پاورپوینت بهینه سازی الگوریتمهای اجتماع مورچگان

اختصاصی از یاری فایل پاورپوینت بهینه سازی الگوریتمهای اجتماع مورچگان دانلود با لینک مستقیم و پر سرعت .

دسته بندی : پاورپوینت 

نوع فایل:  ppt _ pptx

( قابلیت ویرایش )

---

 قسمتی از محتوی متن پاورپوینت : 

تعداد اسلاید : 29 صفحه

بسم الله الرحمن الرحیم Ant colony optimization بهینه سازی الگوریتمهای اجتماع مورچگان مقدمه: یکی از مسائلی که به وسیله ی زیست شنا سان مورد مطالعه قرار گرفته است درک این موضوع است که چگونه موجودات تقریبا کور مانند مورچه ها کوتاه ترین مسیر را از لانه ی خود تا منبع غذا و بر عکس پیدا می کنند.آنها پی بردند که یک رسانه برای ابلاغ اطلاعات بین تک تک مورچه ها مورد استفاده قرار می گیرد و برای تصمیم گیری درمورد اینکه کدام مسیر را انتخاب کنند به کار می رود که آن رسانه بو(اثر) ماده ای به نام فرومون.  الگوریتمهای لانه ی مورچه از جمله روشهای مکاشفه ای هستند که برای حل مسایل بهینه سازی سخت پیشنهاد شده اند. این الگوریتم ها در آغاز از رفتارهای اجتماعی پشت سرهم قرار گرفتن و تعقیب کردن الهام گرفته شد، که در جامعه ی مورچگان مشاهده گردید.
یک اجتماع از عامل های ساده (مورچه ها) به طور غیر مستقیم از طریق تغییرات پویای (دینامیکی) محیط ارتباط برقرار می کنند (رد پاهایی از فرومون) و بنابراین بر اساس تجربه ی اجتماعی آنها، یک راه حل برای یک مسئله ارائه می دهند. در این مطالعه مدل کاوش مورچه ها Meta-Heurestic انتخاب شده است و درابتدا به مطالعه الگوریتمهای ساده سپس سیستم AS (ant system) و سیستمACS (ant colony system) و MMAS(max-min ant system) شرح داده می شود.
رفتار طبیعی مورچه: یک مورچه در حال حرکت مقداری فرومون دراندازه های گوناگون از خود بر روی زمین باقی می گذارد و بدین ترتیب مسیر را به وسیله ی بوی این ماده مشخص می سازد.
هنگامی که یک مورچه به طور تصادفی  و تنها حرکت میکند با روبه رو شدن با مسیری که توسط مورچه یا مورچه های قبلی انتخاب شده و دارای بوی فرومون است به احتمال زیاد آن را  انتخاب می کند و با فرومونی که خود بر جای می گذارد بوی آن را در مسیر مذکور تقویت می نماید. وقتی رفتار جمعی پدید میآید، گونه ای از رفتار خود تقویتی است، یعنی هرچه مورچه ها بو(اثر) ماده ی مذکور را دنبال کنند آن بو برای مورچه های پیرو آنها جذاب تر خواهد بود.
فرایند گفته شده به وسیله ی یک حلقه توصیف می شود، یعنی احتمال اینکه یک مورچه یک مسیر را انتخاب کند متناسب باتعداد مورچه هایی که قبلا آن مسیر را انتخاب کرده اند ،افزایش مییابد.
ایده این است که اگر در یک نقطه معین یک مورچه مجبور است از بین مسیرهای مختلف یکی را انتخاب کند، مسیرهایی را که توسط مورچه های قبلی بیش تر انتخاب شده اند، به عبارت دیگر سطح بوی آنها بالاتر است، با احتمال بیشتری انتخاب خواهد کرد.
به علاوه سطح فرمون بالاتر معادل مسیرهای کوتاهتر خواهد بود. الگوریتم های مورچه های مصنوعی به طور افزایشی با اضافه کردن به جا و مناسب مولفه های راه حل تعریف شده به راه حل جزئی مورد نظر، راه حلهایی را می سازند.
مسیرها و غذایابی در تصویر بالا مسیرهای متفاوت برای غذایابی دیده می شود.و تعداد مورچه ها و A و B مسیرهای در زمان t جستجو برای یافتن مسیر آغاز و در زمان t+1، مسیر پیدا شده و فرمول مورد استفاده : رابطه:1-1 cکمیتی غیر اکتشافی برای مقدار جذب فرمون است و تحت تاثیر فرمون ذخیره شده در فرآیند است.و باتعداد مورچه ها نسبت مستقیم دارد.در اثر تجربه مقدار برای a=2 و c=20 است.
اگر پس مسیر

