دانلودمقاله زمانبندی در گریدهای محاسباتی

اختصاصی از فی بوو دانلودمقاله زمانبندی در گریدهای محاسباتی دانلود با لینک مستقیم و پر سرعت .

چکیده

زمانبندی در گریدهای محاسباتی مهمترین نقش را در بهبود کارایی ایفا می کند. زمانبندی ضعیف باعث افزایش زمان اجرای کار و در نتیجه کاهش گذردهی گرید می شود. سیستم گرید صدها یا هزاران کار را به طور همزمان اجرا می کند و در نتیجه تصمیم گیری ضعیف در مورد مکان اجرای کار می تواند به طور چشمگیری باعث کاهش کارآیی شود. اما زمانبندی موثر یا به عبارت دیگر تصمیم گیری خوب در مورد مکان اجرای کار یک مساله بسیار دشوار و NP – Complete است که با چالش های مختلفی روبروست. یکی از این چالشها ارتباطات بین وظایف یا زیر کارهای موجود در یک کار است. علاوه بر آن محیط گرید یک محیط بسیار پویاست که تعداد منابع، در دسترس بودن آنها، بار پردازنده و فضای دیسک در طول زمان مداوم در حال تغییرند. از طرف دیگر کارهای ویژگی های متفاوتی دارند که این امر زمانبندی های متفاوتی را طلب می کند. به عنوان مثال بعضی از کارها نیازمند توان پردازشی بالا و بعضی نیازمند توان ارتباطی بالا بین وظایف خود هستند. در نهایت

یکی از مهمترین ویژگی های زمانبندی گرید که آن را از دیگر زمانبندی ها(مانند زمانبندی کلاستر) متمایز می کند، قابلیت مقیاس پذیری آن است. زمانبندی که

بسیار ساده ای(مانند زمانبندی تصادفی، چرخشی تکراری و ...) استفاده می کنند و زمان ارتباطات بین وظایف یک کار و همچنین زمان ارسال یک کار از یک نقطه گرید به نقطه دیگر را نادیده می گیرند. علاوه برآن با توجه به این که غالب زمانبندها عمل زمانبندی را در یک سطح انجام می دهند و با عناصر پردازنده و وظیفه سروکار دارند، معمولاً قابلیت مقیاس پذیری خوبی ندارند.
در این تحقیق به منظور مقیاس پذیر بودن، مساله زمانبندی در دو سطح بررسی شده است. در سطح بالا که همان زمان بندی در سطح گرید است، زمانبند با عناصر کلاستر یا سایت و کار سروکار دارد. در حقیقت گرید مجموعه ای از سایت ها در نظر گرفته شده که هر یک نماینده یک سازمان یا فرد است . از یک تا چند صد ماشین دارد. تاکید اصلی تحقیق نیز بر روی همین زمانبند سطح بالا است که به آن گلوبال یا سراسری نیز گفته می شود و وظیفه آن اختصاص کل یک کار(با تمام وظایف موجود در آن) به یک کلاستر است. سپس زمانبند سطح پایین (زمانبند سطح کلاستر) وظایف موجود در کار را بر روی نودهای موجود در کلاستر زمانبندی و اجرا می کند. پیشتر، زمانبندی های سطح کلاستر خوبی طراحی و پیاده سازی شده است.

زمانبند گلوبال پیشنهادی با درنظر گرفتن از یک طرف نیازهای ارتباطی بین وظایف یک کار، زمان مورد نیاز برای انتقال یک کار از یک نقطه گرید به نقطه دیگر و علاوه برآن نیاز پردازشی و محاسباتی کار و از طرف

دیگر اطلاعات راجع به بار کلاسترها(سایت ها)، میزان ترافیک موجود در شبکه هر کلاستر و گرید، سعی در تصمیم گیریهای موثر دارد. به منظور برخورد کیفی با این پارامترهای مختلف از منطق فازی استفاده شده است تا تطابق بین نیازهای کار و ورودی و ویژگی های فعلی هر کلاستر تعیین شود و در نهایت کار به کلاستر با بالاترین تطابق ارسال شود.

