مسائل ارضاء محدوديت

1. مسائل ارضاء محدوديت تهيه کننده: عبدالرضا ميرزايي دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

2. سرفصل مطالب • مسائل ارضاء محدوديت • كاربرد جستجوهاي عمومي در حل CSP • جستجوي عقبگرد backtracking براي مسائل ارضاء محدوديت • جستجوي محلي براي مسائل ارضاء محدوديت دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

3. مسائل ارضاء محدوديت • مسأله جستجوي استاندارد – حالت يك “ جعبه سياه” است – هر ساختار داده اي كه از تابع حالات بعدي، تابع هيوريستيك و تست هدف پشتيباني كند. • :CSP – حالت توسط متغيرهايXi تعريف مي شود كه هر يك مقاديرشان را از يك دامنهDi انتخاب مي کنند. – تست هدف مجموعه اي از محدوديت ها مي باشد كه تركيبات مجاز مقادير براي زيرمجموعه اي از متغيرها را مشخص مي كند. • امكان استفاده از الگوريتم هاي همه منظوره كه نسبت به الگوريتم هاي استاندارد قدرت بيشتري دارند. دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

4. مثال: رنگ آميزي نقشه • متغيرها: WA, NT, Q, NSW, V, SA, T • دامنه ها: Di = {red,green,blue} • محدوديت ها: نواحي همسايه بايد رنگ متفاوتي داشته باشند مثلا WA ≠ NT, or (WA,NT) in {(red,green),(red,blue),(green,red), (green,blue), (blue,red),(blue,green)} دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

5. مثال: رنگ آميزي نقشه • راه حل ها انتساب هاي كامل و سازگار مي باشند. • مثال : WA = red, NT = green,Q = red,NSW = green,V = red,SA = blue,T = green دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

6. مزاياي بيان مسأله به صورت CSP • به دليل نمايش استاندارد حالت ها (مجموعه متغيرهايي با مقدارشان)، مي توان تابعSuccessorو آزمون هدف را به شكل كلي نوشت به طوريكه براي هرCSPقابل اعمال باشد. • مي توان هيوريستيك هاي كلي و كارايي ايجاد كرد كه نياز به تخصص اضافي در دامنه خاص مسأله نداشته باشند. دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

7. انواع مسائل CSP • متغيرهاي گسسته – دامنه هاي محدود: nمتغير، اندازه هر دامنه d: تعداد انتساب هاي كاملO(dn) مثال CSPهاي بولين، nوزير ، رنگ آميزي نقشه و ... – دامنه هاي نامحدود: اعداد صحيح، رشته ها و ... مثال: زمانبندي كارها- متغيرها، زمان شروع/پايان هر كار هستند. نياز به زبان محدوديت دارند. مثال: StartJob1 + 5 ≤ StartJob3 • متغيرهاي پيوسته – مثال: زمان هاي شروع و پايان مشاهدات تلسكوپ فضايي هابل – اگر محدوديت ها خطي: توسط برنامه ريزي خطي قابل حل در زمان چندجمله اي مي باشند. دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

8. انواع محدوديت ها • يكاني (unary) روي يك متغير تعريف مي شود، • مثال SA ≠ green • دوگاني (binary) محدوديت شامل يك زوج از متغيرها مي باشد، • مثال SA ≠ WA • محدوديت مرتبه بالاتر(Higher-order) شامل سه يا بيشتر متغير است، • مثال: محدوديت هاي موجود در ستون هاي مسائل رياضيات رمزي • در صورت متناهي بودن دامنه، مي تواند به تعدادي محدوديت دوديي كاهش يابد. دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

9. انواع محدوديت ها • محدوديت مطلق • محدوديت هايي که نبايد هيچ يک از آنها در راه حل نقض شود. • محدوديت ترجيحي (نرم):preference constraint • مثلا، استاد تمايل به تدريس در صبح دارد. • اغلب بوسيله در نظر گرفتن هزينه براي انتساب متغيرها دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

10. گراف محدوديت • CSPدوگاني (Binary CSP) • CSPکه داراي محدوديت هاي دودويي باشد • گراف محدوديت: - گره ها متغيرها را نشان مي دهند. - يالهاي گراف محدوديت ها ي بين متغيرها را نشان مي دهند. گراف محدوديت مثال رنگ آميزي نقشه دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

