دانلود فایل ورد Word پروژه نقش داده کاوی در تجارت الکترونیک
مشخصات مقاله:
عنوان : کاربرد داده کاوی در تجارت الکترونیک
فرمت فایل: WORD (قابل ویرایش)
تعداد صفحات: ۱۵۱
از هنگامی که رایانه در تحلیل و ذخیره سازی داده ها بکار رفت (۱۹۵۰) پس از حدود ۲۰ سال، حجم داده ها در پایگاه داده ها دو برابر شد. ولی پس از گذشت دو دهه و همزمان با پیشرفت فن آوری اطلاعات(IT) هر دو سال یکبار حجم داده ها، دو برابر شده و همچنین تعداد پایگاه داده ها با سرعت بیشتری رشد نمود. این در حالی است که تعداد متخصصین تحلیل داده ها با این سرعت رشد نکرد. حتی اگر چنین امری اتفاق می افتاد، بسیاری از پایگاه داده ها چنان گسترش یافته‌اند که شامل چندصد میلیون یا چندصد میلیارد رکورد ثبت شده هستند.
امکان تحلیل و استخراج اطلاعات با روش های معمول آماری از دل انبوه داده ها مستلزم چند روز کار با رایانه های موجود است.[۳]حال با وجود سیستم های یکپارچه اطلاعاتی، سیستم های یکپارچه بانکی و تجارت الکترونیک، لحظه به لحظه به حجم داده ها در پایگاه داده های مربوط اضافه شده و باعث به وجود آمدن حانبارهای عظیمی از داده ها شده است.
چکیده
تکنیکهای داده کاوی و متدلوژیهای ان
مقدمه
عناصر داده کاوی
پردازش تحلیلی پیوسته:
قوانین وابستگی:
شبکه های عصبی :
الگوریتم ژنتیکی:
نرم افزار
کاربردهای داده کاوی
داده کاوی و کاربرد آندر کسب و کار هوشمند بانک
داده کاوی درمدیریت ارتباط بامشتری
کاربردهای داده کاوی در کتابخانه ها و محیط های دانشگاهی
مدیریت موسسات دانشگاهی
داده کاوی آماری و مدیریت بهینه وب سایت ها
داده کاوی در مقابل پایگاه داده Data Mining vs database
ابزارهای تجاری داده کاوی
منابع اطلاعاتی مورد استفاده
انبار داده
مسائل کسب و کار برای داده‌کاوی
چرخهتعالیداده کاویچیست؟
متدلوژی داده‌کاوی و بهترین تمرین‌های آن
یادگیری چیزهایی که درست نیستند
الگوهایی که ممکن است هیچ قانون اصولی را ارائه نکنند
چیدمان مدل ممکن است بازتاب دهنده جمعیت وابسته نباشد
ممکن است داده در سطح اشتباهی از جزئیات باشد
یادگیری چیزهایی که درست ولی بلااستفاده‌اند
مدلها، پروفایل‌سازی، و پیش‌بینی
پیش بینی
متدلوژی
مرحله 1: تبدیل مسئله کسب و کار به مسئله داده‌کاوی
مرحله 2: انتخاب داده مناسب
مرحله سوم: پیش به سوی شناخت داده
مرحله چهارم: ساختن یک مجموعه مدل
مرحله پنجم: تثبیت مسئله با دادهها
مرحله ششم: تبدیل داده برای آوردن اطلاعات به سطح
مرحله هفتم: ساختن مدلها
مرحله هشتم: ارزیابی مدل ها
مرحله نهم: استقرار مدل ها
مرحله 10: ارزیابی نتایج
مرحله یازدهم: شروع دوباره
وظایف داده‌کاوی
1- دستهبندی
2- خوشه‌بندی
3- تخمین
4- وابستگی
5- رگرسیون
6- پیشگویی
7- تحلیل توالی
8- تحلیل انحراف
9- نمایه‌سازی
تجارت الکترونیک
فصل اول: مقدمه ای بر تجارت الکترونیکی
1- طبقه‌های مختلف تجارت الکترونیکی
2- تفاوت تجارت الکترونیکی با تجارت سنتی
3- نقش دولت در تجارت الکترونیک
فصل دوم : شکل دهی موقعیت بازار
1- چار چوبی برای تحلیل موقعیت بازار
1-1- پرورش موقعیت :
1-2-کشف هسته اصلی موقعیت :
1-3- شناسایی مشتریان هدف :
1-4- مطالعه توانمندیها و منابع شرکت :
1-5- اندازه گیری جذابیت موقیت :
2 ) ویژگی های تحلیل موقعیت بازار در اقتصاد جدید:
3_ دو نوع ارزش ( value type ) عمده
3_2_ ارزش های جدید ( New-To-The-World value ) :
4 – شناسایی نیاز های برآورده شده و برآورده نشده
4-1_ فرآیند تصمیم گیری مشتری
4-2_ آشکارسازی نیازهای برآورده شده و برآورده نشده
5- تعیین مشتریان ویژهای که شرکت قصد متقاعد کردن آنهارا دارد.
