عنوان مقاله : مسئله زمانبندی پروژه با در نظر گرفتن محدودیت منابع تک هدفه با الگوریتم مبتنی بر ممتیک ترکیبی قورباغه

عنوان مقاله : مسئله زمانبندی پروژه با در نظر گرفتن محدودیت منابع تک هدفه با الگوریتم مبتنی بر ممتیک ترکیبی قورباغه

رشته: مهندسی صنایع و مدیریت صنعتی

تعداد صفحات:16

قالب بندی Word

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

منابع

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.

ترجمه مقاله Distributive Computing for reliability analysis of MEMS devices using MATLAB

Distributive Computing for reliability analysis of MEMS devices using MATLAB

ABSTRACT
Computational approaches have brought powerful new techniques to calculate reliability supported by experimental and theoretical methods. These approaches play a crucial role in Micro Electro Mechanical Systems (MEMS) technology as well. The Reliability modeling codes to calculate reliability function, failure rate function, Mean time to failure (MTTF) and Mean Residual time (MRT) are proposed for MEMS technology. It is observed that High Performance Computing (HPC) can be used to optimize reliability calculation and help to accelerate research in reliability of MEMS. In the proposed work, Modeling and Computation is performed using MATLAB distributed computing toolbox and Sugar MEMS simulation library. This has been done by making a library for MEMS reliability “RSRlib”. It is an extension to SUGAR package for MEMS. It allows the user to perform simulation of a MEMS device in different environments as well as used to compute some aspects of system reliability such as Survival function and failure rate.

محاسبه توزیع فراوانی برای آنالیزهای قابل اطمینان انجام شده توسط دستگاه MEMS  با استفاده از نرم افزار MATLAB

روش های محاسباتی روش های جدید و قدرتمندی را برای محاسبه میزان قابل اعتماد بودن نتایج حاصل از روشهای تجربی و نظری به ارمغان آورده اند. این روشها در فن آوری میکرو الکترو مکانیکی ( MEMS ) نیز نقش حیاتی بازی می‏کند. کدهای مدلسازی قابل اطمینانی برای محاسبه ضریب اطمینان توابع، نرخ شکست تابع ، زمان متوسط ​​شکست ( MTTF ) و متوسط ​​زمان باقی مانده ( MRT ) برای فناوری MEMS ارائه شده است. مشاهده شده که با محاسبات با کارایی بالا (HPC) می تواند برای بهینه سازی قابل اطمینان محاسبات و کمک به تسریع تحقیقات در نهایت افزایش اطمینان از نتایج MEMS مورد استفاده قرار گیرد.

سال : 2009تعداد صفحات انگلیسی پی دی اف : 5تعداد صفحات فارسی ورد : 8

 ( لینک دانلود مقاله همراه با ترجمه فارسی رو از لینک زیر دانلود کنید )

خوشه بندی شبکه های بین خودرویی به زبان فارسی و انگلیسی

یک مقاله هفت صفحه ای دو ستونه در خصوص خوشه بندی شبکه های سیار بین خودرویی  به همراه ترجمه آن

در این مقاله روشی برای خوشه بندی شبکه های سیار بین خودرویی ارائه شده است که در آن از قابلیت گسترش و خودسازماندهی الگوریتم کلونی مورچه و نیز تصمیم گیری فازی برای انتخاب سرخوشه ها استفاده ‏شده ‏است. این روش براساس سه معیار درجه ی گره، میزان تحرک خودرو و متوسط فاصله هر گره با گره ‏های همسایه و با استفاده ‏از روش تصمیم گیری چند معیاره ‏فازی ارزش هر گره ‏را بدست می آورد. گرهی که بیشترین ارزش را داشته باشد به عنوان سرخوشه انتخاب می شود و سپس این گره اقدام به عضو گیری می نماید و خوشه اش را تشکیل می دهد. پس از اینکه تمامی گره ها در خوشه ها سازماندهی شدند برای انجام مسیریابی و انتقال اطلاعات بین خوشه ها از الگوریتم کلونی مورچه ها برای یافتن کوتاهترین مسیر بین سرخوشه ها استفاده می شود. نتایج شبیه سازی نشان می دهند که این روش باعث افزایش نرخ تحویل بسته های اطلاعاتی بین خودروها و کاهش میانگین تاخیر بسته ها و سربار مسیریابی در این شبکه ها شده ‏است.

