دانلود پروژه مقایسه چهار طرح ضرب کننده RNS

پروژه مقایسه چهار طرح ضرب کننده RNS پروژه مقایسه چهار طرح ضرب کننده RNS

دسته بندی	کامپیوتر و IT
فرمت فایل	doc
حجم فایل	854 کیلو بایت
تعداد صفحات فایل	149

پروژه مقایسه چهار طرح ضرب کننده RNS

چکیده ی بخشهایی از متن با فهرست:

چکیده

هدف از این پروژه مقایسه چهارطرح ضرب کننده RNS می باشد. بدین منظور با بهره گیری از پیاده سازی این چهار طرح با نرم افزار VHDL به مقایسه آنها می‌پردازیم. RNS یک روش نمایش اعداد است که در آن هر عدد به وسیله باقی مانده‌های تقسیم آن بر مجموعه ای از اعداد دو به دو نسبت به هم اول نمایش داده
می شود. با کمک قضیه باقی مانده چینی، اثبات می شود که در RNS نمایش هر عدد منحصر به فرد می باشد برای ضرب در RNS نیاز به ضرب پیمانه ای خواهد بود. روشهای ضرب پیمانه ای برحسب اینکه کاهش به پیمانه، در کدام مرحله ضرب انجام گیرد. به دو دسته «کاهش در حین ضرب (RDM)» و «کاهش بعد از ضرب (RAM)» تقسیم می شوند. دو طرح اول این پروژه با تکنیک RAM و دو طرح دوم با تکنیک RDM کار می‌کنند.

فهرست مطالب

عنوان                        صفحه

1- مقدمه............................. 1

  1-1 سیستم عددی باقیمانده........... 1

  1-2 قضیه باقی مانده های چینی....... 2

  1-3 کاربردهای RNS............................... 3

2- روشهای ضرب پیمانه ای ............. 5

  2-1 روش مونتگمری................... 5

  2-2 بررسی اجمالی روشهای موجود پیاده سازی ضرب در RNS 6

  2-3 نکاتی پیرامون چهار طرح مورد نظر 7

3- طرح اول........................... 8

  3-1 مقدمه.......................... 8

  3-2 بررسی سوابق.................... 8

  3-3 الگوریتم....................... 9

  3-4 پیاده سازی سخت افزاری.......... 10

  3-5 محاسبه پیچیدگی مساحت و تأخیر طرح اول 13

4- طرح دوم........................... 15

  4-1 مقدمه.......................... 15

  4-2 بررسی سوابق ................... 15

  4-3 الگوریتم....................... 15

  4-4 پیاده سازی سخت افزاری.......... 18

  4-5 محاسبه پیچیدگی مساحت و تأخیر طرح دوم 20

5- طرح سوم........................... 21

  5-1 تبدیل سیستم RNS (Residue Conversion)... 28

  5-2 پیاده سازی سخت افزاری.......... 30

   5-2-1 پیاده سازی تبدیل RNS........ 31

    5-2-2 پیاده سازی بخش اصلی الگوریتم (الگوریتم مونتگمری با RNS)  34

  5-3- محاسبه پیچیدگی مساحت و تأخیر طرح سوم    36

   5-3-1 عناصر وابسته به ROM........ 36

   5-3-2 عناصر ریاضی................. 36

   5-3-3 تأخیر و مساحت تبدیل کننده RNS استاندارد  37

   5-3-4 محاسبه مساحت و تأخیر تبدیل کننده RNS سریع 44

   5-3-5 مساحت و تأخیر طرح سوم....... 50

  5-4 نتایج پیاده سازی در طرح سوم ... 56

6- طرح چهارم......................... 58

  6-1 بیان مقاله در مورد سیستم RNS ......... 59   

  6-2 بیان مقاله از ضرب پیمانه ای بدون تقسیم (روش مونتگمری)............. 60

  6-3 بررسی صحت الگوریتم............. 62

  6-4 روش تبدیل RNS.................. 66

  6-5 پیاده سازی سخت افزاری.......... 67

   6-5-1 تبدیل RNS ناقص.............. 68

   6-5-2 پیاده سازی بخش اصلی طرح چهارم (الگوریتم مونتگمری)............... 68

  6-6 محاسبه پیچیدگی تأخیر و مساحت طرح چهارم   70

   6-6-1 محاسبه تأخیر و مساحت تبدیل RNSناقص    70

   6-6-2 محاسبه تأخیر و مساحت در طرح چهارم 72

  6-7 نتایج شبیه سازی در طرج چهارم... 80

7- مقایسه  طرح ها وجمع بندی ......... 81

  7-1- مقایسه چهار طرح............... 81

  7-2- جمع بندی ..................... 98

8- مراجع.............................

9- ضمائم ............................

  الف – کدهای VHDL طرح اول...........

  ب – کدهای VHDL طرح دوم.............

  ج – کدهای VHDL طرح سوم.............

  د – کدهای VHDL طرح چهارم...........

  هـ – MOMA

==============

فصل اول

1- مقدمه

همانطور که می دانیم ضرب پیمانه ای در علم رمزنگاری نقش مهمی ایفا می کند. از جمله روشهای رمزنگاری که به ضرب کننده پیمانه ای سریع نیاز دارد، روش رمزنگاری RSA می باشد که در آن نیاز به توان رساندن اعداد بزرگ در پیمانه های بزرگ می باشد. معمولاً برای نمایش اعداد در این حالات از سیستم باقی مانده (RNS) استفاده می شود و ضرب (به عنوان هسته توان رسانی) در این سیستم به کار می رود.

در اینجا برای آشنایی بیشتر به توضیح سیستم عددی باقی مانده می پردازیم و به کاربردها و فواید آن اشاراتی خواهیم داشت.

1-1 سیستم عددی باقیمانده (Residue Number System (RNS))

در حدود 1500 سال پیش معمایی به صورت شعر توسط یک شاعر چینی به صورت زیر بیان شد. «آن چه عددی است که وقتی بر اعداد 3،5و7 تقسیم می شود باقیمانده های 2،3و2 بدست می آید؟» این معما یکی از قدیمی ترین نمونه های سیستم عددی باقی مانده است.

در RNS یک عدد توسط لیستی از باقیمانده هایش برn  عدد صحیح مثبت m₁ تا m_n که این اعداد دو به دو نسبت به هم اولند (یعنی بزرگترین مقسوم علیه مشترک دوبدوشان یک است) به نمایش در می آید. به اعداد m₁ تا m_n پیمانه (moduli)
می گویند. حاصلضرب این nعدد،  تعداد اعدادی که می توان با این پیمانه ها نشان داد را بیان می کند. هر باقیمانده x_i را به صورت x_i=Xmod m_i نمایش می دهند. در مثال بالا عدد مربوطه به صورت X=(2/3/2)_RNS(7/5/3) به نمایش در می آید که X mod7=2 و X mod5=3 و X mod3=2. تعداد اعداد قابل نمایش در این مثال  می باشد. می توان هرمجموعه 105 تایی از اعداد صحیح مثبت یا منفی متوالی را با این سیستم عددی باقیمانده نمایش داد.

...

فصل چهارم

طرح دوم

6-5- پیاده سازی سخت افزاری

اصول اصلی پیاده سازی طرح چهارم کاملاً مشابه با طرح سوم می باشد. در واقع در اینجا هم عملیاتها به دو دسته اصلی تبدیل RNS و عملیات مونتگمری قابل تقسیم هستند. و همچنین از تمام عناصر بکار رفته در طرح سوم (بجز RESCONVS که بصورت تنها اصلاح شده و در شکل دیگر مورد استفاده قرار می گیرد) مورد استفاده قرار گرفته اند و یک عنصر مبتنی بر ROM به این مجموعه اضافه می شود. تفاوت اصلی این الگوریتم با الگوریتم سوم در انتهای آن است. در واقع جهت محاسبه ضریب خطای T از مقادیر بدست آمده از تبدیل RNS استفاده می شود که نتیجه را از RNS کمکی به RNS اولیه منتقل می کند. در واقع فرض می شود که نتیجه نهایی را در همان RNS که شروع کردیم بیان کنیم. ولی اگر بخاطر داشته باشید در طرح سوم نتیجه نهایی در همان RNS کمکی باقی ماند و توضیح داریم که این مسئله برای ما مشکل ایجاد نمی کند. پس برای مقایسه این دو طرح فرض را بر همان روش سوم قرار می دهیم. پس در واقع دیگر به تبدیل RNS دوم برای بازگشتن به RNS اولیه بطور کامل احتیاج نیست و فقط بخشی از آن که ما را دریافتن T یاری می کند مورد استفاده قرار گرفته.

یک نکته دیگر عدم  استفاده این طرح از روش ابتکاری طرح سوم (تبدیل RNS اصلاح شده) است که می توانست بهبود بخش سرعت عملیات باشد. همانگونه که گفتیم در اینجا از همان روش تبدیل RNS طرح سوم استفاده شده پس پیاده سازی هم دقیقاً مثل تبدیل RNS طرح سوم است. دو بخش دیگر یعنی تبدیل RNS ناقص (برای محاسبه T) و اصل طرح چهارم در زیر مورد بررسی قرار می گیرند.