5-1- روشهایی برای تقسم بندی بازار:
5-2- تقسیم بندی قابل اجرا و معنی دار
_ تقسیم بندی قابل اجرا(Actionable Segmentation)
_ تقسیم بندی معنی دار
5-3-ترکیب مناسبی از متغیر ها
5-4-تناظر بازار و مشتریان هدف
۶- تأمین منابع
6-1- منابع شرکت :
6-2- شرکاﺀ :
٧- جذابیت یک موقعیت :
7-1- شدت رقابت
رقبای نزدیک (Adjacent competitors) :
بررسی رقبا : (competitor Map)
7-2- پویایی های مربوط با مشتریان :
7-3- فناوری :
7-4- سود دهی مالی :
8-ارزیابی نهایی(go/No-go)
مدلهای کسب و کار
آیا شرکت قادر است در مورد ارزش یا ارزشهای ارائه شده با دیگران رقابت کند؟
چگونه یک شرکت یک سرویس آنلاین را توسعه می دهد؟
یک سیستم منابع مناسب و موفق چگونه است؟
معیارهایی برای ارزیابی کیفیت یک سیستم منبع:
مشارکت (Partnership):
مدلهای سوددهی برای شرکتهای آنلاین چه هستند؟
2-1- مدلهای مبتنی بر کاربر و شرکت:
مدلهای مبتنی بر خلق ارزش توسط شرکت:
واسط مشتری
1- هفت عنصر طراحی برای واسط مشتری
2- چه چیز تعیین کننده جلوه یک وب سایت است؟
3- محتویات وب سایت
4- تشکل ها در سایت
5- اهرمهای مورد استفاده برای سفارشی کردن یک سایت
6- یک سایت چگونه با مشتریان خود ارتباط بر قرار می کند؟
7- اتصال یک وب سایت با وب سایتهای دیگر
8- اشکال مختلف تجارت در وب سایت
تبادل الکترونیکی داده ها (EDI)
1- انواع خرید یک شرکت
2- خرید مواد مستقیم
3- تبادل الکترونیکی داده ها (EDI)
EDI های نسل آینده
منابع
مشخصات فروشنده
نام و نام خانوادگی : جعفر علایی
شماره تماس : 09147457274 - 04532722652
ایمیل :ja.softeng@gmail.com
سایت :sidonline.ir
برای خرید و دانلود فایل و گزارش خرابی از لینک های روبرو اقدام کنید...
