پاورپوینت ساختمان داده‌ها و الگوریتم 389 اسلاید

پاورپوینت ساختمان داده‌ها و الگوریتم 389 اسلاید

دسته بندی	کامپیوتر و IT
بازدید ها	0
فرمت فایل	ppt
حجم فایل	681 کیلو بایت
تعداد صفحات فایل	389

فروشنده فایل

کد کاربری 25253

تمام فایل ها

پاورپوینت ساختمان داده‌ها و الگوریتم 389 اسلاید

این مجموعه ناب پروژه ای در زمینه ی بررسی ساختمان داده ها و الگوریتم در قالب پاورپوینتی زیبا و فوق العاده سطح گرافیکی نادر در مجموع 390 اسلاید منظم میباشد

پاورپوینت ساختمان داده‌ها و الگوریتم 389 اسلاید

مقاله بهینه سازی منبع با استفاده از شبیه‌سازی ترکیب یافته و الگوریتم ژنتیک

مقاله بهینه سازی منبع با استفاده از شبیه‌سازی ترکیب یافته و الگوریتم ژنتیک در 27 صفحه ورد قابل ویرایش

دسته بندی	علوم پزشکی
بازدید ها	1
فرمت فایل	doc
حجم فایل	77 کیلو بایت
تعداد صفحات فایل	27

فروشنده فایل

کد کاربری 2102

تمام فایل ها

مقاله بهینه سازی منبع با استفاده از شبیه‌سازی ترکیب یافته و الگوریتم ژنتیک در 27 صفحه ورد قابل ویرایش

خلاصه

این مقاله، توسط ترکیب کردن فلوچارت ( نمودار گردش کار) براساس ابراز شبیه سازی با یک روش بهینه سازی ژنتیک قدرتمند، یک روش را برای بهینه سازی منبع نشان می دهد.روش ارائه شده، کمترین هزینه،و بیشترین بازده را ارائه میدهد، وبالاترین نسبت سودمندی را در عملکردهای ساخت و تولید فراهم می آورد. به منظور یکپارچگی بیشتر بهینه سازی منبع در طرح ریزی های ساخت،مدلهای شبیه سازی بهینه یافته (GA) الگوریتم های ژنتیکی گوناگون،عموماً با نرم افزارهای مدیریت پروژه بکار رفته شده ادغام می شوند. بنابراین، این مدلها از طریق نرم افزار زمان بندی فعال می شوند و طرح را بهینه می سازند.نتیجه، یک ساختار کاری تقلیل یافته سلسله مراتبی در رابطه با مدلهای همانندی سازی بهینه یافته GA است. آزمایشات گوناگون بهینه سازی با یک سیستم در دو مورد مطالعه، توانایی آن را برای بهینه ساختن منابع در محدوده محدودیتهای واقعی مدلهای همانند سازی آشکار کرد. این الگو برای کاربرد بسیارآسان است و می تواند در پروژه های بزرگ بکار رود. براساس این تحقیق، همانندسازی کامپیوتر وا لگوریتمهای ژنتیک ،می توانند یک ترکیب موثر برای بهبود دادن بازده و صرفه جویی در زمان وساخت و هزینه ها باشند.


مقدمه

این امر کاملاً آشکار شده است که بازده کاری پایین ،عدم آموزش، و کاهش تعداد معاملات، چالشهای بحرانی هستند که صنعت ساختمان( ساخت) با آن روبرو خواهد شد.

بهره دهی یا قدرت تولید در رابطه با مطالعه ها، برای مثال،دلالت بر زمان بیکاری (بیهودة) کاربران در ساخت(تولید) دارد که این زمان از 20 تا 45% متغیر است. این اتلاف وقت ، که از طریق منابع ناکارآمد و طرح ریزیهای غیربسنده( نامناسب) ناشی می شود، تاثیر و پیامد فوق العاده ای در هزینه های ساخت دارد. همچنین، پیماناکاران که مهارتهای مدیریتی منابع کارآمد را ندارند، این رقابت کردن در بازارهای ساخت جهانی که آنها د ر آن فرصتها بسیاری را خواهند یافت، برای آنها کاری بس دشوار خواهد بود.

