دانلود مقاله ISI موازی حافظه توزیع گاوس؟ الگوریتم سیدل برای خطی، زاویه سیستم های جبری

اختصاصی از سورنا فایل دانلود مقاله ISI موازی حافظه توزیع گاوس؟ الگوریتم سیدل برای خطی، زاویه سیستم های جبری دانلود با لینک مستقیم و پر سرعت .

موضوع فارسی :موازی حافظه توزیع گاوس؟ الگوریتم سیدل برای خطی، زاویه
سیستم های جبری

موضوع انگلیسی :A distributed memory parallel GaussSeidel algorithm for linear
algebraic systems

تعداد صفحه :8

فرمت فایل :PDF

سال انتشار :2009

زبان مقاله : انگلیسی

حافظه توزیع شده موازی گاوس؟ الگوریتم سیدل برای سیستم های جبری خطی است
ارائه شده است، که در آن یک پارامتر معرفی شده است برای انطباق الگوریتم به مختلف
حافظه توزیع معماری موازی. در این الگوریتم، ضریب ماتریس و
سمت راست از سیستم جبری خطی برای اولین بار به ردیف بلوک در تقسیم
طبیعی rowwise سفارش با توجه به عملکرد از معماری موازی استفاده می شود.
و سپس این ردیف بلوک ها در میان خاطرات محلی از تمام پردازنده از طریق توزیع
تکنیک های نقشه برداری چنبره بسته بندی. بردار راه حل تکرار است چرخه میان منتقل
پردازنده در هر تکرار، تا که به کاهش ارتباطات است. الگوریتم یک درست است
گاوس؟ الگوریتم سیدل که حفظ نرخ همگرایی از سریال گاوس؟ سیدل
الگوریتم و اجازه می دهد تا کدهای پی در پی موجود به اجرا در یک محیط به صورت موازی با کمی
سرمایه گذاری در ضبط. نتایج عددی نیز با توجه به که نشان میدهد که الگوریتم است
بهره وری از نسبتا بالا است.

سمینار ارشد برق بررسی حجم محاسبات الگوریتم های MPC

اختصاصی از سورنا فایل سمینار ارشد برق بررسی حجم محاسبات الگوریتم های MPC دانلود با لینک مستقیم و پر سرعت .

بررسی حجم محاسبات الگوریتم های MPC

CALCULATE THE VOLUME OF COMPUTATION IN
PREDICTIVE CONTROLLERS

 

 

چکیده

کنترل کننده های پیش بین از پیش بینی انجام شده توسط مدل سیستم در ساختار کنترل کننده استفاده می کنند. کنترل کننده های پیش بین دارای حجم محاسباتی بالایی هستند برای استفاده از این کنترل کننده ها در سیستم های سریع، لازم است تا با استفاده از ترفندهایی از حجم محاسبات آنها کاسته شود.

در این پایان نامه سعی شده است تا حجم محاسبات الگوهای کنترل کننده های پیش بین محاسبه شود. و با استفاده از روش هایی این حجم محاسبات کاهش داده شوند.

مقدمه

کنترل پیش بین MPC شامل تعدادی از الگوریتم های کنترلی است که براساس مفهوم خاصی عمل می کند. در یک کنترل کننده MPC، تعدادی از ورودی های آینده به گونه ای تعیین می شوند که خروجی پروسه در طول فاصله زمانی معینی، براساس یک تابع معیار به ورودی نزدیک باشد. این محاسبات طی هر زمان نمونه برداری انجام می شود و معمولا اولین عنصر محاسبه شده از سیگنال کنترلی به پروسه اعمال می شود. برای این عمل نیاز به یک مدل در کنار پروسه می باشد تا ورودی های آینده را به آن داده و خروجی های آینده پروسه را طبق آن پیش بینی کرد. از مشکلات اساسی کنترل کننده های پیش بین، حجم بالای محسبات آنها در هر زمان نمونه برداری می باشد. این محاسبات، معمولا به پیچیدگی مدل و فرآیند بهینه سازی تابع معیار ربط دارد. در بهینه سازی، نیاز به ضریب ماتریس ها و معکوس سازی ماتریسی است. همین فرآیند حجم محاسبات بالایی را به خود اختصاص می دهد. شاید همین امر، عامل اساسی محدود شدن استفاده از این نوع کنترل کننده به فرآیندهای کم سرعت و از جمله به فرآیندهای شیمیایی شده است. پیاده سازی این نوع کنترل کننده ها در سرعت های خیلی زیاد از اهمیت بسزایی می تواند برخوردار باشد. در این سمینار حجم محاسبات الگوهای مختلف کنترل کننده های پیش بین مانند MAC و DMC و GPC و D-DMC و FFC و Armakov-PFC برای سیستم های SISO و MIMO بررسی می شود.

