ترکیب الگوریتمیک، تکنیکی برای استفاده از الگوریتم‌ها برای ساخت موسیقی می‌باشد. الگوریتم‌ها (یا در پایین ترین سطح، مجموعه‌ای از قواعد رسمی) سده‌ها است که برای ساخت موسیقی استفاده شده اند؛
برای مثال روش‌هایی که برای طرح ریزی صدا در صنعت ترکیب الحان غربی استفاده می‌شود، می‌توانند به طرح‌ریزی الگوریتمی کاهش پیداکنند. این اصطلاح، برای استفاده از روش قراردادی و رسمی برای ساخت موسیقی بدون مداخله انسان با معرفی روال‌های تصادفی یا استفاده از رایانه‌ها رزرو شده‌است.
یک تمایز اساسی بین اهنگسازانی که از روش‌های مجهول(مثل روش تصادفی) برای ساخت موسیقی استفاده می‌کنند و آن‌هایی که از روال‌هایی که نتایج قطعی تولید می‌کنند استفاده می‌کنند، امکان دادن یک ورودی ثابت به الگوریتم است.
بسیاری از الگوریتم‌های که ارتباط موزیکال فوری و بی واسطه ندارند، توسط اهنگسازان به عنوان یک الهام خلاق برای موسیقی شان استفاده می‌شوند. الگوریتم‌های مانند برخال‌ها، L-systemها، مدل‌های آماری و داده‌های اختیاری(مانند اشکال آماری، مختصات جغرافیایی) به تفاسیر موسیقیایی مشروعیت می‌بخشند.
موفقیت یا شکست این روال‌ها به عنوان منابعی برای موسیقی خوب به طور گسترده‌ای وابسته به سیستم نگاشتی است که برای ترجمه اطلاعات غیر موزیکال به یک جریان داده موزیکال، توسط اهنگسازان مورد استفاده قرار می‌گیرد.
مدل‌های ترکیب الگوریتمیک
یک متد جامع برای طبقه بندی الگوریتم‌های ترکیب در گروه‌های مختلف وجود دارد. یک راه برای این انجام کار نگاه کردن به روش‌هایی است که یک الگوریتم در فرایند ترکیب شرکت می‌کند. نتایج این پردازش می‌تواند به دو مرحله تقسیم شود:
۱) موسیقی ساخته شده توسط کامپیوتر
۲) موسیقی ساخته شده با کمک رایانه.
وقتی که الگوریتم قادر است که در طول ایجاد فرایند قدرت انتخاب داشته باشد، موسیقی می‌تواند توسط رایانه ساخته شود. راه دیگر برای طبقه بندی الگوریتم‌های ترکیب، آزمودن نتایج فرایندهای ترکیب قطعات موسیقی است.
الگوریتم‌ها می‌توانند هم ۱)اطلاعات نت‌ها (نت موسیقی برگه‌ای) را برای سایر آلات موسیقی فراهم کنند وهم ۲) یک روش مستقل برای ترکیب صداها (اجرای آهنگ) فراهم اورند.
گرچه عمومی ترین روش برای طبقه بندی الگوریتم‌های موسیقی، طبقه بندی توسط ساختار الگوریتم‌ها و روش پردازش اطلاعات موزیکال است.
یکی از تقسیم بندی‌های مفصل شامل ۶ مدل نسبتا هم‌پوشانی شده‌است:
• مدل‌های ریاضی
• سامانه‌های مبتنی بر دانش
• گرامر
• روش‌های تکاملی
• سامانه‌های یادگیری
• سامانه‌های ترکیبی
مدل‌های ریاضی
مدل‌های ریاضی مبتنی بر معادلات ریاضی و پیشامدهای تصادفی هستند. متعارف ترین روش برای ساخت اهنگ‌ها از طریق ریاضی، فرایندهای تصادفی است. در مدل‌های تصادفی یک قطعه موسیقی به عنوان نتیجه متدهای غیرقطعی ترکیب می‌شود. فرایند ترکیب تا اندازه‌ای با استفاده از توزین احتمال رویدادهای تصادفی توسط اهنگساز، کنترل می‌شود.