با ایجاد تجهیزات و نیروی کار برای امر ساخت و تولید، این امر آشکار است که تدبیرهای کاربرد نیروی کار متناوب و کاربرد بهتر از منابع کاری موجود، به منظور بهبود دادن،بهره دهی کاری و کاهش هزینه های ساخت، مورد نیاز است. استفاده کارآمد از منابع پروژه، هزینه های ساخت را برای مالکان و مصرف کنندگان کاهش می دهد، و در عین حال سودمندیهایی را برای پیمانکاران افزایش می دهد. با این وجود،برخی فاکتورها وجود دارند که ،مدیریت منبع را امر دشواری می سازند، این فاکتورها در مراحل زیر توضیح داده شده اند:

- سیاست جداسازی مدیریت منبع:در ادبیات، محققان گوناگون، تعدادی تکنیکها را برای پرداختن به جنبه های فردی مدیریت منبع، همانند تخصیص منبع، سطح بندی منبع، مدیریت نقدینگی، و تجزیه و هزینه و زمان معاملات (TCT) ، ارائه داده اند. مطالعات تالبوت و پترسون(1979) و گاولیش و پیرکون (1991)، برای مثال، به تخصیص منابع مربوط بود ، در حالیکه بررسیهای Easa (1989) و Shah et al (1993) به سطح بندی و تراز کردن منابع می پرداخت روشهای دیگر ، تنها روی تجزیه TCT متمرکز شدند. همانطوریکه این بررسیها سودمند واقع شدند، آنها به ویژگیهای مجزایی پرداختند که یکی پس از دیگری برای پروژه ها بکار برده می شدند ( نه بطور همزمان) . بوسیله پیچیدگی اساسی پروژه ها و مشکلاتی در رابطه با الگوبرداری تمام ویژگیهای ترکیب یافته، تلاش بسیار کمی برای بهینه سازی منابع ترکیب شده به عمل آمد.

- ناکارآمدی الگوریتم های بهنیه سازی سنتی: در چند دهه گذشته ، بهینه سازی منبع سنتی، براساس روشهای ریاضی یا براساس تکنیکهای ذهنی(غیرمستدل) بوده است. روشهای ریاضی ، همانند برنامه ریزیهای عدد صحیح ، خطی، یا برنامه ریزیهای دینامیکی ،برای مشکلات منبع فردی پیشنهاد شده بودند.با این وجود ، روشهای ریاضی از لحاظ محاسبه ای برای هر پروژه واقعی انعطاف ناپذیر بودند که این روش فقط برای سایزهایی از پروژه مناسب می باشد. همچنین ،روشهای ریاضی پیچیده ایشان دستخوش تغییر می شوند وممکن در مطلوبترین وبهینه ترین قرار بگیرند، روشهای ذهنی (غیرمستدل) ، ازسوی دیگر، تجربیات وقوانین thumb را بکار می برند، نه فرمولهای ریاضی سخت ودقیق را. محققان برای تخصیص منبع، مدلهای ذهنی گوناگونی را پیشنهاد نموده اندن،تراز بندی منبع ها،تجزیه TCT، علی رغم سهولتشان ،این روش های ذهنی هنگامی که درشبکه های پروژه ای مختلف بکار برده می شوند ،نتایج گوناگون را اعمال می نمایند ، و برای کمک به انتخاب بهترین روش ذهنی برای کاربرد، هیچ گونه راهنماهای دقیقی وجود ندارد. بنابراین ، آنها نمی توانند راه حلهای بهینه ای را تضمین نمایند. همچنین ،راه حلهای غیرثابت آنها ( غیرپایدار آنها) به تفاوتها وتناقض‌های وسیع، میان قابلیهای محدود شده منبعی نرم افزار در مدیریت پروژه تجاری کمک شایانی کرده اند.

- مشکلاتی که در رابطه با مدلهای همانندسازی: در طی سه دهه گذشته،همانندسازی کامپیوتر، برای حمایت از کاربرد کارآمد منابع ساخت ارائه شده است (معرفی شده است) با این وجود ، محققان، در توانایی آن برای ایجاد تقلیدی (نمودین) فرآیندهای ساخت واقعی در کامپیوترها علاقمند شدند، و کارورها ممکن هدایت این کار را بسیار دشوار بیابند. به عنوان یک ابزار بسیار سودمند برای طرح ریزی منابع، یک تحقیق وسیع برای توسعه مدلهای همانندسازی عملکرد ساخت، بویژه برای کاربرد سیستم چرخه باید هالپین صورت گرفت. هنوز،با این وجود، برخی ابزارهای موجود، نیازمند دانش برنامه ریزی کامپیوتری و زبان همانندسازی، و عدم ادغام با نرم افزار مدیریت پروژه موجود و عدم ادغام با الگوریتم های بهینه سازی را می باشند.

