پروژه بهینه سازی swarm ذرات (PSO)، یک الگوریتم تکاملی. doc

نوع فایل: word

قابل ویرایش 137 صفحه

چکیده:

بهینه سازی swarm ذرات (PSO) ، یک الگوریتم تکاملی برای بهینه سازی می باشد و مشخص می کند که آیا انتخاب طبیعی، یا سازگارترین بقا میتواند توانائی فرار الگوریتم را از بهینه سازی محلی بالا ببرد یا خیر. بسیاری از شبیه سازیها برای شبیه سازی کردن گزینه ها الگوریتم PSO را بصورت موازی بکار می برند و هر یک از swarm ها در جهت حل یک مشکل تست عمل می کنند. برای اجرای گزینه ها قوانینی ساده پیش بینی شده است.

توانایی PSO فرار از بهینه سازی محلی از طریق قیاس یک swarm تکی و یک مجموعه مشابه از swarm ها انجام می گیرد و مقدمتاً در غیاب مکانیسم انتخاب متفاوت می شوند برای همان مشکل تست مشابه کار می کنند. فرایند گزینش نشان داده است که توانائی ایجاد بهترین نوع کنترل سرعت ذرات را دارد که یک مشکل انتخاب طرح خاص الگوریتم PSO است .

متد PSO از ذرات swarm همکار در جائیکه هر ذره یک راه حل داوطلبانه را ارائه می دهد استفاده می کند . هر ذره به طور اتفاقی یا اکتشافی ارزش دهی شده است . در هر مرحله از بهینه سازی هر ذره مجاز است تا سازگاری خودش و سازگاری ذرات مجاورش را ارزیابی کند . هر ذره می تواند نشانی از راه حلش را بر جای بگذارد ، که می تواند منجر به بهترین سازگاری شود. همچنین میتواند داوطلبانه راه حل بهترین عملکرد در ذره مجاورش باشد .

اصلی ترین مشکل در بهینه سازی swarm این است که آنها در مطلوبترین موضع به داممی افتند . ممکن است الگوریتمی خاص در یک مکان بهترین عملکرد را داشته باشد ولی در الگوریتمی دیگر ناموفق عمل کند . اگر بتوان الگوریتمی را طراحی کرد که با عملکرد سازگاری تطبیق داشته باشد و خودش را با لند اسکیپ سازگار تطبیق دهد یک الگوریتم قویتر با کاربردی وسیعتر بدون نیاز به مهندسی خاصی برای حل مشکل نتیجه خواهد داد.استراتژیهائی جهت اجتناب از بهینه سازی محلی که شامل کشش پارسوپولوس (2) و محدب سازی (3) هستند به کار میروند.طبیعت به روشی اشاره می کند که احتمال دارد به گیر انداختن بهینه سازی محلی کمک نماید .

مقدمه:

بهینه سازی گروه ذره (PSO) ، جمعیتی که بر پایه روش بهینه سازی اتفاقی ، توسط دکتر آبراهانت و دکتر کندی در سال 1995 گسترش یافت ، از رفتار اجتماعی دسته های پرندگان یا ماهیان الهام گرفته شده است .

PSO بسیاری از شباهت ها را با روش های محاسبه تکاملی ، مانند الگوریتم های ژنتیک (GA) به اشتراک می گذارد . این شیوه ها با انبوهی از راه حل های تصادفی و با استفاده از تولیدات روز در جستجوی بهترین ها است . اگرچه PSO و GA بی شباهت با اپراتورهای تکاملی ای همچون همبری کروموزومی و جهش نیست ، در راه حل های بالقوه ، که ذرات نامیده شدند ، در فضای میان مسائل در پی ذرات بهینه متداول ، پرواز می کنند .همانطور که بیان شد الگوریتم بهینه سازی swarm ذره) (PSO یک تکنیک بر اساس جمعیت است که برگرفته از حرکت دسته پرندگان، یا ماهی ها می باشد ؛ چنین دسته هایی در واقع سازمان هایی اجتماعی هستند که رفتار کلی آنها متکی بر نوعی ارتباط بین اعضا و تعاونی می باشد . کلیه اعضا دسته ای از قوانین ساده را پیروی می کنند که ارتباط درون دسته و بین دسته و محیط را مدل سازی می نماید . هر چند رفتار سراسری بسیار پیچیده تر و عموماً مجموع موفق است .

 برای نمونه ، یک دسته معمولاً در یافتن بهترین مکان تغذیه موفق است ، ولی یک عضو تک همان دسته تقریباً غیر ممکن است که همین موفقیت را کسب کند . الگوی PSO به نظر می رسد که پیروی 5 اصل پایه از هوش swarm می باشد : نزدیکی ، کیفیت ، پاسخ متنوع ، ثبات و سازش پذیری

انتخاب ویژگی یکی از بخش های مهم در بازشناسی الگو است . با انتخاب ویژگی های مناسب نرخ بازشناسی درست طبقه بند افزایش می یابد . در اینجا از الگوریتم های PSO پیوسته و باینری برای انتخاب ویژگی در طبقه بندی معنایی تصویر که یکی از چالش های مهم در بازیابی تصویر است ، استفاده شده است . برای این منظور از یک پایگاه تصویر شامل ١٠ گروه معنایی ، هر گروه شامل ١٠٠ تصویر ، استفاده شده است . برای طبقه بندی از روش k همسایه نزدیکترو برای تخمین نرخ آن از روش « یکی را کنار بگذار » استفاده شده است . عملکرد الگوریتم های PSO باینری ، PSO پیوسته و الگوریتم وراثتی در شرایطی یکسان با یکدیگر مقایسه شده و نتایج آن تحلیل شده است .

با نظر به اینکه وسعت و محدوده الگوریتم های ژنتیک بسیار گسترده می باشد ، لذا پوشش دادن تمامی مطالب در این صفحات امکانپذیر نمی باشد . الگوریتم های ژنتیک بخشی از تحولات رشته کامپیوتر هستند که دارای فضای رشد سریعی در عرصه هوش مصنوعی می باشند .

به طوری که می توان حدس زد ، الگوریتم های ژنتیک ازتئوری داروین که درمورد تکامل تدریجی است ، الهام گرفته اند . با نگاه دقیق به روند تکامل ، یعنی روندی که طبیعت برای حل مسائل خود از آن استفاده می کند ، می توان به ایده های جالب و قابل پیاده سازی رسید . جانوران برای ابقاء خود و ادامه حیات مجبور به سازگاری با محیط هستند . اطلاعات گرفته شده درطی هزاران سال از طبیعت در کروموزوم ها ودر سطح پایین تر روی ژن ها و DNA ها ذخیره می گردد .

