مقاله درباره: 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

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 .

با ارزیابی تعداد زیادی از ساختارهای تست می توان وزنها را با بکار بردن یک تراشه واقعی تعیین کرد .

همچنین این مسئله می تواند حجم عمده ای از تغییرات قطعه را جبران سلزی کند ، زیرا داده متناسب شامل خطاهایی است که توسط این نقایص ایجاد شده اند .

پاورپوینت الگوریتم های جستجوی آگاهانه

لینک دانلود و خرید پایین توضیحات

دسته بندی : پاورپوینت

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

تعداد اسلاید : 21 اسلاید

 قسمتی از متن .ppt : 

1/19

Informed search algorithms

Chapter 4

Modified by Vali Derhami

2/19

Relaxed problemsمسائل تعدیل شده

A problem with fewer restrictions on the actions is called a relaxed problem

The cost of an optimal solution to a relaxed problem is an admissible heuristic for the original problem

If the rules of the 8-puzzle are relaxed so that a tile can move anywhere, then h1(n) gives the shortest solution

If the rules are relaxed so that a tile can move to any adjacent square, then h2(n) gives the shortest solution

ترکیب هیوریستیک ها: h(n)=max(h1(n), h2(n), .. hm(n))

اگر همه hiها قابل قبول باشند h(n) هم قابل قبول و اگر همه سازگار باشند h(n) هم سازگار خواهد بود

3/19

Local search algorithms

In many optimization problems, the path to the goal is irrelevant; the goal state itself is the solution, such as 8 queens problem

State space = set of "complete" configurations

Find configuration satisfying constraints, e.g., n-queens

In such cases, we can use local search algorithms

keep a single "current" state, try to improve it

4/19

Example: n-queens

Put n queens on an n × n board with no two queens on the same row, column, or diagonal

پاورپوینت الگوریتم کلونی مورچه

لینک دانلود و خرید پایین توضیحات

دسته بندی : پاورپوینت

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

تعداد اسلاید : 21 اسلاید

 قسمتی از متن .ppt : 

Powerpoint Templates

الگوریتم کلونی مورچه

تهیه کننده : ارشک یادگار

استاد راهنما : جناب آقای دکتر جلالی

دانشگاه آزاد اسلامی واحد قوچان

مقدمه

تا کنون روش های بهینه سازی مختلفی برای مسائل متنوع بهینه سازی بکار گرفته

شده اند.

Genetic Algorithm

Artificial neural networks

particle swarm optimization

simulated annealing

ant colony optimization

در این مقاله قصد داریم نکاتی را درباره ی الگورتم کلونی مورچگان بیان کنیم.

فهرست مطالب

1-رفتار طبیعی مورچه ها

2- فاکتورهای موجود در روش مورچه ها

3-مسئله TSP

4- الگوریتم ant system

5- مدلهای مختلف ant system

6- انواع الگوریتم های کلونی مورچه

7- کاربردها

8-منابع

تاریخچه ant colony optimization

Aco توسط فردی بنام Marco Dorigo در سال 1992 معرفی شده است که یک

تکنیک احتمالی برای مسائل محاسباتی (probabilistic) که در پیدا کردن

مسیرهای مناسب در درون یک گراف خلاصه میشوند، میباشد .

پاورپوینت الگوریتم های جستجوی آگاهانه

لینک دانلود و خرید پایین توضیحات

دسته بندی : پاورپوینت

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

تعداد اسلاید : 21 اسلاید

 قسمتی از متن .ppt : 

1/19

Informed search algorithms

Chapter 4

Modified by Vali Derhami

2/19

Relaxed problemsمسائل تعدیل شده

A problem with fewer restrictions on the actions is called a relaxed problem

The cost of an optimal solution to a relaxed problem is an admissible heuristic for the original problem

If the rules of the 8-puzzle are relaxed so that a tile can move anywhere, then h1(n) gives the shortest solution

If the rules are relaxed so that a tile can move to any adjacent square, then h2(n) gives the shortest solution

ترکیب هیوریستیک ها: h(n)=max(h1(n), h2(n), .. hm(n))

اگر همه hiها قابل قبول باشند h(n) هم قابل قبول و اگر همه سازگار باشند h(n) هم سازگار خواهد بود

3/19

Local search algorithms

In many optimization problems, the path to the goal is irrelevant; the goal state itself is the solution, such as 8 queens problem

State space = set of "complete" configurations

Find configuration satisfying constraints, e.g., n-queens

In such cases, we can use local search algorithms

keep a single "current" state, try to improve it

4/19

Example: n-queens

Put n queens on an n × n board with no two queens on the same row, column, or diagonal

پاورپوینت الگوریتم کلونی مورچه

لینک دانلود و خرید پایین توضیحات

دسته بندی : پاورپوینت

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

تعداد اسلاید : 21 اسلاید

 قسمتی از متن .ppt : 

Powerpoint Templates

الگوریتم کلونی مورچه

تهیه کننده : ارشک یادگار

استاد راهنما : جناب آقای دکتر جلالی

دانشگاه آزاد اسلامی واحد قوچان

مقدمه

تا کنون روش های بهینه سازی مختلفی برای مسائل متنوع بهینه سازی بکار گرفته

شده اند.

Genetic Algorithm

Artificial neural networks

particle swarm optimization

simulated annealing

ant colony optimization

در این مقاله قصد داریم نکاتی را درباره ی الگورتم کلونی مورچگان بیان کنیم.

فهرست مطالب

1-رفتار طبیعی مورچه ها

2- فاکتورهای موجود در روش مورچه ها

3-مسئله TSP

4- الگوریتم ant system

5- مدلهای مختلف ant system

6- انواع الگوریتم های کلونی مورچه

7- کاربردها

8-منابع

تاریخچه ant colony optimization

Aco توسط فردی بنام Marco Dorigo در سال 1992 معرفی شده است که یک

تکنیک احتمالی برای مسائل محاسباتی (probabilistic) که در پیدا کردن

مسیرهای مناسب در درون یک گراف خلاصه میشوند، میباشد .