فی گوو

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

فی گوو

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

دانلود مقاله اصول جستجوی پراکنده

اختصاصی از فی گوو دانلود مقاله اصول جستجوی پراکنده دانلود با لینک مستقیم و پر سرعت .

 

چکیده
جستجوی پراکنده یک روش تکاملی است که بصورت موفقیت آمیز برای مسائل سخت در مورد بهینه سازی بکار می رود. اصول و مفاهیم اساسی این روش در دهه 1970 بر اساس فرمول هایی پیشنهاد شد که به تاریخ دهه 1960 برای ترکیب قواعد تصمیم گیری و محدودیت های مسئله باز می گشت. جستجوی پراکنده بر خلاف روشهای تکاملی دیگر (مانند الگوریتم های ژنتیک)، بر اساس این قضیه پی ریزی شده است که روش ها و طرح های سیستماتیک برای ایجاد راه حل های جدید، مزایای مهم تری در مقایسه با مزایای توسل به انتخاب تصادفی دارند. این روش از استراتژی هایی برای تقویت و تنوع بخشی به جستجو استفاده میکند که اثبات شده است که در مسائل بهینه سازی متعددی مؤثر هستند.
این مقاله اصول و ایده های اصلی از جستجوی پراکنده و مرتبط سازی دوباره مسیر تشکیل آن را بیان میکند. ما ابتدا یک طرح مبنا را توصیف میکنیم تا ابزاری برای ایجاد عملکردهای نسبتاً ساده را به خواننده داده باشیم. طرح های پیشرفته تر از این حقیقت برگرفته می شوند که جستجوی پراکنده و مرتبط سازی دوباره مسیر نیز بصورت اساسی با کاوش متای جستجوی ممنوعه (TS) مرتبط هستند، و مزیت اضافی را توسط استفاده از مکانیزم های استفاده از حافظه و حافظه انطباقی جستجوی ممنوعه به ما میدهند که برای زمینه های خاصی مناسب هستند. این فرآیند ها و فرآیند های پیشرفته دیگر که در این مقاله توصیف شده اند، ایجاد عملکردهای پیچیده را برای مسائلی تسهیل میکنند که اغلب در محیط عملی پیش می آیند. جستجوی پراکنده و مرتبط سازی دوباره مسیر را بعلت انعطاف پذیری و کارایی اثبات شده خود، میتوان با مسائل بهینه سازی سازگار کرد که شامل دامنه کاربردهای وسیع و مجموعه متنوعی از ساختارهای هستند، همانطور که در مقالات این مجموعه نشان داده شده است.
کلمات کلیدی: کاوش متا، روشهای تکاملی، ترکیب، مرتبط سازی دوباره مسیر

 