فهرست مطالب:

فصل اول : بررسی ساختار ا لگوریتم های تکاملی

1-1) مقدمه

1-2) تاریخچه

1-3) کروموزوم

1-4) فضای جستجو

1-5) جمعیت ژنتیکی

1-6) تابع شایستگی

1-7) عملگرهای ژنتیک

1-7-1) عملگر برش

1-7-2) عملگر جهش

1-8) پارامترهای الگوریتم ژنتیک

1-8-1) پارامتر احتمال برش

1-8-2) پارامتر احتمال جهش

1-8-3) پارامترهای دیگری

1-9) ساختار کلی الگوریتم های ژنتیک

1-10) شرط خاتمه الگوریتم های ژنتیک

1-11) انواع روشهای رمزگذاری کروموزوم

1-11-1 )نمایش باینری

1-11-2) نمایش با مقدار حقیقی

 1-11-3) نمایش ترتیبی

1-11-4) نمایش درختی

1-12) انواع روش های انتخاب

1-12-1)Roulette Wheel Selection

1-12-2) Rank Selection

1-12-3) Steady State Selection

1-12-4) Tournament Selection

1-13) انواع روشهای عمل برش

1-13-1) رمزگذاری باینری

1-13-1-1) روش تک نقطه ای

1-13-1-2) روش دو نقطه ای

1-13-2) برش متحدالشکل

1-13-3) برش حسابی

1-13-4) رمزگذاری نوع ترتیبی

1-13-5) برش درختی

1-14) انواع روشهای عمل جهش

1-15) نظریات

فصل دوم : ارزیابی گسسته و الگوریتم swarm ذره

2-1) مقدمه

2-2) الگوریتم بهینه سازی swarm ذره

3-2) اثر ارزیابی گسسته

2-4) نتیجه گیری

2-5) مقدمه ای بر PSO

2-5-1 )منابع الهام گرفته شده

2-5-2) نظرات

2-5-3) بهینه سازی پیوسته

2-5-4) الگوریتم اصلی

2-5-5) متغیرهای اصلی

2-5-6) توپولوژی های جمعیت های مختلف

2-5-7) Interia Weight

2-5-8) کاهش زمانی Interia Weight

2-5-9) معیار PSO

2-5-10) فرم کامل PSO

2-5-11) دیگر متغیرها

2-5-12) پارامتر انتخاب

2-5-13) موضوع جستجو

2-5-14) کار روی IRIDIA-CODE

فصل سوم : انگیزه ایجاد PSO و بررسی ساختار آن

3-1) مقدمه ای بر هوش جمعی

3-1-2)تور الگویی روانشناسی اجتماعی

3-1-3)تئوری مؤثر اجتماعی پویا لاتانس

3-1-4) مشخصات تئوری مؤثر اجتماعی پویا

3-1-5) تئوری مؤثر اجتماعی پویا : خلاصه

3-1-6) مدل فرهنگی آکسل رود

3-1-7) مدل فرهنگی سازگار شهری

3-1-8) خلاصه معرفت و فرهنگ

3-1-9) خوب نظرتان در رابطه با هوش چیست ؟

3-1-10) یک دور کوتاه از محاسبه تدریجی

3-1-11) مشخصات محاسبه تدریجی- الگوی (EC)

3-1-12) الگوریتم محاسبه تدریجی

3-1-13) الگوهای محاسبه تدریجی

3-1-14) جمعیت ها

3-1-15) جمعیت با هوش

3-1-16) اصول اصلی هوش گروهی (مارک میلوناس)

3-2)مقدمه ای بر بهینه سازی خرده جمعیت

3-2-1) تکامل مفهوم والگوی PSO

3-2-2) مشخصات بهینه سازی ذره

3-2-3) فرایند PSO

3-2-4) معادله های تازه مساحت در سرعت PSO

3-2-5) جزئیات بیشتر از PSO

3-2-6) تبعیت PSO در اصول هوش جمعی

3-2-7) آزمایش های پایه

3-2-8) سیستم های مبهم کامل شده

3-3) شبکه های عصبی مصنوعی تکمیلی

3-3-1)مقدمه

3-3-2) شبکه های عصبی تکاملی با بهینه سازی گروه ذره

3-3-3) تکمیل شدن ساختار شبکه ای با PSO

3-3-4) PSO مسائل سخت را حل می کند

3-4) سیستم های محرک بهینه سازی شده و ردیابی شده

3-4-1) ایجاد نسخه اصلی با Inertia Weight (چگالی وزن)

3-4-2) انواع سیستم محرک

3-4-3) الزامات عملکرد عملی

3-4-4) کار قبلی

3-4-5) نتایج و تلاشهای آینده

3-4-6) ردیابی PSO اجتماع

3-4-7) نمونه عملکرد

3-4-7-1) کنترل ولتاژ و قدرت عملکرد دوباره

3-4-7-2) سیستم جدول بندی برای ترمینال اتوماتیک شده سراسری

3-4-7-3) زمانبندی سیستم برای IACT – Workflow

3-5) شبکه های عصبی و توده ذرات

3-5-1) شبکه های عصبی

منابع و مأخذ:

[1].H.A.Firip and E.Goodman , “Swarmed feature selection”, in IEEE Proceedings of the 33rd Applied Imagery Pattern Recognition Workshop, AIPR’04, 2004.

[2]. M.L.Raymer, W.F.Punch, E.Gooddman, L.A.Kuhn and A.K.Jain, “Dimentionality reduction using genetic algorithm”, IEEE Transaction on Evolutionary Computation”, vol. 4, no. 2, pp. 164- 171, 2000.

[3]. W.Siedlecki and J.Sklansky, “On automatic feature selection”, International Journal of Pattern Recognition and Artificial Intelligence, vol. 2, no. 2. pp. 197-220, 1989.

[4] . H.Vafaie and K.De Jong, “Robust feature selection algorithms” , Proc. Of the fifth Conference on Tools for Artificial Intelligence, Boston, pp. 356-363, 1993.

