وبلاگ

در این فصل ابتدا الگوریتم ژنتیک را مورد بررسی قرار می­دهیم. در این بررسی ساختار کلی الگوریتم ژنتیک و پارامترهای تاثیرگذار در عملکرد این الگوریتم را مشخص می­کنیم. در ادامه محیط شبکه­ های محاسباتی گرید را شرح داده و به بررسی اصطلاحات و تعاریف موجود می­پردازیم. روش­های مختلف زمانبندی را بیان کرده و انواع صف­بندی کارها را مورد بررسی قرار می­دهیم.

 

الگوریتم ژنتیك، الهامی از علم ژنتیک و نظریة تكامل داروین است و بر اساس بقای برترین‏ها یا انتخاب طبیعی استوار است. یک كاربرد متداول الگوریتم ژنتیك، استفاده از آن بعنوان تابع بهینه‏كننده است. الگوریتم ژنتیک ابزار سودمندی دربازشناسی الگو، انتخاب ویژگی، درك تصویر و یادگیری ماشینی است[3-8]. در الگوریتم‏ ژنتیك[1]، نحوه تكامل ژنتیكی موجودات زنده شبیه‏سازی می‏شود.

 

اگرچه كارهایی توسط یک زیست­شناس به نام Fraser در زمینه مدل­سازی تكامل در سیستم‌های بیولوژیک در دهه 60 میلادی صورت گرفت ولی الگوریتم ژنتیک برای كاربردهای مهندسی و به صورت امروزی آن، نخستین بار توسط جان هلند[9] متخصص علوم كامپیوتر دانشگاه میشیگان در سال 1975 پیشنهاد گردید. كار وی آغاز تمامی كوشش­ها برای كاربرد الگوریتم ژنتیک در مهندسی است. پس از آن كارهای Dejong [10]در سال 1975 در زمینه بررسی و مقایسه چندین روش الگوریتم ژنتیک پایه‌های نظری بحث را فراهم آورد. این الگوریتم با الهام از طبیعت بر پایه اصل تكاملی «پایداری بهترین‌ها»[2] استوار است. الگوریتم ژنتیک اگرچه پس از الگوریتم استراتژی تكاملی پیشنهاد گردید ولی مشهورترین روش از بین الگوریتم‌های تكاملی است. در یک الگوریتم ژنتیک یک جمعیت از افراد طبق مطلوبیت آنها در محیط بقا می­یابند. افرادی با قابلیت­های برتر، شانس ازدواج وتولید مثل بیشتری را خواهند یافت. بنابراین بعد از چند نسل فرزندانی با كارایی بهتر بوجود می‌آیند. در الگوریتم ژنتیک هر فرد از جمعیت بصورت یک كروموزوم معرفی می‌شود. كروموزوم­ها در طول چندین نسل كامل­تر می‌شوند. در هر نسل كروموزوم­ها ارزیابی می‌شوند و متناسب با ارزش خود امكان بقا و تكثیر می‌یابند. تولید نسل در بحث الگوریتم ژنتیک با عملگرهای آمیزش و جهش صورت می‏گیرد. والدین برتر بر اساس یک تابع برازندگی انتخاب می‌شوند.

 

در هر مرحله از اجرای الگوریتم ژنتیك، یک دسته از نقاط فضای جستجو مورد پردازش‏های تصادفی قرار می‏گیرند. به این صورت كه به هر نقطه دنباله‏ای از كاراكترها نسبت داده می‏شود و بر روی این دنباله‏ها، عملگرهای ژنتیكی اعمال می‏شوند. سپس دنباله‏های بدست آمده

 رمزگشایی می‏گردد تا نقاط جدیدی در فضای جستجو بدست آید. در آخر براساس این كه تابع هدف در هر یک از نقاط چه مقدار باشد، احتمال شركت نمودن آنها در مرحله بعد تعیین می‏گردد[11-14].

 

الگوریتم‏ ژنتیک را می‏توان یک روش بهینه‏سازی تصادفی جهت‏دار دانست كه به تدریج به سمت نقطه بهینه حركت می‏كند. در مورد ویژگی‌های الگوریتم ژنتیک در مقایسه با دیگر روش‌های بهینه سازی می‌توان گفت كه الگوریتمی است كه بدون داشتن هیچ گونه اطلاعی از مسئله و هیچ گونه محدودیتی بر نوع متغیرهای آن برای هر گونه مسئله ای قابل اعمال است و دارای كارآیی اثبات شده‌ای در یافتن بهینه كلی[3] می‌باشد. توانایی این روش در حل مسائل پیچیده بهینه‌سازی است كه روش‌های كلاسیک یا قابل اعمال نیستند و یا دریافتن بهینه كلی قابل اطمینان نیستند[15].

 

[1] Genetic Algorithm

 

[2] Survival of the fittest

 

3 Cross Over

 

4 Mutation

 

[3] Global Optimum

 

[1]Grid Computing

 

[2]Resource Management

 

[3]Nodes Computation

 

[4]Scheduling

 

ممکن است هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل و با فرمت ورد موجود است

 

متن کامل را می توانید دانلود نمائید

 

چون فقط تکه هایی از متن پایان نامه در این صفحه درج شده (به طور نمونه)

 

ولی در فایل دانلودی متن کامل پایان نامه

 

 با فرمت ورد word که قابل ویرایش و کپی کردن می باشند

 

موجود است