تحقیق درباره الگوریتم بانکدار

اختصاصی از فی بوو تحقیق درباره الگوریتم بانکدار دانلود با لینک مستقیم و پر سرعت .

فرمت فایل : WORD (لینک دانلود پایین صفحه) تعداد صفحات 11 صفحه

الگوریتم بانکدار

          برگرفته ازWikipedia   دایرهامعارف مجانی.

این صفحه باعث اجتناب از بن بست در ارتباط است. برای گرد کردن به نزدیک ترین حالت، به بخش گردکردن بانکدار مراجعه کنید.

الگوریتم بانکدار ، الگوریتم اجتناب از بن بست و مقدار منبع می باشد که توسط Edsger Dijkstra  ارائه شده است. این الگوریتم توسط شبیه سازی حداکثر مقدار ممکن از پیش تعیین شده منابع، ایمنی منابع را مورد آزمایش قرار می دهد و سپس قبل از تصمیم در مورد اینکه آیا این مقدار اختصاص یافته مجاز به ارائه است یا نه ف یک وضعیت ایمنی را به منظور آزمایش شرایط بن بست موجود بری کلیه فعالیتهای معلق ، ایجاد می نماید.

انتخاب نام برای الگوریتم:

این الگوریتم در قرایند طراحی برای سیستم عامل THE ارائه شده بود که البته در EWD108 به طور مفصل به زبان آلمانی توضیح داده شده است. این نام از مقایسه آن با شیوه ای است که بانکداران برای محدودیتهای بازپرداختی استفاده می کنند.

تحقیق الگوریتم اجتماع مورچه

اختصاصی از فی بوو تحقیق الگوریتم اجتماع مورچه دانلود با لینک مستقیم و پر سرعت .

12 صفحه

- معرفی

یکی از مسائلی که به­وسیله­ی زیست­شنا­سان مورد مطالعه قرار گرفته است درک این موضوع است که چگونه موجودات تقریبا کور مانند مورچه­ها کوتاه­ترین مسیر را از لانه­ی خود تا منبع غذا و بر عکس پیدا می­کنند.آن­ها پی بردند که یک رسانه برای ابلاغ اطلاعات بین تک­تک مورچه­ها مورد استفاده قرار می­گیرد و برای تصمیم­گیری درمورد این­که کدام مسیر را انتخاب کنند به­کار می­رود که آن رسانه عبارت است از بو(اثر) ماده­ای به­نام فرومون.

 الگوریتم­های لانه­ی مورچه از جمله روش­های فرامکاشفه­ای هستند که برای حل مسایل بهینه­سازی سخت پیشنهاد شده­اند. این الگوریتم­ها در آغاز از رفتارهای اجتماعی پشت سرهم قرار گرفتن و تعقیب کردن الهام گرفته شد، که در جامعه­ی مورچگان مشاهده گردید. یک اجتماع از عامل­های ساده (مورچه­ها) به طور غیر مستقیم از طریق تغییرات پویای (دینامیکی) محیط ارتباط برقرار می­کنند (رد پاهایی از فرومون) و بنابراین بر اساس تجربه­ی اجتماعی آن­ها، یک راه­حل برای یک مسئله ارائه می­دهند.

-2- رفتار طبیعی مورچه

یک مورچه در حال حرکت مقداری فرومون دراندازه­های گوناگون از خود بر روی زمین باقی می­گذارد و بدین ترتیب مسیر را به­وسیله­ی بوی این ماده مشخص می­سازد. هنگامی که یک مورچه به­طور تصادفی  و تنها حرکت می­کند با روبه­رو شدن با مسیری که توسط مورچه یا مورچه­های قبلی انتخاب شده و دارای بوی فرومون است به احتمال زیاد آن را  انتخاب می­کند و با فرومونی که خود بر جای می­گذارد بوی آن را در مسیر مذکور تقویت می­نماید.

پاورپوینت با عنوان آموزش الگوریتم ژنتیک در 50 اسلاید

اختصاصی از فی بوو پاورپوینت با عنوان آموزش الگوریتم ژنتیک در 50 اسلاید دانلود با لینک مستقیم و پر سرعت .