[5]. W.Siedlecki and J.Sklansky, “A note on genetic algorithm for large scale feature selection”, Pattern Recognition Letters , vol. 10, pp. 335-347, 1989

]6[. س.م.رضوی ، ها.صدوقی یزدی و ا.کبیر « انتخاب ویژگی برای بازشناسی ارقام دست نویس فارسی به کمک الگوریتم های وراثتی» ، هفتمین کنفرانس سالانه انجمن کامپیوتر ایران ، ص ٢٨٥ تا 292 ، 1380 .

[7]. J.D.Kelly and L.Davis, “Hybridizing the genetic algorithm and the k-nearest neighbor classification algorithm”, in Proc. 4th Int. Conf. on Genetic Algorithms Application, pp. 377-383, 1991

]8[. ح.نظام آبادی پور و ا.کبیر «ترکیب ویژگیهای سطح پایین برای طبقه بندی معنایی تصاویر» پذیرفته شده در مجله علمی پژوهشی کامپیوتر.

[9]. J.Kennedy and R.C.Eberhart, “Particle swarm optimization”, Proceedings of IEEE International Conference on Neural Networks, vol. 4, 1995.

[10]. M.Clers and J.Kennedy, “The particle swarm-explosion , stability and convergence in multidimensional complex space”, IEEE Trans. on Evolutionary Computing, vol. 6, pp. 58-73, 2002.

[11]. F.V.D.Bergh, “An analysis of particle swarm optimizer”, PhD thesis, University of Pretoria, South Africa, 2001.

[12]. H.B.Lip, Y.Y.Tang, J.Meng and Y.Jp, “Neural networks learning using vbest model particle swarm optimization”, Proceedings of the 3rd International Conference on Machine

[13]. B.Al-kazemi and C.K.Mohan, “Training feed forward neural networks using multi-phase particle swarm optimization”, Proceedings of the 9th International conference on Neural Information, vol. 5, 2002.

[14]. D.Merwe and A.Engelbrecht, “Data clustering using particle swarm optimization”, http://cirg.cs.up.ac.za/publications/ CEC2003d.pdf

[15]. T.R.Machado and H.S.Lopes, “A hiybrid particle swarm optimization model for the traveling salesman problem”, in: B.Ribeiro et al., Adaptive and Natural Computing Algorithms. Springer, pp. 255-258, 2005.

[16]. V.G.Gudise and G.K.Venayagamoorthy, “FPGA placement and routing using particle swarm optimization”, Proceedings of the IEEE Computer Society Annual Symposium on VLSI Emerging trends in VLSI Systems Design (ISVLSI’04), 2004.

[17]. J.Kennedy and R.C.Eberhart, “A Discrete Binary version of the particle swarm algorithm”, IEEE International Conference on Computational Cybernetics and Simulation, vol. 5, 1997.

[18]. S.Antani,R.Kasturi and R.Jain, “A survey on the use of pattern recognition methods for abstraction, indexing and retrieval”, Pattern Recognition, vol.1, pp.945-965, 2002.

[19]. A.W.M.Smeulders, M.Worring, S.Santini, A.Gupta and R.Jain, “Content-based image retrieval at the end of the early years”, IEEE Trans. on Pattern Analysis and Machine Intelligence, vol.22, no.12, pp.1349-1380, 2000.

[20]. R.C.Veitkamp and M.Tanase, “Content-based image retieval system: a survey”, Technical Report, UU-CS-2000-34, university of Utrecht, 2000. http://www.cs/.uu.nl /research/techreps/UU-CS-2000-34.html.

[21]. Y.Rui and T.S.Huang, “Image retrieval: current techniques, promising directions and open issues”, Journal of Visual Communication and Image Representation, vol.10, pp.39-62 , 1999.

[22]. Y.Li, X.Wan and C.C.J.Kuo, “ Introduction to content– based image retrieval-overview of key techniques”, in Image Database: Search and Retrieval of Digital Imagery, Edited by Bergman and Castelli, John Wiley & Sons, 2002.

[23]. A.Vailaya, A.T.Figueiredo, A.K.Jain and H.J.Zhang , “Content-based hierarchical classification of vacation images” , IEEE Int. Conf. on Multimedia Computing and Systems , ICMCS’99, Italy, pp. 518-523, 1999.

[24]. M.Szummer and R.W.Picard, “Indoor-outdoor image classification”, IEEE Int. Workshop on Content-Based Access of Image and Video Database, Bombay, 1998.

[25]. A.Vailaya, A.K.Jain and H.J.Zhang, “On image classification: city vs. landscape”, Pattern Recognition, vol. 31, pp. 1921-1935, 1998.

[26]. J.Z.Wang, J.Li and G.Wiederhold, “SIMPLIcity: semantic sensitive integrated matching for picture libraries”, IEEE Trans. on Pattern Analysis and Machine Intelligence, vol.23, no.9 , pp.947-963, 2001.

[27]. Q.Iqbal and J.K.Aggarwal, “Using structure in contentbased image retrieval”, IASTED Int. Conf. Signal and Image Processing, pp. 129-133, 1999.

[28]. A.Guerin-Dugue and A.Oliva, “Classification of scenephotographs from local orientations features”, Pattern Recognition Letters, vol. 21, pp. 1135-1140, 2000.

[29]. J.R.Smith and C.S.Li, “Image classification and querying using composite region templates”, Computer Vision and Image Understanding, vol.75, pp.165-174, 1999.

]30[. ح.نظام آبادی پور و س.سریزدی ، «نمایه سازی تصاویر رنگی در قلمرو JPEG » ، دهمین کنفرانس سالانه انجمن کامپیوتر ایران ، صفحات ۶۰۳ -610 ، بهمن 1383 .

[31]. H. Nezamabadi-pour and S. Saryazdi, “Object-based image indexing and retrieval in DCT domain using clustering techniques”, International Conference on Information Technology, ICIT2004, pp. 207-210, Istanbul, Turkey, 17-19 Dec. 2004.

]32[. ح.نظام آبادی پور و ا.کبیر «ترکیب ویژگیها با استفاده از آلگوریتم ژنتیک برای طبقه بندی معنایی تصاویر» ششمین کنفرانس سیستم های هوشمند ، کرمان ، صفحات 263-270 ، 1383 .

