مقاله مقایسه الگوریتم های زمان واقعی RT Linux و Vx Works - مقاله انگلیسی با ترجمه فارسی

اختصاصی از فی توو مقاله مقایسه الگوریتم های زمان واقعی RT Linux و Vx Works - مقاله انگلیسی با ترجمه فارسی دانلود با لینک مستقیم و پر سرعت .

عنوان فارسی مقاله :

مقایسه الگوریتم های زمان واقعی RTLinux و VxWorks

عنوان انگلیسی مقاله:

Comparison between scheduling algorithms in RTLinux and VxWorks

چکیده انگلیسی مقاله:

The scheduler decides wich one of the available tasks that will be next to be processed by the CPU. To make this decision the scheduler checks the priority levels of the scheduled tasks and apply a predefined schedule algorithm. This report will compare the scheduling algorithms in the real-time operating systems RTLinux and VxWorks and comes to the conclusion that the two compared systems are roughly equivalent in most uses in regards to this.

ترجمه چکیده مقاله به فارسی:

زمان بند تصمیم می گیرد که کدام یک از کارهای موجود ابتدا پردازش شوند. برای این تصمیم گیری، زمان بند اولویت کارهای زمان بندی شده را بررسی کرده و یگ الگوریتم زمان بندی از پیش تعیین شده را به کار می گیرد. این گزارش الگوریتم های زمان بندی واقعی را در سیستم عامل های زمان واقعی RTLinux و VxWorks را با هم مقایسه کرده و به این نتیجه می رسد که دو روش تقریبا در عمده کاربردهای مربوطه یکسان عمل می کنند.

فرمت فایل ترجمه شده : WORD

تعداد صفحات ترجمه: 5

به همراه اصل مقاله انگلیسی در فرمت PDF

Table of Contents
1 Introduction
2 Scheduling techniques
2.1 Round robin scheduling
2.2 First-in-first-out (FIFO) scheduling
2.3 Earliest-deadline-first (EDF) scheduling
2.4 Rate-monotonic scheduling
3 RTLinux
3.1 Scheduling in RTLinux
4 VxWork
4.1 Scheduling in VxWorks
5 Conclusions
6 References

 توجـــــــه : کلیه حقوق مادی و معنوی این محصول برای سایت www.stores.sellfile.ir محفوظ می باشد. تکثیر و فروش مجدد این محصول به هر نحو، ممنــوع بوده و شرعا حــــــــرام است.

دانلود پاورپوینت درس طراحی الگوریتم هابا شبه کد های c پلاس پلاس

اختصاصی از فی توو دانلود پاورپوینت درس طراحی الگوریتم هابا شبه کد های c پلاس پلاس دانلود با لینک مستقیم و پر سرعت .

این محصول در قالب پاورپوینت و قابل ویرایش در 249 اسلاید می باشد

اسلاید 3

 این کتاب در باره تکنیک های مربوط به حل مسائل است.  تکنیک ، روش مورد استفاده در حل مسائل است.  مسئله ، پرسشی است که به دنبال پاسخ آن هستیم.

اسلاید 4

بکار بردن تکنیک منجر به روشی گام به گام (الگوریتم ) در حل یک مسئله می شود.   منظورازسریع بودن یک الگوریتم، یعنی تحلیل آن از لحاظ زمان و حافظه.

اسلاید 5

نوشتن الگوریتم به  زبان فارسی دو ایراد دارد: 1- نوشتن الگوریتم  های پیچیده به این شیوه دشوار است.  2- مشخص نیست از توصیف فارسی الگوریتم چگونه   می توان یک برنامه کامپیوتری ایجاد کرد.

دانلود تحقیق کاربردهای الگوریتم ژنتیک

اختصاصی از فی توو دانلود تحقیق کاربردهای الگوریتم ژنتیک دانلود با لینک مستقیم و پر سرعت .