  متن بالا فقط قسمتی از محتوی متن پاورپوینت میباشد،شما بعد از پرداخت آنلاین ، فایل را فورا دانلود نمایید 

---

  لطفا به نکات زیر در هنگام خرید دانلود پاورپوینت:  توجه فرمایید.

• در این مطلب، متن اسلاید های اولیه قرار داده شده است.
• به علت اینکه امکان درج تصاویر استفاده شده در پاورپوینت وجود ندارد،در صورتی که مایل به دریافت  تصاویری از ان قبل از خرید هستید، می توانید با پشتیبانی تماس حاصل فرمایید
• پس از پرداخت هزینه ،ارسال آنی پاورپوینت خرید شده ، به ادرس ایمیل شما و لینک دانلود فایل برای شما نمایش داده خواهد شد
• در صورت  مشاهده  بهم ریختگی احتمالی در متون بالا ،دلیل آن کپی کردن این مطالب از داخل اسلاید ها میباشد ودر فایل اصلی این پاورپوینت،به هیچ وجه بهم ریختگی وجود ندارد
• در صورتی که اسلاید ها داری جدول و یا عکس باشند در متون پاورپوینت قرار نخواهند گرفت.
  
• هدف فروشگاه کمک به سیستم آموزشی و رفاه دانشجویان و علم آموزان میهن عزیزمان میباشد. 
  

---

دانلود فایل  پرداخت آنلاین 

دانلود بهینه سازی الگوریتمهای اجتماع مورچگان

اختصاصی از یاری فایل دانلود بهینه سازی الگوریتمهای اجتماع مورچگان دانلود با لینک مستقیم و پر سرعت .

دسته بندی : پاورپوینت 

نوع فایل:  ppt _ pptx

( قابلیت ویرایش )

---

 قسمتی از اسلاید پاورپوینت : 

