فرمت : word
تعداد صفحات : 141 صفحه
پروژه مقطع کارشناسی
فصل اول: مفاهیم اساسی در طراحی
فصل دوم: هسته ترانسفورماتور
فصل سوم: سیم پیچی ترانسفورماتور
فصل چهارم: طراحی ترانسفورماتور
منابع و مراجع
لینک پرداخت و دانلود *پایین مطلب*
فرمت فایل:Word (قابل ویرایش و آماده پرینت)
تعداد صفحه:30
فهرست مطالب
پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک
خلاصه
1- مقدمه
2- تحقق شبکه عصبی
2-1- اصول عملکرد
2-2- پیاده سازی مدارهای شبکه
مفید بودن شبکه عصبی آنالوگ مصنوعی بصورت خیلی نزدیکی با میزان قابلیت آموزش پذیری آن محدود می شود .
2
این مقاله یک معماری شبکه عصبی آنالوگ جدید را معرفی می کند که وزنهای بکار برده شده در آن توسط الگوریتم ژنتیک تعیین می شوند .
اولین پیاده سازی VLSI ارائه شده در این مقاله روی سیلیکونی با مساحت کمتر از 1mm که شامل 4046 سیناپس و 200 گیگا اتصال در ثانیه است اجرا شده است .
از آنجائیکه آموزش می تواند در سرعت کامل شبکه انجام شود بنابراین چندین صد حالت منفرد در هر ثانیه می تواند توسط الگوریتم ژنتیک تست شود .
این باعث می شود تا پیاده سازی مسائل بسیار پیچیده که نیاز به شبکه های چند لایه بزرگ دارند عملی بنظر برسد .
1- مقدمه
شبکه های عصبی مصنوعی به صورت عمومی بعنوان یک راه حل خوب برای مسائلی از قبیل تطبیق الگو مورد پذیرش قرار گرفته اند .
علیرغم مناسب بودن آنها برای پیاده سازی موازی ، از آنها در سطح وسیعی بعنوان شبیه سازهای عددی در سیستمهای معمولی استفاده می شود .
یک دلیل برای این مسئله مشکلات موجود در تعیین وزنها برای سیناپسها در یک شبکه بر پایه مدارات آنالوگ است .
موفقترین الگوریتم آموزش ، الگوریتم Back-Propagation است .
این الگوریتم بر پایه یک سیستم متقابل است که مقادیر صحیح را از خطای خروجی شبکه محاسبه می کند .
یک شرط لازم برای این الگوریتم دانستن مشتق اول تابع تبدیل نرون است .
در حالیکه اجرای این مسئله برای ساختارهای دیجیتال از قبیل میکروپروسسورهای معمولی و سخت افزارهای خاص آسان است ، در ساختار آنالوگ با مشکل روبرو می شویم .
دلیل این مشکل ، تغییرات قطعه و توابع تبدیل نرونها و در نتیجه تغییر مشتقات اول آنها از نرونی به نرون دیگر و از تراشه ای به تراشه دیگر است و چه چیزی می تواند بدتر از این باشد که آنها با دما نیز تغییر کنند .
ساختن مدارات آنالوگی که بتوانند همه این اثرات را جبران سازی کنند امکان پذیر است ولی این مدارات در مقایسه با مدارهایی که جبران سازی نشده اند دارای حجم بزرگتر و سرعت کمتر هستند .
برای کسب موفقیت تحت فشار رقابت شدید از سوی دنیای دیجیتال ، شبکه های عصبی آنالوگ نباید سعی کنند که مفاهیم دیجیتال را به دنیای آنالوگ انتقال دهند .
در عوض آنها باید تا حد امکان به فیزیک قطعات متکی باشند تا امکان استخراج یک موازی سازی گسترده در تکنولوژی VLSI مدرن بدست آید .
شبکه های عصبی برای چنین پیاده سازیهای آنالوگ بسیار مناسب هستند زیرا جبران سازی نوسانات غیر قابل اجتناب قطعه می تواند در وزنها لحاظ شود .
مسئله اصلی که هنوز باید حل شود آموزش است .
حجم بزرگی از مفاهیم شبکه عصبی آنالوگ که در این زمینه می توانند یافت شوند ، تکنولوژیهای گیت شناور را جهت ذخیره سازی وزنهای آنالوگ بکار می برند ، مثل EEPROM حافظه های Flash .
در نظر اول بنظر می رسد که این مسئله راه حل بهینه ای باشد .
