پروژه تقطیع تصاویر با استفاده از روشهای بهینه سازی

پروژه تقطیع تصاویر با استفاده از روشهای بهینه سازی پژوهش کامل در حوزه هوش مصنوعی و پردازش تصویر  و پروژه تقطیع تصاویر میباشد و در 7 فصل تنظیم شده است.این پروژه با معرفی الگوریتم های بهینه سازی  به بررسی فرآیند سگمنتیشن تصویر پرداخته است.شما میتوانید فهرست مطالب پروژه را در ادامه مشاهده نمایید.

پروژه بصورت فایل قابل ویرایش ورد(WORD) در 85 صفحه برای رشته کامپیوتر و IT در پایین همین صفحه قابل دانلود میباشد. شایسته یادآوری است که پروژه از ابتدا تا پایان ویرایش وتنظیم , سکشن بندی (section) ، نوشتن پاورقی (Footnote) و فهرست گذاری اتوماتیک کامل شده وآماده تحویل یا کپی برداری از مطالب مفید آن است.

چکیده

تقطیع تصویر نشان دهنده عملی است که در ان یک تصویر خام ورودی به مناطقی معنا دار تقسیم بندی میشود. شناسایی و تفکیک یک تصویر به اجزای سازنده اش یا همان تقطیع تصویر نقش مهمی در بسیاری از کاربردهای پردازش تصویر دارد. هدف از ارائه این تحقیق بررسی روشهایی گوناگونی است که تا کنون در زمینه تقطیع تصویر با استفاده از روشها ی بهینه سازی انجام شده و همچنین مطالعه مشکلات موجودی است که تا کنون محققان موفق به حل ان شده اند، می باشد. از جمله الگوریتم های بهینه سازی مهم می توان به الگوریتم های تکاملی، الگوریتم ژنتیک، الگوریتم کلونی مورچه والگوریتم حرکت دسته جمعی پرندگان اشاره کرد. همچنین در ادامه چند الگوریتم پایه و غیر پایه نیز که مورد استفاده در تقطیع تصویر هستند معرفی خواهند شد. هر یک از الگوریتم ها با استفاده از مفاهیم پایه و مزایای خاصشان در یک زمینه خاص از تقطیع تصاویر کار میکند و مشکلات خاصی که در زمینه مربوط وجود دارد را حل میکنند. همچنین در بعضی از الگوریتمها روش کلی کار برای درک بهتر ذکر شده. در اخر نیز برای فهم بیشتر مقایسه ای از روشهای بهینه سازی تصادفی برای قطعه بندی تصویر ارائه خواهد شد. شایان ذکر است در اینجا سعی بر ان شده از مقالاتی که در ژورنالها و سایت های معتبر به چاپ رسیده و همچنین تحقیقاتی که در سالها اخیر کار بر روی ان انجام شده استفاده شود.

واژه های کلیدی:

تقطیع ، تصویر، بهینه سازی، Segment ،image, optimization

فهرست مطالب

مقدمه. 1

فصل یکم ، مفاهیم اولیه الگوریتمهای بهینه سازی

1-1-الگوریتم های تکاملی.. 5

1-1-1-Genetic Programming (GP)6

1-1-2- برنامه ریزی تکاملی (EP)6

1-1-3- استراتژی تکاملی (ES)6

1-1-4-الگوریتم ژنتیک (GA)6

1-2- الگوریتم ژنتیک... 7

1-2-1- حل Representation. 7

1-2-2- تابع Fitness. 7

1-2-3-انتخاب selection. 8

1-2-4- Crossover8

1-2-5-Mutation. 8

1-3- سیستم کلونی مورچه. 8

1-4- بهینه سازی حرکت دسته جمعی پرندگان.. 9

1-4-1- توپولوژی های همسایگی PSO.. 10

فصل دوم ، کاربرد های الگوریتم تکاملی در سگمنتیشن تصویر

2-1- پیاده سازی منحنی تکامل تابع برای تقسیم بندی.. 13

2-2- تقسیم بندی تصویر با استفاده از منحنی Evolution و انتشار Anisotropic 7. 18

فصل سوم ، کاربردهای الگوریتم ژنتیک در سگمنتیشن تصویر

3-1- بهینه سازی مبتنی بر تقطیع تصویر توسط ژنتیک الگوریتم.. 22

3-2- همسانی تصویربا استفاده از رویکرد الگوریتم ژنتیک... 24

3-3-دسته بندی ژنتیکی برای طبقه بندی پیکسل ها در سنجش از راه دور تصاویر. 26

3-4- استفاده از الگوریتم ژنتیک در حل مسأله تطبیق غیردقیق زیرگراف به منظور استفاده در تشخیص شیء 28