1- مقدمه
جستجوی پراکنده (SS) ابتدا در مطالعه گلاور (1977) بعنوان کاوشی برای برنامه سازی صحیح معرفی شد. در طرح اولیه، راه حل هایی بصورت عمدی (به بصورت تصادفی) ایجاد شدند تا خصوصیات آنرا در بخش های مختلف فضای راه حل مورد توجه قرار دهد. جستجوی پراکنده کاوش های خود را بصورت سیستماتیک نسبت به یک سری نقاط مرجع تنظیم میکند که عموماً از راه حل های خوبی تشکیل شده اند که توسط تلاشهای قبلی برای حل مسئله بدست آمده اند، که معیار موجود برای "خوب" محدود به مقادیر تابع هدف نیست، و ممکن است برای زیرمجموع های راه حل ها (و نه برای یک راه حل منفرد) اعمال گردند، مانند مورد مربوط به راه حل هایی که مطابق با خصوصیات معینی، با هم تفاوت دارند.
ترکیبات خطی وزنی مکانیزم اصلی را برای ایجاد نقاط آزمایشی در فضای شامل نقاط مرجع ایجاد میکنند، و مکانیزم روندسازی تعمیم یافته ای را نیز ایجاد میکند تا اطمینان حاصل کند که نقاط آزمایشی دارای شرایط امکان پذیری عدد صحیح در حالتی هستند که بعضی متغیرها نیازمند این هستند که مقادیر صحیح را دریافت کنند. این مکانیزم ها به سمت هدف ایجاد مراکز وزنی از مناطق فرعی انتخاب شده (از جمله مناطق خارجی نسبت به غلاف کوژ نقاط مرجع) متمایل می گردند.
الگوی جستجوی پراکنده (گلاور 1998) بعنوان مرجع اصلی برای اغلب عملکردهای جستجوی پراکنده تاکنون عمل کرده است. الگوی های پراکندگی ایجاد شده توسط این طرح ها در چندین زمینه کاربردی سودمند بوده اند. بخش 2 توصیف جامعی از عناصر و روشهای این الگوی استفاده شده بر مبنای فرمول داده شده در مطالعه لاگوندا و مارتی (2003) ارائه میدهد. با پیروی از این مسئله، بخش 3 طرح های جستجوی پراکنده پیشرفته متفاوتی (از جمله بعضی از ویژگی های اخیر، مانند بروزرسانی سری منابع 3 ردیفی و کاربردهای مرتبط به حافظه) را بررسی میکند. بخش 4 به روش شناسی مرتبط سازی دوباره مسیر اختصاص داده شده است که جستجوی پراکنده را تا محیط فضاهای مجاور (از جمله کاربردهای مبنا و کاربردهای پیشرفته) گسترش میدهد، و در آخر مقاله نیز نتیجه گیری بیان شده است.
2- طرح جستجوی پراکنده مبنا
روش جستجوی پراکنده خیلی انعطاف پذیر است، چون هر کدام از عناصر آن را میتوان به شیوه های مختلف و درجات پیچیدگی مختلفی بکار برد. در این بخش ما طرح مبنایی برای انجام جستجوی پراکنده بر اساس پنج روش معروف ارائه میدهیم، و طرح های پیشرفته را در بخش بعدی توضیح میدهیم. ویژگی های پیشرفته جستجوی پراکنده مربوط به شیوه ای هستند که این پنج روش انجام می شوند. بعبارت دیگر، پیچیدگی از اجرای روش های SS می آید تا اینکه از روشهای تصمیم گیری برای شامل سازی یا حذف بعضی از عناصر بیایند (مانند جستجوی ممنوعه که در بالا بیان کردیم).
این حقیقت که مکانیزم های داخل جستجوی پراکنده محدود به یک طرح منفرد و واحد نیستند، امکان کاوش احتمالات استراتژیکی را به ما میدهد که ممکن است در یک کاربرد خاص سودمند باشند. این اصول و مشاهدات منجر به الگوی زیر برای اجرای جستجوی پراکنده می گردند که از 5 روش تشکیل شده است.
1- روش ایجاد تنوع، برای ایجاد مجموعه ای از راه حل های آزمایشی با استفاده از یک راه حل ازمایشی قراردادی (یا راه حل منشأ) بعنوان یک ورودی.
2- روش بهبود، برای تغییر یک راه حل آزمایشی به یک یا چند راه حل آزمایشی پیشرفته (نه راه حل های ورودی و نه راه حل های خروجی نیازمند این نیستند که امکان پذیر و عملی باشند، با اینکه بیشتر توقع می رود که راه حل های خروجی اینگونه باشند. اکر هیچ بهبودی از راه حل آزمایشی ورودی ایجاد نگردد، فرض می شود که راه حل تقویت شده با راه حل ورودی یکسان باشد).
3- بروزرسانی سری منابع، برای ایجاد و حفظ یک سری منابع تشکیل شده از b تعداد از بهترین راه حل های یافته شده (که مقدار b معمولاً کم است و برای مثال از 20 بیشتر نمی شود)، که سازماندهی شده است تا دسترسی مؤثر توسط قسمت های دیگر این روش را فراهم سازد. راه حل ها مطابق با کیفیت یا تنوع خود در سری منابع طبقه بندی می شوند.
4- روش ایجاد زیرمجموعه، برای عملکرد در سری منابع، تا زیرمجموعه ای از راه حل های خود بعنوان مبنایی برای ایجاد راه حل های ترکیبی ایجاد کند.
5- روش ترکیب راه حل، تا یک زیرمجموعه معین از زیرمجموعه های ایجاد شده توسط روش ایجاد زیرمجموعه را به یک یا چند بردار راه حل حل ترکیبی تبدیل کند.
شکل 1 روابط متقابل بین این پنج روش را نشان میدهد و نقش مرکزی سری منابع را بیان میکند. این طرح مبنا با ایجاد یک سری اولیه از راه حل های P آغاز می گردد، و سپس سری منابع راه حل ها (RefSet) را از آن استخراج میکند.
روش ایجاد تنوع برای ایجاد یک سری بزرگ P از راه حل های متنوع مورد استفاده قرار می گیرد. اندازه P(PSize) معمولاً حداقل 10 برابر اندازه RefSet (سری منابع) است. سری منابع اولیه مطابق روش بروزرسای سری منایع ساخته می شود. برای مثال، روش بروزرسانی سری منابع میتواند متشکل از انتخاب b بصورتمجزا و راه حل هایی با حداکثر پراکندگی از P باشد. یک مکانیزم ساده برای ساختن RefSet در پاراگراف بعدی بیان شده است و در بخش بعدی هم چندین راهکار دیگر برای اجرای روش بروزرسانی سری منایع را بررسی میکنیم. صرفنظر از قوانین استفاده شده برای انتخاب راه حل های مرجع، راه حل های RefSet مطابق با کیفیت مرتب می شوند، که بهترین راه حل، گزینه اول در لیست می باشد. سپس جستجو توسط تعیین مقدار TRUE برای متغیر بولی NewSolutions آغاز می گردد. در مرحله 3، Newsubsetsایجاد می گردد و NewSolutions به FALSE تغییر داده می شود. ساده ترین شکل روش ایجاد زیرمجموعه از ایجاد همه جفت های راه حل های مرجع تشکیل می گردد. بعبارت دیگر، این روش بر روی زیرمجموعه هایی با اندازه 2 متمرکز می گردد که منجر به ایجاد می گردد. جفت ها در NewSubsets هر کدام بصورت جداگانه و با ترتیب لغت نویسی انتخاب می گردند و روش ترکیب راه حل اعمال می گردد تا یک یا چند راه حل آزمایشی را در مرحله 5 ایجاد کند. این راه حل های آزمایشی تابع روش بهبود هستند (البته اگر روش بهبود وجود داشته باشد). روش بروزرسانی سری منابع بار دیگر در مرحله 6 اعمال می گردد. ساده ترین شکل کاربرد روش بروزرسانی مرجع در این مرحله اینست که RefSet جدید را با بهترین راه حل ها مطابق مقدار تابع هدف، از RefSet جاری و تعیین راه حل های آزمایشی ایجاد کنیم. اگر RefSet پس از کاربرد روش بروزرسانی سری منابع تغییر کند، پرچم NewSolutions در مرحله 7 به TRUE تغییر پیدا میکند، که بیانگر اینست که حداقل یک راه حل جدید در سری منابع وارد شده است. زیرمجموعه s که تابع روش ترکیب بود، در مرحله 8 از NewSubset حذف می گردد.
راهکار مبنا به پایان می رسد پس از اینکه همه زیرمجموعه ها در NewSubsetsتابع روش ترکیب باشند و هیچکدام از راه حل های آزمایشی بهبود داده شده مطابق قوانین روش بروزرسانی سری منابع برای RefSet پذیرفته نشده باشند.