آن فقط سطح کوچکی را مصرف می کند و بنابراین حجم سیناپس تا حد امکان فشرده می شود (کاهش تا حد فقط یک ترانزیستور) .
دقت آنالوگ می تواند بیشتر از 8 بیت باشد و زمان ذخیره سازی داده (با دقت 5 بیت) تا 10 سال افزایش می یابد .
اگر قطعه بطور متناوب مورد برنامه ریزی قرار گیرد ، یک عامل منفی وجود خواهد داشت و آن زمان برنامه ریزی و طول عمر محدود ساختار گیت شناور است .
بنابراین چنین قطعاتی احتیاج به وزنهایی دارند که از پیش تعیین شده باشند .
اما برای محاسبه وزنها یک دانش دقیق از تابع تبدیل شبکه ضروری است .
برای شکستن این چرخه پیچیده ، ذخیره سازی وزن باید زمان نوشتن کوتاهی داشته باشد .
این عامل باعث می شود که الگوریتم ژنتیک وارد محاسبات شود .
با ارزیابی تعداد زیادی از ساختارهای تست می توان وزنها را با بکار بردن یک تراشه واقعی تعیین کرد .
همچنین این مسئله می تواند حجم عمده ای از تغییرات قطعه را جبران سلزی کند ، زیرا داده متناسب شامل خطاهایی است که توسط این نقایص ایجاد شده اند .
به هر روند رویش یا گسترش که با تحول و دگرگونی همراه است، تَکامُل یا فَرگَشت می‌گویند؛ ولی این واژه بیشتر در پیوند با علم تکامل زیستی به‌کار می‌رود.
فَرگَشت یک نظریهٔ علمی است که در زیست شناسی مطرح شده است. فرگشت توضیح می دهد که چگونه حیوانات و گیاهان طی زمانی طولانی تغییر یافتند و چگونه به صورتی که امروزه هستند، رسیدند.
سنگواره‌ها نشان می‌دهند که زمین عمری بس دراز دارد. بر مبنای سنگواره‌ها می‌یابیم که جانداران امروزی متفاوت از گذشته هستند و به میزانی که به گذشته‌های دورتر می‌نگریم ،فسیل‌ها متفاوت‌تر می‌شوند. فرگشت چگونگی این رخداد را توضیح می دهد.
بر این اساس ،فرگشت در پی تغییر بسامد یک عامل انتقال ارثی در یک حوضه ژنتیکی پدید می‌آید. این‌گونه تغییرها در پی یک گزینش طبیعی و یا کشش ژنتیکی پدید می‌آیند. این دگرگونیها در بازه‌های دراز زمانی به تغییراتی در گونه یا ریخت (فنوتیپ) می‌انجامند. برای فرگشت روندهای دیگری مانند گونه زایی نیز بسیار مهم اند.
نظریه فرگشت پایه و اساس زیست شناسی نوین است و با شواهد بسیاری پشتیبانی می گردد.هیچ چیز در زیست شناسی بدون آن معنا نمی یابد.همزمان پرسش های بسیاری نیازمند پاسخ هستند که زیست شناسان تکاملی به آن ها می پردازند.
نظریه تکامل همچنین باعث شد در میان دانشمندان، فلاسفه و متکلمان مناقشات بسیاری در مورد خلقت جریان گیرد.
واژه‌شناسی
واژه عربی تکامل به معنای «ترقی» و «کامل شدن» می باشد.لغت نامه دهخدا معنی آن را «تمام شدن» ذکر میکند. این واژه نخستین بار توسط مترجمان دورهٔ قاجار به عنوان برابر فارسی evolution به کار رفت.
این در حالیست که واژه Evolution به معنای «بر آمدن» بوده و اشاره به بوجود آمدن چیزی از چیز دیگر دارد، مثل بوجود آمدن بخار از آب. Evolution، حاکی از «کمال یافتن» جانداران نیست. این واژه هیچ بار اخلاقی ندارد بلکه تنها تغییر جانداران را برای انطباق بیشتر با محیط نشان میدهد ، زیرا در یک محیط ویژگی های خاصی مبنای تطابق محسوب می شوند و در محیط دیگر ویژگی های دیگر.
به این سبب فرگشت معادل مناسب تری برای Evolution است. واژه فرگشت نخستین بار توسط داریوش آشوری در سال ۱۳۷۴ پیشنهاد شد.
تکامل در انسان
درخت زندگی نشانگر فرگشت از آغاز حیات است.