فصل چهارم ، کاربرد های الگوریتم کلونی مورچه ها در سگمنتیشن تصویر

4-1-تقطیع تصویر مبتنی بر MRF با استفاده از سیستم کلونی مورچه. 34

4-2- سیستم Ant Colony برای تقسیم بندی و طبقه بندی Microcalcification در ماموگرام. 36

4-3- استفاده از الگوریتم ACO در تقطیع تصویر برای استانه سازی مطلوب.. 38

فصل پنجم ، کاربرد های الگوریتم حرکت دسته جمعی پرندگان در سگمنتیشن تصویر

5-1- تقطیع تصاویر داده های سه بعدی با استفاده از الگوریتم بهینه سازی جمعی پرندگان.. 42

5-2- ترکیب بهینه سازی حرکت جمعی پرندگان با الگوریتم های دسته بندی Unsupervised برای تقطیع تصویر. 43

5-3- بهینه سازی کلونی مورچه و الگوریتم بهینه سازی حرکت دسته جمعی پرندگان برای طبقه بندی Microcalcifications در ماموگرافی.. 47

فصل ششم ، کاربرد های الگوریتم های دیگر در سگمنتیشن تصویر

6-1- استفاده از ساختار پیکسونی جهت بهبود روش Fuzzy C-means در قطعه بندی تصاویر. 51

6-2- استفاده از مشخصه های اماری برای قطعه بندی تصویر. 52

6-3- تقطیع تصاویر با استفاده از تخمین مولتی فرکتال ، انتروپی و خوشه بندی فازی.. 53

6-4- تقسیم بندی تصاویر با استفاده از branch and mincut55

6-5- یک مسئله بهینه سازی برای ارزیابی متدهای تقطیع تصاویر. 57

6-6- تقطیع بهینه برای تصاویر هوایی با محدودیت مکانی.. 60

6-7- ارزیابی کیفی تقطیع تصاویر سنجش از راه دور. 61

6-7-1-HalconSeg. 62

6-7-2- Imagine WS. 63

6-7-3- PARBAT. 63

6-7-4- RHSEG.. 63

6-7-5- SEGEN.. 63

6-7-6- SegSAR.. 63

6-8- روش بهینه سازی Multiobjective درتقسیم بندی تصویر- دستورالعمل ها و چالش ها64

6-9- مقایسه ای از روشهای بهینه سازی تصادفی برای قطعه بندی تصویر. 65

فصل هفتم ، خلاصه و نتیجه گیری

منابع و مراجع.. 75

Abstract80

فهرست شکل ها

شکل1-نمونهایازاستفادهازتقطیعتصویربرایتشخیصاتومبیلدرتصاویرهوایی.. 2

شکل 1-1 انواع توپولوژی های همسایگی در PSO.. 10

شکل 2-1 سه نمونه از بزرگ سازی ترکیبی داده: (a) تصویر اصلی در سایز 75در 75 . (b) تصویر بزرگ نمایی شده توسط روش zero-orderدر سایز 225 در 225. (c) تصویر بزرگنمایی شده توسط روش دوسویه مستقیم در سایز 225 در 225.(d) تصویر بزرگ نمایی شده توسط روش Mumford-Shah. 16

شکل 3-1 یک نمونه ازعملکرد الگوریتم ژنتیک در قالب فلوچارت.. 21

شکل 3-2 عملکرد کلی الگوریتم همسانسازی تصویر. 26

شکل 3-3. 30

شکل 3-4 پس از عمل برش فرزندان تولید شده دارای هدد تکراری هستند که این عمل نادرست می باشد 30

شکل 6-1 تقسیم بندی تصویر به بلوکهایی.. 52

پروژه سخت افزار تکاملی با الگوریتم ژنتیک

پروژه سخت افزار تکاملی با الگوریتم ژنتیک پژوهش کامل در حوزه کامپیوتر و فناوری اطلاعات میباشد و در 5 فصل تنظیم شده است.این پروژه با معرفی الگوریتم ژنتیک و سخت افزار تکاملی به بررسی آنها پرداخته است.شما میتوانید فهرست مطالب پروژه را در ادامه مشاهده نمایید.

