متن کامل این مقاله به زبان انگلیسی می باشد. لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید.لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.

هدف این مقاله نشان دادن قابلیت الگوریتم­های بهینه­سازی هیبرید در پیدا کردن طرح بهینه مناسب در مسائل بهینه­سازی سیستم های پیچیده است. لذا در این مقاله بهینه­سازی طراحی یک هواپیمای بی­سرنشین به عنوان یک سامانه پیچیده با استفاده از روش بهینه­سازی طراحی چندموضوعی1، الگوریتم ژنتیک2 و الگوریتم بهینه­سازی هیبرید3 ارائه داده شده است. در این تحقیق، الگوریتم بهینه­سازی هیبرید از الگوریتم ژنتیک به عنوان بهینه­ساز کلی و از روش برنامه ریزی مربعی ترتیبی4 به عنوان بهینه­ساز محلی استفاده نموده است. مساله بهینه­سازی این تحقیق یک مساله بهینه­سازی طراحی چندهدفه است که توابع هدف در نظر گرفته شده در آن کمینه­سازی وزن برخاست و نیروی پسآی فاز سیر می­باشند. قیود در نظر گرفته شده نیز مربوط به زوایای انحراف سطوح کنترل، پایداری و ویژگی­های کیفیت پروازی (ضرائب میرائی، فرکانس­های طبیعی و ثابت­های زمانی) می­باشند. مساله بهینه­سازی طراحی مطرح شده با استفاده از الگوریتم­ بهینه­سازی هیبرید و الگوریتم ژنتیک بطور مجزا حل گردیده و نتایج آنها با یکدیگر مقایسه شده است. اگرچه هر دو طرح قابل قبولند اما نتایج نشان می­دهند که حل­ بهینه به دست آمده از الگوریتم هیبرید از نقطه نظر توابع هدف بهتر از حل بهینه به دست آمده از الگوریتم ژنتیک است که این موضوع عملکرد خوب این الگوریتم را برای بهینه­سازی طراحی سیستم­های پیچیده نشان می­دهد.

زمان بندی مجموعه ای از ماشین های موازی که در یک محیط هستند، هم از نظر تئوری و هم از نظر کاربردی مهم است. از نظر تئوری، تعمیم مساله ی زمان بندی یک ماشین است و از نظر کاربردی صحت منابع موازی در جهان واقعی می باشد. وقتی ماشین ها، کامپیوتر باشند یک برنامه ی موازی نیاز است زیرا اعضای مجموعه به طور موازی اجرا می شوند و این اجرا بر اساس ارتباطات تقدمی آن ها است. مزیت اجرای زمان بندی وظایف، قدرت محاسباتی کامل را فراهم می کند که به وسیله ی سیستم چندپردازنده یا چندکامپیوتری به دست می آید. در این مقاله نشان می دهیم مساله ی تخصیص تعدادی وظایف ناهمسان در سیستم های چندپردازنده یا چندکامپیوتری چگونه است. مدل فرضی سیستم شامل تعدادی پردازنده ی همسان است و در یک زمان، فقط یک وظیفه، روی یک پردازنده اجرا می شود و نیز همه ی زمان بندی ها و وظایف، غیرانحصاری هستند.

قابلیت کدهای کانولوشنال در تصحیح خطا با افزایش طول حافظه افزایش می یابد. اما افزایش طول حافظه، باعث افزایش پیچیدگی الگوریتم کدگشایی بهینه ویتربی می شود، چرا که تعداد محاسبات در الگوریتم ویتربی به صورت نمایی به طول حافظه وابسته است. افزایش پیچیدگی الگوریتم ویتربی با طول حافظه، می تواند پیاده سازی این الگوریتم را هنگام کدگشایی کدهای کانولوشنال با طول حافظه بلند ناممکن کند. به همین جهت الگوریتم های زیربهینه ای همانند Fano و Stack ارائه شده اند تا امکان کدگشایی ترتیبی و سریع کدهای کانولوشنال با طول حافظه بلند را فراهم کنند. در این نوشتار به معرفی شیوه های گوناگون پیاده سازی الگوریتم های Fano و Stack پرداخته و با ارائه نوآوری هایی، سرعت اجرا و حافظه مورد نیاز این الگوریتم ها را بهبود می دهیم. برای ارزیابی مزایای پیاده سازی های مختلف ارائه شده، آن ها را مبنای قدرت تصحیح خطا، زمان کدگشایی و میزان حافظه مورد نیاز مقایسه می کنیم. همچنین ما از نتایج شبیه سازی استفاده می کنیم تا نشان دهیم که اگر وضعیت کانال مخابره زیاد خراب نباشد، الگوریتم های Fano و Stack می توانند توانایی تصحیح خطای الگوریتم بهینه ویتربی را در زمان کدگشایی بسیار کمتر، برای کدگشایی کدهای کانولوشنال با طول حافظه بلند فراهم آورن.د