فی گوو

مرجع دانلود فایل ,تحقیق , پروژه , پایان نامه , فایل فلش گوشی

فی گوو

مرجع دانلود فایل ,تحقیق , پروژه , پایان نامه , فایل فلش گوشی

ارائه مدل زمانبندی همزمان کارها و فعالیت نگهداری و تعمیرات روی ماشینهای موازی در زنجیره تأمین

اختصاصی از فی گوو ارائه مدل زمانبندی همزمان کارها و فعالیت نگهداری و تعمیرات روی ماشینهای موازی در زنجیره تأمین دانلود با لینک مستقیم و پر سرعت .

11صفحه pdf

چکیده مقاله:

در این تحقیق مسأله زمانبندی همزمان کارها و فعالیت نگهداری و تعمیرات روی ماشینهای موازی برش در زنجیره تأمین بررسی میشود. هر کار برای برش توسط ماشین نیاز به قاب خاصی دارد که قابها توسط وسیله نقلیه ای با ظرفیت مشخص طی چندین انتقال به دستگاه های برش انتقال می یابد. واضح است که قبل از رسیدن قاب خاص هر کار آن کار نمی تواند برش داده شود لذا برای هماهنگی بخش انتقال و دستگاه برش، زمان رسیدن قابها به ماشین، زمان دسترسی کارها برای پردازش در نظر گرفته می شود. با توجه به زوال و کند شدن ابزار برش و تأثیر آن بر زمان واقعی پردازش کار، هر ماشین مجاز است یک دوره نگهداری و تعمیرات انعطاف پذیر جهت بهبود کارایی تولید و از سر گرفتن اثر زوال در افق زمانبندی داشته باشد. در چنین شرایطی هدف مسأله یافتن همزمان تخصیص بهینه قالبها به سفرهای وسیله نقلیه و زمان بهینه فعالیت نگهداری و تعمیرات هر ماشین و تخصیص و توالی بهینه کارها روی ماشینها جهت کمینه کردن دامنه عملیات می باشد. پس از ارائه مدل ریاضی مسأله باتوجه به اینکه مسأله در زمان چند جمله ای قابل حل نمی باشد، برای حل مسأله در ابعاد بزرگ یک الگوریتم فراابتکاری بر پایه شبیه سازی تبرید ارائه و در نهایت کارایی الگوریتم پیشنهادی بررسی شده است.


دانلود با لینک مستقیم


ارائه مدل زمانبندی همزمان کارها و فعالیت نگهداری و تعمیرات روی ماشینهای موازی در زنجیره تأمین

پروژه بررسی مدل سازی و حل مسئله زمانبندی جریان کارگاهی با زمانهای تنظیم وابسته به توالی. doc

اختصاصی از فی گوو پروژه بررسی مدل سازی و حل مسئله زمانبندی جریان کارگاهی با زمانهای تنظیم وابسته به توالی. doc دانلود با لینک مستقیم و پر سرعت .

پروژه بررسی مدل سازی و حل مسئله زمانبندی جریان کارگاهی با زمانهای تنظیم وابسته به توالی. doc


پروژه بررسی مدل سازی و حل مسئله زمانبندی جریان کارگاهی با زمانهای تنظیم وابسته به توالی. doc

 

 

 

 

 

 

 

 

نوع فایل: word

قابل ویرایش 92 صفحه

 

مقدمه:

برنامه ریزی1 عبارتست از تصمیم گیری برای آینده و برنامه ریزی تولید به معنی تعیین استراتژی تولید به جهت نحوه تخصیص خطوط تولیدی برای پاسخگویی به سفارشات می باشد. از برجسته ترین موارد در تهیه برنامه زمانی تولید جهت خطوط تولیدی، تعیین اندازه انباشته و توالی سفارشات و نحوه تخصیص منابع در طول زمان است [1].