چکیده :
الگوریتم های ژنتیک یکی از الگوریتم های جستجوی تصادفی است که ایده آن برگرفته از طبیعت می باشد . نسل های موجودات قوی تر بیشتر زندگی می کنند و نسل های بعدی نیز قوی تر می شوند به عبارت دیگر طبیعت افراد قوی تر را برای زندگی بر می گزیند. در طبیعت از ترکیب کروموزوم های بهتر ، نسل های بهتری پدید می آیند . در این بین گاهی اوقات جهش هایی نیز در کروموزوم ها روی می دهد که ممکن است باعث بهتر شدن نسل بعدی شوند. الگوریتم ژنتیک نیز با استفاده از این ایده اقدام به حل مسائل می کند . الگوریتم های ژنتیک در حل مسائل بهینه سازی کاربرد فراوانی دارند.
مسئله ی کاهش آلاینده های Cox ، NOx و Sox در کوره های صنعتی ، یکی از مسائل بهینه سازی می باشد، که هدف آن بهینه کردن عملکرد کوره های احتراقی بر حسب پارامترهای درصد هوای اضافی (E) و دمای هوای خروجی از پیش گرمکن (T) ، به منظور کاهش میزان آلاینده های تولید شده در اثر انجام عملیات احتراق است.
در این تحقیق ابتدا مروری بر مفاهیم مقدماتی الگوریتم های ژنتیک کرده سپس مشخصات کلی مسئله عنوان می شود، در انتها مسئله ی مورد نظر توسط الگوریتم ژنتیک اجرا و نتایج آن با روش تابع پنالتی مقایسه می شود.

فهرست مطالب

11 ﻣﻘﺪﻣﻪ ای ﺑﺮ ﭘﺎﻳﮕﺎه داده اوراﻛﻞ g‪10‬
‫1-1-1 اﺛﺮ ﺟﻮ اﻗﺘﺼﺎدی ﺑﺮ ﻫﺰﻳﻨﻪ ﺗﻜﻨﻮﻟﻮژی
2-1-1 ﻳﻜﭙﺎرﭼﮕﻲ
3-1-1 ﻳﻜﭙﺎرﭼﻪ ﺳﺎزی ﺳﺨﺖ اﻓﺰار
  ‫4-1-1 ﻳﻜﭙﺎرﭼﻪ ﺳﺎزی داده ﻫﺎ از دﻳﺪ ﻳﻚ ﺷﺮﻛﺖ ﻣﻌﻤﻮﻟﻲ
‫5-1-1 ﻳﻜﭙﺎرﭼﻪ ﺳﺎزی ﺑﺮﻧﺎﻣﻪ ﻫﺎی ﻛﺎرﺑﺮدی
  ‫6-1-1 ‪  Grid‬در ﭘﺎﻳﮕﺎه داده اوراﻛﻞ 10g
‫2-1 اﻧﺒﺎر داده ﭼﻴﺴﺖ؟‬
1-2-1 ﭼﺮا ﺑﻪ ﻳﻚ اﻧﺒﺎر داده ﻧﻴﺎز دارﻳﺪ؟‬
‫3-1 ﭼﺸﻢ اﻧﺪاز ﺗﺎرﻳﺨﻲ
  ‫1-3-1- ﻇﻬﻮر اﻧﺒﺎر داده
  ‫. 4-1 از ﻣﺪﻟﺴﺎزی ارﺗﺒﺎط –موجودیت (E-R)استفاده نکنید
1-4-1 ﻣﺪل ﺳﺎزی اﺑﻌﺎد‬
3-4-1 ﺟﺪول ﺣﻘﻴﻘﻲ‬
4-4-1ﺟﺪول اﺑﻌﺎدی (ﭼﻨﺪ ﺑﻌﺪی)
5-4-1 ﻛﻠﻴﺪ ﻫﺎی ﻣﺨﺰن
5-1 ﭘﻴﻜﺮ ﺑﻨﺪی ﻫﺎی ﺳﺨﺖ اﻓﺰار ﺑﺮای ﻳﻚ اﻧﺒﺎر‬
1-5-1معماری سرویس دهنده:
2-5-1معماری پایگاه داده اراکل
فصل دوم : ابزار های انبار اراکل
1-2: کدام ابزار
2-2: سازنده انبار اوراکل یا OWB
1-2-2: تنظیم سازنده انبار
2-2-2: مشتری سازنده انبار اراکل
3-2-2: اهداف و منابع داده ها:
4-2-2: تعریف جداول موجود در انبار داده هایمان
5-2-2: ایجاد ابعاد
6-2-2: ایجاد یک مکعب
7-2-2: تعریف منبع برای هدف نقشه کشی ها:
8-2-2: تایید طرح
9-2-2: ایجاد طرح
عنوان          صفحه