شکل 1 : راهکار جستجوی پراکنده مبنا

 

سری منابع RefSet مجموعه ای از راه حل های کیفیت-بالا و راه حل های متنوع است که برای ایجاد راه حل های جدید توسط اعمال روش ترکیب، بکار می روند. ما در این طرح مبنا می توانیم از یک مکانیزم ساده برای ساخت یک سری منابع اولیه استفاده کنیم و سپس آنرا در حین جستجو بروزرسانی کنیم. اندازه سری منابع توسط نشان داده می شود. ساخت سری منابع اولیه با انتخاب بهترین راه حل از P آغاز می گردد. این راه حل ها به RefSet اضافه می گردند و از P حذف می شوند. برای هر راه حل در P-RefSet ، حداقل فواصل نسبت به راه حل ها در RefSet محاسبه می گردد. سپس راه حل با حداکثر این فواصل حداقل انتخاب می گردد. این راه حل به RefSet اضافه می گردد و از P حذف می شود و فواصل حداقل بروزرسانی می گردند (در اعمال این معیار حداکثر-حداقل، یا هرگونه معیار بر مبنای فواصل، این مسئله می تواند مهم باشد که متغیرهای مسئله را مقیاس بندی کنیم، تا از شرایطی اجتناب کنیم که یک متغیر خاص یا زیرمجموعه ای از متغیرها بر اندازه گیری فاصله حاکم باشد و همکاری مناسب مؤلفه های برداری را تغییر دهد). این فرآیند به اندازه دفعه تکرار می گردد، که می باشد. سری منابع برآیند دارای راه حل کیفیت-بالا و راه حل متنوع است.
پس از اینکه سری منابع اولیه ساخته شد، روش ترکیب برای زیرمجموعه های ایجاد شده اعمال می گردد، همانطور که در مرحله 5 از شکل 1 نشان داده شده است. در طراحی مبنا، ما از بروزرسانی استاتیک سری منابع پس از کاربرد مدل ترکیب استفاده میکنیم. راه حل های آزمایشی که بصورت ترکیبی از راه حل های مرجع ساخته می شوند، در منبع راه حل قرار داده می شوند، که توسط Pool نشان داده می شود. پس از کاربرد هر دو روش ترکیب و بهبود، Pool کامل می گردد و سری منابع بروزرسانی می گردد. سری منابع جدید متشکل از بهترین راه حل های b از راه حل های موجود در سری منابع جاری و راه حل های موجود در Pool می باشد، بعبارت دیگر سری منابع بروزرسانی شامل بهترین راه حل های b در می باشد.
از پنج روش در روش شناسی جستجوی پراکنده، فقط چهار روش بطور شدید مورد نیاز هستند. روش بهبود معمولاً زمانی مورد نیاز خواهد بود که نتایج کیفیت بالا مورد نیاز باشند، اما میتوان یک راهکار جستجوی پراکنده را بدون آن نیز انجام داد. از طرف دیگر، یک راهکار جستجوی ممنوعه کوتاه مدت را میتوان بعنوان روش بهبود بکار برد، همانطور که در بخش بعدی نیز نشان داده شده است.
3- طرح های جستجوی پراکنده پیشرفته
در هنگام بررسی استراتژی های پیشرفته در یک چارچوب کاوش متا، هدف بهبود کارایی اغلب با هدف طراحی راهکاری مغایرت دارد که اجرا و تنظیم آن آسان است. طرح های پیشرفته معمولاً (البته نه همیشه) به پارامترهای جستجوی اضافی و پیچیدگی بالاتر تبدیل می گردند. تا جاییکه ما میدانیم، هیچ دستورالعمل ساده ای وجود ندارد که توسط آن بتوانیم یک ترتیب از پیش تعیین شده را دنبال کنیم که در این ترتیب استراتژی های پیشرفته باید به بهبود کارایی اعمال جستجوی پراکنده اضافه گردند. بنابراین ترتیبی که در آن، این استراتژی ها در این بخش توصیف می گردند، اهمیت یا رتبه بندی آنها را نشان نمی دهند. یک توصیف جامع از طرح های پیشرفته را میتوان در مطالعه لاگونا و مارتی (2003) یافت.
3.1 بروزرسانی RefSetپویا
سری منابع سری منابع قلب راهکار جستجوی پراکنده است. اگر در هر زمانی در حین جستجو، همه راه حل های منابع شبیه به هم باشند – که توسط معیار مناسب اندازه گیری شده است – راهکار جستجوی پراکنده به احتمال زیاد قادر نخواهد بود که بر اساس بهترین راه حل یافت شده پیشرفت کند، حتی زمانیکه از یک راهکار پیچیده برای انجام ترکیبات یا بهبود راه حل های آزمایشی جدید استفاده کند. روش ترکیب توسط راه حل های مرجع محدود می گردد که از آنها بعنوان ورودی استفاده میکند. بنابراین داشتن پیشرفته ترین روش ترکیب مزیت کمی خواهد داشت اگر سری منابع با دقت ساخته نشوند و در حین جستجو باقی بمانند.
در طرح مبنا، راه حل های جدید که عضوی از RefSet می گردند ترکیب نمی گردند تا زمانیکه همه جفت ها در NewSubsetsتابع روش ترکیب باشند. سری منابع جدید با بهترین راه حل ها در اتحاد Pool و راه حل های جاری در RefSet ساخته می شود. این استراتژیبروزرسانی ساکن سری منابع نام دارد. راهکار دیگر، استراتژی بروزرسانی پویا نام دارد، که روش ترکیب را برای راه حل های جدید به شیوه ای اعمال میکند که راه حل های جدید را سریع تر از طرح مبنا ترکیب میکند. بعبارت دیگر، اگر راه حل جدیدی برای سری منابع پذیرفته شود، هدف این خواهد بود که به این راه حل جدید اجازه دهیم که در کمترین زمان تابع روش ترکیب باشد. بعبارت دیگر، بجای اینکه منتظر بمانیم تا همه ترکیب ها انجام شوند تا سری منابع بروزرسانی شود، اگر یک راه حل آزمایشی جدید پذیرش را در سری منابع تضمین کند، سری منابع سریعاً بروزرسانی میشود قبل از اینکه ترکیب بعدی اجرا شود. بنابراین نیازی به یک Pool میانی در این طرح نیست، چون راه حل ها یا منسوخ می گردند و یا به محض اینکه ایجاد شدند قسمتی از RefSet می گردند.
