فایل هلپ

مرجع دانلود فایل ,تحقیق , پروژه , پایان نامه , فایل فلش گوشی

فایل هلپ

مرجع دانلود فایل ,تحقیق , پروژه , پایان نامه , فایل فلش گوشی

نرم افزار Fault Tolerance با استفاده از Simulated Annealing 15 ص

اختصاصی از فایل هلپ نرم افزار Fault Tolerance با استفاده از Simulated Annealing 15 ص دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 15

 

به نام خدا

نرم افزار Fault Tolerance با استفاده از Simulated Annealing

چکیده :

در این مقاله سعی می کنیم بهترین مینیمم را برای تابع زیر بدست بیاوریم :

 

برای این منظور از روش simulated Annealing (SA) استفاده می کنیم .

SA یکی از روشهای بهینه سازی حل مسئله است که در واقع الهام گرفته شده از فرایند ذوب و دوباره سرد کردن مواد می باشد و به همین دلیل به شبیه سازی حرارتی شهرت یافته است .

پس از حل مسئله با روش SA سعی می کنیم آنرا در یک نرم افزار تحمل خطا به کار ببریم برای داشتن یک نرم افزار تحمل خطا تکنیکهای مختلفی وجود دارد که ما در این مقاله با استفاده از تکنیک های انزرنگی و تنوع طراحی از روش Acceptance Voting (AV) بهره برده ایم .

مقدمه :

Fault: باعث errorدر سیستم می شود که به آنbug هم گفته می شود .

Error : حالتی از سیستم است که منتج به خرابی می شود .

Failure : حالتی است که سیستم از سرویس مورد نظر منحرف شود .

2-1 تحمل خطا (Fault Tolerance):

تحمل خطا یک پروسه یعنی مجموعه ای از فعالیت هاست که هدف آن حذف خطا است یا اگر نتوانست خطا را حذف کند ، لااقل تاثیراتش را کم کند .

3-1 سیستم تحمل پذیر خطا (System Fault Tolerance ) :

سیتم تحمل پذیر خطا معادل با سیستم قابل اعتماد ( Dependable ) می باشد که باید ویژگی های (قابلیت دسترسی ، قابلیت اعتماد ، ایمنی و قابلیت نگهداری را داشته باشد .

4-1 افزونگی ( Redundancy):

یکی از روشهای تحمل خطا در سیستم های نرم افزاری افزونگی است . افزونگی قابلیتی است در تحمل خطا بطوریکه می توان با افزایش سخت افزار و یا کپی برداری از تمام نرم افزار و یا قسمتی از نرم افزار و یا کپی برداری از data تحل خطا را در سیستم تضمین کرد .

5-1 تنوع طراحی (Design Diversity) :

برای تولید یک سیستم تحمل پذیر خطا می توان یک نرم افزار را به شرکت های مختلف برنامه نویسی داد تا برنامه را بنویسد و برای تولید نتیجه نهایی نیز می توان از الگوریتم voting استفاده کرد پس باید از این نرم افزار طراحی های مختلف داشته باشیم . روشهایی که از تکنیک تنوع طراحی استفاده می کنند عبارتند از:

RCB-NVP-NSCP-CRB-AV

2- Simulated Annealing

1-2 . SA چیست؟

SA مخفف Simulated Annealing به معنای شبیه‌سازی گداخت یا شبیه‌سازی حرارتی می‌باشد که برای آن از عبارات شبیه‌سازی بازپخت فلزات، شبیه‌سازی آب دادن فولاد و الگوریتم تبرید نیز استفاده شده است. برخی مسائل بهینه‌سازی صنعتی در ابعاد واقعی غالباً پیچیده و بزرگ می‌باشند. بنابراین روش‌های حل سنتی و استاندارد، کارایی لازم را نداشته و عموماً مستلزم صرف زمان‌های محاسباتی طولانی هستند. خوشبختانه، با پیشرفت فن‌آوری کامپیوتر و ارتقا قابلیت‌های محاسباتی، امروزه استفاده از روش‌های ابتکاری و جستجوگرهای هوشمند کاملاً متداول گردیده است. یکی از این روش‌ها SA است. SA شباهت دارد با حرارت دادن جامدات. این ایده ابتدا توسط شخصی که در صنعت نشر فعالیت داشت به نام متروپلیس در سال 1953 بیان شد.[10] وی تشبیه کرد کاغذ را به ماده‌ای که از سرد کردن مواد بعد از حرارت دادن آنها بدست می‌آید. اگر یک جامد را حرارت دهیم و دمای آن را به نقطه ذوب برسانیم سپس آن را سرد کنیم جزئیات ساختمانی آن به روش و نحوه سرد کردن آن وابسته می‌شود. اگر آن جامد را به آرامی سرد کنیم کریستال‌های بزرگی خواهیم داشت که می‌توانند آن طور که ما می‌خواهیم فرم بگیرند ولی اگر سریع سرد کنیم آنچه که می‌خواهیم بدست نمی‌آید.

الگوریتم متروپلیس شبیه‌سازی شده بود از فرآیند سرد شدن مواد به وسیله کاهش آهسته دمای سیستم (ماده) تا زمانی که به یک حالت ثابت منجمد تبدیل شود. این روش با ایجاد و ارزیابی جواب‌های متوالی به صورت گام به گام به سمت جواب بهینه حرکت می‌کند. برای حرکت، یک همسایگی جدید به صورت تصادفی ایجاد و ارزیابی می‌شود. در این روش به بررسی نقاط نزدیک نقطه داده شده در فضای جستجو می‌پردازیم. در صورتی که نقطه جدید، نقطه بهتری باشد (تابع هزینه را کاهش دهد) به عنوان نقطه جدید در فضای جستجو انتخاب می‌شود و اگر بدتر باشد (تابع هزینه را افزایش دهد) براساس یک تابع احتمالی باز هم انتخاب می‌شود. به عبارت ساده‌تر، برای کمینه سازی تابع هزینه، جستجو همیشه در جهت کمتر شدن مقدار تابع هزینه صورت می‌گیرد، اما این امکان وجود دارد که گاه حرکت در جهت افزایش تابع هزینه باشد. معمولاً برای پذیرفتن نقطه بعدی از معیاری به نام معیار متروپلیس استفاده می شود:

 

P:احتمال پذیرش نقطه بعدی

C: یک پارامتر کنترلی

تغییر هزینه

پارامتر کنترل در شبیه‌سازی آب دادن فولاد، همان نقش دما را در پدیده فیزیکی ایفا می‌کند. ابتدا ذره (که نمایش دهنده نقطه فعلی در فضای جستجو است) با مقدار انرژی بسیار زیادی (که نشان دهنده مقدار بالای پارامتر کنترلی C است) نشان داده شده است. این انرژی زیاد به ذره اجازه فرار از یک کمینه محلی را می‌دهد. همچنانکه جستجو ادامه می‌یابد، انرژی ذره کاهش می‌یابد (C کم می‌شود) و در نهایت جستجو به کمینه کلی میل خواهد نمود. البته باید توجه داشت که در دمای پایین امکان فرار الگوریتم از کمینه محلی کاهش می‌یابد، به همین دلیل هر چه انرژی آغازین بالاتر، امکان رسیدن به کمینه کلی هم بیشتر است .[10]

روش بهینه سازی SA به این ترتیب است که با شروع از یک جواب اولیه تصادفی برای متغیرهای تصمیم‌گیری، جواب جدید در مجاورت جواب قبلی با استفاده از یک ساختار همسایگی مناسب به طور تصادفی تولید می‌شود. بنابراین یکی از مسائل مهم در SA روش تولبد همسایگی است. برای پیاده سازی الگوریتم شبیه سازی حرارتی به سه عامل اساسی به شرح زیر نیازمندیم :

1. نقطه شروع:

نقطه‌ای در فضای جستجو است که جستجو را از آنجا آغاز می‌کنیم. این نقطه معمولاً به صورت تصادفی انتخاب می شود .