مثال‌های برجسته‌ای از الگوریتم‌های تصادفی، زنجیر مارکوف وکاربردهای مختلف توزیع نرمال می‌باشند. الگوریتم‌های تصادفی اغلب باهمدیگر به همراه دیگر الگوریتم‌ها در فرایندهای تصمیم گیری استفاده می‌شوند.
موسیقی همچنین از طریق نمودهای طبیعت ساخته می‌شود. این مدل‌های بی نظم ترکیب‌های موسیقی را ازالهامات موزون وناموزون طبیعت می‌سازند. برای مثال از سال ۱۹۷۰ برخال‌ها به عنوان مدلی برای ترکیب‌های الگوریتمیک مورد مطالعه قرار گرفتند به عنوان مثالی برای ترکیب‌های قطعی از طریق مدل‌های ریاضی، دایرةالمعارف آن‌لاین توالی اعداد صحیح، یک انتخاب را برای اجرای یک توالی عددی به عنوان موسیقی فراهم می‌نماید.
(این دایرةالمعارف هر عددصحیح را بر روی یک کی برد موسیقی ۸۸ کلید با محاسبه پیمانه عددی۸۸ به یک نت موسیقی تبدیل می‌کند.)
سیستم‌های مبتنی بر دانش
یک راه برای ساخت ترکیب‌های موسیقی، مجزا کردن کد یک ژانر موزیکال و استفاده از این کد برای استفاده در یک ترکیب مشابه‌است. سیستم‌های مبتنی بردانش برپایه مجموعه‌ای ازآرگومان‌های ازپیش ساخته که می‌توانند برای ترکیب آثار هنری جدید با سبک و ژانر مشابه استفاده شوند، عمل می‌کنند.
معمولا این کار با استفاده از مجموعه‌ای از آزمایشات وقوانین که نیاز هست برای یک ترکیب موسیقی به وقوع بپیوندند، به انجام می‌رسد.
گرامر
موسیقی می‌تواند بعنوان یک زبان با گرامر مشخص آزموده شود. ترکیب‌های موسیقی با ساختن اولین گرامر موسیقی که برای ایجاد قطعات موسیقی قابل درک استفاده می‌شوند، ایجاد می‌شوند.
گرامر غالبا شامل قواعدی برای ترکیب‌های موسیقی سطح کلان می‌باشد؛ برای مثال هارمونی و ریتم نسبت به نت‌های منفرد، ترجیح داده می‌شوند.
متدهای تکاملی
متدهای تکاملی اهنگسازی بر پایه الگوریتم‌های ژنتیک هستند. ترکیب‌های موسیقی با استفاده از مفاهیم فرایند تکاملی ساخته می‌شوند. از طریق تغییرات وانتخاب‌های طبیعی راه حل‌های مختلفی درجهت ایجاد یک قطعه موسیقی مناسب استنتاج می‌شوند. واکنش‌های تکراری الگوریتم‌ها راه حل‌های بد را حذف می‌کند و راه حل‌های جدیدی را ایجاد می‌کنند.
نتایج پردازش‌ها توسط یک کارشناس(یک بخش حیاتی الگوریتم که کیفیت ترکیب‌های ایجادشده را کنترل می‌کند)نظارت می‌شوند.
سامانه‌های یادگیری
سامانه‌های یادگیری برنامه‌هایی هستند که هیچ نوع دانشی از ژانر موسیقی که با آن کار می‌کنند به آنها داده نشده‌است درعوض، آنها نت‌های آموزشی را ازنت‌های نمونه فراهم شده توسط کاربر یا برنامه نویس جمع آوری می‌کنند. سپس نت‌های داخل قطعات موسیقی، مشابه نت نمونه پردازش می‌شوند.
این متد ترکیب الگوریتمیک به شدت با مدل‌سازی الگوریتمی سبک‌ها، ابتکار ماشین و برخی از مطالعات مانند علوم آگاهی وشبکه‌های طبیعی مرتبط است.
