برای دانلود کل پاپورپوینت از لینک زیر استفاده کنید:
دانلود پاورپوینت الگوریتم غربال - 7 اسلاید
برای دانلود کل پاپورپوینت از لینک زیر استفاده کنید:
پایان نامه ی بسیار جالب و کاملی در زمینه ی تشخیص بیماری با استفاده از الگوریتم های داده کاوی می باشد. برای دانشجویان و علاقمندان به این نوع مباحث، پیشنهاد می کنم حتما این پایان نامه رو مطالعه فرمائید
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
الگوریتم EZW در سال 1993 توسط shapiro ابداع شد نام کامل این واژه [1] به معنای کدینگ تدریجی با استفاده از درخت ضرایب ویولت است. این الگوریتم ضرایب ویولت را به عنوان مجموعه ای از درختهای جهت یابی مکانی در نظر می گیرد هر درخت شامل ضرایبی از تمام زیرباندهای فرکانسی و مکانی است که به یک ناحیه مشخص از تصویر اختصاص دارند. الگوریتم ابتدا ضرایب ویولت با دامنه بزرگتر را کددهی می کند در صورتیکه دامنه یک ضریب بزرگتر یا مساوی آستانه مشخص باشد ضریب به عنوان ضریب معنی دار [2] در نظر گرفته می شود و در غیر اینصورت بی معنی[3] می باشد یک درخت نیز در صورتی معنی دار است که بزرگترین ضریب آن از نظر دامنه بزرگتر یا مساوی با آستانه مورد نظر باشد و در غیراینصورت درخت بی معنی است.
مقدار آستانه در هر مرحله از الگوریتم نصف می شود و بدین ترتیب ضرایب بزرگتر زودتر فرستاده می شوند در هر مرحله، ابتدا معنی دار بودن ضرایب مربوط به زیر باند فرکانسی پایین تر ارزیابی می شود اگر مجموعه بی معنی باشد یک علامت درخت صفر استفاده می شود تا نشان دهد که تمامی ضرایب مجموعه صفر می باشند در غیراینصورت مجموعه به چهارزیرمجموعه برای ارزیابی بیشتر شکسته می شود و پس از اینکه تمامی مجموعه ها و ضرایب مورد ارزیابی قرار گرفته اند این مرحله به پایان می رسد کدینگ EZW براساس این فرضیه استوار است که چگالی طیف توان در اکثر تصاویر طبیعی به سرعت کاهش می یابد بدین معنی که اگر یک ضریب در زیر باند فرکانسی پایین تر کوچک باشد به احتمال زیاد ضرایب مربوط به فرزندان آن در زیر باندهای بالاتر نیز کوچک هستند به بیان دیگر اگر یک ضریب والد بی معنی باشد به احتمال زیاد فرزندان آن نیز بی معنی هستند اگر آستانه ها توانهایی از دو باشند میتوان کدینگ EZW را به عنوان یک کدینگ bit-plane در نظر گرفت در این روش در یک زمان، یک رشته بیت که از MSB شروع می شود کددهی می شود با کدینگ تدریجی رشته بیت ها و ارزیابی درختها از زیرباندهای فرکانسی کمتر به زیرباندهای فرکانسی بیشتر در هر رشته بیت میتوان به کدینگ جاسازی [4] دست یافت.
الگوریتم EZW بر پایه 4 اصل استوار است [3]
1- جدا کردن سلسله مراتبی زیرباندها با استفاده از تبدیل ویولت گسسته
1-1-2) تبدیل ویولت گسسته
تبدیل ویولت سلسله مراتبی که در EZW و SPIHT مورد استفاده قرار می گیرد نظیر یک سیستم تجزیه زیرباند سلسله مراتبی است که در آن فاصله زیرباندها در مبنای فرکانس بصورت لگاریتمی است.