1 مقدمه

محاسبات مدرن روز به روز با بهبود توان محاسباتی ، قابلیت ذخیره سازی و ارتباطات روبه رو می شود.علیرغم این توسعه ها شرایط بسیار زیادی وجود دارد که منابع محاسباتی نیاز ما را برآورده نمی کنند.این امر هم در محیط های علمی و هم اقتصادی اتفاق می افتد و دلایل خاص خود را دارد. به عنوان مثال ده سال پیش، زیست شناس ها مایل به محاسبه ساختار تک مولکول بودند اما امروزه آنها می خواهند ساختار ترکیبات پیچیده ای از مولکول را محاسبه کنند. بسیاری از پروژه های علمی صدها مگابایت داده را در ظرف یک ثانیه تولید کرده و نیازمند بررسی و پردازش سریع آن ها هستند. راه حل این مشکلات در مقوله ی جدیدی به نام محاسبات گریدی نهفته است که برای اولین بار در سال 1969 توسط Leonard Kleinrock به صورت زیر توصیف شد. احتمالاً به زوری شاهد گسترش تسهیلات کامپیوتری خواهیم بود که همانند تسهیلات برق و تلفن امروزی خانه ها و ادارات را سرویس خواهد داد.
در سالیان منتهی به سال 2000 میلادی تحقیقات در حوزه محاسبات گریدی منجر به توسعه گرید توان محاسباتی شد که زیر ساختی برای محاسبات عظیم توزیع شده و موازی است. زیر ساخت گرید امکان ا شتراک و انتخاب منابعی که از نظر جغرافیایی در مکان های مختلف قرار دارند

و متعلق به سازمان های متفاوت هستند را فراهم می کند. این منابع شامل ایستگاه های کاری ، کلاسترها، سیستم های ذخیره سازی، دستگاه های خاص و غیره است.اشتراک منبع سودمند است زیرا اجازه استفاده از توان چندین منبع را می دهد. مثلاً به جاری اجرای یک برنامه محاسباتی عظیم بر روی سخت افزار خاص (مانند یک ابر کامپیوتر) می توان آن را به صورت موازی بر روی کامپیوترهای موجود در یک کلاستر که بسیار ارزان تر هستند اجرا کرد.

یک سیستم گرید محاسباتی برنامه هایی را بر روی منابع موجود در زیر ساخت گرید اجرا می کند تا یک سیستم واحد از منابع متعامل را تشکیل دهد. این برنامه ها عمل تعامل بین منابع را آسان می کنند. به مجموعه برنامه هایی که تعامل بین منابع را مدیریت می کنند، میان افزار سیستم گرید گفته می شود زیرا یک لایه نرم افزاری بالای سیستم عامل است که عمل تعامل بین منابع موجود در گرید را کنترل می کند. کاربر سیستم گرید می تواند برنامه های کاربردی خود را بر روی منابع متنوعی از گرید اجرا کند. او این کار را با اجرای برنامه کاربردی در بالای لایه میان افزاری انجام می دهد. یک سیستم گرید می تواند تعداد زیادی از این برنامه های کاربردی را به طور همزمان اجرا کند. یک نوع ازبرنامه های کاربردی که معمولاً در سیستم گرید اجرا می شوند، ساختارهای تک برنامه چند داده (SPMD) هستند که به آنها

برنامه های داده-موازی نیز گفته می شود. این برنامه ها به چندین وظیفه تقسیم می شوند که هر یک محاسبات را بر روی قسمت مجزایی از مجموعه داده انجام می دهد. این وظایف به همراه یکدیگر کار می کنند تا کل مجموعه داده را پردازش کنند و در مجموع به آنها یک کار گفته میشود. از این مدل برنامه معمولاً در حل مسایل محاسباتی علمی استفاده می شود. اجرای این کارها ممکن است چندین ساعت یا روز به طول بکشد و می تواند مقدار زیادی از منابع سیستم را مصرف کند . این کارها معمولاً مقدار زیادی محاسبات یا ارتباطات بین وظایف و یا هر دو را انجام می دهند.
مطالعه فضای پارامتر یک نوع کار است که به طور تکرار شونده حجم زیادی از محاسبات را بر روی بازه ای از پارامترهای برنامه انجام می دهد. مجموعه کل پارامترها را می توان به عنوان کل مجموعه داده در نظر گرفت. هر تکرار برنامه را می توان به طور موازی در سیستم گرید اجرا کرد و به این طریق در مدتی بسیار کوتاهتر از زمان اجرای سریال برنامه، نتایج آن را مشاهده کرد.
یک سیستم گرید با کارایی بالا باید تلاش کند تا گذردهی کار سیستم را ماکزیمم کرده و زمان اجرای کار را مینیمم کند. این دو هدف گاهی در مقابل یکدیگر قرار میگیرند به عنوان مثال اگر دو کار، هر یک نیازمند P پردازنده باشند و گرید تنها بتواند 2P-1 پردازنده را فراهم کند، نمی توان کارایی بهینه را به طور همزمان برای هر دو کار بدست آورد. اگر هر دو کار به طور

