پاورپوینت کامل الگوریتم ژنتیک

این پاورپوینت از ادغام چندین پاورپوینت معتبر تهیه شده است

تحقیق در مورد الگوریتم بهینه سازی Bayesian 76 ص (word)

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 76

الگوریتم بهینه سازی Bayesian

مراجع‌را می‌توان به عنوان یک ترازوی خوب برای مقایسه روشهای مختلف بکار برد. بعنوان مثال: مراجع استراتژی، انتخاب و جایگزینی را بکار گرفتند که با r BOA ها یکسانند. در‌بین الگوریتم‌های متنوع‌دانش سرپرستی برای انجام دادن مدلهای مخلوط، دسته بندی یک کاندیدای مناسب برحسب بازدهی محاسباتی دیده شده است.

بطور کلی EDAها یک تقریب تقسیمی را بکار می‌گیرند که تلاش می‌کند یک مجموعه از اطلاعات‌چند بعدی را به تعدادی‌زیر مجموعه دسته بندی کند. مثالهای محتمل شامل الگوریتم K- Means و الگوریتم رهبر تصادفی (RLA) است.

مکانیزم آنها در زیر به صورت مختصر شرح داده شده است:

الگوریتم K- means نمونه‌های داده را به K زیر مجموعه غیر تهی تقسیم می‌کند. مختصات میانگین حسابی گروههای رایج محاسبه می‌شود و هر نمونه به نزدیکترین تقسیم‌بندی اشاره می‌کند. پروسه ادامه می‌یابد تا زمانیکه گمارش دیگری اتفاق نیافتد. در RLA هر نمونه تصادفی انتخاب شده متعلق به نزدیکترین طبقه بندی که رهبر آن فاصله با نمونه‌اش زیر حد داده شده قرار دارد. نتیجه پس از فقط یکبار مرور کردن هر نمونه بدست می‌آید.

توجه کنید که الگوریتم RLA سریعتر از الگوریتم K- means است. (RLA) تا حدودی کمتر دقیق است. علاوه بر این تکرار که در مدلهای مختلف استفاده می‌شود (در مدل انتخاب) کمتر از مدلهای جاسازی است. بنابراین الگوریتم K- means و RLA (با حدی به میزان 0.3) به ترتیب کاندیداهای مناسبی برای مدل انتخاب و مدل جاسازی هستند. مدل جاسازی و مدل نمونه برداری با توجه به کارایی‌شان برای مسائل بزرگ تجزیه پذیر، براساس اصل حداکثر ترکیب زیر مسئله‌ها انجام داده می‌شوند.

نتایج کارایی r BOA

علاوه بر این توزیع احتمال نرمال به علت فواید ذاتی (خصوصیات تقریب نزدیک و تجزیه مناسب و آسان) آن به کار گرفته شده است. انتخاب کوتاه که نیمه بالای جامعه را انتخاب می‌کند و BIC با Eq، (5،6) که پارامتر تنظیم آن 0.5 است برای یادگیری یک مدل آماری استفاده نشده بودند. سیاست تجزیه بدترین نیمه جامعه را با نسل جدید تولید شده جایگزین می‌کند. (یعنی جایگزینی نخبه‌ها) چون هیچ اطلاعات قدیمی در ساختار مسئله وجود ندارد. ما 1- را برای تعداد والده‌های مجاز در نظر می‌گیریم، هیچ محدودیتی در مدل انتخاب وجود ندارد. هر آزمایش وقتی که بهینه پیدا شود یا تعداد نسلها به دویست برسد پایان داده می‌شود. همه نتایج بعد از 100 اجرا میانگین گرفته می‌شود.

شکل 5،7 میانگین تعداد محاسباتی را Rboa انجام می‌دهد تا بهینه RDP را با، نشان می‌دهد. همچنین این شکل نتیجه PSNR با را نشان می‌دهد.

.5.7 نتایج آزمایشگاهی و مذاکره

5. بهینه سازی الگوریتم Bayesian

اندازه مسئله n

(a) نتایج برای RDP با

اندازه مسئله n

(b) نتایج برای RNSP با

شکل .5.7 موضوع قابل تجزیه درباره کارایی r BOA

اندازه جمعیت تدارک دیده از روی مشاهده و تجربه معین در کنار روش دو بخشی بطوریکه بهینه برپا گردد.

نتایج مشاهده برای RDP و RNSP به ترتیب و با دقت و (جاسازی) تقریب زده شده است.