پروژه بصورت فایل قابل ویرایش ورد(WORD) در 68 صفحه برای رشته کامپیوتر و IT در پایین همین صفحه قابل دانلود میباشد. شایسته یادآوری است که پروژه از ابتدا تا پایان ویرایش وتنظیم , سکشن بندی (section) ، نوشتن پاورقی (Footnote) و فهرست گذاری اتوماتیک کامل شده وآماده تحویل یا کپی برداری از مطالب مفید آن است.

چکیده

سخت افزار تکاملی، سخت افزاری است که بتواند ساختار خود را اصلاح کند. این تفکر با پیدایش تکنولوژی FPGAدر بین محققان شروع به رشد کرد. با توجه به اهمیت مدار های ترتیبی همگام در طراحی مدار های منطقی، در این پروژه با یک رهیافت تکاملی سعی در بهینه سازی این گونه مدار ها داریم. درگام اول بهینه سازی، با توجه به اینکه مسئلۀ تخصیص حالت که ذاتاً به این گونه مدار ها مربوط می شود، مسئله ای NP کامل است، سعی داریم با رهیافت الگوریتم ژنتیک تخصیص حالت بهینه مدار را بیابیم. خواهیم دید که یک تخصیص حالت بهینه به طور قابل توجهی در کاهش پیچیدگی بخش ترکیبی مدار ترتیبی تأثیرگذار می باشد. در گام دوم بهینه سازی سعی داریم با رهیافت برنامه نویسی ژنتیکی بخش ترکیبی مدار را از نظر تعداد گیت های معادل و میزان تأخیر انتشار در مدار کاهش می دهیم

شرح مختصری از مطالبی که در فصل های اینده به ان می پردازیم، در ذیل اورده شده است :

فصل اول، مطالبی در بارۀ اصول الگوریتم ژنتیک بیان شده است.

فصل دوم، مسئلۀ تخصیص حالت را بررسی می کنیم و نشان می دهیم که یک تخصیص حالت بهینه به طور قابل ملاحظه ای در کاهش پیچیدگی اجزای بخش ترکیبی مدار تأثیر گذار است. و در اخر، الگوریتم ژنتیک به کار رفته را به طور مختصر بیان می کنیم.

فصل سوم، مطالبی در بارۀ اصول برنامه نویسی ژنتیکی پایه بیان شده است.

فصل چهارم، مفاهیمی چون ماکزیمم تأخیر انتشار و تعداد گیت های معادل در یک مدار را توضیح داده و کارهای انجام شده در جهت حداقل سازی این پارامتر ها را بیان می کنیم. و در اخر رهیافت تکاملی ارائه شده برمبنای برنامه نویسی ژنتیکی را شرح می دهیم.

فصل پنجم، نتایج حاصل از اجرای پروژه و مقایسه با روش مرسوم.

واژه های کلیدی:سخت افزار تکاملی، مدار ترتیبی، الگوریتم ژنتیک، برنامه نویسی ژنتیکی، تخصیص حالت.

