3-3-1 نظریه اولیه پوشش ضد بازتاب………………………………………………………………………………….. 37

3-3-2 بهینه سازی پوشش های ضد بازتاب……………………………………………………………………….. 39

عنوان صفحه

3-3-3 نتایج بهینه سازی………………………………………………………………………………………. 42

3-4- پلاسمون های سطحی………………………………………………………………………………………. 44

3-4-1 جذب و پرکندگی از نانو ذرات کروی………………………………………………………………………… 47

فصل چهارم: تاثیر نانوذرات نقره در جذب و پراکندگی نور توسط سلول خورشیدی

4-1- مقدمه…………………………………………………………………………………………………………….. 50

4-2- سیلیکون……………………………………………………………………………………………………… 51

4-2-1 سیلیکون کریستالی……………………………………………………………………….. 52

4-2-1-1 بازدهی جذب و پراکندگی نانوذرات نقره در سیلیکون کریستالی…………………. 53

4-2-2 سیلیکون آمورفی………………………………………………………………………………… 55

4-2-2-1 بازدهی جذب و پراکندگی نانوذرات نقره در سیلیکون آمورفی…………………….. 55

4-2-3 سیلیکون چندکریستالی…………………………………………………………………… 57

4-2-3-1 بازدهی جذب و پراکندگی نانوذرات نقره در سیلیکون چند کریستالی………… 57

4-3- کادمیوم تلوراید……………………………………………………………………………………… 59

4-3-1 بازدهی جذب و پراکندگی نانوذرات نقره در کادمیوم تلوراید:…………………………………. 60

4-4- گالیوم آرسناید و آلومینیوم گالیوم آرسناید…………………………………………………… 62

4-4-1 ساختار نوارها و چگالی موثر حالت­ها…………………………………………………….. 63

4-4-2 ضرایب جذب و بازتاب………………………………………………………………………. 64

4-4-3 بازدهی جذب و پراکندگی نانوذرات نقره در گالیوم آرسناید…………………………………… 66

4-4-4 بازدهی جذب و پراکندگی نانوذرات نقره در آلومینیوم گالیوم آرسناید 68

4-4-5 بازدهی جذب و پراکندگی نانوذرات نقره در آلومینیوم گالیوم آرسناید 69

4-5- بازدهی جذب و پراکندگی نانوذرات نقره در گالیوم فسفات………………………………. 71

4-6- ایندیوم فسفات…………………………………………………………………………….. 73

4-7- نانوذرات آلاییده شده در ………………………………………………………………………………………. 73

4-8- بخش موهومی ضریب شکست معادل نانوذره در محیط­های مختلف………………… 74

فصل پنجم: نتیجه گیری و پیشنهادات…………………………………………………………….. 77

مراجع…………………………………………………………………………………….. 79

1مقدمه:

به دلیل افزایش جمعیت و بالارفتن مصرف انرژی در کشورهای درحال توسعه پیش­بینی می­شود تا سال 2030 سوخت­های فسیلی دیگر جواب­گوی نیازهای بشر نخواهند بود و جهان با بحران کمبود انرژی روبرو خواهد شد و برای حل این مشکل باید به سراغ منابع دیگر انرژی رفت. تلاش برای جایگزینی سوخت­های فسیلی با سوخت­های تجدید پذیر و پاک از نیمه دوم قرن 21 به صورت جدی آغاز شده و در سال­های اخیر دولت­ها سرمایه­گزاری­های هنگفتی در این زمینه انجام داده­اند. در این بین سلول­های خورشیدی که برای استفاده از انرژی خورشید طراحی شده­اند جایگاه ویژه­ای در بین محققان پیدا کرده­اند. از زمان پیدایش تاکنون نسل­های مختلفی از سلول­های خورشیدی ساخته شده که هرکدام نسبت به نسل قبلی برتری­هایی داشته­اند. نوع اول به سلول­های فوتوولتاییک سیلیکون ویفری مشهور هستند و در حال حاضر بالای نزدیک به 70 درصد بازار را به خود اختصاص داده­اند. بیشتر از سیلیکون تک کریستالی و چند کریستالی استفاده می­شود. بازدهی آنها هم تا بالای 20 درصد رسیده است. نوع دوم سلول­های خورشیدی فوتوولتاییک به سلول­های لایه نازک مشهور هستند. سیلیکون آمورف، کادمیوم تلوراید و موادی هستند که برای ساخت این نوع سلول­ها به کار می­روند. بازدهی آنها به بالای 10% رسیده است ولی قیمت بر حسب وات خروجی پایین تری دارند. وزن پایین و شرایط کاری بهتر مزیت دیگر آنها هستند. نوع سوم سلول­های خورشیدی که در حال حاضر بیشتر توجهات جامعه علمی را به خود اختصاص داده­اند، شامل نانوکریستال­های حساس شده با رنگدانه[1]، فوتوولتاییک­های آلی بر پایه پلیمر، سلول­های خورشیدی چند پیوندی و سلول­های فوتوولتاییکی گرمایی هستند [1،2]. سلول­های چند­پیوندی تقریباً 2 برابر توان خروجی بیشتر از نوع اول دارند. بازدهی تئوری آنها هم از انواع دیگر خیلی بیشتر است. بازدهی آنها به بالای 40% رسیده است [3،4] و امروزه از آنها بیشتر در فضا پیماها و ماهواره­ها استفاده می­کنند. در حال حاضر انسان از بخش کوچکی از این انرژی استفاده می­کند و دلیل آن در بازدهی پایین سلول­های خورشیدی موجود است. برای جبران این خلأ باید بازدهی و قیمت تمام شده سلول فوتوولتاییک کاهش یابد.

