مقاله پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک

اختصاصی از سورنا فایل مقاله پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک دانلود با لینک مستقیم و پر سرعت .

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

مسئله اصلی که هنوز باید حل شود آموزش است .

2- تحقق شبکه عصبی

2-1- اصول عملکرد

2-2- پیاده سازی مدارهای شبکه

3- پیاده سازی الگوریتم آموزش ژنتیک

خلاصه

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 .

دانلود پاورپوینت الگوریتم - 54 اسلاید

اختصاصی از سورنا فایل دانلود پاورپوینت الگوریتم - 54 اسلاید دانلود با لینک مستقیم و پر سرعت .

مجموعه ای از دستورعملها که انجام کاری را با بیانی دقیق و جزئیات کافی برساند بطوریکه ترتیب مراحل و شرط خاتمه عملیات در آن به روشنی ذکر شده باشد. تمام این چهار تا ویژگی برای ساختن یک الگوریتم دقیق و کامل لازم هستند و نبودن یکی از آنها اجرای الگوریتم را مختل می سازد

برای دانلود کل پاپورپوینت از لینک زیر استفاده کنید:

پاورپوینت پیاده‌سازی موازی الگوریتم زنبور عسل بر روی GPU

اختصاصی از سورنا فایل پاورپوینت پیاده‌سازی موازی الگوریتم زنبور عسل بر روی GPU دانلود با لینک مستقیم و پر سرعت .

الگوریتم زنبور عسل، یک روش جمعیت‌بنیان ، یک الگوریتم کران‌ محاسباتی است که با الهام گرفتن از رفتار طبیعی زنبور عسل به جستجوی یک راهکار شبه‌بهینه برای مسئله جستجو می‌پردازد. اخیراً الگوریتم‌های موازی گروه‌بنیان متعددی برای اجرا بر GPU ارائه شده‌‌اند. چرا که امروزه ساخته یک الگوریتم زنبور عسل موازی برای اجرا در GPU از اهمیت بسیار بالایی برخوردار است. در این مقاله الگوریتم زنبورهای عسل CUBA( یعنی الگوریتم زنبور عسل مبتنی بر CUDA) را برای اجرا در(الگوریتم زنبو مبتنی بر CUDS)CUDA.CUBA ( معماری دستگاه یکپارچه محاسباتی) بسط می‌دهیم. عملکرد CUBA را با انجام آزمایش‌هایی براساس مسائل بی‌شمار و معروف بهینه‌سازی مورد بررسی قرار خواهیم داد. نتایج نشان از آن دارند که CUBA به میزان قابل توجهی در بسیاری از مسائل بهینه‌سازی بهتر از الگوریتم زنبور عسل استاندارد عمل می‌کند.

پایاننامه گرایش خاک و پی - بررسی پتاسیل روانگرایی با استفاده از الگوریتم ژنتیک (روش اعتماد پذیری)

اختصاصی از سورنا فایل پایاننامه گرایش خاک و پی - بررسی پتاسیل روانگرایی با استفاده از الگوریتم ژنتیک (روش اعتماد پذیری) دانلود با لینک مستقیم و پر سرعت .

این پایاننامه در فرمت word بوده و حدود 200 صفحه می باشد.
در فایل پیوست اطلاعات مربوط به 180 رکورد و گمانه آورده شده است.
این پایاننامه به صورت کامل ارائه شده و دارای کیفیت بسیار خوبی می باشد.همچنین نتایج این پایاننامه با مناطق دیگر مقایسه گردیده و بحث شده است همچنین در متن نیز با استفاده از تصاویر مختلف موضوع تشریح شده است.
این پایاننامه شامل 5 فصل می باشد.
بخشی از فصل 4 این پایاننامه به شرح زیر است:
معیار های عملی و مشخصات محلی
بررسی جزئیات تاریخچه زلزله های واقعی امکان تعیین مشخصات در جا از قبیل SPT و یا CPT در هر زلزله را به ما می دهد. مدل ساده شده Seed و Idriss امکان تخمین نسبت تنش دوره ای (CSR) به عنوان تابع دامنه بیشترین شتاب سطح زمین را میسر ساخته است. با ترسیم مقادیر CSR نسبت به مقادیر اصلاح شده SPT (N1)60 در حالت هایی که روانگرایی مشاهده شده و یا روانگرایی رخ نداده است منحنی که شرایط مرزی را مشخص می کند قابل ترسیم می باشد. Seed و همکاران منحنی مرزی براساس نفوذ استاندارد اصلاح شده بر پایه موارد عملی ارائه کرده اند که به شرح زیر می باشد.
و ...