بدینسان r BOA می‌تواند مسئله قابل تجزیه (افزایشی) محدود سخت بوسیله پیچیدگی Sub- quadratic (به استثنای Near- quadratic) رفع کردن.

به عبارت دیگر رشد عدد تخمین با توجه به اندازه مسئله (یعنی مقیاس پذیری) به نظر می‌رسد که به Sub- quadratic باشد. جزئیات تحقیق در بخش 3، 7، 5 یافت می‌شود.

تحقیق در مورد الگوریتم 17 ص

لینک دانلود و خرید پایین توضیحات

دسته بندی : وورد

نوع فایل :  .doc ( قابل ویرایش و آماده پرینت )

تعداد صفحه : 19 صفحه

 قسمتی از متن .doc : 

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:

کاربراان ممکن است به داده هایی که در کامپیوترهای مختلف در سیستم قرار دارند دسترسی پیدا کنند.

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 ارائه می‌شود. بهترین راه برای فائق آمدن بر این پیچدگی این است که زیر مساله ها و الگوریتمهای ارائه شده برای هر یک را در ی.ک سطح از انتزاع نگاه داریم.

با بررسی الگوریتمهای مختلف می‌توان به این حقیقت رسید که این الگوریتمها همگی ترکیبی از زیر الگوریتمهای محدودی هستند. در حقیقت این زیر الگوریتمها نسخه‌های متفاوتی از دو تکنیک اصلی در کنترل همروندی توزیعی به نامهای قفل دو مرحله ای و ترتیب برچسب زمانی می‌باشند.

همانطور که گفته شد، هدف کنترل همروندی مقابله با تزاحمهایی است که در اثر استفاده چند کاربر از یک سری داده واحد برای کاربران بوجود می‌آید است. حال ما با ارائه دو مثال در خصوص این مسائل بحث خواهیم نمود. این دو مثال از محک معروف TPC_A مقتبس شده اند. در این مثالها، یک سیستم اطلاعات را از پایگاه داده ها استخراج کرده و محاسبات لازم را انجام داده و در نهایت اطلاعات را در پایگاه داده ذخیره می‌نماید.

حالت اول را می‌توان بروزآوری از دست رفته نامید. حالتی را تصور کنید که دو مشتری از دو سیستم مجزا بخواهند از یک حساب مالی برداشت نمایند. در این حالت فرض کنید در غیاب سیستم کنترل همروندی، هر دو با هم اقدام به خواندن اطلاعات و درج اطلاعات جدید در سیستم میکنند. در این حالت در غیاب سیستم کنترل همروندی تنها آخرین درج در سیستم ثبت می‌شود. این حالت در شکل 1 نشان داده شده‌ است.

شکل 1 نمایش حالت بروز آوری از دست رفته

حالت دوم حالتی است که در آن اطلاعات صحیح از پایگاه داده استخراج نمی‌شود. در این حالت فرض کنید دو مشتری بخواهند کارهای ذیل را انجام دهند.

مشتری 1: بخواهد یک چک 1 میلیونی را به حساب X واریز و از حساب Y برداشت نماید.

مشتری 2: بخواهد بیلان حساب مالی X و Y شامل کل موجودی را نمایش دهد.

در غیاب کنترل همروندی همانطور که در شکل 2 نشان داده شده‌است، تزاحم بین پروسس ها بوجود خواهد آمد. فرض کنید در زمانی که مشتری 1 اطلاعات را از حساب Y خوانده و اطلاعات حساب X را دریافت نموده و 1 میلیون از حساب Y برداشت نموده ولی هنوز

دانلود تحقیق در مورد پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 30

پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک

Johannes Schemmel1, Karlheinz Meier1, and Felix Sch¨urmann1

Universit¨at Heidelberg, Kirchho_ Institut f¨ur Physik, Schr¨oderstr. 90, 69120

Heidelberg, Germany,

[e-mail],

WWW home page: http://www.kip.uni-heidelberg.de/vision.html

خلاصه

مفید بودن شبکه عصبی آنالوگ مصنوعی بصورت خیلی نزدیکی با میزان قابلیت آموزش پذیری آن محدود می شود .

این مقاله یک معماری شبکه عصبی آنالوگ جدید را معرفی می کند که وزنهای بکار برده شده در آن توسط الگوریتم ژنتیک تعیین می شوند .

اولین پیاده سازی VLSI ارائه شده در این مقاله روی سیلیکونی با مساحت کمتر از 1mm که شامل 4046 سیناپس و 200 گیگا اتصال در ثانیه است اجرا شده است .