6-5-1- تبدیل ناقصRNS

در این بخش در واقع فقط یک عملیات ضرب داخلی باید صورت بگیرد یعنی عملیاتی بشکل

پس در واقع به دو عنصر یکی ROM جهت ضرب در عدد ثابت Cverr و یک جمع کننده چند عملوندی احتیاج داریم. تعریف Cverr مشابه تعریف  در بخش 5-2-1 می باشد.

شکل 6-2: شکل بلوکی تبدیل ناقص RNS

6-5-2- پیاده سازی بخش اصلی طرح چهارم (الگوریتم مونتگمری):

حال پیاده سازی خود طرح چهارم را بررسی می کنیم. اصول کلی کار با نگاه به بلوک دیگرام طرح که در شکل (6-2) آمده مشخص می شود. کل عملیات بسیار شبیه طرح سوم است با مقایسه آنها چند تفاوت مشاهده می شود که در زیر بیان می شود یکی وجود یک تبدیل استاندارد RNS برای تبدیل q_w به q_v می باشد. درواقع در اینجا از شکل اصلی RNS استفاده شده و از RNS اصلاح شده استفاده نکردیم. ثانیاً در این طرح نیاز به یک ضرب جمع کننده پیمانه‌ای با اعداد ثابت داریم که آنرا نیز پیاده کرده ایم و در نهایت استفاده از تبدیل RNS ناقص برای محاسبه خطا و کم کردن آن از نتیجه نیز در بلوک دیاگرام دیده می شود.

====================

دانلود تحقیق الگوریتم و برنامه نویسی ژنتیک

الگوریتم و برنامه نویسی ژنتیک مسائل زیادی در هوش مصنوعی و یادگیری ماشین نیاز به برنامه های کامپیوتری دارند که خروجی های دلخواه را با توجه به ورودی های خاص ایجاد نمایند

دسته بندی	هوش مصنوعی
فرمت فایل	doc
حجم فایل	227 کیلو بایت
تعداد صفحات فایل	32

الگوریتم و برنامه نویسی ژنتیک

 

چکیده :                                                                                                        

 مسائل زیادی در هوش مصنوعی و یادگیری ماشین نیاز به برنامه های کامپیوتری دارند که خروجی های دلخواه را با توجه  به ورودی های خاص ایجاد نمایند. هنگامی که با این دید به  مسئله نگاه می شود این مسائل با جستجوی فضای ممکن برنامه های کامپیوتری جهت یافتن مناسبترین برنامه برابر میشود. مبحث "برنامه نویسی ژنتیک" راهی جهت یافتن مناسبترین برنامه مهیا می کند. در این روش جمعیتی از برنامه های کامپیوتری با استفاده از اصول  داروین مبتنی بر بقای مناسبترین به تولید مثل می پردازند.در این مقاله فرایند حل مسائل به کمک این روش با به تصویر کشیدن مثال هائی در زمینه های گوناگون به تصویر کشیده شده  است. مثال ها در زمینه یادگیری ماشین یک تابع ،دنباله های استقرائی،فرمهای مفهومی و… آورده شده اند. 

 

 

کلمات کلیدی:

یادگیری ماشین

برنامه نویسی ژنتیک

الگوریتم های ژنتیک عمومی

 

 

 1 . تاریخچه :

با الهام گرفتن از نظریه انتخاب طبیعی داروین که مبتنی برعمل تولید مثل موجودات واصل"بقای مناسبترین"  که گونه های زیست شناختی را قادر می سازد با شرایط محیطی خود را وفق دهند می باشد پروفسور جان هالند از دانشگاه میشیگان " ا لگوریتم های ژنتیک " را برای رشته های دودوئی با طول ثا بت را پایه گذاری کرد. ( " وفق پذیری در طبیعت و سیستمهای مصنوعی 1975  " ) در این مقاله "هالند"  نشان داد مسائل زیادی در سیستمهای وفقی این قابلیت را دارند که  به  صورت  وا ژه های  ژنتیک بیان شوند و توسط الگوریتم های ژنتیک که روند تکاملی داروین را شبیه سازی می کنند به صورت موازی حل شوند. کار در این زمینه توسط افراد مختلفی دنبال شد تا ا ینکه " جان کوزا " در سال 1992 مفهوم " برنامه نویسی  ژنتیک " را معرفی کرد که در این روش عناصر برنامه جایگزین رشته های  دودوئی میشوند.

 

 

 

فهرست مطالب

چکیده مطالب : 5

1 . تاریخچه : 6

2. الگوریتم های ژنتیک عمومی 6

3. زبان برنامه نویسی لسیپ 6

4. بیان جزئیات برنامه نویسی ژنتیک 9

4-1.  ساختارهایی که عمل وفق پذیری را انجام می دهند 9

4-1-1 . شرط بسته بودن 11

4-1-2 . شرط کافی بودن 11

4-2. ساختارهای اولیه 11

4-3 . تناسب 12

4-4. عملیاتی جهت تغییر ساختارها 13

4-4-1. عمل خود تولید 13

4-4-2. عمل تولید مثل 13

4-5. انتخاب پاسخ 15

4-6 . شرط خاتمه 15

4-7. پارامترهای کنترل 15

5.  مالتی پلکسر-11  بولی 16

6. دنباله های استقرائی 21

7. فرمهای مفهومی 22

8. سایر عملگرها 22

8-1. عملگر جهش ژنتیکی 22

8-2. عملگر جایگشت 22

8-3. عملگر ویراستار 23

8-4. عملگر تعریف تابع 23

9. مسئله فروشنده دوره گرد 24

1.9. تاریخچه 24

2.9. کاربرد های مسئله فروشنده دوره گرد 24

3.9. کاربرد برنامه نویسی ژنتیک در مسئله فروشنده دوره گرد 25

1.3.9. انتخاب نسل اولیه 25

2.3.9. انتخاب تابع تناسب 25

3.3.9. تولید نسلهای بعدی 25

4.3.9. تکامل همزمان و نسل کشی 25

4.9. ساختارهای مورد استفاده و سایر روشها 32

10. نتیجه گیری 32

مراجع 33

 

دانلود مقاله آموزش شبکه ی عصبی فازی برگشتی با استفاده از الگوریتم پس انتشار و الگوریتم جدید ترکیبی PSO و DE

آموزش شبکه ی عصبی فازی برگشتی با استفاده از الگوریتم پس انتشار و الگوریتم جدید ترکیبی PSO و DE اخیرا، استفاده از شبکه های عصبی برگشتی (Recurrent) رو به افزایش است یکی از دلایل بیشتر شدن کاربرد این شبکه ها قابلیت آنها در تقریب زدن رفتار سیستم های دینامیکی به علت ساختار پس خوردی آنهاست

دسته بندی	هوش مصنوعی
فرمت فایل	doc
حجم فایل	156 کیلو بایت
تعداد صفحات فایل	14

آموزش شبکه ی عصبی فازی برگشتی با استفاده از الگوریتم پس انتشار و الگوریتم جدید ترکیبی PSO و DE

 

 

چکیده :

 اخیرا، استفاده از شبکه های عصبی برگشتی (Recurrent) رو به افزایش است. یکی از دلایل بیشتر شدن کاربرد این شبکه ها   قابلیت آنها در تقریب زدن رفتار سیستم های دینامیکی به علت ساختار پس خوردی آنهاست. به طور معمول آموزش این شبکه ها با استفاده از پس انتشار خطا (Back propagation) انجام می پذیرد. در این پروژه سعی بر آن است تا در کنار استفاده از مزایای روش پیشین با استفاده از ترکیب آن با روش های جدید بهینه سازی PSO ترکیب شده با DE به بهبود هایی در آموزش شبکه های RFNN دست یابیم. روش PSO نگرشی است برای بیهنه سازی جهانی توابع بدون نیاز به مشتق گیری که این مزیت آموزش شبکه های RFNN را آسان تر می سازد. ترکیب دیدگاه DE با PSO توانسته است که این روش را در دست یابی به نقطه ی کمینه ی محلی چه از نقطه نظر سرعت و چه از نقطه نظر قوام و قابلیت اطمینان یاری رساند. به همین علت با استفاده از ترکیب این 3 روش با یکدیگر همانطور که در ادامه دیده خواهد شد، نتایج خوب و قابل قبولی بدست آمده است.

