بر روی لینک های زیر کلیک نمایید

• دانلود رایگان کد های آماده MATLAB
•  دانلود رایگان فیلم های آموزشی الگوریتم های بهینه سازی ، شبکه عصبی ، منطق فازی و ...
• انجام پروژه های برنامه نویسی MATLAB
• تدریس خصوصی ، دوره های آموزشی الگوریتم های بهینه سازی ، شبکه عصبی ، منطق فازی و ...
• دانلود رایگان فایل های آموزشی

نظریه آشوب

ظریه آشوب، به شاخه‌ای از ریاضیات و فیزیک گفته می‌شود که مرتبط با سیستمهایی است که دینامیک آنها در برابر تغییر مقادیر اولیه، رفتار بسیار حساسی نشان می دهد؛ به طوری که رفتار‌های آینده آنها دیگر قابل پیش‌بینی نمی‌باشد. به این سیستم‌ها، سیستم‌های آشوبی گفته می‌شود که از نوع سیستمهای غیرخطی دینامیک هستند و بهترین مثال برای آنها اثر پروانه‌ای، جریانات هوایی و دوره اقتصادی می‌باشد.

این نظریه، گسترش خود را بیشتر مدیون کارهای هانری پوانکاره، ادوارد لورنتس، بنوا مندلبروت و مایکل فایگن‌باوم می‌باشد. پوانکاره اولین کسی بود که اثبات کرد، مساله سه جرم (به عنوان مثال، خورشید، زمین، ماه) مساله‌ای آشوبی و غیر قابل حل است. شاخه دیگر از نظریه آشوب که در مکانیک کوانتومی به کار می‌رود، آشوب کوانتومی نام دارد. گفته می‌شود که پیر لاپلاس یا عمر خیام قبل از پوانکاره، به این مشکل و پدیده پی برده بودند.طی ۲۰ سال گذشته، در حوزه ریاضیات و فیزیک مدرن، روش علمی و تئوری جدید و بسیار جالبی به نام “آشوب” پا به عرصه ظهور گذاشته است. تئوری آشوب، سیستمهای دینامیکی بسیار پیچیده ای مانند اتمسفر زمین، جمعیت حیوانات، جریان مایعات، تپش قلب انسان، فرآیندهای زمین شناسی و … را مورد بررسی قرار می دهد. انگاره اصلی و کلیدی تئوری آشوب این است که در هر بی نظمی ، نظمی نهفته است. به این معنا که نباید نظم را تنها در یک مقیاس جستجو کرد؛ پدیده ای که در مقیاس محلی، کاملا تصادفی و غیرقابل پیش بینی به نظر می رسد چه بسا در مقیاس بزرگتر، کاملا پایا (Stationary) و قابل پیش بینی باشد

network

ادغام کامپیوترها و ارتباطات تأثیر بسزایی در سازمان دهی سیستم های کامپیوتری داشته است .

مفهوم « مرکز کامپیوتر » بعنوان اتاقی که کارهای مشتریان را انجام دهد کهنه شده است و این مدل قدیمی که تمام نیازهای محاسباتی سازمانها را انجام می داد جای خود را به تعدادی از کامپیوترهای متصل به هم داده است . این سیستم ها شبکه های کامپیوتری نامیده می شود . اگر دو کامپیوتر با یکدیگر مبادله اطلاعاتی داشته باشند
می گویند این دو کامپیوتر به یکدیگر متصل اند . اگر کامپیوتری بتواند کامپیوتر دیگری را راه اندازی ، متوقف و کنترل کند مستقل نیستند . سیستمی با یک واحد کنترل و چند کامپیوتر پیرو شبکه نیست .

یک شبکه کامپیوتری سیستم ارتباطی برای تبادل داده هاست که چندین کامپیوتر و دستگاه جانبی مثل چاپگر ها، سیستم های ذخیره سازی انبوه ، کتابخانه های CD-ROM – مودم – فکس و بسیاری از دستگاههای دیگر را بهم متصل می کند . نرم افزار شبکه به کاربران شبکه امکان می دهد که از طریق پست الکترونیکی به تبادل اطلاعات بپردازند و به طور گروهی روی پروژه ها کار کنند . برنامه های کاربردی مجوز دار را به اشتراک بگذارند و به منابع مشترک دسترسی پیدا کنند . سرپرستان شبکه همه این منابع را مدیریت کرده و خط مشی های امنیتی برای تعیین حقوق دستیابی کاربران و محدودیت های وی اتخاذ می کنند .