تلاش محققان بیشتر بر روی بازدهی بیشتر و قیمت ارزان­تر متمرکز شده است. در سال­های اخیر محققان دریافتند که استفاده از نانوذرات در سلول­های خورشیدی فیلم-نازک باعث افزایش جریان فوتونی آنها می­شود. این اثر به تحریک پلاسمون­های سطح نانوذرات توسط نور فرودی ربط داده می­شود. بنابراین این نوع ساختارها به سلول­های خورشیدی پلاسمونی معروف شدند. نانو ذرات می­توانند در ابعاد و اشکال متنوعی ساخته ­شوند و بسته به روش­ ساخت می­توان نانو ذرات فلزی را به اشکال کروی، مثلثی، پنج ضلعی و شش ضلعی و اشکال تصادفی تولید کرد. به منظور استفاده از پتانسیل بالای نانو ذرات فلزی مراحل ساخت، فرایند شکل­گیری و رشد را برای به دست آوردن نانو ذرات یکنواخت با اندازه و شکل معین می­بایست کنترل کرد. گسترش روزافزون تحقیقات در حوزه حسگرهای پلاسمونی، موجب شکل گیری روش­های مختلف تئوری در توصیف عملکرد آن­ها شده است.

1-2 سیر تحول سلول­های خورشیدی فیلم-نازک

همانطور که گفتیم در حال حاضر بیشتر سلول های خورشیدی موجود در بازار بر پایه سیلیکون کریستالی ویفری هستند که ضخامتی در حدود 200 میکرون دارند. حدود 40% قیمت آنها برای ویفر­های سیلیکونیشان است. با نازک­شدن لایه­ی سیلیکونی علاوه بر کاهش هزینه ساخت، مسیر انتشار حامل­ها کوتاه­تر شده و در نتیجه بازترکیب حامل­ها کمتر می­شود. بنابراین بیشتر تحقیقات در سال های اخیر بر روی ساخت سلول­های خورشیدی نازکتر و با بازدهی بیشتر متمرکز شده است. در حال حاضر این نوع سلول­های خورشیدی از نیمرساناهایی مانند کادمیوم-تلوراید، مس-ایندیوم و سیلیکون چند بلوری[2] بر روی زیرلایه­های ارزانی چون شیشه و پلاستیک ساخته می­شوند. مشکل اصلی این ساختارها جذب کم در ناحیه نزدیک گاف بود. این عیب برای نیمرساناهایی با گاف غیر مستقیم، برجسته­تر است. بنابراین برای افزایش جذب، سلولهای خورشیدی باید طوری ساخته شوند که نور را در خود نگه دارد. در ابتدا برای محبوس سازی نور در سیلیکون از سلولهای ویفر مانند استفاده می­کردند. در این روش هرم­هایی با اندازه 2-10 میکرون برای محبوس سازی نور در سطح تزریق می­شود. به هرحال هرمهایی با این ابعاد برای فیلم­های نازک کارایی ندارد. در مرحله بعد برای حل این مشکل ساختارهایی با ابعاد طول موج را روی زیر لایه نشاندند و سپس فیلم نازک را روی آن گذاشتند و جریان فوتونی[3] تا حد زیادی افزایش پیدا کرد [5] ولی در سطوح صاف بازترکیب حامل­ها افزایش می­یابد که این اثر مخربی برای سلول­های خورشیدی است. یکی از راه­هایی که در سال های اخیر برای محبوس سازی نور در سلول­های خورشیدی فیلم نازک و افزایش جذب نور مورد استفاده قرار گرفته است، استفاده از پراکندگی از نانوذرات فلزی است که در فرکانس تشدید پلاسمون های سطحی تحریک شده اند[6-9]. این روش منجر به افزایش جریان فوتونی تا 16 برابر در طول موج­های بلند در سلول خورشیدی سیلیکون- عایق با ضخامت 25/1 میکرون شده است. همچنین در ناحیه طیف خورشید این افزایش تا 30% رسیده است[6].

1-3 پلاسمون

به نوسانات الکترون­های آزاد و سطحی یک محیط ، پلاسمون می گویند. از یک نمای کلاسیکی پلاسمون­ها می­توانند به عنوان نوسان چگالی الکترون­های آزاد نسبت به یون­های مثبت در یک فلز توصیف شوند. پلاسمون­ها کوانتوم نوسانات الکترونی می­باشند. پلاسمون نقش عمده ای در خواص نوری فلزات دارد. نور با فرکانس کمتر از فرکانس پلاسما بازتاب و جذب می شود، زیرا نوسان الکترون ها در فلز باعث پراکندگی و بازتاب نور می­شوند. نور با فرکانس بالای فرکانس پلاسما از فلز عبور می کند، زیرا الکترون­ها نمی­توانند به اندازه کافی سریع نوسان ­کنند و نمی­توانند به این فرکانس­ها پاسخ سریع دهند. بسیاری از فلزات که فرکانس پلاسمای آن ها درناحیه ماورای بنفش است در ناحیه مرئی بازتابنده هستند. برخی از فلزات، مانند مس و طلا، در ناحیه مرئی دارای گذارهای نوار الکترونی هستند. در نتیجه برخی طول موج­ها جذب می شوند. در نیمه هادی ها، فرکانس پلاسمای الکترون ظرفیت معمولاً در طول­موج­های زیاد منطقه ماوراء بنفش است و به همین دلیل آنها نیز بازتابنده هستند[8].

میدان­های الکترومغناطیسی القایی می­توانند در هندسه و توپولوژی­های گوناگون وجود داشته باشند. برای مثال پلاسمون­های سطحی موضعی در نانوذرات فلزی که ناشی از نوسانات الکترون­های رسانش فلز هستند و با میدان الکترومغناطیسی کوپل شده­اند و تأثیر زیادی روی جذب و پراکندگی ذرات دارند را به صورت ساده زیر توضیح می­دهیم.

رابطه پاشندگی برای این امواج با فرض تقریب الکترواستاتیک و حل معادله­ی لاپلاس و در نظرگرفتن شرایط مرزی مناسب، به­دست می­آیند. تقریب الکترواستاتیک تا زمانی که ابعاد سیستم از طول موج کوچکتر باشد معتبر است. بعد از بدست آوردن توزیع میدان می­توان وابستگی زمانی آن را لحاظ کرد. برای مثال ذره کروی فلزی با شعاع a در محیط دی­الکتریکی و تحت تابش میدان E₀ قرار گرفته است.