]33[. ن.مقدم ، ح.ربیعی و م. یاری پناه، «ارائه روشی جدید جهت کاهش ابعاد ویژگی بافت تصویر مبتنی بر الگوریتم ژنتیک» ، دهمین کنفرانس سالانه انجمن کامپیوتر ایران ، صفحات 203-210 ، 1383 .

[34]. H.Shao, J.W.Zhang, W.C.Cui and H.Zhao, “Automatic Feature weight assignment based on Genetic algorithm for image retrieval”, Proceedings of the IEEE International Conference on Robotics, Intelligent System and Signal Processing, pp. 731-735, 2003.

]35[. ح. نظام آبادی پور، «تصحیح خطای کوانتیزاسیون رنگ با استفاده از کنفرانس سیستم های هوشمند ، کرمان ، صفحات 271-278 ، 1383 .

]36[. ح. نظام آبادی پور و ا.کبیر «ارزیابی معیارهای عدم شباهت در طبقه بندی تصویر» نهمین کنفرانس سالانه انجمن کامپیوتر ایران ، دانشگاه صنعتی شریف ، صفحات 362-370 ، 1382 .

[37]. B.S.Manjunath and W.Y.Ma, “Texture feature for browsing and retrieval of image data”, IEEE PAMI, no. 18, vol. 8, pp. 837-842. 1996.

[38]. Y.Zhu, T.Tan and Y.Wang, “Font recognition based on global texture analysis”, IEEE Transaction on PAMI, vol. 23, no. 10, 2001.

[39]. A. Kumar and G.K.H.Pang, “Defect detection in texture materials using Gabor filters”, IEEE Transaction on Industry Applications, vol. 38, no. 2, 2002.

[40]. A.K.Jain and S.K.Bhattacharjee, “Address block location on envelopes using gabor filters”, Pattern Recognition, vol. 25, no. 12, pp. 1449-1477, 1992.

]41[. ف. میرزاپور و ح. قاسمیان ، «آشکارسازی بافت تصاویر ماهواره با استفاده از موجک های گابور» دومین کنفرانس ماشین بینایی و پردازش تصویر ایران ، جلد اول ، صفحات 140-145 ، 1381 .

 [42]. D.E.Goldberg, “Genetic algorithms in search, optimization , and machine learning”, Addison-Wesley, 1989.

[43]. Y.Rubner, J.Puzicha, C.Tomasi and J.M.Buhmann , “Empirical evaluation of dissimilarity measures for color and texture”, Computer Vision and Image Understanding, vol. 84 , pp. 25-43, 2001.

پک نرم افزار های روت اندروید (با کامپیوتر)

با روت کردن گوشی، شما میتونید به تمامی اطلاعات مهم  گوشی دسترسی پیدا کنید. (یه جور هک کردن گوشی و شکستن قفلشه)

فواید روت : 

۱- پاک کردن برنامه های ناخواسته و بازکردن فضای حافظه داخلی:
بعضی برنامه ها به صورت پیشفرض روی گوشی شما نصب هستند، مثل: ماشین حساب، تقویم و… که برای پاک کردن اونها باید دسترسی به روت داشته باشید. بعد از روت کردن میتونید به راحتی این دسته از برنامه ها رو حذف کنید و فضای حافظه داخلی گوشیتون رو آزاد کنید. اما توجه داشته باشید اگر بعضی از برنامه های سیستمی حذف بشن ممکنه به گوشی اسیب برسه.

۲- نصب رام های سفارشی (کاستوم رام):
اگر از رام رسمی گوشیتون خسته شدید و یا از امکانات و ظاهر اون راضی نیستید، حالا میتونید با این کار، از رام های سفارشی استفاده کنید. با نصب کاستوم رام ها، شما وارد یک دنیای دیگه از اندروید میشید، با قابلیت های زیاد و ظاهری زیبا. همچنین با نصب کاستوم رام ها، گوشی شما سریعتر از قبل میشه.

۳- اجرای برنامه هایی که به دسترسی روت نیاز دارن:
برخی از برنامه ها هستن که برای اجرای اونا به دسترسی روت نیاز داریم. این برنامه ها اغلب بسیار کاربردی هستن و ویژگی های مهمی رو به گوشی اضافه میکنن. برخی از این برنامه ها به شرح زیر هستن:

Nandroid ManagerTitanium BackupScreencast Video RecorderROM ManageradbWireless

۴- نصب برنامه ها روی کارت حافظه:
یکی از دلایل مهم روت کردن گوشی های اندروید، نصب برنامه و بازی ها روی مموری کارت هست، مخصوصا در گوشی های قدیمی اندروید که حافظه داخلی کمی دارن. با روت کردن میتونید برنامه ها و بازی ها رو به مموری کارت انتقال بدید و حافظه داخلی رو آزاد کنید.

۵- Overclock و Underclock کردن گوشی:
هر گوشی با مشخصه ای به نام processor clock frequency (سرعت پردازش) عرضه می شود. تولید کنندگان معمولا برای کاهش مصرف باطری سرعت پردازش رو در حد معمولی قرار میدهند اما شما با روت کردن میتونید سرعت پردازش رو افزایش دهید و در نتیجه سرعت عملکرد گوشی افزایش می یابد.
افزایش سرعت پردازش که در اصطلاح به آن اورکلاک می گویند در مواردی به کار میبرد که میخواهیم یک بازی گرافیکی بر روی گوشی نصب کنیم یا یک برنامه سنگین رو اجرا کنیم، یا اورکلاک کردن بازی های گرافیکی لگ کمتری خواهند داشت و سرعت اجرای برنامه و بازی ها افزایش می باید اما باعث تخلیه سریع باطری می شود. اما اگر می خواهید مصرف باطری رو کم کنید می تونید سرعت پردازش رو کاهش دهید که در اصطلاح به آن Underclock می گویند.

مضرات روت :

۱- باطل شدن گارانتی گوشی:
با روت کردن، گارانتی گوشی شما نیز باطل میشه. اگر بعد از روت کردن، گوشی شما دچار اسیب های سخت افزاری یا نرم افزاری بشه، به علت روت کردن گوشی گارانتی شما نیز باطل شده و هزینه تعمیر کردن گوشی به صورت رایگان انجام نمیشه.

