پیش بینی بن بست در زمان اجرا برای برنامه های همروند با استفاده از شبکه های عصبی

پایان نامه
چکیده

افزایش روزافزان استفاده از برنامه نویسی همروند به دلیل بهبودهایی که در زمان پاسخ گویی، راندمان و استفاده بهینه از منابع مهیا می کند، در نرم افزارهای امروزی مشهود است. با وجود همه ی خواست گاهی که برای برنامه نویسی همروند وجود دارد، پیامدهای منفی حاصل از برنامه نویسی همروند، اتکاپذیری سیستم های همروند را به چالش می کشد. از طرفی رفع این پیامدها با روش های معمول وارسی و تست، در اغلب موارد منجر به کسب نتیجه بهینه و کارا نمی گردد. این امر به این خاطر است که عدم قطعیت و تعداد حالت های ممکن، در این گونه برنامه ها نسبت به برنامه های متوالی بسیار بیشتر است و با افزایش تعداد واحدهای همروند این عدم قطعیت به صورت نمایی افزایش پیدا می کند. در راهکار پیشنهادی، نخست با نگاشت رفتارهای زمان اجرای واحدهای همروند به سری های زمانی، ساختار اطلاعاتی را ایجاد کرده ایم، که قابل پردازش باشد و در ادامه این ساختار اطلاعاتی را در شبکه های عصبی، که مبتنی بر نیازمندی های دامنه پیکربندی می شوند، برای پیش بینی بن بست مورد استفاده قرار دادیم. به منظور ارزیابی دقت راهکار پیشنهادی در پیش بینی بن بست، این راهکار را بر روی یک برنامه ی چندنخی نوشته شده به زبان جاوا ارزیابی کردیم. نتایج حاصل از این ارزیابی بیان گر کارایی راهکار ما با دقتی معادل 73.29 درصد بود که این دقت با در نظر داشتن ساختار تصادفی برنامه ی چندنخی مورد آزمون، عملکرد قابل توجهی می باشد.

۱۵ صفحه ی اول

برای دانلود 15 صفحه اول باید عضویت طلایی داشته باشید

اگر عضو سایت هستید لطفا وارد حساب کاربری خود شوید

منابع مشابه

ترکیب شبکه های عصبی برای پیش بینی قیمت سهام

در این مقاله، یک مدل ابتکاری با ترکیب شبکه های عصبی مصنوعی (ANN) برای پیش بینی رفتار قیمت سهام پیشنهاد و اجرا می شود. این مدل ترکیبی، به صورت ساختار دو طبقه می باشد: شبکه های عصبی طبقه اول یا پیشگوهای پایه (Base Predictor) مسئول پیش بینی روزانه داده ها با ویژگی مختلف یک سهام می باشند و در طبقه دوم، شبکه دیگر، به عنوان ترکیب کننده پیش بینی نهایی را با بررسی و آنالیز اطلاعات پیشگوهای طبقه اول انج...

متن کامل

کاربردهای شبکه های عصبی در پیش بینی سری های زمانی

استفاده از روش های غیر کلاسیک در شناسایی مدل و پیش بینی رفتار سیستم های پیچیده، مدتهاست در محافل علمی و حتی حرفه ای متداول و معمول شده است. در بسیاری از سیستم های پیچیده و خصوصا غیر خطی که مدل سازی و به دنبال آن پیش بینی و کنترل آنها از طریق روش های کلاسیک و تحلیلی امری بسیار دشوار و حتی بعضا غیر ممکن می نماید، از روش های غیر کلاسیک که از ویژگی هایی همچون هوشمندی، مبتنی بر معرفت و خبرگی برخوردا...

متن کامل

مدل سازی و پیش بینی رشد اقتصادی در ایران با استفاده از شبکه های عصبی مصنوعی

شبکه های عصبی مصنوعی، یک ابزار قدرتمند برای تجزیه و تحلیل داده ها و مدل سازی روابط غیر خطی به حساب می آید که استفاده از آن طی سال های گذشته در اقتصاد کلان گسترش یافته است. در این مطالعه، کارایی یک مدل شبکه عصبی با یک مدل خطی رگرسیون برای پیش بینی نرخ رشد اقتصادی در ایران مقایسه می شود. برای این منظور ابتدا، یک مدل رگرسیون رشد برای دوره 1315-1373 برآورد شده و سپس با همان مجموعه رگرسورها (متغیرها...

متن کامل

منابع من

با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید

ذخیره در منابع من قبلا به منابع من ذحیره شده

{@ msg_add @}


نوع سند: پایان نامه

وزارت علوم، تحقیقات و فناوری - دانشگاه کاشان - دانشکده مهندسی

میزبانی شده توسط پلتفرم ابری doprax.com

copyright © 2015-2023