11. مثال: رياضيات رمزي • Variables: F T U W R O X1 X2 X3 • Domains: {0,1,2,3,4,5,6,7,8,9} • Constraints: Alldiff (F,T,U,W,R,O) • O + O = R + 10 ·X1 X1 + W + W = U + 10 · X2 X2 + T + T = O + 10 · X3 • X3 = F, T ≠ 0, F≠ 0 دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

12. مسائل ارضاء محدوديت در دنياي واقعي • مسائل انتسابي Assignment problems – مثلا، چه كسي چه كلاسي را درس مي دهد. • مسائل تعيين جدول زمانبندي Timetabling problems – مثلا، كدام كلاس، كجا وكي ارائه مي شود؟ • زمانبندي حمل و نقلTransportation scheduling • زمانبندي كارخانه Factory scheduling • توجه: بسياري از مسائل در دنياي واقعي شامل متغيرهايي با مقادير حقيقي مي باشند. دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

13. فرموله سازي جستجوي استاندارد(افزايشي) • حالات توسط مقاديري كه تا كنون انتساب يافته اند، تعريف مي شوند. • حالت اوليه: تمام متغيرها بدون مقدار، يعني انتساب تهي • عملگرها: انتساب مقدار به يك متغير بدون مقدار به طوري كه با انتساب فعلي تناقض ايجاد نكند • در صورت عدم وجود انتساب هاي مجاز شكست مي خورد. • تست هدف: انتساب فعلي كامل باشد. • هزينه مسير: هزينه يكسان براي تمام مراحل • محدوديت ها را مي توان به دو روش نمايش داد: • صريح: به عنوان مجموعه اي از مقادير مجاز • ضمني: بوسيله تابعي كه ارضاء محدوديت ها را بررسي مي كند. دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

14. فرموله سازي جستجوي استاندارد(افزايشي) • براي تمام cspها يکسان است. • هر پاسخ در عمق nو با nمتغير ظاهر مي شود. • در عمق lفاکتور انشعاب برابر است با (n - l)d • بنابراين تعداد برگهاي درخت جستجو برابر است با n! · dn (nd) * [(n-1)d] * [(n-2)d] * … d = n!dn مثلا در 8-وزير: 8!.88 اين موارد مي توانند با توجه به نكات زير بهبود يابند: • ترتيب انتساب مقادير به متغيرها اهميت ندارد، پس بسياري از مسيرها معادل يكديگر مي باشند. در 8-وزير اندازه فضاي حالت از 8!.88به کاهش 88مي يابد • انتساب هاي بعدي نمي توانند يك محدوديت نقض شده را تصحيح كنند. دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

15. جستجوي Backtracking • انتساب متغيرها جابه جايي پذير است مثلا [ WA = red then NT = green ] برابر است با [ NT = green then WA = red ] • در هر گره تنها بايد انتساب هاي يك متغير در نظر گرفته شود؛پس b=d و تعداد برگها برابر است با dn • جستجوي اول- عمق با انتساب هاي يك متغير جداگانه درCSPها backtrackingنام دارد. جستجوي ناآگاهانه استاندارد. • قرار دادن يك آزمون قبل از بسط گره ها كه بررسي مي كند آيا تاكنون محدوديتي نقض شده يا خير. اگر محدوديتي نقض شده باشد، ديگر اين گره بسط داده نمي شود و جستجو به عقب باز مي گردد. • مي تواند n-وزير را تا n حدود 25 حل کند دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

16. جستجوي Backtracking دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

17. مثالBacktracking دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

18. مثالBacktracking دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

19. مثالBacktracking دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

20. مثالBacktracking دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

21. بهبود كارآيي Backtracking • افزايش سرعت توسط روش هاي جستجوي همه منظوره: • در مرحله بعد بايد به كدام متغير مقدار داده شود؟ • مقادير آن بايد به چه ترتيبي امتحان شوند؟ • آيا مي توان شكست هاي حتمي را زودتر تشخيص داد؟ • فرض كنيد در عقبگرد در مسأله 8- وزير، 6 وزير اول به گونه اي قرار گرفته اند كه قرار دادن هشتمين وزير را غير ممكن مي سازند. عقب گرد تمام مكانهاي ممكن براي وزير هفتم را چك مي كند، اگرچه مسأله غير قابل حل مي باشد. • آيا مي توان از ساختار مسأله بهره گرفت؟ دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

22. مرتب سازي مقدار و متغير • متغير با بيشترين محدوديت : Most constrained variable – متغيري را انتخاب كن كه كمترين مقادير معتبر را دارد. • هيوريستيك كمترين مقادير باقيمانده (Minimum remaining value) • هيوريستيك اول شکست (Fail first) دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

