پایان نامه قیمت دهی در بازار برق به کمک الگوریتم Q-Learning تطبیقی و قدرت بازار

اختصاصی از سورنا فایل پایان نامه قیمت دهی در بازار برق به کمک الگوریتم Q-Learning تطبیقی و قدرت بازار دانلود با لینک مستقیم و پر سرعت .

در طی دو- سه دهه ی اخیر صنعت برق در سرتاسر جهان، گذار از ساختارهای یک پارچه ی عمودی را به سمت بازارهای آزاد

رقابتی آغاز کرده است. با وجود حرکت به سمت فضای رقابتی، متأسفانه این گذار به صورت کامل صورت نگرفته است، و

بازارهایی با رقابت ناکامل ایجاد شده اند. در بازاری با رقابت ناکامل، تولید کننده گان درمی یابند که اگر قیمتی بالاتر از هزینه ی

حدی شان پیشنهاد دهند ممکن است سود بیشتری به دست آورند. بنابراین نیاز به ابزارهای مناسب برای قیمت دهی بیش از پیش

احساس می شود. ویژگی هایی نظیر اطلاعات نامتقارن، رقابت ناکامل، تعامل استراتژیک، یادگیری تجمعی، و امکان تعادل چندگانه

سبب پیچیده شدن بازار برق شده و استفاده از روش های سنتی را برای مدل سازی بازار برق با مشکل مواجه کرده است . اقتصاد

محاسباتی مبتنی بر عامل یکی از روش های قدرتمند و جذابی است که به خوبی می تواند با این پیچیده گی ها مواجه شود . در میان

روش های مدل سازی مبتنی بر عامل، یادگیری تقویتی به دلیل ذات عامل محور بودن خود برای مدل سازی مبتنی بر عامل سیستم های

از آن جا که برای Q- پیچیده از جمله بازار برق بسیار توانمند می باشد؛ و در بین الگوریتم های یادگیری تقویتی، الگوریتم یادگیری

تصمیم گیری به مدل سیستم نیاز ندارد، برای مدل سازی رفتار بازیگران بازار بسیار مناسب است. اما این الگوریتم همواره خود را در

برابر چالشی بزرگ می بیند، و آن چالش دوراهی بین کاوش و بهره برداری می باشد. بازار برق به دلیل ذات چندعامله بودن خود از

دید عامل یادگیری تقویتی محیطی ناایستا می باشد. در یک محیط ناایستا نیاز به کاوش همواره وجود دارد . اما گاهی اتفاقاتی در

بازار رخ می دهد که بر روی میزان ناایستایی بازار از دید برخی از عامل ها و درنتیجه بر میزان کاوش اشان تأثیر می گذارد و آن

اتفاقی ا ست که منجر می شود عاملی از قدرت بازار قابل توجهی برخوردار شود. در این پایان نامه رویکردی پیشنهاد می دهیم که

را هم زمان با تغییرات میزان ناایستا بودن محیط به علت تغییرات قدرت بازار تنظیم می کند . روش Q- نرخ کاوش الگوریتم یادگیری

با نرخ کاوش ثابت، Q- پیشنهادی در یک بازار برق حوضچه ی توان شبیه سازی شده است و عملکرد آن را با روش های یادگیری

فازی مقایسه کرده ایم. نتایج شبیه سازی نشان می دهند که روش پیشنهادی Q- با نرخ کاوش کاهشی، و با یادگیری Q- یادگیری

نسبت به دیگر روش های نامبرده، به سودآوری بیشتری منجر می شود

دانلود پایان نامه انگلیسی دکترای کامپیوتر: الگوریتم های تجزیه و تحلیل داده های بزرگ یا کلان داده ها (Big Data)

اختصاصی از سورنا فایل دانلود پایان نامه انگلیسی دکترای کامپیوتر: الگوریتم های تجزیه و تحلیل داده های بزرگ یا کلان داده ها (Big Data) دانلود با لینک مستقیم و پر سرعت .

در این پایان نامه در زمینه الگوریتم های تجزیه و تحلیل داده ها (Analytics) بر روی داده های بزرگ یا داده های حجیم و یا کلان داده ها (Big Data) صحبت شده است. به علت حجم زیاد این داده ها پردازش آنها در حافظه اصلی ممکن نیست و یا زمان زیادی نیاز دارد. برای حل این مشکل از داده ها نمونه برداری (Sampling) انجام میشود. تئوری ها و الگوریتم های مختلف در این پایان نامه بررسی و مورد تجزیه و تحلیل قرار گرفته است.

این پایان نامه در سال 2014 برای اخذ مدرک دکترای کامپیوتر از دانشگاه براون (Brown) در رود آیلند (Rhode Island) آمریکا ارائه شده است.

