در این فصل ابتدا الگوریتم ژنتیک را مورد بررسی قرار میدهیم. در این بررسی ساختار کلی الگوریتم ژنتیک و پارامترهای تاثیرگذار در عملکرد این الگوریتم را مشخص میکنیم. در ادامه محیط شبکههای محاسباتی گرید را شرح داده و به بررسی اصطلاحات و تعاریف موجود میپردازیم. روشهای مختلف زمانبندی را بیان کرده و انواع صفبندی کارها را مورد بررسی قرار میدهیم.
الگوریتم ژنتیك، الهامی از علم ژنتیك و نظریة تكامل داروین است و بر اساس بقای برترینها یا انتخاب طبیعی استوار است. یك كاربرد متداول الگوریتم ژنتیك، استفاده از آن بعنوان تابع بهینهكننده است. الگوریتم ژنتیك ابزار سودمندی دربازشناسی الگو، انتخاب ویژگی، درك تصویر و یادگیری ماشینی است[3-8]. در الگوریتم ژنتیك[1]، نحوه تكامل ژنتیكی موجودات زنده شبیهسازی میشود.
اگرچه كارهایی توسط یك زیستشناس به نام Fraser در زمینه مدلسازی تكامل در سیستمهای بیولوژیك در دهه 60 میلادی صورت گرفت ولی الگوریتم ژنتیك برای كاربردهای مهندسی و به صورت امروزی آن، نخستین بار توسط جان هلند[9] متخصص علوم كامپیوتر دانشگاه میشیگان در سال 1975 پیشنهاد گردید. كار وی آغاز تمامی كوششها برای كاربرد الگوریتم ژنتیك در مهندسی است. پس از آن
كارهای Dejong [10]در سال 1975 در زمینه بررسی و مقایسه چندین روش الگوریتم ژنتیك پایههای نظری بحث را فراهم آورد. این الگوریتم با الهام از طبیعت بر پایه اصل تكاملی «پایداری بهترینها»[2] استوار است. الگوریتم ژنتیك اگرچه پس از الگوریتم استراتژی تكاملی پیشنهاد گردید ولی مشهورترین روش از بین الگوریتمهای تكاملی است. در یك الگوریتم ژنتیك یك جمعیت از افراد طبق مطلوبیت آنها در محیط بقا مییابند. افرادی با قابلیتهای برتر، شانس ازدواج وتولید مثل بیشتری را خواهند یافت. بنابراین بعد از چند نسل فرزندانی با كارایی بهتر بوجود میآیند. در الگوریتم ژنتیك هر فرد از جمعیت بصورت یك كروموزوم معرفی میشود. كروموزومها در طول چندین نسل كاملتر میشوند. در هر نسل كروموزومها ارزیابی میشوند و متناسب با ارزش خود امكان بقا و تكثیر مییابند. تولید نسل در بحث الگوریتم ژنتیك با عملگرهای آمیزش و جهش صورت میگیرد. والدین برتر بر اساس یك تابع برازندگی انتخاب میشوند.
در هر مرحله از اجرای الگوریتم ژنتیك، یك دسته از نقاط فضای جستجو مورد پردازشهای تصادفی قرار میگیرند. به این صورت كه به هر نقطه دنبالهای از كاراكترها نسبت داده میشود و بر روی این دنبالهها، عملگرهای ژنتیكی اعمال میشوند. سپس دنبالههای بدست آمده رمزگشایی میگردد تا نقاط جدیدی در فضای جستجو بدست آید. در آخر براساس این كه تابع هدف در هر یك از نقاط چه مقدار باشد، احتمال شركت نمودن آنها در مرحله بعد تعیین میگردد[11-14].
الگوریتم ژنتیك را میتوان یك روش بهینهسازی تصادفی جهتدار دانست كه به تدریج به سمت نقطه بهینه حركت میكند. در مورد ویژگیهای الگوریتم ژنتیك در مقایسه با دیگر روشهای بهینه سازی میتوان گفت كه الگوریتمی است كه بدون داشتن هیچ گونه اطلاعی از مسئله و هیچ گونه محدودیتی بر نوع متغیرهای آن برای هر گونه مسئله ای قابل اعمال است و دارای كارآیی اثبات شدهای در یافتن بهینه كلی[3] میباشد. توانایی این روش در حل مسائل پیچیده بهینهسازی است كه روشهای كلاسیك یا قابل اعمال نیستند و یا دریافتن بهینه كلی قابل اطمینان نیستند[15].
[1] Genetic Algorithm
[2] Survival of the fittest
3 Cross Over
4 Mutation
[3] Global Optimum
[1]Grid Computing
[2]Resource Management
[3]Nodes Computation
[4]Scheduling
***ممکن است هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل و با فرمت ورد موجود است***
متن کامل را می توانید دانلود نمائید
چون فقط تکه هایی از متن پایان نامه در این صفحه درج شده (به طور نمونه)
ولی در فایل دانلودی متن کامل پایان نامه
با فرمت ورد word که قابل ویرایش و کپی کردن می باشند
موجود است