 

مقاله در مورد پهنای باند

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

تعداد صفحه:24

 فهرست مطالب

لایه فیزیکی

مزایا نسبت به wi-fi

موارد اختصاص طیف صدا

استانداردها

IEEE 802.16e :

هایپرمن

Wibro :

انجمن ها

اتحاد صاحبان طیف صدای Wisoa-wimax

تکنولو›ی های رقابتی

سیستم های 3G و 4G تلفن موبایل

سیستم های جهت دار نسبت به اینترنت

پیشرفت های آینده 

شکاف زمانی می تواند بیشتر یا کمتر شود اما ثبت شده باقی می ماند که بدین معناست که دیگر مشتریکن نمی توانند از آن استفاده نمایند . برنامه ریزی الگوریتم 802.16 بر اثر استفاده بیش از حد و یا تعداد زیاد مشترکین ثبات دارد بر عکس 802.11 همچنین کارایی پهنای باند آن بیشتر است . برنامه ریزی الگوریتم همچنین به ایستگاه اصی اجازه می دهد تا کیفیت خدمات را به وسیله تعادل بخش شکاف های زمانی تخصیص داده شده در بین کاربردهای لازم ایستگاههای مشترکین و کنترل کند .

لایه فیزیکی

استاندارد wimax  اصلی IEEE 802.16 نشان دهنده wimax از 10 تا 66 گیگاهرتز است 802.16 a که در سال 2004 به روز شد تا 802.6-2004 که 802.16d نیز معروف است . از گسترة 2 تا 11 گیگاهرتز می باشد . 802.16d که به wimax اصلاح شده معروف است در سال 5-2 تحت نام 802.16e به روز شد که mobile wimax معروف می باشد . که از فرکانس مرکب عمودی قابل افزایش Of DM استفاده می کند که نقطه مقابل نسخه OFDM با 256 پیام آور ثانویه که در 802.16d استفاده می شود است . این روش مزایایی بالقوه ای از لحاظ پوشش نصب شخصی مصرف نیرو استفاده مجدد از فکرانس و کارایی پهنای باند را به همراه دارد. 802.16e همچنین قابلیت پشتیبانی تحرک کامل را میسر می سازد . گواهی wimax  به فروشندگان اجازه می دهد تا گواهی 802.16d محصولات خود را به عنوان wimax تایید شده بفروشند ‏ بنابراین سطح تضمینی برای این محصولات با دیگر محصولات تایی شده می باشد تا وقتی که از یک دیدگاه مورد نظر قرار می گیرند .

بیشترین علاقمندی برا یاستاندارد 802.16e,d خواهد بود زیرا طول موج های کوتاه متر کمتر تحت تاثیر کاهش شدت سیگنال می شوند و بنابراین یک نفوذ عالی و گستره بیشتری را می دهد . امروزه شبکه هایی در سراسر جهان که در عملیات بازرگانی هستند از تجهیزات wimax که مطابق با استاندارد 802.16d می باشد استفاده می کنند.

مزایا نسبت به wi-fi

wimax پهنای باند گستره بیشتری را فارهم می سازد و همچنین کد گذاری ان قویتر است .

ارتباط را بین شبکه و مقصد نهایی بدون نیاز به یک خط مستقیم قابل رویت در منطقه مورد دلخواه میسر می سازد .

انتشار NCOS عملکرد بدون سیم قابل رویت به نسخه بازنگری شده 16d و 16e احتیاج دارد زیرا که طول موج های کوتاهتر احتیاج دارد . این روشی وابسته به سیگنال های چند خط مسیر هستند که نسبتا شبیه به 802.11n می باشد .