سامانه‌های ترکیبی
برنامه‌های مبتنی بر یک مدل الگوریتمی منفرد به ندرت در ایجاد نتایج صحیح و راضی کننده به موفق می‌رسند. به همین دلیل الگوریتم‌هایی از انواع مختلف باهمدیگر استفاده می‌شوند تا توانایی‌ها را تلفیق کنند و نقطه ضعف‌ها را کاهش دهند.
ایجاد سیستم‌های ترکیبی برای ساخت موسیقی زمینه را برای ترکیب الگوریتمیک فراهم کرد وبسیاری از راهکارهای کاملا تازه و نو را برای ساختن اهنگ‌ها ایجاد می‌کند. تنها مشکل اصلی سیستم‌های ترکیبی، پیچیدگی درحال رشد آنها و احتیاج به منابعی برای ترکیب و تست این الگوریتم هاست.
کاربردها
تکنیک‌های الگوریتمیک در تعدادی از سیستم‌ها که برای اجرای مستقیم موسیقی درنظرگرفته شده‌اند، با استفاده از تکنیک‌های الگوریتمیک برای تولید ابتکاراتی با بی نهایت متغیر بر روی یک نت ازپیش تعیین شده به کارگرفته می‌شوند.
یک نمونه اولیه در سال ۱۹۸۲، بازی رایانه‌ای Ballblazer برای شرکت Lucasfilm Games بود. جایی که رایانه بر روی یک نت جاز که توسط متخصص موسیقی بازی‌ها، Peter Langston ساخته شده، تعبیه شده‌است. بعدها در آن شرکت که اخیرا به اسم LucasArts نام گذاری مجدد شده‌است، یک موتور الگوریتمیک برای بازی Dark Forces تولید شد.
سیستم‌های تولید موسیقی مشابه، توجهاتی را به آهنگسازان برجسته بوجود آورد. Brian Eno تعدادی آثار هنری را برای سیستم تولید موسیقی SSEYO's Koan پدید آورده که تغییرات محدودی برای صفحات وب و دستگاه‌های موبایل را به وجود آورد.
منبع : tebyan
برای مثال روش‌هایی که برای طرح ریزی صدا در صنعت ترکیب الحان غربی استفاده می‌شود، می‌توانند به طرح‌ریزی الگوریتمی کاهش پیداکنند. این اصطلاح، برای استفاده از روش قراردادی و رسمی برای ساخت موسیقی بدون مداخله انسان با معرفی روال‌های تصادفی یا استفاده از رایانه‌ها رزرو شده‌است.
یک تمایز اساسی بین اهنگسازانی که از روش‌های مجهول(مثل روش تصادفی) برای ساخت موسیقی استفاده می‌کنند و آن‌هایی که از روال‌هایی که نتایج قطعی تولید می‌کنند استفاده می‌کنند، امکان دادن یک ورودی ثابت به الگوریتم است.
بسیاری از الگوریتم‌های که ارتباط موزیکال فوری و بی واسطه ندارند، توسط اهنگسازان به عنوان یک الهام خلاق برای موسیقی شان استفاده می‌شوند. الگوریتم‌های مانند برخال‌ها، L-systemها، مدل‌های آماری و داده‌های اختیاری(مانند اشکال آماری، مختصات جغرافیایی) به تفاسیر موسیقیایی مشروعیت می‌بخشند.
موفقیت یا شکست این روال‌ها به عنوان منابعی برای موسیقی خوب به طور گسترده‌ای وابسته به سیستم نگاشتی است که برای ترجمه اطلاعات غیر موزیکال به یک جریان داده موزیکال، توسط اهنگسازان مورد استفاده قرار می‌گیرد.
مدل‌های ترکیب الگوریتمیک
یک متد جامع برای طبقه بندی الگوریتم‌های ترکیب در گروه‌های مختلف وجود دارد. یک راه برای این انجام کار نگاه کردن به روش‌هایی است که یک الگوریتم در فرایند ترکیب شرکت می‌کند. نتایج این پردازش می‌تواند به دو مرحله تقسیم شود:
۱) موسیقی ساخته شده توسط کامپیوتر
۲) موسیقی ساخته شده با کمک رایانه.