 

 

کلمات کلیدی:

الگوریتم پس انتشار

الگوریتم ترکیبی PSO و DE

شبکه ی عصبی فازی برگشتی

 

 

 مقدمه

کاربرد شبکه های عصبی در دهه های اخیر از زمان پیدایش آنها بر هیچ کس پوشیده نیست. مدل های مختلف شبکه های عصبی برای کاربرد های گوناگون در سال های اخیر ارئه شده است. از میان انبوه مدل های مختلف، شبکه های عصبی بازگشتی قابلیت خوبی در تخمین توابع دینامیکی به هر اندازه از درجه ی دقت از خود نشان داده اند. به عنوان مثال، جین (Jin) و همکارانش بر روی کاربرد شبکه های عصبی بازگشتی دینامیکی (DRNN) در تخمین یک سیستم دینامیکی زمان پیوسته مطالعاتی انجام داده اند [1] همچنین  ترکیب شبکه ی Hopfield و شبکه ی DRNN در تخمین سیستم های دینامیکی توسط آقای فوناهاشی [2] بررسی گردیده است. ویژگی مهم شبکه های عصبی بازگشتی در یادگیری و ذخیره سازی مجازی اطلاعات در آنها به وسیله ی وزن های عصب ها به عنوان حافظه می باشد. 

 

ترکیب شبکه های عصبی با روش های دیگر تخمین در کنترل توسط بسیاری از دانشمندان انجام شده است که از این میان می توان به کار آقای لین(Lin) [3] اشاره نمود. در این مطالعه ایشان از یک مدل کلی شبکه¬ی عصبی برای یک سیستم منطق فازی استفاده نمودند و با استفاده از تلفیق مزایای یک شبکه عصبی و منطق فازی نشان دادند که یک شبکه ی عصبی فازی (FNN) می تواند به عنوان یک نخمین گر جهانی مورد استفاده قرار گیرد. اما مهمترین مشکل یک FNN به علت ساختار شبکه  پیش خور آن، محدود شدن کاربرد آن تنها درسیستم های استاتیکی است.  به منظور رفع این مشکل در سال 2000  [4]یک شبکه ی عصبی فازی بازگشتی RFNN بر اساس آموزش سوپروایزی ارائه گردید. این شبکه یک نگاشت دینامیکی است و به همین منظور در تخمین سیستم های دینامیکی قابلیت بهتری نسبت به FNN ها از خود نشان می دهد. قابلیت این شبکه ها در برخورد مناسب با ورودی و خروجی های متغیر با زمان به علت رفتار های ذاتی گذرای آن مورد توجه بسیار قرار گرفته است[5]. قابلیت نگهداری اطلاعات به صورت موقتی در این شبکه ها، ساختار این شبکه ها را بسیار ساده نموده است به طوری که برای شناسایی سیستم ها نیاز به تعداد نرون کمتری است. به علت پیچیدگی در آموزش به طریق پس انتشار تنها از قوانین فازی به صورت قطری استفاده گردیده است.

 

 

 

فهرست مطالب

آموزش شبکه ی عصبی فازی برگشتی با استفاده از الگوریتم پس انتشار و الگوریتم جدید ترکیبی PSO و DE 1

چکیده : 1

1 – مقدمه 2

2-  ساختار یک شبکه ی RFNN 4

شکل 1- یک شبکه ی عصبی فازی بازگشتی 5

3- الگوریتم PSO-DE 7

4- آموزش شبکه 10

5- نتایج شبیه سازی ها 11

6- نتیجه گیری 12

مراجع: 13

 

دانلود الگوریتم های خوشه بندی در شبکه های حسگر بی سیم

الگوریتم های خوشه بندی در شبکه های حسگر بی سیم شبکه های حسگر بی سیم شامل تعدا زیادی از سنسورهای کوچک است که که می توانند یک ابزار قوی برای جمع آوری داده در انواع محیط های داده ای متنوع باشند

دسته بندی	کامپیوتر و IT
فرمت فایل	doc
حجم فایل	1591 کیلو بایت
تعداد صفحات فایل	133

شبکه های حسگر بی سیم شامل تعدا زیادی از سنسورهای کوچک است که که می توانند یک ابزار قوی برای جمع آوری داده در انواع محیط های داده ای متنوع باشند. داده های جمع آوری شده توسط هر حسگر به ایستگاه اصلی منتقل می شود تا به کاربر نهایی ارائه می شود. یکی از عمده ترین چالشها در این نوع شبکه ها، محدودیت مصرف انرژی است که مستقیما طول عمر شبکه حسگر را تحت تأثیر قرار میدهد ، خوشه بندی بعنوان یکی از روشهای شناخته شده ای است که بطور گسترده برای مواجه شدن با این چالش مورد استفاده قرار میگیرد.

خوشه بندی به شبکه های حسگر بی سیم معرفی شده است چرا که طبق آزمایشات انجام شده ،روشی موثر برای ارائه ی بهتر تجمع داده ها و مقیاس پذیری برای شبکه های حسگر بی سیم بزرگ است. خوشه بندی همچنین منابع انرژی محدود حسگرها را محافظت کرده و باعث صرفه جویی در مصرف انرژی می شود.