همزمان اجرا شوند حداقل دو وظیفه بر روی یک پردازنده قرار می گیرد که باعث می شود زمان اجرای هر دو کار افزایش یابد. اما اجرای سریال دو کار گذردهی کار سیستم را پایین می آورد.
سیستم مدیریت منابع گرید استفاده از منابع را کنترل می کند تا به هدف سیستم گرید با کارآیی بالا دست یابد. زمانبند یکی از اجزای سیستم مدیریت منابع گرید است که از اطلاعات سیستم گرید و کار استفاده می کند تا یک انتساب از وظایف کار ورودی به ماشین ها ایجاد کند. به این عمل انتساب، زمانبندی گفته می شود. تصمیم گیرهای زمانبندی مؤثر معمولا تلاش در مینیمم کردن زمان اجرای کار دارند . سیستم مدیریت منابع گرید تلاش دارد تا زمانبندی های مؤثری انجام دهد زیرا زمانبندی ضعیف باعث افزایش زمان اجرای کار می شود و در نتیجه گذردهی کار را کاهش می دهد. با این وجود تولید زمانبندی مؤثر و خوب برای کارهای گرید یک مساله بسیار دشوار است که پیچیدگی های خاص خود را دارا ست.
2- طبقه بندی زمانبندها¬ی پیشین
در این قسمت می خواهیم یک طبقه بندی از تکنیک های زمانبندی ارائه دهیم . در یک طبقه بندی از زمانبندی در سیستم های توزیع شده ارائه گردیده که بسیاری از تعاریف را از آن گرفته ایم. به طور کلی مساله زمانبندی به روشهای مختلفی در سیستم های عامل سنتی و سیستم های توزیع شده تعریف گردیده است . در حالت کلی اجرای یک کار داده موازی در یک سیستم گرید شامل چهار مرحله زیر است (شکل1)
- پارتیشن بندی کار
- جمع آوری اطلاعات

- انتساب وظایف به نودها
- آغاز اجرای وظایف

شکل 1- مراحل کلی اجرای یک کار داده موازی در یک سیستم گرید
پارتیشن بندی کار عبارت است از تقسیم یک کار به وظایف آن . به طور کلی کارهای موازی را می توان به دو گروه تقسیم کرد :1. انعطاف ناپذیر 2. قالب پذیر .
کارهای انعطاف ناپذیر بر روی تعداد مشخصی از پردازنده ها که معمولا توسط کاربر مشخص می شود، اجرا می شوند اما کارهای قالب پذیر را می توان بر روی تعداد متفاوتی از منابع محاسباتی اجرا کرد. در سیستم های گرید ممکن است کاربران بخواهند تعداد پردازنده هایی که کار باید روی آن اجرا شود را مشخص کنند، به خصوص وقتی خود کاربر برنامه را نوشته باشد . به طور

