دانلود انواع مقاله

(پروژه، مقاله، پایان نامه، گزارش کارآموزی، سوالات استخدامی، طرح توجیهی و...)

دانلود انواع مقاله

(پروژه، مقاله، پایان نامه، گزارش کارآموزی، سوالات استخدامی، طرح توجیهی و...)

زمانبندی دوره تحصیلی دانشگاه با الگوریتم ژنتیک، بررسی موردی تجارب آزمایشی…

چکیده

این مقاله به شرح کاربرد الگوریتم ژنتیکی هیبریدی در ارتباط با نمونه های دنیای واقعی در مورد زمانبندی دوره اموزش دانشگاهی می پردازد. ما زمانبندی آزمایشی را در محیط کاملا محدود مد نظر قرار می دهیم، که در ارتباط با آنف تعریف رسمی داده می شود. تکنیک های ارائه راه حل متناسب با این مسئله به همراه عملگرهای ژنتیکی مربوطه و الگوریتم جستجوی محلی تعریف می گردند. رویکرد مطرح شده در این مقاله به طور موفقیت آمیزی برای زمانبندی در نهادهای پژوهشی مورد استفاده قرار گرفته و دارای قابلیت ایجاد زمانبندی برای نمونه های مسائل پیچیده تر می باشد.

مقدمه

مسئله زمانبندی دانشگاهی و انواع آن به عنوان بخشی از دسته بندی زمانبندی و مسئله زمانبندی می باشد. هدف جدول زمانبندی، تعیین ضوابطی برای تعداد محدودی از منابع بوده در حالی که تمام محدودیت ها نیز در نظر گرفته می شود. دو شکل مسئله زمانبندی دانشگاهی در تحقیقات امروزی مد نظر قرار می گیرد: زمانبندی امتحان و مسئله زمانبندی دوره آموزش می باشد، به ترتیبی که تفاوت بین این انواع معمولا بستگی به دانشگاه مربوطه دارد. این مسئله به صورت تخصصی تر مبتنی بر فعالیت های بعد از ثبت نام و یا تکلیف محور می باشد. در مسائل بعد ثبت نام، زمانبندی می بایست به گونه ای ایجاد گردد که تمام دانشجویان بتوانند در تمام برنامه هایی که ثبت نام کرده اند شرکت کنند، در حالی که در مسئله برنامه تحصیلی محدودیت ها بر طبق به دوره تحصیلات دانشگاه و نه بر مبنای داده های نام نویسی می باشد.

به دلیل پیچیدگی ذاتی مسئله و تغییر پذیری، بیشتر مشکلات حقیقی مرتبط به زمانبندی دانشگاهی بر مبنای NP می باشد. این موارد مستلزم الگوریتم های ذهنی می باشد که تضمینی را برای راه حل های مطلوب ایجاد نمی کنند، اما در بسیاری از موارد قابلیت ایجاد راه حلی را دارند که که برای اهداف عملی مناسب می باشند. قبلا نیز نشان داده شده است که تکنیک های مبتنی بر موارد فرا ذهنی (همانند الگوریتم های تکاملی؛ جستجوی ممنوع و غیره) مشخصا متناسب با حل این نوع از مشکلات بوده، و این مقاله نمونه ای از آن رویکرد می باشد. این مقاله تمرکزش را بر روی مسئله زمانبندی آزمایشی (LETP) قرار می دهد، که ما آن را به عنوان نوعی از مسئله زمانبندی دوره آموزشی دانشگاهی (UCTP) تعریف می کنیم. انگیزه برای این مقاله حاصل از نیاز برای ایجاد زمانبندی خودکار در نهادهای پژوهشی می باشد. این جداول زمانی دیگر با استفاده از روش های سنتی به دلیل بالا رفتن پیچیدگی های مربوط به اصلاح دوره آموزشی ایجاد نمی گردد.

خرید و دانلود

دانلود مقاله پژوهش الگوریتم الگوریتم ژنتیک
حاجی زاده دوشنبه 22 تیر 1394 ساعت 03:03
0 نظر

زمانبندی دوره تحصیلی دانشگاه با الگوریتم ژنتیک…

خلاصه

این مقاله به شرح کاربرد الگوریتم ژنتیکی هیبریدی در ارتباط با نمونه های دنیای واقعی در مورد زمانبندی دوره اموزش دانشگاهی می پردازد. ما زمانبندی آزمایشی را در محیط کاملا محدود مد نظر قرار می دهیم، که در ارتباط با آنف تعریف رسمی داده می شود. تکنیک های ارائه راه حل متناسب با این مسئله به همراه عملگرهای ژنتیکی مربوطه و الگوریتم جستجوی محلی تعریف می گردند. رویکرد مطرح شده در این مقاله به طور موفقیت آمیزی برای زمانبندی در نهادهای پژوهشی مورد استفاده قرار گرفته و دارای قابلیت ایجاد زمانبندی برای نمونه های مسائل پیچیده تر می باشد.