موارد اختصاص طیف صدا

مشخصات 802.16 یک نواره پهن را در مسیر طیف صدای RF به کار می بندد . به هر حال مشخصات شبیه به مجوز استفاده نمی باشند . هیچ طیف صدای گواهی شده یکپارچه جهانی برای wimax موجود نمی باشد . در ایالات متحده بزرگترین بخش موجود تقریبا 2.5 گیگاهرتز است و از قبل تخصیص داده شده است که در ابتدا برای شرکت sprint nextel و clear wire بوده است . در جاهای دیگر دنیا شبیه ترین پهنای باندها حدودا 5/3 گیگاهرتز 5/2 / 3/2 گیگاهرتز یا 5 گیگاهرتز با 5/2 / 3/2 گیگاهرتز که احتمالا مهمترین انها در آسیا موجود است .

بعلاوه چندین شرکت اعلام کردند که قصد دارند استاندارد wimax را با طیف صدای 1/7 / 2.1 گیگاهرتز مورد استفاده قرار دهند که اخیرا توسط FCC به مناقصه گذاشته شد تا خدمات بدون سیم پیشرفته AWS پیشرفت کند .

پروژه فازی: الگوریتم ژنتیک فازی genetic fuzzy k-Modes برای خوشه بندی داده های گروهی (56 صفحه فایل ورد - Word)

فهرست مطالب:

چکیدهمقدمهمروری بر روش های قبلالگوریتمk-means Hardمثالی عددی از الگوریتم k-meansمقادیر مرکز های اولیهفاصله بین مراکز و داده هاخوشه بندی داده هاتعیین مراکزفاصله مراکز- داده هاخوشه بندی داده هاتعیین مراکزفاصله مراکز- داده هاخوشه بندی داده هاالگوریتم Clustering (FCM) Fuzzy c-MeansHard k-Modes الگوریتمالگوریتم Fuzzy k-ModesالگوریتمGenetic fuzzy k-Modesنمایش رشته ایفرآیند مقدار دهی اولیهالگوریتم مقداردهی اولیهفرایند انتخابالگوریتم تولید جمعیت جدیدفرایند ادغامالگوریتم ادغامفرایند جهشپروسه جهشمعیار توقفآزمایش هامعیار کیفیت خوشه بندیمجموعه دادهنتایجنتیجه گیریپیوست – کد برنامهمراجع

چکیده:

خوشه بندی روشی است که داده های یک مجموعه داده را به گروه یا خوشه تقسیم می کند . از مرسوم ترین روش های خوشه بندی،الگوریتم های خوشه بندی k-Means وfuzzy k-Means می باشند.این دو الگوریتم فقط روی داده های عددی عمل می کنند و به منظور رفع این محدودیت، الگوریتم های k-Modes و fuzzy k-Modes ارائه شدند که مجموعه داده های گروهی (دسته ای) را نیز خوشه بندی می کنند. . با این وجود، این الگوریتم ها ،شبیه همه روال های بهینه سازی دیگر که برای مینیمم عمومی یک تابع جستجو می کنند، احتمال گیر افتادن در یک مینیمم محلی وجود دارد. به منظوردستیابی به جوبب بهینه عمومی ، الگوریتم های تکاملی مانند ژنتیک و جدول جستجو با الگوریتم های مذکور ترکیب می شوند. در این پژوهش، الگوریتم ژنتیک ، GA، را با الگوریتم fuzzy k-Modes ترکیب شده ،بطوریکه عملگر ادغام به عنوان یک مرحله از الگوریتم fuzzy k-Modes تعریف می شود. آزمایش ها روی دو مجموعه داده واقعی انجام شده است تا همراه با مثال کارایی الگوریتم پیشنهادی را روشن نماید.