23. محدودکننده ترين متغير • در حالت تساوي ميان متغيرهايي كه بيشترين محدوديت را دارند • محدودکننده ترين متغير Most constraining variable • هيوريستيك درجه • متغير با بيشترين محدوديت را روي مقادير باقيمانده انتخاب كن دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

24. مقدار با حداقل محدوديت • براي يك متغير، مقداري را كه كمترين محدوديت را ايجاد مي كند انتخاب كن. • مقداري كه كمترين مقادير را از متغيرهاي باقيمانده حذف مي كند • با تركيب اين هيوريستيك ها مسأله 1000 -وزير قابل حل مي شود. دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

25. وارسي رو به جلو Forward checking • ايده: – سابقه مقادير مجاز باقيمانده براي متغيرهاي بدون مقدار را نگهداري کن. – زماني كه يك متغير هيچ مقدار مجاز باقيمانده اي ندارد، به جستجو پايان بده. دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

26. وارسي رو به جلو Forward checking • ايده: – سابقه مقادير مجاز باقيمانده براي متغيرهاي بدون مقدار را نگهداري کن. – زماني كه يك متغير هيچ مقدار مجاز باقيمانده اي ندارد، به جستجو پايان بده. دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

27. وارسي رو به جلو Forward checking • ايده: – سابقه مقادير مجاز باقيمانده براي متغيرهاي بدون مقدار را نگهداري کن. – زماني كه يك متغير هيچ مقدار مجاز باقيمانده اي ندارد، به جستجو پايان بده. دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

28. وارسي رو به جلو Forward checking • ايده: – سابقه مقادير مجاز باقيمانده براي متغيرهاي بدون مقدار را نگهداري کن. – زماني كه يك متغير هيچ مقدار مجاز باقيمانده اي ندارد، به جستجو پايان بده. دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

29. انتشار محدوديت Constraint propagation • وارسي رو به جلو محدوديت ها را از متغيرهاي انتساب يافته به متغير هاي انتساب نيافته منتشر مي كند، اما تمام شكست ها را نمي تواند در زود ترين زمان ممكن تشخيص دهد. • NTو SAهر دو نمي توانند آبي باشند! • انتشار محدوديت به طور مكرر بر محدوديت ها به طور محلي تأكيد دارد. دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

30. سازگاري كمان Arc consistency • ساده ترين شكل انتشار، هر كمان را سازگار مي كند. • X Yسازگار است اگر و فقط اگر بازاء هر مقدار xتعدادي مقدار مجاز y وجود داشته باشد. دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

31. سازگاري كمان Arc consistency • ساده ترين شكل انتشار، هر كمان را سازگار مي كند. • X Yسازگار است اگر و فقط اگر بازاء هر مقدار xتعدادي مقدار مجاز y وجود داشته باشد. دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

32. سازگاري كمان Arc consistency • ساده ترين شكل انتشار، هر كمان را سازگار مي كند. • X Yسازگار است اگر و فقط اگر بازاء هر مقدار xتعدادي مقدار مجاز y وجود داشته باشد. • اگرX مقداري را از دست بدهد، همسايه هاي Xنياز به بررسي مجدد دارند. دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

33. سازگاري كمان Arc consistency • ساده ترين شكل انتشار، هر كمان را سازگار مي كند. • X Yسازگار است اگر و فقط اگر بازاء هر مقدار xتعدادي مقدار مجاز y وجود داشته باشد. • اگرX مقداري را از دست بدهد، همسايه هاي Xنياز به بررسي مجدد دارند. • سازگاري كمان شكست ها را زودتر از forward checkingتشخيص مي دهد و مي تواند به عنوان پيش پردازش و يا بعد از هر انتساب اجرا شود. دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

34. الگوريتم Arc consistency AC-3 • پيچيدگي زماني O(n2d3) دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

35. سازگاري مرتبة k ام AC3 قادر به تشخيص ناسازگاري روبرو نيست اَشكال قويتري از انتشار محدوديت • سازگاري مرتبة kام • يک CSPداراي سازگاري مرتبة kاست اگر براي هر مجموعة k-1عضوي از متغيرها و براي هر انتساب سازگار به آنها، هميشه يك مقدار سازگار يافت شود كه بتوان به هر متغيرkام انتساب داد. ناسازگار دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