۲- دغدغه های امنیتی:
مهمترین دلیلی که در اندروید، دسترسی به اطلاعات مهم گوشی رو به  صورت عادی نمیدن، خطر های امنیتیه. سیستم عامل اندروید به علت متن باز بودن، بسیار در معرض الوده شدن به ویروس های مخربه. شما با این کار گوشی، اطلاعات مهم گوشی رو آزاد کردید و هر لحظه خطر ویروسی شدن اونها وجود داره، پس اگر گوشی خودتونو روت کردید باید بیشتر مراقب برنامه هایی که روی گوشی نصب می کنید باشید.

۳- اسیب رساندن به گوشی:
بریک شدن گوشی یا Bricking به معنی نابود شدن گوشیه!  اگر در هنگام عملیات مشکلی به وجود بیاد یا اتصال گوشی قطع بشه، ممکنه گوشی شما بریک بشه و آسیب های بسیار جدی ای به گوشی برسونه که هرگز درست نشه. اما نگران نباشید در حال حاضر آموزش های گوناگونی وجود داره که خطر بریک شدن رو بسیار کاهش داده.

حل مشکل شبکه گوشی سامسونگ j500f بدون نیاز به باکس

حل مشکل شبکه گوشی سامسونگ j500f

قابل رایت با ODIN

در این فروشگاه کلیه فایل ها تست شده با لینک مستقیم و زیر قیمت میباشد

اما درصورت عدم نتیجه گیری، ما تا آخرین لحظه در کنار شما خواهیم بود

لطفا به نکات آموزشی و پیشنهادی بعد از خرید عمل کنید

کیفیت مسیر ماست، نه مقصد ما / درگاه خرید امن، خرید مطمئن

به کانال تلگرام ما بپیوندید و از تخفیف و آموزش و فایل های رایگان با خبر شوید

بهترین تبلیغ ما ، رضایت شماست

پروژه نقد و بررسی محل یابی حسگرها در شبکه های حسگر بی سیم. doc

نوع فایل: word

قابل ویرایش 120 صفحه

چکیده:

شبکه حسگر شبکه ای است متشکل از تعداد زیادی گره کوچک. در هر گره تعدادی حسگر یا کارانداز وجود دارد. شبکه حسگر به شدت با محیط فیزیکی تعامل دارد. از طریق حسگرها اطلاعات محیط را گرفته و از طریق کاراندازها واکنش نشان می دهد و ارتباط گره ها به صورت بی سیم است. هر گره به طور مستقل و بدون دخالت انسان کار میکند و نوعا از لحاظ فیزیکی بسیار کوچک است. و دارای محدودیت هایی در قدرت پردازش ظرفیت حافظه و منبع تغذیه و ..... می باشد. شبکه های حسگر از پشته پروتکلی شبکه های سنتی پیروی می کنند ولی به خاطر محدودیت ها و تفاوت های وابسته به کاربرد پروتکل ها باید بازنویسی شوند.

پیشرفتهای اخیر در شبکه های حسگر بی سیم و کاربردهای گسترد ه آن در امور کشاورزی، نظامی و تجاری، سبب توجه بیشتر به این قسم از شبکه ها شده است. به منظور معنی دار بودن داده های گره ها و کمک به الگوریتمهای مسیر یابی، مکان یابی بحثی اساسی و مهم در عملکرد و مدیریت شبکه حسگر می باشد. به علت زیاد بودن تعدادگره ها و محدودیت انرژی در آنها، الگوریتمهای مکان یابی باید در شرایط متعددی صدق کنند.

در این سمینار هر یک از روش های موقعیت یابی بطور احمالی مورد نقد و بررسی قرار گرفته و نکات قوت و ضعف هر یک از روش های موجود موقعیت یابی بیان می شود و راه کارهایی برای انجام کارهای بعدی ارائه خواهد شد .

مقدمه:

سنسورهای شبکه های سنسور بی سیم (WSN) برای حس اطلاعات یا داده ها ، مانند دمای هوا ، نور و اشعه و یا کاربردهای نظامی در سرتاسر ناحیه مورد نظر پخش می شوند . یک روش ایجاد یکشبکه سنسور بی سیم این است که یک هواپیما سنسورها را در یک پرواز در یک منطقه برای جمع آوری اطلاعات پخش کند . یک شبکه سنسور بی سیم ، معمولاً شامل تعداد زیادی سنسور می شود . این سنسورها معمولاً انرژی ذخیره شده کم و نیز قدرت بسیار پائین محاسباتی برای استفاده از اطلاعاتی که توسط سنسور جمع آوری می شوند ، دارند . سنسورها ، اطلاعات جمع آوری شده را برای تجزیه و تحلیل به استگاه مرکزی می فرستند ، به همین علت برای استفاده از اطلاعات سنسورها لازم است اطلاعات موقعیت آنها را داشته باشیم . علاوه بر این بسیاری از پروتکل های ارتباطی شبکه های سنسور ، بر اساس دانش موقعیت های جغرافیایی سنسورها بنا می شوند . اگرچه می توان موقعیت هر سنسور را در شبکه بی سیم با کمک سیستم موقعیت یابی جهانی (GPS) یافت با این حال به خاطر مصرف انرژی بالای آن ، هزینه هنگفت و شرایط محیطی ، نصب گیرنده GPS در همه سنسورها ، عملی نمی باشد .روش های زیادی در مورد تعیین محل سنسور پیشنهاد شده است. یکدسته از روش ها ، برآورد فاصله بر مبنای سیگنال های متفاوت می باشد . بطور مثال ، تکنیک نشانگر قدرت سیگنال در گیرنده استفاده می شود و به خاطر سادگی آن ، این روش به شکل گسترده در تحقیقات استفاده می شود . علاوه بر این روش ، روش های زمان رسیدن (TOA)و اختلاف زمان رسیدن (TDOA) برای کاهش خطاهای فاصله های برآوردی به کار گرفته شده است ولی این روش ها نیاز دارند که هر گره ( سنسور) مجهز به CPU با قابلیت محاسبه بالا باشد . از زاویه رسیدن (AOA)نیز می توان برای اندازه گیری موقعیت های سنسور استفاده کرد . اصولاً روش های موقعیت یابی بر تعداد زیاد گره ها با موقعیت های توزیع شناخته شده در شبکه سنسور بی سیم تکیه دارد ، به گونه ای که یک سری گره ها با موقعیت های شناخته شده در شبکه وجود دارند که به آنها گرههای علامت دار یا مهار (Beacon) می گویند .