مقدمه

مسئله زمانبندی دانشگاهی و انواع آن به عنوان بخشی از دسته بندی زمانبندی و مسئله زمانبندی می باشد. هدف جدول زمانبندی، تعیین ضوابطی برای تعداد محدودی از منابع بوده در حالی که تمام محدودیت ها نیز در نظر گرفته می شود. دو شکل مسئله زمانبندی دانشگاهی در تحقیقات امروزی مد نظر قرار می گیرد: زمانبندی امتحان و مسئله زمانبندی دوره آموزش می باشد، به ترتیبی که تفاوت بین این انواع معمولا بستگی به دانشگاه مربوطه دارد. این مسئله به صورت تخصصی تر مبتنی بر فعالیت های بعد از ثبت نام و یا تکلیف محور می باشد. در مسائل بعد ثبت نام، زمانبندی می بایست به گونه ای ایجاد گردد که تمام دانشجویان بتوانند در تمام برنامه هایی که ثبت نام کرده اند شرکت کنند، در حالی که در مسئله برنامه تحصیلی محدودیت ها بر طبق به دوره تحصیلات دانشگاه و نه بر مبنای داده های نام نویسی می باشد.

به دلیل پیچیدگی ذاتی مسئله و تغییر پذیری، بیشتر مشکلات حقیقی مرتبط به زمانبندی دانشگاهی بر مبنای NP می باشد. این موارد مستلزم الگوریتم های ذهنی می باشد که تضمینی را برای راه حل های مطلوب ایجاد نمی کنند، اما در بسیاری از موارد قابلیت ایجاد راه حلی را دارند که که برای اهداف عملی مناسب می باشند. قبلا نیز نشان داده شده است که تکنیک های مبتنی بر موارد فرا ذهنی (همانند الگوریتم های تکاملی؛جستجوی ممنوع و غیره) مشخصا متناسب با حل این نوع از مشکلات بوده، و این مقاله نمونه ای از آن رویکرد می باشد.

این مقاله تمرکزش را بر روی مسئله زمانبندی آزمایشی (LETP) قرار می دهد، که ما آن را به عنوان نوعی از مسئله زمانبندی دوره آموزشی دانشگاهی (UCTP) تعریف می کنیم. انگیزه برای این مقاله حاصل از نیاز برای ایجاد زمانبندی خودکار در نهادهای پژوهشی می باشد. این جداول زمانی دیگر با استفاده از روش های سنتی به دلیل بالا رفتن پیچیدگی های مربوط به اصلاح دوره آموزشی ایجاد نمی گردد.

  • فرمت: zip
  • حجم: 0.74 مگابایت
  • شماره ثبت: 411

خرید و دانلود

دانلود مقاله Word پژوهش الگوریتم الگوریتم ژنتیک علوم تربیتی
حاجی زاده دوشنبه 22 تیر 1394 ساعت 02:14
0 نظر

روش موازی موثر برای داده کاوی ژنتیکی - فازی…

خلاصه

مهم ترین کاربرد داده کاوی در تلاش هایی است که برای استنتاج قواعد وابستگی از داده های تراکنشی صورت می گیرد. در گذشته، از مفاهیم منطق فازی و الگوریتم های ژنتیکی برای کشف قواعد وابستگی فازی سودمند و توابع عضویت مناسب از مقادیر کمی استفاده می کردیم. با وجود این، ارزیابی مقادیر برازش نسبتاً زمان بر بود. به دلیل افزایش های شگرف در قدرت محاسباتی قابل دسترسی و کاهش همزمان در هزینه های محاسباتی در طول یک دهۀ گذشته، یادگیری یا داده کاوی با به کارگیری تکنیک های پردازشی موازی به عنوان روشی امکان پذیر برای غلبه بر مسئلۀ یادگیری کند شناخته شده است. بنابراین، در این مقاله الگوریتم داده کاوی موازی فازی – ژنتیکی را بر اساس معماری ارباب - برده ارائه کرده ایم تا قواعد وابستگی و توابع عضویت را از تراکنش های کمی استخراج کنیم. پردازندۀ master مانند الگوریتم ژنتیک از جمعیت یگانه ای استفاده می کند، و وظایف ارزیابی برازش را بین پردازنده های slave توزیع می کند. اجرای الگوریتم پیشنهاد شده در معماری ارباب – برده بسیار طبیعی و کارآمد است. پیچیدگی های زمانی برای الگوریتم های داده کاوی ژنتیکی – فازی موازی نیز مورد تحلیل قرار گرفته است. نتایج این تحلیل تأثیر قابل توجه الگوریتم پیشنهاد شده را نشان داده است. هنگامی که تعداد نسل ها زیاد باشد، افزایش سرعت الگوریتم ممکن است نسبتاً خطی باشد. نتایج تجربی تیز این نکته را تأیید می کنند. لذا به کارگیری معماری ارباب – برده برای افزایش سرعت الگوریتم داده کاوی ژنتیکی – فازی روشی امکان پذیر برای غلبه بر مشکل ارزیابی برازش کم سرعت الگوریتم اصلی است.