الگوریتم‌های ژنتیک (به انگلیسی: Genetic Algorithm)، (با نماد اختصاری GA) تکنیک جستجویی در علم رایانه برای یافتن راه‌حل تقریبی برای بهینه‌سازی و مسائل جستجو است. الگوریتم ژنتیک نوع خاصی از الگوریتم‌های تکامل است که از تکنیک‌های زیست‌شناسی فرگشتی مانند وراثت و جهش استفاده می‌کند. این الگوریتم برای اولین بار توسط جان هالند معرفی شد.

در واقع الگوریتم‌های ژنتیک از اصول انتخاب طبیعی داروین برای یافتن فرمول بهینه جهت پیش‌بینی یا تطبیق الگو استفاده می‌کنند. الگوریتم‌های ژنتیک اغلب گزینه خوبی برای تکنیک‌های پیش‌بینی بر مبنای رگرسیون هستند. در هوش مصنوعی الگوریتم ژنتیک (یا GA) یک تکنیک برنامه‌نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده می‌کند. مسئله‌ای که باید حل شود دارای ورودی‌هایی می‌باشد که طی یک فرایند الگوبرداری شده از تکامل ژنتیکی به راه‌حلها تبدیل می‌شود سپس راه حلها بعنوان کاندیداها توسط تابع ارزیاب (Fitness Functionn) مورد ارزیابی قرار می‌گیرند و چنانچه شرط خروج مسئله فراهم شده باشد الگوریتم خاتمه می‌یابد. الگوریتم ژنتیک بطور کلی یک الگوریتم مبتنی بر تکرار است که اغلب بخش‌های آن به صورت فرایندهای تصادفی انتخاب می‌شوند.

این الگوریتم‌ها از بخش‌های زیر تشکیل می‌شوند: تابع برازش - نمایش – انتخاب – تغییر

الگوریتم‌های ژنتیک از اصول انتخاب طبیعی داروین برای یافتن فرمول بهینه جهت پیش‌بینی یا تطبیق الگو استفاده می‌کنند. الگوریتم‌های ژنتیک اغلب گزینه خوبی برای تکنیک‌های پیش‌بینی بر مبنای رگرسیون هستند.

برای مثال اگر بخواهیم نوسانات قیمت نفت را با استفاده از عوامل خارجی و ارزش رگرسیون خطی ساده مدل کنیم، این فرمول را تولید خواهیم کرد:

قیمت نفت در زمان t = ضریب ۱ نرخ بهره در زمان t + ضریب ۲ نرخ بیکاری در زمان t + ثابت ۱.

سپس از یک معیار برای پیدا کردن بهترین مجموعه ضرایب و ثابت‌ها جهت مدل کردن قیمت نفت استفاده خواهیم کرد. در این روش ۲ نکته اساسی وجود دارد. اول این که روش خطی است و مسئله دوم این است که ما به جای اینکه در میان «فضای پارامترها» جستجو کنیم، پارامترهای مورد استفاده را مشخص کرده‌ایم.

با استفاده از الگوریتم‌های ژنتیک ما یک ابر فرمول یا طرح، تنظیم می‌کنیم که چیزی شبیه «قیمت نفت در زمان t تابعی از حداکثر ۴ متغیر است» را بیان می‌کند. سپس داده‌هایی برای گروهی از متغیرهای مختلف، شاید در حدود ۲۰ متغیر فراهم خواهیم کرد. سپس الگوریتم ژنتیک اجرا خواهد شد که بهترین تابع و متغیرها را مورد جستجو قرار می‌دهد. روش کار الگوریتم ژنتیک به طور فریبنده‌ای ساده، خیلی قابل درک و به طور قابل ملاحظه‌ای روشی است که ما معتقدیم حیوانات آنگونه تکامل یافته‌اند. هر فرمولی که از طرح داده شده بالا تبعیت کند فردی از جمعیت فرمول‌های ممکن تلقی می‌شود.

متغیرهایی که هر فرمول داده‌شده را مشخص می‌کنند به عنوان یکسری از اعداد نشان داده‌شده‌اند که معادلدی.ان. ای آن فرد را تشکیل می‌دهند.