اسنتفاده اشترکی از منابع – کاهش  هزینه  صرفه جویی در هزینه – امنیت اطلاعات – ایجاد ارتباط مابین افراد مختلف از موارد استفاده شبکه های کامپیوتری می باشد .

۲-      نمونه کاربردهای شبکه های کامپیوتری را شرح دهید :

شبکه ها و سازمانها : بسیاری از سازمانها کامپیوترهایی دارند که دور از یکدیگرند ابتدا ممکن است این کامپیوترها مستقل از یکدیگر کار کنند اما امکان دارد مدیریت در مقطعی از زمان تصمیم بگیرد آنها را متصل کند تا قادر به استخراج و ارتباط اطلاعات کل مؤسسه باشد ( اشتراک منابع ) اشتراک منابع کوششی در جهت خلاف محدودیتهای جغرافیایی است .

هدف بعدی فراهم کردن قابلیت اعتماد بالا با داشتن منابع متعدد است بعنوان مثال تمام تمام فایل ها می توانند برروی دو یا سه ماشین کپی شوند بنابر این اگر از آنها به دلیل سخت افزاری قابل استفاده نباشند می توان از دیگری استفاده کرد .

برای کاربرد های نظامی ، بانکداری ، کنترل ترافیک هوایی ، امنیت راکتور اتمی و بسیاری از کاربردهای دیگر توانایی ادامه عملیات در مواجهه با مشکلات سخت افزاری بسیار مهم است .

هدف دیگر کاهش هزینه هاست در کامپیوترهای کوچک ، نسبت قیمت به کارآیی بهتر از کامپیوترهای بزرگ است .

هدف دیگر شبکه ، قابلیت افزایش کارآیی سیستم ، با رشد بار کاری آن است که با افزودن پردازشگرهای بیشتر انجام می شود .

هدف دیگر شبکه به تکنولوژی وابسته است که شبکه کامپیوتری می تواند رسانه ارتباطی قدرتمندی بین افراد دور از هم فراهم آورد .

کاربرد دیگر ، دستیابی به سیستم های اطلاعاتی مثل شبکه جهانی است که حاوی اطلاعاتی راجع به هنر ها ، تجارت ، آشپزی ، بهداشت ، تاریخ ، سرگرمیها ، تفریح ، علم ، ورزشها ، مسافرت و مصنوعات بسیار دیگر است.

دسته دیگری از کاربرد شبکه ، برهمکنش شخص با شخص است ( پست الکترونیکی )

۳-     منظور از شبکه های مخابراتی چیست و برای چه نوع کاربردهایی استفاده می شود ؟

ماهواره های مخابراتی بیشتر از هوا برای انتقال اطلاعات استفاده می کنند . اگر جسمی در فاصله ۳۶۰۰ kmزمین باشد . دوره گردشش با زمین یکی است ( دوره گردش زمین ) ، ( ۲۴ ساعت ) پس آن را ثابت می بینیم .

از این اصل برای ماهواره های مخابراتی استفاده کرده اند . روی زمین یکسری ایستگاه داریم . یک ماهواره چندین آنتن زمینی را می توان پوشش دهد یک قسمت اطلاعات را به ماهواره می دهد و ماهواره آن را به زمین می دهد . (پخش می کند )

سیستمهای آشوبگون

در دهه های گذشته تحقیقات زیادی روی سیستمهای فازی و تئوری آشوب توسط مهندسین سیستم و کنترل انجام شده است. سیستمهای فازی جایگاه خود را در بسیاری صنایع مانند اتوماسیون و کنترل باز کرده اند. از طرف دیگر در دنیای مهندسی و زمانی که به کاربردهای عملی می اندیشیم، پدیده مهم آشوب خودنمایی می کند و لذا کنترل آشوب تاثیر زیادی روی افزایش عملکرد این گونه سیستمها به لحاظ زمان و انرژی خواهد داشت.

در کنار هم قرار دادن این دو مقوله در چارچوب مفهوم محاسبات نرم می باشد. استدلالگری تقریبی و دینامیک آشوبگونه مغز انسان می تواند دلیلی بر پردازش حجم عظیمی از اطلاعات به صورت یکجا باشد. بنابراین ترکیب کردن سیستمهای فازی و تئوری آشوب دارای پتانسیل زیادی برای تحقیقات علمی و مهندسی پیش رو می باشد.