پرداخت و دانلودگزارش خرابی و شکایت از فایلدانلود فایل ورد Word پروژه استخراج ویژگی مناسب برای تشخیص سیگنال های حرکات ارادی EEG
استخراج ویژگی مناسب برای تشخیص سیگنالهای حرکات ارادی EEG تعداد صفحات : 106 چکیده در این پروژه قصد داریم با ارائه یک ویژگی مناسب عمل دسته بندی را بر روی سیگنال های مغزی انجام دهیم. برای این منظور ابتدا از سیگنالهای مغزی نویز دستگاه ثبت حذف می شود سپس از این سیگنال ها با استفاده از تبدیل والش و آنتروپی ویژگی استخراج می شود. بعد از استخراج ویژگی ، بر اساس این ویژگی ها عمل دسته بندی انجام می شود. اولین پیش پردازش برای دسته بندی سیگنال های مغزی حذف نویز از این سیگنال ها می باشد. در این پروژه دو روش کلاسیک حذف نویز و دو روش پیشنهادی حذف نویز بررسی می شود. ابتدا با استفاده از روش کلاسیک ICA ، تبدیل موجک و دو روش پیشنهادی تبدیل والش و روش ترکیبی والش و ICA از سیگنال حذف نویز می شود. برای داشتن یک ارزیابی از این چند روش، نتایج حاصل از این چهار روش با استفاده از سه معیار، نسبت سیگنال به نویز(SNR)، میانگین مربع خطا(MSE) و جذر میانگین تفاضل مربعات(درصد) (PRD) ارزیابی می¬شود. نتایج ارزیابی با استفاده از این معیارها نشان داد که روش ترکیبی والش و ICA و تبدیل والش دارای کمترین مقدار میانگین مربع خطا می باشد. همچنین این دو روش دارای بیشترین مقدار نسبت سیگنال به نویز و جذر میانگین تفاضل مربعات(درصد) است. بعد از حذف نویز از سیگنال، به بحث استخراج ویژگی از سیگنال¬ها و دسته بندی آنهاپرداخته می شود. ویژگی¬های استخراج شده تعداد ویژگی کمی می باشد و یک بردار ویژگی 22 مولفه ای است. این ویژگی ها مربوط به آنتروپی تبدیل والش کانال های سیگنال، آنتروپی تبدیل والش کل سیگنال، توان تبدیل والش کانال های سیگنال و توان تبدیل والش کل سیگنال می باشد. برای ارزیابی کارایی این ویژگی ها همین ویژگی¬ها، نیز با استفاده از تبدیل موجک و فوریه استخراج می شوند و عمل دسته بندی بر اساس ویژگی های استخراجی این سه روش به طور جداگانه انجام می شود. بعد از استخراج ویژگی، بر اساس ویژگی های استخراجی، به دسته بندی سیگنال ها با استفاده از طبقه بندی کننده SVM و نزدیکترین همسایه پرداخته می شود. نتایج حاصل نشان می دهد که دسته بندی با استفاده از ویژگی های استخراجی تبدیل والش به مراتب بهتر از دسته بندی بر اساس ویژگی های دو تبدیل دیگر است. نرخ تشخیص با استفاده از روش پیشنهادی و svm، 42.5 درصد و با روش نزدیکترین همسایه 39.0 درصد است. در مقایسه ای دیگر، نتایج حاصل با نتایج پیاده سازی شده بر روی این مجموعه داده، در چهارمین دوره مسابقات BCI مقایسه شده است. نتایج نشان داد که روش دسته بندی با استفاده از تبدیل والش از همه¬ی روشها به جز نفر اول بهتر است.. ولی مزیتی که روش پیشنهادی نسبت به همه روشها دارد این است که در بحث زمانی این روش دارای مجموع زمان تست و آموزش کمی است. این زمان 52 ثانیه می باشد که نسبت به روش اول که 403 و 640 ثانیه است به مراتب بهتر است. فهرست فصل اول مقدمه 1-1- مقدمه 1-2- تاریخچه BCI 1-3- کاربردهای BCI 1-4- تعریف مساله 1-5 – ساختار پروژه فصل دوم سیگنالهای مغزی 2-1- مقدمه 2-2- کشف سیگنالهای مغزی 2-3- ثبت سیگنالهای مغزی 2-4- پیش پردازشها روی سیگنالهای مغزی فصل سوم مروری بر تحقیقات انجام شده در زمینه دسته بندی سیگنالهای مغزی 3-1- مقدمه 3-2- معرفی داده های موجود 3-2-1- مشخصات داده های ثبت شده توسط گروه دانشگاه Colorado 3-2-2- مشخصات داد ه های ثبت شده توسط گروه Graz 3-2-3- مشخصات دادههای MIT-BIH 3-3- استخراج ویژگی 3-4- دسته بندی فصل چهارم مقایسه تحلیلی تبدیل فوریه ، موجک و والش 4-1- مقدمه 4-2- تبدیل فوریه 4-3- تبدیل موجک 4-3-1- مقیاس. 