- موجودیت یک ابزار تولیدی جدید ؛توسعه های اخیر در علم کامپیوتر، یک تولید جدیدی از ابزارها را حاصل نموده است، که آن برای استفاده شدن در کاربردهای ساخت بسیار سودمند می باشد. براساس پیشرفتهای اخیر در هوش مصنوعی، یک تکنیک بهینه سازی جدید ، وا لگوریتم های ژنتیک (Gas) پدیدار شده اند. با مکانیزمهای تکامل طبیعی همانندسازی و شایسته ترین مکانیزمهای بقاء ،GAS ،یک تحقیق رندم(تصادفی) رابرای حل بهینه یک مشکل بکار می برد. بوسیله سودمندیهایی حاصله از آنها، Gas بطور موفقیت آمیزی برای حل چندین مشکل مهندسی و مشکلات مدیریت ساخت بکار برده می‌شود. این کاربردها شامل بهینه سازی یک سیاست قیمت افزایی برای پیمانکاران ؛بهینه سازی سقف نگهدارنده(پایه) فولاد؛ زمان بندی و جدول بندی منابع؛بهینه سازی زمان وهزینه معاملات؛ و تخصیص وترازبندی منبع ترکیب شده می باشند.

همچنین،علاوه بر ابزارهای بهینه سازی براساس GA،سیستم های همانندسازی جدید و آسان کاربرد براساس برنامه ریزی های شی گرا، اخیراً ارائه شده است. یک سیستم فرآیند V3 (2000)، یک نرم افزار با هدف عمومی،برای الگو برداری و همانندسازی ارائه شده است. سودمندی اصلی این نرم افزار، نمودار گردش کارآسان آن، براساس قابلیت های الگوبرداری و همچنین موتور همانندسازی شیء گرایآن می باشد.این موتور همانندسازی نرم افزار،انعطاف پذیر است و این امکان را بوجود می آورد که کاربر عناصر الگو برداری اولیه اش را بپذیرد. سودمندی دیگر نرم افزار این است که ،آن همانندسازی را برای شبکه های سنتی فعالیت در فلاش (AOA) بکار برده شده برای زمان بندی پروژه ها بکار می برد. انواع پروژه‌های گوناگون فلاش و گره طراحی می شوند تا شاخه بندی های ساده یا مشروط را در طی همانندسازی امکان پذیر سازند. این اهداف از پیش طرح شده، می توانند با یک تلاش کم برای تولید مدلهای عملی،بدون دانش مبتلی از واژه شناسی همانند شناسی یا برنامه ریزی کامپیوتری به کار برده شوند.

این روش، به بهبود طرح ریزی ساخت و مدیریت منابع، توسط یک سیستم بهینه سازی منبع آسان کاربرد و کارآمد کمک می نماید و این همانند سازی را با الگوریتم های ژنتیک ترکیب می نماید. این سیستم بهینه سازی منبع،در دو مطالعه مورد بررسی قرار گرفته است. بنابراین این سیستم با نرم افزار تجاری مدیریت پروژه ادغام می‌شود و این امکان را فراهم می کند که کاربران مدلهای بهینه یافته GA را در هر سلسله مراتب پروژه تعریف شده کاربر بکار گیرند، به نحوی که زمان بندیهای ساخت بهینه شده منابع و زمان بندی های واقع گرایانه ایجاد شود.