وجود چند گره با موقعیت معلوم در شبکه مستلزم این است که این نوع از حسگرها ، موقعیت خودشان را به وسیله ابزارهای گرانبهایی همانند GPS در هر لحظه بدانند و از آنجایی که استفاده از این ابزارها جهت موقعیت یابی در شبکه تا حد ممکن باید کم باشدلذا در الگوریتم های ارائه شده تا به حال وجود یا عدم وجود این ابزارها یکی از فاکتورهای مهم در هزینه بر بودن الگوریتم و کارایی آن تلقی می شود .

در اینسمینارماسعی خواهیم کرد که در هر یک از روش های گفته شده این مساله را نیز بررسی کرده و پیشنهادی ارائه خواهیم کرد که به کمک الگوریتمهای ژنتیکی و با یک گره مرجع می تواند بهبود قابل توجهی را در میزان هزینه و همجنین دقت موقعیت یابی روش های موجود بدهد

در این سمینار در فصل اول ابتدا مروری بر مفهوم شبکه های حسگر بی سیم انداخته و در فصل دوم جایگاه و اهمیت موقعیت یابی در این شبکه ها را بررسی خواهد شد . در فصل سوم هر یک از الگوریتم های ارائه شده تا به حالبررسی می شود و نکات قوت و ضعف هر یک از روش ها بیان خواهد شد . در فصل چهارم مروری بر چند ابزار شبیه سازی مهم شبکه های حسگر بی سیم می شود و در فصل پنجم به طور مختصر پیشنهاداتی جهت کارهای آینده در خصوص موقعیت یابی این شبکه هاارائه خواهد شد و با نتیجه گیری به پایان خواهد رسید .

فهرست مطالب:

پیشگفتار

چکیده

فصل اولمقدمه

فصل دوممروری بر شبکه های حسگر

2 – 1معرفی شبکه حسگر

2- 2 ساختار کلی شبکه حس/کار بی سیم

2 – 3 ساختمان گره

2- 4 ویژگی ها

2-5کاربردها

2 -6پشته پروتکلی

2 – 7 موضوعات مطرح

2- 8نمونه یپیاده سازی شده شبکه حس/کار

2- 8 – 1ذره ی میکا

فصل سوماهمیت موقعیت یابی در شبکه های حسگر

فصل چهارم نقد و بررسی روش های محل یابی حسگرها در شبکه های حسگر

4- 1 کارهای مرتبط

4 – 2موقعیت یابی سیستم های خانه به خانه با نواحی گسترده

4- 2- 1 سیستم موقعیت یاب جغرافیایی

4- 3مکانیزم موقعیت یابی مرکزی

4- 4 مکانیزم موقعیت یابی توزیع شده

4- 5 بررسی روش های مکان یابی مبتنی بر فاصله

4-5-1 اندازه گیری قدرت سیگنال دریافتی

4-5-2زاویه ورود

3- 5 – 3اختلافزمانبین ورود

4-5-4زمان ورود

4-6 موقعیت یابی داخلی

4- 6 -1سیستم کریکت

4- 7تکنیک های مبتنی بر محاسبه موقعیت

4- 7- 1مثلث بندی و multilateration

4- 7 -2درجه بندی خودکار و تکنیک های دیگر

4- 8 موقعیت یابی پویا در شبکه های حسگر

4- 8- 1 multilaterationاتمیک

4-8-2 multilateration تکراری

4-8-3Multilateration مشترک

4-9بررسی روش های مکان یابی مستقل از فاصله

4-9-1آیا من را می شنوی ؟

4-9-2روش مکان یابی نقطه در مثلث

4-9-3-روش مکان یابیچند گامی

4-9-4پیمایش چند بعدی

4- 9- 5Multilateration چند گامی

4-10موقعیت یابی به کمک گره مرجع سیار

4- 11موقعیت یابی عاری از گره مرجع

4-12روش های موقعیت یابی با گره مرجع سیار

4-12-1تخمین موقعیت گره حسگر

4-12-1-1موقعیت یابی به کمک گره مرجع سیار

4-12-1-2موقعیت یابی با گره مرجع سیار و در همسایگی گره

4-13موقعیت یابی با یک گره راهنما سیار

4-13-1الگوریتم برای موقعیت یابی یا یک گره راهنما سیار واحد

4-13-2خط سیر گره راهنما

4-14تحلیل تجربی سیستم موقعیت یابی با یک گره راهنما سیار

فصل پنجم بررسی نرم افزارهای شبیه سازی شبکه

5- 1خصوصیات لازم برای شبیه سازهای شبکه

5- 2شبیه ساز OPNET

5-2-1مدل شبکه

5-2-2مدل گره

5- 2 -3مدل پردازش

5- 3شبیه ساز NS(v2)

5-3 -1معماری درونی NS

5-3-1-1مدل VuSystem

5 -4شبیه سازOMNeT++

5-5شبیه ساز Ptolemy II

5 -6مدل سازی شبکه های بی سیم

5-6-1 اجرای یک مدل پیش ساخته

5-6 -2تغییر پارامترها

5- 7پیاده سازی در Ptolemy II

5-7-1طراحی ومدل کردن ناهمگن پتولومی

5-7-2مدل شبکه حسگر

5-8چند مثال و کاربرد

5-8-1غرق سازی

5-8-2مثلث بندی

5-8-3نظارت بر ترافیک

5-8-4گمشده جنگی در منطقه دشمن و تعقیب کننده

فصل ششم نتیجه گیری

منابعو مراجع

فهرست شکل ها:

شکل 2-1ساختار کلی شبکه حس / کار

شکل 2 -2ساختار خودکار

شکل 2- 3ساختار نیمه خودکار

شکل 2- 4ساختمان داخلی گرهحسگر/کارانداز

شکل 2 – 5پشته پروتکلی

شکل2-6ذره میکا

شکل2-7ساختار داخلی غبار هوشمند

شکل 3 -1مثالی از یک شبکه حسگر بی سیم

شکل 4 -1موقعیت یابی به کمک زاویه ورود

شکل 4 – 2موقعیت یابی به کمک تکنیک های زمان ورود و اختلاف زمان بین ورود

شکل4- 3 الف hyperbolic trilaterationشکل 4- 3 بمثلث بندی کردن

شکل 4-4انتخاب نقطه راهنما

شکل 4- 5بسته راهنما در داخل ناحیه سایه نمی تواند به موقعیت یابی گره حسگر کمک کند .