36. سازگاري مرتبة k ام • سازگاري مرتبة 1 يا سازگاري گره به معناي آن است كه هر متغير با خودش سازگار مي باشد. • سازگاري مرتبة 2 مشابه سازگاري كمان است. • سازگاري مرتبة 3 به معناي آن است كه هر زوج متغير مجاور، قابل گسترش به سه متغير مجاور باشند؛ كه به سازگاري مسير معروف است. دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

37. سازگاري قوي مرتبة k ام • يك گراف، داراي سازگاري شديد مرتبة kمي باشد، در صورتي كه داراي سازگاري مرتبة سازگاري k-1، مرتبةk-2، تا سازگار مرتبة 1 نيز باشد. • يک CSPبا nگره داريم كه داراي سازگاري قوي مرتبة nاست • در ابتدا، يك مقدار سازگار را براي x1انتخاب مي کنيم. از آنجا كه گراف داراي سازگاري مرتبة 2 مي باشد، مطمئن هستيم كه مي توان مقداري سازگار يافت كه بتوان به x2 اختصاص داد و به ترتيب، مي توان مقاديري سازگار براي بقيه متغيرها يافت • مي توان اين مسأله را بدون انجام عقب گرد، حل كرد. • راه حل مسأله حداكثر با مرتبة زماني O(nd) پيدا مي شود. دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

38. برخورد با محدوديتهاي ويژه • مثال محدوديت Alldiff • تمامي متغيرها بايد داراي مقادير متفاوتي باشند. • يك شكل ساده از ايجاد ناسازگاري براي اين محدوديت بدين صورت است: اگر mمتغير شامل اين محدوديت باشند ولي تنها nمقدار مجموع براي انتساب موجود باشد(n<m)، ديگر اين محدوديت نمي تواند برآورده شود. دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

39. برخورد با محدوديتهاي ويژه • مثال محدوديت Alldiff • راه حل مسئله: • در ابتدا تمام متغيرهايي كه داراي دامنة واحد مي باشند را حذف و مقدار مربوط به دامنة آنها را نيز از دامنة ساير متغيرها حذف مي كنيم. • اين كار را براي تمام متغيرهاي تك مقداره تكرار مي نماييم. • اگر در پايان دامنة يك متغير تهي شود يا تعداد متغير بيشتري از تعداد مقادير دامنه، باقي مانده باشد، ناسازگاري در مسأله تشخيص داده خواهد شد. دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

40. برخورد با محدوديتهاي ويژه • مثال محدوديت منبع (محدوديت بيشينه) • در نظر بگيريد PA1,…,PA4به تعداد افرادي اشاره مي كند كه براي انجام چهار كار متفاوت در نظر گرفته شده اند. • محدوديتي كه براساس آن، تعداد افراد در مجموع نبايد از 10 نفر تجاوز نمايد به صورت atmost (10,PA1,PA2,PA3,PA4)نمايش داده مي شود. دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

41. برخورد با محدوديتهاي ويژه • مثال محدوديت منبع (محدوديت بيشينه) • مي توان با بررسي مجموع حداقل مقادير دامنه هاي فعلي، ناسازگاري را تشخيص داد. • مثلاً اگر هر متغير داراي دامنة { 3،4،5،6 } باشد، محدوديت بيشينه، تأمين نمي شود. • مي توان براي اعمال سازگاري، مقدار بيشينه در هر دامنه را، به شرطي كه با مقدار كمينه در دامنه هاي ديگر ناسازگار باشد، حذف نمود. • اگر هر متغيري در مثال فوق، داراي دامنة { 2،3،4،5،6 } باشد، مي توان به منظور رسيدن به سازگاري، مقادير 5 و 6 را از دامنة متغيرها حذف نمود. دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

42. عقبگرد هوشمندانه: نگاه رو به عقب • در الگوريتم BACKTRACKING-SEARCH هنگامي كه يكي ازشاخه ها با شكست در جستجو مواجه مي شود، الگوريتم به متغير قبلي باز مي گردد و مقداري جديد براي آن در نظر مي گيرد. • يك روش پس گرد هوشمندانه تر آن است كه تمام مسير را تا رسيدن به مجموعه اي از متغيرها كه باعث شكست شده اند(مجموعة تناقض)، به عقب باز گرديم. • مجموعة تناقض براي متغير x عبارت است از مجموعه اي از متغيرهايي كه قبلاً مقداردهي شده اند و به واسطة يك محدوديت با x در ارتباطند. • اين روش (روش پرش رو به عقب)، مسير پيموده شده را تا رسيدن به آخرين متغيري كه در مجموعة تناقض مقداردهي شده است، به عقب مي پيمايد. دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