موتور الگوریتم ژنتیک یک جمعیت اولیه از فرمول ایجاد می‌کند. هر فرد در برابر مجموعه‌ای از داده‌های مورد آزمایش قرار می‌گیرند و مناسبترین آنها (شاید ۱۰ درصد از مناسبترین‌ها) باقی می‌مانند؛ بقیه کنار گذاشته می‌شوند. مناسبترین افراد با هم جفتگیری (جابجایی عناصر دی ان ای) و تغییر (تغییر تصادفی عناصر دی ان ای) کرده‌اند. مشاهده می‌شود که با گذشت از میان تعداد زیادی از نسلها، الگوریتم ژنتیک به سمت ایجاد فرمول‌هایی که دقیقتر هستند، میل می‌کنند. در حالی که شبکه‌های عصبی هم غیرخطی و غیرپارامتریک هستند، جذابیت زیاد الگوریتم‌های ژنتیک این است نتایج نهایی قابل ملاحظه‌ترند. فرمول نهایی برای کاربر انسانی قابل مشاهده خواهد بود، و برای ارائه سطح اطمینان نتایج می‌توان تکنیک‌های آماری متعارف را بر روی این فرمول‌ها اعمال کرد. فناوری الگوریتم‌های ژنتیک همواره در حال بهبود است و برای مثال با مطرح کردن معادله ویروس‌ها که در کنار فرمول‌ها و برای نقض کردن فرمول‌های ضعیف تولید می‌شوند و در نتیجه جمعیت را کلاً قویتر می‌سازند.

مختصراً گفته می‌شود که الگوریتم ژنتیک (یا GA) یک تکنیک برنامه‌نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده می‌کند. مسئله‌ای که باید حل شود ورودی است و راه حلها طبق یک الگو کدگذاری می‌شوند که تابع fitness نام دارد و هر راه حل کاندید را ارزیابی می‌کند که اکثر آنها به صورت تصادفی انتخاب می‌شوند.

الگوریتم ژنتیک (GA) یک تکنیک جستجو در علم رایانه برای یافتن راه حل بهینه و مسائل جستجو است. الگوریتم‌های ژنتیک یکی از انواع الگوریتم‌های تکاملی‌اند که از علم زیست‌شناسی مثل وراثت، جهش، انتخاب ناگهانی (زیست‌شناسی)، انتخاب طبیعی و ترکیب الهام گرفته شده.

عموماً راه‌حلها به صورت ۲ تایی ۰ و ۱ نشان داده می‌شوند، ولی روشهای نمایش دیگری هم وجود دارد. تکامل از یک مجموعه کاملاً تصادفی از موجودیت‌ها شروع می‌شود و در نسلهای بعدی تکرار می‌شود. در هر نسل، مناسبترین‌ها انتخاب می‌شوند نه بهترین‌ها.

یک راه‌حل برای مسئله مورد نظر، با یک لیست از پارامترها نشان داده می‌شود که به آنها کروموزوم یا ژنوم می‌گویند. کروموزوم‌ها عموماً به صورت یک رشته ساده از داده‌ها نمایش داده می‌شوند، البته انواع ساختمان داده‌های دیگر هم می‌توانند مورد استفاده قرار گیرند. در ابتدا چندین مشخصه به صورت تصادفی برای ایجاد نسل اول تولید می‌شوند. در طول هر نسل، هر مشخصه ارزیابی می‌شود و ارزش تناسب (fitness) توسط تابع تناسب اندازه‌گیری می‌شود.

گام بعدی ایجاد دومین نسل از جامعه است که بر پایه فرایندهای انتخاب، تولید از روی مشخصه‌های انتخاب شده با عملگرهای ژنتیکی است: اتصال کروموزوم‌ها به سر یکدیگر و تغییر.

برای هر فرد، یک جفت والد انتخاب می‌شود. انتخاب‌ها به گونه‌ای‌اند که مناسبترین عناصر انتخاب شوند تا حتی ضعیفترین عناصر هم شانس انتخاب داشته باشند تا از نزدیک شدن به جواب محلی جلوگیری شود. چندین الگوی انتخاب وجود دارد: چرخ منگنه‌دار (رولت)، انتخاب مسابقه‌ای (Tournamentt) ،... .