تعداد اسلاید : 29 صفحه

بسم الله الرحمن الرحیم Ant colony optimization بهینه سازی الگوریتمهای اجتماع مورچگان مقدمه: یکی از مسائلی که به وسیله ی زیست شنا سان مورد مطالعه قرار گرفته است درک این موضوع است که چگونه موجودات تقریبا کور مانند مورچه ها کوتاه ترین مسیر را از لانه ی خود تا منبع غذا و بر عکس پیدا می کنند.آنها پی بردند که یک رسانه برای ابلاغ اطلاعات بین تک تک مورچه ها مورد استفاده قرار می گیرد و برای تصمیم گیری درمورد اینکه کدام مسیر را انتخاب کنند به کار می رود که آن رسانه بو(اثر) ماده ای به نام فرومون.  الگوریتمهای لانه ی مورچه از جمله روشهای مکاشفه ای هستند که برای حل مسایل بهینه سازی سخت پیشنهاد شده اند. این الگوریتم ها در آغاز از رفتارهای اجتماعی پشت سرهم قرار گرفتن و تعقیب کردن الهام گرفته شد، که در جامعه ی مورچگان مشاهده گردید.
یک اجتماع از عامل های ساده (مورچه ها) به طور غیر مستقیم از طریق تغییرات پویای (دینامیکی) محیط ارتباط برقرار می کنند (رد پاهایی از فرومون) و بنابراین بر اساس تجربه ی اجتماعی آنها، یک راه حل برای یک مسئله ارائه می دهند. در این مطالعه مدل کاوش مورچه ها Meta-Heurestic انتخاب شده است و درابتدا به مطالعه الگوریتمهای ساده سپس سیستم AS (ant system) و سیستمACS (ant colony system) و MMAS(max-min ant system) شرح داده می شود.
رفتار طبیعی مورچه: یک مورچه در حال حرکت مقداری فرومون دراندازه های گوناگون از خود بر روی زمین باقی می گذارد و بدین ترتیب مسیر را به وسیله ی بوی این ماده مشخص می سازد.
هنگامی که یک مورچه به طور تصادفی  و تنها حرکت میکند با روبه رو شدن با مسیری که توسط مورچه یا مورچه های قبلی انتخاب شده و دارای بوی فرومون است به احتمال زیاد آن را  انتخاب می کند و با فرومونی که خود بر جای می گذارد بوی آن را در مسیر مذکور تقویت می نماید. وقتی رفتار جمعی پدید میآید، گونه ای از رفتار خود تقویتی است، یعنی هرچه مورچه ها بو(اثر) ماده ی مذکور را دنبال کنند آن بو برای مورچه های پیرو آنها جذاب تر خواهد بود.
فرایند گفته شده به وسیله ی یک حلقه توصیف می شود، یعنی احتمال اینکه یک مورچه یک مسیر را انتخاب کند متناسب باتعداد مورچه هایی که قبلا آن مسیر را انتخاب کرده اند ،افزایش مییابد.
ایده این است که اگر در یک نقطه معین یک مورچه مجبور است از بین مسیرهای مختلف یکی را انتخاب کند، مسیرهایی را که توسط مورچه های قبلی بیش تر انتخاب شده اند، به عبارت دیگر سطح بوی آنها بالاتر است، با احتمال بیشتری انتخاب خواهد کرد.
به علاوه سطح فرمون بالاتر معادل مسیرهای کوتاهتر خواهد بود. الگوریتم های مورچه های مصنوعی به طور افزایشی با اضافه کردن به جا و مناسب مولفه های راه حل تعریف شده به راه حل جزئی مورد نظر، راه حلهایی را می سازند.
مسیرها و غذایابی در تصویر بالا مسیرهای متفاوت برای غذایابی دیده می شود.و تعداد مورچه ها و A و B مسیرهای در زمان t جستجو برای یافتن مسیر آغاز و در زمان t+1، مسیر پیدا شده و فرمول مورد استفاده : رابطه:1-1 cکمیتی غیر اکتشافی برای مقدار جذب فرمون است و تحت تاثیر فرمون ذخیره شده در فرآیند است.و باتعداد مورچه ها نسبت مستقیم دارد.در اثر تجربه مقدار برای a=2 و c=20 است.
اگر پس مسیر

  متن بالا فقط قسمتی از محتوی متن پاورپوینت میباشد،شما بعد از پرداخت آنلاین ، فایل را فورا دانلود نمایید 

---

  لطفا به نکات زیر در هنگام خرید دانلود پاورپوینت:  توجه فرمایید.

• در این مطلب، متن اسلاید های اولیه قرار داده شده است.
• به علت اینکه امکان درج تصاویر استفاده شده در پاورپوینت وجود ندارد،در صورتی که مایل به دریافت  تصاویری از ان قبل از خرید هستید، می توانید با پشتیبانی تماس حاصل فرمایید
• پس از پرداخت هزینه ،ارسال آنی پاورپوینت خرید شده ، به ادرس ایمیل شما و لینک دانلود فایل برای شما نمایش داده خواهد شد
• در صورت  مشاهده  بهم ریختگی احتمالی در متون بالا ،دلیل آن کپی کردن این مطالب از داخل اسلاید ها میباشد ودر فایل اصلی این پاورپوینت،به هیچ وجه بهم ریختگی وجود ندارد
• در صورتی که اسلاید ها داری جدول و یا عکس باشند در متون پاورپوینت قرار نخواهند گرفت.
  
• هدف فروشگاه پاورپوینت کمک به سیستم آموزشی و رفاه دانشجویان و علم آموزان میهن عزیزمان میباشد. 
  