مقدمه:

به عنوان یک ابزار اولیه در داده کاوی ،تجزیه و تحلیل خوشه ، که تجزیه و تحلیل سگمنت نیز نامیده می شود،روشی است که داده ها را به گروه هایی همگن تحت عنوان خوشه تقسیم می کند.در چنین روشی داده های موجود در یک کلاستر یا خوشه خیلی شبیه به هم و داده ها ی کلاستر های مختلف خیلی متفاوت نسبت به هم هستند.اغلب، شباهت بر مبنای معیار فاصله می باشد.

آنالیز خوشه،خوشه بندی، تکنیک عمومی برای آنالیز داده های آماری می باشد که در بسیاری زمینه ها مانند یادگیری ماشین ، داده کاوی ، شناسایی الگو و آنالیز تصویر کاربرد دارد.در کنار اصطلاح خوشه بندی داده (یا فقط خوشه بندی)،بعضی اصطلاحات دیگرنیزهمانند کلاس بندی اتوماتیک ،طبقه بندی عددی، آنالیز نوع شناسی ، با معنای مشابه استفاده می شود[1].

به طور کلی ،یک الگوریتم خوشه بندی خوب معمولا برای طراحی شامل چهار فاز ذیل را شامل می شود:1- نمایش داده2- مدل کردن.3- بهینه سازی.4- اعتبار سنجی[2] ..

فاز نمایش داده، تعیین می کند که چه نوعی از ساختارهای خوشه می تواند داده ها را شناسایی کند.سپس فاز مدلینگ ضوابط و معیار ها را برروی ساختار تعریف می کند بطوریکه که ساختارها ی گروه های مطلوب را از موارد نامطلوب مجزا می کند.در فاز مدلینگ ، در طول جستجو برای ساختار های مخفی در داده ،یک معیار کیفیت مانند معیار بهینه سازی یا معیار تقریب تولید می شود. بعبارتی دیگرفاز بهینه سازش،ساختار های موثرتر و بهینه تر را انتخاب میکند. از آنجا که فرآیند خوشه بندی ،یک فرایند بدون سرپرستی است فاز اعتبار سنجی خیلی ضروری است تا نتایج تولید شده به وسیله الگوریتم خوشه بندی ارزیابی شوند.

به طور کلی ،الگوریتم های خوشه بندی به دو دسته تقسیم بندی می شوند[3,4] : الگوریتم های خوشه بندی سخت و الگوریتم های خوشه بندی فازی.

در چهارچوب خوشه بندی سخت ،هر شی ء به یک و فقط یک خوشه تعلق دارد و برعکس در چهار چوب خوشه بندی فازی به هر شی ء اجازه داده می شود که توابع تعلقی به همه خوشه ها داشته باشد.هر دو روش الگوریتم خوشه بندی سخت و فازی ،مرکز های خوشه (نمونه های اولیه) را تعیین می کنند و مجموع مربع فاصله بین این مرکز ها و خوشه ها را مینیمم می کنند.

بسیاری از الگوریتم ها به منظور دستیابی به خوشه بندی سخت در یک مجموعه داده پیشرفت داده شده اند.در بین آنها الگوریتم k-meansو روش های خوشه بندی IsoData به طور گسترده ای مورد استفاده گرفته اند.این دو الگوریتم بر پایه تکرار می باشند. کاربرد مجموعه های فازی در توابع کلاس بندی موجب می شود هر داده در یک زمان به چندین کلاس با درجه های متفاوت تعلق داشته باشد[3].

معروف ترین و پرکاربردترین الگوریتم خوشه بندی فازی ،الگوریتم fuzzy C-Means [7] است. الگوریتم fuzzy C-Means با یک مقدار اولیه از Wشروع می شود و مکررا بین تخمین مراکز خوشه Z داده شده درZ و تخمین ماتریس تعلق داده شده درW تکرار می شود تا هنگامیکه دو مقدار متوالی از Z یا W مساوی شوند.

از نظر ریاضی ،یک مسئله خوشه بندی فازی را می توان به صورت یک مسئله بهینه سازی به صورت ذیل نمایش داد.[5,6]

که n تعداد اشیاء در مجموعه داده مورد بررسی وk تعداد خوشه ها است .مجموعه از n شی ء است که هر یک با d ویژگی توصیف می شوند.   Z یک مجموعه با k مرکز کلاستر ، W یک ماتریس تعلق فازی و توان وزن و d معیار فاصله معین بین مرکز خوشه و شی ء می باشد.