2. مولد حرکت:

این مولد وظیفه تولید حالات بعدی را بعهده دارد و با توجه به محاسبه هزینه نقطه فعلی و هزینه نقطه بعدی‌، وضعیت حرکت الگوریتم را مشخص می‌کند .

3. برنامه سرد کردن:

پارامترهایی که نحوه سرد کردن الگوریتم را مشخص می‌کنند. بدین ترتیب که دما چند وقت به چند وقت و به چه میزان کاهش یابد و دماهای شروع و پایان چقدر باشند. در سال 1982 کرک پاتریک ایده متروپلیس را برای حل مسائل به کار برد. در سال 1983 کرک پاتریک و تعدادی از همکارانش از SA برای حل مسئله فروشنده دوره‌گرد یا TSP استفاده کردند. [8]

‍‍‍‌‌‌ روش بهینه‌سازی SA یک روش عددی با ساختار تصادفی هوشمند است. قابلیت انعطاف در کوچک گرفتن طول گام‌های تصادفی در الگوریتمSA مانع از بروز هرگونه ناپایداری و ناهمگرایی در ترکیب با مدل می‌شود. علاوه بر آن توانایی SA در خروج از بهینه‌های محلی و همگرایی به سوی بهینه‌ی سراسری از جنبه‌ی نظری و در کاربردهای عملی به اثبات رسیده است. به طور مثال روش SA در بهینه‌سازی بهره‌برداری کانال‌های آبیاری در کشاورزی از الگوریتم ژنتیک مدل بهینه‌تری را می‌دهد. بهینه‌سازی توابع غیرصریح و مسائل Non-Complete با روش‌های کلاسیک بهینه‌سازی دشوار و گاهی غیرممکن است و بایستی از روش‌های عددی بهینه‌سازی استفاده کرد. برای حل مسئله به روش SA ابتدا مدل‌سازی ریاضی صورت می‌گیرد. [5]


دانلود با لینک مستقیم


نرم افزار Fault Tolerance با استفاده از Simulated Annealing 15 ص

سمینار کارشناسی ارشد برق بررسی الگوریتم بهینه سازی Simulated Annealing و انواع کاربردهای آن

اختصاصی از فایل هلپ سمینار کارشناسی ارشد برق بررسی الگوریتم بهینه سازی Simulated Annealing و انواع کاربردهای آن دانلود با لینک مستقیم و پر سرعت .

سمینار کارشناسی ارشد برق بررسی الگوریتم بهینه سازی Simulated Annealing و انواع کاربردهای آن


سمینار کارشناسی ارشد برق بررسی الگوریتم بهینه سازی Simulated Annealing و انواع کاربردهای آن

این محصول در قالب  پی دی اف و 65 صفحه می باشد.

 

این سمینار جهت ارائه در مقطع کارشناسی ارشد رشته مهندسی برق-کنترل طراحی و تدوین گردیده است . و شامل کلیه مباحث مورد نیاز سمینار ارشد این رشته می باشد.نمونه های مشابه این عنوان با قیمت های بسیار بالایی در اینترنت به فروش می رسد.گروه تخصصی ما این سمینار را با قیمت ناچیزی جهت استفاده دانشجویان عزیز در رابطه با منبع اطلاعاتی در اختیار شما قرار می دهند. حق مالکیت معنوی این اثر مربوط به نگارنده است. و فقط جهت استفاده ازمنابع اطلاعاتی و بالابردن سطح علمی شما در این سایت ارائه گردیده است.