زمان بندی سلسله مراتبی با بهینه سازی منبع

چون یک مدل همانندن سازی شده GA از یک عملکرد فردی در یک فایل میکروسافت گنجانده می‌شود ، آن می تواند به آسانی با هر طرح اصلی تعریف شده کاربر پیوند بخورد، به نحوی که بهینه سازی منبع در پروژه هایی با عملکرد چند گانه گنجانده شود. همانند ساختارهای تقلیل یافته ( خراب ) کاری گوناگون (WBS) ،عناصر یک پروژه می توانند با مدلهای همانندسازی بهینه یافته GA پیوند خورده ویک محیط طرح ریزی سلسله مراتبی را برقرار نمایند (شکل 7) این مراحل برای تولید یک طرح ساخت اصلی که بصورت زیر هستند : مورد نیاز می باشد :

(1) برای عملکردهای مهم و پرهزینه در پروژه تان ، مدلهای همانند سازی بهینه یافته GA فردی را حاصل نمایید. هر کدام در یک فایل پروژه میکروسافت ذخیره خواهند شد. هر کدام می تواند به عنوان یک زیر پروژه مورد ملاحظه قرار گیرد.

(2) یک WBS اصلی در نرم افزار زمان بندی ، همراه رابطه های فعالیت، منابع و تداوم ( دیرش زمان) همانطور اجرای سنتی، ایجاد نمایید ( جدول زمان بندی پس زمینه ای درشکل 7)

(3) از طریق فعالیتهای مناسب، پیوندهایی را در WBS برای فایل زیر پروژه های مربوطه شان فراهم نمایید، فایلهایی که مدل همانندی را در آنها گنجانده می‌شود.

(4) ماکروی GA را در هر زیر پروژه ساخته شده در مرحله(3) فعال نمایید( ضبط صفحه نمایش جلو (پیش نما) در شکل (7)) ، و همانندسازی بهینه یافته GA را اجرا کنید و ترکیب منبع بهینه، وتولید مربوطه آن ، هزینه و زمان را تعیین و مشخص نمایید. با استفاده از نتایج بهینه، دیرش فعالیت به نرم افزار زمان بعدی انتقال می یابد؛ و

(5) هنگامی که تمامی مدلهای بهینه شده GA فعال می شوند، یک طرح پروژه واقعی بنابراین به همراه سطحهای تولید مورد رضایت، هزینه حداقل ومنابع مناسب تعیین می‌گردد.
خلاصه و اظهارات نتیجه گیری

مدیریت منبع ،بواسطه پیچیدگی اساسی پروژه های ساختمان (ساخت) به مشکلات مربوط به الگوبرداری برهم کنش های پیچیده در ساخت، و محدودیتهای ابزارهای بهینه سازی سنتی برای پرداختن به مشکلات بزرگ، کاری بسیار دشوار می باشد.این مطالعه ، یک روش ساده وقدرتمند را برای مدیریت منبع وبهینه سازی را در پروژه های ساخت، با استفاده از یک ترکیب همانندسازی فلوچارت و الگوریتم های ژنتیک (Gas) نشان می دهد ( ارائه می دهد ) برای بهبود طرح ریزی ها و مدیریت منبع در پروژه های بزرگ با عملکردهای چندگانه، همانند سازی بهینه سازی GA، ادغام می شوند و یک سیستم سلسله مراتبی را تشکیل میدهد. در این روش ،عناصر پایین تر ساختار تقلیل یافته (خراب)کاری (عملکردهای ساخت انفرادی) ،ب طور خودکار به مدلهای همانندسازی بهینه یافته GA پیوند می خورند.

دو مثال در این مقاله نشان داده شدند ، که آنها قدرت و تنوع روشهای طرح ریزی همانند سازی بهینه یافته GA رانشان می دهند: جایگزینی ستونی عینی و عملیات خاکبرداری در فروردگاه بین المللی هنک کنگ. دو مثال تجزیه شدند و سودمندیهایی روش پیشنهاد شده را نشان دادند. نتایج نشان می دهد که همانندسازی ترکیب یافته و بهینه سازی شده GA می تواند تحقیق و بررسی شود و تعدادی منابع بهینه را که بهترین سودها / نسبتهای هزینه را حاصل می نمایندآشکار نماید.