فازی و آشوب

هرچند رابطه این دو هنوز به درستی درک نشده است ولی با این حال مطالعات روی برخورد این دو با یکدیگر به حدود دو دهه پیش باز می گردد. به خصوص در زمینه های کنترل فازی آشوب [۳۲و۳۳] سیستمهای فازی تطبیقی برای مدلسازی آشوب [۳۴] رابطه های تئوری میان فازی و آشوب [۳۵و ۳۶] مدلسازی فازی سیستمهای آشوب [۳۷ و۳۸] سیستمهای فازی TS آشوبگون [۳۹و۴۰و ۴۱ و ۴۲] .

منطق فازی و تئوری آشوب هر دو در حدود یک زمان پا به عرصه وجود گذاشته اند. در واقع، منطق فازی در سال ۱۹۶۵ توسط زاده و اولین مشاهدات آشوب توسط لورنز در سال ۱۹۶۳ به دنیای علم معرفی شده اند.

تئوری مجموعه های فازی سعی در مدل کردن استدلالهای انسانی دارد. در این روند از اطلاعات تقریبی و داده های نا دقیق برای تصمیم گیری در شرایط نایقینی استفاده می شود. این سیستمها در واقع نادقیقی موجود را به صورت ریاضی مدل کرده و ابزاری مناسب برای مسائل واقعی فراهم می آورند. از طرف دیگر تئوری آشوب به مطالعه کیفی رفتارهای ناپایدار و غیر نوسانی در سیستمهای غیرخطی و معین اختصاص دارد. تحقیقات نشان می دهند که توانایی مغز انسان در پردازش حجم عظیم اطلاعات به دلیل دینامیک آشوبگونه متغیر آن می باشد. لذا عقیده بر این است که منطق فازی و تئوری آشوب، هر دو به استدلال گری انسانی و پردازش اطلاعات مرتبط هستند.

بنابراین با توجه به مطالب بیان شده، یادگیری ارتباطات ما بین منطق فازی و تئوری آشوب اجازه درک بهتر از هوش انسانی را به ما خواهند داد.

دستور keyboard برای توقف موقتی برنامه و اجرای دستوراتی دیگر

data warehouse

در سازمان­ها، داده­ها و اطلاعات معمولا به دو شکل در سیستم­ها پیاده­سازی می­گردند:سیستم­های عملیاتی (OLTP)^[1] و سیستم­های اطلاعاتی یا تحلیلی (OLAP)^[2]. سیستم­های عملیاتی جهت انجام عملیات روزمره بنگاه­ها و سازمان­ها، تهیه و تولید و توسط کاربران استفاده می­گردد. در حقیقت این سیستم­ها باعث می شود تا چرخ کسب وکار بگردد^[۳]. در این سیستم­ها داده­های کسب­و­کار به پایگاه داده­ها^[۴] (تراکنشی) وارد می­شود. اما سیستم­های تحلیلی در جهت تحلیل داده­های موجود در سیستم­های عملیاتی مورد استفاده قرار می­گیرد. این سیستم­ها باعث می­گردند تا چرخش کسب و کار را بنگرید^[۵]. در این سیستم­ها، اطلاعات مورد نیاز مدیران از درون سیستم­های عملیاتی موجود، استخراج و در پایگاه داده­های تحلیلی^[۶] بار می­شود. تعریف ارائه شده توسط اینمون^[۷] برای پایگاه داده تحلیلی به صورت زیر است: “پایگاه داده تحلیلی، یک مجموعه موضوع-گرا، یکپارچه، متکی بر بازه­های زمانی متفاوت(زمانگرا) و تغییر ناپذیر از داده­هاست که برای پشتیبانی مدیریت پردازش تصمیم­گیری به کار می­رود[۱]“. پایگاه داده تحلیلی شامل اطلاعات مجتمع شده از چندین پایگاه داده عملیاتی است و اغلب این اطلاعات با فرمت­های خاص و در پایگاه داده­های عملیاتی ناهمگن وجود دارد. هر قدر که ناهمگنی در پایگاه داده ها (فایل مبنا، XML ، رابطه­ای و…) بیشتر باشد، بارگذاری روی پایگاه داده تحلیلی پیچیده تر می­شود.

الگوریتم پریم

الگوریتم پریم، پیدا کردن درخت فراگیر مینیمال

الگوریتم پریم، الگوریتمی در نظریه گراف‌ها است که زیردرخت پوشای کمینه را برای یک گراف همبند وزن دار پیدا می‌کند یعنی زیرمجموعه‌ای از یال‌ها را در آن گراف می‌یابد که درختی را تشکیل می‌دهند که همه رئوس را شامل می‌شود در حالیکه مجموع وزن همه آن یال‌ها کمینه شده‌است. این الگوریتم در سال ۱۹۳۰ توسط ریاضیدانی به نام جارنیک داده شد وسپس در سال ۱۹۵۷ پریم، دانشمند علوم کامپیوتر آن را مستقل از جارنیک کشف کرد و در سال ۱۹۵۹ دایکسترا دوباره به آن دست یافت. ازاین رو این الگوریتم گاهی با نام الگوریتم DJP نیز شناخته می‌شود که برگرفته از اسامی دایکسترا، جارنیک و پریم است.