ما همواره در مکالمات روزمره خود از اصطلاح زمانبندی2 استفاده می کنیم، هر چند که ممکن است همیشه تعریف مناسبی از آن در ذهن نداشته باشیم. در حقیقت مفهوم آشنایی که ما عموما از آن استفاده می کنیم فهرستی از برنامه هاست و نه زمانبندی. مستندات و برنامه های ملموس همچون برنامه کلاسی، برنامه حرکت اتوبوس و غیره. یک برنامه معمولا به ما می گوید کی وقایع اتفاق می افتد. جواب به سئوالاتی که با کی شروع می شوند، معمولا اطلاعاتی در مورد زمان به ما می دهد. حرکت اتوبوس از ساعت 6 شروع می شود و تا ساعت 20 ادامه دارد. شام در ساعت 21 سرو خواهد شد و مواردی از این دست. در برخی موارد نیز پاسخ ها به توالی وقایع اشاره می کند. اتوبوس پس از روشن شدن هوا حرکت می کند و شام پس از نظافت سالن سرو می شود. بنابراین سئوالاتی که با کی شروع می شوند، با اطلاعاتی در مورد زمان و یا توالی وقایع، که از برنامه بدست می آید پاسخ داده می شوند. فرآیند ایجاد برنامه، تحت عنوان زمانبندی شناخته می شود. هر چند که عموما برنامه ها ملموس و ساده به نظر می رسند، اما فرآیند ایجاد آنها بدون درک عمیقی از زمانبندی، پیچیده است. تهیه شام یک مسئله زمانبندی روزمره است که نیازمند انجام دادن کسری از فعالیتها است. مسائل زمانبندی در صنعت نیز ساختار مشابهی دارند. آنها شامل مجموعه ای از فعالیتها و مجموعه ای از منابع موجود جهت انجام آن فعالیتها است. همچنین در صنعت برخی از تصمیمات تحت عنوان تصمیمات برنامه ریزی شناخته می شوند. فرآیند برنامه ریزی، منابع لازم جهت تولید و مجموعه فعالیتهای مورد نیاز جهت زمانبندی را تعیین می کند. در فرآیند زمانبندی، ما نیازمند تعیین نوع و مقدار هر منبع هستیم و نتیجتا می توانیم زمان شدنی اتمام کارها را مشخص کنیم [2]. زمانبندی، فرآیند تخصیص منابع محدود به فعالیت ها در طول زمان، جهت بهینه سازی یک و یا چند تابع هدف است. منابع شامل نیروی انسانی، ماشین آلات، مواد، تجهیزات کمکی و غیره می باشند.

 

فهرست مطالب:

فصل

1مقدمه

محدوده تحقیق و اهداف آن

مرور ادبیات

فصل 2

مدلسازی و حل جنبه ای جدید از مسئله زمانبندی جریان کارگاهی جایگشتی

مقدمه

مدلسازی مسئله

الگوریتم ابتکاری جهت حل مسئله

نتایج محاسباتی

نتیجه گیری

فصل 3

حل مسائل زمانبندی جریان کارگاهی جایگشتی با بکارگیری روشهای فراابتکاری ترکیبی

3-1- مقدمه

الگوریتم ژنتیک

مدل ریاضی

الگوریتم ژنتیک ترکیبی

جوابهای اولیه

بهبود

عملگرهای ژنتیکی

 درجه عبور5

جهش ابتکاری

جهش وارونه

نتایج محاسباتی

بهینه سازی جامعه مورچگان

الگوریتم بهینه سازی جامعه مورچگان ترکیبی

 تشخیص اولیه

قانون انتقال1

جستجوی محلی

به روز رسانی فرومون ها

 معیار توقف

نتایج محاسباتی

الگوریتم الکترومغناطیس

الگوریتم الکترومغناطیس ترکیبی

نتایج محاسباتی

نتیجه گیری

فصل 4

مسئله فروشنده دوره گرد

مقدمه

تعریف مسئله

کاربرد و ارتباط با مسائل زمانبندی

مدل ریاضی

روش حل

نتایج محاسباتی

نتیجه گیری

فصل 5

نتیجه گیری و پیشنهادات برای مطالعات و پژوهش های آتی

 نتیجه گیری

پیشنهادها

 منابع

 

