دانلود مقاله ترجمه شده تکنیک بهینه سازی آزاد مشتق برای کالیبراسیون مدل های صف بندی

دسته بندی:

قیمت: 100,000 ریال

تعداد نمایش: 175 نمایش

ارسال توسط:

خرید این محصول:

پس از پرداخت لینک دانلود برای شما نمایش داده می شود.

سال نشر: ۲۰۱۳

تعداد صفحه انگلیسی

تعداد صفحه ترجمه فارسی:      ۲۷   صفحه word

(دانلود رایگان مقاله انگلیسی)

کد محصول:CM2

عنوان فارسی:

مقاله ترجمه شده تکنیک بهینه سازی آزاد مشتق برای کالیبراسیون مدل های صف بندی

عنوان انگلیسی:

A DFO technique to calibrate queuing models

چکیده فارسی:

یک گام مهم در مدل سازی سیستم، تعیین ارزش پارمترها برای استفاده در آن مدل می باشد. در این مقاله فرض بر این است که مجموعه ای از اندازه گیری های جمع آوری شده از سیستم های غملیاتی در دست داشته، و مدل مناسبی از سیستم ( برای مثال بر مبنای این نظریه صف بندی) ایجاد شده است. برآورد مقادیر نسبی تکراری برای پارامترهای خاص این مدل از داده ها موجود، مشکل می باشد. ( زیرا پارامترهای مربوطه دارای مفهوم فیزیکی نامشخص بوده و یا آن ها را نمی توان به طور مستقیم از واحدهای اندازه گیری موجود به دست آورد). از این رو نیاز به تکنیکی برای تعیین مقادیر مربوط پارامترهای از دست رفته ، یعنی به منظور کالیبراسیون مدلف داریم.

به عنوان جایگزینی برای تکنیک غیر قابل سنجش بروت فورس، ما مدل کالیبراسیون را به عنوان یک مسئله بهینه سازی غیرخطی با توجه به محدودیت هایی مد نظر قرار می دهیم. روش موجود از نظر مفهوم ساده بوده اجرا ان نیز آسان می باشند. مشارکت ما به صورت دوگانه می باشد . در ابتدا تعریف مناسبی از تابع هدف را برای تعیین فاصله بین شاخص های عملیاتی ایجاد شده توسط مدل و مقادیر حاصل شده از اندازه گیری ها ارائه می دهیم. در مرحله دوم، تکنیک های بهینه آزاد مشتق شده (DFO) را که ویژگی اصلی آن توانایی برای محدود کردن موقتی نقص ها می باشد، مطرح می کنیم. چنین تکنیکی این امکان را برای ما به وجود می آورد تا به طور دقیقی مشکل بهینه سازی را حل کرده، و به این ترتیب مقادیر پارامتری دقیقی را ایجاد می کند. ما روش مان را با استفاده از دو بررسی موردی واقعی ساده توضیح می دهیم.

کلیدواژه: کالیبراسیون، مدل صف بندی، بهینه سازی آزاد مشتقات، تابع هدف، بهینه سازی

۱- مقدمه

پیش بینی عملکرد سیستم های اطلاعاتی به عنوان یک مسئله اصلی در تجزیه و تحلیل کامپیوتری می باشد. این پیش بینی ها در ارتباط با طراحی سیستم جدید و همچنین پیش بینی تاثیر عملکردی تغییرات در منابع سخت افزاری و یا تراکم کار مورد استفاده قرار می گیرد. برای نمونه پیش بینی ها می توانند تخمین بزنند که چگونه افزایش کاربرد شبکه های اترنتی بر روی متوسط تاخیرهای ایجاد شده توسط بسته های انتقالی تاثیرگذار می باشند. مورد دیگر پیش بینی تاثیر عملکرد ابزارهای ذخیره سازی جدید بر روی عملکرد سیستم های فرعی می باشد.

یک روش عملی برای مد نظر قرار دادن تاثیر سیستم یت تغییرات حجم کار اجرای سناریو مشابه در سیستم های واقعی و ارزیابی تاثیر نتایج به صورت آزمایشی می باشد. چنین راه حلی نیازمند این می باشد که سیستم به طور مناسبی مجهز گردد که پیچیده و هزینه بردار می باشد. علاوه بر این در بعضی از نمونه ها تجهیز و ارزیابی به طور قابل توجهی عملکرد سیستم های عملیاتی را تغییر داده و قابلیت اطمینان آن را تطبیق می دهد.به همین دلیل مهندسان خیلی از مواقع در جستجوی راه حل های جایگزین می باشند.

مدل های تحلیلی به دنبال روش های غیر تداخلی، تجدید پذیر و کنترلی برای پیش بینی عملکرد یک سیستم می باشند. اگرچه این مدل ها از نظر ظاهر، پیچیدگی، دقت و روش های حل شونده متفاوت باشند، فرایند مدل سازی به دو مرحله تقسیم می گردد. مراحل کیفی و کمی.در ابتدا مدلی طراحی می شود تا ویژگی های ضروری سیستم ها را به سمت خود بکشاند. چنین مدل هایی بر روی اشکال از پیش تعیین شده همانند شبکه های پیوسته، زنجیره مارکو و یا شبکه های پتری تکیه کرده و یا به طور معمول برمبنای معادله ریاضی خاصی می باشند. برای نمونه سرورهای شبکه به عنوان یک سیستم صف بندی نمایش داده می شوند. زمانی که این مراحل کیفی به اجرا در آمد، تعیین ارزش پارامترهای مدل ضروری می شود به گونه ای که مدل و سیستم از نظر کمی با هم منطبق می گردند. تطبیق میزان پارامترهای مدل به نام مراحل کالیبراسیون می باشد. البته هر دو مرحله مرتبط به هم بوده و وجود عیب در هر یک از این مراحل کل مدل را بی اعتبار می کند.

در این مقاله ما تمرکز خود را بر روی مراحل کالیبراسیون مدل های سیستم های موجود قرار می دهیم. یعنی ما بر این فرض می باشیم که مدل های بلقوه ای که از نظریه صف بندی حاصل می شود، قبلا نیز ایجاد شده است. ارزش بعضی از پارامترهای مدل به صورت مستقیم با شناخت سیستم برای نمونه از شرایط فنی یا مشاهدات عملی حاصل می گردد. ما این پارامترهای خاص را توسط  مشخص می کنیم.ارزش پارامترهای دیگر مدل ممکن است برای تحلیل گران ناشناخته بوده و می بایست نسبتا مشخص باشد. ما پارامترهای غیرمشخص را توسط  نشان می دهیم و ما مدلی را مد نظر قرار می دهیم که شامل پارامترهای غیرمشخص به عنوان یک مدل غیرکامل می باشد.

پاسخ دهید