جایگزین از ابزارهای پارتیشن بندی خاصی نیز می توان به منظور تولید وظایف استفاده کرد.
جمع آوری اطلاعات همان فرایند جمع آوری اطلاعات برنامه کاربردی و منابع است. از این اطلاعات می توان برای ساختن یک مدل ساده از برنامه کاربردی و گرید استفاده کرد. سپس در مرحله انتساب وظیفه، الگوریتم زمانبندی از مدل های موجود برای تخمین کارایی وظیفه و تولید انتساب وظیفه به صورت کارا استفاده می کند . الگوریتم زمانبندی ممکن است از اطلاعات جمع آوری شده به منظور تولید انتساب کاراتر استفاده کند . سپس وظایف بر روی منابع گرید انتساب یافته و شروع به اجرا می کنند .
از نظر زمان انجام فرایند زمانبندی می توان ، استراتژی های زمانبندی را به انواع زیرتقسیم کرد . زمانبندی زمان کامپایل هنگام کامپایل برنامه کاربردی آن را زمانبندی نیز می کند و طبیعتا از اطلاعات پویای سیستم نمی تواند استفاده کند . از این رو این استراتژی مناسب برای محیط گرید که وضعیت آن مدام در حال تغییر است، نمی باشد . به عنوان نمونه این زمانبندی ها ممکن است وظایف را بر روی منابع غیر قابل دسترس قرار دهند . زیرا اطلاعات راجع به در دسترس بودن منبع را نمی توان بیش از زمان اجرا به طور قطعی دانست .

فرمت این مقاله به صورت Word و با قابلیت ویرایش میباشد

تعداد صفحات این مقاله  21  صفحه

پس از پرداخت ، میتوانید مقاله را به صورت انلاین دانلود کنید

برنامه ی زمانبندی اجرای پروژه مهندسی عمران

اختصاصی از فی بوو برنامه ی زمانبندی اجرای پروژه مهندسی عمران دانلود با لینک مستقیم و پر سرعت .

فایل اکسل برنامه ی زمانبندی مراحل مختلف اجرای پروژه

پیاده کردن نقشه و عملیات خاکی و پی کنی

بتن مگر

قالب بندی

اجرا و ...

با قابلیت درصدها و زمان اجرای مراحل مختلف پروژه

دانلود پایان نامه انگلیسی دکترای کامپیوتر: تخصیص منابع و زمانبندی در رایانش ابری با تکیه بر ناهمگنی منابع -- Scheduling in clou

اختصاصی از فی بوو دانلود پایان نامه انگلیسی دکترای کامپیوتر: تخصیص منابع و زمانبندی در رایانش ابری با تکیه بر ناهمگنی منابع -- Scheduling in cloud computing دانلود با لینک مستقیم و پر سرعت .

در این پایان نامه در زمینه زمانبندی در سیستم های محاسبات ابری یا رایانش ابری (Cloud Computing) صحبت شده است. رایانش ابری شیوه ای از انجام محاسبات است که در آن کاربران میتوانند کامپیوترها را اجاره کنند و تنها به ازای میزان استفاده هزینه پرداخت کنند. نویسنده اعتقاد دارد کاربران و فراهم کنندگان منابع دو هدف متفاوت دارند؛ هدف کاربران مینیمم کردن هزینه هاست و هدف فراهم کنندگان ماگزیمم کردن استفاده از منابع یه منظور افزایش درآمد. رسیدن به این هدف بسیار سخت است چرا که زمانبندی بهینه دشوار و دست نیافتنی است و مشکل دیگر ناهمگنی منابع است (Heterogeneity).

نویسنده از چند جهت به حل مسئله پرداخته است و از سیستم نگاشت - کاهش (MapReduce) برای شبیه سازی کار خود کمک گرفته است. ابتدا از نقطه نظر فراهم کننده از روشهای توپولوژی آگاه (Topology aware) برای قراردادن منابع استفاده کرده است که میتواند در به اشتراک گذاری اطلاعات کمک کند. از دیدگاه کاربر نیز یک روش اختصاص منابع ارائه شده که مجموعه ای از منابع اجاره شده را در نظر میگیرد و میتواند به روش مقرون به صرفه ای منابع را اختصاص دهد. همچنین برای افزایش کارایی یک روش پیش بینی زمان پایان کارها معرفی شده است.

این پایان نامه در سال 2012 برای دریافت مدرک دکتری کامپیوتر از دانشگاه برکلی کالیفرنیای آمریکا ارائه شده است.