منابع و مأخذ:

Arnoldoو C. Hax, Dan Candea, 1984. Production and Inventory Management, 2th. New York.
Kenneth R. Baker, 1996. Elements of sequencing and scheduling, 3th. University of Toronto bookstores.
Deepu Philip, 2005. Scheduling Reentrant Flexible Job Shops With Sequence Dependent Setup Times, MS Thesis, Montana State University.
Gupta D., Magnusson T., 2005. The capacitated lot-sizing and scheduling problem with sequence-dependent setup costs and setup times, Computers & Operations Research 32, 727-747.
Paulo M. França, Gupta J.N.D. Alexandre S., Mendes, Pablo Moscato, Klaas J. Veltink, 2005. Evolutionary algorithms for scheduling a flowshop manufacturing cell with sequence dependent family setups, Computers & Industrial Engineering 48(3), 491-506.
Schaller E. Gupta J. N. D. Vakharia J., 2000. Scheduling a flowshop manufacturing cell with sequence dependent family setup times, European Journal of Operational Research 125(2), 324-339.
Johnson S.M., 1954. Optimal two- and three-stage production schedules with setup times included. Naval Research Logistics Quarterly 1, 61–68.
Handbook of Industrial Engineering, 2th Edition., 1992. Salvendy G, editor.Ostwald P.F.
Allahverdi A. Gupta J.N.D. Aldowaisan T., 1999. A review of scheduling research involving setup considerations, OMEGA, International Journal of Management Science 27, 219–239.
Ruiz R. Maroto C., 2004. A comprehensive review and evaluation of permutation flowshop heuristics. European Journal of Operational Research [to appear].
Pinedo M., 1995. Scheduling: Theory, Algorithms, and Systems. 4th. Prentice Hall, NJ.
Eren T. Güner E., 2006. A bicriteria scheduling with sequence-dependent setup times, Applied Mathematics and Computation 179(1), 378-385.
Cheng T.C.E. Gupta J.N.D. Wang G., 2000. A review of flowshop scheduling research with setup times. Production and Operations Management 9, 262–282.
Garey M.R. Johnson D.S. Sethi R., 1976. The complexity of flowshop and job-shop scheduling, Mathematics of Operations Research 1(2), 117–129.
Campbell H.G. Dudek R.A. Smith M.L., 1970. A heuristic algorithm for the n job, m machine sequencing problem. Management Science 16(10), B630–B637.
Nawaz M. Enscore Jr E.E. Ham I., 1983. A heuristic algorithm for the m-machine, n-job flowshop sequencing problem. OMEGA, The International Journal of Management Science 11(1), 91–95.
Osman I.H. Potts C.N., 1989. Simulated annealing for permutation flowshop scheduling. OMEGA, The International Journal of Management Science 17(6), 551–557.
Widmer M. Hertz A., 1989. A new heuristic method for the flowshop sequencing problem. European Journal of Operational Research 41, 186–193.
Reeves C.R., 1995. A genetic algorithm for flowshop sequencing. Computers & Operations Research 22(1), 5–13.
Stafford Jr E.E. Tseng F.T., 1990. On the Srikar–Ghosh MILP model for the N×M SDST flowshop problem. International Journal of Production Research 28(10), 1817–1830.
Ríos-Mercado R.Z. Bard J.F., 1998. Computational experience with a branch-and-cut algorithm for flowshop scheduling with setups. Computers & Operations Research 25(5), 351–366.
Tseng F.T. Stafford Jr E.E., 2001. Two MILP models for the N×M SDST flowshop sequencing problem. International Journal of Production Research 39(8), 1777–1809.
Ríos-Mercado R.Z. Bard J.F., 1999a. A branch-and-bound algorithm for permutation flowshops with sequence-dependent setup times. IIE Transactions 31, 721–731.
Ríos-Mercado R.Z. Bard J.F., 1999b. An enhanced TSP-based heuristic for makespan minimization in a flowshop with setup times. Journal of Heuristics 5, 53–70.