مزیت بروزرسانی پویا اینست که اگر سری منابع شامل راه حل هایی با کیفیت پایین تر باشد، این راه حل ها سریعاً جایگزین میگردند و ترکیبات بعدی با راه حل های بهبود داده شده انجام می شوند. اشکال آن هم اینست که بعضی از ترکیبات امیداوارکننده حذف می شوند قبل از اینکه بررسی گردند. اجرای بروزرسانی پویا خیلی پیچیده تر از بروزرسانی ساکن است. همچنین، در بروزرسانی ساکن ترتیبی که ترکیبات اجرا میشوند مهم نیست چون تا همه ترکیبات اجرا نشوند RefSet بروزرسانی نمی گردد. در بروزرسانی پویا، ترتیب اجرای ترکیبات نسبتاً مهم است چون حذف شدن بعضی از ترکیبات را تعیین میکند. بنابراین در حین اجرای بروزرسانی پویای سری منابع، ممکن است ضروری باشد که با ترتیب های مختلف ترکیبات بعنوان قسمتی از تنظیم راهکار آزمایش کنیم.
3.2 ساخت RefSet
ما اکنون راهکار بروزرسانی جدیدی را معرفی میکنیم که زمانی تحریک می گردد که هیچ راه حل آزمایشی جدیدی برای سری منابع پذیرفته می شود. این بروزرسانی مکانیزمی را اضافه میکند که تا حدودی سری منابع را بازسازی میکند، وقتی که روشهای ترکیب و بهبود، راه حل هایی با کیفیت مناسب برای جایگزینی راه حل های منابع جاری را فراهم نمی سازد.
RefSet تا حدودی با بروزرسانی تنوع بازسازی می شود که بصورت زیر عمل میکند و فرض میکند که اندازه سری منابع است. راه حل های از RefSet حذف می گردد. روش ایجاد تنوع با در نظر گرفتن این دوباره آغاز می گردد که هدف آن اینست که راه حل هایی را ایجاد کند که با توجه به راه حل های منابع متنوع می گردد. سپس روش ایجاد تنوع برای ساخت سری P از راه حل های جدید بکار می رود. راه حل در RefSet بترتیب از P با معیار به حداکثر رساندن تنوع انتخاب می گردد، که معمولاً با سنجش فاصله تعریف شده در محتوای مسئله حل شده اجرا می شود. سپس، به حداکثر رساندن تنوع توسط به حداکثر رساندن فاصله حداقل انجام میشود. معیار حداکثر-حداقل – که قسمتی از روش بروزرسانی سری منابع است – با توجه به راه حل های در هنگام انتخاب راه حل اعمال می گردد، و سپس با توجه به راه حل های در هنگام انتخاب راه حل اعمال می گردد، و به همین ترتیب ادامه می یابد.
3.3 ردیف های سری منابع
در سطح پایین تر انجام جستجوهای پراکنده، سری منابع توسط جایگزینی راه حل منابع دارای بدترین مقدار تابع هدف با راه حل آزمایشی جدیدی بروزرسانی می گردد که مقدار تابع هدف بهتری دارد. چون ما همیشه فرض میکنیم گه RefSet ترتیب بندی شده است، بهترین راه حل و بدترین راه حل می باشد. بنابراین وقتی که راه حل آزمایشی جدیدی در نتبجه اجرای روشهای ترکیب و بهبود ایجاد می گردد، مقدار تابع هدف راه حل آزمایشی جدید برای تعیین این مسئله بکار می رود که آیا RefSet نیاز به بروزرسانی دارد یا نه. این مرحله با تعیین این مئسله انجام میشود که با حذف و واردسازی x در موقعیتی که ترتیب مشخص سری منابع را حفظ میکند، چه زمانی x از بهتر است. ما اکنون مکانیزم هایی را بررسی میکنیم که راه حل ها را با استفاده از سنجش های اضافی شایستگی متمایز می سازد که بر مبنای مقدار تابع هدف نیست.
بجای منتظر ماندن تا زمانیکه سری منابع با هم همگرا می گردند (یعنی تا زمانیکه به وضعیتی برسد که هیچ راه حل جدیدی پذیرفته نشود)، یک راهکار بروزرسانی که بصورت پویا تنوع را در جستجو وارد می سازد مورد استفاده قرار گیرد. راهکار بروزرسانی از یک طرح 2 ردیفی استفاده میکند، که ردیف اول از راه حل کیفیت-بالا و از راه حل متنوع تشکیل شده است. بروزرسانی دارای هدف حفظ تنوع تا حد زیادی در سری منابع است، بجای اینکه به آن اجازه دهد تا فقط توسط پذیرفتن راه حل های کیفیت-بالا همگن گردد که در بعضی از کاربردها خیلی با هم مشابه هستند. بنابراین علاوه بر بروزرسانی سری منابع در زمانیکه راه حل های آزمایشی جدید کیفیت-بالا با روشهای ترکیب و بهبود یافته می شوند، سری منابع نیز با راه حل های خیلی متنوع بروزرسانی می گردد.
بروزرسانی خصوصاً از تقسیم بندی منابع به دو زیرمجموعه تشکیل شده است:

زیرمجموعه اول زیرمجموعه کیفیت-بالا و زیرمجموعه دوم زیرمجموعه متنوع نامیده می شود. راه حل ها در مطابق با مقدار تابع خود ترتیب بندی می شوند و سری منابع با هدف افزایش کیفیت با استفاده از معیار طرح جستجوی پراکنده مبنا، بروزرسانی می گردد. بعبارت دیگر، راه حل جدید x در مسئله به حداقل رسانی، جایگزین راه حل منابع می گردد. راه حل ها در مطابق با مقدار تنوع خود ترتیب بندی می شوند و بروزرسانی دارای هدف افزایش تنوع است. بنابراین راه حل جدید x جایگزین راه حل منابع می گردد.
بروزرسانی 2 ردیفی را میتوان در ترکیب با مکانیزم بازسازی مورد استفاده قرار داد. اجرای آن توسط نگه داشتن و آغاز دوباره روش ایجاد تنوع برای بازسایی با راه حل هایی که در بین آنها متنوع است و با توجه به آسان می گردد.
لاگونا و مارتی (2000) توسعه ای از این طرح را پیشنهاد می کنند که لیستی از بهترین ایجاد کننده ها را حفظ میکند. یک ایجاد کننده خوب، یک راه حل منابع است که راه حل های آزمایشی کیفیت-بالا را ایجاد میکند، زمانیکه بعنوان ورودی برای روش ترکیب مورد استفاده قرار می گیرد. بروزرسانی 3 ردیفی از سری منابع اندازه استفاده میکند، که به سه زیرمجموعه زیر تقسیم بندی می شود:

و با استفاده از قوانین یکسانی مانند قوانین بروزرسانی 2 ردیفی، بروزرسانی می گردند. برای بروزرسانی ما مسیر را دنبال میکنیم، که مقدار تابع هدف بهترین راه حلی است که تابحال از ترکیب و هرگونه راه حل دیگر ایجاد شده است. مطابق با به شیوه ایمانند شیوه برای مسئله به حداکثر رسانی، ترتیب بندی می گردد. وقتی که در با راه حل کیفیت بالاتری جایگزین میگردد که بتازگی ایجاد شده است، ما را با مقایسه میکنیم و اگر مناسب باشد آنرا بروزرسانی میکنیم.
این طرح خصوصاً در محیطی سودمند خواهد بود که راه حل های دارای کیفیت نسبتاً پایین قابلیت ایجاد راه حل های کیفیت-بالا، توسط اجازه دادن به این ایجاد کننده های خوب برای مشارکت در ترکیبات دیگر را داشته باشند زمانیکه آنها از جایگزین می گردند. آغاز دوباره و مانند طرخ 2 ردیفی است. با بهترین راه حل ها در P آغاز می گردد که در شامل نبودند.
3.4 کنترل تنوع
جستجوی پراکنده اجازه تکرار را در سری منابع نمی دهد، و روشهای ترکیب آن برای بدست آوردن مزیت از عدم وجود تکرار، طراحی می گردند. درهم سازی اغلب برای کاهش تلاش محاسباتی بررسی راه حل های تکرارشده استفاده می گردد. برای نمونه تابع درهم سازی زیر یک راه مؤثر برای مقایسه راه حل ها و اجتناب از وقوع تکرار است، زمانیکه با مسائلی سر و کار داریم که راه حل های انهارا میتوانیم با تبدیل p و اندازه m نشان دهیم:

کامپوس و همکارانش (2001) مزایای این نوع تکرار را در محتوای یک مسئله ترتیب بندی خطی گزارش میکنند.
در حالیکه کاربردهای جستجوی پراکنده ساده تر برای بررسی این مسئله طراحی می گردند که سری منابع شامل موارد تکراری نیست، آنها عموماً تنوع راه حل های کیفیت-بالا را نشان نمی دهند، زمانیکه RefSet اولیه را ایجاد میکنند. از طرف دیگر، بیاد داشته باشید که این مسئله که راه حل های متنوع تابع یک بررسی تنوع دقیق با معیار حداکثر-حداقل است. تست حداقل تنوع را میتوان برای راه حل های کیفیت-بالای اعمال کرد که بعنوان عضوهایی از RefSet بشرح زیر انتخاب می گردند. پس از اینکه سری P ایجاد شد، بهترین راه حل مطابق با مقدار تابع هدف طوری انتخاب می گردد که در سری منابع به اندازه باشد. سپس، از P حذف می گردد و بهترین راه حل بعدی x در P انتخاب می گردد و به RefSet اضافه می گردد، البیته فقط در صورتی که:

بعبارت دیگر، در هر مرحله ما بهترین راه حل را در P اضافه می سازیم فقط در صورتیکه حداقل فاصله بین راه حل انتخاب شده x و راه حل های موجود در RefSet حداقل به بزرگی مقدار سرحد باشد.
3.5 روش ایجاد زیرمجموعه
روشهای ترکیب راه حل در جستجوی پراکنده معمولاً فقط به ترکیب دو راه حل نیستند، و بنابراین روش ایجاد زیرمجموعه در کلی ترین شکل خود از ایجاد زیرمجموعه هایی با اندازه های مختلف تشکیل می گردد. در روش جستجوی پراکنده فرض می شود که سری راه حل های ترکیب شده ممکن است در تمامیت خود در نقطه ای ایجاد گردند که زیرمجموعه های راه حل های منابع ایجاد می گردند. بنابراین وقتی که یک زیرمجموعه مشخص ایجاد می گردد، هیچ صلاحیتی در ایجاد دوباره آن نیست. اینکار موقعیتی را ایجاد میکند که تا حد زیادی با موقعیت فرض شده در محتوای الگوریتم های ژنتیک متفاوت است، که ترکیبات معمولاً توسط چرخش یک میز رولت تعیین می گردند.
راهکار برای ایجاد زیرمجموعه های راه حل های منابع از یک استراتژی برای توسعه جفت ها در زیرمجموعه هایی با اندازه بزرگرت استفاده میکند درحالیکه تعداد کلی زیرمجموعه هایی که باید ایجاد گردند را کنترل میکند. بعبارت دیگر، این مکانیزم از نوع نهایی فرآیندی اجتناب میکند که همه زیرمجموعه های با اندازه 2 و سپس همه زیرمجموعه های با اندازه 3 را ایجاد میکند، و به همبن ترتیب ادامه می یابد تا اینکه به زیرمجموعه هایی با اندازه b-1 و در نهایت نیز به RefSet کلی برسد. این راهکار مسلماً برای استفاده عملی مناسب نیست، با فرض اینکه 1013 زیرمجموعه در یک سری منابع با اندازه معمول وجود داشته باشد. حتی برای یک سری منبع کوچک تر، ترکیب همه زیرمجموعه های احتمالی مؤثر نخواهد بود چون زیرمجموعه های زیادی تقریباً با هم یکسان خواهند بود. راهکار زیر زیرمجموعه های معرف با اندازه های مختلف را توسط ایجاد انواع زیرمجموعه انتخاب می کند:
- زیرمجموعه نوع 1: همه زیرمجموعه های 2 عنصری.
- زیرمجموعه نوع 2: زیرمجموعه های 3 عنصری گرفته شده از زیرمجموعه های 2 عنصری توسط تقویت هر زیرمجموعه 2 عنصری برای عدم شامل سازی بهترین راه حل در این زیرمجموعه.

 

 

 

فرمت این مقاله به صورت Word و با قابلیت ویرایش میباشد

تعداد صفحات این مقاله  20  صفحه

پس از پرداخت ، میتوانید مقاله را به صورت انلاین دانلود کنید


دانلود با لینک مستقیم


دانلود مقاله اصول جستجوی پراکنده

پخش بار با استفاده از الگوریتم جستجوی ممنوعه یا tabu search

اختصاصی از فی گوو پخش بار با استفاده از الگوریتم جستجوی ممنوعه یا tabu search دانلود با لینک مستقیم و پر سرعت .

پخش بار با استفاده از الگوریتم جستجوی ممنوعه یا tabu search


 پخش بار با استفاده از الگوریتم جستجوی ممنوعه یا tabu search

با استفاده از الگوریتم جستجوی ممنوعه بهترین پخش بار برای سیستم 30 باسه پیاده شده است و می توان به راحتی بر روی مدل های دیگر پیاده سازی نمود.

عالی برای پروژه درس  شبکه و سیستم قدرت مقطع ارشد رشته قدرت

به راحتی میتوان مدل را به مدل دلخواه تغییر داد.(شبیه سازی در سیمولینک متلب انجام شده است)

جواب و خروجی های تست شده است و نگران صحت برنامه نباشید و در صورت اشکال با شماره های زیر تماس بگیرید.)

برای هماهنگی بیشتر و سوال می توانید با شماره های زیر و یا ایمیل با نویسنده برنامه در ارتباط باشید.

محمدرضاکیانی

09132399969

09338075778

MRKIANI2009@YAHOO.COM

  1. MATLABNEVISAN.IR

دانلود با لینک مستقیم


پخش بار با استفاده از الگوریتم جستجوی ممنوعه یا tabu search

دانلود مقاله روشهای ریاضی جستجوی عملیات

اختصاصی از فی گوو دانلود مقاله روشهای ریاضی جستجوی عملیات دانلود با لینک مستقیم و پر سرعت .

دانلود مقاله روشهای ریاضی جستجوی عملیات


دانلود مقاله روشهای ریاضی جستجوی عملیات

روشهای ریاضی جستجوی عملیات

M/M/C با شاخص شغلها (شغلهای حساس)

مقاله ای مفید و کامل

 

 

 

 

لینک پرداخت و دانلود *پایین مطلب* 

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

تعداد صفحه:18

چکیده:

ما بررسی می کنیم صف M/M/C را در جاییکه مشتریان یک موقعیت بحرانی را ، موقعیکه ،زمان اقامت موقت متجاوز از یک زمان تصادفی است ،واگذار می کنند. کرانهای بالایی و پایینی برای توزیع تعداد شغلهای حساس از دو سیستم اصلی اصلاح شده ، گرفته می شوند. دو سیستم اصلاح شده می توانند بطور موثری حل شوند. محاسبات عددی ،توان روش را نشان می دهند.