فهرست مطالب

چکیده1

مقدمه. 2

فصل اول :شبکه ی حسگر بی سیم. 3

مقدمه. 4

بررسی اجمالی مسائل کلیدی.. 6

انواع شبکه حسگر بی سیم. 11

ساختارهای شبکه حسگر بی سیم. 14

ویژگی‌های سخت‌افزاری:17

کاربردهای شبکه ی حسگر بی سیم. 20

عوامل موثر بر شبکه ی حسگر بی سیم. 26

پشته پروتکلی.. 33

نتیجه گیری بخش... 38

فصل دوم :انواع الگوریتم های خوشه بندی.. 39

مقدمه. 40

بررسی کلی خوشه بندی.. 40

الگوریتم های خوشه بندی سلسله مراتبی.. 40

الگوریتم های خوشه بندی طیفی.. 41

الگوریتم های خوشه بندی مبتنی بر شبکه ی گرید. 42

الگوریتم خوشه بندی مبتنی بر تراکم. 43

الگوریتم های خوشه بندی پارتیشن بندی.. 43

الگوریتم خوشه بندی ژنتیک k-means برای ترکیب مجموعه داده های عددی و قاطعانه. 44

الگوریتم مقیاس.......45

الگوریتم k-means هماهنگ.. 46

مقداردهی k-means با استفاده از الگوریتم ژنتیک.. 47

رویکرد مجموع خوشه ها برای داده های ترکیبی............48

الگوریتم تکاملی ترکیبی.......49

اصلاح جهانی الگوریتم k-means 50

الگوریتم ژنتیک k-means سریع. 50

نتیجه گیری بخش... 52

فصل سوم :الگوریتم های خوشه بندی در شبکه ی حسگر بی سیم. 53

مقدمه. 54

چالش ها در الگوریتم های خوشه بندی در شبکه ی حسگر بی سیم. 56

فرآیند خوشه بندی.. 58

پروتکل های خوشه بندی موجود. 59

الگوریتم های ابداعی......59

طرح های وزنی.......60

طرح های شبکه ی گرید. 62

طرح های سلسله مراتبی و دیگر طرح ها......64

الگوریتم های خوشه بندی در شبکه های حسگر بی سیم ناهمگون. 73

مدل ناهمگون برای شبکه های حسگر بی سیم......73

طبقه بندی ویژگی های خوشه بندی در شبکه های حسگر بی سیم ناهمگون......75

الگوریتم خوشه بندی برای شبکه های حسگر بی سیم ناهمگون......77

نتیجه گیری بخش... 92

 فصل چهارم:بررسی دو الگوریتم خوشه بندی EECS و A-LEACH.. 93

مقدمه. 94

EECS.. 95

نمای کلی مشکلات.. 95

جزئیات EECS. 97

تحلیل EECS. 103

شبیه سازی.. 107

رویکردهای آینده112

A-LEACH.. 113

آثار مربوطه. 113

تجزیه و تحلیل انرژی پروتکل ها115

A-LEACH.. 115

شبیه سازی.. 118

رویکردهای آینده و نتیجه گیری 122

نتیجه گیری.. 123

 فهرست اشکال

شکل .1 . طبقه بندی موضوعات مختلف در شبکه ی حسگر بی سیم. 8

شکل .2. ساختار کلی شبکه ی حسگر بی سیم. 16

شکل. 3. ساختار خودکار16

شکل. 4. ساختار نیمه خودکار17

شکل. 5.ساختار داخلی گره ی حسگر. 18

شکل 6. پشته ی پروتکلی.. 34

شکل 7 . نمونه ای از الگوریتم GROUP. 63

شکل .8 . الف )ساختار شبکه ب)شبکه بعد از چند دور78

شکل 9. الف) ساختار شبکه ب) خوشه بندی EDFCM.. 85

شکل 10. سلسله مراتب خوشه در زمینه ی سنجش... 87

شکل 11. دیاگرام شماتیک از مناطق در اندازه های مختلف.. 89

شکل .12. تاثیر هزینه ی سرخوشه ی موردنظر. 102

شکل. 13. پدیده ی شیب در شبکه. 105

شکل.14. الف : توزیع غیر یکنواخت ب : توزیع یکنواخت.. 107

شکل. 15. الف: صحنه ی معمولی ب: صحنه ی بزرگ 108

شکل .16. الف : صحنه ی معمولی ب: صحنه ی بزرگ 109

شکل. 17. الف : صحنه ی معمولی ب: صحنه ی بزرگ.. 110

شکل.18. تعداد خوشه ها در هر دور در EECSو LEACH(صحنه ی 1)111

شکل. 19.الف : صحنه ی معمولی ب : صحنه ی بزرگ.. 112

شکل .20. مدل شبکه ای A-LEACH.. 118

شکل 21. شبکه ی حسگر بی سیم با مدل A-LEACH.. 119

شکل .22. طول منطقه ی ثبات برای مقادیر مختلف ناهمگونی.. 120

شکل 23. تعداد گره های زنده نسبت با دور با m=0.1 و a=1. 120

شکل .24. تعداد گره های زنده نسبت به دور با m=0.3 و a=1. 121

شکل. 25. تعداد گره های زنده نسبت به دور با m=0.5 وa=1. 121

 فهرست جداول

جدول 1 .مقایسه ی الگوریتم های خوشه بندی طرح سلسله مراتبی.. 72

جدول.2. مقایسه ی الگوریتم های خوشه بندی.. 91

جدول.3. مفهوم نمادها98

جدول .4 . توصیف حالات یا پیغام ها98

جدول 5 . پارامترهای شبیه سازی.. 107

ارائه ی یک الگوریتم جستجوی مبتنی بر روشهای مبنی برجمعیت در بهینه سازی ترکیبی دانلود مقاله هوش مصنوعی ارائه ی یک الگوریتم جستجوی مبتنی بر روشهای مبنی برجمعیت در بهینه سازی ترکیبی سیستم همکاری در فروش فایل فایلینا بهینه سازی ترکیبی

دسته بندی	هوش مصنوعی
فرمت فایل	ppt
حجم فایل	2409 کیلو بایت
تعداد صفحات فایل	69

 ارائه ی یک الگوریتم جستجوی مبتنی بر روشهای مبنی برجمعیت در بهینه سازی ترکیبی

 

 

مقدمه

در ریاضیات و علوم رایانه یک مسأله بهینه سازی، مسأله یافتن بهترین راه حل از میان همه راه حل های عملی می باشد. مسأله های بهینه سازی می تواند به دو دسته تقسیم شود که متغیرها پیوسته یا گسسته باشند. یک مسأله بهینه سازی با متغیرهای گسسته به عنوان یک مسأله بهینه سازی ترکیبی یا ترکیبیاتی شناخته می شوند. در یک مسأله بهینه سازی ترکیبی، ما به دنبال مجموعه ای از اشیاء از قبیل عدد صحیح، جایگشت و یا گرافی می گردیم که تعداد اعضایش محدود (و یا به طور قابل شمارش نامحدود) باشند.

 

مسأله بهینه سازی ترکیبی

بطور رسمی یک بهینه سازی ترکیبی A یک چهارتایی  است به طوری که:

•  مجموعه نمونه هاست.
• برای یک نمونه  داده شده،  مجموعه راه حل های امکان پذیر است.
• برای یک مورد داده شده  و راه حل ممکن  برای ،  اندازه  را مشخص می کند که معمولاً یک عدد حقیقی مثبت است.
• g هدف تابع است که یا برابر کمینه و یا بیشینه است.

هدف این است که برای یک نمونه ، یک راه حل بهینه پیدا کنیم که یک راه حل ممکن  است با این شرط که

برای هر مسأله بهینه سازی ترکیبی، یک مسأله تصمیم متناظر وجود دارد که می پرسد ببیند آیا یک راه حل ممکن برای مقدار خاص  وجود دارد یا نه. به عنوان مثال یک گراف وجود دارد که شامل رئوس  و  یک مسأله بهینه سازی ممکن است «یافتن یک مسیر از  به  که از کمترین یال ها بگذرد» باشد. این مسأله ممکن است یک جواب مثلاً ۴ داشته باشد. یک مسأله تصمیم متناظر این خواهد بود که «آیا یک مسیر از  به  با استفاده از ۱۰ یال یا کمتر وجود دارد؟» این مسأله با یک «بله» یا «خیر» ساده جواب داده می شود. در زمینه الگوریتم های تخمین، الگوریتم ها برای مسائل سخت برای یافتن راه حل های نزدیک بهینه طراحی می شوند. بنابراین یک نسخه معمول تصمیم، یک توصیف ناکافی از مسأله است زیرا فقط راه حل های قابل قبول را مشخص می کند. اگرچه می توانیم مسائل تصمیم مناسبی مطرح کنیم، این مسائل دیگر بیشتر به طور طبیعی، یک مسأله بهینه سازی می شوند.

 

 

کلمات کلیدی:

بهینه‌سازی ترکیبی (Combinational Optimization)

روشهای مبنی برجمعیت

الگوریتم جستجو

الگوریتم مورچه

مدلهای ACO

مساله مسیریابی وسایل نقلیه(Vehicle Routing Problem)

درخت پوشای کمینه

 

 

 

فهرست مطالب

تعریف مسایل بهینه سازی ترکیبی

مدلهای ACO 

کاربردهای الگوریتم مورچه

مساله مسیریابی وسایل نقلیه

طبقه بندی الگوریتم های حل مسایل بهینه سازی ترکیبی

طبقه بندی فرااکتشافات

الگوریتمهای تکاملی

مسایل مهم در حوزه هوش گروهی

الگوریتم های مورچه

 (اثر autocatalytic).

رکود: اکثر مورچه ها کوتاهترین شاخه را انتخاب می کنند 

تبخیر: مکانیزم اجتناب از همگرایی سریع به مسیرهای زیربهینه 

پارامترهای ارزیابی

مدلهای ACO

مساله مسیریابی وسایل نقلیه(Vehicle Routing Problem)

تعریف فرمال مساله CVRP

یک نمونه مساله ساده از CVRP

ساخت درخت پوشای می نیمم 

استفاده از روش پریم برای ساخت درخت تعریف شده روی گراف مساله 

روش پریم

ساخت راه حلها توسط مورچه ها

ساختار طراحی شده برای هر مورچه 

انتخاب بهترین شاخه مجاور

بررسی شاخه های سمت چپ و راست

مطابقت درخواست گره با ظرفیت وسیله

انتخاب بیشترین صرفه جویی

انتقال به شاخه جدید

انتخاب شبه تصادفی گره بعدی بجز انبار (از شاخه جاری)

انتخاب احتمالی براساس تابع احتمال تجمعی

جستجوی محلی برای بهبود مسیرها

جایگزینی گره ها در یک تور

جابه جایی گره در یک تور

به روزرسانی وزن یالهای شرکت کننده در درخت

بررسی محدودیت مرزی برای وزنها

دریافت ورودیهای مساله

انجام محاسبات اولیه و مقداردهی به پارامترها

شروع حلقه اصلی الگوریتم 

    ساخت درخت پوشای کمینه

    تولید جوابهای مساله توسط مورچه ها

انحراف معیار استاندارد

ساخت درخت پوشای کمینه برای انجام خوشه بندی مناسب روی گره های گراف مساله

تعریف وزن برای یالهای گراف جهت ساخت درخت پوشای کمینه

نحوه به روزرسانی وزن یالها

تعریف پارامترهای مناسب در بخشهای تغییریافته

مکانیزم شروع مجدد

جلوگیری از رکود و گرفتار شدن در کمینه محلی

مختصات انبار

مختصات گره ها

نتایج ارزیابی مجموعه داده های اول و سوم

به روزرسانی وزن یالهای درخت

تصمیمات احتمالی مورچه ها

ترکیب با سایر روشهای حل مساله مثل الگوریتم ژنتیک

بهینه سازی ترکیبی

منابع

 

 

الگوریتم ژنتیک و تنظیم دو شیوه تقسیم بندی شده دو مرحله ای برای مشکل مسیریابی خودرو با پنجره های زمانی ژنتیک و تنظیم دو شیوه تقسیم بندی شده دو مرحله ای برای مشکل مسیریابی خودرو با پنجره های زمانی Science Direct

دسته بندی	هوش مصنوعی
فرمت فایل	doc
حجم فایل	3555 کیلو بایت
تعداد صفحات فایل	41

الگوریتم ژنتیک و تنظیم دو شیوه تقسیم بندی شده دو مرحله ای برای مشکل مسیریابی خودرو با پنجره های زمانی

 

 

 

 

چکیده:

مشکل مسیریابی خودرو با پنجره های زمانی (NRPTW) یک مسئله ترکیبی شناخته شد. و پیچیده است که در طی سالهای اخیر توجه زیادی را به خود جلب کرده است. این مسئله با استفاده از متون مختلف زیادی که شامل شیوه های مطلق و کامل و آزمایشی است مشخص می شود. معیار مشکلات (NRPTW) از الگوریتم های سولمون (Solomon) برای مسائل مسیریابی و برنامه ریزی با محدودیت های پنجره زمانی می باشد. تحقیق های سازمانی به صورت معمول برای ارزیابی و مقایسه الگوریتم ها انتخاب شده اند.