Bryan A., Norman, 1999. Scheduling flowshops with finite buffers and sequence-dependent setup times, Computers & Industrial Engineering 36(1), 163-177.
Ruiz-Torres A.J. Centeno G., 2008. Minimizing the number of late jobs for the permutation flowshop problem with secondary resources. Computers & Operations Research 35, 1227-1249.
Wang X. Cheng T.C., 2007. An approximation scheme for two-machine flowshop scheduling with setup times and an availability constraint. Computers & Operations Research 34, 2894-2901.
Schaller J. Gupta J.N.D. Vakharia A.J., 2000. Scheduling a flowline manufacturing cell with sequence dependent family setup times. European Journal of Operational Research 125, 324–339.
Ruiz, R. Maroto C. Alcaraz J., 2005. Solving the flowshop scheduling problem with sequence dependent setup times using advanced metaheuristics, European Journal of Operational Research 165(1) 34-54.
Ruiz R. Stutzle T., 2008. An iterated greedy heuristic for the sequence dependent setup times flowshop with makespan and weighted tardiness objectives. European Journal of Operational Research 187, 1143-1159.
Ekşioğlu B. Ekşioğlu S.D. Jain P., 2008. A tabu search algorithm for the flowshop scheduling problem with changing neighborhoods. Computers & Industrial Engineering 54, 1-11.
Allahverdi A. Ng C.T. Cheng T.C.E. Kovalyov M.Y., 2008. A survey of scheduling problems with setup times or costs, European Journal of Operational Research 187, 985-1032.
Logendran R. Salmasi N. Sriskandarajah C., 2006. Two-machine group scheduling problems in discrete parts manufacturing with sequence-dependent setups, Computers & Operations Research 33(1) 158-180.
Stafford F. Tseng T., 2002. Two models for a family of flowshop sequencing problems, European Journal of Operational Research 142(2), 282-293.
Tang L. Huang L., 2005. Optimal and near-optimal algorithms to rolling batch scheduling for seamless steel tube production, International Journal of Production Economics 105, 357–371.
Gupta S.R. Smith J.S., 2006. Algorithms for single machine total tardiness scheduling with sequence dependent setups. European Journal of Operational Research 175, 722-739.
Parthasarathy S. Rajendran C., 1997. An experimental evaluation of heuristics for scheduling in a real-life flowshop with sequence-dependent setup times of jobs, International Journal of Production Economics 49(3), 255-263.
Gupta N.D., 1975. A search algorithm for the generalized flowshop scheduling problem, Computer and Operation Research 2, 83-90.
Kenneth E. Mcgraw, Maged M. Dessouky, 2001. Sequence dependent batch chemical scheduling with earliness and tardiness penalties. International journal of production research 39(14), 3085-3107.
Merce C. and Fontan G., 2003. MIP-based heuristics for capaciated lotsizing problems, int. J. Production Economic 85, 97-111.
Osman I.H. Kelly J.P., 1996. Meta-heuristics: Theory and Applications. 3th. Kluwer Academic Publishers, Boston.
Das S.R. Canel C., 2005. An algorithm for scheduling batches of parts in a multi-cell flexible manufacturing system. International Journal of Production Economics97, 247-262.
Ho W. Ji P., 2003. Component scheduling for chip shooter machines: a hybrid genetic algorithm approach, Computers and Operations Research 30, 2175–2189.
Ho W. Ji P., 2004. A hybrid genetic algorithm for component sequencing and feeder arrangement. Journal of Intelligent Manufacturing 15, 307–315.
Goldberg D.E., 1989. Genetic Algorithms in Search, Optimization and Machine Learning. 2th. Addison-Wesley, New York.