وقتی که الگوریتم قادر است که در طول ایجاد فرایند قدرت انتخاب داشته باشد، موسیقی می‌تواند توسط رایانه ساخته شود. راه دیگر برای طبقه بندی الگوریتم‌های ترکیب، آزمودن نتایج فرایندهای ترکیب قطعات موسیقی است.
الگوریتم‌ها می‌توانند هم ۱)اطلاعات نت‌ها (نت موسیقی برگه‌ای) را برای سایر آلات موسیقی فراهم کنند وهم ۲) یک روش مستقل برای ترکیب صداها (اجرای آهنگ) فراهم اورند.
گرچه عمومی ترین روش برای طبقه بندی الگوریتم‌های موسیقی، طبقه بندی توسط ساختار الگوریتم‌ها و روش پردازش اطلاعات موزیکال است.
یکی از تقسیم بندی‌های مفصل شامل ۶ مدل نسبتا هم‌پوشانی شده‌است:
• مدل‌های ریاضی
• سامانه‌های مبتنی بر دانش
• گرامر
• روش‌های تکاملی
• سامانه‌های یادگیری
• سامانه‌های ترکیبی
مدل‌های ریاضی
مدل‌های ریاضی مبتنی بر معادلات ریاضی و پیشامدهای تصادفی هستند. متعارف ترین روش برای ساخت اهنگ‌ها از طریق ریاضی، فرایندهای تصادفی است. در مدل‌های تصادفی یک قطعه موسیقی به عنوان نتیجه متدهای غیرقطعی ترکیب می‌شود. فرایند ترکیب تا اندازه‌ای با استفاده از توزین احتمال رویدادهای تصادفی توسط اهنگساز، کنترل می‌شود.
مثال‌های برجسته‌ای از الگوریتم‌های تصادفی، زنجیر مارکوف وکاربردهای مختلف توزیع نرمال می‌باشند. الگوریتم‌های تصادفی اغلب باهمدیگر به همراه دیگر الگوریتم‌ها در فرایندهای تصمیم گیری استفاده می‌شوند.
موسیقی همچنین از طریق نمودهای طبیعت ساخته می‌شود. این مدل‌های بی نظم ترکیب‌های موسیقی را ازالهامات موزون وناموزون طبیعت می‌سازند. برای مثال از سال ۱۹۷۰ برخال‌ها به عنوان مدلی برای ترکیب‌های الگوریتمیک مورد مطالعه قرار گرفتند به عنوان مثالی برای ترکیب‌های قطعی از طریق مدل‌های ریاضی، دایرةالمعارف آن‌لاین توالی اعداد صحیح، یک انتخاب را برای اجرای یک توالی عددی به عنوان موسیقی فراهم می‌نماید.
(این دایرةالمعارف هر عددصحیح را بر روی یک کی برد موسیقی ۸۸ کلید با محاسبه پیمانه عددی۸۸ به یک نت موسیقی تبدیل می‌کند.)
سیستم‌های مبتنی بر دانش
یک راه برای ساخت ترکیب‌های موسیقی، مجزا کردن کد یک ژانر موزیکال و استفاده از این کد برای استفاده در یک ترکیب مشابه‌است. سیستم‌های مبتنی بردانش برپایه مجموعه‌ای ازآرگومان‌های ازپیش ساخته که می‌توانند برای ترکیب آثار هنری جدید با سبک و ژانر مشابه استفاده شوند، عمل می‌کنند.
معمولا این کار با استفاده از مجموعه‌ای از آزمایشات وقوانین که نیاز هست برای یک ترکیب موسیقی به وقوع بپیوندند، به انجام می‌رسد.