10-2-2: استقرار طرح
3-2: کاشف اراکل
1-3-2: چرا Discoverer؟
2-3-2: تنظیم محیط
3-3-2: پرس و جو با استفاده از Plus Discoverer:
4-2: گزارشات اراکل 10g
1-4-2: ایجاد یک گزارش با استفاده از سازنده گزارش
2-4-2: مثال های بیشتر از گزارش های اراکل
3-4-2:انتشار گزارش
5-2: خلاصه
فصل سوم : انبار داده و وب
1-3: بررسی بیشتر
1-1-3: اینترنت و اینترانت
2-1-3: نرم افزار اراکل برای انبار داده
2-3: سرور کاربردی اراکل10g
1-2-3: چرا یک پرتال تنظیم می کنند؟
2-2-3: پرتال AS Oracle
1-3-3: Discoverer
2-3-3:انتشار یک پورت لت
3-3-3: ایجاد گزارش استاتیک
4-3: خصوصی سازی اراکل
5-3: انبار داده ها و هوشمندی تجارت الکترونیکی
فصل چهارم: OLAP
1-4: چرا نیاز به انتخاب اراکل OLAP داریم؟
1-1-4: کاربردهای OLAP
2-1-4: ROLAP و MOLAP
3-1-4: اراکل OLAP
2-4: معماری اراکل OLAP
3-4: فضاهای کاری آنالیزی
1-3-4: مدل چند بعدی
2-3-4: ایجاد فضای کاری آنالیزی
1-4-4: تعریف متاداده OLAP برای شمای رابطه ای
عنوان         صفحه

2-4-4:دیدگاه های متاداده OLAP و ارزیابی آن
5-4: مدیر فضای کاری آنالیزی
1-5-4: ایجاد ویزارد فضای کاری آنالیزی
2-5-4: تجدید فضای کاری آنالیزی
3-5-4: ایجاد یک طرح تجمعی
4-5-4: فعال سازهای فضای کاری آنالیزی
6-4: پرس وجوی فضاهای کاری آنالیزی
1-6-4: DML OLAP
2-6-4: بسته DBMS-AW
3-6-4: دسترسی SQL به فضای کاری آنالیزی
4-6-4: OLAP API و اجزاء BI
7-4: خلاصه
فصل پنجم : داده کاوی اراکل
5.1: داده کاوی در پایگاه داده اوراکل g10
5.2. :روش های داده کاوی اوراکل
5.2.1 : قوانین پیوستگی
5.2.2 : گروهبندی
5.2.3 : استخراج ویژگی
5.2.4 : طبقه بندی
5.2.5 : بازگشت
5.2.6 : استاندارد PMML
5.3.1 : فرمت داده
2-3-5 آماده سازی داده
4-5: استفاده از واسط های داده کاوی اوراکل
1-4-5: نصب و پیکربندی
2-4-5: روند آنالیز داده کاوی
3-4-5: مثالی با استفاده از جاوا API
4-4-5: مثال استفاده از روال های PL/SQL
5-5: خلاصه
فصل ششم: قابلیت دسترسی بالا و انبار داده
1-6: مقدمه
2-6: یک سیستم با قابلیت دسترسی بالا چیست؟
1-2-6: ویژگی های یک سیستم با قابلیت دسترسی بالا
عنوان  صفحه
2-2-6: نقش بهترین تجربیات عملکردی
3-6: مرور اجمالی پایگاه داده اوراکل 10g با ویژگی  قابلیت دسترسی بالا
4-6: حفاظت در برابر نقص های سخت افزاری/ نرم افزاری
1-4-6: گروههای با عملکرد حقیقی (RAC)
2-4-6: ذخیره سازی مطمئن
3-4-6: آشکار سازی و نمایش خط:
4-4-6: مدیریت منابع
5-6: حفاظت در برابر فقدان داده
1-5-6: بازیابی از نقص(خطا) متوسط
2-5-6: بازیابی از خطاهای انسانی با استفاده از flash back:
3-5-6: بازیابی خطا بوسیله گارد یا نگهبان داده
4-5-6: معماری حداکثر قابلیت دسترسی اوراکل
5-5-6: حفاظت متا داده
6-6: مدیریت زمان برنامه ریزی شده
1-6-6: پیکربندی مجدد نمونه پویا
2-6-6: حفظ آنلاین
3-6-6: تعریف مجدد آنلاین:
4-6-6: ارتقاء درجه
7-6: مدیریت طول عمر اطلاعات
8-6: خلاصه:

