تحقیق درمورد الگوریتم

اختصاصی از ژیکو تحقیق درمورد الگوریتم دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 19

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 1

دانلود پاورپوینت الگوریتم و فلوچارت - 63 اسلاید

اختصاصی از ژیکو دانلود پاورپوینت الگوریتم و فلوچارت - 63 اسلاید دانلود با لینک مستقیم و پر سرعت .

هر دستورالعملی که مراحل انجام کاری را با زبانی دقیق و با جزئیات کافی بیان نماید بطوریکه ترتیب مراحل و شرط خاتمه عملیات در آن کاملا“ مشخص شده باشد را الگوریتم گویند

برای دانلود کل پاورپوینت از لینک زیر استفاده کنید:

الگوریتم های مرتب سازی

اختصاصی از ژیکو الگوریتم های مرتب سازی دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 13

مقدمه :

الگوریتم مرتب‌سازی، در علوم کامپیوتر و ریاضی، الگوریتمی است که لیستی از داده‌ها را به ترتیبی مشخص می‌چیند.

پر استفاده‌ترین ترتیب‌ها، ترتیب‌های عددی و لغت‌نامه‌ای هستند. مرتب‌سازی کارا در بهینه سازی الگوریم‌هایی که به لیست‌های مرتب شده نیاز دارند (مثل جستجو و ترکیب) اهمیت زیادی دارد.

از ابتدای علم کامپیوتر مسائل مرتب‌سازی تحقیقات فراوانی را متوجه خود ساختند، شاید به این علت که در عین ساده بودن، حل آن به صورت کارا پیچیده‌است. برای مثال مرتب‌سازی حبابی در سال ۱۹۵۶ به وجود آمد. در حالی که بسیاری این را یک مسئلهٔ حل شده می‌پندارند، الگوریتم کارآمد جدیدی همچنان ابداع می‌شوند (مثلاً مرتب‌سازی کتاب خانه‌ای در سال ۲۰۰۴ مطرح شد).

مبحث مرتب‌سازی در کلاس‌های معرفی علم کامپیوتر بسیار پر کاربرد است، مبحثی که در آن وجود الگوریتم‌های فراوان به آشنایی با ایده‌های کلی و مراحل طراحی الگوریتم‌های مختلف کمک می‌کند؛ مانند تحلیل الگوریتم، داده‌ساختارها، الگوریتم‌های تصادفی، تحلیل بدترین و بهترین حالت و حالت میانگین، هزینهٔ زمان و حافظه، و حد پایین.

در علم کامپیوتر معمولاً الگوریتم‌های مرتب‌سازی بر اساس این معیارها طبقه‌بندی می‌شوند:

پیچیدگی (بدترین و بهترین عملکرد و عملکرد میانگین): با توجه به اندازهٔ لیست (n). در مرتب‌سازی‌های معمولی عملکرد خوب (O(n log n و عملکرد بد (O(n۲ است. بهترین عملکرد برای مرتب‌سازی (O(n است. الگوریتم‌هایی که فقط از مقایسهٔ کلیدها استفاده می‌کنند در حالت میانگین حداقل (O(n log n مقایسه نیاز دارند.

حافظه (و سایر منابع کامپیوتر) : بعضی از الگوریتم‌های مرتب‌سازی «در جا[1]» هستند. یعنی به جز داده‌هایی که باید مرتب شوند، حافظهٔ کمی ((O(۱) مورد نیاز است؛ در حالی که سایر الگوریتم‌ها به ایجاد مکان‌های کمکی در حافظه برای نگه‌داری اطلاعات موقت نیاز دارند.

پایداری[2] : الگوریتم‌های مرتب‌سازی پایدار ترتیب را بین داده‌های دارای کلیدهای برابر حفظ می‌کنند. فرض کنید می‌خواهیم چند نفر را بر اساس سن با یک الگوریتم پایدار مرتب کنیم. اگر دو نفر با نام‌های الف و ب هم‌سن باشند و در لیست اولیه الف جلوتر از ب آمده باشد، در لیست مرتب شده هم الف جلوتر از ب است.

مقایسه‌ای بودن یا نبودن. در یک مرتب‌سازی مقایسه‌ای داده‌ها فقط با مقایسه به وسیلهٔ یک عملگر مقایسه مرتب می‌شوند.

روش کلی : درجی، جابجایی، گزینشی، ترکیبی و غیره. جابجایی مانند مرتب‌سازی حبابی و مرتب‌سازی سریع و گزینشی مانند مرتب‌سازی پشته‌ای.