در شکل 2-2 یک مثال از تجزیه دو سطحی ویولت روی یک تصویر دو بعدی نشان داده شده است. تصویر ابتدا با بکارگیری فیلترهای افقی و عمودی به چهار زیرباند تجزیه میشود. در تصویر (c ) 2-2 هر ضریب مربوط به ناحیه تقریبی 2×2 پیکسل در تصویر ورودی است. پس از اولین مرحله تجزیه سه زیر باند LH1 , HL1 و HH1 بعنوان زیرباندهای فرکانس بالایی در نظر گرفته می شوند که به ترتیب دارای سه موقعیت عمودی، افقی و قطری می باشند اگر Wv , Wh به ترتیب فرکانسهای افقی و عمودی باشند، پهنای باند فرکانسی برای هر زیر باند در اولین سطح تجزیه ویولت در جدول
1-2 آمده است[4]
جدول 2-1 ) پهنای باند فرکانسی مربوط به هر زیر باند پس از اولین مرحله تجزیه ویولت با استفاده از فیلترهای مشابه (پایین گذر و بالاگذر) زیر باند LL1 پس از اولین مرحله تجزیه ویولت، مجدداً تجزیه شده و ضرایب ویولت جدیدی به دست می آید جدول 2-2) پهنای باند مربوط به این ضرایب را نشان می دهد.
فایل ورد 32 ص
این محصول در قالب ورد و قابل ویرایش در 89 صفحه می باشد.
چکیده :
الگوریتم های ژنتیک یکی از الگوریتم های جستجوی تصادفی است که ایده آن برگرفته از طبیعت می باشد . نسل های موجودات قوی تر بیشتر زندگی می کنند و نسل های بعدی نیز قوی تر می شوند به عبارت دیگر طبیعت افراد قوی تر را برای زندگی بر می گزیند. در طبیعت از ترکیب کروموزوم های بهتر ، نسل های بهتری پدید می آیند . در این بین گاهی اوقات جهش هایی نیز در کروموزوم ها روی می دهد که ممکن است باعث بهتر شدن نسل بعدی شوند. الگوریتم ژنتیک نیز با استفاده از این ایده اقدام به حل مسائل می کند . الگوریتم های ژنتیک در حل مسائل بهینه سازی کاربرد فراوانی دارند.
مسئله ی کاهش آلاینده های Cox ، NOx و Sox در کوره های صنعتی ، یکی از مسائل بهینه سازی می باشد، که هدف آن بهینه کردن عملکرد کوره های احتراقی بر حسب پارامترهای درصد هوای اضافی (E) و دمای هوای خروجی از پیش گرمکن (T) ، به منظور کاهش میزان آلاینده های تولید شده در اثر انجام عملیات احتراق است.
در اینمقاله ابتدا مروری بر مفاهیم مقدماتی الگوریتم های ژنتیک کرده سپس مشخصات کلی مسئله عنوان می شود، در انتها مسئله ی مورد نظر توسط الگوریتم ژنتیک اجرا و نتایج آن با روش تابع پنالتی مقایسه می شود.
فهرست مطالب
فصل اول - مقدمه .....................................................
1-1- مقدمه
فصل دوم - مقدمه ای بر الگوریتم ژنتیک...............................................
2-6-1- جمعیت
2-6-2- کدگذاری
2-6-2-1- کدگذاری دودویی
2-6-2-2- کدگذاری مقادیر
2-6-2-3- کدگذاری درختی
2-6-3- عملگرهای الگوریتم ژنتیک
2-6-3-1- fitness (برازش)
2-6-3-2- selection (انتخاب)
2-6-3-3- crossover (ترکیب)
2-6-3-4- mutation (جهش)
2-7-1- برتری ها و ضعف های الگوریتم ژنتیک
2-7-2- نکات مهم در الگوریتم های ژنتیک
2-7-3- نتیجه گیری
فصل سوم - کاهش اثرات زیست محیطی آلاینده های Cox، NOx و SOx در کوره ها...........
فصل چهارم - توضیحاتی در رابطه با gatool نرم افزار مطلب................
فصل پنجم – نتایج..................................
فهرست مراجع......................