فهرست مطالب

مقدمه. 1

فصل اول  مقدمه ای بر الگوریتم ژنتیک

1- 1- الگوریتم ژنتیک چیست... 4

1-2- فلسفۀ انتخاب اصلح در طبیعت... 4

1-3- مفاهیم پایه ای الگوریتم ژنتیک... 5

1-3-1- تابع ارزیابی.. 6

1-3-2- نحوۀ کد کردن متغیر های تابع.. 6

1-3-3- ایجاد جمعیت اولیه. 7

1-3-4- ارزیابی کروموزوم ها7

1-3-5- انتخاب والد برای ایجاد نسل بعد. 8

1-3-6- تولید نسل جدید. 11

1-3-7- پایان دادن به اجرا13

فصل دوم  مدار های ترتیبی همگام و مسئلۀ تخصیص حالت

2-1- مدار های ترتیبی همزمان 15

2-1-1-مدل های میلی و مور. 16

2-1-2- فرایند طراحی مدار های ترتیبی.. 16

2-1-3- تخصیص حالت... 17

2-1-4- شناسایی یک تخصیص حالت خوب.. 21

2-2- کاربرد سخت افزار تکاملی در مساله تخصیص حالت... 21

2-3- الگوریتم ژنتیک در تخصیص حالت... 22

2-3-1- تعریف کروموزوم ها22

2-3-2- ایجاد جمعیت اولیه. 24

2-3-3- ارزیابی هزینۀ یک نمونۀ تخصیص حالت... 24

2-3-4- انتخاب تخصیص حالت های مناسب... 27

2-3-5- انجام عمل ادغام روی جمعیت... 27

2-3-6- انجام عمل جهش روی جمعیت... 28

2-3-7- شرایط خاتمۀ الگوریتم.. 28

فصل سوم  برنا مه نویسی ژنتیکی

3-1- برنامه نویسی ژنتیکی چیست... 29

3-1-1- کروموزوم ها در برنامه نویسی ژنتیکی.. 29

3-1-2- ایجاد جمعیت اولیه. 30

3-1-3- انتخاب کروموزوم برای ایجاد نسل جدید. 30

3-1-4- تولید نسل جدید. 30

3-2-گام های مقدماتی در اجرای برنامه نویسی ژنتیکی.. 33

3-2-1- گام اول : مجموعۀ پایانه ها33

3-2-2-گام دوم : مجموعه توابع.. 34

3-2-3- گام سوم : تابع سودمندی.. 34

3-2-4- گام چهارم : پارامتر های برنامه نویسی ژنتیکی.. 35

3-2-5-گام پنجم : شرایط خاتمه و خروجی برنامه. 35

3-3- یک نمونه اجرای برنامه نویسی ژنتیک... 35

3-3-1-گام های مقدماتی.. 36

3-3-2- گام به گام اجرای برنامه. 37

3-3-2-1- ایجاد جمعیت اولیه. 37

3-3-2-2- ارزیابی سودمندی.. 38

3-3-2-3- انتخاب، ادغام و جهش.... 39

3-3-2-4- شرایط خاتمه و خروجی برنامه. 40

فصل چهارم  بهینه سازی یک مدار ترکیبی

4-1- موارد موثر در کارایی مدار. 41

4-1-1- تعداد گیت های به کار رفته در مدار. 41

4-1-2- تأخیر انتشار یک گیت... 42

4-2- سخت افزار تکاملی در بهینه سازی بخش ترکیبی مدار. 42

4-3- برنامه نویسی ژنتیکی در بهینه سازی مدار های ترکیبی.. 44

4-3-1ساختار کروموزوم ها45

4-3-2- مقایسۀ ساختار ماتریسی و ساختار درختی در برنامه نویسی ژنتیکی.. 47

4-3-3- جمعیت اولیه. 47

4-3-4- ارزیابی سودمندی مدار. 47

4-3-5- انتخاب و ایجاد جمعیت جدید. 49

4-3-6- باز تولید مدار. 49

فصل پنجم  نتایج و مقایسۀ انها

1-1- مقایسۀ یک نمونه مدار پس از دو مرحله بهینه سازی.. 53

فهرست شکل ها

شکل 1-1: مقایسه ای بین الگوریتم ژنتیک و تکامل زیستی.. 4

شکل 1-2: نمودار گردشی الگوریتم ژنتیک... 6

جدول 1-1- نمونه ای از یک جمعیت تصادفی.. 8

جدول 1-2- کروموزوم های انتخابی.. 9

جدول 1-3- احتمال تجمعی کروموزوم ها10

جدول 1-4- احتمال اننتخاب هر کروموزوم بر مبنای هزیۀ ان.. 11

شکل 1-3-ادغام تک نقطه ای.. 12