تعداد صفحات: 189

فهرست مطالب:

1 Introduction 1
1.1 Motivations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Overview of contributions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2 The Vapnik-Chervonenkis Dimension 6
2.1 Use of VC-Dimension in computer science . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2 Range spaces, VC-dimension, and sampling . . . . . . . . . . . . . . . . . . . . . . . 7
2.3 Computational considerations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3 Mining Association Rules and Frequent Itemsets 14
3.1 Related work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2 Preliminaries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.3 The dataset’s range space and its VC-dimension . . . . . . . . . . . . . . . . . . . . 22
3.3.1 Computing the d-index of a dataset . . . . . . . . . . . . . . . . . . . . . . . 27
3.3.2 Speeding up the VC-dimension approximation task . . . . . . . . . . . . . . . 30
3.3.3 Connection with monotone monomials . . . . . . . . . . . . . . . . . . . . . . 31
3.4 Mining (top-K) Frequent Itemsets and Association Rules . . . . . . . . . . . . . . . 32
3.4.1 Mining Frequent Itemsets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.4.2 Mining top-K Frequent Itemsets . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.4.3 Mining Association Rules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

3.4.4 Other interestingness measures . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.4.5 Closed Frequent Itemsets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.4.6 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.5 Experimental evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.6 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4 PARMA: Mining Frequent Itemsets and Association Rules in MapReduce 50
4.1 Previous work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.2 Preliminaries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.2.1 MapReduce . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.3 Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.3.1 Design . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.3.2 Description . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.3.3 Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.3.4 Top-K Frequent Itemsets and Association Rules . . . . . . . . . . . . . . . . . 62
4.4 Implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.5 Experimental evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.5.1 Performance analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4.5.2 Speedup and scalability . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.5.3 Accuracy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.6 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5 Finding the True Frequent Itemsets 74
5.1 Previous work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.2 Preliminaries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
5.3 The range space of a collection of itemsets . . . . . . . . . . . . . . . . . . . . . . . . 81
5.3.1 Computing the VC-Dimension . . . . . . . . . . . . . . . . . . . . . . . . . . 82
5.4 Finding the True Frequent Itemsets . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.5 Experimental evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
5.6 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89

6 Approximating Betweenness Centrality 92
6.1 Related work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
6.2 Graphs and betweenness centrality . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
6.3 A range space of shortest paths . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
6.3.1 Tightness . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
6.4 Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
6.4.1 Approximation for all the vertices . . . . . . . . . . . . . . . . . . . . . . . . 103
6.4.2 High-quality approximation of the top-K betweenness vertices . . . . . . . . 109
6.4.3 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
6.5 Variants of betweenness centrality . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
6.5.1 k-bounded-distance betweenness . . . . . . . . . . . . . . . . . . . . . . . . . 116
6.5.2 -weighted betweenness . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
6.5.3 k-path betweenness . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
6.5.4 Edge betweenness . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
6.6 Experimental evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
6.6.1 Accuracy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
6.6.2 Runtime . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
6.6.3 Scalability . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
6.7 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
7 Estimating the Selectivity of SQL Queries 126
7.1 Related work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
7.2 Database queries and selectivity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
7.3 The VC-dimension of classes of queries . . . . . . . . . . . . . . . . . . . . . . . . . . 133
7.3.1 Select queries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
7.3.2 Join queries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
7.3.3 Generic queries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
7.4 Estimating query selectivity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
7.4.1 The general scheme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
7.4.2 Building and using the sample representation . . . . . . . . . . . . . . . . . . 140
7.5 Experimental evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142

7.5.1 Selectivity estimation with histograms . . . . . . . . . . . . . . . . . . . . . . 143
7.5.2 Setup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
7.5.3 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
7.6 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
8 Conclusions and Future Directions 150

پس از خرید از درگاه امن بانکی لینک دانلود در اختیار شما قرار میگیرد و همچنین به آدرس ایمیل شما فرستاده میشود.

تماس با ما برای راهنمایی، درخواست مقالات و پایان نامه ها و یا ترجمه با آدرس ایمیل:

[e-mail]

شماره تماس ما در نرم افزار واتس آپ:

[phone]

شماره تماس ما در نرم افزار تلگرام:

[phone] 

توجه: اگر کارت بانکی شما رمز دوم ندارد، در خرید الکترونیکی به مشکل برخورد کردید و یا به هر دلیلی تمایل به پرداخت الکترونیکی ندارید با ما تماس بگیرید تا راههای دیگری برای پرداخت به شما پیشنهاد کنیم.

طراحی و پیاده سازی فیلتر FIR بهینه سازی شده با الگوریتم SORIGA با توان 2

اختصاصی از سورنا فایل طراحی و پیاده سازی فیلتر FIR بهینه سازی شده با الگوریتم SORIGA با توان 2 دانلود با لینک مستقیم و پر سرعت .