معمولاً الگوریتم‌های ژنتیک یک عدد احتمال اتصال دارد که بین ۰٫۶ و ۱ است که احتمال به وجود آمدن فرزند را نشان می‌دهد. ارگانیسم‌ها با این احتمال دوباره با هم ترکیب می‌شوند. اتصال ۲ کروموزوم فرزند ایجاد می‌کند، که به نسل بعدی اضافه می‌شوند. این کارها انجام می‌شوند تا این که کاندیدهای مناسبی برای جواب، در نسل بعدی پیدا شوند. مرحله بعدی تغییر دادن فرزندان جدید است. الگوریتم‌های ژنتیک یک احتمال تغییر کوچک و ثابت دارند که معمولاً درجه‌ای در حدود ۰٫۰۱ یا کمتر دارد. بر اساس این احتمال، کروموزوم‌های فرزند به طور تصادفی تغییر می‌کنند یا جهش می‌یابند، مخصوصاً با جهش بیت‌ها در کروموزوم ساختمان داده‌مان.

این فرایند باعث به وجود آمدن نسل جدیدی از کروموزوم‌هایی می‌شود، که با نسل قبلی متفاوت است. کل فرایند برای نسل بعدی هم تکرار می‌شود، جفت‌ها برای ترکیب انتخاب می‌شوند، جمعیت نسل سوم به وجود می‌آیند و ... این فرایند تکرار می‌شود تا این که به آخرین مرحله برسیم.

شرایط خاتمه الگوریتم‌های ژنتیک عبارتند از:

• به تعداد ثابتی از نسل‌ها برسیم.
• بودجه اختصاص داده‌شده تمام شود (زمان محاسبه/پول).
• یک فرد (فرزند تولید شده) پیدا شود که مینیمم (کمترین) ملاک را برآورده کند.
• بیشترین درجه برازش فرزندان حاصل شود یا دیگر نتایج بهتری حاصل نشود.
• بازرسی دستی.
• ترکیبهای بالا.

فهرست:

استراتژی های جستجو

الگوریتم های تکاملی

الگوریتم های ژنتیک

چند اصطلاح

آشنای با الگوریتم ژنتیک

ساختار الگوریتم های ژنتیک

عملگرهای الگوریتم های ژنتیک

مزایا

معایب

برنامه نویسی ژنتیک

تاریخچه 

قدم های اولیه برنامه نویسی

مشکلات برنامه نویسی ژنتیک

کاربردها

منابع

طراحی الگوریتم و طراحی الگوریتم 2

اختصاصی از فی بوو طراحی الگوریتم و طراحی الگوریتم 2 دانلود با لینک مستقیم و پر سرعت .

 طراحی الگوریتم و  طراحی الگوریتم 2

توضیحات محصول : کتاب های خلاصه منابع  رشته کامپیوتر و نرم افزاربرای آمادگی آزمون دکتری دانشگاه آزاد به همراه مجموعه تست با پاسخنامه تشریحی برای کنکوریها

الگوریتم جست و جوی ترتیبی 
می خواهیم ببینیم که آیا کلید x در آرایه [S[1..n با n کلید قرار دارد؟ اگر در آرایه وجود داشت، موقعیت آن (p) را برگردانـد و اگر وجود نداشت، صفر برگرداند.

در این جستجو، عنصر x را با عناصر آرایه از ابتدا به سمت انتها مقایسه می کنـیم. اگـر بـه عنصـر مورد نظر برسیم، از حلقه خارج شده و شماره خانه آرایه که x در آن قرار داشت را بر می گردانیم.

اگر جستجو تا انتهای آرایه انجام شود و x پیدا نشود، در این حالت متغیر حلقه از تعداد عناصر آرایه بیشتر شده است و صفر را بر می گردانیم. 
int seqsearch (int n, const keytype S[ ], keytype x){ 
 index p = 1; 
 while (p <= n="" br="" />  p++; 
 if (p > n) p=0; 
 return p; 
} 
تذکر: نوع داده index برای متغیر صحیحی است که به عنوان اندیس به کار میرود. 
تذکر : اگر نخواهیم روالی مقادیر را از طریق آرایه برگرداند، آن آرایه را با واژه const معرفی میکنیم. 
الگوریتم جست و جوی دودویی 
با فرض این که به دنبال x هستیم، الگوریتم ابتدا، x را با عنصر میانی آرایه مقایسه میکند. اگر مساوی بود، الگوریتم به پایان مـیرسد.