شکل 1-4- ادغام دو نقطه ای.. 12

شکل 1-5- ادغام یکنواخت... 12

شکل 1-6 –یک نمومه عمل اغدام. 12

شکل 2-1-ساختار کلی مدل مدارهای ترتیبی.. 15

شکل 2-2- فرایند طلراحی مدارهای ترتیبی.. 16

شکل2-3- نمودار ماشین حالت... 18

جدول 2-1-جدول حالت مربوط به ماشین حالت... 18

شکل2-4- ساده سازی در سطح گیت با روش نقشه کارنو. 19

شکل2-5- مدار ترکیبی.. 19

جدول 2-2- جدول درستی ماشین حات با تخصیص حالت جدید. 20

شکل 2-6-ساده سازی در سطح گیت با روش نقشه کارنو برای تخصیص حالت جدید. 20

شکل 2-7- مدار حاصل از تخصیص حالت جدید. 21

شکل 2-8- یک نمونه کروموزوم برای تخصیص حالت3-2. 22

شکل 2-9- ماتریسAM... 26

شکل 3-1- ساختار درختیGPدر نمایش عبارت max(x+x,x+3*y)29

شکل 3-2- کروموزوم های والد. 30

شکل3-3- کروموزوم های والد مشابه. 31

شکل 3-4 –فرزندان متفاوت از والد های کاملاً مشابه. 32

شکل 3-5- مدل های جهش.... 32

جدول3-1- مجموعه پایانه. 34

جدول3-2- مجموعه توابع.. 34

شکل 3-6- جمعیت اولیه. 38

شکل 3-7 –مقایسۀ نمودار های مربوط به عبارت های حاصل از نسل اول با نمودار مربوط به عبارت هدف 38

شکل 3-8- جمعیت مسل جدید. 39

شکل4-1- نمونه ای از معدل سازی گیت ها41

شکل4-2- ساختار فنوتیپ ارائه شده توسط لوییس.... 43

شکل 4-3-ژنوتیپی بر مبنای فنوتیپ ارائه شده توسط لوییس.... 43

شکل4-4- نمونه ای از مدار ترکیبی با فنو تیپ لوییس.... 44

جدول 4-5- تعداد گیت های معدل و تأخیر در یک نمونه گیت... 45

شکل4-6- ساختار ژن در این نوع کروموزوم ها45

شکل 4-7- مدار مربوط به کروموزوم بالا. 46

شکل 4-8- یک نمو نه مدار کد شده (کروموزوم)46

شکل 4-9- ادغام چهار نقطهای.. 50

شکل 5-1- مدار (1) با یک تخصیص حالت نامناسب... 53

شکل 5-2- مدار (1) با تخصیص حالت بهینه. 53

شکل 5-3- مدار(1)پس از بهینه سازی بخش ترکیبی.. 54

شکل5-4- نمودار بهترین سودمندی مدارها در نسل های مختلف... 54

پایان نامه الگوریتم ژنتیک

عنوان پایان نامه : الگوریتم ژنتیک

قالب بندی : Word

قیمت : 2800 تومان

شرح مختصر : الگوریتم ژنتیک (Genetic Algorithm – GA) تکنیک جستجویی در علم رایانه برای یافتن راه‌حل تقریبی برای بهینه‌سازی و مسائل جستجو است. الگوریتم ژنتیک نوع خاصی از الگوریتم‌های تکامل است که از تکنیک‌های زیست‌شناسی فرگشتی مانند وراثت و جهش استفاده می‌کند. در واقع الگوریتم‌های ژنتیک از اصول انتخاب طبیعی داروین برای یافتن فرمول بهینه جهت پیش‌بینی یا تطبیق الگو استفاده می‌کنند. الگوریتم‌های ژنتیک اغلب گزینه خوبی برای تکنیک‌های پیش‌بینی بر مبنای تصادف هستند. مختصراً گفته می‌شود که الگوریتم ژنتیک (یا GA) یک تکنیک برنامه‌نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده می‌کند. مسأله‌ای که باید حل شود ورودی است و راه‌حل‌ها طبق یک الگو کد گذاری می‌شوند که تابع fitness نام دارد هر راه حل کاندید را ارزیابی می‌کند که اکثر آنها به صورت تصادفی انتخاب می‌شوند. کلاً این الگوریتم‌ها از بخش های زیر تشکیل می‌شوند: تابع برازش، نمایش، انتخاب، تغییر

فهرست :