تعداد صفحات:112

کلمات کلیدی: پایان نامه کارشناسی دکترای کامپیوتر، تز دکتری کامپیوتر، پایان نامه کارشناسی ارشد کامپیوتر، محاسبات ابری، رایانش ابری، زمانبندی، زمانبندی کارها، زمابندی وظایف، هدوپ، سیستم های ابری ناهمگن،  Cloud Computing، Scheduling, Hadoop, Map Reduce,  Task scheduling, Job Scheduling

پس از خرید از درگاه امن بانکی لینک دانلود در اختیار شما قرار میگیرد و همچنین به آدرس ایمیل شما فرستاده میشود.

تماس با ما برای راهنمایی، درخواست مقالات و پایان نامه ها و یا ترجمه با آدرس ایمیل:

[e-mail]

شماره تماس ما در نرم افزار واتس آپ:

[phone]

شماره تماس ما در نرم افزار تلگرام:

[phone] 

 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.

روشی جدید برای الگوریتم زمانبندی CPU با گردش بنوبت ژنتیکی

اختصاصی از فی بوو روشی جدید برای الگوریتم زمانبندی CPU با گردش بنوبت ژنتیکی دانلود با لینک مستقیم و پر سرعت .

روشی جدید برای الگوریتم زمانبندی CPU با گردش بنوبت ژنتیکی

45 صفحه در قالب word

به همراه 45 اسلاید آماده ارائه در قالب پاورپوینت

فهرست مطالب

مقدمه ..................................1

فصل اول

چکیده..................................................................2

تاریخچه الگوریتم ژنتیک.....................................3

اهداف ......................................................3

ساختار الگوریتم‏های ژنتیکی................................4

عملگرهای الگوریتم  ژنتیک...............5

روند کلی الگوریتم‏های ژنتیکی............................9

روند کلی بهینه سازی و حل مسائل در الگوریتم ژنتیک :.....................11

شرط پایان الگوریتم..........................................12

    فصل دوم

توضیح الگوریتم ژنتیک  در 12 قدم.......................18

قدم اول :  بدست آوردن تابع هدف (Cost Function) با n متغیر…………...18

قدم دوم : تعیین طول کروموزوم. ................20

قدم سوم : تولید جمعیت اولیه. .......................21

قدم چهارم: تبدیل هر ژن  از کروموزوم به اعدادی در بازه دامنه همان متغیر...............23

قدم پنجم :........................................25

قدم ششم : :.................................................26

قدم هفتم : تعیین تعداد کروموزوم شرکت کننده در عمل پیوند .:.........27

قدم هشتم : انتخاب کروموزومهایی که در عمل پیوند شرکت می کنند .................27

قدم نهم :  پیوند (crossover) . ..........................31

قدم دهم : جهش (mutation)   .................................36

قدم یازدهم : حفظ بهترین کروموزوم 36………………..