 

نتایج حاصل از روشهای مطلق به صورت قابل توجهی توسعه یافته اند که این به علت کاربردهای متوازن و روشهای مدرن شاخه شاخه شده می باشد. به هر حال هنوز 24 مورد از 56 مورد مثال های ترتیبی از مجموعه تست اصل سولمون بدون حل باقی مانده است. به علاوه در بسیاری از روش هایی آزمایشی توسعه یافته راه حل خوبی در مقادیر منطقی زمان می باشند.متأسفانه کلاس های تحقیقاتی که بر پایه روش های دقیقی بوده است، بر روی فاصله طی شده کلی انجام گردیده است و این تمرکز تقریباً بر روی تمام تلاش های انجام شده بر روی تعدادی از متحرکها انجام شده است. در نتیجه مقایسه  و بدست آوردن مزیت های نقاط قوت برای رسیدن به هدف مشکل تر خواهد بود.

 

این مقاله یک شیوه کامل آزمایشی برای NRPTW را با استفاده با مسیر طی شده بعنوان موضوع اصلی در طول الگوریتم ژنتیک کارا و فرمول سازی تقسیم بندی شده را ارائه می دهد. آزمون ها بر اساس تعداد و موضوع نوع اطلاعات تولید شده اند، که اجازه مقایسه مستقیم پیامدهای آن با روش های آزمایشی دقیق گذشته را می دهد. به علاوه، نتایج محاسبه ای نشان می دهد که شیوه پیشنهادی، آزمایشی عملکردها و اجرائیات تمام روشهای شناخته شده قبلی را در دوره هایی با حداقل فاصله طی شده از بین می برد.

 

 

 

کلمات کلیدی:

مسیریابی خودرو

الگوریتم ژنتیک

پنجره های زمانی (NRPTW)

مسئله ترکیبی

الگوریتم های سولمون (Solomon)

 

 

 

 

مقدمه 

مشکل مسیریابی خودرو با پنجره های زمانی(NRPTW ) در جامعه تحقیق سازمانی به صورت گسترده مطالعه شده است. اول، به دلیل اینکه (NRPTW ) یکی از مشکل ترین مسائل در بهینه سازی ترکیبی می باشد و در نتیجه چالش بزرگی را ایجاد می کند، دوم، در مقوله عملی تر مشکل به صورت مستقیم در یک فرصت واقعی برای کاهش هزینه ها در محدوده مهم لژستیکی شرکت می کند. مدیریت حمل و نقل و مخصوصاً مسیریابی خودرو تأثیر اقتصادی قابل توجهی در تمام سیستمهای لژستیکی دارد. در (NRPTW )، در(NRPTW )، ناوگان (انبار) وسایل نقلیه مشخص K ، اجناس را برای مشتریان N تأمین می کنند که تمام خودروها دارای ظرفیت یکسان Q می باشند.

 

برای هر مشتری i ، ( N ، ...، 1=i ، تقاضای کالاها   و زمان خدمات   و پنجره زمانی   برای رفع تقاضاهای i ، شناخته شده اند، ترکیبات   بیانگر زمان خدمات بارگیری و یا تخلیه برای مشتری i ، و   توصیف کننده زودترین زمانی است که امکان شروع خدمات وجود داشته باشد. اگر هر کدام از خودروها قبل از زمان   به مشتری     برسند باید مدتی را منتظر بمانند و خودرو باید خدمات مشتری را قبل از   شروع کند. این نوع محدودیت های پنجره زمانی بعنوان پنجره های زمانی سخت شناخته شده اند.

 

تمام مسیرهای خودرو در انبار مرکزی شروع و خاتمه می یابد. هر مشتری باید یک بار ملاقات شود. حداقل فاصله بین مکان های انبار مرکزی و تمام مشتری ها   و زمان طی شده بین تمام مکان ها   داده شده است. موضوع یافتن راه حلی ساده برای تعیین حداقل مسافت طی شده کلی و یا حداقل تعداد خودروها می باشد. که در این مقاله تنها موضوع اول در نظر گرفته شده است. پیشرفت های زیادی در مسأله معیار سولمون و نمونه های آن توسط روچارت  با استفاده از روش فوق آزمایشی تحقیقی به صورت فهرست وار ایجاد شده است. در انتشارات (1995) روچات 47 راه حل آزمایشی را از 56 نمونه اصلی سولمون توسعه داده است.

 

ویژگی مهم دیگر، متون بهینه سازی قبلی است که توسط روچارت به کار گرفته شده است. این فن شامل حفظ تمام راه حل های جزئی مشخص شده در طول الگوریتم تحقیقی فهرست وار  برای کاربردهای بعد می باشد. مسیرهای هر روش میانی در مجموعهT قرار گرفته است. پس بعد از پایان معیار سنجی فهرستی، تحقیقی بدست آمده، ممکن است بهترین راه حلی باشد که با استفاده از حل مسأله تقسیم بندی شده از مسیرهای  با استفاده از نرم افزار   کشف شود.

 

 

 

 

فهرست مطالب

خلاصه: 1

مقدمه 2

2- تنظیم مدل تقسیم بندی   7

3) ژنتیک و تنظیم الگوریتم جزء بندی شده دو مرحله ای 9

103 جستجو برای راه حل های کوچک محلی 11

3-1-1 الگوریتم ژنتیک 12

3-1-1-1: مجموعه اولیه 14

3-1-1-2: انتخاب 15

3-1-1-3: تناسبات: 15

3-1-1-4: مجموع (تقاطع) 16

3-1-1-6 تغییر و دگرگونی 18

3-2: الگوریتم کامل 25

4- نتایج محاسبه شده 29

1-4: تنظیم و ارائه کلی پارامترهای GA 30

4-2 پیامدها و نتایج برای حداقل فاصله کلی 33

منبع  41

 

الگوریتم جدیدی برای حل مسأله مسیریابی-موجودی با ارسال مستقیم الگوریتم جدیدی برای حل مسأله مسیریابی موجودی با ارسال مستقیم سیستم همکاری در فروش فایل فایلینا

دسته بندی	مهندسی نرم افزار
فرمت فایل	doc
حجم فایل	749 کیلو بایت
تعداد صفحات فایل	32

الگوریتم جدیدی برای حل مسأله مسیریابی-موجودی با ارسال مستقیم

 

 

 

 

چکیده

این مقاله به بررسی مسأله مسیریابی-موجودی چند محصولی چند دوره ای در یک زنجیره تأمین دو سطحی؛ شامل یک تولیدکننده و مجموعه ای از خرده فروشان اختصاص دارد. در مسأله مورد بررسی، علاوه بر مدیریت موجودی و برنامه ریزی توزیع، برنامه ریزی تولید نیز در نظر گرفته شده است. مسأله با هدف کمینه سازی مجموع هزینه های سیستم شامل هزینه های راه اندازی، توزیع و نگهداری موجودی مدلسازی شده است. محصولات توسط ناوگانی از وسایل حمل همسان با ظرفیت محدود تحت استرات‍ژی ارسال مستقیم به خرده فروشان تحویل داده می شوند.

 

همچنین، ظرفیت تولید و نگهداری محدود و کمبود غیرمجاز فرض شده است. نشان داده شده است که مسایل مشابه بدون در نظر داشتن برنامه ریزی توزیع در زمره مسایل با پیچیدگی سخت قرار دارند، بنابراین مسأله فوق نیز، مسأله ای با پیچیدگی سخت است. از این رو، در این مقاله الگوریتم بهینه سازی گروه ذرات بهبودیافته جدیدی برای حل آن توسعه داده شده است. الگوریتم پیشنهادی از دو بخش مجزا تشکیل شده است. نخست، مقادیر متغیرهای صفرویک با استفاده از الگوریتم پیشنهادی تعیین و سپس با حل یک مدل برنامه ریزی خطی، مقادیر متغیرهای پیوسته محاسبه می شود. کارایی الگوریتم پیشنهادی با استفاده از مسایل نمونه تصادفی متعددی با الگوریتم های ژنتیک و بهینه سازی گروه ذرات مقایسه شده است. نتایج محاسباتی بیانگر عملکرد بهتر الگوریتم پیشنهادی است. 

 

 

 

 

واژه های کلیدی:

زنجیره تأمین

مسأله مسیریابی-موجودی

استرات‍ژی ارسال مستقیم

بهینه سازی گروه ذرات

برنامه ریزی تولید-توزیع

 

 

 

 

1- مقدمه

مسأله مسیریابی-موجودی  بسط مهمی از مسأله مسیریابی وسیله نقلیه  است که در آن تصمیمات کنترل موجودی و مسیریابی در هم ادغام می شوند (کوردیو و همکاران ، 2007). مسأله مسیریابی-موجودی بیشتر در سیستم های مدیریت موجودی توسط فروشنده  (VMI) کاربرد دارد. در سیستم های مدیریت موجودی توسط فروشنده، فروشنده قادر است تا زمانبندی و اندازه تحویل محصول به خرده فروشان را کنترل نماید. در قبال این آزادی عمل، فروشنده تضمین می-کند که مشتریان با کمبود مواجه نمی شوند.