شکل (1-1) کره فلزی یکنواخت در میدان الکترواستاتیک

جواب معادله­ی لاپلاس برای پتانسیل الکترواستاتیک در داخل و خارج کره به صورت زیر بدست می­آید:

فصل چهارم 28

روش پیشنهادی برای دسته­جمعی کردن الگوریتم نزدیک­ترین همسایه. 28

4-1- مقدمه. 29

4-2- ایده­ی اصلی.. 30

4-3- دسته­جمعی کردن مجموعه دسته­بندهای وزن­دار نزدیک­ترین همسایه. 31

فصل پنجم 39

نتایج آزمایشات پیاده سازی و نتیجه­گیری.. 39

5-1- نتایج.. 40

فصل ششم 45

نتیجه­گیری 45

فهرست منابع.. 48

• مقدمه

در دنیای امروزی حجم اطلاعات دیجیتالی به صورت روز افزونی در حال افزایش است. در همین راستا، به جهت مدیریت و بررسی علمی این اطلاعات، نیاز به پردازش هوشمندانه و خودکار این اطلاعات بیش از پیش احساس می شود.

یکی از مهم ترین این پردازش ها که در فناوری اطلاعات و ارتباطات مورد نیاز است، دسته­بندی خودکار این اطلاعات می باشد. دسته بندی در مسائل متنوعی در فناوری اطلاعات به کار گرفته می شود، در مسائلی مانند امنیت اطلاعات، شناسایی نفوزگری در شبکه، دسته بندی کاربران بر اساس اطلاعات شخصی، پردازش تصویر و در واقع شناسایی هر گونه الگو بر اساس نمونه­ها و اطلاعات پیشین. این پردازش می تواند دسته^[1]­ی نمونه­های جدید که به مجموعه اطلاعات اضافه می شود را پیش بینی نماید. از این رو در هوش مصنوعی توجه خاصی به توسعه انواع روش­های دسته­بندی هوشمند و خودکار شده است.

روش­های دسته­بندی

دسته­بندی یکی از مهم­ترین شاخه های یادگیری ماشین[2] است. دسته­بندی به پیش­بینی برچسب دسته[3] نمونه[4] بدون برچسب، بر اساس مجموعه نمونه­های آموزشی برچسب­دار (که قبلا به با کمک یک کارشناس دسته­بندی شده­اند) گفته می­شود. درواقع دسته­بندی روشی است که هدف آن، گروه­بندی اشیا به تعدادی دسته یا گروه می­باشد. در روش های دسته­بندی، با استفاده از اطلاعات بدست آمده از مجموعه نمونه­های آموزشی، از فضای ویژگی­ها[5] به مجموعه برچسب دسته­ها نگاشتی بدست می آید که بر اساس آن، نمونه­های بدون برچسب به یکی از دسته­ها نسبت داده می­شود.

در مسائل دسته­بندی، هر نمونه توسط یک بردار ویژگی[6]به صورت X=<x₁, x₂,… x_m> معرفی می­شود که نشان دهنده­ی مجموعه مقادیر ویژگی­های نمونه­ی­ مربوطه است. بر اساس این بردار، نمونه­ی ­ X دارای m خصوصیت یا ویژگی است. این ویژگی­ها می­توانند مقادیر عدد صحیح، اعشاری ویا مقادیر نامی[7]به خود اختصاص بدهند. همچنین این نمونه دارای یک برچسب C است که معرف دسته­ای­ است که نمونه­ی­ X به آن تعلق دارد.

تفاوت روش­ها دسته­بندی در چگونگی طراحی نگاشت است. در بعضی از آن­ها با استفاده از داده­های آموزشی مدلی ایجاد می­شود که بر اساس آن فضای ویژگی­ها به قسمت­های مختلف تقسیم می­شود که در آن، هر قسمت نشان دهنده­ی یک دسته است. در این گونه روش­های دسته­بندی از مدل برای پیش­بینی دسته­ی­ نمونه بدون برچسب استفاده شده و از نمونه­­های آموزشی به طور مستقیم استفاده نمی شود. یک نمونه از این دسته­بندها، دسته­بندهای احتمالی[8] می­باشد. این گونه الگوریتم­ها، از استنتاج آماری برای پیدا کردن بهترین دسته استفاده می­کنند؛ برخلاف سایر دسته­بند­ها که فقط بهترین کلاس را مشخص می­کنند الگوریتم­های احتمالی به ازای هر دسته موجود یک احتمال را به عنوان تعلق نمونه به آن مشخص می­کنند و کلاس برنده، بر اساس بیشترین احتمال انتخاب می­شود. روش­های احتمالی در یادگیری ماشین معمولا با نام الگوریتم­های آماری نیز شناخته می­شوند. در گروهی دیگر از روش­های دسته بندی، نمونه براساس خود مجموعه نمونه­ها و بدون ساختن مدل، به پیش­بینی دسته­ی نمونه مورد نظر می­پردازد. به این گونه الگوریتم های دسته­بندی، نمونه- بنیاد[9] گفته می­شود.

تاکنون الگوریتم­های متفاوتی به عنوان دسته­بند ارائه شده­اند. از جمله­ی­ آن­ها می­توان به الگوریتم نزدیک ترین همسایه­ها[10] [1] ، دسته­بند بیز[11][2]، ماشین بردار پشتیبان[3] و شبکه عصبی[12][4] اشاره کرد.

• ارزیابی دسته­بند

اولین موضوعی که در مورد هر الگوریتم مورد توجه قرار می­گیرد، کارایی و دقت آن الگوریتم است. در هوش مصنوعی، معیار­های متفاوتی وجود دارند که در مسائل مختلف و زیر شاخه­های این علم استفاده می­شود. در مورد کارایی یک دسته­بند­، به عنوان یکی از مسائل اصلی هوش مصنوعی، روش­های متنوعی وجود دارد که در این قسمت بررسی شده­اند.

معیار کارایی نظر­گرفته شده برای یک دسته­بند، ارتباط مستقیمی با کاربرد و ضمینه کار خاص آن دسته­بند دارد. بنابراین در مسائل متفاوت، ممکن است معیار­های مختلفی برای اندازه­گیری کارایی الگوریتم در نظر­گرفته شود. همچنین همان طور که مشخص است، یک دسته­بند که بتواند برای همه مسائل موجود بهترین جواب را ارائه دهد، وجود ندارد.

