نرم افزار Fault Tolerance با استفاده از Simulated Annealing

در این مقاله سعی می کنیم بهترین مینیمم را برای تابع زیر بدست بیاوریم برای این منظور از روش simulated Annealing (SA) استفاده می کنیم SA یکی از روشهای بهینه سازی حل مسئله است که در واقع الهام گرفته شده از فرایند ذوب و دوباره سرد کردن مواد می باشد و به همین دلیل به شبیه سازی حرارتی شهرت یافته است

نرم افزار Fault Tolerance با استفاده از Simulated Annealing

 چکیده :

 در این مقاله سعی می کنیم بهترین مینیمم را برای تابع زیر بدست بیاوریم :

برای این منظور از روش simulated Annealing (SA) استفاده می کنیم .

SA یکی از روشهای بهینه سازی حل مسئله است که در واقع الهام گرفته شده از فرایند ذوب و دوباره سرد کردن مواد می باشد و به همین دلیل به شبیه سازی حرارتی شهرت یافته است  . 

پس از حل مسئله با روش SA   سعی می کنیم آنرا در یک نرم افزار تحمل خطا به کار ببریم برای داشتن یک نرم افزار تحمل خطا تکنیکهای مختلفی  وجود دارد که  ما در این  مقاله با  استفاده از تکنیک های انزرنگی و تنوع طراحی از روش Acceptance Voting  (AV) بهره برده ایم .

1-مقدمه :

1-1-Fault:  باعث errorدر سیستم می شود که به آنbug  هم گفته می شود .

  Error             :  حالتی از سیستم است که منتج به خرابی می شود .

  Failure          :  حالتی است که سیستم از سرویس مورد نظر منحرف شود .

2-1 تحمل خطا (Fault Tolerance):

تحمل خطا یک پروسه یعنی مجموعه ای از فعالیت هاست که هدف آن حذف خطا است یا       اگر نتوانست خطا را حذف کند ، لااقل تاثیراتش را کم کند .

3-1 سیستم تحمل پذیر خطا (System Fault Tolerance ) :

سیتم تحمل پذیر خطا معادل با سیستم قابل اعتماد ( Dependable ) می باشد  که باید ویژگی های (قابلیت دسترسی ، قابلیت اعتماد ، ایمنی و قابلیت نگهداری را داشته باشد .

4-1 افزونگی ( Redundancy):

یکی از روشهای تحمل خطا در سیستم های نرم افزاری افزونگی است . افزونگی قابلیتی است در تحمل خطا بطوریکه می توان با افزایش سخت افزار و یا کپی برداری از تمام نرم افزار و یا قسمتی از نرم افزار و یا کپی برداری از data تحل خطا را در سیستم تضمین کرد .

5-1 تنوع طراحی (Design Diversity) : 

برای تولید یک سیستم تحمل پذیر خطا می توان یک نرم افزار را به شرکت های مختلف برنامه نویسی داد تا برنامه را بنویسد و برای تولید نتیجه نهایی نیز می توان از الگوریتم voting استفاده کرد پس باید از این نرم افزار طراحی های مختلف داشته باشیم . روشهایی که از تکنیک تنوع طراحی استفاده می کنند عبارتند از:

RCB-NVP-NSCP-CRB-AV

2- Simulated Annealing

1-2 . SA چیست؟

SA مخفف Simulated Annealing به معنای شبیه‌سازی گداخت یا شبیه‌سازی حرارتی می‌باشد كه برای آن از عبارات شبیه‌سازی بازپخت فلزات، شبیه‌سازی آب دادن فولاد و الگوریتم تبرید نیز استفاده شده است. برخی مسائل بهینه‌سازی صنعتی در ابعاد واقعی غالباً پیچیده و بزرگ می‌باشند. بنابراین روش‌های حل سنتی و استاندارد، كارایی لازم را نداشته و عموماً مستلزم صرف زمان‌های محاسباتی طولانی هستند. خوشبختانه، با پیشرفت فن‌آوری كامپیوتر و ارتقا قابلیت‌های محاسباتی، امروزه استفاده از روش‌های ابتكاری و جستجوگرهای هوشمند كاملاً متداول گردیده است. یكی از این روش‌ها SA است. SA شباهت دارد با حرارت دادن جامدات. این ایده ابتدا توسط شخصی كه در صنعت نشر فعالیت داشت به نام متروپلیس  در سال 1953 بیان شد.[10] وی تشبیه كرد كاغذ را به ماده‌ای كه از سرد كردن مواد بعد از حرارت دادن آنها بدست می‌آید. اگر یك جامد را حرارت دهیم و دمای آن را به نقطه ذوب برسانیم  سپس آن را سرد كنیم جزئیات ساختمانی آن به روش و نحوه سرد كردن آن وابسته می‌شود. اگر آن جامد را به آرامی سرد كنیم كریستال‌های بزرگی خواهیم داشت كه می‌توانند آن طور كه ما می‌خواهیم فرم بگیرند ولی اگر سریع سرد كنیم آنچه كه می‌خواهیم بدست نمی‌آید.

الگوریتم متروپلیس شبیه‌سازی شده بود از فرآیند سرد شدن مواد به وسیله كاهش آهسته دمای سیستم (ماده) تا زمانی كه به یك حالت ثابت منجمد تبدیل شود. این روش با ایجاد و ارزیابی جواب‌های متوالی به صورت گام به گام به سمت جواب بهینه حركت می‌كند. برای حركت، یك همسایگی جدید به صورت تصادفی ایجاد و ارزیابی می‌شود. در این روش به بررسی نقاط نزدیك نقطه داده شده در فضای جستجو می‌پردازیم. در صورتی كه نقطه جدید، نقطه بهتری باشد (تابع هزینه را كاهش دهد) به عنوان نقطه جدید در فضای جستجو انتخاب می‌شود و اگر بدتر باشد (تابع هزینه را افزایش دهد) براساس یك تابع احتمالی باز هم انتخاب می‌شود. به عبارت ساده‌تر، برای كمینه سازی تابع هزینه، جستجو همیشه در جهت كمتر شدن مقدار تابع هزینه صورت می‌گیرد، اما این امكان وجود دارد كه گاه حركت در جهت افزایش تابع هزینه باشد. معمولاً برای پذیرفتن نقطه بعدی از معیاری به نام معیار متروپلیس استفاده می شود:

نوع فایل:word

سایز :327 KB  

تعداد صفحه :48

برچسب ها : نرم افزار Fault Tolerance با استفاده از Simulated Annealing , نرم افزار Fault Tolerance , استفاده از Simulated Annealing , نرم افزار , مینیمم , موتور ماشین , حل مسئله , تکنیک های انزرنگی , سیتم تحمل پذیر , شبیه‌سازی حرارتی , فن‌آوری كامپیوتر , الگوریتم متروپلیس , تحقیق , جزوه , مقاله , پایان نامه , پروژه , دانلود تحقیق , دانلود جزوه , دانلود مقاله , دانلود پایان نامه , دانلود پروژه

شبیه‌سازی حرارتی

در این تحقیق ما به بررسی یكی از روش‌های بهینه‌سازی حل مسئله به نامSimulated Annealing می‌پردازیم SA در واقع الهام گرفته شده از فرآیند ذوب و دوباره سرد كردن مواد و به همین دلیل به شبیه‌سازی حرارتی شهرت یافته است

شبیه‌سازی حرارتی

چكیده

در این تحقیق ما به بررسی یكی از روش‌های بهینه‌سازی حل مسئله به نامSimulated Annealing می‌پردازیم. SA در واقع الهام گرفته شده از فرآیند ذوب و دوباره سرد كردن مواد و به همین دلیل به شبیه‌سازی حرارتی شهرت یافته است. در این تحقیق ادعا نشده است كه SA لزوماً بهترین جواب را ارائه می‌كند. بلكه SA به دنبال یك جواب خوب كه می‌تواند بهینه هم باشد می‌گردد. SA در حل بسیاری از مسائل بخصوص مسائل Np-Complete كاربرد دارد. در پایان روش حل مسئله‌ی فروشنده‌ی دوره گرد  در SA بطور مختصر آورده شده است.