4-4- تاریخچه تبدیل والش 4-4-1- توابع والش 4-4-2- تبدیل والش فصل پنجم توصیف روش پیشنهادی 5-1- مقدمه 5-2- پایگاه داده مورد استفاده 5-3- حذف نویز 5-3-1- آنالیز مولفه های مستقل 5-3-2- حذف نویز با استفاده از آنالیز مولفه هایمستقل 5-3-3- حذف نویز با استفاده از تبدیل موجک 5-3-4- حذف نویز با استفاده از تبدیل والش 5-3-5- حذف نویز با استفاده از روش ترکیبی تبدیل والش و ICA 5-4- استخراج ویژگی 5-4-1- آنتروپی 5-4-2- استخراج ویژگی با استفاده از تبدل والش 5-4-3- استخراج ویژگی با استفاده تبدیل فوریه و موجک 5-5- ماشین بردار پشتیبان (Support Vector Machin) 5-5-1- ابر صفحه جداساز 5-5-2- جداسازی غیر خطی فصل ششم نتایج و نتیجه گیری 6-1- مقدمه 6-2- حذف نویز 6-3- معیارهای ارزیابی 6-3-1- نسبت سیگنال به نویز (Signal to Noise Rate) 6-3-2- میانگین مربع خطا (Mean Square Error) 6-3-3- جذر میانگین تفاضل مربعات(درصد)(Percentage Root Mean Square Difference) 6-4- استخراج ویژگی 6-4-1- ویژگیهای تبدیل والش 6-4-2- ویژگیهای تبدیل فوریه 6-4-3- ویژگیهای تبدیل موجک 6-5- مقایسه با کارهای مرتبط بر روی این مجموعه داده 6-6- نتیجه گیری 6-7- پیشنهاد ها منابع فهرست شکل ها عنوان صفحه شکل 1-1 – واحد های پردازشی و دسته بندی در یک سیستم BCI شکل 2-1- محل قرار گرفتن الکترود ها در سیستم شکل 2-2- محدوده دامنه و فرکانس برخی از سیگنالهای حیاتی شکل 4-1 – سیگنال ایستا دارای چهار جزء فرکانسی 5 ، 10، 20 و 50 هرتز شکل 4-2 – تبدیل فوریه سیگنال رابطه 2-4)) شکل 4-3 – سیگنال غیر ایستا دارای چهار جزء فرکانسی 5، 10، 20 و 50 هرتز شکل 4-4 – تبدیل فوریه سیگنال شکل (3-4) شکل 4-5- تجزیه سیگنال با استفاده از تبدیل موجک شکل 4-6- مقیاسهای مختلف یک تابع کسینوسی شکل 4-7- تبدیل موجک در یک مقیاس خاص شکل 4-8- تابع والش برای n=8 شکل 5-1- نحوه قرارگیری الکترودها بر روی سر هنگام ثبت سیگنالهای مغزی مورد استفاده شکل 5-2- سیگنالهای گرفته شده توسط هر کانال شکل 5-3- مولفههای بدست آمده توسط ICA شکل 5-4- تبدیل والش از کانال های سیگنال شکل 5-5- حد آستانه مشخص شده بر روی تبدیل والش برای حذف نویز شکل 5-6- حد آستانه مشخص شده بر روی تبدیل والش، مولفههای ICA برای حذف نویز شکل 5- 7 – صفحه های جداساز و بردارهای پشتیبان شکل 5- 8 – صفحه جداساز و نواحی مربوط به هر کلاس شکل 5-9- افزایش بعد جهت جداسازی خطی دادهها شکل 6-1- سیگنال اصلی و سیگنال دارای نویز شکل 6-2- سیگنال حاصل از حذف نویز با استفاده از روش ICA ، روش ترکیبی والش- ICA ، تبدیل والش و تبدیل موجک شکل 6-3- نسبت سیگنال به نویز ده سیگنال شکل 6-4- میانگین مربع خطا برای ده سیگنال شکل 6-5- جذر میانگین تفاضل مربعات(درصد) برای ده سیگنال شکل 6-6- آنتروپی توالی کانالهای سیگنالهای کلاس اول شکل 6-7- توان آنتروپی هر کانال از سیگنالهای کلاس اول شکل 6-8- آنتروپی تبدیل فوریه کانالهای سیگنالهای کلاس اول شکل 6-9- آنتروپی تبدیل موجک کانالهای سیگنالهای کلاس اول فهرست جدول ها عنوان صفحه جدول 3-1 – انواع ویژگیهای استفاده شده در پردازش سیگنال جدول 4-1 – مقدار توابع والش و خروجی این تابع جدول 6-1-نرخ تشخیص طبقه بندی کننده SVM و نزدیکترین همسایه برای دو مجموعه داده بر اساس ویژگیهای تبدیل والش جدول 6-2-نرخ تشخیص طبقه بندی کننده SVM و نزدیکترین همسایه برای دو مجموعه داده بر اساس ویژگی های تبدیل فوریه جدول 6-3-نرخ تشخیص طبقهبندی کننده SVM و نزدیکترین همسایه برای دو مجموعه داده بر اساس ویژگیهای تبدیل موجک جدول 6-4- نتایج دستهبندی بر اساس ویژگیهای سه روش جدول 6-5- مقایسه متوسط زمان اجرای تبدیل والش ، تبدل فوریه و تبدیل موجک جدول 6-6- مقایسه متوسط زمان اجرای روش پیشنهادی با نفر اول مسابقات BCI و تبدل فوریه و تبدیل موجک جدول 6-7- مقایسه نرخ تشخیص روش پیشنهادی با 4 نفر اول مسابقات BCI
مشخصات فروشنده
نام و نام خانوادگی : جعفر علایی
شماره تماس : 09147457274 - 04532722652
ایمیل :ja.softeng@gmail.com
سایت :sidonline.ir
برای خرید و دانلود فایل و گزارش خرابی از لینک های روبرو اقدام کنید...