---

دانلود فایل  پرداخت آنلاین 

پاورپوینت بهینه سازی الگوریتمهای اجتماع مورچگان

اختصاصی از یاری فایل پاورپوینت بهینه سازی الگوریتمهای اجتماع مورچگان دانلود با لینک مستقیم و پر سرعت .

دسته بندی : پاورپوینت _ کتاب جزوه

نوع فایل:  ppt _ pptx

( قابلیت ویرایش )

---

 قسمتی از اسلاید متن پاورپوینت : 

تعداد اسلاید : 29 صفحه

بسم الله الرحمن الرحیم Ant colony optimization بهینه سازی الگوریتمهای اجتماع مورچگان مقدمه: یکی از مسائلی که به وسیله ی زیست شنا سان مورد مطالعه قرار گرفته است درک این موضوع است که چگونه موجودات تقریبا کور مانند مورچه ها کوتاه ترین مسیر را از لانه ی خود تا منبع غذا و بر عکس پیدا می کنند.آنها پی بردند که یک رسانه برای ابلاغ اطلاعات بین تک تک مورچه ها مورد استفاده قرار می گیرد و برای تصمیم گیری درمورد اینکه کدام مسیر را انتخاب کنند به کار می رود که آن رسانه بو(اثر) ماده ای به نام فرومون.  الگوریتمهای لانه ی مورچه از جمله روشهای مکاشفه ای هستند که برای حل مسایل بهینه سازی سخت پیشنهاد شده اند. این الگوریتم ها در آغاز از رفتارهای اجتماعی پشت سرهم قرار گرفتن و تعقیب کردن الهام گرفته شد، که در جامعه ی مورچگان مشاهده گردید.
یک اجتماع از عامل های ساده (مورچه ها) به طور غیر مستقیم از طریق تغییرات پویای (دینامیکی) محیط ارتباط برقرار می کنند (رد پاهایی از فرومون) و بنابراین بر اساس تجربه ی اجتماعی آنها، یک راه حل برای یک مسئله ارائه می دهند. در این مطالعه مدل کاوش مورچه ها Meta-Heurestic انتخاب شده است و درابتدا به مطالعه الگوریتمهای ساده سپس سیستم AS (ant system) و سیستمACS (ant colony system) و MMAS(max-min ant system) شرح داده می شود.
رفتار طبیعی مورچه: یک مورچه در حال حرکت مقداری فرومون دراندازه های گوناگون از خود بر روی زمین باقی می گذارد و بدین ترتیب مسیر را به وسیله ی بوی این ماده مشخص می سازد.
هنگامی که یک مورچه به طور تصادفی  و تنها حرکت میکند با روبه رو شدن با مسیری که توسط مورچه یا مورچه های قبلی انتخاب شده و دارای بوی فرومون است به احتمال زیاد آن را  انتخاب می کند و با فرومونی که خود بر جای می گذارد بوی آن را در مسیر مذکور تقویت می نماید. وقتی رفتار جمعی پدید میآید، گونه ای از رفتار خود تقویتی است، یعنی هرچه مورچه ها بو(اثر) ماده ی مذکور را دنبال کنند آن بو برای مورچه های پیرو آنها جذاب تر خواهد بود.
فرایند گفته شده به وسیله ی یک حلقه توصیف می شود، یعنی احتمال اینکه یک مورچه یک مسیر را انتخاب کند متناسب باتعداد مورچه هایی که قبلا آن مسیر را انتخاب کرده اند ،افزایش مییابد.
ایده این است که اگر در یک نقطه معین یک مورچه مجبور است از بین مسیرهای مختلف یکی را انتخاب کند، مسیرهایی را که توسط مورچه های قبلی بیش تر انتخاب شده اند، به عبارت دیگر سطح بوی آنها بالاتر است، با احتمال بیشتری انتخاب خواهد کرد.
به علاوه سطح فرمون بالاتر معادل مسیرهای کوتاهتر خواهد بود. الگوریتم های مورچه های مصنوعی به طور افزایشی با اضافه کردن به جا و مناسب مولفه های راه حل تعریف شده به راه حل جزئی مورد نظر، راه حلهایی را می سازند.
مسیرها و غذایابی در تصویر بالا مسیرهای متفاوت برای غذایابی دیده می شود.و تعداد مورچه ها و A و B مسیرهای در زمان t جستجو برای یافتن مسیر آغاز و در زمان t+1، مسیر پیدا شده و فرمول مورد استفاده : رابطه:1-1 cکمیتی غیر اکتشافی برای مقدار جذب فرمون است و تحت تاثیر فرمون ذخیره شده در فرآیند است.و باتعداد مورچه ها نسبت مستقیم دارد.در اثر تجربه مقدار برای a=2 و c=20 است.
اگر پس مسیر