چندین حیطه وجود دارند که درآن طرح ریزی همانندسازی بهینه سازی پیشنهاد شده GA می تواند توسعه یابد، این حیطه شامل موارد زیر می باشند:

· ادغام یافتن با یک سیستم برآورد هزینه و کتابخانه ، که یک برآورد بسیار کارآمد، خودکار شده وواقع بینانه ای از زمان و هزینه های مربوط به هر عملکرد و یا کار را فراهم می آورد، و همچنین ،می تواند دامنه متناوبها را برای انتخاب افزایش دهد،

· اصلاح فاکتورها می تواند به مدلهای همانندسازی افزوده شود واین امکان تاثیرپذیری را در طول عملیات چرخه در یک مدل فراهم می کند،

· برای اینکه این روش پیشنهاد شده بسیارواقع بینانه باشد،محدودیتهایی همانند عملکرد بشری(ترک کردن کار به خاطر مریضی، میزان تولید در پایان روز کاهش می‌یابد ..) و باید برای بررسی هایآینده مورد ملاحظه قرار گیرد و

· استفاده از روش پیشنهاد شده در عملیات طرح ریزی در شبکه های زیر ساخت بزرگ همانند جاده ها ، آب ،لوله کشی فاضلاب ، خطهای حمل و نقل، تعدادی توسعه ها مورد نیاز است، توسعه هایی هماندن ،ادغام یافتن با یک سیستم اطلاعات جغرافیایی و بهبود دادن زمان بعدی برای پرداختن به محلهای ساخت توزیع شده چندگانه وقدرت وسادگی روش پیشنهاد شده و اجرای خودکار شده آن، بطور امیدوار کننده های مدیریت طرح را تشویق خواهد کرد که آن در طرح ریزیهای پروژه های زیرساختی بزرگ مورد استفاده قرار گیرد. این روش می تواند برای فراهم آوردن تعدادی بهنیه ای از کمیتهای منبع، سیاستهای جایگزینی و بنابراین بهبود (بازده کلی بکار برده شود )

جهت دریافت فایل مقاله بهینه سازی منبع با استفاده از شبیه‌سازی ترکیب یافته و الگوریتم ژنتیک لطفا آن را خریداری نمایید

تحقیق بهینه سازی منبع با استفاده از شبیه‌سازی ترکیب یافته و الگوریتم ژنتیکپروژه بهینه سازی منبع با استفاده از شبیه‌سازی ترکیب یافته و الگوریتم ژنتیکمقاله بهینه سازی منبع با استفاده از شبیه‌سازی ترکیب یافته و الگوریتم ژنتیکدانلود تحقیق بهینه سازی منبع با استفاده از شبیه‌سازی ترکیب یافته و الگوریتم ژنتیکبهینه سازی منبع با استفاده از شبیه‌ساز

پاورپوینت MergeSort ارائه دو الگوریتم برای ادغام دو لیست مرتب

پاورپوینت ارائه دو الگوریتم برای ادغام دو لیست مرتب دارای 55 اسلاید (ویژه رشته های مهندسی کامپیوتر) با ظاهری زیبا ، متفاوت ، مفید، مختصر و قابل ویرایش می باشد قسمتی از متن را ببینید و در صورت تمایل خرید کنید

دسته بندی	کامپیوتر
بازدید ها	4
فرمت فایل	ppt
حجم فایل	362 کیلو بایت
تعداد صفحات فایل	55

فروشنده فایل

کد کاربری 3413

تمام فایل ها

پاورپوینت MergeSort ارائه دو الگوریتم برای ادغام دو لیست مرتب

ارائه دوالگوریتم برای ادغام دو لیست مرتب

الگوریتم غیر بازگشتی Merge Sort

الگوریتم بازگشتی Merge Sort

Merge Sort:

Merge Sort یکی از روش های مرتب سازی داخلی است.

در مرتب سازی به روش ادغام آرایه یا لیست مورد نظر طی چند مرحله به تعدادی آرایه یا لیست تک عضوی شکسته می شود.

نکات:تعداد آرایه ها یا لیست های تک عضوی همان تعداد اولیه ی نودها یا اعضای آرایه هستند .

طول لیست یا آرایه ی اولیه را Nدر نظر بگیرید.

به جای آرایه لیست به کار می بریم .

بعد از شکستن لیست،زیرلیست ها را با هم ادغام می کنیم و

زیرلیست های مرتب دیگری بدست می آوریم .

زیر لیست های مرتب را طی چند مرحله با هم ادغام می کنیم تا به یک لیست مرتب با N عضو برسیم.