فصل دوم

مروری بر الگوریتم کنترل کننده پیش بین و پارامترهای آن

کنترل پیش بین MPC شامل تعدادی از الگوریتم های کنترلی است که براساس مفهوم خاصی عمل می کند. در یک کنترل کننده MPC، تعدادی از ورودی های آینده به گونه ای تعیین می شوند که خروجی پروسه در طول فاصله زمانی معینی، براساس یک تابع معیار به ورودی مرجع نزدیک باشد. این محاسبات طی هر زمان نمونه برداری انجام می شود و معمولا اولین عنصر محاسبه شده از سیگنال کنترلی به پروسه اعمال می شود. برای این عمل نیاز به یک مدل در کنار پروسه می باشد تا ورودی های آینده را به آن داده، و خروجی های آینده پروسه را طبق آن پیش بینی کرد.

کنترل پیش بین در حوزه زمان و به صورت گسسته طراحی می گردد. برای پیاده سازی الگوریتم کنترل کننده پیش بین، در هر زمان نمونه برداری مراحل زیر باید اجرا گردد:

1- مسیر مطلوب آینده محاسبه شود.

2- با استفاده از مدل پروسه خروجی های آینده پیش بینی گردد.

3- برای به دست آوردن سیگنال کنترلی، یک مساله بهینه سازی حل گردد. بهینه سازی به صورت حلقه باز انجام می شود در نتیجه نسبت به کنترل بهینه که در حالت حلقه بسته کار می کند از محاسبات ساده تری برخوردار است.

تفاوت الگوریتم های مختلف کنترل پیش بین را می توان در نوع مدل مورد استفاده برای پیش بینی پاسخ پروسه و در تابع هزینه ای که کمینه می گردد، دانست. در کنترل کننده DMC برای پیش بینی خروجی پروسه از مدل ضرایب پاسخ پله پروسه استفاده می شود. کنترل کننده های پیش بین معروف دیگر، MAC و GPC و DDMC و PFC هستند که به ترتیب از مدل های پاسخ ضربه، تابع تبدیل، پاسخ پله واحد و تابع تبدیل استفاده می کنند.

آنچه که باعث استقبال روزافزون از این نوع کنترل کننده ها شده است را می توان در موارد زیر برشمرد:

– قابل اعمال به سیستم های پیچیده (حلقه باز ناپایدار، نامشخص، دارای صفر سمت راست، تاخیر متغییر و…) است.

– قابل اعمال به سیستم هایی که محدودیت هایی روی ورودی و یا خروجی آنها وجود دارد.

– قابل اعمال به سیستم های خطی و غیرخطی است.

– خطای مدلسازی و اغتشاشات را می تواند جبران کند.

– در مواردی که مسیر مرجع در زمان های آینده، از قبل مشخص باشد، کنترل کننده پیش بین می تواند از این اطلاعات استفاده کند و نسبت به تغییرات مسیر مرجع عکس العمل نشان دهد. بنابراین اثرات نامطلوبی مانند اثر تاخیر زمانی را جبران کند. نتایج به دست آمده بهتر از حالت بدون پیش بینی است.

فرمت PDF

تعداد صفحات 108

پایان نامه ارشد برق ارائه الگوریتم کنترل ترافیک در تصاویر ویدئویی دیجیتال با استفاده از سیستم های نرو فازی

اختصاصی از سورنا فایل پایان نامه ارشد برق ارائه الگوریتم کنترل ترافیک در تصاویر ویدئویی دیجیتال با استفاده از سیستم های نرو فازی دانلود با لینک مستقیم و پر سرعت .

 

 

 

 

 

ارائه الگوریتم کنترل ترافیک در تصاویر ویدئویی دیجیتال با استفاده از سیستم های نرو فازی

A novel urban traffic control algorithm in digital video images using Nero-Fuzzy systems