Gen M. Cheng R., 1997. Genetic Algorithms and Engineering Design. 2th. Wiley, New York.
Laha D. Chakraborty U.K., 2007. An efficient stochastic hybrid heuristic for flowshop scheduling, Engineering Applications of Artificial Intelligence 20, 851–856.
Blum, C., 2005. Ant colony optimization: Introduction and recent trends. Physics of Life Reviews 2, 353–373.
Dorigo, M. Di Caro G. Gambardella L.M., 1999. Ant algorithms for discrete optimization. Artificial Life 5(2), 137–72.
Dorigo M. Stützle T., 2004. Ant Colony optimization. 2th. Cambridge, MA: MIT Press.
Liao C. Juan H., 2007. An ant colony optimization for single-machine tardiness scheduling with sequence-dependent setups. Computers & Operations Research 34, 1899–1909.
Shyua S.J. Linb B.M.T. Yin P.Y., 2004. Application of ant colony optimization for no-wait flowshop scheduling problem to minimize the total completion time. Computers & Industrial Engineering 47, 181–193.
Rajendran C. Ziegler H., 2004. Ant-colony algorithms for permutation flowshop scheduling to minimize makespan/total flowtime of jobs. European Journal of Operational Research 155, 426–438.
Birbil S.I. Fang S.C., 2003. An Electromagnetism-like Mechanism for Global Optimization. Journal of Global Optimization 25, 263–282.
55Debels D. De Reyck B. Leus R. Vanhoucke M., 2006. A hybrid scatter search/electromagnetism meta-heuristic for project scheduling. European Journal of Operational Research 169, 638–653.
Chang PC, Chen SS, Fan CY, In press. A Hybrid Electromagnetism-Like Algorithm for Single Machine Scheduling Problem, Expert Systems with Applications, doi: 10.1016/j.eswa. 2007.11.050.
Birbil S.I. Feyzioglu O., 2003. A global optimization method for solving fuzzy relation equations. Lecture Notes in Artificial Intelligence 2715, 718-724.
Oda Y., 2002. An asymmetric analog of van der Veen conditions and the traveling salesman problem [II]. European Journal of Operational Research 138, 43-62.
Deıneko V.G. Hoffmann M. Okamoto Y. Woeginger J., 2006. The traveling salesman problem with few inne points. Operations Research Letters 34, 106-110.
Baki M.F., 2006. A new asymmetric pyramidally solvable class of the traveling salesman problem. Operations Research Letters 34, 613-620.
Lawler E. Lenstra J. Rinnooy Kan A. Shmoys D., 1985. The traveling salesman problem: a guided tour of combinatorial optimization. 3th. New York: Wiley.
Lin S. Kernighan B., 1973. An effective heuristic algorithm for the traveling salesman problem. Operations Research 21, 498–516.
Or I., 1976. Traveling salesman-type combinatorial problems and their relation to the logistics of regional bloodbanking. Ph.D. Thesis, Evanston, IL: North western University.
Tsubakitani S. Evans J., 1998. Optimizing tabu list size for the traveling salesman problem. Computers and Operations Research 25, 91–97.
Schmitt L. Amini M., 1998. Performance characteristics of alternative genetic algorithmic approaches to the traveling salesman problem using path representation: an empirical study. European Journal of Operational Research 108, 551–570.
Righini G. Trubian M., 2004. A note on the approximation of the asymmetric traveling salesman problem. European Journal of Operational Research 153, 255-265.
Mak V. Boland N., 2007. Polyhedral results and exact algorithms for the asymmetric traveling salesman problem with replenishment arcs. Discrete Applied Mathematics 155, 2093 – 2110.
Choi C. Kim S. Kim H., 2003. A genetic algorithm with a mixedregion search for the asymmetric traveling salesman problem. Computers & Operations Research 30, 773 -786–


