دانلود مقاله مقایسه نتایج و نتایج تجربی


Widget not in any sidebars

r 1و r2 یک عدد تصادفی در بازه]1و0[ است که برای نگهداری گروهی از diversity ها به کار می رود.
C1وc2 فاکتور learning برای توانایی self-learning چگونه می توانیم یک عبارت مناسب پیدا کنیم که بر اساس روابط فوق بر n وظیفه برای گره های گرید با M منبع کار کند. ترتیبی از (task)N برای محاسبه در گره های گریدOi از منبع که N! ترتیب از راه حل ها وجود دارد.محاسبات متوالی از N،task محاسباتی در گره های گرید از M منبع محاسباتی می توانند به صورت زیر نوشته شود:
ترتیب کلی از راه حل ها(N!)M نوع از ترکیبات وجود دارد.بنابراین Pso فقط نیاز به M قطعه از حل بهینه دارد.
گروههایی از m،particle تشکیل شده اند و دارای D بعد و مکان برای مقدار هدف دارند.fmaxوfmin مقادیر ماکزیمم و مینیمم برای هدف هستند روش تبدیل مقدار مورد نظر به بازخورد از رابطه:که در رابطه فوق€ عضو(0,1) می باشد.
از طرف دیگر انتخاب جزها به صورت تصادفی صورت می گیرد.در همان زمان،تابع ارزیابی برای پرداختن و حل مساله در زمان کارا با استفاده از رابطه زیر صورت می گیرد:
Wدر رابطه فوق وزنintertia
Kmax بزرگترین شماره جاری برای تکرارها
Wmin وزن نهایی
4-3-2-1 فرآیند الگوریتم:
اگرچه الگوریتم PSo دارای مزایای زیادی است و در تعدادی از تحقیقات بکار رفته بر روی موضوع های خاص نتایج خوبی ارایه کرده است هنوز دارای مشکل همگرایی و سرعت کم در همگرایی می باشد.
ضرورتاً الگوریتم swarm فضای پیوسته ارایه می کند زمانی که زمانبندی taskها در گرید در این قسمت بررسی می شود بنابراین فرآیند الگوریتم باید گام های زیر را طی کند:
1-خواندن و نوشتن گراف taskها و پارامترهای مرتبط
که این عمل شامل همبندی گره ها محاسبه طول و کوتاهترین مسیر بین گره های منبع
2-بکارگیری الگوریتم swarm(الگوریتم particle swarm)به دو زیر گروه همپوشانی تقسیم می شود.
هر بعد از هر موقعیت بردار xv در الگوریتم swarm به صورت تصادفی یک عدد بین 1-m و هر بعد از بردار xr افزایش ابعاد پیچیدگی محاسباتی را افزایش نمی دهد،که این مورد می تواند در نتایج تجربی مشاهده شود.
4-2-3-2 برخورد با محدودیت ها
ارتباط محدودیت ها بر اساس گراف از ترتیبی از گره ها که در جدول دو بعدی ذخیره می شود که به صورت زیر تعریف می شود.
وقتی تعدادی از userها در مقیاس بزرگ وجود دارند،این userها باید در موقعیت و مکانهای مناسبی زمانبندی شوند که ارتباط همگام و زمانبندیtaskها منابع تخصیص یافته با درخت با عمق maximum به صورت زیر است:
(a)
شکل(a)نشاندهنده زمان انتقال حل بهینه برای taskهای مستقل می باشد.
Taskهای مستقل می توانند برای منابع به صورت مستقل پردازش شوند.
الگوریتم بازگشتی زمانبندی taskها بعد از مرتب سازی و ذخیره در زیر درخت های مستقل را نشان می دهد.زیر درخت های مستقل می توانند برای taskهای مستقل مورد استفاده قرار گیرند.
4-2-3-3 تابع ارزیابی:
تابع ارزیابی برای taskها برای محاسبه هر بازخورد هر particle بکار می رود.فرض کنیمparticle به صورت می باشد و تابعارزیابی می باشد و شامل document ها با پارامترهای α=2 و β=3c=8 و p=0/7 پارامترهای این الگوریتم گروهی از گره های همسایه می باشد.
مقایسه نتایج از زمان مورد نیاز برای تکمیل توسط الگوریتم ها مختلف می تواند به چگونگی پیاده سازی الگوریتم بستگی دارد.زمانی که تعدادtask ها افزایش می یابد،الگوریتم کارآیی زیادی از خود نشان می دهد.
به منظور تصدیق نتایج تجربی به طور عمومی،چند مساله زمانبندی به صورت تصادفی تولیدمی شوند.استفاده از همان پارامترها و بدست آوردن نتایج تجربی مشابه باید ایجاد شود.
هر بعد از بردارVV یک عدد تصادفی بین (m-1) تا –(m-1) می باشد هر بعد از بردار Vr یک عدد تصادفی در بازه(n-1) تا –(n-1)اختیار می کند.