پرداخت و دانلودگزارش خرابی و شکایت از فایلدانلود مقاله هوش مصنوعی
هوش مصنوعی یکی از مقوله هایی است که در علوم کامپیوتر، اهمیت فراوان دارد و تغییرات در آن می توانند تحولات گسترده ای را در فناوری اطلاعات پدید بیاورند. در این مقاله قصد داریم که هوش مصنوعی را به شما معرفی کنیم. هوش مصنوعی، هوش ماشین هاست! در واقع شاخه ای از علوم کامپیوتر است که قصد دارد راه حل های الگوریتمی را ارائه کند تا بتوانیم به وسیله آنها در ماشین ها هوشمندی ایجاد کنیم. اما این تعریف کافی نیست؛ اول از همه باید بدانیم که تعریف هوشمندی چیست و بعد باید منظور از ماشین را دربیابیم: استدلال، منطق، تصمیم گیری ؛ این ها توانایی هستند که شما از آنها استفاده می کنید. پس شما هوشمند هستید. اگر این توانایی ها را در کامپیوتر هم ایجاد کنیم، آنگاه به ماشین هوشمند دست می یابیم! به همین سادگی … ولی به جز این ها چیز های دیگری هم در رابطه با تعریف هوشمندی وجود دارند که دانستن آنها را می توان مهم ارزیابی کرد. در واقع بحث هایی که در مورد هوشمندی و هوش مصنوعی مطرح شده است؛ تنها به دوره ی امروزه ی ما و قرن ۲۱ مربوط نمی شود، بلکه از سال ۱۹۵۰ این مباحث به طور جدی مطرح شد
مشخصات فروشنده
نام و نام خانوادگی : مهدی حیدری
شماره تماس : 09033719795 - 07734251434
ایمیل :info@sellu.ir
سایت :sellu.ir
برای خرید و دانلود فایل و گزارش خرابی از لینک های روبرو اقدام کنید...
پرداخت و دانلودگزارش خرابی و شکایت از فایلدانلود فایل ورد Word مقاله استنتاج شبکه های تنظیمات ژنی از روی داده های سری زمانی Microarray به وسیله شبکه های بیزین دینامیک
گرایش : هوش مصنوعی
عنوان : استنتاج شبکه های تنظیمات ژنی از روی داده های سری زمانی Microarray به وسیله شبکه های بیزین دینامیک
تعداد صفحات : 92
چکیده
شبکه های تنظیم کننده ژنتیکی مجموعه ای از ارتباطات ژن-ژن هستند که رابطه علت و معلولی را در فعالیت های ژنی ایجاد می کنند. دانش ما در مورد این شبکه ها نقش بسیار موثری در شناخت فرآیندهای زیستی ایفا می کند و می تواند باعث کشف روش های جدید برای درمان بیماری های پیچیده و تولید داروهای اثر گذار گردد.
روش های زیادی برای تشخیص شبکه های تنظیم کننده ژنتیکی پیشنهاد شده است. در این میان، شبکه های بیزین دینامیک مزایای ویژه ای دارا می باشند که باعث شده تا توجه زیادی را به خود جلب کنند.