شکل 4- 6استفاده از یک بسته راهنمای جدید برای مشخص کردن موقعیت بسته راهنما

شکل 4- 7 یک گره راهنما سیار که در زمینه موقعیت یابی کمک میکند .

شکل 4-8موقعیت یابی به کمک گره راهنما

شکل 4 -9یک سیستم موقعیت یابی بر اساس گره راهنما سیار

شکل 4 -10 یک گره با مختصات نامعلوم و استفاده از گره راهنمای سیار در ساختار تجربی .

شکل 4 -11خطای موقعیت یابی برای هر یک از گرههای با مختصات نامعلوم

شکل 4-12ارزیابی خطای موقعیت یابی با تعداد گره های راهنما دریافت شده

شکل 5 -1مدل شبکه برای یک شبکه حسگر بی سیم

شکل 5 – 2الف( مدل گره برای یک گره راهنما ب)مدل گره برای یک گره با موقعیت نامعلوم

شکل 5 -3مدل پردازش برای یک گره راهنما

شکل 5 -4مدل گره برای یک گره با موقعیت نامعلوم

شکل 5- 5ساختار پیمانه ای OMNeT++

شکل 5 -6زیرپیمانه های متصل به یکدیگر و زیرپیمانه های متصل به مازول والد

شکل 5- 7 محیط Ptolemy II

شکل 5-8 مدل DE نمونه در Ptolemy,به عنوان بلوک دیاگرام نمایش داده شده است.

شکل 5-9نمایش Visualsense از مدل کشف بی سیم صوت

شکل 5 -10نمایش مدل در حال اجرا

شکل5-11 پارامتر های اکتور منبع صوت(سمت چپ)و مدل کانال صوتی(سمت راست)

شکل 5- 12 تصویری از مثال غرق سازی

شکل 5- 13 تصویر مثال مثلث بندی

شکل 5- 14تصویری که میدان حسگر ها را به همراه کانال ها و... نمایش می دهد

منابع و مأخذ:

 [1] J.-P. Sheu, J.-M. Li, and C.-S. Hsu, “A Distributed Location Estimating Algorithm for Wireless Sensor Networks, Proceedings of International Conference on Sensor Networks, Ubiquitous, and Trustworthy Computing (SUTC), vol. 1, pp. 218-225, June 2006.

[2 ]M. Rudafshani and S. Datta, “Localization in Wireless Sensor Networks,” Proceedings of International Conference on Information Processing in Sensor Networks (IPSN), pp. IEEE TRANSACTIONS ON MOBILE COMPUTING This article has been accepted for publication in a future issue of this journal, but has not been fully edited. Content may change prior to final publication. 34 51-60, Apr. 2007

[3]Per Enge, Pretap Misra, Special Issue on GPS: The Global Positioning System, Proceeding of the IEEE,Volume 87, Number 1,pp. 3-172, January 1999.

[4]J. Hill, R. Szewczyk, A Woo, S. Hollar, D. Culler, and K. Pister, System Archtecture Directions for Networked Sensors,’’ Proceedings of the 9th International Conference on Architectural Support for Programming Language and Operating Systems, November 2000.

[5]Jeffrey Hightower, Gaetano Borriello, Location Systems for Ubiquitous Computing, IEEE Computer, August 2001.

[6] Robert Szewczyk, Eric Osterweil, Joseph Polastre, Michael Hamilton, Alan MainWaring, and Deborah Estrin, “Habitat Monitoring with Sensor Networks”, Communication of the ACM, volume 47, Number 6, pp. 34-40, June 2004.

[7]M. Terwilliger, A. Gupta, V. Bhuse, Z, Kamal, and M. Salahuddin, “A Localization System using Wireless Network Sensors: A Comparsion of Two Techniques”, The Proceedings of the First Workshop on Positioning, Navigation and Communication, Hannover, Germany, March 2004.

[8]A. Savvides, C. C. Han, M. B. Srivastava, “Dynamic Fine-Grained Localization in Ad-Hoc Networks of Sensors”, In Proceedings of the Seventh Annual International Conference on Mobile Computing and Networking(MOBICOM 01), 2001.

[9]Chris Savarese, Jan Rabaey, Jan Beutel, “Locationing in Distributed Ad-Hoc Wireless Sensor Networks, “Proceedings of the International Conference on Acoustics, Speech, and Signal Processing, vol. 4,(Salt Lake City, UT), pp, 2037.

[10]Chris Savarese, Jan M Rabaey , Koen Langendoen, “Robust Positioning Algorithms for Distributed Ad-Hoc Wireless Sensor Networks”, Proceedings of the General Track: 2002 USENIX Annual Technical Conference,p.317-327, June 10-15, 2002.

[11]S. Meguerdichian, S. Slijepcevic, V. Karayan, and M. Potkonjak, “Localized Algorithms in Wireless Ad-Hoc Networks: Location Discivery and Sensor Exposure”, Proceedings of MobiHOC2001, Long Beach, CA, 2001.

[12] Garrison Greenwood, Ajay Gupta and M Terwilliger, “Scheduling Replicated Critical Tasks in Faulty Networks Using Evolution Strategies, Proceedings of the 1995 IEEE Intl Conf. on Evolution Computing, pages 152-156, 1995.

[13]James Aspnes, David Goldenberg, and Yang Richiard Yang. On the computational complexity of sensor network localization. Algorithm Aspects of Wireless Sensor Networks: First International Workshop, ALGOSESNSORS 2004, Turku, Finland, July 16, 2004.

[14]The familiar project, http://familiar.handhelds.org.

[15]LORAN. http://www.navcen.uscg.gov/loran/Default.htm#Link.

[16] Opnet network simulator, http://www.opnet.com.

[17]I.F. Akyildiz, W. Su, Y. Sankarasubramaniam, and E. Cerci. Wireless sensor networks: A survey. IEEE Computer, 38(4):393–422, March 2002 .

[18] I. F. Akyildiz, W. Su, Y. Sankarasubramaniam, and E. Cayirci, “A survey on sensor networks,” Elsevier Computer Networks, vol 38, pp. 393–422, 2002.

[19]A El-Rabbany, “Introduction to GPS: the Global Positioning System,” Artech House, Boston, London, 2002.

[20] K. Langendeon and N. Reijers, “Distributed localization in wireless sensor networks: a quantitative comparison,” Elsevier Computer Networks, vol 43, pp. 499–518, 2003.