  متن بالا فقط قسمتی از محتوی متن پاورپوینت میباشد،شما بعد از پرداخت آنلاین ، فایل را فورا دانلود نمایید 

---

  لطفا به نکات زیر در هنگام خرید دانلود پاورپوینت:  توجه فرمایید.

• در این مطلب، متن اسلاید های اولیه قرار داده شده است.
• به علت اینکه امکان درج تصاویر استفاده شده در پاورپوینت وجود ندارد،در صورتی که مایل به دریافت  تصاویری از ان قبل از خرید هستید، می توانید با پشتیبانی تماس حاصل فرمایید
• پس از پرداخت هزینه ،ارسال آنی پاورپوینت خرید شده ، به ادرس ایمیل شما و لینک دانلود فایل برای شما نمایش داده خواهد شد
• در صورت  مشاهده  بهم ریختگی احتمالی در متون بالا ،دلیل آن کپی کردن این مطالب از داخل اسلاید ها میباشد ودر فایل اصلی این پاورپوینت،به هیچ وجه بهم ریختگی وجود ندارد
• در صورتی که اسلاید ها داری جدول و یا عکس باشند در متون پاورپوینت قرار نخواهند گرفت.
  
• هدف فروشگاه ایران پاورپوینت کمک به سیستم آموزشی و رفاه دانشجویان و علم آموزان میهن عزیزمان میباشد. 
  

---

دانلود فایل  پرداخت آنلاین 

دانلود مقاله کامل درباره الگوریتمهای ژنتیک

اختصاصی از یاری فایل دانلود مقاله کامل درباره الگوریتمهای ژنتیک دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 30

مقدمه

الگوریتمهای ژنتیک قسمتی از محاسباتهایی هستند که رشد سریعی از تکامل هوش مصنوعی است. همانطور که می توانید حدس بزنید الهامی از تئوری تکاملی داروین می باشد به سادگی می توان گفت، مسائل توسط یک فرآیند تکاملی ناشی از بهترین(مناسبترین) راه حل(بازمانده) حل می شود. به عبارتی دیگر راه حل استنتاج می شود. تا به حال فرمهای مختلفی از رمز گذاری ها encoding و عملگرهای crossover وmutation را در حل مساله tsp به روش الگوریتم ژنتیک دیدیم. این حالتها می توانند با هم ترکیب شوند و منجر به رسیدن به راه حلهای متفاوتی برای tsp به روش الگوریتم ژنتیک شوند. ولی از آنجایی که متدهای crossover روی encoding های خاصی عمل می کند در نتیجه الگوریتمهای ژنتیک خیلی متفاوتی برای جستجو نداریم حال به بررسی الگوریتمهای ژنتیک مغز یعنی بدون استفاده ازheuristic information می پردازیم.

فرض کنید که pmx crossover را انتخاب کرده ایم و هیچ عملگری را برای mutation اتخاذ نکرده ایم. با این شرایط در 33 شهر به جوابی می رسیم که طول آن % 10 از جواب بهینه بیشتر است و برای 100 شهر این میزان به%210 می رسد. اگر در یک مساله که از 30 شهر تشکیل شده است اگر از pmx استفاده کنیم بهترین طول 498 و اگر از order crossover استفاده کنیم این میزان به 425 کاهش می یابد در حالی که cycle crossover نتیجه ای برابر 517 می دهد. از آنجایی که می دانیم در این مساله خاص(30 شهر) بهترین جواب طولی برابر 420 دارد به نظر می رسد که order crossover جوابی بهتر از بقیه می گیرد.