 

در روابط سنتی تر میان فروشنده و مشتری که در آن مشتریان درخواست سفارش محصولات را به فروشنده می دادند، به دلیل زمانبندی سفارشات مشتریان، ممکن است کارایی به شدت کاهش و به نوبه آن هزینه های موجودی و توزیع به شدت افزایش یابد. با وجود این، تحقق کاهش هزینه های ناشی از به کارگیری سیستم های VMI در عمل ساده نیست به ویژه با افزایش تعداد و تنوع مشتریان این امر دشوارتر نیز می شود. با استفاده از مسأله مسیریابی-موجودی دستیابی به این هدف امکانپذیر است.

 

در مسأله مسیریابی-موجودی با تعیین برنامه توزیع بهینه ای که مجموع هزینه ها را کمینه سازد، می توان به این هدف دست یافت (کوردیو و همکاران، 2007). مسأله مسیریابی-موجودی در پژوهش های متعددی بررسی شده است که مرور جامعی از پژوهش های پیشین توسط اندرسون و همکاران  (2010) ارائه شده است. نویسندگان با بررسی ابعاد صنعتی مسأله، طبقه بندی و مرور جامعی از پژوهش های موجود ارائه داده اند.

 

 

 

 

 

فهرست مطالب

چکیده 2

واژههای کلیدی: 2

1- مقدمه 2

2- مدل ریاضی 6

3- الگوریتم بهینهسازی گروه ذرات پیشنهادی 7

شکل 1. ساختار الگوریتم بهینهسازی گروه ذرات 8

شکل 2. ساختار الگوریتم بهینهسازی گروه ذرات پیشنهادی 11

3-1- نحوه نمایش ذرات 11

شکل 3. نمونهای از نحوه نمایش ذرات 12

3-2- تولید جوابهای اولیه 12

شکل 5. نحوه انجام عملگر تقاطع پراکنده 13

3-3. محاسبه مقادیر شایستگی 13

3-4. ایجاد همسایگی تصادفی ذرات 17

3-5. بهبود همسایگی ذرات 17

3-6. تشکیل و بهنگامسازی مجموعه مرجع (RSet) 17

3-7. متنوعسازی ذرات 18

3-8. جستجوی محلی 18

4- نتایج محاسباتی 19

4-1- چگونگی ایجاد مسایل نمونه 19

4-2- مفروضات و پارامترهای الگوریتمها 21

4-3- نتایج عددی 21

جدول 5. میانگین مقدار تابع هدف و زمان محاسباتی حل مسایل نمونه تصادفی با ابعاد بزرگ 24

شکل 8. تحلیل واریانس دو طرفه بر روی نتایج حاصل از حل مسایل با ابعاد کوچک 24

شکل 9. تحلیل واریانس دو طرفه بر روی نتایج حاصل از حل مسایل با ابعاد بزرگ 24

شکل 11. مقایسه زمان محاسباتی الگوریتم پیشنهادی و الگوریتمهای معیار در حل مسایل با ابعاد بزرگ 25

4-4- تحلیل حساسیت 26

5- نتیجه گیری 29

منابع 30

 

مقاله رشته هوش مصنوعی با عنوان شبکه های Cascade-Correlation

مقاله رشته هوش مصنوعی با عنوان شبکه های Cascade-Correlation مقاله رشته هوش مصنوعی با عنوان شبکه های CascadeCorrelation

دسته بندی	دکترا
فرمت فایل	doc
حجم فایل	44 کیلو بایت
تعداد صفحات فایل	7

مقاله رشته هوش مصنوعی با عنوان شبکه های Cascade-Correlation

مقدمه

در شبکه های عصبی کلاسیک معماری شبکه باید قبل از شروع کار مشخص شود به این معنی که باید تعداد لایه های مخفی و نرونهای هر لایه مشخص شوند ، تشخیص دقیق معماری بهینه در اکثر موارد با پیچیدگی همراه است و معمولا" از سعی و خطا برای پیدا کردن معماری مناسب استفاده میشود. از طرف دیگر آموزش بر روی شبکه بدست آمده بر روی تمامی شبکه همراه با هم صورت میگیرد. آموزش همه نرون ها با یکدیگر این مشکل را دارد که طی فرآیند آموزش در هر مرحله تمامی ضرایب در جهتی تغییر میکنند که خطای کنونی را کاهش دهد و در مراحل مختلف هر بار بزرگترین منبع خطا دنبال میشود و در مراحل بعدی منبع ( یا منابع ) دیگری که در مرحله کنونی خطای بزرگتری دارند دنبال میشود. این باعث میشود که شبکه بین منابع مختلف خطا تا حدی رفت و برگشت داشته باشد.

شبکه عصبی Cascade-Correlation رویکرد متفاوتی را در نظر میگیرند. در این شبکه ها اولا" معماری شبکه با اضافه کردن نرون های جدید بسته به نیاز تعیین میشود و ثانیا" بجای آموزش تمام شبکه در هر مرحله ، در هر مرحله تنها بخشی از شبکه را آموزش میدهد. به این شکل علاوه بر تعیین خودکار معماری ، از رفت و برگشت بین منابع خطا نیز جلوگیری شده و بازدهی افزایش می یابد.

کلمات کلیدی:

شبکه های عصبی

شبکه های Cascade-Correlation

الگوریتم

نرون 

فهرست مطالب

مقدمه 1

معماری شبکه 1

الگوریتم 2

افزودن نرون جدید 2

الگوریتم : 3

انواع شبکه های Cascade-Correlation 3

شبکه های Pruned-Cascade-Correlation 3

شبکه های Recurrent-Cascade-Correlation 4

شبکه های Genetic-Cascade-Correlation 4

نتیجه گیری 5

مراجع 6

 

پایان نامه کارشناسی ارشد مهندسی برق- مخابرات با عنوان سیستم ارائه الگوریتم جدید برای همزمانی فریمی در سیستم OFDM

پایان نامه کارشناسی ارشد مهندسی برق- مخابرات با عنوان سیستم ارائه الگوریتم جدید برای همزمانی فریمی در سیستم OFDM در این پروژه سعی می شود که روش مناسبی برای همزمانی فریمی و کاهش خطای ناشی از عدم همزمانی دقیق ارائه شود

دسته بندی	مهندسی برق
فرمت فایل	doc
حجم فایل	2881 کیلو بایت
تعداد صفحات فایل	100

دانلود پایان نامه کارشناسی ارشد مهندسی برق- مخابرات

سیستم ارائه الگوریتم جدید برای همزمانی فریمی در سیستم OFDM

*پاور پوینت همین پایان نامه در قالب 40 اسلاید بصورت رایگان ضمیمه شده است:)

چکیده

OFDM یک مدولاسیون چندحاملی است که به تازگی مورد توجه بسیار زیادی قرار گرفته است. علت آن این است که این سیستم علاوه بر سرعت انتقال داده بالا در برابر ISI و نویز ضربه ای بسیار مقاوم می باشد؛ در حالی که سیستم های قبلی مخابراتی در برابر این مسأله ضربه پذیر بودند. هم چنین پیاده سازی ساده و ((بازدهی طیفی بالا))  از جمله مزایای دیگر سیستم OFDM است.اما یکی از معایب این سیستم حساسیت زیاد آن به خطای همزمانی است. این خطا ناشی از انحراف  فرکانسی و زمانی موجود در سیستم است. 

 

یکی از انحرافات زمانی موجود در سیستم، انحراف در زمان نمونه برداری فریم می باشد. برای ارسال بلوکی سیگنال های OFDM، همزمانی فریمی برای تشخیص لحظه مناسب نمونه برداری از فریم جدید الزامی است.در این پروژه سعی می شود که روش مناسبی برای همزمانی فریمی و کاهش خطای ناشی از عدم همزمانی دقیق ارائه شود. روش مورد نظر ترکیب روش همبستگی در بازه زمان محافظ سیگنال OFDM و تخمین کانال است. این روش پیچیدگی زیادی ندارد و قابل پیاده سازی است.

 

 

کلمات کلیدی:

سیستم OFDM

همزمانی فریمی

مدولاسیون چندحاملی

همزمانی زمانی

سیگنال

پایلوت

 

 

مقدمه

 

OFDM حالت خاصی از ارسال چندحاملی است به طوری که یک جریان داده به چندین جریان با سرعت کمتر تبدیل می شود. در واقع OFDM یک تکنیک مدولاسیون یا مالتی پلکس است. یکی از دلایل عمده برای استفاده از OFDM ایمنی زیاد این سیستم در برابر محوشدگی فرکانس گزین یا تداخل باند نازک است. در سیستم تک حامل، محوشدگی یا تداخل همه کانال را دچار مشکل می کند اما در سیستم چندحامل، درصدی از حامل ها تحت تأثیر قرار می گیرند. ایده استفاده از ارسال داده موازی و مالتی پلکس فرکانسی در دهه شصت میلادی ارائه شد. البته بعضی مقالات در این زمینه در دهه پنجاه منتشر شده بود. در سال 1971 وینستین  و ابرت  DFT را به عنوان جزیی از مدولاسیون و دمدولاسیون به سیستم ارسال داده موازی اعمال کردند ]1[. در دهه هشتاد، سیستم OFDM برای مودم های سرعت بالا و مخابرات سیار دیجیتال استفاده شد.