[21] P. Bahl and V. N. Padmanabhan, “Radar: An in-building rf-based user location and tracking system,” In Proceedings of the IEEE Infocom 2000, 2000, pp. 775–784.

[22] N.B. Priyantha, A. Chakraborty, and H. Padmanabhan, “The cricket location support system,” In Proceeding of 6th ACM International Conference on Mobile Computing and Networking (MOBICOM), 2000, pp.32-43.

[23]A. Savvides, C.-C. Han, and M. Srivastava, “Dynamic fine-grained localization in ad-hoc networks of sensors,” In 7th ACM Int. Conf. on Mobile Computing and Networking (Mobicom), 2001, pp. 166 -179.

[24]D. Niculescu and B. Nath, “Ad hoc positioning system (APS) using AoA,” In: Proceedings of the IEEE INFOCOM, the Annual Joint Conference of the IEEE Computer and Communications Societies, 2003, pp. 1734–1743.

[25]A. Ward, A. Jones, and A. Hopper, “A new location technique for the active office,” IEEE Personal Communications, vol. 4, no. 5, pp. 42–47, Oct. 1997.

[26]L. Girod, “Development and characterization of an acoustic rangefinder,” Computer Science Department, University of Southern California, Tech. Rep. 00-728, Apr. 2000.

[27] Codeblue Project. Available: http://www.eecs.harvard.edu/˜mdw/proj/codeblue/ [Accessed Dec. 4, 2007].

[28] Fraunhofer Body Area Network. Available: http://www.ban.fraunhofer.de [Accessed Dec. 4, 2007].

[29] J. Heidemann N. Bulusu and D. Estrin. “Gps-less low cost outdoor localization for very small devices,” IEEE Personal Communications Magazine, vol. 7, pp.28–34, Oct 2000.

[30] T. He, C. Huang, B. Blum, J. Stankovic, and T. Abdelzaher. “Range-free localization schemes in large scale sensor networks,” In : ACM MobiCom, 2003, pp.81-95.

[31] D. Niculescu and B. Nath. “Ad hoc positioning systems (aps),” In Proceedings of the IEEE GlobeCom, 2001, pp.2926 – 2931

[33] G. Mao, B. Fidan and B. Anderson, “Wireless sensor network localization techniques,” Elsevier Computer Networks, vol 51, pp. 2529–2553, 2006.

[34] S.-S Wang, K.-P Shih, C.-Y Chang, “Distributed direction-based localization in wireless sensor networks,” Elsevier Computer Networks, vol 30, pp. 1424–1439, 2007.

[35] D. Koutsonikolas, S.M. Das, Y.C Hu, “Path planning of mobile landmarks for localization in wireless sensor networks,” Elsevier Computer Networks, vol 30, pp. 2577–2592, 2007

پروژه ساخت و ایجاد component های جدید با استفاده از مدلسازی (( VSM)). doc

نوع فایل: word

قابل ویرایش 53 صفحه

مقدمه:

انسان برای اینکه بتواند هر کاری را  به نحو احسن انجام دهد نیاز به کسب یکسری مهارت  و  اطلاعات در مورد آن کار دارد تا بتواند با استفاده از مهارت های کسب شده و اطلاعاتی که در مورد نحوه ی انجام  کار دارد بازده کار خود و کیفیت انجام کار را به حد بالایی برساند .  تمام اموری که بشر در آنها دخالت داشته ، دارد و خواهد داشت از این قانون  کلّی  مستثنی نمی باشند ، یعنی؛ جمع آوری و حفظ اطلاعات در مورد آن موضوع و کسب مهارت های لازم جهت اجرای کار به نحو احسن .  در مورد کار با VSM  نیز ، ما نیاز داریم  پیش از ورود به مباحث اساسی در طراحی  مدل های VSM  ، با ابزارها و امکاناتی که می توانیم از آنها در رسیدن به هدف اصلی خود – که همانا ساخت و طراحی مدل های جدید VSM می باشد -  بهره  بجوئیم ،  آشنا شده و  با اتّکا به مهارت های کسب شده و با اضافه کردن چاشنی ابتکار خود به  آنها ، با اطمینان و علاقه به سوی رسیدن به هدف خود محکم و استوار گام برداریم . 

در این بخش می خواهیم شما را با پیش نیاز ها ی کار با مدل VSM آشنا کنیم . لازم به ذکر است که برای ورود به عرصه ی ایجاد ، طراحی و پیاده سازی  مدل های VSM  نیاز به آشنایی با نرم¬افزار PROTEUS  و زبان  برنامه سازی  C++ دارید . ما فرض می کنیم که شما با هر دوی این موارد آشنایی دارید بنابراین تنها به معرفی ابزار ها و سرویس هایی که نرم افزار PROTEUS در اختیار شما قرار می دهد و همچنین مفاهیم و کاربرد های توابع موجود در کتابخانه ISIS  که به زبان C++ می باشند ، خواهیم پرداخت .

فهرست مطالب:

پیشگفتار

فصل اوّل

مقدّمه

پیش نیاز های کار با VSM

1-1معماری VSM

1-2کلاسهای مورد استفاده در مدلسازی VSM

1-2-1 کلاس IACTIVEMODEL

1-2-2 کلاس ICOMPONENT

1-3تقسیم بندی توابع کلاسICOMPPONENT

1-3-1 مدیریت خصیصه

1-3-2 پردازش حالت فعال

1-3-3 مدریت گرافیک

1-3-4 سرویس ترسیم بردارها

1-3-5سرویس خروجی متن

1-3-6پشتیبانی پنجره POP- UP

1-3-7 توابع سرویس مدریت خصیصه

1-3-8توابع پردازش حالت فعال

1-3-9 توابع سرویس مدریت گرافیک

1-3-10 توابع سرویس ترسیم بردار ها

1-3-11توابع سرویس پشتیبانی پنجره های POP-UP

1-4 مؤلفه فعال

فصل دوم

آموزش مدلسازی VSM

2-1 ایجاد قسمت کتابخانه ولت منر

2-2تعیین خصوصیان برای ولت متر

2-3 تنظیمات ACTIVE MODEL برای ولت متر

2-4تنظیمات پروژه ی c++

2-5هدر فایل

2-6 ساختار و اجازه نامه یمدل

2-7ترکیب مدل های گرافیکی/ الکتریکی

فصل سوم

تولیدمدل نمونه VSM