موضوع فارسی: 

موضوع انگلیسی: Design and Implementation of SORIGA-optimized Powers-of-two FIR Filter on FPGA

تعدا صفحه: 6

فرمت فایل: PDF

سال انتشار: 2014

زبان مقاله:‌ انگلیسی

چکیده: با مقدمه ای از الگوریتم های پیچیده، زمینه پردازش سیگنال تنوع زیادی از اواخر تجربه کرده است. علاوه بر این، طراحی سخت افزار سیستم های دیجیتال کارآمد علاقه کافی در میان محققان در گذشته رشد کرده است. در این مقاله، تلاش شده است تا درک سخت افزار دوستانه قدرت از دو فیلتر FIR با استفاده از محاسبات تکاملی، به نام خود سازمان یابندگی مهاجران تصادفی الگوریتم ژنتیک (SORIGA). در این رابطه، این کار باعث می شود یک مطالعه مقایسه ای میان فیلتر های مختلف چند برابر کمتر FIR از نظر پیچیدگی سخت افزار زمانی که بر روی یک تراشه FPGA اجرا شده است. در نهایت، برتری طراحی پیشنهاد کرده است بصورتی پایدار و محکم شده است با مقایسه هزینه های سخت افزاری خود را با بسیاری از فیلترهای FIR دولت از هنر، قدرت و دو است.

تاثیر الگوریتم های کنترل توان مصرفی در محیط سرورهای مجازی

اختصاصی از سورنا فایل تاثیر الگوریتم های کنترل توان مصرفی در محیط سرورهای مجازی دانلود با لینک مستقیم و پر سرعت .

این مقاله در بسته شماره 1 وجود دارد برای مشاهده بسته1 اینجا کلیک کنید.

تاثیر الگوریتم های کنترل توان مصرفی در محیط سرورهای مجازی

نویسند‌گان:

[ غلامرضا اسلامی نژاد ] - دانشگاه آزاد واحد علوم و تحقیقات باشگاه پژوهشگران جوان و نخبگان، فارس، ایران

[ محمد خدایار ] - دانشگاه آزاد اسلامی واحد علوم و تحقیقات باشگاه پژوهشگران جوان و نخبگان، فارس، ایران

[ جواد سرور ] - دانشگاه صنعتی شیراز، دانشکده مهندسی کامپیوتر و فناوری اطلاعات، گروه، کامپیوتر، شیراز، ایران

خلاصه مقاله:

کاهش نیروی مصرفی که مراکز اطلاعاتی با مقیاس بزرگ که میزبان خدمات آنلاین مانند بانکداری، تجارت خرده فروشی و بازی را ایجاد میکنند انگیزه و تمایلی جدی بوجود آورده است. مجازی سازی یک شیوه امیدوارکننده برای تثبیت چندین خدمت آنلاین به تعداد کمتر منابع محاسباتی است. با فراهم آوردن ماشین های مجازی به صورت پویا، تحکیم و تثبیت ظرفیت کار و همچنین روشن و خاموش شدن سرورهای چرخشی در موقع نیاز، این امکان را فراهم می کند که اپراتورهای مرکز اطلاعاتی بتوانند کیفیت خدمات مطلوب را در زمان دستیابی به کاربرد بالاتر سرور و بازدهی انرژی حفظکنند. یکی از راهکارهای معرفی شده به نام ( Co Con ) می باشد. نتایج تجربی روی یک صفحه آزمایش فیزیکی نشان می دهد که Co Con می تواند به طور همزمان کنترل موثری برای هر دو عملکرد سطح برنامه و مصرف توان تضمین شده فراهم کند. همچنین یک واحد جدید از تکنیک ها را برای تعیین مکان و تحکیم و تثبیت نیروی VMs در مراکز اطلاعاتی که دارای مزیت کمترین، بیشترین و ویژگی های مشارکتی ذاتی در تکنولوژیهای مجازی هستند را بررسی خواهیم کرد.

کلمات کلیدی:

مدیریت نیرو ، مجازی سازی ، کنترل توان ، مدیریت توان

پس از پرداخت آنلاین در پایین همین سایت سریعا فایل مقاله درفرمت pdf به صورت آنلاین برای شما ارسال می گردد.

نحوه استناد به این مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:

اسلامی نژاد، غلامرضا؛ محمد خدایار و جواد سرور، 1392، تاثیر الگوریتم های کنترل توان مصرفی در محیط سرورهای مجازی، همایش ملی مهندسی کامپیوتر و توسعه پایدار با محوریت شبکه های کامپیوتری، مدل سازی و امنیت سیستمها، مشهد، موسسه آموزش عالی خاوران.

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.

برای بار اول: (اسلامی نژاد، غلامرضا؛ محمد خدایار و جواد سرور، 1392)
برای بار دوم به بعد: (اسلامی نژاد؛ خدایار و سرور، 1392)

جایابی بهینه خازن گذاری در سیستم قدرت با استفاده از الگوریتم pso مناسب برای درس بررسی سیستم های قدرت

اختصاصی از سورنا فایل جایابی بهینه خازن گذاری در سیستم قدرت با استفاده از الگوریتم pso مناسب برای درس بررسی سیستم های قدرت دانلود با لینک مستقیم و پر سرعت .

جایابی بهینه خازن گذاری در سیستم قدرت با استفاده از الگوریتم pso مناسب برای درس بررسی سیستم های قدرت