دانلود مقاله پیرامون الگوریتم های ژنتیک موازی

اختصاصی از سورنا فایل دانلود مقاله پیرامون الگوریتم های ژنتیک موازی دانلود با لینک مستقیم و پر سرعت .

شرح مختصر : تکنیک‌های محاسبات نرم، به هدف حل مسائل پیچیده با استفاده از روش‌های غیردقیق برای ارائه‌ی پاسخ‌های مفید اما غیردقیق ارائه شده‌اند. برخلاف طرح‌های محاسبات سخت که پاسخ دقیق و کامل را جست‌وجو می‌کنند، تکنیک‌های محاسبه‌ی نرم با راه‌دادن به روش‌های نادقیق، از پاسخ‌هایی نیمه‌درست و غیرقطعی برای مسائل خاص سود می‌جوید. الگوریتم‌های ژنتیک که یکی از تکنیک‌های محاسبه‌ی نرم هستند، در این سال‌ها به ابزارهای محبوبی برای مسائل بهینه‌سازی تبدیل شده‌اند. با این حال زمان زیادی که این الگوریتم‌ها برای یافتن پاسخ نزدیک‌به‌بهینه صرف می‌کنند، همواره استفاده از آن‌ها را برای حل مسائل بهینه‌سازی دشوار می‌سازد. بر خلاف روش‌های دقیق، که در آن‌ها کارائی زمانی الگوریتم اصلی‌ترین معیار اندازه‌گیری میزان موفقیت آن است، در الگوریتم ژنتیک و سایر محاسبات نرم دو موضوع اصلی، در ارزیابی مورد توجه قرار می‌گیرند: اینکه پاسخ چه‌قدر سریع پیدا می‌شود؟ واینکه از بهینه‌ی اصلی چه‌قدر فاصله دارد؟ موازی‌سازی الگوریتم‌های ژنتیک، یکی از اساسی‌ترین و بهترین راه‌هایی است که می‌تواند زمان بسیار زیاد مورد نیاز برای انجام گرفتن محاسبات ژنتیکی و رسیدن به نتیجه‌ی مطلوب برای حل مسئله توسط آن‌ها را به حد قابل قبولی برساند و امکان استفاده از این الگوریتم‌ها‌ را، در زمان قابل قبول، فراهم کند. الگوریتم‌های ژنتیک موازی چه به لحاظ دست‌یابی به برازندگی بهتر برای کروموزوم‌ها (نتیجه‌ی مطلوب‌تر) و چه به لحاظ دسترسی به تسریع بالاتر و مقیاس‌پذیریِ بیشتر، بهتر از الگوریتم‌های ژنتیک ترتیبی و تک‌جمعیتی عمل می‌کنند.

فهرست :

مقدمه

پیدایش الگوریتم ژنتیک و روند اجرای آن

نحوه ی نمایش

گام ارزیابی و گام انتخاب

عملگرهای ژنتیک

سایز جمعیت

پارامترهای crossover 11

Exploration & Exploitation 13

چالشهایی که GA با آن رودررو است

فاکتورهای موثر در PGA 11

یادداشت های تاریخی روی PGA 11

نحوه ی کنترل در سیستمهای موازی

چگونه GA را موازی کنیم

طبقه بندی PGA 16

معیار ارزیابی کارآیی در الگوریتم ژنتیک موازی

نتیجه گیری