در بررسی آماری کارایی یک دسته­بند، از یک مجموعه که شامل تعداد مشخصی نمونه­ی­ آموزشی دارای برچسب است استفاده می­شود. برای این کار، قسمتی از این نمونه­ها و یا تمام مجموعه،­ به عنوان مجموعه آموزشی[13]، در اختیار دسته­بند برای آموزش قرار می­گیرد. پس از آموزش، دسته بند به وسیله­ی­ زیر­مجموعه­ای­ از نمونه­ها، به عنوان نمونه­های­ آزمایشی، محک زده می­شود. نمونه­ها­ی موجود در مجموعه­ی­ آزمایشی، بسته به نوع آزمون کارایی، می­تواند عضو مجموعه آموزشی بوده و یا متفاوت با آن باشند.

نرخ دسته­بندی[14] یا صحت[15] پرکاربردترین و ساده­ترین معیار اندازه­گیری کارایی هر دسته­بند است. این معیار برابر است با نسبت تعداد نمونه­های درست دسته­بندی شده به تعداد کل نمونه­ها. براساس این تعریف، نرخ خطای دسته­بندی از رابطه زیر بدست می­آید:

مقادیر دقت[16] و بازخوانی[17] نیز معیارهای مناسبی برای ارزیابی دسته­بندها می­باشند. که اخیرا برای ارزیابی رقابت[18] بین اشتباه-مثبت[19] و درست-مثبت[20] استفاده می­شود. در ادامه این معیار­ها معرفی می­شود.

• معیاردقت : احتمال مثبت بودن نمونه­هایی که مثبت اعلام شده­اند.

معیار بازخوانی : احتمال مثبت اعلام کردن نمونه­های دسته مثبت.

معیار اختصاص[21]: احتمال منفی اعلام کردن نمونه­های دسته منفی.

که در این معیارها، دسته مثبت، دسته مورد بررسی است و دسته منفی به سایر دسته­ها گفته می­شود.

28

3-4-2 واحد ارسال اطلاعات………………………………………………………………………………………….. 30

3-4-3 واحد دریافت و اجرای دستورات……………………………………………………………………….. 30

3-5 بخش مرکزی مدل پیشنهادی…………………………………………………………………………………….. 34

3-5-1 واحد دریافت اطلاعات………………………………………………………………………………………… 34

3-5-2 واحد ذخیره اطلاعات…………………………………………………………………………………………. 35

3-5-3 واحد طبقه بندی سرورها…………………………………………………………………………………… 35

3-5-4 واحد اتخاذ تصمیم……………………………………………………………………………………………… 37

3-5-5 واحد ارسال دستورات………………………………………………………………………………………… 40

3-6 سربارهای مدل پیشنهادی……………………………………………………………………………………………. 40

فصل چهارم: پیاده سازی……………………………………………………………………………. 42

4-1 پارامترهای آزاد در نرم افزار حاصل……………………………………………………………………………. 43

4-2 مختصات پیاده سازی…………………………………………………………………………………………………… 45

4-2-1 بازه ی داده برداری و ارسال اطلاعات…………………………………………………………………. 45

4-2-2 انتخاب و استقرار………………………………………………………………………………………………… 45

4-2-3 حدود دسته بندی و حاشیه………………………………………………………………………………. 47

4-3 پیکر بندی سفارشی نرم افزار……………………………………………………………………………………… 47

4-4 محیط انجام آزمایش……………………………………………………………………………………………………. 49

4-5 اندازه گیری اولیه…………………………………………………………………………………………………………. 51

4-6 بارکاری استفاده شده برای آزمایش ها…………………………………………………………………………. 52

4-6-1 بارکاری آزمایشی…………………………………………………………………………………………………. 53

4-6-2 بارکاری واقعی……………………………………………………………………………………………………… 55

فصل پنجم: نتایج و پیشنهادها…………………………………………………………………… 57

5-1 نتایج………………………………………………………………………………………………………… 58

5-1-1 نتایج بارکاری آزمایشی……………………………………………………………………………………….. 58

5-1-2 نتایج بارکاری واقعی……………………………………………………………………………………………. 61

5-2 جمع بندی نتایج………………………………………………………………………………………………………….. 64

5-3 خلاصه و نتیجه گیری…………………………………………………………………………………………………. 65

5-4 پیشنهادها………………………………………………………………………………………………………………………. 66

فهرست منابع………………………………………………………………………………………….. 68

1- مقدمه

در این فصل ابتدا به توضیح مصرف برق در رایانه پرداخته می شود. سپس مصرف انرژی در مراکز داده و در نهایت مجازی سازی شرح داده می شوند.

1-1- مصرف انرژی در رایانه

مصرف برق در رایانه را می توان به دو بخش تقسیم نمود:

ایستا: بخشی از انرژی مصرفی رایانه است که تنها صرف روشن بودن سیستم می گردد و به میزان کاری که سیستم انجام می دهد ارتباطی ندارد. این سطح از مصرف انرژی سبب روشن و آماده به کار نگاه داشتن سیستم شده و از لحظه ای که سیستم روشن می شود مصرف می گردد. بخش زیادی از این انرژی در واقع اتلاف به طرق مختلف و در سطوح مختلف سخت افزار است؛ مانند نشت جریان در مدارات مجتمع[1].

پویا: بخشی از انرژی مصرفی رایانه است که صرف انجام فعالیت های سیستم می گردد و با توجه به میزان بار[2] روی بخشهای مختلف یک سیستم (مانند: پردازنده، حافظه[3]، دیسک سخت[4]، کارت گرافیکی[5] و …) متغیر است.

شاید تصور شود که مصرف حالت بیکار یک رایانه کم یا قابل چشم پوشی است زیرا این سهمی از انرژی است که در زمانی که رایانه کار مفیدی انجام نمی دهد مصرف می کند، ولی بر خلاف تصور، یک سرور هنگام بیکاری حدود60 تا 70 درصد از بیشینه ی توان[6] مصرفی خود را مصرف می کند [Barroso, 2007] و [Fan, 2007] و [Lefurgy, 2007]. بیشینه توان مصرفی یک رایانه هنگامی است که با حداکثر توان پردازشی[7] خود کار می کند.

1-2- مراکز داده و مصرف انرژی در آنها

یک مرکز داده ساختمانی است، شامل تعداد زیادی رایانه (سرور) و قطعات مورد نیاز آنها مانند سوئیچ های شبکه و منابع انرژی پشتیبان [Kumar, 2009].