کلید واژه ها: M/M/C ، اولویت صف ، کرانها ، روشهای ماتریسی

1- تعریف:

ما بررسی می کنیم صف را در جاییکه مشتریان یک موقعیت بحرانی را ، موقعیکه ،زمان اقامت موقت متجاوز از یک زمان تصادفی است ،واگذار می کنند. این زمان به طور تشریحی با پارامتر تعمیم داده شده است. شاخص مشتریان ،برای هر یک از شاخصها ،اولویت انحصاری دارد( بنابراین اگر شاخص مشتریان در صف منتظر باشند ، سرورها هرگز به شاخص مشتریان توجه نمی کنند). در برنامه کاربردی که ما در نظر داریم ، زمانی که ، زمان صف بندی یک شغل متجاوز از زمان تصادفی باشد،مشتریان repairjob و سرورها تعمیرکارها (مهندسین) هستندو repairjob بحرانی (حساس ) نامیده خواهد شد و علت اینکه کند کاری تاسیسات درست از کدام repairjob سرچشکه گرفته است ، مشخص می شود. یک مثال در این زمینه کارخانه قند است ، جاییکه چغندر قند تصفیه می شود. کارکنان فنی چنین کارخانه ایی که تاسیسات را نگهداری می کنند ، شامل مهندسینی هستند که در طول شیفت عملیاتی چغندر قند کار می کنند. این عملیات که روی چغندر انجام می شود یک دوره صد روزه ، از زمان برداشت چغندرها و تصفیه آنها در کارخانه می باشد. مدیریت کارخانه قند علاقه مند به تاخیر در پروسه تعمیراتی است که از مشکلات فنی تاسیسات بوجود آمده است. ما repairjob و مهندسین را به عنوان صف خدمتگزار چند گانه طراحی کرده ایم . repairjob زمانی که صف بندی آن متجاوز از یک زمان تصادفی داده شده باشد ، بحرانی محسوب می شود و آنگاه با آن بر اساس اولویت رفتار می شود. با فرض اینکه مشکلات طبق فراین پواسون بدست می آید ما به مدل شدح داده شده در بالا می رسیم که در آن کار تعمیر با یک نرخ نمایی انجام و شغلها با یک نرخ نمایی بحرانی یا حساس می شوند.البته این نوع مدل می تواند بعنوان اولین مدل تخمینی مورد استفاده قرار گیرد. مقادیر اساسی جالب برای مدیریت ، مجموع زمان در طول عملیات است که شامل شغلهای تعمیراتی حساس و میانگین این شغلهای حساس می باشد. سیستم می تواند با یک فرایند مارکوف دو بهدی نمایش داده شود ، با حالتهای (m,n) که m تعداد شغلهای بدون حساسیت و n تعداد شغلهای حساس در سیستم است. پیدا کردن یک راه حل صریح برای احتمالات ثابت این فرایند مارکوف ،کاری مشکل است. و ما برای انجام این امر تلاش نخواهیم کرد. در عوض کرانهای بالا یی و پایینی برای توزیع تعداد شغلهای حساس از دو سیستم اصلی اصلاح شده بدست خواهند آمد که برای حل شدن آسانتر هستند. تعداد شغلهای بدون حساسیت در این دو سیستم با یک آستانه قطعی ، کراندار است. در مدل کران پایین ، این امر با نپذیرفتن یک شغل جدید ،چنانچه تعداد شغلهای بدون حساسیت به آستانه رسیده باشند ، مشخص می شود. در مدل کران بالا ، یک شغل جدید در این حالت بلافاصله بحرانی محسوب می شود. آستانه وسیع بهتر از کرانها خواهد بود ،اما تلاش بیشتر برای محاسبه کرانها صورت می گیرد . توجه اینکه ،موقعی که شغلهای زیادی در سیستم اصلی وجود دارد ،اکثر آنها حساس خواهند بود. بنابراین فردی ممکن است پیش بینی کند که کرانها برای تعدیل تقریبی مقادیر آستانه مشکل هستند. دلیل اینکه چرا کرانهای بالا و پایین سیستم آسانتر از بکارگیری مدل اصلی هستند این است که فرایند مارکوف توضیح می دهد که این سیستمها فقط یک متغیر غیر کراندار به نام n دارند . بنابراین آنها ذاتاً یک بعدی می باشند. در واقع این فرایندها ، فرایند تولد و مرگ نامیده می شوند ، که بطور موثری می توانند با استفاده از روش هندسی ماتریسی Neuts حل شوند.

