چکیده
در این مقاله، مدل برنامه نویسی ریاضی و الگوریتم های تخصیص به منظور به حداقل رساندن مدت زمانبدی توان تطبیق و زمانبندی پیوند نسبت تطبیق در شبکه های بی سیم TDMA فضایی، توسعه داده می شود. مسئله مربوطه، مستلزم زمانبندی مشترک بهینه انتقال ها، در مسیر ارتباطی با دسترسی چندگانه بوده که در ادغام با تخصیص همزمان سطوح توان انتقال و نسبت داده در بین پیوندهای فعال بوده، در حالی که سطوح نسبت سیگنال به تداخل، به علاوه نویز (SINR) در گیرنده های مربوطه، مد نظر قرار می گیرد. ما اثبات می کنیم که این مسئله می تواند به صورت برنامه مختلط عدد صحیح (MILP) مدلسازی شده و نشان می دهیم که موارد ذکر شده، راه حلی را ارائه می دهد که شامل سطوح توان انتقال بوده و به شدت دارای بهینگی پارتو (Pareto-Optimal) می باشند. خاطر نشان می کنیم که این مسئله به صورت NP کامل می باشد. برای مقایسه، از فرمول MILP برای محاسبه زمانبندی بهینه برای شبکه های با تعداد کمی از پیوندهای مشخص شده و تعداد محدودی از سطوح نسبت داده استفاده می کنیم. ما به توسعه و بررسی الگوریتم ذهنی با پیچیدگی چندجمله ای برای حل مشکل، به طور موثر و قابل محاسبه می پردازیم. این الگوریتم بر مبنای ایجاد نمودار تداخل تطبیق نسبت کنترل شده توان، می باشد. به این ترتیب، زمانبندی مورد نظر، با استفاده از الگوریتم حریصانه برای ایجاد مجموعه مستقلی از این نمودار حاصل می شود. بر مبنای تحلیل های سیستم، برای شبکه های توضیحی کوچکتر نشان می دهیم که، رفتار عملکرد توسط الگوریتم های ذهنی مد نظر قرار می گیرد تا معمولا در 75 درصد از موارد حاصل شده توسط زمانبند بهینه قرار گیرند. همچنین نشان می دهیم که عملکرد الگوریتم ذهنی مورد نظر ما به طور میانگین، 20% بهتر از موارد حاصل شده تحت الگوریتم های قبلی بوده که برای استفاده تحت توان انتقالی ثابت و زمانبندی پیوند نسبت ثایت ایجاد شده اند.
کلیدواژه: نظریه ضوابط، نمودار، بهینه سازی ترکیبی، کنترل دسترسی متوسط، کنترل توان، انطباق نسبت
چکیده
زبان های برنامه های prolog که تا به حال عرضه شده اند به صورت تشریحی بوده زیرا آن ها روش تفسیر دوگانه را به عنوان فرمول می پذیرند. عملیات محاسبه در زبان برنامه نویسی prolog تا اندازه ای زیربندهای تشریحی ان را شامل می گردد. به هر حال رسیدن به یک راه حل مناسب نسبت به آنچه که که توسط طراحان اصلی این زبان برنامه نویسی ارائه شده است، مشکل می باشد. نقایص عملیات محاسبه زبان برنامه نویسی prolog، در زبان های برنامه نویسی منطقی محدوده شده، حل شده است.
اپراتور محاسباتی
زبان برنامه نویسی prolog اعداد صحیح و ممیز شناور را به عنوان ساختار داده های پیش ساخته را با مد نظر قرار دادن عملکردهای مشخص بر روی آن ها ایجاد می کند. این عملکردها شامل اپراتورهای محاسباتی همانند +، -، (ضرب) ، و // (تقسیم عدد صحیح) می باشد. هم اکنون، بر طبق به استانداردهای نشانه گذاری، برنامه نویسی منطقی و زبان برنامه نویسی prolog، روابط و نشانه های عملکردی به شکل پیشوندی نوشته می شوند، که در پیشاپیش این مباحث قرار می گیرند. در مقایسه، در ارتباط با کاربرد آن ها در محاسبات، اپراتورهای محاسبه دودویی به شکل میانوند نوشته شده که در بین مباحث قرار می گیرند. علاوه بر این نفی (خنثی سازی) عدد طبیعی به صورت پیشوند بدون قلاب "{}" نوشته می شود، یعنی بدون اینکه نشانه قلاب در بین مباحث قرار گیرد.