 

قبل از آنکه گیرنده OFDM بتواند زیرحامل ها را دمدوله کند باید دو عمل همزمانی را انجام دهد. ابتدا باید تشخیص دهد که مرز سمبل ها کجاست و زمان نمونه برداری بهینه برای کم کردن اثر ISI و ICI چه زمانی است؟ دوم اینکه انحراف فرکانس حامل سیگنال های دریافتی را تخمین زده و تصحیح کند. OFDM نسبت به انحراف زمانی در مقایسه با انحراف فرکانسی حساسیت کمتری دارد. در حقیقت انحراف زمانی سمبل ممکن است روی یک بازه زمانی برابر ((زمان محافظ))  تغییر کند بدون اینکه موجب ISI و ICI شود. ISI و ICI فقط وقتی اتفاق می افتد که بازه FFT از مرز سمبل فراتر رود. بنابراین یک زمان بهینه نمونه برداری سمبل ها وجود دارد که هر گونه تغییر در این زمان باعث انتشار تأخیر می شود. بنابراین سیستم باید طوری طراحی شود که خطای زمانی در مقایسه با زمان محافظ کمتر باشد. خطای زمان نمونه برداری موجب خطا در طول بازه FFT می شود و بنابراین زیرحامل های نمونه برداری شده دیگر بر هم عمود نیستند.

 

در این پروژه از همبستگی بازه زمان محافظ برای یافتن ابتدای هر سمبل OFDM استفاده شده است. این روش را برای هر سمبل به طور جداگانه انجام داده ایم؛ چون خاصیت تناوبی و تکراری بازه زمان محافظ ممکن است در اثر ISI به هم بخورد و انجام عمل همبستگی یک باره و همزمان برای تمام سمبل ها دارای خطاست ]2[. هم چنین تأخیر کانال را برای دو سمبل جدا، متفاوت در نظر گرفته ایم. بعد از همبستگی نیز به تخمین کانال با استفاده از سمبل های پایلوت می پردازیم.

 

در ادامه فصل دوم را به معرفی مبانی سیستم OFDM اختصاص داده ایم. در فصل سوم همزمانی در سیستم OFDM را به طور کلی بیان کرده و همزمانی توسط سمبل های یادگیری ویژه و همبستگی در بازه زمان محافظ ارائه می شود. در فصل چهارم همزمانی به کمک سیگنال پایلوت و روش نابینا بیان شده است. کارهای انجام گرفته در زمینه همزمانی زمانی در گذشته در فصل پنجم ارائه می شود و در فصل ششم الگوریتم جدید همزمانی زمانی ارائه شده است. در فصل آخر هم نتیجه گیری و پیشنهاد کارهای آینده بیان شده است.

 

 

 

 

 

فهرست مطالب

 

عنوان صفحه

فصل اول: مقدمه 1

فصل دوم: مبانی سیستم OFDM 3

2-1 مقدمه 3

2-2 ایجاد زیرحامل ها با استفاده از IFFT 4

2-3 زمان محافظ و گسترش دوره ای 10

2-4 پنجره کردن 13

2-5 انتخاب پارامترهای OFDM 16

2-6 پردازش سیگنال OFDM 18

2-7 پیچیدگی پیاده سازی OFDM بر حسب مدولاسیون تک حاملی 19

 

فصل سوم: همزمانی در سیستم OFDM 22

3-1- مقدمه 22

3-2- حساسیت به نویز فاز 23

3-3- حساسیت به انحراف فرکانسی 25

3-4- حساسیت به خطاهای زمانی 26

3-5- همزمانی با استفاده از گسترش دوره ای 28

3-6- همزمانی با استفاده از سمبل های یادگیری ویژه 34

3-7- زمان بهینه نمونه برداری در حضور چندمسیری 37

 

فصل چهارم: همزمانی در زمان به کمک سیگنال پایلوت و روش نابینا 41

4-1- مقدمه 41

4-2- روش تخمین زمانی پنجره DFT به کمک پایلوت 42

    4-2-1- اصول تخمین زمانی پنجره DFT 42

    4-2-2- خواص طیفی سمبل پایلوت 45

    4-2-3- عملکرد تخمین زننده زمان پنجره DFT 45

4-3- همزمانی پنجره DFT به کمک پایلوت و روش بازیابی زیرحامل ها 47

    4-3-1- روش حوزه زمان 47

    4-3-2- روش حوزه فرکانس 51

    4-3-3- نتایج عددی و بحث 52

4-4- روش تولید سمبل پایلوت آشوبناک 56

4-5- همزمانی زمانی نابینا بر اساس معیار حداکثر شبیه-نمایی 58

    4-5-1- مدل سیستم تخمین زننده نابینا 59

    4-5-2- تخمین پارامتر حداکثر شبیه نمایی برای سیگنال چرخشی-ایستا 59

    4-5-3- نتایج عددی 63

4-6- نتیجه گیری 67

 

فصل پنجم: کارهای انجام گرفته در زمینه همزمانی زمانی در گذشته 68

5-1- همزمانی با استفاده از تخمین زمان تأخیر مسیر و حلقه قفل تأخیر 68

    5-1-1- مدل سیستم 68

    5-1-2- شمای سیستم 69

    5-1-3- مراحل همزمانی 69

    5-1-4- نتایج شبیه سازی 71

5-2- همزمانی بر مبنای همبستگی و حداکثر شبیه نمایی 73

    5-2-1- مدل سیستم 74

    5-2-2- الگوریتم 74

    5-2-3- همزمانی زمانی سمبل 75

    5-2-4- همزمانی انحراف فرکانس حامل 76

    5-2-5- تحلیل عملکرد سیستم 77

5-3- روش تخمین پاسخ ضربه کانال 78

5-4- الگوریتم همبستگی متقابل 79

5-5- مقایسه روش ها 80

 

فصل ششم: الگوریتم های جدید درباره همزمانی زمانی 81

6-1- همزمانی سمبلی 81

6-2- تعریف مدل سیستم 83

6-3- مدل کانال و سیگنال 84

6-4- الگوریتم همزمانی 85

6-5- پارامترهای شبیه سازی 87

6-6- شبیه سازی بدون تخمین داده 88

6-7- تخمین داده و کانال 88

   6-7-1- روش میانگین گیری 89

          6-7-1-1- نتایج شبیه سازی روش میانگین گیری ساده 90

  6-7-2- روش تخمین حداقل مربعات خطی 90

        6-7-2-1- مرحله اول: تخمین اولیه 91

       6-7-2-2- مرحله دوم: تخمین حداقل مربعات خطی 91

       6-7-2-3- مرحله سوم: بازخورد تصمیم 92

       6-7-2-4- نتایج شبیه سازی روش تخمین حداقل مربعات خطی 92

  6-7-3- روش تخمین خطی بین پایلوت ها 93

        6-7-3-1- نتایج شبیه سازی روش تخمین خطی بین پایلوت ها 94

6-8- مقایسه روش ارائه شده با روش های دیگر 94

فصل هفتم: نتیجه گیری و پیشنهاد 96

مراجع 97

 

 

 

 

فهرست اشکال

شکل (2-1): مدولاتور OFDM 5

شکل (2-2): چهار زیرحامل یک سمبل OFDM 6

شکل (2-3): طیف زیرحامل ها 7

شکل (2-4): پروانه مبنای 4 8

شکل (2-5): IFFT شانزده نقطه ای با الگوریتم مبنای 4 9

شکل (2-6): اثر چندمسیری با صفر بودن سیگنال زمان محافظ 10

شکل (2-7): سمبل OFDM با گسترش دوره ای 11

شکل (2-8): سیگنال OFDM با زیرحامل ها در کانال دومسیره. منحنی نقطه چین سیگنال تأخیریافته است. 11

شکل (2-9): شبیه سازی کانال OFDM با 48 زیرحامل (a تأخیر کمتر از زمان محافظ .