دانلود با لینک مستقیم


پروژه بررسی مدل سازی و حل مسئله زمانبندی جریان کارگاهی با زمانهای تنظیم وابسته به توالی. doc

ارائه الگوریتم زمانبندی مهاجرت ماشین های مجازی جهت بهینه سازی همزمان مصرف انرژی و تولید آلاینده ها در شبکه محاسباتی ابر

اختصاصی از فی گوو ارائه الگوریتم زمانبندی مهاجرت ماشین های مجازی جهت بهینه سازی همزمان مصرف انرژی و تولید آلاینده ها در شبکه محاسباتی ابر دانلود با لینک مستقیم و پر سرعت .

ارائه الگوریتم زمانبندی مهاجرت ماشین های مجازی جهت بهینه سازی همزمان مصرف انرژی و تولید آلاینده ها در شبکه محاسباتی ابر


 ارائه الگوریتم زمانبندی مهاجرت ماشین های مجازی جهت بهینه سازی همزمان مصرف انرژی و تولید آلاینده ها در شبکه محاسباتی ابر

 

عنوان : ارائه الگوریتم زمانبندی مهاجرت ماشین های مجازی جهت بهینه سازی همزمان مصرف انرژی و تولید آلاینده ها در شبکه محاسباتی ابر

تعداد صفحات : 87

چکیده:

در سال های اخیر با توجه به رشد روز افزون درخواستها و پیوستن مشتریان جدید به دنیای محاسبات، سیستم های محاسباتی نیز باید تغییر کنند و قدرتمندتر وانعطاف پذیرتر از قبل عمل نمایند. در این میان محاسبات ابری به عنوان مدلی فراتر از یک سیستم ارائه شد که در حال حاضر توانایی پاسخگویی به اکثر درخواست ها و نیازمندی ها را دارد.

راه حل های مجازی سازی  به طور گسترده ای برای حل  مشکلات  مختلف مراکز داده مدرن بکار می روند  که شامل : استفاده کمتر از سخت افزار، استفاده بهینه از فضای مراکز داده , مدیریت  بالای سیستم و هزینه نگهداری می شوند.

عمده چالش هایی که  سرور های بزرگ با آن مواجه هستند عدم وجود قابلیت اطمینان  بالای سیستم  و هزینه های عملیاتی بالا به علت مصرف انرژی زیاد است. بنابراین، استقرار و زمانبندی vm ها برپایه انرژی آگاه یک ضرورت فوری برای دستیابی به این اهداف است.  زمانبندی کار برای چندین سال  توسط محققان مختلف مورد مطالعه قرار داده  شده است ، اما توسعه خوشه های مجازی و محیط  ابر پنجره جدیدی به سوی محققان جهت  رویکردهای جدید  زمانبندی  باز کرده اند .

یکی از تکنیک های مورد نیاز جهت افزایش انعطا ف پذیری و مقیاس پذیری مراکز داده ی ابری، مهاجرت است. عمل مهاجرت با اهداف گوناگونی از جمله توازن و تقسیم بار، تحمل پذیری در برابر خرابی، مدیریت انرژی، کاهش زمان پاسخ و افزایش کیفیت سرویس، تعمیر و نگهداری سرورها انجام می شود.

اجزای اصلی زمانبندی کار در محیط مجازی شامل :استقرار vmها در بین ماشین های فیزیکی و موازنه بارکاری پویا به کمک مهاجرت کارها در سراسر گره های خوشه مرکز داده می باشد.

در این پایان نامه تمرکز ما روی زمانبندی مهاجرت ماشین های مجازی در مرکز داده ابر با استفاده از الگوریتم وراثتی می باشد . نتایج شبیه سازی موید امکان پذیری و کارایی این الگوریتم زمانبندی می باشد و منجر به کاهش قابل توجه مصرف انرژی کل در مقایسه با استراتژی های دیگر می شود.و از آنجا که تمرکز ما روی انرژی عملیاتی مراکز داده است  با کاهش مصرف انرژی عملیاتی, تولید آلاینده زیستی کربن  نیز کاهش یافته  که در کاهش هزینه کاربر نقش بسزایی ایفا می کند .