شرح الگوریتم

در این روش، ابتدا با یک گره دلخواه آغاز می کنیم. این گره را می توان به عنوان ریشه درخت تلقی کرد. از آن پس عملیات در  مراحل  مختلف تکمیل  می شود و در هر مرحله یک لبه به درخت افزوده می گردد. الگوریتم  زمانی خاتمه

می یابد  که کلیه گره ها به درخت افزوده شود.

در ابتدا مجموعه B  شامل یک گره، که همان گره دلخواه آغاز است، خواهد بود و مجموعه T خالی فرض خواهد شد. در هر لحظه محموعه B  مجموه گره های انتخاب شده و مجموعه T  مجموعه لبه های انتخاب شده خواهد بود.

برای پیاده سازی الگوریتم فرض می کنیم گراف  G=(V,E)  به وسیله ماتریس ارزشها نمایش داده شده باشد.  به گراف ارزشگذاری شده شکل ۳-۵  ماتریس  ارزشهای این گراف نشان داده شده است. در ماتریس ارزشها، ارزش ارتباطی یک گره به خودش برابر ∞ و ارزش ارتباطی دو گره که بین آنها لبه ای وجود نداشته ندارد نیز  ∞ فرض شده است.

در الگوریتم gprim  که بعداً آمده است ماتریس  cost  ماتریس ارزشها است. گرافG  با n  گره در نظر گرفته شده  است. فرض کدره ایم گره ها از صفر تا n-1  شماره گذاری شده اند و هر گره را با شماره آن خواهیم شناخت.

 T  یک آرایه دو بعدی است که دارای n-1 ردیف و دو ستون است. هر ردیف T  یک لبه را مشخص می کند، هر لبه با گره مبدا و گره انتهای آن مشخص می گردد.B  مجموعه گره های انتخاب شده است که توسط یک آرایه یک بعدی نمایش داده شده است. چنانچه گره شماره i   در مجموعه B باشد B[i]=1  و در غیر این صورت ۰B[i]= خواهد بود. به الگوریتم gprim دقت کنید. بقیه توضیحات بعداً بیان خواهد شد. 

گره انتخاب نشده i  در  نظر بگیرید.  این گره  ممکن است به  وسیله لبه های متفاوتی با گره هایی  از  مجموعه B  تماس برقرار نماید.  ارزش  همه این لبه ها  یکسان نیست و یکی ( یا بیشتر)  از این  لبه ها کمترین  ارزش را  دارد.  گرهی از B  که این لبه بدان  وصل  شده  می گردد.  نزدیکترین  همسایه i   در  مجموعه  B است.  اگر i  یک گره انتخاب شده باشد در مکان  near[i]  عدد منفی  یک گذاشته  شده  است.  برای یافتن لبه ای با کمترین ارزش که تماس مجموعه گره های انتخاب  نشده  را  با  مجموعه  گره های  ارزش  ( با به کارگیری مفهوم نزدیکترین همسایه)  که تماس آن ر ا  با  مجموعه B برقرارکند،  پیدا می کنیم و ارزش این ارتباط را در آرایه یک بعدی mindist می گذاریم  و سپس در آرایه  mindist کمترین مقدار از بین مقادیر متناظر با گره های انتخاب نشده را پیدا می کنیم. بنابراین mindist[i]  ارزش ارتباطی گره انتخاب نشده I را با نزدیکترین همسایه اش در B مشخص می کند.

در الگوریتم   gprim ابتدا  مجموعه B  تهی می گردد  و  سپس گره  شماره  صفر به آن  افزوده  می شود.  با توضیحات قبلی باید near[0]=-1 گردد که این کار عملی می شود.

متغیر mincost ارزش ارتباطی درخت پوشای نهای را بما خواهد داد. مقدار این متغیر ابتدا صفر است و به تدریج که لبه ای به T افزوده می شود ارزش آن به mincost  اضافه خواهد شد. گره صفر نزدیکترین همسایه  ندارد.