 (b تأخیر برابر 3% بازه FFT. (c تأخیر بیشتر از 10% بازه FFT 12

شکل (2-10): طیف چگالی توان بدون پنجره کردن برای 16،64،256 زیرحامل 13

شکل (2-11): گسترش دوره ای OFDM و پنجره کردن 14

شکل (2-12): طیف کسینوسی بایاس شده با فاکتور roll-off 0و025.و05.و1. 15

شکل (2-13):.پنجره های سمبل OFDM برای کانال دومسیره و نشان دادن ISI و ICI 15

شکل (2-14): بلوک دیاگرام فرستنده-گیرنده OFDM 18

شکل (2-15): متعادل کننده تصمیم فیدبکی 20

شکل (3-1): طیف چگالی توان نویز فاز با پهنای باند   یک هرتز 24

شکل (3-2): خرابی SNR برای سه مدولاسیون (a) QAM-64. (b) QAM-16. (c) QPSK 25

شکل (3-3): خرابی SNR بر حسب انحراف فرکانسی نرمالیزه (a) QAM-64. (b) QAM-16. (c) QPSK 26

شکل (3-4): سیگنال OFDM با سه زیرحامل با موارد نمونه-برداری سمبل مجاز 27

شکل (3-5): دیاگرام منظومه ای با خطای زمانی   (a) قبل از اصلاح فاز (b) بعد از اصلاح فاز 28

شکل (3-6): همزمانی با استفاده از گسترش دوره ای 29

شکل (3-7): خروجی همبستگی برای هشت سمبل OFDM با 192 زیرحامل 30

شکل (3-8): خروجی همبستگی برای هشت سمبل OFDM با 48 زیرحامل 30

شکل (3-9): نمایش برداری تخمین انحراف فاز 32

شکل (3-10): خطای تخمین فرکانس نرمالیزه به فاصله زیرحامل-ها (a)   (b)   

(c)   33

شکل (3-11): فیلتر تطبیقی منطبق به سمبل های یادگیری ویژه 35

شکل (3-12): خروجی فیلتر تطبیقی بر حسب تعداد نمونه برای چهار سمبل یادگیری با 48 زیرحامل

 (a) انحراف زمان صفر بین ورودی و ضرایب فیلتر تطبیقی.

 (b) بدترین حالت انحراف زمانی برابر نصف یک نمونه بین ورودی و پالس مرجع 36

شکل (3-13): خروجی فیلتر تطبیقی با مقادیر کوانتیزه. (a) انحراف زمانی صفر بین سیگنال ورودی و ضرایب فیلتر. (b) بدترین حالت انحراف زمانی برابر نصف نمونه بین ورودی و پالس مرجع 37

شکل (3-14): پنجره کسینوسی بایاس شده 38

شکل (3-15): اثر ISI و ICI با چندمسیری سیگنال 38

شکل (3-16): مثالی از پاسخ ضربه کانال 39

شکل (3-17): ساختار سمبل OFDM 39

شکل (4-1): مدل فرستنده OFDM 42

شکل (4-2): مدل گیرنده OFDM 42

شکل (4-3): سیگنال اشمیدل 43

شکل (4-4): اندازه یاب زمانی کانال AWGN 44

شکل (4-5): اندازه یاب زمانی برای کانال بیست مسیره 44

شکل (4-6): اندازه یاب زمانی برای کانال سی مسیره(ده مسیر خارج از زمان محافظ) 44

شکل (4-7): مشخصات طیفی پایلوت اشمیدل 45

شکل (4-8): ساختار فریم داده TDP و شکل موج پایلوت 48

شکل (4-9): بلوک دیاگرام روش TDP 49

شکل (4-10): معیار تخمین پاسخ ضربه کانال 50

شکل (4-11): مدل فرستنده OFDM نوع FDP 51

شکل (4-12): شکل سیگنال زمانی/ فرکانسی 51

شکل (4-13): درونیابی در حوزه فرکانس 52

شکل (4-14): BER روش TDP در AWGN 53

شکل (4-15): BER برحسب آستانه مسیر در روش TDP 54

شکل (4-16): خطای واریانس بر حسب تأخیر RMS نرمالیزه 54

شکل (4-17): BER بر حسب تأخیر RMS نرمالیزه برای دو کانال مختلف 55

شکل (4-18): BER بر حسب  تأخیر RMS نرمالیزه در کانال 6 مسیره تضعیف نمایی 55

شکل (4-19): BER بر حسب شیفت داپلر حداکثر 56

شکل (4-20): تولید دنباله شبه نویز آشوبناک (a تولید در حوزه فرکانس (b تولید سمبل پایلوت در حوزه زمان 57

شکل (4-21): خواص همبستگی سمبل پایلوت تولیدی 58

شکل (4-22) مدل سیستم نابینا 59

شکل (4-23): تخمین زننده بهینه 62

شکل (4-24): تخمین زننده نیمه بهینه 63

شکل (4-25): خطای RMS همزمانی پنجره DFT در کانال گوسی 64

شکل (4-26): خطای RMS فرکانسی در کانال گوسی 64

شکل (4-27): خطای RMS عرض پنجره DFT در کانال گوسی 65

شکل (4-28): نرخ خطای بیت در کانال گوسی 65

شکل (4-29): خطای RMS همزمانی پنجره DFT در کانال محوشوندگی رایلی 66

شکل (4-30): خطای RMS انحراف فرکانسی در کانال محوشوندگی رایلی 66

شکل (4-31): خطای RMS عرض پنجره DFT در کانال محوشوندگی رایلی 66

شکل (4-32): نرخ خطای بیت در کانال محوشوندگی رایلی 67

شکل (5-1): شمای دیاگرام همزمانی زمانی 69

شکل (5-2): توزیع احتمال خطای همزمانی سمبل بعد از همزمانی غیردقیق در کانال چندمسیری ]25[ 72

شکل (5-3): توزیع احتمال خطای همزمانی سمبل بعد از همزمانی دقیق در کانال چندمسیری ]25[ 72

شکل (5-4): واریانس خطای ردیابی حلقه قفل تأخیر در حضور نویز گوسی بر حسب تعداد سمبل های پایلوت و پهنای باند نویز ]25[ 73

شکل (5-5): مقایسه خطای زمانی سمبل با استفاده از روش ارایه شده و روش همبستگی در کانال های مختلف گوسی و محوشوندگی ]25[ 73

شکل (5-6): بلوک دیاگرام تخمین زننده ML بیت علامتی ]26[ 75

شکل (5-7): خروجی تخمین زننده موردنظر (a قله موردنظر همزمانی

 b) انحراف فرکانسی تخمینی با همواری در یک دوره ]26[ 76

شکل (5-8): بلوک دیاگرام تخمین زننده متوسطگیری وزن دهی نمایی ]26[ 77

شکل (5-9): احتمال خطای تخمین انحراف فرکانسی بر حسب خطای فرکانسی ]26[ 78

شکل (6-1): سمبل OFDM با زمان محافظ 81

شکل (6-2): مدل گسسته خراب شده سیگنال OFDM با داده تصادفی و تأخیر متفاوت کانال برای سه سمبل 83

شکل (6-3): مدل گسسته در زمان سیستم OFDM 84

شکل (6-4): مثالی برای خروجی همبستگی برای 8 سمبل در 128 زیرحامل 86

شکل (6-5): منحنی نرخ خطای بیت بر حسب نسبت سیگنال به نویز بدون تخمین کانال 88

شکل (6-6): منحنی نرخ خطای بیت بر حسب نسبت سیگنال به نویز؛ تخمین کانال به روش میانگین گیری 90

شکل (6-7): منحنی نرخ خطای بیت بر حسب نسبت سیگنال به نویز در روش تخمین حداقل مربعات خطی 93

شکل (6-8): منحنی نرخ خطای بیت بر حسب نسبت سیگنال به نویز؛ تخمین خطی بین پایلوت ها 94

شکل (6-9): مقایسه روش ماکزیمم شبیه نمایی با روش ارایه شده در دو کانال 95

شکل (6-10): مقایسه میانگین مربعات خطای نرمالیزه تخمین همزمانی سمبلی دو روش 95

 

 

کشف قوانین پیشگویانه وقابل درک با استفاده از الگوریتم ژنتیک چند منظوره

چکیده:

ما در این مقاله یک الگوریتم تکوینی (ژنتیک) چند منظوره جهت استخراج قوانین دسته بندی پیشگویانه و قابل درک از پایگاه داده های وسیع را ارائه خواهیم کرد و همچنین دقت پیشگویانه و قابلیت درک قوانین ، با یکدیگر در تضاد هستند. لذا این موضوع تبدل به یک مساله بهینه سازی می شود که حل کردن آن به شکل شایسته ، کاری دشوار می باشد . بنابراین یک الگوریتم پویای چند منظوره بنام الگوریتم ژنتیک جاسازی شده ی پیشرفته ی پارتو  (INPGA) جهت این منظور ارائه کردیم.

الگوریتم و برنامه نویسی ژنتیک

چکیده :                                                                                                        

 مسائل زیادی در هوش مصنوعی و یادگیری ماشین نیاز به برنامه های کامپیوتری دارند که خروجی های دلخواه را با توجه  به ورودی های خاص ایجاد نمایند. هنگامی که با این دید به  مسئله نگاه می شود این مسائل با جستجوی فضای ممکن برنامه های کامپیوتری جهت یافتن مناسبترین برنامه برابر میشود. مبحث "برنامه نویسی ژنتیک" راهی جهت یافتن مناسبترین برنامه مهیا می کند.

ارائه یک الگوریتم کنترل همروندی با مصرف انرژی بهینه در پایگاه داده های شبکه موردی سیار مبتنی بر الگوریتم رقابت استعماری

در این مقاله یک الگوریتم کنترل همروندی با مصرف انرژی بهینه برای پایگاه داده های MANET در معماری شبکه خوشه ای مبتنی بر الگوریتم رقابت استعماری ارائه می شود.