قراءة وصفية لنظرية المعرفة عند لايبنيز

إذا كان التفكير الفلسفي منذ القدم قد جعل المعرفة وما يضمن شروط صدقها وعدم كذبها جزءا أساسيا من اهتماماته، فإن تناول هذه الإشكالية ظل دوما مرتبطا بما يميز كل فلسفة، مثلما هو مرتبط من جهة أخرى باللحظة التاريخية وبهيمنة بعض القضايا النظرية خلال تلك الحقبة. وقد تطور تناول هذا الإشكالية، من كونه إشكالية مرتبطة بأرسطو وبلغته الفلسفية والمنطقية التي تقوم على الحدود والقضايا والمقولات، إلى إشكالية الفلسفة الحديثة التي تقوم على سؤال مصادر المعرفة: بين العقلي والحسي-التجريبي، وما يرتبط بذلك من قضايا مثل آليات اشتغال العقل ودور الحسي والعواطف الانفعالات في إنتاج المعرفة والعلم، فضلا عن منزلة الرياضيات ومناهجها في إقامة وتطور المعرفة العلمية والفلسفية بالإنسان والطبيعة. من هنا تأتي أهمية تناول هذا المقال لموقف ''لايبنيز'' (Gottfried Wilhelm Leibniz) من مصادر المعرفة، وذلك للكشف عن أساس نظرية المعرفة ومبادئها انطلاقا من مفهوم الجوهر والموناد وتكامل العلاقة بين الإيمان والعقل، القائم على أساس العناية الإلهية. وقد عمل ''لايبنيز'' على إبراز وجهة نظره من خلال الرد على الفلاسفة السابقين مما يجعله تمهيدا أساسيا لفهم أهمية تلك المواقف وجعل العودة إليها أمرا حاسما في فهم هذه الإشكالية

Function Optimization and Clustering Using Computational Intelligence Techniques

Function optimization (constrained and unconstrained) is a process of finding the optimal point for the given problem. As the research is being carried out and new problem areas are being investigated, global optimization problems are getting more and more complex. The research presented in this dissertation is about to build a new accelerated function optimization technique based on evolutionary algorithm (EA). EAs have low convergence rate due to their evolutionary nature. The acceleration of evolutionary algorithm in the function optimization is achieved by incorporating gene excitation. In General, the distribution of the initial population into the search space effects the evolutionary algorithm performance. Concept of opposition based populations is employed to distribute the chromosomes more effectively. Image Segmentation is a significant and successful way for many real world applications like segmenting lung from CT scanned images. Segmentation is the process of finding optimal segments within an image. The main objective of this thesis is to make a new entirely automatic system that segments the lungs from the CT scanned images. To achieve this objective, a completely automatic un-supervised scheme is developed to segment lungs. The methodology utilizes a fuzzy histogram based image filtering technique to remove the noise, which preserves the image details for low as well as highly corrupted images. Peaks and Valley are found in bimodal group of images using Genetic Algorithm (GA). GAs are used for function optimization process and hence determining the global optimal solutions. The optimal and dynamic grey level is find out by using GA. Finding optimal clustering within a dataset is an important data mining task. Clustering and segmentations are somewhat related optimization problems of finding optimal grouping in the provided set of points. Clustering of datasets has been achieved by using an entirely automatic un-supervised approach. The employed technique optimizes multi- objective as compared to optimize single objective for clustering. Relative cloning is performed to adopt the individuals according to their fitness, which improves the algorithm performance.