قدم دوازدهم : 37………………

فصل سوم

روش پژوهش....................................40

نتایج و بحث:.......................................41

نتیجه گیری و کارهای آینده..............................................50

نتیجه گیری‌ کلی.................................................51

قدر دانی................................................51

منابع.................................................43

مقدمه

یک موضوع جالب در سیستم عامل, زمانبندی CPU است.این زمانبندی به تخصیص CPU مربوط است که فراینده ها را در سیستمی کامپیوتری اجرا میکند.زمانبندی CPU وظیفه ی اصلی سیستم عامل است[1].زمانبندی باید بدرستی برای نگه داشتن بیطرفی و جلوگیری از فرایندهایی که هرگز CPU را تخصیص نمیدهد انجام شود(فرایند گرسنگی).زمانبندی CPU ضروری است , بخصوص در سیستم شبکه ی کامپیوتری که از گروهی از ایستگاههای کاری و سرویس دهندهها تشکیل میشود.سپس,در این سیستم عامل جدید ,کامپیوتر چند وظیفه ای ,یک هدف است و این به الگوریتم برای زمانبندی CPU متکی است.بهمین دلیل CPU بخش موثر یا مهم یک کامپیوتر است.[1].علاوه بر این ,در این عصر به کمک VLSL (در مقیاس بسیار بزرگ مدار مجتمع)ممکن است پردازنده هایی با قدرت بالا تولید کنند.این قدرت شگفت انگیز بایداستفاده شود تا بی فایده نباشد.همزمان با قدرت محاسبه ی پردازنده, در برنامه های کاربردی افزایش وجود دارد که آن قدرت را استفاده میکند. یک معیار که باید بوسیله ی برنامه انجام شود ,به حداقل رساندن میانگین زمان انتظار برای همه ی فرایندها در بدست آوردن تخصیص CPU است.الگوریتمهای مختلفی برای زمانبندی CPU وجود دارد:یکی از آنها گردش بنوبت(RR) است.مفهوم اساسی در RR استفاده از اشتراک گذاری زمان است[3].هر فرایند همان زمان CPU را بدست می آورد یعنی زمان کوانتومی, که بعنوان محدودیت در زمان پردازش ,بطور کلی در محدوده ی 1-100 میلی ثانیه عمل میکند.بعد از اینکه زمان کوانتومی برای فرایندی بپایان رسید,فرایند از اجرای آن متوقف میشود و در صف آماده گذارده میشوند.سپس ,فرایند بعدی انتخاب میشودتا اجرا شود.این مراحل چندین بار اجرا خواهند شد تا زمانیکه همه ی فرایندها بطور کامل بوسیله ی CPU بکار روند.اگر چه محدوده ی مقدار برای زمان کوانتومی وجود دارد,هنوز هیچ استانداردی وجود ندارد. ضمنا اگر زمان کوانتومی بسیار زیاد باشد,زمان مورد نیاز برای پاسخ / انتظار (چقدر زمان مورد نیاز است که آن بکار گرفته شود) کاملا زیاد است.علاوه براین, اگر خیلی کم باشد برای CPU مخارج کلی بوجود می آورد.جستجو برای بهترین زمان کوانتومی هدف دارد که به حداقل رساندن میانگین زمان انتظار برای گروهی از فرایندهاست.امیدواریم که هر فرایند بتواند کارش را در زمان معقول انجام دهد.تسریع کننده  یک فرایند اثرات کارش را در بسیاری از فرایندها بپایان میرساند که میتواند بوسیله ی CPU بکار گرفته شود.این کار به توان عملیاتی بهتری از CPU میرسد برای اینکه همیشه مشغول است و هرگز غیرفعال نیست.براساس مقدمه ی بالا فکر میکنیم برای پیدا کردن بهترین کوانتوم برای بدست آوردن میانگین بهتری از زمان انتظار,مدت زمان صرف شده و حداقل تعویض بستر لازم است.الگوریتم ژنتیکی را پیشنهاد میکنیم که با گردش بنوبت سنتی ترکیب میشود.

به زبان ساده تر

   محدوده کاری الگوریتم ژنتیک  بسیار وسیع می باشد و هر روز با پیشرفت روزافزون علوم و تکنولوژی استفاده از این روش در بهینه سازی و حل مسائل بسیار گسترش یافته است. الگوریتم ژنتیک   یکی از زیر مجموعه های محاسبات تکامل یافته می باشد که رابطه مستقیمی با مبحث هوش مصنوعی دارد در واقع الگوریتم ژنتیک  یکی از زیر مجموعه های هوش مصنوعی می باشد.  الگوریتم ژنتیک را می­توان یک روش جستجوی کلی نامید که از قوانین تکامل بیولوژیک طبیعی تقلید می­کند .الگوریتم ژنتیک برروی یکسری از جواب­های مساله به امید بدست آوردن جوابهای بهتر قانون بقای بهترین را اعمال می کند. درهر نسل به کمک فرآیند انتخابی متناسب با ارزش جواب­ها و تولید مثل جواب-های انتخاب شده به کمک عملگرهایی که از ژنتیک طبیعی تقلید شده­اند ,تقریب­های بهتری از جواب نهایی بدست می­آید. این فرایند باعث می­شود که نسلهای جدید با شرایط مساله سازگارتر باشد.