از آنجائیکه آموزش می تواند در سرعت کامل شبکه انجام شود بنابراین چندین صد حالت منفرد در هر ثانیه می تواند توسط الگوریتم ژنتیک تست شود .

این باعث می شود تا پیاده سازی مسائل بسیار پیچیده که نیاز به شبکه های چند لایه بزرگ دارند عملی بنظر برسد .

1- مقدمه

شبکه های عصبی مصنوعی به صورت عمومی بعنوان یک راه حل خوب برای مسائلی از قبیل تطبیق الگو مورد پذیرش قرار گرفته اند .

علیرغم مناسب بودن آنها برای پیاده سازی موازی ، از آنها در سطح وسیعی بعنوان شبیه سازهای عددی در سیستمهای معمولی استفاده می شود .

یک دلیل برای این مسئله مشکلات موجود در تعیین وزنها برای سیناپسها در یک شبکه بر پایه مدارات آنالوگ است .

موفقترین الگوریتم آموزش ، الگوریتم Back-Propagation است .

این الگوریتم بر پایه یک سیستم متقابل است که مقادیر صحیح را از خطای خروجی شبکه محاسبه می کند .

یک شرط لازم برای این الگوریتم دانستن مشتق اول تابع تبدیل نرون است .

در حالیکه اجرای این مسئله برای ساختارهای دیجیتال از قبیل میکروپروسسورهای معمولی و سخت افزارهای خاص آسان است ، در ساختار آنالوگ با مشکل روبرو می شویم .

دلیل این مشکل ، تغییرات قطعه و توابع تبدیل نرونها و در نتیجه تغییر مشتقات اول آنها از نرونی به نرون دیگر و از تراشه ای به تراشه دیگر است و چه چیزی می تواند بدتر از این باشد که آنها با دما نیز تغییر کنند .

ساختن مدارات آنالوگی که بتوانند همه این اثرات را جبران سازی کنند امکان پذیر است ولی این مدارات در مقایسه با مدارهایی که جبران سازی نشده اند دارای حجم بزرگتر و سرعت کمتر هستند .

برای کسب موفقیت تحت فشار رقابت شدید از سوی دنیای دیجیتال ، شبکه های عصبی آنالوگ نباید سعی کنند که مفاهیم دیجیتال را به دنیای آنالوگ انتقال دهند .

در عوض آنها باید تا حد امکان به فیزیک قطعات متکی باشند تا امکان استخراج یک موازی سازی گسترده در تکنولوژی VLSI مدرن بدست آید .

شبکه های عصبی برای چنین پیاده سازیهای آنالوگ بسیار مناسب هستند زیرا جبران سازی نوسانات غیر قابل اجتناب قطعه می تواند در وزنها لحاظ شود .

مسئله اصلی که هنوز باید حل شود آموزش است .

حجم بزرگی از مفاهیم شبکه عصبی آنالوگ که در این زمینه می توانند یافت شوند ، تکنولوژیهای گیت شناور را جهت ذخیره سازی وزنهای آنالوگ بکار می برند ، مثل EEPROM حافظه های Flash .

در نظر اول بنظر می رسد که این مسئله راه حل بهینه ای باشد .

آن فقط سطح کوچکی را مصرف می کند و بنابراین حجم سیناپس تا حد امکان فشرده می شود (کاهش تا حد فقط یک ترانزیستور) .

دقت آنالوگ می تواند بیشتر از 8 بیت باشد و زمان ذخیره سازی داده (با دقت 5 بیت) تا 10 سال افزایش می یابد .

اگر قطعه بطور متناوب مورد برنامه ریزی قرار گیرد ، یک عامل منفی وجود خواهد داشت و آن زمان برنامه ریزی و طول عمر محدود ساختار گیت شناور است .

بنابراین چنین قطعاتی احتیاج به وزنهایی دارند که از پیش تعیین شده باشند .

اما برای محاسبه وزنها یک دانش دقیق از تابع تبدیل شبکه ضروری است .

برای شکستن این چرخه پیچیده ، ذخیره سازی وزن باید زمان نوشتن کوتاهی داشته باشد .

این عامل باعث می شود که الگوریتم ژنتیک وارد محاسبات شود .