مقبول‌ترین نظریه در میان دیرین مردم‌شناسان امروزین در باب تکامل انسان این است که انسان کنونی که با نام علمی انسان خردمند خردمند مشخص میشود زیرگونه‌ای از انسان خردمند است که خود از انسان راست‌قامت تکامل یافته و انسان راست‌قامت هم از انسان ماهر تکامل یافته بود. همگی این جانداران در سردهٔ انسان جای می‌گیرند که گونه‌های متعدد دیگری هم از آن برخاسته بودند (مانند انسان نئاندرتال و انسان راست‌قامت) اما امروزه نسل تمامی آنها منقرض شده‌است. انسان خردمند در حدود ۲۰۰ هزار سال پیش در شرق آفریقا پدیدار شد و گروههای کوچکی از آنها در حدود ۵۰ هزار سال پیش به دیگر نقاط دنیا مهاجرت کردند، به این ترتیب نسل تمامی انسان‌هایی که در خارج از آفریقا زندگی می‌کنند به این مهاجران می‌رسد.
کپی‌های بزرگ (شمپانزه، بونوبو، گوریل و اورانگ اوتان) نزدیک‌ترین جانداران در حال حیات به انسان‌هایند. با این حال انسان از هیچ یک از آنها تکامل نیافته است و مسیر تکاملی ما و آنها میلیون‌ها سال پیش از هم جدا شده‌است. از میان آنها شمپانزه و بونوبو دو گونهٔ نزدیک‌تر به انسان‌اند. نیای مشترک سردهٔ شمپانزه و سردهٔ انسان در حدود ۶ تا ۷ میلیون سال پیش می‌زیسته است.
نظریه تکامل در طبیعت
به فرایند تغییر در گونه‌های حیات در اثر گذشت زمان و در طول نسل‌ها تکامل گفته میشود. رشته زیست‌شناسی تکاملی به بررسی اینکه چگونه و چرا این تکامل اتفاق می‌افتد می‌پردازد. یک اندامگان (ارگانیزم: organism) از والدینش خصوصیات و ویژگی‌هایی از طریق ژن‌هایش به ارث می‌برد. تغیرات در این ژن‌ها (که جهش خوانده میشود) می‌تواند ویژگیهای جدید در فرزندهای سیستم حیاتی تولید کند. اگر این ویژگیهای جدید باعث بشود که فرزندها بهتر بتوانند با محیط خارجی وفق پیدا کنند، در زنده ماندن و تولید مثل موفق‌تر خواهند بود. به این فرایند انتخاب طبیعی گفته شده، و باعث میشود که ویژگی‌هایی که مفید هستند عمومی‌تر شوند. در طول نسل‌های فراون، یک جمعیت می‌تواند آنقدر ویژگیهای جدید کسب کند که به یک گونه جدید از موجودات تبدیل شود.
نظریه تکامل در سال ۱۲۳۸ هجری شمسی (۱۸۵۹ میلادی) و با انتشار کتاب «درباره مبدأ گونه‌ها» توسط چارلز داروین بوجود آمد. علاوه بر این، کار گرگور یوهان مندل با گیاهان به توضیح الگوهای وراثتی ژن‌ها کمک کرده و منجر به فهمی از نحوه عملکرد سیستم وراثتی شد. اکتشافات بعدی در زمینه نحوه جهش ژن‌ها به همراه پیشرفت‌ها در رشته «ژنتیک جمعیت» توضیحات بیشتری در زمینه نحوه عملکرد تکامل فراهم آورد. دانشمندان امروزه فهم به نسبت خوبی نسبت به پیدایش گونه‌های جدید دارند. آنها فرایند به وجود آمدن گونه جدید را هم در آزمایشگاه و هم در طبیعت مشاهده کرده‌اند. این دیدگاه مدرن از تکامل مهم ترین نظریه علمی موجود برای کمک به فهم حیات می‌باشد.
