواعد ولا يتضمن العشوائية.

من ناحية أخرى، تستخدم الحوسبة التطورية تمثيلًا ضمنيًا للمشكلة. فبدلاً من تعريف المشكلة بشكل صريح، فإنها تمثل الحلول المحتملة كجينومات داخل مجتمع ما. الخوارزميات المستخدمة في الحوسبة التطورية هي خوارزميات توليدية، مما يعني أنها تولد حلولاً جديدة من خلال عمليات مثل التكاثر والتقاطع والطفرات. وهذا يسمح باستراتيجية بحث عالمية، واستكشاف جزء أكبر من مساحة الحل.

الحوسبة التطورية هي نهج عشوائي، وهذا يعني أنها تنطوي على العشوائية في اختيار وتوليد الحلول. غالبًا ما تكون جودة الحلول التي يتم الحصول عليها من خلال الحوسبة التطورية تقريبية، حيث ينصب التركيز على إيجاد حلول جيدة بدلاً من الحلول الدقيقة. يحدث التقارب في الحوسبة التطورية في مجموعة من الحلول بدلاً من حل واحد، مما يوفر مجموعة متنوعة من الحلول المحتملة.

أدناه، قمنا بإعداد جدول لإظهار الاختلافات الرئيسية بين الحوسبة الكلاسيكية والحوسبة التطورية.

الجانب	الحوسبة الكلاسيكية	الحوسبة التطورية
تمثيل المشكلة	تمثيل مشكلة صريحة	تمثيل المشكلة الضمنية
سلوك التقارب	يتقارب إلى حل واحد	يتقارب مع عدد السكان
التوازي	قد تستخدم المعالجة المتوازية	قابلة للتوازي بشكل طبيعي
النهج الخوارزمي	الخوارزميات الإرشادية	الخوارزميات التوليدية
استراتيجية البحث	البحث المحلي	البحث العالمي
استكشاف الحل	حتمية	مؤشر الاستوكاستيك

كيف تم استخدام خوارزميات الحوسبة التطورية في علوم البيانات والذكاء الاصطناعي والتحليلات؟

لقد وجدت خوارزميات الحوسبة التطورية تطبيقات قيمة في مجالات علوم البيانات والذكاء الاصطناعي والتحليلات. توفر هذه الخوارزميات أسلوبًا قويًا ومرنًا لحل المشكلات المعقدة واستكشاف مساحات الحلول الكبيرة وتحسين الحلول. دعونا نستكشف كيفية استخدام الحوسبة التطورية في كل مجال من هذه المجالات.

الحوسبة التطورية في علم البيانات

تم استخدام خوارزميات الحوسبة التطورية على نطاق واسع في علم البيانات لمهام مثل اختيار الميزات، وتجميع البيانات، والتصنيف، والانحدار. يمكن لهذه الخوارزميات أن تحدد تلقائيًا الميزات ذات الصلة أو مجموعات الميزات التي تزيد من القدرة التنبؤية لنماذج التعلم الآلي. من خلال تطبيق الخوارزميات الجينية أو البرمجة الجينية أو غيرها من الأساليب التطورية، يمكن لعلماء البيانات البحث بكفاءة عبر مساحة كبيرة من الميزات، واختيار الميزات الأكثر إفادة لتحسين أداء النموذج.

بالإضافة إلى ذلك، تم استخدام الحوسبة التطورية في تجميع البيانات، حيث يمكن للخوارزميات مثل التجميع الجيني أو التجميع التطوري الغامض تجميع نقاط البيانات المتشابهة معًا تلقائيًا. تستكشف هذه الطرق تكوينات مختلفة للكتلة وتحسن معايير التجميع للعثور على أفضل تقسيم للبيانات.

الحوسبة التطورية في الذكاء الاصطناعي

قدمت خوارزميات الحوسبة التطورية مساهمات كبيرة في الذكاء الاصطناعي، لا سيما في مجالات التحسين، وتصميم الشبكات العصبية، والتعلم المعزز. تم تطبيق الخوارزميات الجينية واستراتيجيات التطور لتحسين معلمات النماذج المعقدة، مثل الشبكات العصبية أو بنيات التعلم العميق. تتيح هذه الخوارزميات الضبط التلقائي للمعلمات الفائقة للنموذج، مما يعزز أداء النموذج وتعميمه.