کلمات کلیدی: داده کاوی، مجموعه های فازی، الگوریتم ژنتیک، پردازش موازی، قاعده اتحادیه

مقدمه

با پیشرفت روزافزون فن آوری اطلاعات (IT) ، قابلیت ذخیره سازی و مدیریت داده ها در پایگاه های داده اهمیت بیشتری پیدا می کند. به رغم اینکه گسترش IT پردازش داده ها را تسهیل و تقاضا برای رسانه های ذخیره سازی را برآورده می سازد، استخراج اطلاعات تلویحی قابل دسترسی به منظور کمک به تصمیم گیری مسئله ای جدید و چالش برانگیز است. از این رو، تلاش های زیادی معوف به طراحی مکانیسم های کارآمد برای کاوش اطلاعات و دانش از پایگاه داده های بزرگ شده است. در نتیجه، داده کاوی، که نخستین بار توسط آگراول، ایمیلنسکی و سوامی (1993) ارائه شد، به زمینۀ مطالعاتی مهمی در مباحث پایگاه داده ای و هوش مصنوعی مبدل شده است.

  • فرمت: zip
  • حجم: 1.19 مگابایت
  • شماره ثبت: 411

خرید و دانلود

دانلود مقاله معماری Word داده کاوی پایگاه داده الگوریتم هوش مصنوعی الگوریتم ژنتیک
حاجی زاده شنبه 20 تیر 1394 ساعت 21:43
0 نظر

روش کنترل بردار ورودی و جایگزینی گیت ترکیب شده، برای کاهش جریان نشتی…

چکیده

کنترل بردار ورودی (IVC) تکنیک معروفی برای کاهش توان نشتی است. این روش، از اثر پشته های ترانزیستوری در دروازه های منطقی (گیت) CMOS با اعمال مینیمم بردار نشتی (MLV) به ورودی های اولیه مدارات ترکیبی، در طی حالت آماده بکار استفاده می کند. اگرچه، روش IVC (کنترل بردار ورودی) ، برای مدارات با عمق منطقی زیاد کم تاثیر است، زیرا بردار ورودی در ورودی های اولیه تاثیر کمی بر روی نشتی گیت های درونی در سطح های منطقی بالا دارد. ما در این مقاله یک تکنیک برای غلبه بر این محدودیت ارایه می کنیم؛ بدین سان که گیت های درونی با بدترین حالت نشتی شان را با دیگر گیت های کتابخانه جایگزین می کنیم، تا عملکرد صحیح مدار را در طی حالت فعال تثبیت کنیم. این اصلاح مدار، نیاز به تغیر مراحل طراحی نداشته، ولی دری را به سوی کاهش بیشتر نشتی وقتی که روشMLV (مینیمم بردار نشتی) موثر نیست باز می کند. آنگاه ما، یک روش تقسیم و غلبه که جایگزینی گیت های را مجتمع می کند، یک الگوریتم جستجوی بهینه MLV برای مدارات درختی، و یک الگوریتم ژنتیک برای اتصال به مدارات درختی، را ارایه می کنیم. نتایج آزمایشی ما بر روی همه مدارات محک MCNC91، نشان می دهد که 1) روش جایگزینی گیت، به تنهایی می تواند 10% کاهش جریان نشتی را با روش های معروف، بدون هیچ افزایش تاخیر و کمی افزایش سطح، بدست آورد: 2) روش تقیسم و غلبه، نسبت به بهترین روش خالص IVC 24% و نسبت به روش جایگذاری نقطه کنترل موجود 12% بهتر است: 3) در مقایسه با نشتی بدست آمده از روش MLV بهینه در مدارات کوچک، روش ابتکاری جایگزینی گیت و روش تقسیم-و-غلبه، به ترتیب می توانند بطور متوسط 13% و 17% این نشتی را کاهش دهند.