شامل 100 صفحه word

دانلود پروژه پیاده سازی الگوریتم دایجسترا و آ* (آ استار) به صورت گرافیکی با استفاده از زبان برنامه نویسی سی شارپ

اختصاصی از فی توو دانلود پروژه پیاده سازی الگوریتم دایجسترا و آ* (آ استار) به صورت گرافیکی با استفاده از زبان برنامه نویسی سی شارپ دانلود با لینک مستقیم و پر سرعت .

دانلود سورس کد روش Dijkstra's algorithm و A* search algorithm

موضوع پروژه: کدنویسی الگوریتم های دایجسترا و آ* برای مسیر یابی بین دو نقطه بر روی یک صفحه دلخواه

زبان برنامه نویسی: Csharp (سی شارپ دات نت)

محیط برنامه نویسی: Visual Studio 2012

توضیحات:

در علوم کامپیوتر، الگوریتم A* یک الگوریتم کامپیوتری است که به طور وسیع در پیمایش گراف و یافتن مسیر بین دو نقطه که گره نامیده می‌شوند، مورد استفاده قرار می‌گیرد. به علت عملکرد و دقت بالای این الگوریتم استفاده گسترده‌ای از آن می‌شود. پیتر ای هارت (به انگلیسی: Peter E. Hart)، نیلز نیلسون (به انگلیسی: Nils Nilsson) و برترام رافائل (به انگلیسی: Bertram Raphael) اولین کسانی بودند که آن را در سال ۱۹۶۸ میلادی شرح دادند. این الگوریتم درواقع تعمیمی از الگوریتم دیکسترا می‌باشد. A* با استفاده از آروین(heuristic) عملکرد بهتری نسبت به زمان به دست می‌آورد.

در نظریه گراف، الگوریتم دیکسترا (به انگلیسی: Dijkstra's algorithm) یکی از الگوریتم‌های پیمایش گراف است که توسط دانشمند هلندی علوم رایانه، اِدْسْخِر دیْکْسْترا در سال ۱۹۵۹ ارایه شد.

این الگوریتم یکی از الگوریتم‌های پیمایش گراف است که مسئلهٔ کوتاه‌ترین مسیر از مبدأ واحد را برای گراف‌های وزن‌داری که یال با وزن منفی ندارند، حل می‌کند و در نهایت با ایجاد درخت کوتاه‌ترین مسیر، کوتاه‌ترین مسیر از مبدأ به همهٔ رأس‌های گراف را به دست می‌دهد. همچنین می‌توان از این الگوریتم برای پیدا کردن کوتاه‌ترین مسیر از مبدأ تا رأس مقصد به این ترتیب بهره جست که در حین اجرای الگوریتم به محض پیداشدن کوتاه‌ترین مسیر از مبدأ به مقصد، الگوریتم را متوقف کرد.

الگوریتم دیکسترا یکی از الگوریتم‌های مورد استفاده برای محاسبه کوتاه ترین مسیر تک منبع (single-source shortest path) است و مشابه الگوریتم پریم می‌باشد در صورتی که گراف یال با وزن منفی داشته باشد، این الگوریتم درست کار نمی‌کند و می‌بایست از الگوریتم‌های دیگر نظیر الگوریتم بلمن-فورد که پیچیدگی زمانی آنها بیشتر است استفاده کنیم.

خط مشی الگوریتم دیکسترا، مشابه با روش حریصانهٔ استفاده شده در الگوریتم پریم برای پیدا کردن زیر درخت فراگیر بهینه است.

نمونه تصویر برنامه:

آنچه تحویل داده می شود:

1. کد منبع برنامه یافتن کوتاه ترین مسیر طبق تصویر نمونه به زبان سی شارپ به صورت فرم اپلیکیشن قابل اجرا در محیط Visual Studio 2012 و نسخه های بالاتر (این کدها تست شده و 100 درصد به صورت تضمینی قابل اجرا می باشند)

پیدا کردن مسیر بین دو نقطه با استفاده از چهار الگوریتم زیر قابل انجام است:

1. الگوریتم دایجسترا

2. الگوریتم آ استار یا Manhattan

3. الگوریتم دایجسترا دو طرفه

4. الگوریتم آ استار دو طرفه یا منهتن دو طرفه

می توانید به راحتی موانع مورد نیاز خود را با کلیک های راست و چپ بر روی صفحه قرار دهید و صفحه مورد نظر خود را بسازید و سپس الگوریتم انتخابی را اجرا نمایید.