فهرست مطالب:
چکیده 1
مقدمه 2
فصل اول : کلیات 3
1) هدف 4 -1 °
2)پیشینه تحقیق 6 -1 °
3)روش کار و تحقیق 8 -1 °
فصل دوم : نظریه جریان ترافیک و اصول زما نبندی چراغهای تقاطع 11
1)مقدمه 12 -2 °
2)روابط تحلیلی پدیده ترافیک 12 -2 °
3)معرفی پارامترهای ترافیکی 13 -2 °
4)مدلهای احتمالاتی 15 -2 °
5)کنترل چراغ راهنمایی 18 -2 °
6)تحلیل عملکرد تقاطع 19 -2 °
7)چراغ های هوشمند سازگار با ترافیک 22 -2 °
8)کنترل هماهنگ چراغها در شبکه 25 -2 °
9)فازبندی 26 -2 °
10 )زمان بندی چراغ 28 -2 °
11 )چراغ های پیش زمان بندی شده 30 -2 °
ز
فهرست مطالب
عنوان مطالب شماره صفحه
فصل سوم : کنترل کننده های فازی – عصبی 32
1)مقدمه 33 -3 °
2)سیستم های فازی 33 -3 °
38 RBF 3)شبکه های عصبی -3 °
40 RBF 4)الگوریتم های آموزشی در شبکه عصبی -3 °
5)سیستم های نرو-فازی 44 -3 °
و کنترل کننده فازی 46 RBF 6)شبکه عصبی -3 °
48 FHLA فصل چهارم : الگوریتم آموزشی
1)مقدمه 49 -4 °
و مقداردهی اولیه به آن 49 RBF 2)طراحی ساختار شبکه -4 °
54 RBF 3)مشخص نمودن تعداد نرونهای لایه -4 °
55 RBF 4)تنظیم پارامترهای شبکه -4 °
5)پروسه تنظیم پارامترهای شبکه 58 -4 °
نسبت به الگوهای آموزشی 59 FHLA 6)حساسیت الگوریتم -4 °
فصل پنجم : اصول پردازش تصویر 61
1)مقدمه 62 -5 °
2)مفاهیم اولیه در پردازش تصویر 62 -5 °
3)روش های استخراج پارامترهای ترافیکی 63 -5 °
4)نظارت مبتنی بر ناحیه ثابت 64 -5 °
ح
فهرست مطالب
عنوان مطالب شماره صفحه
5) نظارت مبتنی بر ردگیری 66 -5 °
فصل ششم : شبیه سازی کنترل کننده هوشمند ترافیک 73
1)مقدمه 74 -6 °
2)طراحی سیستم کنترلرفازی 77 -6 °
79 FHLA 3)پیاده سازی نرم افزاری الگوریتم آموزشی -6 °
4)مدل سازی تقاطع ایزوله 82 -6 °
5)کنترل کننده پیش زمان بندی شده 83 -6 °
6)پردازش تصویر 84 -6 °
7)نتایج شبیه سازی 88 -6 °
فصل هفتم : نتیجه گیری و پیشنهادات 101
° نتیجه گیری 102
° پیشنهادات 103
منابع و ماخذ 104
فهرست منابع فارسی 105
فهرست منابع لاتین 106
چکیده انگلیسی 109

ترجمه مقاله ISI 2015: زمان‌بندی وظیفه در محاسبات ابری بر اساس الگوریتم ژنتیک چند-هدفه

اختصاصی از سورنا فایل ترجمه مقاله ISI 2015: زمان‌بندی وظیفه در محاسبات ابری بر اساس الگوریتم ژنتیک چند-هدفه دانلود با لینک مستقیم و پر سرعت .

چکیده

کارایی زمان‌بندی وظیفه در محاسبات ابری، بیشتر شامل کل زمان تکمیل، متوسط زمان تکمیل و موازنه‌ی بارِ منبع است. اگرچه این تحقیق نتوانسته که این سه تابع هدف را به صورت ترکیبی در نظر بگیرد. در این مقاله، برای حل مسئله‌ی زمان‌بندی وظیفه در محاسبات ابری، یک الگوریتم ژنتیک چند-هدفه پیشنهاد شده است. یک مجموعه‌ی بزرگ وظیفه، به چندین وظیفه‌ی کوچک تقسیم شده و در نتیجه اجازه‌ی جور شدنِ این وظایف کوچک با منابع موجود و همچنین کدگذاری کروموزوم‌ها را می‌دهد. در فاز انتخاب، از وزن‌های این سه تابع هدف استفاده شده تا مشخص شود که کدام‌یک از توابع برازش باید به کار گرفته شود. احتمال ترکیب و جهش، به گونه‌ای تعیین شده که از تنوع جمعیت و سرعت بخشیدن به سرعتِ همگرایی اطمینان حاصل شود. در پایان، نتایجِ شبیه‌سازی انجام‌گرفته، بر کارایی الگوریتم پیشنهادی صحه می‌گذارد.