43. عقبگرد هوشمندانه: نگاه رو به عقب • هيچ مقداري براي SAموجود نيست • تغيير رنگ Tکمکي بهSAنمي کند • مجموعه تناقض SAبرابر است با {Q, NSW, V} • الگوريتم دنبال مقدار جديدي براي V خواهد گشت دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

44. عقبگرد هوشمندانه: نگاه رو به عقب • پرش رو به عقب هنگامي رخ مي دهد كه هر مقدار متعلق به دامنه با انتساب انجام شده داراي تناقض باشد. • وارسي روبه جلو اين حالت را تشخيص مي دهد و از رسيدن به آن جلوگيري مي كند. • هر شاخه اي كه به وسيلة پرش رو به عقب هرس مي شود، مي تواند به وسيلة انجام وارسي رو به جلو نيز هرس شود. • پرش رو به عقب ساده، در جستجوهايي كه از روشهاي قويتر بررسي سازگاري نظير MACاستفاده مي كنند زائد است. دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

45. پس گرد هوشمندانه: نگاه رو به عقب • الگوريتم پرش رو به عقب هم جهت با تناقض: conflict directed backjumping • روش محاسبة مجموعه هاي تناقض: شكست نهايي در يك مسير از الگوريتم جستجو هنگامي رخ مي دهد كه دامنة يك متغير، تهي تشخيص داده شود. آن متغير داراي يك مجموعة تناقض استاندارد مي باشد. • در نظر بگيريد كه Xjمتغير فعلي و conf(Xj)مجموعة تناقض آن باشد. • اگر تمام مقادير ممكن براي Xj با با شكست مواجه شوند، الگوريتم به Xiبرخواهد گشت كه آخرين متغير مقدار داده شده و متعلق به مجموعة تناقض Xj مي باشد و انتساب زير را انجام مي دهيم: conf (Xi) ← conf (Xi) ∪ conf (Xj)- {Xi} دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

46. عقبگرد هوشمندانه: نگاه رو به عقب • انتساب جزئي روبرو ناسازگار است. • فرض در مرحله بعد T=red مقداردهي شود و سپس متغيرهاي NT، Q، Vو SAمقدار دهي شوند. • انتساب همزمان به 4 متغير جديد منجر به شکست • الگوريتم پرش رو به عقب هم جهت با تناقض پس از رسيدن به شکست به NSWبر مي گردد دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

47. جستجوي محلي براي CSP • Saو تپه نوردي با حالات كامل كار مي كنند • حالت اوليه، يك مقدار را به هر يك از متغيرها اختصاص مي دهد. • تابع پسين معمولاً هر بار مقدار يكي از متغيرها را تغيير مي دهد. • انتخاب متغير: • به صورت تصادفي يك متغير درگير را انتخاب كن • هيوريستيک : min-conflicts • مقداري را انتخاب كن كه كمترين تعداد محدوديت ها را نقض مي كند، • يعني، تپه نوردي با هيوريستيك ” تعداد كل محدوديت هاي نقض شده“ دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

48. الگوريتم Min-Conflicts دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

49. جستجوي محلي براي CSP • مثال: در مساله 8 وزير: • حالت اوليه قرار دادن 8 وزير در 8 ستون جدول به صورت تصادفي • تابع پسين يكي از وزيرها را انتخاب مي نمايد و موقعيتش را در ستون مربوطه تغيير مي دهد. • امكان ديگر آن است كه با هر هشت وزير شروع نماييم و با جايگشت رديفها، هر يك را در يك ستون قرار دهيم و پسين آنها با عوض كردن موقعيت دو وزير با هم ايجاد شود. دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر

50. مثال : 8 -وزير • راه حل دو مرحله اي براي مسألة 8 وزير با استفاده از الگوريتم Min-Conflicts • اين روش حتي با در نظر گرفتن تعداد يك ميليون وزير، مسأله را به طور متوسط در 50 مرحله حل مي كند (پس از جايگذاري اوليه مهره ها). • از آنجا كه در مساله n وزير، حالتهاي هدف به طور متراكم در فضاي حالت توزيع شده اند، روش جستجوي محلي درمورد آن بسيار مفيد واقع مي شود. دانشگاه صنعتي اصفهان دانشکده برق و کامپيوتر