اثبات کرانها با توجه به روش تکنیکی مارکوف مشابه روش بکار گرفته شده برای [4, 5, 6, 7, 1, 2] است. در این منابع فرایندهای ابتدایی مارکوف که مدل اصلی و مدل کرانهای پایین و بالا را نمایش می دهند به زنجیره های معادل مارکوفی تبدیل می شوند.سپس از طریق استقرا نشان داده می شود که برای هر تعداد متناهی دوره ، عمل کرد اجرایی مدل اصلی بین عملکردهای اجرایی دو مدل کراندار قرار گرفته است. برقراری تعداد دوره ها ، بازده بی نهایت را برای میانگین اجرا در پی دارد. تفسیر در زنجیر مارکوف فقط زمانی امکان پذیر است که میزان انتقال کراندار باشد . در این حالت ،این امر برای مدل کران بالا و پایین برقرار است ولی برای مدل اصلی برقرار نیست. بنابراین ،ما کانالهای عبوری با تفاوت اندک را داریم . ابتدا ما ثابت می کنیم که تعداد شغلهای بحرانی یا حساس در مدل کران پایین (بالا) ،با افزایش آستانه ، به طور اتفاقی افزایش (کاهش)می یابد.این با استفاده از تکنیک شرح داده شده در بالا برقرار است. سپس با نشان دادن اینکه توزیعهای تعدادی از شغلهای حساس در مدل کران بالا و پایین ، وقتی که آستانه به بی نهایت میل می کند ،به مدل اصلی همگرا است ، اثبات تمام می شود. در واقع،ما بیشتر از آنچه در منابع ذکر شده است اثبات میکنیم و بدین ترتیب نه تنها کرانها بهبود می یابند بلکه آنها همدیگر را همپوشانی نیز می کنند. تکنیک پاداش مارکوف استفاده شده در این مقاله که برای قابل محاسبه کردن کرانها مورد استفاده قرار گرفته است ، یک ابزار قدرتمند برای خواص کیفی مثل: ویژگیهای یکنواخت در شبکه های صف بندی شده یا بهینه سازی خطی مش صفهای موازی می باشد.

مدل با جریان ورودی اضافی شغلها که هر کدام با توجه به تحقیق De Waal [12] and Van Rooij [11]. حساس هستند شروع می شود. آنها این امکان را برای شرح نگهداری پیشگیرانه و تعمیر اجزا در تاسیسات استفاده می کنند ، مانند تاسیسات یک پالایشگاه نفت. در این مدل کار تعمیرات اصلاحی ،(یعنی مارهای حساس) بر کارهای پیشگیرانه اولویت دارند . اما ، نگهداری پیشگرانه یک جزء میتواند به نگهداری اصلاحی تبدیل شود.این حالت زمانی اتفاق می افتد که اجزایی که در حال انتظار هستند ،دچار ایراد می شوند. آنها تقریب را برای بخشی از کارهای تعمیرات پیشگیرانه را که به اصلاحی تبدیل می شوند و میانگین زمان نگهداری پیشگیرانه را افزایش می دهند رابکار میبرند.

مقاله به صورت زیر مرتب شده است. در بخش دوم ما مدلها را توضیح می دهیم . کرانها در بخش 3 و تحلیل ماتریسی- هندسی در مورد مدل کران بالا و پایین به طور مختصر در فصل 4 توضیح داده شده اند .ما نتایج عددی را در فصل 5 نشان داده ایم .بخش آخر به نتیجه گیری و توضیحات اختصاص دارد.

و...

NikoFile


دانلود با لینک مستقیم


دانلود مقاله روشهای ریاضی جستجوی عملیات

نرم افزار جستجوی شرکت های فعال در شهرک صنعتی های نظرآباد و فیروزکوه و لپه زنک- آبان 94

اختصاصی از فی گوو نرم افزار جستجوی شرکت های فعال در شهرک صنعتی های نظرآباد و فیروزکوه و لپه زنک- آبان 94 دانلود با لینک مستقیم و پر سرعت .

نرم افزار جستجوی شرکت های فعال در شهرک صنعتی های نظرآباد و فیروزکوه و لپه زنک- آبان 94


نرم افزار جستجوی شرکت های فعال در شهرک صنعتی های نظرآباد و فیروزکوه و لپه زنک

این بانک اطلاعاتی مشتمل بر اطلاعات جامع شرکت ، کارگاه و کارخانه فعال در شهرک صنعتی های نظر آباد و فیروز کوه و لپه زنک می باشد که با جستجوگر متنی و محیطی کاملا آسان بدون نیاز به اینترنت قابل دسترس عموم می باشد و شما را از هر گونه پایگاه اطلاع رسانی بی نیاز می سازد .

نکته قابل ذکر اینکه جهت استفاده از نرم افزار نیاز به نصب نرم افزار آفیس در سیستم خود را دارید

اطلاعات موجود

نام شرکت/نام مدیر عامل/نوع محصول/شهرک صنعتی /آدرس/تلفن/فاکس/ایمیل/وبسایت و ...

 

 ضمنا جهت ثبت رایگان شرکت خود در نرم افزار می توانید با آدرس ایمیل ra.saberi@yahoo.com در ارتباط بوده و یا عضویت درگروه ما در تلگرام اینجا  کلیک نمایید .


دانلود با لینک مستقیم


نرم افزار جستجوی شرکت های فعال در شهرک صنعتی های نظرآباد و فیروزکوه و لپه زنک- آبان 94

ALPS-اجرای الگوریتم های جستجوی موازی

اختصاصی از فی گوو ALPS-اجرای الگوریتم های جستجوی موازی دانلود با لینک مستقیم و پر سرعت .

ALPS-اجرای الگوریتم های جستجوی موازی


ALPS-اجرای الگوریتم های جستجوی موازی

 

تحقیق تخصصی به زبان اصلی انگلیسی است با فرمت PDF که شامل 13 صفحه ترجمه شده به فارسی با فرمت Word است با موضوع ALPS که یک بسته نرم افزاری برای اجرای الگوریتم های جستجوی موازی است


دانلود با لینک مستقیم


ALPS-اجرای الگوریتم های جستجوی موازی