ایده داروین: تکامل توسط انتخاب طبیعی
چارلز داروین این ایده را داشت که نحوه کلی پرورش موجودات زنده از اجدادشان به گونه یکسانی و مستقل از نوع گونه می‌باشد. در سال ۱۲۱۷ هجری شمسی (۱۸۳۸ میلادی) او فرایندی که اسمش «انتخاب طبیعی» گذاشت را پیشنهاد کرد و توضیحاتی درباره عملکرد فرایند داد. داروین نظریه اش را بر پایه پنج مشاهده زیر قرار داد:
فهرست صفحه
نظریه تکامل 1
مقدمه1
واژه‌شناسی1
تکامل در انسان2
نظریه تکامل در طبیعت3
ایده داروین: تکامل توسط انتخاب طبیعی3
الگوریتم ژنتیک4
مقدمه5
الگوریتم ژنتیک چیست؟8
ایده اصلی11
الگوریتم12
روش های نمایش13
روش های انتخاب14
روش های تغییر15
نقاط قوت الگوریتم های ژنتیک15
محدودیتهای GAها17
چند نمونه از کاربرد های الگوریتم های ژنتیک17
یک مثال ساده:18
نسل اول19
نسل بعدی20
انتخاب20
تغییر از یک نسل به نسل بعدی(Cross over) 21
جهش(Mutation) 21
الگوریتم22
جستجوی غذا در طبیعت22
بهینه سازی کلونی زنبورها22
کاربرد ها23
چکیده23
معرفی23
الگوریتمPSO یا پرندگان یا اجتماع ذرات 32
الگوریتم بهینه سازی کلونی مورچگان چیست؟34
گوریتم رقابت استعماری 38
شکل دهی امپراطوری‌های اولیه 41
مدل‌سازی سیاست جذب: حرکت مستعمره‌ها به سمت امپریالیست 43
جابجایی موقعیت مستعمره و امپریالیست 45
قدرت کل یک امپراطوری 46
رقابت استعماری 47
سقوط امپراطوری‌های ضعیف 49
همگرایی 49
مثال کاربردی50
نتیجه‌گیری54
ماشین بردار پشتیبان57
الگوریتم های ترکیبی59
سنجش عملکرد62
الگوریتم بهینه سازی اجتماع ذرات62
انتخاب مشخصه ورودی64
شبیه سازی و استخراج داده ها65
معرفی روش67
نتیجه گیری72
مروری بر پیشینه تحقیق74
مدل سازی فرایند ریسندگی جهت بهینه سازی مقاوم75
تعریف76
تقریب توابع با شبکه های عصبی78
الگوریتم های یادگیری شبکه و مقایسه آنها79
ارزیابی اعتبار شبکه های تقریب زننده80
حل مدل طراحی پارامتر با GA80
حل مدل طراحی پارامتر با CGA 82
مقایسه دو الگوریتم GA و CGA در مساله طراحی پارامتر84
نتیجه گیری و پیشنهاد برای تحقیقات آتی84
شامل 89 صفحه فایل word
در این مقاله توضیحی درباره کامپیوترهای موازی می‌دهیم و بعد الگوریتمهای موازی را بررسی می‌کنیم. ویژگیهای الگوریتم branch & bound را بیان می‌کنیم و الگوریتمهای b&b موازی را ارائه می‌دهیم و دسته‌ای از الگوریتمهای b&b آسنکرون برای اجرا روی سیستم MIMD را توسعه می‌دهیم. سپس این الگوریتم را که توسط عناصر پردازشی ناهمگن اجرا شده است بررسی می‌کنیم.
نمادهای perfect parallel و achieved effiency را که بطور تجربی معیار مناسبی برای موازی‌سازی است معرفی می‌کنیم زیرا نمادهای قبلی speed up (تسریع) و efficiency (کارایی) توانایی کامل را برای اجرای واقعی الگوریتم موازی آسنکرون نداشتند. و نیز شرایی را فراهم کردیم که از آنومالیهایی که به جهت موازی‌سازی و آسنکرون بودن و یا عدم قطعیت باعث کاهش کارایی الگوریتم شده بود، جلوگیری کند.
2- معرفی:
همیشه نیاز به کامپیوترهای قدرتمند وجود داشته است. در مدل سنتی محاسبات، یک عنصر پردازشی منحصر تمام taskها را بصورت خطی (Seqventia) انجام میدهد. به جهت اجرای یک دستورالعمل داده بایستی از محل یک کامپیوتر به محل دیگری منتقل می‌شد، لذا نیاز هب کامپیوترهای قدرتمند اهمیت روز افزون پیدا کرد. یک مدل جدید از محاسبات توسعه داده شد، که در این مدل جدید چندین عنصر پردازشی در اجرای یک task واحد با هم همکاری می‌کنند. ایده اصل این مدل بر اساس تقسیم یک task به subtaskهای مستقل از یکدیگر است که می‌توانند هر کدام بصورت parallel (موازی) اجرا شوند. این نوع از کامپیوتر را کامپیوتر موازی گویند.