با وجود تحقیقات انجام شده در این زمینه، مهندسی معکوس شبکه های تنظیم کننده ژن به وسیله شبکه های بیزین دینامیک به هیچ عنوان امری بدیهی نیست. غالباً تعداد نمونه های موجود برای آموزش مدل از تعداد مجهولات مسئله بسیار کمتر است. همچنین میزان پیچیدگی زیاد این مدل ها و دقت آنها از مهم ترین نواقص آن ها می باشند.
یکی از عمده ترین روش هایی که برای بالا بردن دقت شبکه های استنتاج شده به کار گرفته می شود استفاده از دانش اولیه در مورد شبکه های تنظیم کننده ژنی است. یکی از منابع عمده این دانش اولیه اطلاعات ما در مورد ساختار کلی شبکه های تنظیم کننده ژنی است. تحقیقات انجام شده نشان می دهند که تعداد یال های موجود در این شبکه ها کم است. همچنین شواهد بسیاری بدست آمده اند که نشان می دهند توزیع درجه خروجی در شبکه های تنظیم ژنی از قانون توانی پیروی می کنند. در واقع این شبکه ها در درجه خروجی scale-free هستند.
علیرغم این شواهد، روش های یادگیری شبکه های بیزین دینامیک این گونه شبکه ها را شبکه هایی با ساختار تصادفی در نظر می گیرند و یا تنها پیچیدگی شبکه را کنترل می کنند.
در این تحقیق روشی برای یاد گیری شبکه های بیزین دینامیک ارائه می شود که به طور مشخص بر این فرض شکل گرفته که شبکه واقعی ساختاری scale-free در توزیع درجه خروجی دارد. روش ارائه شده پیچیدگی زمانی چند جمله ای دارد و می تواند برای استنتاج شبکه هایی با تعداد گره های زیاد مورد استفاده قرار گیرد.
آزمایش هایی که برای مقایسه توانایی الگوریتم ارائه شده با متدهای قبلی یادگیری شبکه انجام شده اند نشان می دهند که الگوریتم ارائه شده، زمانی که برای استنتاج شبکه هایی استفاده می شود که scale-free هستند، قادر است کیفیت شبکه استنتاج شده را به خصوص زمانی که داده های آموزشی ناکافی هستند به صورت قابل توجهی افزایش دهد.
فهرست مطالب:
فصل اول: مقدمه
ضرورت انجام کار نگاه کلی به فصول رساله
فصل دوم: پیشینه تحقیق
2-1- مقدمه
2-2- مقدمات زیستی
2-2-1- ژن
2-2-2- بیان ژن
2-2-3- شبکه های تنظیم کننده ژنی
2-3- روش های یاد گیری شبکه های تنظیم کننده ژنی
2-3-1- روش های مبتنی بر خوشه بندی
2-3-2- روش های مبتنی بر رگرسیون
2-3-3- روش های مبتنی بر اطلاعات متقابل
2-3-4- روش های تابعی
2-3-5- روش های مبتنی بر تئوری سیستم
2-3-6- روش های بیزین
فصل سوم: روش پیشنهادی
3-1- مقدمه
3-2- شبکه های بیزین دینامیک 3-3- یادگیری شبکه های بیزین دینامیک 3-3-1- روش های امتیازدهی بیزین 3-3-1-1- امتیازدهی به روش K2 3-3-1-2- امتیازدهی به روش BDe
3-3-2- روش های امتیازدهی بر اساس تئوری اطلاعات
3-3-2-1- امتیازدهی به روش log-likelihood (LL) 3-3-2-2- امتیازدهی به روش BIC
3-3-2-3- امتیازدهی به روش AIC 3-3-2-4- امتیازدهی به روش MIT 3-3-3– پیچیدگی زمانی یادگیری شبکه های بیزین دینامیک
3-4- شبکه های تصادفی و شبکه های Scale-free
3-5- روش پیشنهادی
فصل چهارم: نتایج تجربی
4-1- مقدمه
4-2- روش های تولید شبکه های Scale-free 4-3- روش های سنجش دقت برای شبکه های استنتاج شده
4-4- آزمایش اول: استفاده از روش جستجوی کامل
4-5- آزمایش دوم: نگاهی دقیق تر به عملکرد روش ارائه شده
4-6- آزمایش سوم: استفاده از جستجوی حریصانه
4-7- آزمایش چهارم: بازیابی قسمتی از شبکه تنظیمات ژنی در Yeast
4-8- آزمایش پنجم: : عملکرد روش ارائه شده در بازیابی شبکه های تصادفی
فصل پنجم: جمع بندی
5-1- نتیجه گیری
5-2- پیشنهاد برای کارهای آتی
منابع تحقیق
چکیده به زبان انگلیسی
پروژه دارای فهرست جداول و اشکال می باشد
مشخصات فروشنده
نام و نام خانوادگی : جعفر علایی
شماره تماس : 09147457274 - 04532722652
ایمیل :ja.softeng@gmail.com
سایت :sidonline.ir
برای خرید و دانلود فایل و گزارش خرابی از لینک های روبرو اقدام کنید...
