🔍 متن قسمت دوم فیلم(این متن توسط هوش مصنوعی ترجمه شده است) من استاد دانشکده علوم کامپیوتر و مهندسی…
انتشار: 2026/07/25 15:44 UTC
🔍 متن قسمت دوم فیلم(این متن توسط هوش مصنوعی ترجمه شده است) من استاد دانشکده علوم کامپیوتر و مهندسی «پل جی آلن» در دانشگاه واشینگتن در سیاتل هستم. من در خانوادهای گرم و مهربان در مرکز ایران، در شهر تاریخی اصفهان متولد شدم. خانواده من، به لطف سرسختی مادرم، تمرکز علمی داشتند؛ به یاد دارم او عادت داشت تلویزیون ما را پنهان کند. یکی از نقاط تعیینکننده در مسیر من برای تبدیل شدن به یک ریاضیدان و دانشمند علوم کامپیوتر، زمانی بود که برادرم، شهاب، این کتاب را به من داد: «چگونه بدون. شمردن، بشماریم». در ابتدا، من روی مسئله TSP یا همان «مسئله فروشنده دورهگرد» کار کردم. فرض کنید به کلاس تنیس رفتهاید و در پایان کلاس، مربی از شما میخواهد تمام ۱۰۰ توپ موجود در زمین را جمع کنید. شما میخواهید بدانید سریعترین راه برای جمع کردن تمام این توپها، قرار دادن آنها در سبد و به خانه رفتن چیست. این دقیقاً همان مسئله TSP است. هیچ کامپیوتر و هیچ انسانی قادر نیست که بتواند راه حل بهینه را در زمان معقول پیدا کند. از آنجایی که در الگوریتمهای تقریبی نمیتوان راه حل بهینه را پیدا کرد، ما الگوریتمی طراحی میکنیم که (طبق اثباتهای ریاضی) راه حلی را پیدا کند که تنها مثلاً ۵۰ درصد بدتر از راه حل بهینه باشد. من فقط درخت را نمیبینم؛ بلکه سعی میکنم آن را بدون برگ یا میوه، و فقط با ساقه و شاخهها تصور کنم. از نظر ریاضی، یک «درخت پوشا» (Spanning Tree) با حداقل مجموعهای از میلهها تعریف میشود که برای وصل کردن ساقه به تمام برگها نیاز دارید. سوال این است که کدام را باید انتخاب کرد؟ مشخص شد که استفاده از درختهای تصادفی (قرار دادن میلهها به صورت تصادفی) بسیار بهتر از انجام آن به روشی ثابت و مشخص است. الگوریتم کلاسیک برای TSP با انتخاب یک درخت پوشای مینیمم برای متصل کردن تمام شهرها شروع میشود و سپس تعدادی بزرگراه به آن اضافه میکند تا یک «تور» یا مسیر بسته ایجاد شود. ایده اصلی ما این است که به جای آن، یک درخت پوشای تصادفی انتخاب کنیم تا از هرگونه ساختار خاصی که دشمن (یا شرایط سخت) ایجاد کرده است، جلوگیری کنیم. دستاورد اصلی کار ما نه تنها بهبود اندک در تقریب است، بلکه این است که آن عدد ۵۰ درصد، مرزِ کاری که میتوان با کامپیوترها به صورت کارآمد انجام داد، نیست. شما باید بتوانید بسیار بهتر عمل کنید. و اکنون بسیاری از پژوهشگران در حال تلاش هستند تا از ایدههای ما برای طراحی تقریبهای بسیار بهتر برای TSP استفاده کنند. درباره پیچیدگی کار، مثل پیچگوشتیای فکر کنید که هیچکس قبلاً ندیده است و همه سعی دارند این پیچ را بچرخانند. کار من این است که پیچگوشتی مناسبی برای چرخاندن آن پیدا کنم؛ در حالی که تنها اطلاعاتی که ممکن است داشته باشم، نگاه کردن از فاصله بسیار دور است. بیشتر تحقیقات من در تلاش برای یافتن همان پیچگوشتی مناسب است و امیدوارم پس از انجام آن، بتوانید پیچ را بچرخانید و آن مسئله باز (حل نشده) را حل کنید.⚊⚊⚊⚊⚊⚊⚊⚊⚊⚊⚊⚊شاد و رو به رشد باشین 😃🖊📚👩🏫🧑🏫👩💻🧑💻🎓دختران ریاضی شریف@sharifmathgirls