اگر x کوچکتر از عنصر میانی بود، باید در نیمه نخست آرایه باشد (اگر وجود داشته باشد) و الگوریتم جسـت و جـو در نیمـه
نخست آرایه تکرار میگردد (یعنی x با عنصر میانی نیمه اول آرایه مقایسه میشود. اگر مساوی بود، الگوریتم به پایان میرسد و الی
آخر).

اگر x بزرگتر از عنصر میانی آرایه بود، جست و جو در نیمه دوم آرایه تکرار میشد. این رویه چندین بار تکرار میگردد تـا x
پیدا شود یا معلوم گردد که x در آرایه وجود ندارد. 
مثال: برای پیدا کردن عدد 9 در آرایه مرتب زیر با روش جستجوی دودویی، به چند مقایسه نیاز است؟ 
1 2 3 4 5 6 7 8 9
5 9 12 20 35 50 82 88 97
 طراحی الگوریتم وطراحی الگوریتم
«11» WWW.SANJESH.IR 
حل: 
ابتدا عدد 9 با عنصر وسط آرایـه یعنـی 35 مقایسـه مـی شـود و چـون از آن کـوچکتر اسـت مقایسـه بـه طـور بازگشـتی در زیـر
آرایه [x[1..4 انجام می گیرد، یعنی با عنصر وسط این آرایه مقایسه می شود که با آن برابر است. بنابراین با دو مقایسـه بـه نتیجـه
می رسیم. 
الگوریتم جستجوی دودویی 
در الگوریتم زیر تعیین می مکنی که آیا x در آرایه مرتب n کلیدی [S[1..n وجود دارد یا خیر. اگر وجود داشـت موقعیـت x در S 
یعنی p و اگر وجود نداشت صفر را بر می گرداند. 
void binsearch (int n ,const keytype S[ ], keytype x, index& p){ 
 index low, high, mid; 
low=1; high = n; p = 0; 
while (low <= high="" p="=" br="" />  mid = [(low + high)/2]; 
 if (x == S[mid]) p = mid; 
 else if (x < S[mid]) high = mid–1; 
 else low = mid+1; 
 } 
} 
تذکر: اگر در آخر نوع داده، علامت & قرار دهیم یعنی پارامتر حاوی مقداری اسـت کـه توسـط الگـوریتم بازگردانـده مـیشـود. (از
علامت & برای آرایه استفاده نمی کنیم.) 
مقایسه کار انجام شده توسط جست وجوی دودویی و جست وجوی ترتیبی 
جست و جوی ترتیبی، n مقایسه انجام میدهد تا تعیین کند آیا x در آرایهای به اندازه n وجود دارد یا خیر. 
تعداد مقایسه های انجام شده توسط جست و جوی دودویی در یک آرایه مرتب n عنصری برابر 1nlg+ می باشد. 
مثال: در یک آرایه مرتب 32 عنصری ، وقتی x بزرگتر از تمام عناصر موجود در آرایه باشد، الگوریتم جستجوی دودویی 6 مقایسه
انجام میدهد . lg + = )6132) . ترتیب شماره عناصر مقایسه شده عبارتند از: 16 , 24 , 28 , 30 , 31 , 32 . 
2 تذکر: در تحلیل الگوریتمها به جای
log از نماد خلاصه lg استفاده می کنیم. 
مثال: ههنگامی که آرای حاوی 4 میلیارد عنصر باشد، جست و جوی دودویی تنها بـه 33 مقایسـه و جسـت و جـوی ترتیبـی، چهـار
میلیارد مقایسه نیاز دارد. حتی اگر کامپیوتر قادر به کامل کردن یک بار گذر از حلقه while در عرض یک نانوثانیه باشد، جسـت و
جوی ترتیبی 4 ثانیه زمان میبرد تا عدم وجود x را در آرایه اعلان کند، حال آن که جسـت و جـوی دودویـی تقریبـاً بلافاصـله بـه
نتیجه . میرسد 
تذکر: جست و جوی ترتیبی هنوز هم در مقیاسهای زمانی قابل تحمل برای انسان، عمل می کند. حال به یک الگـوریتم نامناسـب
میپردازیم که کار را در زمانی قابل تحمل به انجام نمیرساند. «WWW.SANJESH.IR «12