تعریف کلاس Element:

Class Element

{

Private:

int key;

Field other;

int link;

public:

Element( ){link=0;};

};

ادغام دو لیست مرتب:

Initlist[l],…,initlist[m] initlist[m+1],…,initlist[n]

دو لیست مرتب شده از نوع Elementهستند، به طوری که:

Initlist [l].key≤…≤ initlist [m].key

Initlist[m+1].key ≤…≤ initlist [n].key

در تابع Mergeاین دو لیست مرتب با یکدیگر ادغام می شوندو

تابع مرتب شده ی جدیدی به نام MergedList ایجاد می شود.

ppt: نوع فایل

سایز:362 KB

تعداد اسلاید:55

دانلود پاورپوینت MergeSort ارائه دو الگوریتم برای ادغام دو لیست مرتبپاورپوینتMergeSort ارائه دو الگوریتم برای ادغام دو لیست مرتبMergeSort ارائه دو الگوریتم برای ادغام دو لیست مرتبدانلود پاورپوینتپاورپوینتتحقیقجزوهمقالهپایان نامهپروژهدانلود تحقیقدانلود جزوهدانلود مقالهدانلود پایان نامهدانلود پروژه

مقاله الگوریتم یادگیری پس انتشار خطا BP (بهبود سرعت عملکرد شبکه عصبی)

مقاله الگوریتم یادگیری پس انتشار خطا BP (بهبود سرعت عملکرد شبکه عصبی)

دسته بندی	پژوهش
بازدید ها	0
فرمت فایل	doc
حجم فایل	161 کیلو بایت
تعداد صفحات فایل	32

فروشنده فایل

کد کاربری 25298

تمام فایل ها

بخشهایی از متن:

مقدمه

شبکه های عصبی چند لایه پیش خور¹ به طور وسیعی د ر زمینه های متنوعی از قبیل طبقه بندی الگوها، پردازش تصاویر، تقریب توابع و ... مورد استفاده قرار گرفته است.

الگوریتم یادگیری پس انتشار خطا²، یکی از رایج ترین الگوریتم ها جهت آموزش شبکه های عصبی چند لایه پیش خور می باشد. این الگوریتم، تقریبی از الگوریتم بیشترین تنزل³ می باشد و در چارچوب یادگیری عملکردی ⁴ قرار می گیرد.

عمومیت یافتن الگوریتمBP ، بخاطر سادگی و کاربردهای موفقیت آمیزش در حل مسائل فنی- مهندسی می باشد.

علیرغم، موفقیت های کلی الگوریتم BP در یادگیری شبکه های عصبی چند لایه پیش خور هنوز، چندین مشکل اصلی وجود دارد:

- الگوریتم پس انتشار خطا، ممکن است به نقاط مینیمم محلی در فضای پارامتر، همگرا شود. بنابراین زمانی که الگوریتم BP همگرا می شود، نمی توان مطمئن شد که به یک جواب بهینه رسیده باشیم.

- سرعت همگرایی الگوریتم BP، خیلی آهسته است.

از این گذشته، همگرایی الگوریتم BP، به انتخاب مقادیر اولیه وزنهای شبکه، بردارهای بایاس و پارامترها موجود در الگوریتم، مانند نرخ یادگیری، وابسته است.

در این گزارش، با هدف بهبود الگوریتم BP، تکنیک های مختلفی ارائه شده است. نتایج شبیه سازیهای انجام شده نیز نشان می دهد، الگوریتم های پیشنهادی نسبت به الگوریتم استاندارد BP، از سرعت همگرایی بالاتری برخوردار هستند.

خلاصه ای از الگوریتم BP

از قانون یادگیری پس انتشار خطا (BP)، برای آموزش شبکه های عصبی چند لایه پیش خور که عموماً شبکه های چند لایه پرسپترون ⁵ (MLP) هم نامیده می شود، استفاده می شود، استفاده می کنند. به عبارتی توپولوژی شبکه های MLP، با قانون یادگیری پس انتشار خطا تکمیل می شود. این قانون تقریبی از الگوریتم بیشترین نزول (S.D) است و در چارچوب یادگیری عملکردی قرار می گیرد. ...

...

- الگوریتم پس انتشار خطای بهبود پذیر¹ (Rprop)

این الگوریتم، جهت اصلاح مشکل فوق ارائه شده است.

بر اساس این الگوریتم، تنها از علامت مشتق تابع تحریک، جهت اصلاح پارامترهای شبکه استفاده می شود. اندازه مشتق تابع تحریک، هیچ اثری بر تنظیم پارامترهای شبکه ندارد [6], [5].