فصل اول

مقدمه

به دنبال تکامل…

ایدۀ اصلی استفاده از الگوریتم ژنتیک

درباره علم ژنتیک

تاریخچۀ علم ژنتیک

تکامل طبیعی (قانون انتخاب طبیعی داروین)

رابطه تکامل طبیعی با روش‌های هوش مصنوعی

الگوریتم

الگوریتم‌های جستجوی ناآگاهانه

الف جستجوی لیست

ب جستجوی درختی

پ جستجوی گراف

الگوریتم‌های جستجوی آگاهانه

الف جستجوی خصمانه

مسائل NPHard

هیوریستیک

انواع الگوریتم‌های هیوریستیک

فصل دوم

مقدمه

الگوریتم ژنتیک

مکانیزم الگوریتم ژنتیک

عملگرهای الگوریتم ژنتیک

کدگذاری

ارزیابی

ترکیب

جهش

رمزگشایی

چارت الگوریتم به همراه شبه کد آن

شبه کد و توضیح آن

چارت الگوریتم ژنتیک

تابع هدف

روش‌های کد کردن

کدینگ باینری

کدینگ جایگشتی

کد گذاری مقدار

کدینگ درخت

نمایش رشته‌ها

انواع روش‌های تشکیل رشته

باز گرداندن رشته‌ها به مجموعه متغیرها

تعداد بیت‌های متناظر با هر متغیر

جمعیت

ایجاد جمعیت اولیه

اندازه جمعیت

محاسبه برازندگی (تابع ارزش)