کلیدواژه‌ها: محاسبات ابری، زمان‌بندی وظیفه، الگوریتم ژنتیک، چند-هدفه

فایل ترجمه: WORD فایل مقاله: PDF

پایان نامه کنترل ربات دو پا در حال جابجایی جسم به وسیله الگوریتم امپدانس چندگانه

اختصاصی از سورنا فایل پایان نامه کنترل ربات دو پا در حال جابجایی جسم به وسیله الگوریتم امپدانس چندگانه دانلود با لینک مستقیم و پر سرعت .

فرمت فایل : WORD (قابل ویرایش)

تعداد صفحات:115

پایان نامۀ کارشناسی ارشد مکانیک

فهرست مطالب:

چکیده
فصل اول
مقدمه

فصل دوم
مدل سازی دینامیک حرکت درون صفحه

فصل سوم
مدل سازی دینامیک حرکت سه بعدی

فصل چهارم
طراحی شیوه ی حرکت پایدار ربات

فصل پنجم
طراحی کنترلر وشبیه سازی عملکرد ربات

فصل ششم
نتیجه گیری
مراجع

چکیده
   آنچه پیش روی شماست، تحقیقی پیرامون نحوه¬ی پیاده¬سازی الگوریتم کنترلی امپدانس چندگانه در ربات¬های دوپاست. روش کنترلی امپدانسی و در راًس آنها امپدانس چندگانه کاملترین روش¬های کنترلی تئوریک به منظور ایجاد تعامل مناسب میان ربات و محیط اطراف به خصوص در انجام کارهای مشارکتی توسط دو یا چند بازوی کارگر به شمار می¬روند. پیش از این و به منظور بسط روش امپدانس چندگانه، پیاده¬سازی آن در مدل ربات فضائی مورد توجه قرار گرفته و نتایج آن که موًید روش کنترلی به کار رفته¬ بوده¬اند، منتشر شده است. این پروژه نیز در همین راستا و با هدف گسترش به کارگیری این روش در ربات¬های دوپا تعریف و انجام شده است.
   در ابتدا و با هدف ساده¬سازی، مدل ربات در صفحه استخراج شده و پس از صحه¬گذاری روش کنترلی مدل¬مینا روی آن پیاده¬سازی شده است. سپس مدل سه¬بعدی ربات استخراج و صحه¬گذاری آن به کمک جعبه¬ابزار SimMechanics در نرم¬افزار MATLAB انجام شده است. پس از طراحی مسیر پایدار، شبیه¬سازی اعمال روش کنترلی مدل-مبنا و الگوریتم کنترلی امپدانس چندگانه روی ربات به کمک جعبه¬ابزار SimMechanics انجام شده است.
1-1-مقدمه
 در این فصل به تحقیقات صورت گرفته در زمینه¬ی ربات¬های دوپا پرداخته می¬شود. اینکه چگونه مدل دو درجه آزادی Golliday وHemami[1] در سال 1976 به مدل¬هائی کاملتر و روش¬های کنترل نیرو یا موقعیت به الگوریتم¬های امپدانسی تبدیل شده¬اند، مورد بحث قرار می¬گیرد. دیدگاه بهینه¬سازی و روش¬های کنترل هوشمند به صورت خلاصه آورده شده¬اند. سپس به نمونه¬هائی از ربات¬های دوپا که تاکنون ساخته شده¬اند می¬پردازیم. در انتها هدف از انجام پروژه معرفی شده و مساًله¬ای را که به آن پرداخته¬ایم تعریف می¬کنیم.