چکیده

مقدمه

 

فصل اول- کلیات

مقدمه

مروری بر محاسبات ابری

1-2-1- بررسی انواع مختلف توده های ابر، کاربرد، مزایا و معایب

1-2-2- برخی مزایا و معایب محاسبات ابری

1-2-3- معماری سیستم های محاسبات ابری

1-2-4- ماهیت محاسبات ابری

مجازی سازی

مقدمه ای بر مهاجرت ماشین های مجازی

1-4-1- مهاجرت

1-4-2- انواع روش های مهاجرت زنده

الگوریتم ژنتیک

1-5-1- جمعیت ژنتیکی

1-5-2- تابع برازندگی

1-5-3- عملگر ترکیب یا جابه جایی

1-5-4- عملگر جهش

1-5-5- عملگر انتخاب

آشنایی با چالش پیش رو در شبکه محاسباتی ابر

خلاصه و نتیجه گیری

 

فصل دوم- مروری بر ادبیات گذشته

2-1- محاسبات ابری

2-2- مجازی سازی

2-3- مدیریت انرژی در مرکز داده اینترنت IDC

2-4- مدیریت انرژی ماشین مجازی و مهاجرت

2-5- الگوریتم MBFD

2-6- الگوریتم ST

2-7- الگوریتم MM

2-8- الگوریتم هریسانه

2-9- الگوریتمMEF(تغییر اولین تناسب)

2-10- نتیجه گیری

 

فصل سوم- ارائه الگوریتم پیشنهادی

3-1- مقدمه

3-2- الگوریتم پیشنهادی

 

فصل چهارم- نتایج شبیه سازی

4-1- مقدمه

4-2- ویژگی های شبیه سازی تخصیص و مهاجرت ماشین های مجازی

4-3- نرم افزار متلب

4-4- نتایج شبیه سازی

4-5- نتیجه گیری

 

فصل پنجم- نتیجه گیری و پیشنهادات

5-1- نتیجه گیری

5-2- کار آینده

 

 

فهرست جداول

جدول 1-1 نمونه ای خدمات برحسب تقاضای ارائه شده از طریق محاسبات ابری

جدول 3-1 مصرف انرژی پردازنده ها با توجه به بار کاری

جدول 4-1 مقایسه الگوریتم های مختلف برپایه مصرف  انرژی سرورها (Kwh)

فهرست اشکال

شکل1-1 بررسی گوگل از مقبولیت سیستم های کلاستر , گرید و ابر

شکل 1-2 سیر تکاملی سیستم های محاسباتی

شکل 1-3  نمایی از انواع مراکز داده (بدون مجازی سازی وبا مجازی سازی)

شکل 1-4 نمایی از چگونگی عملکرد MapReduce

شکل 1-5 نمایی کلی از ساختار مجازی سازی

شکل 1-6 سرورهای مجازی اجرا شده بر روی یک سخت افزار فیزیکی

شکل 1-7 تاثیر مجازی سازی در کاهش تعداد سرورهای فیزیکی

شکل 1-8 شمای کلی مجازی سازی مرکز داده 

شکل 1-9 مهاجرت ماشین مجازی

شکل 3-2 رشته کروموزوم پیشنهادی

شکل 3-3  ترکیب – روال تک نقطه ای

شکل 3-4 مثال- ترکیب – روال تک نقطه ای

 

شکل 3-5  ترکیب – روال دو نقطه ای

شکل 3-6 مثال- ترکیب – روال دو نقطه ای

شکل 3-7  ترکیب – روال یکنواخت

شکل 3-8 جهش- بیتی

نمودار 4-1  – زمانبند ارائه شده با تعداد تکرار100 و عملگر ترکیب تک نقطه ای

نمودار 4-2  – زمانبند ارائه شده با تعداد تکرار1000 و عملگر ترکیب پراکنده

نمودار 4-3 مقایسه الگوریتم های مختلف برپایه مصرف  انرژی سرورها (Kwh)