انواع روش‌های انتخاب

انتخاب چرخ رولت

انتخاب حالت پایدار

انتخاب نخبه گرایی

انتخاب رقابتی

انتخاب قطع سر

انتخاب قطعی بریندل

انتخاب جایگزینی نسلی اصلاح شده

انتخاب مسابقه

انتخاب مسابقه تصادفی

انواع روش‌های ترکیب

جابه‌جایی دودوئی

جابه‌جایی حقیقی

ترکیب تک‌نقطه‌ای

ترکیب دو نقطه‌ای

ترکیب n نقطه‌ای

ترکیب یکنواخت

ترکیب حسابی

ترتیب

چرخه

محدّب

بخش_نگاشته

احتمال ترکیب

تحلیل مکانیزم جابجایی

جهش

جهش باینری

جهش حقیقی

وارونه سازی بیت

تغییر ترتیب قرارگیری

وارون سازی

تغییر مقدار

محک اختتام اجرای الگوریتم ژنتیک

انواع الگوریتم‌های ژنتیکی

الگوریتم ژنتیکی سری

الگوریتم ژنتیکی موازی

مقایسه الگوریتم ژنتیک با سیستم‌های طبیعی

نقاط قوّت الگوریتم‌های ژنتیک

محدودیت‌های GAها

استراتژی برخورد با محدودیت‌ها

استراتژی اصلاح عملگرهای ژنتیک

استراتژی رَدّی

استراتژی اصلاحی

استراتژی جریمه‌ای

بهبود الگوریتم ژنتیک

چند نمونه از کاربردهای الگوریتم‌های ژنتیک

فصل سوم

مقدمه

حلّ معمای هشت وزیر

جمعیت آغازین

تابع برازندگی

آمیزش

جهش ژنتیکی

الگوریتم ژنتیک و حلّ مسألۀ فروشندۀ دوره‌گرد

حل مسأله TSP به وسیله الگوریتم ژنتیک

مقایسه روشهای مختلف الگوریتم و ژنتیک برای TSP

نتیجه گیری

حلّ مسأله معمای سودوکو

حل مسأله

تعیین کروموزم

ساختن جمعیت آغازین یا نسل اول

ساختن تابع از ارزش

ترکیب نمونه‌ها و ساختن جواب جدید

ارزشیابی مجموعه جواب

ساختن نسل بعد

مرتب سازی به کمک GA

صورت مسأله

جمعیت آغازین

تابع برازندگی

انتخاب

ترکیب

جهش

فهرست منابع و مراجع

پیوست

واژه‌نامه

بهینه سازی پرس و جو در محیط های توزیع شده

عنوان مقاله : بهینه سازی پرس و جو در محیط های توزیع شده

قالب بندی : PDF

قیمت : 2500 تومان

شرح مختصر : بهینه سازی پرس و جو قبل از اجرای پرس و جو مهم است و این اصل در پایگاه داده های توزیع شده اهمیت بسیار بیشتری دارد. در پایگاه داده های توزیع شده با اندازه بزرگ، مسأله بهینه سازی پرس و جو ماهیتی NP-hard پیدا می کند و حل آن بسیار مشکل است. به همین دلیل ما به دنبال روش هایی می گردیم تا در زمان کمتر و با هزینه کمتر جوابی نزدیک به بهینه بدهند و در این راستا از الگوریتم ژنتیک(GA) و الگوریتم بهینه سازی کلنی مورچه ها برای محاسبه راه حل بهینه استفاده می کنیم. همچنین برای هر پایگاه داده در این سیستم توزیع شده یک حافظه نهان محلی در نظر می گیریم که تاثیر زیادی در کم کردن زمان پاسخ و کم کردن هزینه ها دارد. اگر پرس و جو تکراری باشد، با استفاده از حافظه نهان پاسخ داده می شود که بسیار سریع تر است و اگر پرس و جو جدید باشد، پردازش می شود و نتایج آن از پایگاه داده برگشت داده می شوند و همچنین حافظه نهان نیز به روز می شود

فهرست :

مقدمه

کلمات کلیدی

استراتژی های بهینه سازی پرس و جو در پایگاه داده های توزیع شده

پیشگفتار

اجزاء بهینه سازی پرس و جو های توزیع شده

فضای جستجو

ترفندهای جستجو

مدل هزینه

الگوریتم های راه حل

به کارگیری ترفندهای بهینه سازی پرس و جو در محیط های توزیع شده به کمک الگوریتم ژنتیک

پیشگفتار

بررسی نوشتارهای وابسته

پیچیدگی های عملکردهای وابسته

مواد و روش ها

فرمول بندی مسأله

مذاکره و رهنمون آینده

نزدیک شدن بهینه سازی پرس و جو بر اساس حافظه نهان در پایگاه داده های توزیع شده

پیشگفتار

بررسی آثار وابسته

مدل بهینه سازی پرس و جوی پیشنهاد داده شده

بهینه ساز هزینه

الگوریتم بهینه سازی صف

الگوریتم پیشنهاد شده

نتایج آزمایش

نتیجه گیری

منابع

پایان نامه وابستگی کمی ساختار و فعالیت مشتقات بنزآمیدینی بر روی داروهای ضد مالاریا

عنوان پایان نامه : وابستگی کمی ساختار و فعالیت مشتقات بنزآمیدینی بر روی داروهای ضد مالاریا

قالب بندی: PDF

شرح مختصر : مالاریا مهلک ترین عفونت انگلی انسانی است که بیش از 500 میلیون انسان را مبتلا کرده و سالانه باعث حدود 2 میلیون مرگ و میر می شود. عفونت با پلاسمودیوم فالسیپاروم که ترجیحا کودکان زیر 5 سال، زنان باردار و افراد غیر ایمن را تحت تاثیر قرار می دهد، عامل عمده این مرگ ومیرهاست. در حال حاضر پیشگیری و درمان دارویی مهمترین راه مبارزه با این بیماری است. این پایان نامه در مورد ترکیبات شیمیایی است که به عنوان داروهای ضدمالاریا از آنها استفاده می شود. با استفاده از روشهای به کار رفته در پایان نامه می توان عواملی که بر روی ترکیبات اثر دارند تا بهترین عملکرد را بر روی انگل مالاریا داشته باشد را پیدا کرد

فهرست : مراحل انجام QSAR ، انتخاب سری مولکولی، توصیفگر های توپولوژیکی، اندیس های ارتباطی مولکول، توصیف گر های هندسی، توصیف گر های الکترونی، توصیف گر های توزیع شعاعی، توصیف گر های تصویری، توصیف گرهای هیبریدی، رگرسیون خطی ساده ،رگرسیون خطی چندگانه، الگوریتم ژنتیک، شرط پایان الگوریتم ژنتیک، انواع الگوریتم، پایان نامه مهندسی شیمی، پایان نامه پزشکی ،