مصرف انرژی یک مرکز داده حاصل مجموع مصرف انرژی سرورهای موجود در آن به علاوه ی مصرف انرژی امکانات دیگر مانند سرورهای ذخیره سازی[8] ، سیستم های خنک کننده، تجهیزات شبکه و … است.

نکته ی قابل توجه در این مورد، سهم تقریباً 50 درصدی سرورها در مصرف انرژی مرکز داده است. به بیان دیگر تنها نیمی از انرژی مصرفی یک مرکز داده صرف پردازش و پاسخ به درخواست ها می گردد و مابقی صرف موارد دیگر که مهمترین آن سیستم های خنک کننده هستند می گردد. شکل 1-1 که نمایش تفکیک انرژی مصرفی یک مرکز داده است، به خوبی گویای این مسئله است:

شکل 1-1 نمودار تفکیکی انرژی مصرفی مرکز داده [Iyengar, 2010]

در مورد میزان مصرف انرژی در مراکز داده آمارها نشان می دهند علاوه بر چشمگیر بودن این مقدار، روند رو به رشدی از لحاظ مقدار و سهم از مصرف کل انرژی جامعه دارد [Koomey, 2011]. شکل 1-2 نمایانگر این موضوع است.

شکل 1-2 نمودار میزان(محور عمودی) و سهم (درصدهای بالای ستون ها) مصرف انرژی مراکز داده در سطح جهان (سمت راست) و ایالات متحده (سمت چپ) در سالهای 2000، 2005 و 2010 میلادی [Koomey, 2011].

بر اساس تحقیقات انجام شده [Barroso, 2007] ، [Boher, 2002] ، [Rangan, 2008] و [Siegele, 2008]، متوسط بکارگیری[9] سرورها در یک مرکز داده کمتر از 30 درصد است و یک سرور تنها در 10 درصد اوقات بکارگیری نزدیک به بیشینه دارد [Armbrust, 2010].

از اینرو با توجه به سهم مصرف انرژی یک سرور در حالت بیکاری، مشاهده می گردد که سهم قابل توجهی از انرژی مصرفی مراکز داده به هدر می رود.

1-3- مجازی سازی

مجازی سازی ابتدا در سالهای 1970 میلادی برای استفاده ی همزمان چندین کاربر از یک سیستم ارائه شد [Bugnion, 1997]. طی سالهای گذشته کارهای زیادی در زمینه ی فن آوری مجازی سازی انجام شده است و به مرور توانایی هایی بر آن افزوده شده که شاید در ابتدای ارائه ی ایده، جزء اهداف اصلی نبوده اند[Bugnion, 1997] و [Barham, 2003] و [Clark, 2005] و [Walters, 1999].

امروزه مجازی سازی به انضمام ابزارهایی که به آن افزوده شده است ویژگی هایی مانند افزایش امنیت کاربران به خصوص درفضاهای غیر همکار، افزایش بهره وری سرورها، ایجاد بستر مناسب برای اجزای نرم افزارهای مختلف تحت سیستم عامل های متفاوت و به صورت همزمان، ساده سازی سرویس و نگه داری سیستم ها در مراکز داده، ایجاد امکان توازن بار[10] بین سرورهای مختلف و … را عرضه می کند که سبب شده است بیشتر صنعت به خصوص مراکز داده به سمت استفاده از این فن آوری سوق پیدا کنند آنگونه که امروزه تقریباً تمامی مراکز داده در جهان از این فن آوری بهره می گیرند [Armbrust, 2010]. چنین محیط هایی متشکل از مجموعه ای از رایانه ها که برای ارائه سرویس های خود از فن آوری مجازی سازی استفاده می کنند را “ابرواره”[11] می نامیم. در واقع ابرواره همان مراکز داده هستند که سرویس های خود را روی شبکه و در در قالب بسته هایی از سخت افزار که به واسطه ی مجازی سازی شکل گرفته اند ارائه می دهند [Armbrust, 2010] و [Armbrust,2009]. این بسته های سخت افزار را به انضمام سیستم عامل درون خود “ماشین مجازی”[12] می نامیم.

مهاجرت ماشین مجازی[13] جزء قابلیت هایی است که مدتی پس از ظهور مجازی سازی به آن اضافه شد و به طور خلاصه عبارت است از انتقال ماشین مجازی از روی یک سرور به سرور دیگر. مهاجرت ماشین مجازی می تواند به صورت زنده[14] باشد به شکلی که کاربر نهایی[15] که از ماشین مجازی مهاجرت کننده سرویس می گیرد متوجه هیچگونه اختلالی در دریافت سرویس نشود و به عبارتی اصلاً جابجایی ماشین مجازی سرویس دهنده خود را متوجه نشود [Clark, 2005]. در شکل 1-3 طرحی از مهاجرت ماشین مجازی بین دو سرور فعال نمایش داده شده است.

شکل 1-3 نمایی از مهاجرت ماشین مجازی [Clark, 2005]

اگر بخواهیم مهاجرت ماشین مجازی به صورت زنده را دقیق تر بررسی نماییم، در واقع وقفه ای در ارائه سرویس پیش می آید که این تاخیر بین 60 تا 300 میلی ثانیه خواهد بود [Clark, 2005]. به هر حال از دید کاربر و پاسخ به درخواست ها مهم این است که می توان بدون بروز مشکل یا پرداخت هزینه ی زمانی و مصرف انرژی بالا ماشین های مجازی را بین سرورهای مختلف جابجا نمود [Liu, 2011].

1-4- ساختار پایان نامه

در فصل دوم، به بیان مفاهیم و مرور کارهایی که در این زمینه صورت پذیرفته است خواهیم پرداخت. فصل سوم به بیان مدل پیشنهادی برای کاهش مصرف برق در مراکز داده اختصاص دارد. در فصل چهارم نحوه ی پیاده سازی، محیط و چگونگی انجام تست ها را شرح خواهیم داد. جمع بندی نتایج و پیشنهادها برای کارهای بعدی در فصل پنجم ارائه می گردد.