پرداخت و دانلودگزارش خرابی و شکایت از فایلدانلود فایل ورد Word ارائه الگوریتم زمانبندی مهاجرت ماشین های مجازی جهت بهینه سازی همزمان مصرف انرژی و تولید آلاینده ها در شبکه
عنوان : ارائه الگوریتم زمانبندی مهاجرت ماشین های مجازی جهت بهینه سازی همزمان مصرف انرژی و تولید آلاینده ها در شبکه محاسباتی ابر
تعداد صفحات : 87
چکیده:
در سال های اخیر با توجه به رشد روز افزون درخواستها و پیوستن مشتریان جدید به دنیای محاسبات، سیستم های محاسباتی نیز باید تغییر کنند و قدرتمندتر وانعطاف پذیرتر از قبل عمل نمایند. در این میان محاسبات ابری به عنوان مدلی فراتر از یک سیستم ارائه شد که در حال حاضر توانایی پاسخگویی به اکثر درخواست ها و نیازمندی ها را دارد.
راه حل های مجازی سازی به طور گسترده ای برای حل مشکلات مختلف مراکز داده مدرن بکار می روند که شامل : استفاده کمتر از سخت افزار، استفاده بهینه از فضای مراکز داده , مدیریت بالای سیستم و هزینه نگهداری می شوند.
عمده چالش هایی که سرور های بزرگ با آن مواجه هستند عدم وجود قابلیت اطمینان بالای سیستم و هزینه های عملیاتی بالا به علت مصرف انرژی زیاد است. بنابراین، استقرار و زمانبندی vm ها برپایه انرژی آگاه یک ضرورت فوری برای دستیابی به این اهداف است. زمانبندی کار برای چندین سال توسط محققان مختلف مورد مطالعه قرار داده شده است ، اما توسعه خوشه های مجازی و محیط ابر پنجره جدیدی به سوی محققان جهت رویکردهای جدید زمانبندی باز کرده اند .
یکی از تکنیک های مورد نیاز جهت افزایش انعطا ف پذیری و مقیاس پذیری مراکز داده ی ابری، مهاجرت است. عمل مهاجرت با اهداف گوناگونی از جمله توازن و تقسیم بار، تحمل پذیری در برابر خرابی، مدیریت انرژی، کاهش زمان پاسخ و افزایش کیفیت سرویس، تعمیر و نگهداری سرورها انجام می شود.
اجزای اصلی زمانبندی کار در محیط مجازی شامل :استقرار vmها در بین ماشین های فیزیکی و موازنه بارکاری پویا به کمک مهاجرت کارها در سراسر گره های خوشه مرکز داده می باشد.
در این پایان نامه تمرکز ما روی زمانبندی مهاجرت ماشین های مجازی در مرکز داده ابر با استفاده از الگوریتم وراثتی می باشد . نتایج شبیه سازی موید امکان پذیری و کارایی این الگوریتم زمانبندی می باشد و منجر به کاهش قابل توجه مصرف انرژی کل در مقایسه با استراتژی های دیگر می شود.و از آنجا که تمرکز ما روی انرژی عملیاتی مراکز داده است با کاهش مصرف انرژی عملیاتی, تولید آلاینده زیستی کربن نیز کاهش یافته که در کاهش هزینه کاربر نقش بسزایی ایفا می کند .