الگوریتم‌های مرتب سازی

[ویرایش] مرتب سازی حبابی

(به انگلیسی: Bubble Sort)

فرض کنید n داده داریم که می‌خواهیم به صورت صعودی مرتب شوند. عنصر اول رو با دومی مقایسه ، و در صورتی که اولی بزرگتر باشد جاهاشون رو عوض می‌کنیم. همین کار رو با عناصر دوم و سوم انجام می‌دهید و همینطور عناصر سوم و چهارم ، الی آخر. وقتی این کار تموم شد بزرگترین عنصر بین داده‌ها به آخر لیست می‌رسد . حالا یک بار دیگه از اول این کار رو انجام می‌دهیم اما این بار تا عنصر (n -۱)ام ادامه می‌دهیم (عنصر nام مرحله اول جای خودش رو پیدا کرده). باز هم این کار رو تا عنصر (n - ۲)ام تکرار می‌کنیم ، و بازهم .... تا اینکه بالاخره داده‌ها مرتب می‌شوند. مثلا:

۰ - ۰) ۵ ۶ ۴ ۲

۱ - ۱) ۵ ۶ ۴ ۲

۱ - ۲) ۵ ۴ ۶ ۲

۱ - ۳) ۵ ۴ ۲ ۶

۲ - ۱) ۴ ۵ ۲ ۶

۲ - ۲) ۴ ۲ ۵ ۶

۳ - ۱) ۲ ۴ ۵ ۶

مرحله اول سه مقایسه ، مرحله دوم دو مقایسه و مرحله سوم یک مقایسه داره ، که روی هم می‌شوند شش مقایسه. در کل این روش n (n - ۱) / ۲ مقایسه لازم داره. اما نه همیشه. به مثال زیر توجه کنید:

۰ - ۰) ۰ ۷ ۱ ۳ ۵ ۴

۱ - ۱) ۰ ۱ ۷ ۳ ۵ ۴

۱ - ۲) ۰ ۱ ۷ ۳ ۵ ۴

۱ - ۳) ۰ ۱ ۳ ۷ ۵ ۴

۱ - ۴) ۰ ۱ ۳ ۵ ۷ ۴

۱ - ۵) ۰ ۱ ۳ ۵ ۴ ۷

دانلود پاورپوینت الگوریتم و فلوچارت - 25 اسلاید

اختصاصی از ژیکو دانلود پاورپوینت الگوریتم و فلوچارت - 25 اسلاید دانلود با لینک مستقیم و پر سرعت .

lتعریف اول: مراحلی از الگوریتم که چندین بار اجرای آنها تکرار می گردد تشکیل یک حلقه (LOOP) را می دهند.

l برای ساختن یک حلقه از یک متغیر کمکی استفاده می گردد، این متغیر را قبل از شروع حلقه با یک مقدار اولیه آماده می سازیم و سپس معمولا“ در انتهای حلقه و قبل از بازگشت به ابتدای حلقه مقداری را به آن اضافه کرده و تحت یک شرائط خاص به مراحل قبل پرش می نماییم.

تعریف دوم: مقداری که قبل از شروع حلقه به متغیر حلقه داده می شود را مقدار اولیه یا شرط اولیه گویند.

تعریف سوم: مقداری که پس از یکبار اجرای مراحل حلقه به متغیر حلقه اضافه می شود را مقدار اضافه شونده می نامند

برای دانلود کل پاورپوینت از لینک زیر استفاده کنید:

تحقیق درباره ی کاربرد الگوریتم ژنتیکی سازگار یافته برای مسائل دینامیکی 24 ص

اختصاصی از ژیکو تحقیق درباره ی کاربرد الگوریتم ژنتیکی سازگار یافته برای مسائل دینامیکی 24 ص دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 26

کاربرد الگوریتم ژنتیکی سازگار یافته برای مسائل دینامیکی چند هدفه

Zafer Bingul

Department of Mechatronics Engineering, Kocaeli University, Kocaeli, Turkey

خلاصه :

این مقاله یک الگوریتم ژنتیکی سازگار (AGA) را همراه با تابع لیاقت دینامیکی، برای مسائل چند هدفه (MOPs) در محیط دینامیکی تشریح می کند. به منظور دیدن اجرای الگوریتم، این روش برای دو نوع از مسائل MOPs بکار گرفته شده است. اولا این روش برای پیدا کردن آرایش نیروهای نظامی برای شبیه سازی رزمی بکار گرفته شده است. این مقاله در مورد چهار تابع هدف بحث می کند که باید بهینه شوند و یک واسطه فازی را ارئه می دهد که طرح جامعی را از چهار تابع هدف می سازد. دومین واسطه فازی برای کنترل نرخ عملکردهای تقاطع (Crossover) و جهش (Mutation) بکار گرفته می شود که بر اساس خواص آماری لیاقت (Fitness) جامع می باشد.

علاوه بر مسئله آرایش نیروهای نظامی یک مثال ساده از بهینه سازی چند هدفه که توسط فرینا و همکارانش گشته نیز ارائه شده است و توسط این الگوریتم پیشنهادی حل شده است. نتایج بدست آمده در اینجا نشان می دهد که الگوریتم ژنتیکی افزایش یافته، نسبت به الگوریتم ژنتیکی معمولی، عملکرد بهتری در مورد همگرائی دارد.

کلمات کلیدی:

الگوریتم ژنتیکی سازگار یافته ، منطق فازی ، آرایش نیروهای نظامی ، شبیه سازی رزمی و بهینه سازی چند هدفه .