اختلاف در ترکیب از طریق مد نظر قرار دادن اپراتورهای محاسباتی به عنوان سمبل عملکردی پیش ساخته به صورت میانوند و پیشوند بدون قلاب نوشته می شود که به همراه اطلاعاتی در مورد مشارکت پذیری و توان ارتباط بوده که این امکان را برای ما ایجاد می کند تا ابهامات مربوط به عبارات محاسباتی را از بین بریم. در واقع، برنامه نویسی prolog ابزاری را برای نشان دادن سمبل عملکردی قراردادی همانند نمادهای دودویی میانوند و یا علائم یکانی پیشوند بدون قلاب ایجاد کرده، که دارای اولویت ثابتی می باشد که به مشخص کردن توان اتصال و قیاس های خاصی که دلالتی بر بعضی از شکل های شرکت پذیر دارد، می پردازد. نمونه ای از چنین دستوراتی خط می باشد که در برنامه کاری نوع بالا مورد استفاده قرار می گیرد. نمادهای عملکردی که به این روش شناسایی می شوند به نام اپراتورها می باشند. اپراتورهای محاسباتی به عنوان اپراتورهایی می باشند که در بخش مقدماتی زبان برنامه نویسی از پیش شناسایی می گردند.
علاوه بر اپراتورهای عملیاتی، ما بطور نامحدود مقادیر ثابتی از عدد صحیح و بسیاری از ارقام ممیز شناور را در اختیار داریم. آنچه که ما با در نظر گرفتن این ارقام دنبال می کنیم، مقادیر ثابت عدد صحیح یا ارقام ممیز شناور می باشد. اپراتورهای محاسباتی و مجموعه ای از تمام ارقام، به طور مشخص به تعیین مجموعه ای از اصطلاحات می پردازد. ما اصطلاحات تعریف شده در این زبان را به نام معادلات محاسباتی تعریف کرده و اختصارات را برای معادلات محاسباتی پایه (یعنی متغیر آزاد) تعریف می کنیم.
چکیده
ما به شرح پلتفرم (مبنای) پیشرفت محاسبات ابری علمی (SCC) که ظرفیت محاسبه کارآمد را ارائه میدهند، می پردازیم. این پلتفرم شامل نمونه آزمایشی از دستگاه مجازی علمی شامل سیستم عامل یونیکی و چندین کد علمی مواد، به همراه ابزارهای رابط مهم (تولست SCC) می باشد که نقش های قابل مقایسه با خوشه های محاسبه محلی را ارائه می دهد. مشخصا، تولست SCC (محاسبات ابری علمی) ایجاد اتوماتیک خوشه های مجازی را برای محاسبات موازی، و همچنین تسهیلات I/O (صفر و یک) مناسبی را که امکان ارتباطات یکپارچه را در مورد محاسبات ابری ایجاد می کنند، فراهم می کند. پلفرم SCC (محاسبات ابری علمی) مورد نظر ما برای محاسبات ابری انعطاف پذیر آمازون مطلوب می باشد (EC2). ما به ارائه مبنایی برای برنامه های کاربردی علمی پیش الگو پرداخته و به اثبات عملکردهای قابل مقایسه با خوشه های محاسباتی محلی می پردازیم. برای ساده سازی اجرای کد و فراهم کردن دسترسی کاربرپسند، همچنین به ادغام قابلیت محاسبه ابری در رابط گرافیک کاربری (GUI) مبتنی بر زبان برنامه نویسی جاوا پرداخته ایم. پلتفرم SCC (محاسبات ابری علمی) مورد نظر ما، به عنوان جایگزینی برای منابع HPC (محاسبه با کارایی بالا) برای علم مواد یا کاربردهای شیمی کوانتوم می باشد.
کلیدواژه: محاسبه ابری، محاسبه علمی، محاسبه کارامد، فیزیک ماده چگال (فشرده شده)
مقدمه
محاسبه ابری (CC) به عنوان الگوی محاسباتی می باشد که منابع مقیاس پذیر پویا، مجازی به عنوان خدماتی بر روی اینترنت می باشند [1–4]. این الگو شاهد پیشرفت های قابل توجهی در چند سال گذشته، به ویژه با ظهور چندین سرویس محاسبه ابری تجاری که از صرفه جویی های مقیاس مزایای بدست می آورند، بوده است [5–9]. درحالیکه بسیاری از کاربردهای تجاری به سرعت پیشرفت CC (محاسبه ابری) را مد نظر قرار داده اند، دانشمندان در بکارگیری ظرفیت های محیط CC کندتر عمل کرده اند. اشتراک منابع محاسباتی همانند خوشه های بیوولف که اغلب برای مواد چگال (به هم فشرده) امروزی و شبیه سازی علم مواد، برای دانشمندان چیز جدیدی نیست. همچنین منابع ابرمانند همانند محاسبه گرید و خوشه های کندور برای بعضی از کاربردهای علمی مفید می باشد.