گرامر
موسیقی می‌تواند بعنوان یک زبان با گرامر مشخص آزموده شود. ترکیب‌های موسیقی با ساختن اولین گرامر موسیقی که برای ایجاد قطعات موسیقی قابل درک استفاده می‌شوند، ایجاد می‌شوند.
گرامر غالبا شامل قواعدی برای ترکیب‌های موسیقی سطح کلان می‌باشد؛ برای مثال هارمونی و ریتم نسبت به نت‌های منفرد، ترجیح داده می‌شوند.
متدهای تکاملی
متدهای تکاملی اهنگسازی بر پایه الگوریتم‌های ژنتیک هستند. ترکیب‌های موسیقی با استفاده از مفاهیم فرایند تکاملی ساخته می‌شوند. از طریق تغییرات وانتخاب‌های طبیعی راه حل‌های مختلفی درجهت ایجاد یک قطعه موسیقی مناسب استنتاج می‌شوند. واکنش‌های تکراری الگوریتم‌ها راه حل‌های بد را حذف می‌کند و راه حل‌های جدیدی را ایجاد می‌کنند.
نتایج پردازش‌ها توسط یک کارشناس(یک بخش حیاتی الگوریتم که کیفیت ترکیب‌های ایجادشده را کنترل می‌کند)نظارت می‌شوند.
سامانه‌های یادگیری
سامانه‌های یادگیری برنامه‌هایی هستند که هیچ نوع دانشی از ژانر موسیقی که با آن کار می‌کنند به آنها داده نشده‌است درعوض، آنها نت‌های آموزشی را ازنت‌های نمونه فراهم شده توسط کاربر یا برنامه نویس جمع آوری می‌کنند. سپس نت‌های داخل قطعات موسیقی، مشابه نت نمونه پردازش می‌شوند.
این متد ترکیب الگوریتمیک به شدت با مدل‌سازی الگوریتمی سبک‌ها، ابتکار ماشین و برخی از مطالعات مانند علوم آگاهی وشبکه‌های طبیعی مرتبط است.
سامانه‌های ترکیبی
برنامه‌های مبتنی بر یک مدل الگوریتمی منفرد به ندرت در ایجاد نتایج صحیح و راضی کننده به موفق می‌رسند. به همین دلیل الگوریتم‌هایی از انواع مختلف باهمدیگر استفاده می‌شوند تا توانایی‌ها را تلفیق کنند و نقطه ضعف‌ها را کاهش دهند.
ایجاد سیستم‌های ترکیبی برای ساخت موسیقی زمینه را برای ترکیب الگوریتمیک فراهم کرد وبسیاری از راهکارهای کاملا تازه و نو را برای ساختن اهنگ‌ها ایجاد می‌کند. تنها مشکل اصلی سیستم‌های ترکیبی، پیچیدگی درحال رشد آنها و احتیاج به منابعی برای ترکیب و تست این الگوریتم هاست.
کاربردها
تکنیک‌های الگوریتمیک در تعدادی از سیستم‌ها که برای اجرای مستقیم موسیقی درنظرگرفته شده‌اند، با استفاده از تکنیک‌های الگوریتمیک برای تولید ابتکاراتی با بی نهایت متغیر بر روی یک نت ازپیش تعیین شده به کارگرفته می‌شوند.
یک نمونه اولیه در سال ۱۹۸۲، بازی رایانه‌ای Ballblazer برای شرکت Lucasfilm Games بود. جایی که رایانه بر روی یک نت جاز که توسط متخصص موسیقی بازی‌ها، Peter Langston ساخته شده، تعبیه شده‌است. بعدها در آن شرکت که اخیرا به اسم LucasArts نام گذاری مجدد شده‌است، یک موتور الگوریتمیک برای بازی Dark Forces تولید شد.
سیستم‌های تولید موسیقی مشابه، توجهاتی را به آهنگسازان برجسته بوجود آورد. Brian Eno تعدادی آثار هنری را برای سیستم تولید موسیقی SSEYO's Koan پدید آورده که تغییرات محدودی برای صفحات وب و دستگاه‌های موبایل را به وجود آورد.
منبع : tebyan