علاوة على ذلك، تم استخدام الحوسبة التطورية في تصميم وتطوير الشبكات العصبية. من خلال البرمجة الجينية أو التطور العصبي، نجح الباحثون في تطوير طبولوجيا الشبكة العصبية وأوزان الاتصال، مما يسمح باكتشاف بنيات شبكة جديدة وفعالة. وقد أظهر هذا النهج نتائج واعدة في حل المهام المعقدة، مثل التعرف على الصور والكلام، من خلال تطوير شبكات ذات هياكل محسنة.

في التعلم المعزز، تم استخدام الخوارزميات التطورية لتطوير سياسات أو وكلاء قادرين على اتخاذ قرارات ذكية في بيئات ديناميكية. ومن خلال الجمع بين البحث التطوري ونماذج التعلم المعزز، حقق الباحثون نتائج مبهرة في المهام الصعبة، بما في ذلك اللعب، والروبوتات، والأنظمة المستقلة.

الحوسبة التطورية في التحليلات

كما تم الاستفادة من خوارزميات الحوسبة التطورية في التحليلات لحل مشاكل التحسين، مثل تخصيص الموارد، والجدولة، وتحسين المحفظة. تتيح هذه الخوارزميات اكتشاف الحلول المثالية أو شبه المثالية لمجالات المشكلات المعقدة والديناميكية.

على سبيل المثال، في مشاكل تخصيص الموارد، يمكن استخدام الخوارزميات الجينية أو استراتيجيات التطور لتحديد التخصيص الأكثر كفاءة للموارد المحدودة، مما يؤدي إلى تعظيم الأهداف مثل الربح أو الإنتاجية. وبالمثل، في مشاكل الجدولة، يمكن لمناهج الحوسبة التطورية العثور على تسلسلات أو جداول زمنية مثالية مع الأخذ في الاعتبار القيود والأهداف المتعددة.

في التحليلات المالية، تم تطبيق الخوارزميات التطورية على تحسين المحفظة، حيث يكون الهدف هو تحديد التخصيص الأمثل للاستثمارات لتحقيق العوائد المرغوبة مع النظر في المخاطر والتنويع. يمكن للخوارزميات الجينية أو غيرها من الأساليب التطورية استكشاف مجموعات مختلفة من الأصول والأوزان، وتكييف المحفظة مع ظروف السوق المتغيرة.

بشكل عام، أثبتت خوارزميات الحوسبة التطورية أنها أدوات متعددة الاستخدامات في علوم البيانات والذكاء الاصطناعي والتحليلات.

ما هو مستقبل الحوسبة التطورية؟

لقد برزت الحوسبة التطورية كنهج قوي، مستوحى من مبادئ الطبيعة لحل المشكلات المعقدة في مختلف المجالات. ومع استمرار تطور هذا المجال، فإن مستقبل الحوسبة التطورية يحمل إمكانات هائلة للتقدم والتطبيقات الجديدة. دعونا نتعمق في الاحتمالات المثيرة التي تنتظرنا.

النهج الهجين

يتضمن أحد طرق الاستكشاف دمج الحوسبة التطورية مع التقنيات الحسابية الأخرى. تهدف الأساليب الهجينة إلى الجمع بين نقاط قوة الخوارزميات المختلفة، مثل التعلم العميق أو ذكاء الحشود، لمعالجة المشكلات المعقدة بشكل أكثر فعالية. ومن خلال دمج الخوارزميات التطورية مع التعلم العميق، على سبيل المثال، يمكن للباحثين تحقيق تحسين وتصميم أفضل للشبكات العصبية العميقة، مما يؤدي إلى تحسين الأداء وقابلية التفسير.

الذكاء الاصطناعي القابل للتفسير والنماذج القابلة للتفسير

يستمر الطلب على الذكاء الاصطناعي القابل للتفسير (AI) في النمو. توفر الحوسبة التطورية طريقًا لتطوير النماذج التي لا تظهر أداءً عاليًا فحسب، بل توفر أيضًا عمليات اتخاذ قرار شفافة. ويعمل الباحثون بنشاط على تطوير تقنيات لتطوير نماذج قابلة للتفسير، وتعزيز الثقة والتفاهم في أنظمة الذكاء الاصطناعي. يعد هذا التطور أمرًا بالغ الأهمية في المجالات التي تكون فيها قابلية الشرح أمرًا ضروريًا، مثل الرعاية الصحية والتمويل والأنظمة المستقلة.