1-2-تلاشهای اولیه
  اولین تلاش¬ها برای شناخت دینامیک ربات¬های دوپا جهت کنترل آنها به دهه 70 باز می¬گردد. در سال 1976 Golliday وHemami¬، از فیدبک¬  خطی جهت پایدارسازی مدل دو درجه آزادی  و تعیین موقعیت قطب¬ها جهت تحمیل مشخصات مطلوب به سیستم استفاده نمود. فیدبک خطی به طور کلی شامل فیدبک کردن تمام  متغیرهای حالت به تمام عملگرها در سیستم است. در همین سال Hemami وCamana[2]¬، پایدارسازی ایستادن و حرکت پریودیک را با استفاده از فیدبک غیرخطی ارائه نمودند. پس از آن Hemami وCvetkovic[3]¬، با ترکیبی از فیدبک¬های خطی و غیرخطی ناحیه بزرگتری از پایداری را به وجود آورد. عدم وجود مدل¬های با درجات آزادی بالاتر که شباهت بیشتری به انسان داشته باشند Golliday وHemami[4]¬، را بر آن داشت تا با در نظر گرفتن یک مدل سه¬درجه آزادی و با استفاده از تکنیک¬های شناخته شده تا آن زمان روابط مورد نیاز برای کنترل مدل بدون زانوی خود را استخراج نمایند. آنها ابتدا به وسیله معادلات لاگرانژ دینامیک سیستم را شناختند و پس از خطی¬سازی روابط را به فرم معادلات حالت درآوردند تا روی پایداری، کنترل¬پذیری و مشاهده-پذیری سیستم مطالعه نمایند. در کنترلر، فیدبک چند متغیره برای دی¬کوپله کردن معادلات دینامیک رسته 6 به سیستم¬هایی جدا و با رسته 2 اعمال شد. این عمل نقش عمده¬ای در ساده¬سازی طراحی کنترلر دارد. در بخش بعدی با اعمال فیدبک حرکتی با طول گام و سرعتی مشابه انسان تولید نمودند.
 Hemami و همکاران [5]¬، آزمایشاتی روی مدل¬هایی از مجاری نیم¬دایره و اتولیت¬ ها که به وسیله Nashner و با تخمین توابع انتقال این اندام¬ها  ارائه شده بود، انجام دادند. هدف اصلی از این کار تشخیص کفایت این مدل¬ها در پایداری ربات¬های پادار بود. هدف دیگر نزدیک کردن آنالیز حرکت به واقعیت بود به گونه¬ای که به جای فیدبک حالت از فیدبک خروجی اتولیت استفاده شود. نتایج  بیان می¬داشتند که برای پایداری مدل پاندول معکوس نیاز به فیدبک¬هایی از سرعت و موقعیت می¬باشد. همچنین مقادیر کوچک و مختلفی از بهره در نظر گرفته شد که بعضی از آنها پس از اعمال به حلقه کنترلی، شباهت زیادی به نتایج آزمایشگاهی Nashner نشان می¬داد.
 به طور کلی مطالعات انجام گرفته در این دهه و حتی اوایل دهه 80 به دلیل در نظر گرفتن درجات آزادی کم و عدم پیاده-سازی روی یک ربات¬، نمی¬توانند پاسخگوی نیازهای کنونی محققین جهت ساخت وکنترل ربات¬هایی که در تعامل با انسان و محیط پیرامون خود، بتوانند از عهده وظایف پیچیده برآیند، باشند.
1-3- دیدگاه بهینه¬سازی
ربات¬های دوپا  ناچار به استفاده از منابع انرژی محدود هستند. در شرایطی که راه رفتن در یک سیکل تکرارشونده در حال انجام است، توجه به مصرف مینیمم انرژی می تواند بسیار سودمند باشد. در راستای بسط روش راه رفتن با مصرف مینیمم انرژی در سطوح صاف و شیب¬دار Channon و همکاران [6]¬،Rostami  و همکاران [7] و Roussel و همکاران [8]، روش¬هایی از تولید مسیر را با مینیمم¬سازی تابع هزینه انرژی مصرفی ارائه نمودند. Hardt و همکاران [9]¬، مساله مصرف مینیمم انرژی در ربات را مورد توجه قرار دادند. حل معادلات پیچیده حاصله به وسیله روش¬های عددی و مدل دینامیک بازگشتی آسان شده است. در سال 1997Fujimoto و Kawamura[10]¬، روش جدیدی از حرکت ربات را بر اساس توزیع بهینه نیروی پا به وسیله برنامه¬ریزی غیرخطی (Quadratic Programming)¬، ارائه نمودند. کنترلر شامل کنترل مقاوم نیرو در پای تکیه¬گاه، کنترل مقاوم موقعیت در پای غیر تکیه-گاه، یک کنترلر وضعیت (Attitude Control) و یک قسمت طراحی حرکت پای آزاد می¬باشد. ورودی به کنترلر وضعیت نیروی عکس¬العمل است. روش به کار رفته در اینجا می¬تواند وضعیت کل ربات در برخورد پا و زمین را علی¬رغم وجود اصطکاک کم پایدار نماید. در سال 2002 ، Ono و Liu [11]¬، مسیر بهینه ربات را با مینیمم¬سازی مربعات گشتاورهای ورودی طراحی کرد. پس از آن Wollherr و همکاران [12]¬، کنترل بهینه مسیر را با یک روش همزمان جبران¬سازی ژاکوبین¬ها ترکیب نمودند. آنها برای جبران انحرافات در شرایط پایداری یا قیود موجود که در اثر عواملی چون اغتشاشات خارجی و یا اشکالات سخت افزاری ممکن است به وجود آید¬، از روشی به نام جبران ژاکوبی استفاده نمود. در این روش با جابجایی محورهای مختصات متصل به بدن ربات انحرافات ایجاد شده جبران می¬شود.