تست های کارشناسی ارشد 
 -1 کدام گزینه نادرست است؟ (علوم کامپیوتر - دولتی )83 
 1) تمام مسائل P به وسیله یک الگوریتم غیر قطعی در زمان چند جمله ای حل می شوند. 
 2) تمام مسائل NP به وسیله یک الگوریتم غیر قطعی در زمان چند جمله ای حل می شوند. 
 3) تمام مسائل NP-hard به وسیله یک الگوریتم غیر قطعی در زمان چند جمله ای حل می شوند. 
 4) تمام مسائل NP-Complete به وسیله یک الگوریتم غیر قطعی در زمان چند جمله ای حل می شوند. 
 -2 اگر یک مسئله NP-Complete مانند L وجود داشته باشد که L Î P باشد، در آن صورت: (علوم - دولتی )82 
 ¹ NPP (2 = NPP ( 1
 Ï - hardNPL (4 Î - hardNPL ( 3
 -3 گزینه صحیح را انتخاب کنید. (علوم کامپیوتر - دولتی )82 
 1) مسائل NP-Complete زیر مجموعه مسائل NP-hard . می باشند 
 2) مسائل NP-hard زیر مجموعه مسائل NP-Complete . می باشند 
 3) مسائل NP زیر مجموعه مسائل P . می باشند    

P=NP (4

نوع فایل:PDF

  سایز:3.64 mb

 تعداد صفحه:169

ترجمه مقاله الگوریتم زمان بندی کار بر اساس بهینه سازی اجتماع ذرات برای رایانش ابری

اختصاصی از فی بوو ترجمه مقاله الگوریتم زمان بندی کار بر اساس بهینه سازی اجتماع ذرات برای رایانش ابری دانلود با لینک مستقیم و پر سرعت .

این مقاله ترجمه مقاله انگلیسی Job scheduling algorithm for cloud computing based on particle swarm
optimization می باشد ./

سال انتشار : 2013/

 تعداد صفحات مقاله انگلیسی : 5/

تعداد صفحات فایل ترجمه : 9/

فرمت فایل ترجمه : Word /

مقاله اصلی را به زبان انگلیسی می توانید رایگان از اینجا دریافت فرمایید /

چکیده:

رایانش ابری یک محیط محاسباتی در حال ظهور کارآمد با مجموعه ای مقیاس بالا و ناهمگون از سیستم های مستقل و معماری محاسباتی انعطاف پذیر است. کارایی سیستم زمان بندی بر سود مربوط به هزینه ی نمونه ی محاسباتی تاثیر می گذارد. برای کاهش مصرف انرژی و بهبود سود، یک مدل زمان بندی کار بر اساس الگوریتم بهینه سازی اجتماع ذرات برای رایانش ابری بنا نهاده شده است. بر اساس بستر شبیه سازی محاسباتی متن باز رایانش ابری CloudSim، نتایج نشان می دهند که الگوریتم پیشنهادی می تواند در مقایسه با GA و الگوریتم های زمان بندی تصادفی، در مورد هزینه ی انرژی و سود به جواب بهتری دست پیدا کند.

 

تماس با ما برای راهنمایی یا ترجمه با آدرس ایمیل:

[e-mail]

شماره تماس ما در نرم افزار تلگرام:

[phone] 

 کانال تلگرام‌  @maghalecomputer

 توجه: اگر کارت بانکی شما رمز دوم ندارد، در خرید الکترونیکی به مشکل برخورد کردید و یا به هر دلیلی تمایل به پرداخت الکترونیکی ندارید با ما تماس بگیرید تا راههای دیگری برای پرداخت به شما پیشنهاد کنیم.