کلیدواژه: جایگزینی گیت، کاهش نشتی، مینیمم بردار نشتی

مقدمه

همزمان با کوچک شدن فناوری VLSI و ولتاژ منبع/آستانه، توان نشتی در مدارات CMOS امروزه دارای اهمیت بیشتر و بیشتر شده است. به عنوان مثال، در طراحی ها نشان داده شده است که توان نشتی زیرآستانه می تواند به بزرگی 42% توان کل تولید فرآیند 90 نانومتری شرکت داشت باشد [11]. بدین ترتیب، روش های زیادی اخیرا برای کاهش مصرف توان نشتی ارایه شده اند. فرآیند ولتاژ آستانه دوگانه، از وسایل با ولتاژ آستانه بیشتر، به همراه مسیرهای غیر بحرانی، استفاده می کند تا جریان نشتی را ضمن تثبیت عملکرد، کاهش دهد [16]. روش های CMOS ولتاژ آستانه چندگانه (MTCMOS) ، یک وسیله با ولتاژ Vth بالا را بطور سری با مدار با Vth پایین قرار داده، و یک ترانزیستور sleep می سازد.

خرید و دانلود

دانلود مقاله الگوریتم ولتاژ الگوریتم ژنتیک
حاجی زاده شنبه 20 تیر 1394 ساعت 19:53
0 نظر

روش کنترل بردار ورودی و جایگزینی گیت ترکیب شده…

خلاصه

کنترل بردار ورودی (IVC) تکنیک معروفی برای کاهش توان نشتی است. این روش، از اثر پشته های ترانزیستوری در دروازه های منطقی (گیت) CMOS با اعمال مینیمم بردار نشتی (MLV) به ورودی های اولیۀ مدارات ترکیبی، در طی حالت آماده بکار استفاده می کند. اگرچه، روش IVC (کنترل بردار ورودی) ، برای مدارات با عمق منطقی زیاد کم تاثیر است، زیرا بردار ورودی در ورودی های اولیه تاثیر کمی بر روی نشتی گیت های درونی در سطح های منطقی بالا دارد. ما در این مقاله یک تکنیک برای غلبه بر این محدودیت ارایه می کنیم؛ بدین سان که گیت های درونی با بدترین حالت نشتی شان را با دیگر گیت های کتابخانه جایگزین می کنیم، تا عملکرد صحیح مدار را در طی حالت فعال تثبیت کنیم. این اصلاح مدار، نیاز به تغیر مراحل طراحی نداشته، ولی دری را به سوی کاهش بیشتر نشتی وقتی که روشMLV (مینیمم بردار نشتی) موثر نیست باز می کند. آنگاه ما، یک روش تقسیم و غلبه که جایگزینی گیت های را مجتمع می کند، یک الگوریتم جستجوی بهینه MLV برای مدارات درختی، و یک الگوریتم ژنتیک برای اتصال به مدارات درختی، را ارایه می کنیم. نتایج آزمایشی ما بر روی همه مدارات محک MCNC91، نشان می دهد که 1) روش جایگزینی گیت، به تنهایی می تواند 10% کاهش جریان نشتی را با روش های معروف، بدون هیچ افزایش تاخیر و کمی افزایش سطح، بدست آورد: 2) روش تقیسم و غلبه، نسبت به بهترین روش خالص IVC 24% و نسبت به روش جایگذاری نقطه کنترل موجود 12% بهتر است: 3) در مقایسه با نشتی بدست آمده از روش MLV بهینه در مدارات کوچک، روش ابتکاری جایگزینی گیت و روش تقسیم-و-غلبه، به ترتیب می توانند بطور متوسط 13% و 17% این نشتی را کاهش دهند.

کلمات کلیدی: جایگزینی گیت، کاهش نشتی، مینیمم بردار نشتی

مقدمه

همزمان با کوچک شدن فناوری VLSI و ولتاژ منبع/آستانه، توان نشتی در مدارات CMOS امروزه دارای اهمیت بیشتر و بیشتر شده است. به عنوان مثال، در طراحی ها نشان داده شده است که توان نشتی زیرآستانه می تواند به بزرگی 42% توان کل تولید فرآیند 90 نانومتری شرکت داشت باشد [11]. بدین ترتیب، روش های زیادی اخیرا برای کاهش مصرف توان نشتی ارایه شده اند. فرآیند ولتاژ آستانه دوگانه، از وسایل با ولتاژ آستانه بیشتر، به همراه مسیرهای غیر بحرانی، استفاده می کند تا جریان نشتی را ضمن تثبیت عملکرد، کاهش دهد [16]. روش های CMOS ولتاژ آستانه چندگانه (MTCMOS) ، یک وسیله با ولتاژ Vth بالا را بطور سری با مدار با Vth پایین قرار داده، و یک ترانزیستور sleep می سازد.

  • فرمت: zip
  • حجم: 1.08 مگابایت
  • شماره ثبت: 411

خرید و دانلود

دانلود مقاله Word الگوریتم ولتاژ الگوریتم ژنتیک
حاجی زاده شنبه 20 تیر 1394 ساعت 19:12
0 نظر