بهینه سازی مبتنی بر هوش مصنوعی در مهندسی برق، کامپیوتر و مکانیک: یک بررسی سیستماتیک

با پیشرفت های سریع در هوش مصنوعی (AI)، بهینه سازی مبتنی بر AI به یکی از مهم ترین روش ها برای حل چالش های پیچیده در مهندسی برق، کامپیوتر و مکانیک تبدیل شده است. این مقاله مروری به بررسی جدیدترین تحقیقات در این زمینه پرداخته و روش های پیشرفته ای مانند الگوریتم های تکاملی، یادگیری تقویتی عمیق (DRL)، شبکه های عصبی مصنوعی (ANN) و الگوریتم های الهام گرفته از طبیعت را تحلیل می کند.در حوزه مهندسی برق، AI بهینه سازی سیستم های قدرت، شبکه های هوشمند، پردازش سیگنال و انرژی های تجدیدپذیر را تسهیل کرده است. تحقیقات اخیر نشان داده اند که استفاده از AI در بهینه سازی شبکه های توزیع انرژی و نگهداری پیش بینانه تجهیزات الکتریکی می تواند هزینه های عملیاتی را به میزان قابل توجهی کاهش دهد (Kumar et al., ۲۰۲۴).در مهندسی کامپیوتر، روش های مبتنی بر AI در مدیریت سیستم های تعبیه شده، امنیت سایبری، بهینه سازی شبکه ها و یادگیری ماشین برای طراحی سخت افزار کاربرد گسترده ای دارند. به عنوان مثال، تکنیک های یادگیری عمیق به بهبود بهینه سازی مصرف انرژی در سیستم های رایانش ابری و اینترنت اشیا کمک کرده اند (Peng et al., ۲۰۲۵).در مهندسی مکانیک، روش های AI در طراحی بهینه سازه ها، اتوماسیون صنعتی، رباتیک، بهینه سازی دینامیک سیالات محاسباتی (CFD) و پیش بینی استحکام مواد مورد استفاده قرار گرفته اند. تحقیقات اخیر نشان می دهند که ترکیب یادگیری ماشین با بهینه سازی الگوریتمی می تواند دقت مدل های پیش بینی کننده در تحلیل استحکام مصالح و طراحی سیستم های مکانیکی را به میزان قابل توجهی افزایش دهد (Vairagade et al., ۲۰۲۵).با وجود پیشرفت های قابل توجه، چالش هایی مانند تفسیرناپذیری مدل ها، نیاز به داده های بزرگ، هزینه های محاسباتی و ملاحظات اخلاقی همچنان از موانع اصلی در توسعه هوش مصنوعی برای بهینه سازی مهندسی هستند. آینده این حوزه به ادغام هوش مصنوعی با تکنولوژی هایی مانند رایانش کوانتومی، یادگیری فدرال و سیستم های خودمختار بستگی دارد که می توانند افق های جدیدی را در بهینه سازی مهندسی بگشایند (Jammal et al., ۲۰۲۵).

کلیدواژه ها:

هوش مصنوعی ، بهینه سازی ، یادگیری عمیق ، سیستم های قدرت ، امنیت سایبری ، طراحی مکانیکی ، رایانش کوانتومی ، شبکه های عصبی مصنوعی.