مقدمه

بدیهی است که حالتهای متعددی برای مسائل عملی بهینه سازی وجود دارد که در ابتدا، بهینه سازی چندین اندازه گیری اجرا (MOP) یا محک ، غیر قابل اجتناب است و این اندازه گیری ها ممکن است که با هم تداخل هم داشته باشند. مسائل مربوط به MOPsمی توانند استاتیکی یا دینامیکی باشند. مهمترین موضوع در حل این گونه از مسائل عبارت از مشخص کردن توابع هدف طراحی، برای اینکه خوبی (Goodness) یک حل مشخص بر آورد شود. در مسائل MOPs بجای یک حل بهینه ، یک مجموعه از حل های بهینه ( مجموعه بهینه پارتو )، بسته به وجود چند تابع هدف، رخ می دهد. بدون تنزل یکی از جوابها ، هیچ بهبودی برای هر یک از حلهای بهینه پارتو وجود ندارد. هیچ حل پارتو نمی تواند از حل دیگری بهتر باشد مگر اطلاعات بیشتری را در اختیار داشته باشیم . برای اینکه انتخاب نهایی بهتری داشته باشیم ، بهترین راه این است که تا جایی که ممکن است حلهای مختلف بهینه پارتو را بدست آوریم.

در بعضی از کاربردهای جهانی نظیر حمل ونقل باربا روباتها ، مشخص کردن مدل و طراحی کنترل کننده ها ، مسائل محیطی و نیازهای MOPs بصورت دینامیکی تغییر می کنند و برای اینگونه کاربردها ، بهینه سازی چند هدفه وابسته به زمان، نیاز است . در این گونه از مسائل ، توابع هدف مربوطه و قیود و پارامترهای مسئله یا همه اینها، ممکن است لحظه به لحظه تغییر کنند. این گونه از مسائل MOPs دینامیکی نامیده می شوند. در این حالتها ، بهینه سازی تابع باید در بازه های زمانی خیلی محدود شده انجام پذیرد.

الگوریتمهای ژنتیکی معمولا بهترین وسیله جستجو در فضاهای بزرگ در طی یک زمان قابل قبول می باشند و نیازی به تحدب، تقعر و یا پیوستگی توابع بهینه ندارند. این موضوع منجر به دامنه وسیعی از کاربردها برای این الگوریتم در مسائل بهینه سازی بزرگ درگستره های مختلف می گردد مانند تحلیل سریع تاکتیکهای جنگی برای دفاع و حلهای انعطاف پذیر برای مدیریت زنجیره ای. این انواع مسائل پیچیده معمولا شامل آشوبناکی ، اتفاقی و مسائل دینامیکی پیچیده غیر خطی می شوند. غیر ممکن است که این طیف از مسائل را بتوان با روش قدیمی الگوریتم ژنتیکی حل نمود. الگوریتمهای ژنتیکی، تحلیل مجموعه ها را بصورت موازی انجام می دهند و تشابه این حلها را توسط ترکیب آنها برجسته می کنند. این موضوع باید تذکر داده شود که از آن جا که این گونه الگوریتمها تعداد زیادی از حلها را در مجموعه های بهینه پارتو پیدا می کنند، برای حل مسائل چند هدفه بسیار خوب می باشند . به هر حال، در الگوریتم ژنتیکی ساده، پارامترهای ثابت، مستقیما اجرای الگوریتم را تحت تاثیر قرار می دهند. معمولا پارامترهای بدون آهنگ منجر به مسائل متعددی نظیر همگرایی زودرس می شوند. بنابراین تعدادی از تکنیک های سازگار یافته برای این گونه از پارامترها پیشنهاد شده است. همانند جهش احتمالاتی ، تقاطع احتمالاتی ، اندازه جمعیت [1] و ]2[ و عملکرد تقاطع ]3[.

یکی از مهمترین راهبردها برای مسائل بهینه سازی چند هدفه ، الگوریتم ژنتیکی چند هدفه (MOGA) می باشد. مطالعات زیادی در مورد MOGA در منابع موجود می باشد [5]، [6]، [7]، [9]، [10]، [11]، [12]، [13]، [14]، [15]، [16]، [17]، [18]، [19]، [20].

مخصوصا دب (Deb) [20] یک MOGA عالی را ارائه داده است . یک الگوریتم ژنتیکی با بر آورد برداری (VEGA) [9] نسبت به یک الگوریتم ژنتیکی ساده متفاوت می باشد چون در این روش جدید، از یک عملگرا انتخاب اصلاح شده استفاده می شود و در هر نسل، تعدادی از زیر جمعیتها توسط اجرای انتخاب خطی تولید می شوند. مهمترین نقص این روش آن است که قادر به تولید حلهای بهینه پارتو برای فضاهای جستجویی غیر محدب نمی باشد. در تکنیک مرتبه لغت نویسی (lexicographic ordering ) [14]، حلهای طراح مرتبه ها، بر اساس خواص مهم توابع می باشد. سپس حل بهینه توسط مینیم سازی توابع هدف بدست می آید که بر اساس مهم بودن آنها، از مهمترین آنها شروع می شود. مهمترین ضعف این روش این است که ممکن