چکیده
متغیر و انتخاب مشخصه به عنوان نقطه ثقل اکثر پژوهش ها در زمینه های کاربردی بوده که در ارتباط با آن ها، پایگاه های داده یا صدها یا هزاران متغیر موجود می باشند. این حوزه های شامل پردازش متنی اسناد اینترنتی، تجزیه و تحلیل آرایش ژنی و شیمی ترکیبی می باشد. هدف انتخاب متغیر سه گانه می باشد: که عبارتند از بهبود عملکرد پیش بینی شاخص ها، ایجاد شاخص های به صرفه تر و سریعتر، ایجاد درک بهتری از فرایند اصولی، که داده ها را ایجاد می کند. مشارکت این موضوع خاص، محدوده گسترده ای از جنبه های مرتبط با چنین موضوعاتی را تحت پوشش قرار می دهد: که عبارتند از تعریف بهتری از تابع هدف، ایجاد مشخصه، رده بندی مشخصه، انتخاب مشخصه های چندمتغیری، روش جستجوی مناسب، و روش ارزیابی اعتبار مشخصه.
کلیدواژگان: انتخاب متغیر، انتخاب مشخصه، کاهش ابعاد فضا، کشف الگو، فیلترها، بسته بندی، خوشه بندی، نظریه اطلاعات، دستگاه های بردار پشتیبانی، انتخاب مدل، تست آماری، بیوانفورماتیک، بیولوژی محاسبه، القای ژنی، میکرو آرایه، علم ژنتیک، پروتومیک، QSAR، دسته بندی متنی، بازیابی اطلاعات
مقدمه
از سال 1997، زمانی که موضوعات خاصی در این ارتباط شامل چندین مقاله در مورد متغیرها و انتخاب مشخصه منتشر شد، چندین حوزه مورد بررسی از بیش از 40 مشخصه استفاده کرد. این شرایط در طی چند سال گذشته به طور قابل توجهی تغییر یافته است. تکنیک های جدید برای مد نظر قرار دادن این فعالیت های چالشی شامل بسیاری از متغیرهای نامربوط و تکراری و چندین نمونه آموزشی قابل مقایسه مطرح شد. دو نمونه به عنوان حوزه های کاربردی جدیدی مطرح شده و کمکی به ما بر اساس توضیحات مربوط به این مقدمه می کنند. یکی از آن ها بر مبنای انتخاب ژنی از داده های میکروآرایشی می باشد و دیگری طبقه بندی متن می باشد. در مسئله انتخاب ژن، متغیرها بر مبنای ضریب القای ژن بوده که مطابق با فراوانی mRNA در یک نمونه (برای مثال بیوپسی بافت) برای تعدادی از بیماران می باشد.
خلاصه
متغیر وانتخاب مشخصه به عنوان نقطه ثقل اکثر پژوهش ها در زمینه های کاربردی بوده که در ارتباط با آن ها، پایگاه های داده یا صدها یا هزاران متغیر موجود می باشند. این حوزه های شامل پردازش متنی اسناد اینترنتی، تجزیه و تحلیل آرایش ژنی و شیمی ترکیبی می باشد. هدف انتخاب متغیر سه گانه می باشد: که عبارتند از بهبود عملکرد پیش بینی شاخص ها، ایجاد شاخص های به صرفه تر و سریعتر، ایجاد درک بهتری از فرایند اصولی، که داده ها را ایجاد می کند. مشارکت این موضوع خاص، محدوده گسترده ای از جنبه های مرتبط با چنین موضوعاتی را تحت پوشش قرار می دهد: که عبارتند از تعریف بهتری از تابع هدف، ایجاد مشخصه، رده بندی مشخصه، انتخاب مشخصه های چندمتغیری، روش جستجوی مناسب، و روش ارزیابی اعتبار مشخصه.
کلمات کلیدی: انتخاب متغیر، انتخاب مشخصه، کاهش ابعاد فضا، کشف الگو، فیلترها، بسته بندی، خوشه بندی، نظریه اطلاعات، دستگاه های بردار پشتیبانی، انتخاب مدل، تست آماری، بیوانفورماتیک، بیولوژی محاسبه، القای ژنی، میکرو آرایه، علم ژنتیک، پروتومیک، QSAR، دسته بندی متنی، بازیابی اطلاعات.
مقدمه
از سال 1997، زمانی که موضوعات خاصی در این ارتباط شامل چندین مقاله در مورد متغیرها و انتخاب مشخصه منتشر شد، چندین حوزه مورد بررسی از بیش از 40 مشخصه استفاده کرد. این شرایط در طی چند سال گذشته به طور قابل توجهی تغییر یافته است. تکنیک های جدید برای مد نظر قرار دادن این فعالیت های چالشی شامل بسیاری از متغیرهای نامربوط و تکراری و چندین نمونه آموزشی قابل مقایسه مطرح شد.
دو نمونه به عنوان حوزه های کاربردی جدیدی مطرح شده و کمکی به ما بر اساس توضیحات مربوط به این مقدمه می کنند. یکی از آن ها بر مبنای انتخاب ژنی از داده های میکروآرایشی می باشد و دیگری طبقه بندی متن می باشد. در مسئله انتخاب ژن، متغیرها بر مبنای ضریب القای ژن بوده که مطابق با فرواوانی mRNA در یک نمونه (برای مثال بیوپسی بافت) برای تعدادی از بیماران می باشد.