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

مینیمم كردن توابع چند متغیره

یك كاربرد مهم حساب دیفرانسیل، پیدا كردن مینیمم موضعی یك تابع است مسائل مربوط به ماكزیمم كردن نیز با تئوری مینیمم كردن قابل حل هستند

مینیمم كردن توابع چند متغیره

مقدمه:
یك كاربرد مهم حساب دیفرانسیل، پیدا كردن مینیمم موضعی یك تابع است. مسائل مربوط به ماكزیمم كردن نیز با تئوری مینیمم كردن قابل حل هستند. زیرا ماكزیمم F در نقطه ای یافت می شود كه -F مینیمم خود را اختیار می كند.
در حساب دیفرانسیل تكنیك اساسی برای مینیمم كردن، مشتق گیری از تابعی كه می‌خواهیم آن را مینیمم كنیم و مساوی صفر قرار دادن آن است.
نقاطی كه معادله حاصل را ارضا می كنند، نقاط مورد نظر هستند. این تكنیك را می توان برای توابع یك یا چند متغیره نیز استفاده كرد. برای مثال اگر یك مقدار مینیمم را بخواهیم، به نقاطی نگاه می كنیم كه هر سه مشتق پاره ای برابر صفر باشند.
این روند را نمی توان در محاسبات عدی به عنوان یك هدف عمومی در نظر گرفت. زیرا نیاز به مشتقی دارد كه با حل یك یا چند معادله بر حسب یك یا چند متغیر بدست می آید. این كار به همان سختی حل مسئله بصورت مستقیم است.

مسائل مقید و نامقید مینیمم سازی:
مسائل مینیمم سازی به دو شكل هستند:نامقید و مقید:
در یك مسئله ی مینیمم سازی نامقید یك تابع F از یك فضای n بعدی به خط حقیقی R تعریف شده و یك نقطه ی با این خاصیت كه 

جستجو می شود.
نقاط در را بصورت z, y, x و... نشان می دهیم. اگر نیاز بود كه مولفه های یك نقطه را نشان دهیم می نویسیم:

در یك مسئله ی مینیمم سازی مقید، زیر مجموعه ی K در مشخص می شود . یك نقطة 
جستجو می شود كه برای آن:

چنین مسائلی بسیار مشكل ترند، زیرا نیاز است كه نقاط در K در نظر گرفته شوند. بعضی مواقع مجموعه ی K به طریقی پیچیده تعریف می شود.
سهمی گون بیضوی به معادله‌ی 

را در نظر بگیرید كه در شكل 1-14 مشخص شده است. به وضوح مینیمم نامقید در نقطه ی 
(1و1) ظاهر می شود، زیرا:

اگر 
مینیمم مقید 4 است و در (0،0) اتفاق می افتد.
Matlab دارای قسمتی است برای بهینه سازی كه توسط اندرو گریس طراحی شده و شامل دستورات زیادی برای بهینه سازی توابع عمومی خطی و غیر خطی است.
برای مثال ما می توانیم مسئله ی مینیمم سازی مربوط به سهمی گون بیضوی نشان داده شده در شكل 1-14 را حل نماییم.
ابتدا یك M-file به نام q1.m می نویسیم و تابع را تعریف می كنیم:

برچسب ها : مینیمم كردن توابع چند متغیره , مینیمم , توابع , چند متغیره , مقاله , پژوهش , تحقیق , پروژه , دانلود مقاله , دانلود پژوهش , دانلود تحقیق , دانلود پروژه , دانلود رساله معماری , دانلود پایان نامه معماری , دانلود رساله معماری , پایان نامه معماری , رساله معماری