حال به بررسی matrix crossover می پردازیم. اگر از یک crossover دونقطه استفاده کنیم مشاهده می شود که برای 30 و 50 و75و100 و318 دورهایی با طول 420 و426و535و629و42154 را ارائه می کند. که همه این جوابها کمتر از % 2 بیشتر از جواب بهینه هستند.

پس احتمالاً استفاده از یالها بسیار امیدوارکننده تر از استفاده از راسها به عنوان متغیر است.

توجه کنید که به هر حال نمایش ماتریس فضای بیشتری را برای ذخیره کردن نسبت به نمایش به صورت عدد صحیح و crossover ساده می خواهدودر ضمن محاسبات crossover و mutation در ماتریس پیچیده تر و زمانبرتر است.

همچنین روش دیگری که تست شده این است که ما از(2-opt) برای mutation استفاده کنیم و از crossover استفاده نکنیم.

این روش نیز جواب خوبی ارائه می دهد ولی جواب قبلی بهتر از این روش است. در ضمن برای وقتی که n را زیاد فرض می کنیم این روش جوابی مناسب ارائه نمی دهد.

Heuristic algorithm وقتی که با (2-opt) mutation ترکیب می شود بهترین جواب را در مقایسه با متدهایی که تا به حال گفتیم بر می گرداندبه طوری که این جواب بسیار نزدیک به مقدار بهترین جواب است. البته این روش فضای زیادی را اشغال می کند و نیز وزن هر یال در جایی ذخیره شود.

در نتیجه می بینیم که الگوریتم ژنتیک وقتی که از نمایش ماتریس برای encoding و از matrix crossover یا Heuristic crossover استفاده می کند بهترین جواب را برمیگرداندو بهتر از روشهای دیگر کار می کنند.

در هر دو روش crossover بالا ازmutation (2-opt) کیفیت الگوریتم را افزایش می دهد.

Biological Background1-

تمام ارگانیسم های زنده از سلولها تشکیل شده اند. در هر سلول مجموعه ای از کروموزمها موجود می باشند و به عنوان مدلی برای تمام ارگانیسم به کار می روند.

اگر بخواهیم یک مساله را حل کنیم راه حل هایی هست که نسبت به دیگر راه حل ها بهترین می باشند. فضای تمام راه حل های ممکن (مجموعه راه حلها که راه حل مورد نظر«بهترین» در آن نیزState search مجموعه وجود دارد) فضای جستجو خوانده می شود. اغلب حالت جستجو نامیده می شود. هر نقطه در فضای جستجو یک راه حل ممکن را نشان می دهد. هر راه حل ممکن آن برای مسئله نشان داده می شود . fittness می تواند توسط ما به دنبال بهترین راه حل میان شماری از راه حلهای ممکن هستیم که توسط یک نقطه GA با در فضای جستجو علامتگذاری می شود. جستجو برای یک راه حل برابر می شود با جستجو برای مقادیر اکسترمم(مینیمم یا ماکزیمم) در فضای جستجو است.

Biological Background1-1

یک کروموزم از ژنها تشکیل شده است. هر ژن یک پروتئین خاص را رمزگذاری می کند. کروموزم رشته هایی ازDNA می باشند.

به طور اساسی می توان گفت که هر ژن یک ویژگی یا خصیصه را رمزگذاری می کند به عنوان مثال رنگ چشمان. مجموعه های ممکن رای یک خصیصه(فرضاَ آبی، قهوه ای)، Alleles نامیده می شود.

هر ژن پوزیشن مخصوص به خود را در کروموزم دارد که به این پوزیشن locus یا مکان نامیده می شود.

نامیده می شود. مجموعه (Genome)مجموعه کاملی از ماده ژنتیک(همه کروموزمها) ژنوم دارای توسعه دیرتر از Genotype نامیده می شود. Genotype بخصوصی از ژنها در ژنوم ارگانیسم می باشد، که می توان به مشخصه های فیزیکی و روانی phenotype مبنای تولد مانند رنگ چشم ، هوش و غیره اشاره نمود.