چکیده
مقدمه
فصل اول- کلیات
مقدمه
مروری بر محاسبات ابری
1-2-1- بررسی انواع مختلف توده های ابر، کاربرد، مزایا و معایب
1-2-2- برخی مزایا و معایب محاسبات ابری
1-2-3- معماری سیستم های محاسبات ابری
1-2-4- ماهیت محاسبات ابری
مجازی سازی
مقدمه ای بر مهاجرت ماشین های مجازی
1-4-1- مهاجرت
1-4-2- انواع روش های مهاجرت زنده
الگوریتم ژنتیک
1-5-1- جمعیت ژنتیکی
1-5-2- تابع برازندگی
1-5-3- عملگر ترکیب یا جابه جایی
1-5-4- عملگر جهش
1-5-5- عملگر انتخاب
آشنایی با چالش پیش رو در شبکه محاسباتی ابر
خلاصه و نتیجه گیری
فصل دوم- مروری بر ادبیات گذشته
2-1- محاسبات ابری
2-2- مجازی سازی
2-3- مدیریت انرژی در مرکز داده اینترنت IDC
2-4- مدیریت انرژی ماشین مجازی و مهاجرت
2-5- الگوریتم MBFD
2-6- الگوریتم ST
2-7- الگوریتم MM
2-8- الگوریتم هریسانه
2-9- الگوریتمMEF(تغییر اولین تناسب)
2-10- نتیجه گیری
فصل سوم- ارائه الگوریتم پیشنهادی
3-1- مقدمه
3-2- الگوریتم پیشنهادی
فصل چهارم- نتایج شبیه سازی
4-1- مقدمه
4-2- ویژگی های شبیه سازی تخصیص و مهاجرت ماشین های مجازی
4-3- نرم افزار متلب
4-4- نتایج شبیه سازی
4-5- نتیجه گیری
فصل پنجم- نتیجه گیری و پیشنهادات
5-1- نتیجه گیری
5-2- کار آینده
فهرست جداول
جدول 1-1 نمونه ای خدمات برحسب تقاضای ارائه شده از طریق محاسبات ابری
جدول 3-1 مصرف انرژی پردازنده ها با توجه به بار کاری
جدول 4-1 مقایسه الگوریتم های مختلف برپایه مصرف انرژی سرورها (Kwh)
فهرست اشکال
شکل1-1 بررسی گوگل از مقبولیت سیستم های کلاستر , گرید و ابر
شکل 1-2 سیر تکاملی سیستم های محاسباتی
شکل 1-3 نمایی از انواع مراکز داده (بدون مجازی سازی وبا مجازی سازی)
شکل 1-4 نمایی از چگونگی عملکرد MapReduce
شکل 1-5 نمایی کلی از ساختار مجازی سازی
شکل 1-6 سرورهای مجازی اجرا شده بر روی یک سخت افزار فیزیکی
شکل 1-7 تاثیر مجازی سازی در کاهش تعداد سرورهای فیزیکی
شکل 1-8 شمای کلی مجازی سازی مرکز داده
شکل 1-9 مهاجرت ماشین مجازی
شکل 3-2 رشته کروموزوم پیشنهادی
شکل 3-3 ترکیب – روال تک نقطه ای
شکل 3-4 مثال- ترکیب – روال تک نقطه ای
شکل 3-5 ترکیب – روال دو نقطه ای
شکل 3-6 مثال- ترکیب – روال دو نقطه ای
شکل 3-7 ترکیب – روال یکنواخت
شکل 3-8 جهش- بیتی
نمودار 4-1 – زمانبند ارائه شده با تعداد تکرار100 و عملگر ترکیب تک نقطه ای
نمودار 4-2 – زمانبند ارائه شده با تعداد تکرار1000 و عملگر ترکیب پراکنده
نمودار 4-3 مقایسه الگوریتم های مختلف برپایه مصرف انرژی سرورها (Kwh)
نمودار 4-4 مقایسه الگوریتم های انرژی آگاه برپایه مصرف انرژی سرورها (Kwh)
عنوان : ارائه الگوریتم زمانبندی مهاجرت ماشین های مجازی جهت بهینه سازی همزمان مصرف انرژی و تولید آلاینده ها در شبکه محاسباتی ابر
تعداد صفحات : 87
مشخصات فروشنده
نام و نام خانوادگی : جعفر علایی
شماره تماس : 09147457274 - 04532722652
ایمیل :ja.softeng@gmail.com
سایت :sidonline.ir
برای خرید و دانلود فایل و گزارش خرابی از لینک های روبرو اقدام کنید...
پرداخت و دانلودگزارش خرابی و شکایت از فایل