---

كيف يغير الذكاء الاصطناعي في الجراحة والرعاية الصحية حياتنا؟

---

الروبوتات التطورية

يركز مجال الروبوتات التطورية على التصميم التلقائي وتحسين أشكال الروبوت وأنظمة التحكم. مع تقدم الروبوتات، يمكن للحوسبة التطورية أن تلعب دورًا حيويًا في تطوير روبوتات قوية وقابلة للتكيف وقادرة على التنقل في البيئات المعقدة والديناميكية. إن التطور الجسدي، الذي يسمح للروبوتات بالتكيف بشكل مستقل وتطوير سلوكياتها من خلال التفاعل مع البيئة، هو وسيلة رائعة للاستكشاف المستقبلي.

تحسين متعدد الأهداف ومتعدد الأهداف

تتفوق الحوسبة التطورية في حل مشكلات التحسين متعددة الأهداف التي تتضمن أهدافًا متضاربة متعددة. ستتناول التطورات المستقبلية تحسين الأهداف المتعددة، حيث يجب أخذ عدد كبير من الأهداف في الاعتبار. يقوم الباحثون بتطوير خوارزميات وتقنيات مبتكرة للبحث بكفاءة عن حلول متنوعة وموزعة بشكل جيد في المساحات الموضوعية عالية الأبعاد. وسيمكن هذا التقدم صناع القرار من استكشاف مجموعة واسعة من المفاضلات في الأنظمة المعقدة.

تطور الأنظمة المعقدة

يمثل تحسين وتصميم الأنظمة المعقدة، مثل المدن الذكية أو شبكات النقل، تحديات كبيرة. توفر الحوسبة التطورية أداة قوية لتطوير الحلول التي توازن بين معايير متعددة وتتكيف مع الظروف المتغيرة. ومن خلال دمج الخوارزميات التطورية في هذه المجالات، يمكن للباحثين المساهمة في تطوير أنظمة أكثر كفاءة واستدامة ومرونة تلبي احتياجات المجتمع الحديث.

التطور إلى ما هو أبعد من النماذج المستوحاة من علم الأحياء

في حين أن الحوسبة التطورية متجذرة في التطور البيولوجي، فإن الباحثين يستكشفون نماذج بديلة للتطور. مفاهيم مثل التطور الثقافي, خوارزميات ميميتيكيةالطرق أو الاستدلال المفرط استخلاص الإلهام من الآليات الاجتماعية والثقافية لتوجيه العملية التطورية. تعمل هذه الأساليب المبتكرة على توسيع قدرات ومرونة خوارزميات الحوسبة التطورية، مما يفتح آفاقًا جديدة للاستكشاف وحل المشكلات.

قابلية التوسع والتوازي

مع تزايد حجم المشكلات وتعقيدها بشكل كبير، تصبح قابلية التوسع والتوازي في الخوارزميات التطورية ذات أهمية قصوى. إن تطوير أطر حوسبة تطورية متوازية وموزعة فعالة سيمكن من استكشاف مساحات البحث الكبيرة بشكل أسرع وأكثر فعالية. وسيعمل هذا التقدم على تسهيل تحسين الأنظمة والنماذج المعقدة، وتوفير حلول عملية لتحديات العالم الحقيقي.

الحوسبة التطورية الأخلاقية والمسؤولة

وبما أن الحوسبة التطورية تجد تطبيقات في مجالات متنوعة، فإن الاعتبارات الأخلاقية تكتسب أهمية. يعمل الباحثون والممارسون بنشاط لضمان الاستخدام المسؤول والأخلاقي لخوارزميات الحوسبة التطورية. إن معالجة قضايا مثل التحيز والخصوصية والمساءلة تضمن الاستفادة من فوائد الحوسبة التطورية مع تخفيف المخاطر والتحديات المحتملة.

إن مستقبل الحوسبة التطورية مليء بالإمكانات. إن التقدم في التقنيات الخوارزمية، وتكامل الأساليب الحسابية المتعددة، والتطبيقات في المجالات الناشئة سوف يدفع المجال إلى الأمام. مع استمرار الحوسبة التطورية في التطور، فإنها تَعِد بإعادة تشكيل أساليب حل المشكلات، واستراتيجيات التحسين، وفهمنا للأنظمة الذكية والتكيفية.

---

صورة مميزة تم إنشاؤها بواسطة كيرم غولن في منتصف الرحلة.

• محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
• PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
• أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
• أفلاطون السيارات / المركبات الكهربائية ، كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
• BlockOffsets. تحديث ملكية الأوفست البيئية. الوصول هنا.
• المصدر https://dataconomy.com/2023/07/03/what-is-evolutionary-computing-how-it-is-different-from-classical-computing/