تحقیق در مورد الگوریتم بهینه سازی Bayesian 76 ص

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 76

الگوریتم بهینه سازی Bayesian

مراجع‌را می‌توان به عنوان یک ترازوی خوب برای مقایسه روشهای مختلف بکار برد. بعنوان مثال: مراجع استراتژی، انتخاب و جایگزینی را بکار گرفتند که با r BOA ها یکسانند. در‌بین الگوریتم‌های متنوع‌دانش سرپرستی برای انجام دادن مدلهای مخلوط، دسته بندی یک کاندیدای مناسب برحسب بازدهی محاسباتی دیده شده است.

بطور کلی EDAها یک تقریب تقسیمی را بکار می‌گیرند که تلاش می‌کند یک مجموعه از اطلاعات‌چند بعدی را به تعدادی‌زیر مجموعه دسته بندی کند. مثالهای محتمل شامل الگوریتم K- Means و الگوریتم رهبر تصادفی (RLA) است.

مکانیزم آنها در زیر به صورت مختصر شرح داده شده است:

الگوریتم K- means نمونه‌های داده را به K زیر مجموعه غیر تهی تقسیم می‌کند. مختصات میانگین حسابی گروههای رایج محاسبه می‌شود و هر نمونه به نزدیکترین تقسیم‌بندی اشاره می‌کند. پروسه ادامه می‌یابد تا زمانیکه گمارش دیگری اتفاق نیافتد. در RLA هر نمونه تصادفی انتخاب شده متعلق به نزدیکترین طبقه بندی که رهبر آن فاصله با نمونه‌اش زیر حد داده شده قرار دارد. نتیجه پس از فقط یکبار مرور کردن هر نمونه بدست می‌آید.

توجه کنید که الگوریتم RLA سریعتر از الگوریتم K- means است. (RLA) تا حدودی کمتر دقیق است. علاوه بر این تکرار که در مدلهای مختلف استفاده می‌شود (در مدل انتخاب) کمتر از مدلهای جاسازی است. بنابراین الگوریتم K- means و RLA (با حدی به میزان 0.3) به ترتیب کاندیداهای مناسبی برای مدل انتخاب و مدل جاسازی هستند. مدل جاسازی و مدل نمونه برداری با توجه به کارایی‌شان برای مسائل بزرگ تجزیه پذیر، براساس اصل حداکثر ترکیب زیر مسئله‌ها انجام داده می‌شوند.

نتایج کارایی r BOA

علاوه بر این توزیع احتمال نرمال به علت فواید ذاتی (خصوصیات تقریب نزدیک و تجزیه مناسب و آسان) آن به کار گرفته شده است. انتخاب کوتاه که نیمه بالای جامعه را انتخاب می‌کند و BIC با Eq، (5،6) که پارامتر تنظیم آن 0.5 است برای یادگیری یک مدل آماری استفاده نشده بودند. سیاست تجزیه بدترین نیمه جامعه را با نسل جدید تولید شده جایگزین می‌کند. (یعنی جایگزینی نخبه‌ها) چون هیچ اطلاعات قدیمی در ساختار مسئله وجود ندارد. ما 1- را برای تعداد والده‌های مجاز در نظر می‌گیریم، هیچ محدودیتی در مدل انتخاب وجود ندارد. هر آزمایش وقتی که بهینه پیدا شود یا تعداد نسلها به دویست برسد پایان داده می‌شود. همه نتایج بعد از 100 اجرا میانگین گرفته می‌شود.

شکل 5،7 میانگین تعداد محاسباتی را Rboa انجام می‌دهد تا بهینه RDP را با، نشان می‌دهد. همچنین این شکل نتیجه PSNR با را نشان می‌دهد.

.5.7 نتایج آزمایشگاهی و مذاکره

5. بهینه سازی الگوریتم Bayesian

اندازه مسئله n

(a) نتایج برای RDP با

اندازه مسئله n

(b) نتایج برای RNSP با

شکل .5.7 موضوع قابل تجزیه درباره کارایی r BOA

اندازه جمعیت تدارک دیده از روی مشاهده و تجربه معین در کنار روش دو بخشی بطوریکه بهینه برپا گردد.

نتایج مشاهده برای RDP و RNSP به ترتیب و با دقت و (جاسازی) تقریب زده شده است.

بدینسان r BOA می‌تواند مسئله قابل تجزیه (افزایشی) محدود سخت بوسیله پیچیدگی Sub- quadratic (به استثنای Near- quadratic) رفع کردن.

به عبارت دیگر رشد عدد تخمین با توجه به اندازه مسئله (یعنی مقیاس پذیری) به نظر می‌رسد که به Sub- quadratic باشد. جزئیات تحقیق در بخش 3، 7، 5 یافت می‌شود.