فهرست مطالب

عنوان                                                                         شماره صفحه  

1- مقدمه3

2. SA چیست؟5

3- مقایسه SA با تپه‌نوردی8

4- معیار پذیرش (یك حركت)9

5- رابطه‌ی بین SA و حرارت فیزیكی11

6- اجرای SA11

7- برنامه سرد كردن12

1-7. درجه حرارت آغازین13

2-7. درجه حرارت پایانی14

3-7. كاهش درجه حرارت در هر مرحله14

4-7. تكرار در هر دما14

8- تابع هزینه14

9- همسایگی15

10- روش حل TSP  با SA15

11- نتیجه گیری19

منابع20

1- مقدمه

سیستم‌های پیچیده اجتماعی تعداد زیادی از مسائل دارای طبیعت تركیباتی  را پیش روی ما قرار می‌دهند. مسیر كامیون‌های حمل و نقل باید تعیین شود، انبارها یا نقاط فروش محصولات باید جایابی شوند، شبكه‌های ارتباطی باید طراحی شوند، كانتینرها باید بارگیری شوند، رابط‌های رادیویی می‌بایست دارای فركانس مناسب باشند، مواد اولیه چوب، فلز، شیشه و چرم باید به اندازه‌های لازم بریده شوند؛ از این دست مسائل بی‌شمارند. تئوری پیچیدگی به ما می‌گوید كه مسائل تركیباتی اغلب پلی‌نومیال  نیستند. این مسائل در اندازه‌های كاربردی و عملی خود به قدری بزرگ هستند كه نمی‌توان جواب بهینه آنها را در مدت زمان قابل پذیرش به دست آورد. با این وجود، این مسائل باید حل شوند و بنابراین چاره‌ای نیست كه به جواب‌های زیر بهینه  بسنده نمود به گونه‌ای كه دارای كیفیت قابل پذیرش بوده و در مدت زمان قابل پذیرش به دست آیند.

چندین رویكرد برای طراحی جواب‌های با كیفیت قابل پذیرش تحت محدودیت زمانی قابل پذیرش پیشنهاد شده است. الگوریتم‌هایی هستند كه می‌توانند یافتن جواب‌های خوب در فاصله مشخصی از جواب بهینه را تضمین كنند كه به آن‌ها الگوریتم‌های تقریبی می‌گویند. الگوریتم‌های دیگری نیز هستند كه تضمین می‌دهند با احتمال بالا جواب نزدیك بهینه تولید كنند كه به آن‌ها الگوریتم‌های احتمالی گفته می‌شود. جدای از این دو دسته، می‌توان الگوریتم‌هایی را پذیرفت كه هیچ تضمینی در ارائه جواب ندارند اما براساس شواهد و سوابق نتایج آن‌ها، به طور متوسط بهترین تقابل كیفیت و زمان حل برای مسئله مورد بررسی را به همراه داشته‌اند. به این الگوریتم‌ها، الگوریتم‌های هیوریستیك گفته می‌شود.

نوع فایل:word

سایز : 381 KB

تعداد صفحه : 22

برچسب ها : شبیه‌سازی حرارتی , شبیه‌سازی حرارتی , SA چیست؟ , تپه‌نوردی , معیار پذیرش , برنامه سرد كردن , درجه حرارت , تابع هزینه , همسایگی , روش حل , تحقیق , جزوه , مقاله , پایان نامه , پروژه , دانلود تحقیق , دانلود جزوه , دانلود مقاله , دانلود پروژه