از آنجا که الگوریتم fuzzy c-Means فقط روی داده های عددی کار می کند،یک الگوریتم fuzzy k-Modes  را به منظور خوشه بندی مجموعه داده های گروهی پیشنهاد می دهیم [6-9] . با این وجود،این الگوریتم ها ،شبیه همه روال های بهینه سازی دیگر که برای مینیمم عمومی یک تابع جستجو می کنند، احتمال گیر افتادن در یک مینیمم محلی وجود دارد.

برای مسئله بهینه سازی ،یک مسئله شناخته شده وابسته به هر دو الگوریتم fuzzy C-Means و fuzzy k-Modes این است که آنها ممکن است روی بهینه محلی متوقف شوند[5] .برای رفع این مشکل و رسیدن به یک راه حل عمومی،تکنیک های بر پایه الگوریتم های ژنتیک و تابو سرچ به کار برده شده اند. برای مثال ،الگوریتم genetic k-Means،الگوریتم genetic و الگوریتمk-Means  را ترکیب می کند بدین منظورکه راه حل عمومی و بهینه را پیدا کند[10].به منظور پیدا کردن راه حل بهینه عمومی برای الگوریتم fuzzy k-Modes،Ng و Wong تابو سرچ را بر پایه الگوریتم fuzzy k-Modes معرفی کردند[11].

هدف اصلی در این پروژه این است که الگوریتم genetic fuzzy k-Modes را بکار ببریم تا الگوریتم های fuzzy k-Modes و genetic را به منظور پیدا کردن راه حل بهینه در مسئله بهینه سازی ترکیب کند[5].

طرح کلی پروژه به صورت ذیل است که در قسمت 2، مروری برکارهای قبل و دیگر روش ها خواهیم داشت .بدین صورت که ابتدا الگوریتم های k-means, fuzzy C-means,k-modes,fuzzy k-modes با جزییات شرح می دهیم که مقدمه ای از روال کلی رسیدن به الگوریتم مورد بررسی در این مقاله هستند. سپس در قسمت 3 ،روش پیشنهادی مان،الگوریتم ترکیبی genetic fuzzy k-Modes را تشریح می کنیم. نتایج پیاده سازی الگوریتم برروی دو مجموعه داد ه واقعی از UCI را در قسمت 4 نشان می دهیم ودر نهایت در قسمت 5 بعضی نتایج را عنوان می کنیم.

2- مروری بر روش های قبل

 1.2- الگوریتمk-means Hard

الگوریتم k-means،الگوریتمی است که n نمونه داده را بر پایه ویژگی هایشان به c قسمت (c<n) خوشه بندی می کند. الگوریتم k-means روال هایی بر پایه نمونه اولیه هستند که فاصله بین نمونه های اولیه و دیگر داده ها را به وسیله ساختار یک تابع هدف مینیمم می کند[7].بعبارتی دیگر هدف الگوریتم این است که واریانس درون خوشه ای کل ،یا تابع مربع خطا را مینیمم سازد.این الگوریتم در سال 1956 معرفی شد.

روال کلی الگوریتم بدین صورت می باشد که :

تعداد خوشه ها را ، k در نظر بگیرید.به طور تصادفی k خوشه تولید کنید و مراکز خوشه ها را تعیین نمایید.یا به طور مستقیم، k نقطه رندم را به عنوان مراکز خوشه ها تولید کنید.در مجموعه داده،هر نمونه داده را به نزدیکترین مرکز کلاسترآن نسبت دهید.دوباره مراکز خوشه های جدید را بدست آورید.دو مرحله قبل را تا زمانیکه همگرایی مناسب حاصل شود(تفاوتی در دو خوشه بندی متوالی وجود نداشته باشد)،تکرار نمایید.