توجه توجه: در صورتی که بخواهید ما میتوانیم یک ویدئوی آموزشی که در آن به طور کامل کدهای برنامه نویسی توضیح داده شده اند تنها با قیمت 50 هزار ضبط نموده و در اختیارتان قرار دهیم.

مناسب برای دانشجویان کارشناسی (لیسانس) و کاردانی و دیپلم هنرستان

 می توان به عنوان پروژه دروس کارشناسی یا کاردانی یا دیپلم، دروسی مانند هوش مصنوعی، طراحی الگوریتم ها، Artificial Intelligence، آزمایشگاه هوش مصنوعی، شبکه های کامپیوتری، آزمایشگاه شبکه های کامپیوتری، ساختمان داده ها

 پس از خرید از درگاه امن بانکی، لینک دانلود در اختیار شما قرار میگیرد و همچنین به آدرس ایمیل شما فرستاده می شود. تماس با ما برای راهنمایی، درخواست مقالات و پایان نامه ها و یا ترجمه و یا انجام پروژه های برنامه نویسی و حل تمرینات با آدرس ایمیل:

[e-mail]

یا شناسه تلگرام (آی دی تلگرام ما): @ebarkat

توجه: اگر کارت بانکی شما رمز دوم ندارد و یا در خرید الکترونیکی به مشکل برخورد کردید و یا به هر دلیلی تمایل به پرداخت الکترونیکی ندارید با ما تماس بگیرید تا راههای دیگری برای پرداخت به شما پیشنهاد کنیم.

توجه توجه توجه: هرگونه کپی برداری و فروش فایل های فروشگاه برکت الکترونیک (به آدرس ebarkat.ir یا codes.sellfile.ir) در فروشگاه های دیگر شرعاً حرام است، تمامی فایل ها و پروژه های موجود در فروشگاه، توسط ما اجرا و پیاده سازی و یا از منابع معتبر زبان اصلی جمع آوری شده اند و دارای حق کپی رایت اسلامی می باشند.

از پایین همین صفحه (بخش پرداخت و دانلود) می توانید این پروژه را خریداری و دانلود نمایید.

کد محصول 30093

مقاله سیستم مبتنی بر دانش برای کلاسبندی متن با استفاده از الگوریتم ID6NB

اختصاصی از فی توو مقاله سیستم مبتنی بر دانش برای کلاسبندی متن با استفاده از الگوریتم ID6NB دانلود با لینک مستقیم و پر سرعت .

قالب : pdf

چکیده
این مقاله یک الگوریتم جدید به نام ID6NB را برای توسعه درخت تصمیم ، معرفی می کند که شامل
الگوریتم ID3 غیر افزایشی Quinlan است. این الگوریتم راه حل هایی برای دو مشکل ذیل ارائه
می کند: - وضعیتی که در آن رای گیری اکثریت تصمیم نادرست می دهد )یعنی ساخت دو نوع قانون
متفاوت برای داده یکسان(.
- کاهش ابعاد در الگوریتم غیر افزایشی درخت تصمیم گیری، تخمین صفت مناسب برای یک گره
جایی که دو یا چند صفت بهره اطلاعاتی یکسانی دارند. مشکل اکثریت به کمک الگوریتم Naive Bayes حل می شود. برای کاهش ابعاد نیز یک راه حل ارائه شده است. در نهایت، دقت طبقه بندی به
شدت بهبود یافته است. آزمایش گسترده و گسترش یافته در تعدادی از مجموعه داده های واقعی و
مصنوعی نشان می دهد که ID6NB یک الگوریتم دسته بندی state-of-the-art است که نسبت به
سایر روش های یادگیری درخت تصمیم گیری، خروجی بهتری دارد.
واژه های کلیدی: داده کاوی، کاهش ابعاد، طبقه بندی، درخت تصمیم، رای اکثریت،