 


چکیده

در این سمینار الگوریتم جستجوی محلی Simulated Annealing,SA (پخت شبیه سازی شده) را معرفی کرده و جزئیات، مزایا، معایب و کاربردهای آن را مورد بررسی قرار خواهیم داد به طوری که روش های توسعه یافته این الگوریتم نیز به اجمال معرفی می شوند. سپس اهمیت تعیین مشخصات مدارات الکترونیکی (Circuit Sizing) را با انواع روش های موجود برای این کار را مورد بررسی و مقایسه قرار می دهیم. برنامه ریزی هندسی و روش های بر پایه شبیه سازی معروف ترین استراتژی هایی هستند که برای تعیین مشخصات مدار به منظور بهینه سازی آنها به کار می روند که در ادامه با توجه به ضرورت بهینه سازی بلوک های جمع کننده و ضرب کننده که عنصر اصلی در مدارات دیجیتال می باشند، روش SA را به عنوان یک الگوریتم ساده و با قابلیت یافتن نقطه بهینه در کل برای حداقل شدن توان مصرفی و تاخیر در این بلوک ها، انتخاب می کنیم.

مقدمه

جستجو برای یافتن خواسته های مطلوب و بهینه از میان گزینه های قابل انتخاب جزء مسائلی است که بشر همواره با آن مواجه بوده است. در زندگی روزمره نیز به کرات با چنین مسائلی مواجه هستیم مانند: انتخاب یک محل مناسب برای زندگی، تنظیم جدول زمانی برای امتحانات سراسری، یافتن بهترین مسیر برای مسافرت با وسیله نقلیه، حرکت مناسب در بازی شطرنج و… نه تنها در زندگی روزمره بلکه در انواع مسائل مهندسی، معماری، مالی، اقتصادی، تحقیقات اپراتوری، پزشکی، نظامی و… به نوعی با مسائل بهینه سازی مواجه هستیم.

در تمام مسائل جستجو واضح است که یافتن یک حل ممکن برای مسئله بسیار آسان تر از یافتن بهترین حل می باشد. محدودیت ها در یافتن بهترین جواب ناشی از زمان، منابع در دسترس، پیچیدگی طبیعی خواسته های بهینه سازی و کثرت گزینه های قابل انتخاب می باشد.

در بعضی از مسائل بهینه سازی باید عملیات جستجو به نحوی انجام شود که چندین تابع هزینه باهم بهینه شوند (Multi objective). همچنین محدودیت ها و قیودات مختلفی بسته به نوع مسئله وجود دارد به عنوان مثال برای تنظیم بهینه جدول زمانی امتحانات یک دانشگاه چندین موضوع باید در نظر گرفته شود مانند: تعداد دانشجویانی که امتحانات پشت سرهم دارند، تعداد دانشجویانی که بیشتر از یک امتحان در یک روز دارند، حداکثر زمان مشخص شده برای کل امتحانات، حداکثر اتاق های قابل استفاده، تعداد مراقبان امتحانات و… بدون شک پیدا کردن جوابی که تمام خواسته ها و محدودیت ها را برآورده کند کاری بسیار مشکل می باشد.

برای یافتن بهترین جواب باید بیشترین جستجو را انجام داد این خود باعث صرف شدن زمان زیاد و تلاش محاسباتی (effort) حجیم می شود. در مسائل بهینه سازی باید مصالحه ای بین کیفیت جواب و زمان و تلاش محاسباتی برقرار شود. چنانچه محدودیت کمی برای زمان و تلاش محاسباتی وجود داشته باشد می توانیم بیشترین جستجو را انجام دهیم یعنی فضاهای جستجو را به اندازه ممکن بزرگ در نظر گرفته و نقاط بیشتری را از یک فضای مشخص به عنوان حل های ممکن در نظر بگیریم. اما چنانچه محدودیت های ما بر روی زمان و تلاش محاسباتی زیاد باشد نمی توانیم همه نقاط ممکن را جستجو کنیم در نتیجه برای رسیدن به جواب مناسب باید روشی را پیدا کنیم که به سمت جواب های بهتر هدایت شویم. در واقع به جای جستجوی همه نقاط ممکن (explore) باید اطلاعات به دست آورده از جستجوهای قبلی را طوری تحلیل کنیم تا به سمت نقاط بهتر هدایت شویم (exploite). البته این عمل در بعضی از مسائل بسیار مشکل می باشد.