2- پیشینه ی تحقیق

مصرف انرژی عظیمی که در مراکز داده صورت می گیرد باعث تحمیل هزینه های گزاف و مشکلات جانبی مانند گرمتر شدن کره ی زمین و تشدید بحران انرژی می شود. در چنین شرایطی تلاش برای صرفه جویی در این انرژی اهمیت ویژه ای پیدا می کند به خصوص با توجه به اتلاف انرژی که در این مراکز رخ می دهد. از اینرو در این زمینه کارهایی زیادی صورت پذیرفته است که در این فصل به بیان آنها خواهیم پرداخت.

2-1- صرفه جویی در انرژی مصرفی رایانه

روش های صرفه جویی در انرژی مصرفی یک رایانه، با توجه به اینکه کدام بخش از انرژی مصرفی را هدف صرفه جویی قرار می دهند به دو بخش تقسیم می شوند.

2-1-1. صرفه جویی در انرژی پویا

2-3-2- دیدگاه مبتنی بر دانش 28

2-3-3- دیدگاه ترکیبی و خلاقانه 30

2-4- فاکتورهای ارزیابی.. 30

2-4-1- پوشش 31

2-4-2- دقت 31

2-4-3- درستی و یادآوری 31

2-4-4- F-SCORE 32

فصل سوم: بر کارهای مرتبط پیشین

3-1- مقدمه. 34

3-2- روش­های نظارتی.. 35

3-3- روش­های غیرنظارتی.. 39

3-4- روش­های مبتنی بر دانش…. 41

3-5- روش­های ترکیبی و خلاقانه. 44

فصل چهارم: روش پیشنهادی

4-1- مقدمه. 51

4-2- معرفی ابزارها و منابع مورد استفاده 52

4-2-1- ریشه­یاب 52

4-2-2- برچسب گذار بخشی از گفتار 53

4-2-3- وردنت 54

4-2-4- وردنت توسعه یافته 57

4-2-5- دامنه­ی وردنت 59

4-3- مراحل روش پیشنهادی.. 59

4-3-1- استخراج کلمات همراه 60

4-3-1-1- پیش پردازش…. 61

4-3-2- استخراج فهرست لغات 61

4-3-2-1- کلمات مترادف و تعاریف… 62

4-3-2-2- کلیه­ی روابط معنایی.. 62

4-3-2-3- هایپرنیم در چند سطح.. 63

4-3-2-4- دامنه­ی کلمات… 64

4-3-2-5- امتیازدهی.. 64

فصل پنجم: پیاده­سازی و ارزیابی

5-1- مقدمه. 67

5-2- نتایج.. 68

فصل ششم: جمع­بندی و نتیجه­گیری

6-1- جمع­بندی.. 71

6-2- کارهای آتی.. 72

فهرست منابع.. 74

1-1- مقدمه

تولید حجم عظیمی از مقالات و مستندات، جامعه­ی علمی را بر آن داشت تا با بهره­گیری از مزایا و توانایی­های روش­های خودکار جهت پردازش این متون، به حوزه­ای تحت عنوان پردازش زبان­های طبیعی[1] روی آورد. همچنین با توجه به وجود لیستی از معانی کلمات و عبارات یا همان دیکشنری و حتی اختصاص موسساتی جهت تعیین نحوه­ی استفاده از یک زبان در برخی از کشورها، اینطور به نظر می­رسد که امکان مکانیزه کردن فهم یک زبان توسط کامپیوتر وجود دارد [1].

مبحث پردازش زبان­های طبیعی خود زیرمجموعه­ای از حوزه­ی گسترده­ی هوش مصنوعی است که توجهات دانشمندان و محققان فراوانی را به خود معطوف کرده است. شاید به ظاهر زبان­هایی که ما در زندگی روزمره برای ایجاد ارتباط با دیگران به کار می­گیریم، ساده باشند. اما در حقیقت این زبان­های انسانی پیچیدگی­های فراوانی دارند که همین پیچیدگی­ها منجر به شکل­گیری زیرشاخه­های متعددی همچون ترجمه­ی ماشینی[2]، بازیابی اطلاعات[3]، پردازش متون[4]، تشخیص صحبت[5]، تحلیل گرامری[6] ، رفع ابهام معنایی[7] و غیره در زمینه­ پردازش زبان­های طبیعی شده است.

در بین مباحث متفاوتی که در زمینه­ پردازش زبان­های طبیعی موجود است، برای اینجانب ابهام معنایی[8] جذابیت بیشتری داشته که در این پایان­نامه به این موضوع پرداخته­ام. ابهام معنایی یکی از مباحث پیچیده و در عین حال پراهمیت است که در شاخه­هایی نظیر ترجمه­ی ماشینی و بازیابی اطلاعات نیز مطرح بوده و بعنوان جزء جدایی ناپذیری از اینگونه سیستم­ها دارای ارزش و حائز اهمیت است.

در واقع این مبحث نشأت گرفته از ابهامی است که در زبان­های طبیعی نهفته است؛ هرچند که وجود این ابهام­ها در اکثر مواقع از دید انسان پوشیده است. آنچه ابهام­های موجود بین سخنگویان بومی را مرتفع می­سازد توانش زبانی آنها، اطلاعات آنها در خصوص جهان پیرامون، طرح پرسش مجدد در صورت وجود یا احساس ابهام و بطور کلی مجموعه­ای از اطلاعات زبانی و غیرزبانی است که سخنگویان بومی به آن مجهزند [40].

مسأله­ی ابهام معنایی شامل تشخیص معنای صحیح یک کلمه با توجه به متنی است که در آن آمده است و در زمینه­ پردازش زبان­های طبیعی به آن رفع ابهام معنایی گفته می­شود. این مهم در بسیاری از شاخه­های پردازش زبان­های طبیعی نیز مطرح بوده و کاربرد دارد که در این میان اصلی­ترین و مشهودترین مورد استفاده­ی آن در شاخه­ی ترجمه­ی ماشینی است. لذا در این فصل ابتدا اشاره­ی کوتاهی به گستره­ی پردازش زبان­های طبیعی و زیرشاخه­های آن داشته، سپس مختصری به شرح مفهوم ترجمه­ی ماشینی و روش­های آن می­پردازیم.