میزان تغییرات در پارامترهای شبکه، توسط فاکتور delt-inc، افزوده می شود، زمانی که علامت مشتق شاخص اجرایی، نسبت به پارامترهای شبکه دردوتکرار متوالی، تغییر نکند. و زمانی که مشتق خاص اجرایی دردوتکرار متوالی هم علامت نباشند، تغییرات در پارامترهای شبکه توسط فاکتور delt-dec، کاهش می یابد.

الگوریتم Rprop، در زیر خلاصه می گردد.

...

نتیجه گیری

از قانون یادگیری پس انتشار خطا (BP) برای آموزش شبکه ها عصبی چند لایه پیش خور استفاده می شود. با وجود کاربردهای فراوان این الگوریتم یادگیری، هنوز مشکلاتی نیز وجود دارد:

سرعت همگرایی الگوریتم BP، پائین است و ممکن است شبکه به آسانی به نقاط مینیمم محلی همگرا شود. از طرفی، انتخاب نرخ یادگیری، تأثر بسزایی در سرعت همگرایی آموزش شبکه عصبی دارند.

در این گزارش، الگوریتم های جدیدی، جهت بهبود الگوریتم BP، ارائه شده است.

برخی از این روش ها بر مبنای نرخ یادگیری تطبیقی می باشند. بدین صورت که نرخ یادگیری به هنگام پروسه آموزش تغییر می کند تا عملکرد در الگوریتم BP استاندارد بهبود بخشیده شود، نرخ یادگیری تطبیقی سعی می کند که نرخ یادگیری را تا آنجایی که ممکن است و سیستم ناپایدار نشده است، افزایش دهد.

الگوریتم دیگری که جهت بهبود سرعت همگرایی الگوریتم BP، ارائه شده است، الگوریتم BP با سه ترم است. در این الگوریتم، ترم جدیدی به نام ضریب تناسبی (PE)، علاوه بر دوترم نرخ یادگیری و ضریب ممنتم، به الگوریتم BP، اضافه شده است.

الگوریتم مطرح شده، همانند کنترل کننده PID، عمل می کند.

همچنین در این گزارش، به بررسی و آنالیز پایداری الگوریتم مطرح شده، پرداخته شده است.

آنالیز پایداری به دلیل آن است که، شرایطی را که باید پارامترهای یادگیری در آن صدق کنند، تا الگوریتم پایدار بماند، بدست آوریم. ...

...

با منابع و مراجع کامل

دانلود مقاله الگوریتم یادگیری پس انتشار خطا BPبهبود سرعت عملکرد شبکه عصبی

تحلیل الگوریتم شاخه و قید موازی آسنکرون ( Asynchronous Parallel Branch and Bound Algorithm )

تحلیل الگوریتم شاخه و قید موازی آسنکرون ( Asynchronous Parallel Branch and Bound Algorithm )

دسته بندی	کامپیوتر و IT
بازدید ها	0
فرمت فایل	doc
حجم فایل	24 کیلو بایت
تعداد صفحات فایل	50

فروشنده فایل

کد کاربری 26386

تمام فایل ها

تحلیل الگوریتم شاخه و قید موازی آسنکرون ( Asynchronous Parallel Branch and Bound Algorithm )

بخشهایی از متن:

چکیده:

در این مقاله توضیحی درباره کامپیوترهای موازی می‌دهیم و بعد الگوریتمهای موازی را بررسی می‌کنیم. ویژگیهای الگوریتم branch & bound را بیان می‌کنیم و الگوریتمهای b&b موازی را ارائه می‌دهیم و دسته‌ای از الگوریتمهای b&b آسنکرون برای اجرا روی سیستم MIMD را توسعه می‌دهیم. سپس این الگوریتم را که توسط عناصر پردازشی ناهمگن اجرا شده است بررسی می‌کنیم.

نمادهای perfect parallel و achieved effiency را که بطور تجربی معیار مناسبی برای موازی‌سازی است معرفی می‌کنیم زیرا نمادهای قبلی speed up (تسریع) و efficiency (کارایی) توانایی کامل را برای اجرای واقعی الگوریتم موازی آسنکرون نداشتند. و نیز شرایی را فراهم کردیم که از آنومالیهایی که به جهت موازی‌سازی و آسنکرون بودن و یا عدم قطعیت باعث کاهش کارایی الگوریتم شده بود، جلوگیری کند.