تاریخچه

   حساب تکاملی ,برای اولین بار در سال 1960 توسط آقای ریچنبرگ ارائه شد که تحقیق وی در مورد استراتژی تکامل بود.بعدها نظریه او توسط محققان زیادی مورد بررسی قرار گرفت تا اینکه الگوریتم ژنتیک  (GA  ) توسط جان هولند(John Holland ) و در سال 1975 در دانشگاه میشیگان ,ارائه شد.

در سال 1992 نیز جان کوزا (John Koza ) از الگوریتم ژنتیک  (GA  ) برای حل و بهینه سازی مسائل مهندسی پیشرفته استفاده کرد و توانست برای اولین بار روند الگوریتم ژنتیک  (GA  )  را به زبان کامپیوتر در آورد و برای آن یک زبان برنامه نویسی ابداع کندکه به این روش برنامه نویسی ,برنامه نویسی ژنتیک (GP ) گویندو نرم افزاری که توسط وی ابداع گردید به نرم افزار LISP مشهور است که هم اکنون نیز این نرم افزار کاربرد زیادی در حل و بهینه سازی مسائل مهندسی پیدا کرده است .

اهداف

تحقیقاتمان اهدافی بشرح زیر دارد:

1. طراحی و پیاده سازی سیستم که میتواند بهترین کوانتوم را برای رسیدن به میانگین بهینه ی زمان انتظار تولید کند.
2. بمنظور بررسی پارامترهای GA که میتواند بهترین راه حل را ارائه کند.
3. تحقیقات قبلی

ساختار الگوریتم‏های ژنتیکی

به طور کلی, الگوریتم‏های ژنتیکی از اجزاء زیر تشکیل می‏شوند:

 کروموزوم[1]

در الگوریتم‏های ژنتیکی, هر کروموزوم نشان دهنده یک نقطه در فضای جستجو و یک راه‏حل ممکن برای مسئله مورد نظر است. خود کروموزوم‏ها (راه حل‏ها) از تعداد ثابتی ژن[2] (متغیر) تشکیل می‏شوند. برای نمایش کروموزوم‏ها, معمولاً از کدگذاری‏های دودویی (رشته‏های بیتی) استفاده می‏شود.

جمعیت[3]

مجموعه‏ای از کروموزوم‏ها یک جمعیت را تشکیل می‏دهند. با تاثیر عملگرهای ژنتیکی  بر روی هر جمعیت, جمعیت جدیدی با همان تعداد کروموزوم تشکیل می‏شود.

تابع برازندگی[4]

به منظور حل هر مسئله با استفاده از الگوریتم‏های ژنتیکی, ابتدا باید یک تابع برازندگی برای آن مسئله ابداع شود. برای هر کروموزوم, این تابع عددی غیر منفی را برمی‏گرداند که نشان دهنده شایستگی یا توانایی فردی آن کروموزوم است.

عملگرهای الگوریتم  ژنتیک

در الگوریتم‏های ژنتیکی, در طی مرحله تولید مثل[5] ازعملگرهای ژنتیکی استفاده می‏شود. با تاثیر این عملگرها بر روی یک جمعیت, نسل[6] بعدی آن جمعیت تولید می‏شود. عملگرهای انتخاب[7] , آمیزش[8]  و جهش[9] معمولاً بیشترین کاربرد را در الگوریتم‏های ژنتیکی دارند.

عملگر انتخاب  (Selection ):

این عملگر از بین کروموزوم‏های موجود در یک جمعیت, تعدادی کروموزوم را برای  تولید مثل انتخاب می‏کند. کروموزوم‏های برازنده‏تر شانس بیشتری دارند تا برای تولید مثل انتخاب شوند.

روش های انتخاب :

• : Elitist Selection (انتخاب نخبگان)
  • مناسب‌ترین عضو هر اجتماع انتخاب می‌شود. با توجه به مقدار شایستگی که از تابع ارزیاب دریافت کرده است.
• نمونه‏برداری به روش چرخ رولت

در این روش, به هر فرد قطعه‏ای از یک چرخ رولت مدور اختصاص داده می‏شود. اندازه این قطعه متناسب با برازندگی آن فرد است. چرخ N بار چرخانده می‏شود که N تعداد افراد در جمعیت است. در هر چرخش, فرد زیر نشانگر چرخ انتخاب می‏شود و در مخزن والدین نسل بعد قرار می‏گیرد. این روش می‏تواند به صورت زیر پیاده‏سازی شود:

• نرخ انتظار کل افراد جمعیت را جمع کنید و حاصل آن را T بنامید.
• مراحل زیر را N بار تکرار کنید:

یک عدد تصادفی r بین 0 و T  انتخاب کنید.