1-2- پردازش زبان­های طبیعی

2-4-1- ویژگی­های الگوریتم رقابت استعماری 28

2-4-2-کاربرد­های الگوریتم رقابت استعماری 28

. 2-5-جمع بندی 30

فصل سوم

3- روش تحقیق 32

3-1- مقدمه 33

3-2- سیستم­های فازی 34

3-2-1- سیستم­های استنتاج فازی 34

سیستم­های فازی Mamdani.. 34

سیستم­های فازی Sugeno…………. 35

سیستم­های فازی Tsukamato… 35

3-2-2- طبقه بندی کننده­های فازی 36

تابع استدلال فازی…….. 36

معیار ارزیابی قوانین ……… 38

3-3- الگوریتم CORE 39

3-4- الگوریتم جزیره ای Ishibuchi برای استخراج قوانین 39

3-5- الگوریتم GBML-IVFS-amp 41

3-6- الگوریتم GNP برای وزن­دهی به قوانین فازی 42

3-7- الگوریتم TARGET 42

3-8- الگوریتم SGERD 43

3-9- الگوریتم رقابت استعماری 44

3-9-1- مقدرادهی اولیه امپراطوری­ها 45

3-9-2- عملگر Assimilation 46

3-9-3- استراتژی­های بهینه سازی میتنی بر تکامل اجتماعی-سیاسی 47

3-10- الگوریتم­های پیشنهادی 48

3-10-1- هدف استفاده از ICA برای الگوریتم پیشنهادی 48

3-10-2- وزن­دهی به قوانین فازی 48

3-10-3- الگوریتم پیشنهادی برای تکامل قوانین فازی…. 52

قوانین خاص و عام…… 52

روش پیشنهادی برای تولید قوانین فازی …….. 53

تابع برازش پیشنهادی…….. 54

3-11-جمع بندی 57

فصل چهارم

نتایج آزمایشات.. 58

4-1- معیار­های ارزیابی 59

4-2-مجموعه داده­ها 60

4-2-1-مجموعه داده KEEL 60

4-2-2-مجموعه داده UCI 61

4-3- الگوریتم پیشنهادی برای وزن­دهی به قوانین 61

4-3-1-پارامتر­ها و تنظیمات سیستم در پیاده سازی 61

4-3-2-مقایسه الگوریتم پیشنهادی با طبقه بندی کننده­های فازی 62

4-3-3-مقایسه الگوریتم پیشنهادی با طبقه بندی کننده­های غیر فازی 66

4-4- الگوریتم پیشنهادی برای تولید قوانین فازی بهینه 68

4-4-1-پارامتر­ها و تنظیمات سیستم در پیاده سازی یادگیری ساختار قوانین فازی 68

4-4-2-انتخاب ویژگی 69

4-4-3-ارزیابی الگوریتم یادگیری ساختار قوانین با روش­های فازی 70

. 4-4-4-ارزیابی الگوریتم با روش­های غیر فازی 72

.. 4-5- جمع بندی 73

فصل پنجم

جمع بندی و پیشنهادات………….. 76

اختصارات………….. 78

واژه­نامه فارسی به انگلیسی……………………………… 79

واژه نامه انگلیسی به فارسی…………. 80

فهرست منابع………….82

1. مقدمه

   • در این فصل به شرح کلیاتی پیرامون انگیزه ی انتخاب موضوع، طبقه­بندی کننده­های فازی و همچنین شرحی بر مسئله و کاربردها و چالش های می­پردازد. در انتهای فصل نیز اهداف پایان­نامه به صورت خلاصه ذکر می­شود.

• مقدمه

تاکنون دانشمندان حوزه داده کاوی تلاش­های بسیاری برای جدا­سازی صحیح نمونه­های مشابه کرده­اند. استخراج طبقه­بند­های عام[1] و قابل فهم از داده، نقش مهمی در بسیاری از حوزه­ها و مسائل است. تاکنون روش­های متعددی برای طبقه­بندی[2] و تشخیص الگو[3] معرفی شده­است. یکی از شیوه­های موفق و منحصربه­فرد در حوزه طبقه­بندی و تشخیص الگوی داده­های ورودی، استفاده از تکنیک­های فازی برای تقسیم­بندی نرم فضای ویژگی و بالطبع استفاده از یک معماری مؤثر در متصل کردن این زیر­فضاها برای تصمیم­گیری و طبقه­بندی به­صورت فازی می­باشد. طبقه­بندی فازی پروسه گروه بندی عناصر داخل مجموعه­های فازی با یک تابع عضویت[4] است[1]. در واقع، ابتدا فضای جستجو به بخش­هایی قسمت بندی می­شود به گونه ای که تمام فضا پوشش داده شود و سپس بر روی هرکدام از این زیر­فضا­ها مجموعه فازی قرار می­گیرد. اجتماعی از مجموعه­های فازی که فضای فازی نامیده می­شود، مقادیر زبانی فازی یا کلاس­های فازی را تعریف می­کند که یک شی می­تواند به آن­ها تعلق داشته باشد. پس از آن قوانین فازی اگر و آنگاه[5] با توجه به نحوه تخصیص تولید می­شوند. مدل­سازی سیستم­های فازی بصورت مجموعه­ای از این قوانین نمایش داده می­شود.

• انگیزه

طبقه­بندی­کننده­های فازی دارای ویژگی منحصربفرد تفسیرپذیری هستند و قادرند دانش چگونگی تشخیص الگو­ها را برای یک فرد خبره بصورت یک دستورالعمل بازنمایی کنند. طبقه­بندی­کننده­های­ فازی چهار هدف اساسی را دنبال می­کنند. دقت طبقه­بندی­کننده را بیشینه کنند، طبقه­بندی­کننده­ی با بیش­ترین قابلیت تفسیر­پذیری را ایجاد نمایند، پایداری طبقه­بندی­کننده را بیشینه کنند و حساسیت به نویز را کاهش دهند. تاکنون روش­های متفاوتی برای ایجاد قوانین، نحوه تخصیص زیرفضاها، نحوه استنتاج در هر قانون و در نهایت ادغام قوانین ارائه­شده است. بدیهی است زبان طبیعی[6] محور بودن ساختار قوانین فازی علیرغم استخراج دانش، مشکل اثبات ریاضی کارایی طبقه­بندی­کننده از جمله ارائه یک کران­ بالا[7] برای خطای آموزش[8] و خطای تست[9] است. به­عبارتی افزایش عمومی­سازی[10] این طبقه­بندی­کننده­ها بصورت ریاضی مانند طبقه­بندی کننده تقویتی گروهی[11] کار بسیار دشواری است. از این­رو اغلب از روش­های مکاشفه­ای[12] و فوق مکاشفه­ای[13] به­صورت سعی و خطا در تدوین قوانین و ادغام آن­ها استفاده می­گردد، به این دلیل که زیرفضا را برای به­دست­آوردن بهترین ترکیب قوانین جستجو می­کنند [2]-[4] . ایشیبوشی[14][5] روشی را برای تخصیص فضا به­صورت تقسیم­بندی منظم و تکراری ارائه کرد که می­توان از این روش به­عنوان یکی از موثرترین روش­های طبقه­بندی­کننده فازی که مبنای بسیاری از تحقیقات بعدی در این زمینه نیز شد، نام برد.