 بنابراین ∞ mindist[0]=  منظور شده  که در عمل به جای ∞  از MAXFLOAT استفاده شده است.نظر به اینکه در ابتدا تنها گره شماره صفر در مجموعه B قرارداده شده، نزدیکترین همسایه گره های انتخاب نشده همه گره ها گره صفر خواهد  بود  حتی اگر گره های پ لبه مشترکی با گره صفر نداشته  باشند می توانیم فرض کنیم که لبه مشترکی  با ارزش ∞ وجود دارد.اولین گرهی که با B  افزوده می شود کاملاً  دلخواه  است  و همان طور که گفته شد ما در این الگوریتم گره صفر را به این منظور انتخاب کرده ایم.بعد از  اقدامات اولیه ،مراحل اصلی الگوریتم آغاز می گردد .

در هر مرحله ابتدا مینیمم مقدار از بین مقادیر متناظر با گره های انتخاب شده در آرایه mindistپیدا می شود و ردیفی که این مقدار را دارد مشخص میگردد. این کار در زیر روال minedge انجام شده  وردیف مربوطه بر می گردد .

این ردیف،j ، شماره گره انتخاب نشده ای است که یتواند در این مرحله به وسیله لبه j , near[j]>>با B ارتباط برقرار کند .سپس این لبه به T  افزوده می گردد،  و B[j]،mindist[j]  وارزش لبه به mincost افزوده می شود.

آنچه در انتهای هر مرحله انجام می شود از اهمیت بسزایی برخوردار است .چون گره j به گره B  افزوده می گردد ممکن است برروی نزدیک ترین همسایه گره های انتخاب نشده اثر بگذارد و خود نزدیکترین همسایه برخی از گره ها بشود.اگر گره انتخاب نشده k  را داشته باشیم که فاصله اش با نزدیک ترین همسایه اش بیشتر از فاصله اش با j  باشد همسایه k  را باید تغییر دهیم .

با منظور کردن O(n) برای مرتبه زمانی minedge   مرتبه زمانی الگوریتم gprim برابر O(n) محاسبه می گردد .نکته ای که قابل بیان است این که ، می توان با کمی تغییر کارایی الگوریتم را اندکی بالا برد ، برای مثال آرایه B  را حذف و به جای آن از near  استفاده کرد .اما  این تغییرات بر  مرتبه زمانی الگوریتم اثری ندارد . باتوجه به پیچیده  بودن الگوریتم سعی بر تدوین ساده آن شده  است . از آن گذشته به عنوان یک اصل ،  اعتقاد ما بر این است  که از  این  متغیر تا  وقتی فعال است، تنها به یک منظور استفاده می شود . پیشنهاد  بالا  برای near   دو منظور مطرح می کند ، اول نزدیک ترین همسایه و دوم انتخاب شده بودن یا نبودن گره ها .

در این جا یک مثال می تواند به درک مطالب گفته شده کمک کند.

مثال ۱-۵:درخت پوشای گراف مرتبط بودن جهت شکل ۴-۵را به دست آورید.

                                                        شکل ۴-۵:یگ گراف مرتبط بدون جهت

با توجه به الگوریتم gprim  ، عملیات مقدماتی الگوریتم در جدول شکل۵-۵الف خلاصه شده است .در این جدول M به مفهوم بزرگترین عدد اعشاری ویا همان∞ فرض شده

                                                            شکل ۵-۵الف

مرحله اول عملیات در جدول شکل ۵-۵ ب خلاصه شده و حاصل با شکل نشان داده شده است.

                                                                         شکل۵-۵ب

مراحل دوم  تا پنجم نیز متشابها انجام ونتایج در شکل های ۵-۵پ تا ج آمده است .

                                                       شکل ۵-۵پ

                                                         شکل ۵-۵ت

هزینه زمانی

یک پیاده سازی ساده، استفاده از نمایش گراف به صورت ماتریس مجاورت است که درآن به دنبال آرایه‌ای از وزنها باشیم و یال‌های با وزن کمینه را به مجموعه خود بیفزائیم. این روش ( (V^۲) O زمان می‌برد. الگوریتم پریم بااستفاده از داده ساختار هیپ دودوئی ساده و نمایش لیست مجاورت می‌تواند در زمان ((E log V O( اجرا شود که در آن E تعداد یالها و V تعداد رئوس است. استفاده از مدل پیچیده تری به نام هیپ فیبوناچی باعث می‌شود این زمان تا حد

  (E + V log V )O کاهش یابد. سرعت این روش به خصوص زمانی آشکار می‌شود که در گراف رابطه (E = ω(V بین رئوس و یالها برقرار باشد.

مثال ۱