در میان افراد جمعیت بگردید و نرخ‏های انتظار( مقدار شایستگی) آنها را با هم جمع کنید تا این که مجموع بزرگتر یا مساوی r شود. فردی که نرخ انتظارش باعث بیشتر شدن جمع از این حد می‏شود, به عنوان فرد برگزیده انتخاب می‏شود.

ممکن است هنگام انتقال از فایل ورد به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل است

متن کامل را می توانید در ادامه دانلود نمائید

چون فقط تکه هایی از متن برای نمونه در این صفحه درج شده است ولی در فایل دانلودی متن کامل همراه با تمام ضمائم (پیوست ها) با فرمت ورد word که قابل ویرایش و کپی کردن می باشند موجود است

دانلود مقاله مسئله زمانبندی پروژه

اختصاصی از فی بوو دانلود مقاله مسئله زمانبندی پروژه دانلود با لینک مستقیم و پر سرعت .

شرح مختصر : الگوریتم جهش ترکیبی قورباغه (SFLA) یک الگوریتم مبتنی بر ممتیک متاهیوریستیکِ است. این الگوریتم در سال‌های اخیر توسط Eusuff و Lansey ایجاد شد. الگوریتم SFLA از نحوه‌ی جستجوی غذای گروه‌های قورباغه سرچشمه می‌گیرد. این الگوریتم برای جستجوی محلی میان زیرگروه‌های قورباغه از روش نمو ممتیک استفاده می‌کند. SFLA از استراتژی ترکیب استفاده می‌کند و امکان مبادله پیام در جستجوی محلی را فراهم می‌سازد. الگوریتم جهش ترکیبی قورباغه مزایای الگوریتم نمو ممتیک و بهینه‌سازی گروه ذرات (PSO) را ترکیب می‌کند. یکی از مسائل مشهور در زمینه کنترل پروژه، زمانبندی پروژه با محدودیت منابع و سایر محدودیتها می باشد که زمان‌بندی پروژه با در نظر گرفتن محدودیت منابع از جمله مسائل دارای پیشینه تحقیقاتی غنی است.   مساله زمان‌بندی پروژه با منابع محدود در واقع کلی¬ترین مساله زمان‌بندی است. مسائل زمان‌بندی کارگاهی ، جریان کارگاهی ، زمان‌بندی و سایر مسائل زمان‌بندی همگی زیر مجموعه ای از این مسئله به حساب می آیند. زمان‌بندی پروژه یکی از وظایف اصلی و فعالیت‌های اصلی در مدیریت پروژه است. وجود محدودیت منابع و همچنین روابط پیش نیازی بین فعالیت‌ها مسئله زمان‌بندی پروژه را امری دشوار می‌سازد. زمان‌بندی پروژه با در نظر گرفتن محدودیت منابع از جمله مسائل با ادبیات غنی در حوزه مسائل تحقیق در عملیات است.این مسئله توجه محققان را در سالهای اخیر بشدت بخود جلب کرده است و تاکنون با الگوریتم های مختلف حل شده است. در این مقاله به بررسی و عملکرد الگوریتم جهش قورباغه (SFLA) در حل مسائل زمانبندی پروژه با محدودت منابع پایه پرداخته می شود که نتایج حاکی از عملکرد مناسب و قوی این الگوریتم فراابتکاری جدید می باشد.

فهرست :

مقدمه

ادبیات موضوع

مساله زمانبندی پروژه با منابع محدود

مدل های ریاضی مسائل RCPSP

روشهای حل مدلهای RCPSP

الگوریتم جهش قورباغه (SFLA) (الگوریتم پیشنهادی در این پژوهش)

الگوریتم ترکیبی جهش قورباغه

تحقیقات داخلی و خارجی صورت گرفته

منابغ

شامل 14 صفحه فایل word