...

- کامپیوترهای موازی (Parallel computers):

یکی از مدلهای اصلی محاسبات Control drivenmodel است، در این مدل کاربر باید صریحاً ترتیب انجام عملیات را مشخص کند و آن دسته از عملیاتی که باید به طور موازی اجرا شوند را تعیین کند. این مدل مستقل از عناصر پردازش به صورت زیر تقسیم‌بندی می‌شود:

- کامپیوترهای SISD، که یک عنصر پردازشی وجود دارد و توان انجام فقط یک عمل را در یک زمان دارد.

- کامپیوترهای MIMD، دارای چندین عنصر پردازشی هستند که بطور موازی دستورالعمل‌های متفاوت را روی دیتاهای متفاوت انجام می‌دهند.

- کامپیوترهای SIMD، همه عناصر پردازشی‌شان یک دستور یکسان را در یک زمان بر روی داده‌های متفاوتی انجام می‌دهند. اگر چه امکان پنهان کردن عناصر پردازشی وجود دارد. عنصر پردازشی پنهان شده نتیجه عملی را که انجام داده ذخیره نمی‌کند.

سیستمهای SIMD بر اساس نحوه ارتباط و اتصال عناصر پردازشی به یکدیگر خود به بخشهایی تقسیم می‌شوند: اگر تمام عناصر پردازشی به یکدیگر متصل باشند و از طریق یک حافظه مشترک ارتباط داشته باشند، به آن tightly coupled system گویند.

و اگر عناصر پردازش حافظه مشترک نداشته باشند اما از طریق شبکه‌ای بهم متصل باشند و بروش message passing با هم ارتباط داشته باشند، به آن loosely coupled system گویند.

حافظه مشترک در tightly coupled system ها هم نقطه قوت و هم نقطه ضعف این سیستمها است. امکان به اشتراک گذاشتن راحت و سریع اطلاعات بین عناصر پردازشی مختلف را فراهم می‌کند. ارتباط به عملیات ساده read و wite روی حافظه مشترک خلاصه می‌شود و هر عنصر پردازشی مستقیماً با دیگر عناصر پردازشی ارتباط برقرار می‌کند. با این حال، اگر تعداد عناصر پردازشی متصل به حافظه مشترک افزایش یابد، حافظه مشترک تبدیل به گلوگاه (Bottleneck) می‌شود.

بنابراین تعداد عناصر پردازشی در یک سیستم tightly coupled محدود است. به جهت اینکه تمام عناصر پردازشی بایستی به ان حافظه مشترک متصل باشند، این سیستمها بصورت کامل از پیش ساخته هستند و امکان اضافه کردن عناصر پردازش به سیستم وجود ندارد.

از طرف دیگر، ارتباط در یک سیستم loosely coupled کند و آهسته است. تبادل پیامها نیاز به زمانی بیش از زمان لازم برای نوشتن یا خواندن از یک حافظه مشترک دارد. این امکان هم وجود دارد که یک عنصر پردازش مستقیماً به عنصر پردازش دیگر که قصد ارتباط دارد متصل نباشد.

در مقابل compactness بودن سیستمهای tightly coupled ، عناصر پردازشی در یک سیستم loosely coupled می‌توانند در تمام نقاط توزیع شوند. لذا فاصله فیزیکی که یک پیام باید طی کند، بیشتر می‌شود. به جهت این حقیقت که عناصر پردازشی برای ارتباط در یک شبکه از یک پروتکل استفاده می‌کنند، lossely coupled system می‌توانند شامل انواع مختلفی از عناصر پردازشی باشند. امکان اضافه کردن عناصر پردازشی اضافه‌تری به سیستم وجود دارد. در حالت کلی عناصر پردازشی خودشان یک کامپیوتر کاملی هستند.

مثالی از سیستمهای loosely coupled، Distributed Processing utilities Package است که بعداُ به تفضیل درباره آنها توضیح می‌دهیم.

تحلیل الگوریتم شاخه و قید موازی آسنکرون ( Asynchronous Parallel Branch and Bound Algorithm )