الگوریتم هایی که برای حل مسئله بهینه سازی و جستجو به کار می روند در صورتی که قابل اعمال به دسته وسیعی از مسائل باشند به الگوریتم های همه منظورمه (general – purpose optimization algorithm) موسوم می باشند. این الگوریتم ها نیز بسته به استراتژی جستجو در آنها به دو دسته کلی تقسیم می شوند. دسته اول که به روش محلی تک نقطه ای موسوم می باشند در هر ملحه تنها یک جواب انتخاب می شود. (SA (simulated annealing و جستجوی TABU جزء این دسته می باشند. دسته دیگر به روش های جستجوی دسته جمعی موسوم می باشند. در هر مرحله به صورت موازی چندین حل انتخاب می شود. سپس از میان آن ها حل هایی که دارای بیشترین برازش باشند برای همسایگی در مرحله بعدی در نظر گرفته می شوند و این عمل تکرار می شود.

اکثر الگوریتم های تکاملی جزء روش های جستجوی دسته جمعی می باشند. در بسیاری از مقالات میان الگوریتم های بهینه سازی مقایسه شده است. این مقایسه از چند جهت ضروری می باشد اولا آنکه مقایسه مشخص می کند که برای مسائل مختلف کدام الگوریتم بهتر عمل می کند دوما آنکه برای مسائلی که در آینده مطرح می شوند دید کافی برای حل آنها وجود خواهد داشت. البته این موضوع بستگی به دسته بندی صحیح مسائل بهینه سازی از جهت خصوصیات آنها و سازگاری الگوریتم های بهینه سازی برای هریک از این مشخصات خواهد داشت. سوم آنکه مقایسه الگوریتم ها بر روی یک فرآیند باعث فهم بهتر عملکرد آن فرآیند شده و این امکان را می دهد تا اصلاحات لازم بر روی الگوریتم ها انجام شده یا حتی آنها را با یکدیگر ترکیب کنیم تا از مزایای هرکدام بهره مند شویم.

یکی از مباحث مطرح شده در ریاضیات میزان پیچیدگی الگوریتم ها می باشد. الگوریتمی برای تعیین پیچیدگی یک مسئله وجود دارد که بسته به ساده ترین راه حل ممکن برای آن مسائل را به دو دسته سخت و آسان تقسیم بندی می کند. هرچقدر برای رسیدن به جواب مطلوب تعداد گام های بیشتری صرف شود آن الگوریتم پیچیده تر خواهد بود. مسائل بهینه سازی از جهت پیچیدگی به دو دسته “سرکش” (intractable) و “رام” (tractable) تقسیم می شوند.

مسائل سرکش مسائلی هستند که به طور معمول غیرقابل تصمیم گیری هستند یعنی پیدا کردن حل های ممکن برای آنها بسیار سخت است مانند حل معادلات دیوفانتین که اثبات شده است که هیچ روند پیاپی برای حل همه مثال های آن وجود ندارد. اما مسائل رام مسائلی هستند که راه حل های ممکن برای آن قابل استخراج می باشد اما ممکن است زمان و تلاش محاسباتی زیادی برای جستجوی همه راه حل های ممکن مورد نیاز باشد. در مسائل سرکش هیچ الگوریتمی وجود ندارد که به ازای گام های معین که تابعی چند جمله ای از اندازه مسئله می باشند بتواند آنها و همه مثال های مربوط به آن مسائل را حل کند.

 


دانلود با لینک مستقیم


سمینار کارشناسی ارشد برق بررسی الگوریتم بهینه سازی Simulated Annealing و انواع کاربردهای آن