Reproduction-2-1

ابتدا اتفاق می افتد ژنهای والدین با هم در طی تولید مثل ترکیب می شوند تا یک کروموزم جدید کامل تولید کنند. این فرزند جدید خلق شده سپس می تواند تا اندازه کمی تغییر می کنند. DNA تحت موتاسیون قرار گیرد. موتاسیون به این معنی است که این تغییرات به طور اساسی ناشی از خطا در کپی ژنهای والدین می باشد. یا تناسب یک ارگانیسم توسط موفقیت ارگانیسم در زندگی اش(بقا) اندازه گیری Fittness می شود.

اغلب اوقات فضای جستجو به خوبی باید تعریف شده باشد ولی اغلب تعداد کمی از نقاط در فضای ، فرآیند پیدا کردن راه حل ها، نقاط GA جستجو را می توانیم شناسایی کنیم در فرآیند استفاده از دیگری(راه حل های ممکن ) را به عنوان درآمدی از تکامل تدریجی تولید می کند.

مشکل اینجاست که جستجو می تواند خیلی پیچیده باشد. ممکن است که ندانیم فرضاَ برای حل مسئله در کجا به دنبال راه حل بگردیم یا اینکه از کجا شروع کنیم. روشهای زیادی برای پیدا کردن یک راه حل مناسب در فضای جستجو وجود دارد. ولی این متدها لزوماَ بهترین راه حل را تولید نمی کنند.

و الگوریتم simulated annealing، tabu search ، hill climbingبعضی از این متدها ژنتیک است. راه حل هایی که از طریق این متدها پیدا می گردد، اغلب راه حل های خوبی به حساب می آیند، اغلب نمی توان ثابت کرد بهترین راه حل چیست.

مسائل NP یک مثال از کلاس مسائل که از طریق سنتی نمی توان حل کرد مسائل زیادی وجود دارد که ما می توانیم از الگوریتمهای سریع یا (چند جمله ای) استفاده کنیم. همچنین بعضی از مسائل وجود دارد که به شکل الگورتمیک نمی توان حل کرد .

مسائل خیلی مهم بسیاری وجود دارد که خیلی سخت است که یک راه حل را برای آنها پیدا کنیم ولی اگر آنها را داشته باشیم به آسانی می توانیم راه حل را با آنها چک کرد. این منتج به مسائل یا چند جمله ای غیر قطعی Non deterministic polynomid مخفف NP می شود. NPکامل می باشد و به این معنی است که این امکان وجود دارد که راه حل (توسط بعضی از الگوریتمهای غیر قطعی) حدس زد و سپس آن را با مساله چک کرد.

اگر یک ماشین را در نظر بگیریم می توانیم یک راه حل را در زمان معقول پیدا کنیم.

به سادگی می تواند محدود شود به مسائلی که جواب آنها می تواند بله یا خیر NP مطالعه مسائل باشد.

- NPبه دلیل اینکه مسائل با خروجی های پیچیده وجود دارد یک کلاس از مسائل به نامNP معرفی می شود این کلاس به محدودیت کلاس مسائل کامل نمی باشد. Hard prolems این است که یک الگوریتم ساده شاید در ابتدا مشاهده شود که بتوان NP یک خصیصه از مسائل برای پیدا کردن راه حل های مناسب می تواند استفاده شود. ولی این دیدگاه به طور کلی راه حل های ممکن بسیاری را تولید می کند فقط تلاش برای پیدا کردن راه حل های ممکن یک فرآیند می باشد. برای حتی مثالهای نسبتاَ بزرگتر این نوع از مسائل این دیدگاه O(2^n) بسیار کند با زمان کل قابل استفاده نیست.

وجود NP امروزه هیچ کس نمی داند آیا الگوریتم سریعتری برای تولید کردن جواب دقیق مسائل داردیا خیر.