نمودار 4-4 مقایسه الگوریتم های انرژی آگاه  برپایه مصرف  انرژی سرورها (Kwh) 

 

 

عنوان : ارائه الگوریتم زمانبندی مهاجرت ماشین های مجازی جهت بهینه سازی همزمان مصرف انرژی و تولید آلاینده ها در شبکه محاسباتی ابر

تعداد صفحات : 87

 


دانلود با لینک مستقیم


ارائه الگوریتم زمانبندی مهاجرت ماشین های مجازی جهت بهینه سازی همزمان مصرف انرژی و تولید آلاینده ها در شبکه محاسباتی ابر

دانلود پروژه روشی جدید برای الگوریتم زمانبندی CPU :با گردش بنوبت ژنتیکی

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

دانلود پروژه روشی جدید برای الگوریتم زمانبندی CPU :با گردش بنوبت ژنتیکی


دانلود  پروژه روشی  جدید برای الگوریتم زمانبندی CPU :با گردش بنوبت ژنتیکی

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.

59 صفحه word


دانلود با لینک مستقیم


دانلود پروژه روشی جدید برای الگوریتم زمانبندی CPU :با گردش بنوبت ژنتیکی

اسلاید و منابع زمانبندی مبتنی بر یادگیری در رایانش گره‌ای

اختصاصی از فی گوو اسلاید و منابع زمانبندی مبتنی بر یادگیری در رایانش گره‌ای دانلود با لینک مستقیم و پر سرعت .

اسلاید و منابع زمانبندی مبتنی بر یادگیری در رایانش گره‌ای


اسلاید و منابع  زمانبندی مبتنی بر یادگیری در رایانش گره‌ای

اسلاید  و منابع گرید:
زمانبندی مبتنی بر یادگیری در رایانش گره‌ای
 بهینه سازی هزینه زمانبندی در گریدهای محاسباتی اقتصادی با استفاده از زمانبند  LESGیک زمانبند هوشمند مبتنی بر یادگیری

 

مروری بر رایانش گره‌ای
مروری بر یادگیری
معرفی زمانبند در رایانش گره‌ای
کارهای پیشین
الگوریتم و معماری زمانبندLESG ، یک زمانبند هوشمند مبتنی بر یادگیری
ارزیابی و نتیجه گیری
 
رایانش گره‌ای
 
به نقل از فوستر (1999) واژهی رایانش گره‌ای برای اولین بار در دههی 1990 توسط یان فوستر و کارل مطرح شد. در سال 1997 استفاده از رایانش داوطلبی و سپس در سال 1999 استفاده از قدرت رایانه‌های شخصی در حل مسائلی که نیاز به پردازندههای پرقدرتی داشت مطرح  شد.
رایانش گره‌ای محیطی است که در طی آن چندین رایانه برای حل یک مساله بکارگرفته میشود. این تکنولوژی اغلب در عملیاتی کارا هستند که به پردازش زیاد نیاز دارد.  زمانیکه چنین عملیاتی روی یک منبع واحد انجام میشود ممکن است چندین روز به طول انجامد.
 
 
یادگیری

     آلن تورینگ یکی از اولین افرادی است که کار بر روی هوشمند سازی ماشینها را شروع کرد. بعد از جنگ جهانی دوم تعدادی از افراد بصورت مستقل اندیشه هوشمندسازی ماشینها را ادامه دادند.
یادگیری یکی از زیرشاخههای هوشمند سازی ماشینها است. برخی از محققان معتقدند که بچه ماشینی میتواند با خواندن و آموزش و از راه تجربه یادبگیرد و شروع بحث آن از سال 1940 میلادی بوده است.

" یادگیری = افزایش کارایی به میزان P درانجام  کاری مانند T با بدست آوردن دانشK  و بکارگیری الگوریتم A در طول تجربه‌ E در یک محیط برای کار T است"


دانلود با لینک مستقیم


اسلاید و منابع زمانبندی مبتنی بر یادگیری در رایانش گره‌ای