خلاصه
مهم ترین کاربرد داده کاوی در تلاش هایی است که برای استنتاج قواعد وابستگی از داده های تراکنشی صورت می گیرد. در گذشته، از مفاهیم منطق فازی و الگوریتم های ژنتیکی برای کشف قواعد وابستگی فازی سودمند و توابع عضویت مناسب از مقادیر کمی استفاده می کردیم. با وجود این، ارزیابی مقادیر برازش نسبتاً زمان بر بود. به دلیل افزایش های شگرف در قدرت محاسباتی قابل دسترسی و کاهش همزمان در هزینه های محاسباتی در طول یک دهۀ گذشته، یادگیری یا داده کاوی با به کارگیری تکنیک های پردازشی موازی به عنوان روشی امکان پذیر برای غلبه بر مسئلۀ یادگیری کند شناخته شده است. بنابراین، در این مقاله الگوریتم داده کاوی موازی فازی – ژنتیکی را بر اساس معماری ارباب - برده ارائه کرده ایم تا قواعد وابستگی و توابع عضویت را از تراکنش های کمی استخراج کنیم. پردازندۀ master مانند الگوریتم ژنتیک از جمعیت یگانه ای استفاده می کند، و وظایف ارزیابی برازش را بین پردازنده های slave توزیع می کند. اجرای الگوریتم پیشنهاد شده در معماری ارباب – برده بسیار طبیعی و کارآمد است. پیچیدگی های زمانی برای الگوریتم های داده کاوی ژنتیکی – فازی موازی نیز مورد تحلیل قرار گرفته است. نتایج این تحلیل تأثیر قابل توجه الگوریتم پیشنهاد شده را نشان داده است. هنگامی که تعداد نسل ها زیاد باشد، افزایش سرعت الگوریتم ممکن است نسبتاً خطی باشد. نتایج تجربی تیز این نکته را تأیید می کنند. لذا به کارگیری معماری ارباب – برده برای افزایش سرعت الگوریتم داده کاوی ژنتیکی – فازی روشی امکان پذیر برای غلبه بر مشکل ارزیابی برازش کم سرعت الگوریتم اصلی است.
کلمات کلیدی: داده کاوی، مجموعه های فازی، الگوریتم ژنتیک، پردازش موازی، قاعده اتحادیه
مقدمه
با پیشرفت روزافزون فن آوری اطلاعات (IT) ، قابلیت ذخیره سازی و مدیریت داده ها در پایگاه های داده اهمیت بیشتری پیدا می کند. به رغم اینکه گسترش IT پردازش داده ها را تسهیل و تقاضا برای رسانه های ذخیره سازی را برآورده می سازد، استخراج اطلاعات تلویحی قابل دسترسی به منظور کمک به تصمیم گیری مسئله ای جدید و چالش برانگیز است. از این رو، تلاش های زیادی معوف به طراحی مکانیسم های کارآمد برای کاوش اطلاعات و دانش از پایگاه داده های بزرگ شده است. در نتیجه، داده کاوی، که نخستین بار توسط آگراول، ایمیلنسکی و سوامی (1993) ارائه شد، به زمینۀ مطالعاتی مهمی در مباحث پایگاه داده ای و هوش مصنوعی مبدل شده است.
تصادفی
چکیده
یک الگوریتم آرایشی به نام Genie برای تخصیص مدول ها (modules) به مکان های موجود برروی قطعات ارائه می شود. Genie نوعی تطابق و انطباق تکنیک الگوریتم ژنتیکی است که درگذشته به عنوان ابزار جامعه هوش مصنوعی مورد استفاده بوده است. این تکنیک به نوعی به عنوان پارادایم آزمایش و بررسی فضای وضعیت محسوب می شود. این تکنیک با ملاحظه هم زمان و دستکاری مجموعه ای از جواب ها، به جواب های خود دست میابد. به عنوان مثال، راه ها جهت تولید و ایجاد راه حل های «فرزندان، با هم در جفت گیری» می کند. Genie در بسیاری از نمونه های آزمایشی کوچک به طور گسترده به آن ها پرداخته شده است. راه حل های مشاهده شده آن کاملاً خوب و در چند نمونه به صورت مطلوب بوده اند.
کلیدواژگان: آرایش، الگوریتم های ژنتیکی، VLSI، طرح فیزیکی
مقدمه
LAYOUT PROBLEM مشکل اصلی در طراحی قطعه های VLSI است. به دلیل پیچیدگی که دارد غالباً به چند مشکل فرعی مجزا تجزیه می شود:
1. طراحی قطعه
2. جزء بندی
3. آرایش
4. مسیریابی
در این مقاله به بررسی مشکل آرایش – تخصیص عناصر مدار به مکان های روی قطعه پرداخته می شود. مسئله آرایش عبارت است از مجموعه ای از عناصر مدار یا ورودی های m، { e m و ...، e 1} = M و مجموعه ای از سیگنال ها یا شبکه های n، { Sn و ...، S1 } = N. شبکه عبارت است از مجموعه ای از مدال های به هم متصل. ما علاوه براین مجموعه ای از مکان های قطعه L یا Slot را ارائه خواهیم داد. وقتی L≥m است، { Cl و ...، C1 } = L. Solt ها به صورت یک ماتریس همراه با ردیف های r و ستون های C سازمان دهی می شوند. هدف از این، طراحی بهینه و مطلوب هر مدول متناسب با Solt خود آن در حالی که محدودیت های الکتریکی را تحقق می بخشد می باشد. در این وضعیت بهینگی و مطلوبیت بر اساس مسیریابی مورد انتظار آرایش اندازه گیری می شود. دو مؤلفه مشترک بسیاری از اندازه های مسیریابی عبارت است از برآورد میزان تراکم سیم و میزان سیم مورد نیاز برای مسیر تمام اتصالات و ارتباطات. به حداقل رساندن میزان تراکم سیم مورد انتظار اهمیت دارد به گونه ای که یک سیم کشی عملی معمولاً با تراکم کمتر راحتر است. کم کردن میزان مورد انتظار سیم نیز اهمیت دارد. به گونه ای میزان آماده سازی سیگنال مدار معمولاً نسبت معکوس با میزان سیم دارد.
تصادفی