که کشف چنین الگوریتمهایی به شکل یک وظیفه بزرگ برای محققان باقی مانده است (شاید شما). امروزه بسیاری از مردم فکر می کنند این نوع الگوریتم ها وجود ندارند و بنابراین آنها به دنبال یک روش متناوب می باشند یک مثال از روش متناوب الگوریتم ژنتیک می باشد.

Genetic Algorithm 1-3-

دانلود مقاله به بررسی ویژگی های الگوریتمهای کنترل همروندی توزیعی

اختصاصی از یاری فایل دانلود مقاله به بررسی ویژگی های الگوریتمهای کنترل همروندی توزیعی دانلود با لینک مستقیم و پر سرعت .

چکیده : در این گزارش ما به بررسی ویژگی های الگوریتمهای کنترل همروندی توزیعی که بر پایه مکانیزم قفل دو مرحله ای(2 Phase Locking)  ایجاد شده اند خواهیم پرداخت. محور اصلی این بررسی بر مبنای تجزیه مساله کنترل همروندی به دو حالت read-wirte و write-write می‌باشد. در این مقال، تعدادی از تکنیکهای همزمان سازی برای حل هر یک از قسمتهای مساله بیان شده و سپس این تکنیکها برای حل کلی مساله با یکدیگر ترکیب می‌شوند.

در این گزارش بر روی درستی و ساختار الگوریتمها متمرکز خواهیم شد. در این راستا برای ساختار پایگاه داده توزیعی یک سطحی از انتزاع را در نظر می‌گیریم تا مساله تا حد ممکن ساده سازی شود.

1. مقدمه : کنترل همروندی فرآیندی است که طی آن بین دسترسی های همزمان به یک پایگاه داده در یک سیستم مدیریت پایگاه داده چند کاربره هماهنگی بوجود می‌آید. کنترل همروندی به کاربران اجازه می‌دهد تا در یک حالت چند برنامگی با سیستم تعامل داشته باشند در حالیکه رفتار سیستم از دیدگاه کاربر به نحو خواهد بود که کاربر تصور می‌کند در یک محیط تک برنامه در حال فعالیت است. سخت ترین حالت در این سیستم مقابله با بروز آوری های آزار دهنده ای است که یک کاربر هنگام استخراج داده توسط کاربر دیگر انجام می‌دهد. به دو دلیل ذیل کنترل همروندی در پایگاه داده های توزیعی از اهمیت بالایی برخوردار است:
2. کاربراان ممکن است به داده هایی که در کامپیوترهای مختلف در سیستم قرار دارند دسترسی پیدا کنند.
3. یک مکانیزم کنترل همروندی در یک کامپیوتر از وضعیت دسترسی در سایر کامپیوترها اطلاعی ندارد.

مساله کنترل همروندی در چندین سال قبل کاملا مورد بررسی قرار گفته است و در خصوص پایگاه‌داده‌های متمرکز کاملا شناخته شده است. در خصوص این مسال در پایگاه داده توزیعی با توجه به اینکه مساله در حوزه مساله توزیعی قرار می‌گیرد بصورت مداوم راهکارهای بهبود مختلف عرضه می‌شود. یک تئوری ریاضی وسیع برای تحلیل این مساله ارائه شده و یک راهکار قفل دو مرحله ای به عنوان راه حل استاندارد در این خصوص ارائه شده است. بیش از 20 الگوریتم کنترل همروندی توزیعی ارائه شده است که بسیاری از آنها پیاده سازی شده و در حال استفاده می‌باشند.این الگوریتمها معمولا پیچیده هستند و اثبات درستی آنها بسیار سخت می‌باشد. یکی از دلایل اینکه این پیچیدگی وجود دارد این است که آنها در اصطلاحات مختلف بیان می‌شوند و بیان های مختلفی برای آنها وجود دارد. یکی از دلایل اینکه این پیچدگی وجود دارد این است که مساله از زیر قسمتهای مختلف تشکیل شده است و برای هر یک از این زیر قسمتها یک زیر الگوریتم...

شامل 37 صفحه فایل word

دانلود با لینک مستقیم

دانلود مقاله به بررسی ویژگی های الگوریتمهای کنترل همروندی توزیعی