تا زمانیکه این امکان وجود داشته باشد که یک task را به زیر taskهایی تقسیم کنیم که اندازه بزرگترین زیر task همچنان به گونه‌ای باشد که باز هم بتوان آنرا کاهش داد و البته تا زمانیکه عناصر پردازشی کافی برای اجرای این sub task ها بطور موازی وجود داشته باشد، قدرت محاسبه یک کامپیوتر موازی نامحدود است. اما در عمل این دو شرط بطور کامل برقرار نمی‌شوند:
اولاً: این امکان وجود ندارد که هر taskی را بطور دلخواه به تعدادی زیر taskهای مستقل تقسیم کنیم. چون همواره تعدادی زیر task های وابسته وجود دارد که بایستی بطور خطی اجرا شوند. از اینرو زمان مورد نیاز برای اجرای یک task بطور موازی یک حد پایین دارد.
1- خلاصه:
2- معرفی:
7- پارامترهای الگوریتمهای شاخه و قید موازی آسنکرون:
3- کامپیوترهای موازی (Parallel computers):
4- الگوریتمهای موازی (Parallel Algorithm):
5- شاخه و قید (Branch and Bound):
6- الگوریتم شاخه و قید موازی: (Parallel B&B Algorithms):
8- پیچیدگی و تسریع (Complexity & Speedup):
شامل 32 صفحه فایل word
هوش جمعی شاخه ای از پژوهش بر اساس جمعیت است که مدل های جمعیتی از عوامل مورد تداخل یا ازدحام که می توانند خود سازماندهی کنند . کلونی مورچه، ازدحام پرندگان و یا زنبورها یک نمونه ساده ای از سیستم جمعیتی است. دیگر نمونه ای از هوش جمعی کلونی زنبور عسل در اطراف کندو است. هوش کلونی زنبور عسل (ABC) یک الگوریتم است که یک الگوریتم بهینه سازی بر اساس رفتار هوشمندانه جمعیت زنبور عسل است. در این مفاله، الگوریتم ABC برای بهینه سازی توابع چند متغیره مورد استفاده قرار می گیرد. و نتایج تولید شده توسط الگوریتم ABC مقایسه می شوند.
کلمات کلیدی : هوش جمعی ، کلونی زنبور، بهینه سازی توابع عددی
چندین الگوریتم اکتشافی جدید برای حل مسایل بهینه سازی عددی و توابع ترکیبی توسعه یافته اند. این الگوریتم ها می توانند به گروههای مختلف طبقه بندی شوند با توجه به ضوابطی که در نظر گرفته شده: مانند بر اساس جمعیت ، مبتنی بر تکرار شونده ، تصادفی ، قطعی ، و غیره. در حالی که الگوریتم با یک مجموعه راه حل هاکار میکند و در جهت بهبود آنها تلاش می کنند که مبتنی بر جمعیت نامیده می شوند ، یکی از کاربرد تکرار های چندگانه برای پیداکردن راه حل مطلوب که به عنوان الگوریتم تکرار شونده نام گذاری شده است. اگر یک الگوریتم یک قانون احتمالی را برای بهبود راه حل بکار بگیرد سپس آن را احتمال یا اتفاقی نامیده میشود. یکی دیگر از طبقه بندی را می توان بسته به ماهیت پدیده توسط الگوریتم شبیه سازی کرد.این نوع طبقه بندی ، عمدتا دارای دو گروه مهم از الگوریتم جمعیت هستند که براساس : الگوریتم های تکاملی (EA) و الگوریتم های مبتنی بر هوش جمعی. از محبوب ترین الگوریتم های تکاملی الگوریتم ژنتیک(GA) است. درGA تلاش شده است تکامل طبیعی یک پدیده شبیه سازی شود. در تکامل طبیعی ، هر گونه جستجو برای سازگاری سودمند در یک محیط در حال تغییر است. به عنوان یک گونه تکامل یافته ، ویژگی های جدیدی در کروموزوم های فردی کد گذاری می شوند. این اطلاعات توسط جهش تصادفی تغییرمی یابد ، اما بطورواقعی نیروی محرکه باعث توسعه تکاملی درترکیب و جایگزینی مواد کروموزومی در طول تولید مثل میشود. اگر چه تلاش های متعددی برای گنجاندن این اصول در روال بهینه سازی دراوایل دهه 1960انجام شده ، الگوریتم های ژنتیک برای اولین بار بر یک مبنای نظری صوتی ایجاد شده بودند. این اصطلاح جمعی در حالت کلی برای اشاره به هر مجموعه دار از تعامل افراد مورد استفاده قرار می گیرد. به عنوان یک مثال کلاسیک از ازدحام زنبورهایی که در اطراف کندوی خود تجمع کردند ، اما در استعاره به راحتی می...
شامل 17 صفحه فایل word