• شرح مسئله

پروسه یادگیری یک سیستم طبقه­بندی فازی باید مسایل مختلفی را حل کند تا یک سیستم طبقه­بندی زبانی را با یک رفتار صحیح ایجاد نماید. از جمله اینکه بتواند، 1- مجموعه­ای از قوانین فازی را ایجاد کند که دارای یک سطح لازم همکاری بین این قوانین فازی باشد. 2- انتخاب یک تابع استنتاج که روشی را برای ترکیب اطلاعات به­دست آمده از قوانین فازی در کلاسه­بندی نمونه­ها انتخاب می­کند. 3- در مسایل با ابعاد بالا، قوانین فازی از رشد نمایی در سایزشان رنج می­برند. دو مسئله اول، مربوط به پروسه استخراج دانش می­شود که با پردازش­های یادگیری مختلف براساس الگوریتم­های تکرار­شونده مانند شبکه­های عصبی مصنوعی[5-6] یا الگوریتم ژنتیک [2-4]قابل حل است. گزینه سوم از دو جهت می­توان مدیریت کرد: با فشرده­سازی و کاهش مجموعه قوانین، قوانین غیرضروری را با هدف ایجاد یک سیستم طبقه­بندی با کارایی بالاتر حذف کرد. و راهکار دوم با پروسه انتخاب ویژگی انجام می­گیرد.

به طور کلی، هدف مسئله، فراهم کردن یک چارچوب کلی برای تکامل قوانین فازی است. راهکار­های بسیاری در این زمینه ارائه شده، اما همه آن­ها حداقل در یکی از موارد زیر تفاوت دارند، تعداد قوانینی که در هر عضو جمعیت کد می­شود، نوع بیان قوانین کد­شده در هر عضو و نوع و هدف پروسه تکاملی .[7-8] این الگوریتم ها شامل الگوریتم های ژنتیک[15]، بهینه سازی گروه ذرات[16]، گداختگی شبیه سازی شده[17] و… می باشند.

از آنجایی که الگوریتم­های تکاملی[18] به­صورت چند­عاملی[19] جستجو را در فضای ویژگی انجام می­دهند، نحوه گردش آن­ها تا حد ممکن به­صورت تصادفی می­باشد. این خواص، الگوریتم­های تکاملی را به ابزار قوی برای انواع مسائل بهینه­سازی تبدیل نموده است.[2], [4] از جمله مسائل مطرح در زمینه بهینه­سازی، بهینه­سازی ساختار و پارامتر­های طبقه­بندی­کننده­ها می­باشد. بدیهی است هرچه یک طبقه­بندی­کننده­ پارامتر­های بیش­تری داشته باشد، تنظیم بهینه این پارامتر­ها به­صورت دستی کاری بسیار دشوار، و در بعضی حالات­ غیرممکن می­باشد. بدین خاطر از الگوریتم­های تکاملی برای یادگیری پارامتر­ها و تعیین ساختار طبقه­بندی­کننده­های متفاوت به­صورت فراوان استفاده شده است. از جمله این تحقیقات می­توان به بهبود ساختار شبکه عصبی توسط الگوریتم ژنتیک اشاره کرد [9] که الگوریتم ژنتیک سعی در هرس کردن ارتباط بین نورون­ها و به­نوعی لایه­بندی آن­ها به منظور بهبود کارایی طبقه­بندی، دارد.

مزیت ترکیب قوانین فازی و الگوریتم­های تکاملی این است که مجموعه قوانین ایجاد­شده دارای تفسیر­پذیری بیش­تری هستند و می­توانند با عدم قطعیت[20] و ابهام مقابله کنند و همچنین می­توانند به صورت اکتشافی فضای ویژگی را جستجو کنند. به عنوان مثال در بخش ورودی نحوه تخصیص­بندی فضاها و همچنین تعیین پارامتر­های توابع عضویت (مانند شیب و واریانس)، از الگوریتم­های تکاملی استفاده شده است[10].

چالش­ها

با توجه به این که اغلب روشهای عمده و شناخته شده محاسبات تکاملی، شبیه سازی کامپیوتری فرایندهای طبیعی و زیستی هستند، در این نوشتار، از یک روش ترکیبی برای بهبود طبقه­بندی­کننده­های فازی ارائه می­شود که برای بهبود یادگیری پارامتر­های آن الگوریتم تکاملی رقابت استعماری [11] اقتباس شده است. این پایان­نامه، الگوریتم رقابت امپریالیستی [21]را برای هدف استخراج کلاسه­بند­های عام و قابل فهم از داده در شکل یک سیستم قانون ارائه می­کند. در این تحقیق سعی در ارائه ساختار جدیدی بر روی بستر فازی هستیم که در آن ساختار، توزیع قوانین از الگوریتم رقابت استعماری[22] اقتباس شده و لیکن روح قوانین به­صورت فازی است. ضمنأ به­دلیل ایجاد هارمونی مناسب در بهینه­سازی ساختار قوانین و همچنین ادغام قوانین، استفاده از الگوریتم بهینه­سازی رقابت استعماری پیشنهاد می­شود.

در این الگوریتم چند نمونه که دارای میزان برازندگی[23] بالایی می­باشند (امپریالیست[24]) و مرکز امپراطوری­ها هستند، سعی در کشاندن بقیه نمونه­ها (مستعمره)[25] به سمت خود دارند. این الگوریتم را می­توان نوع بهبود یافته الگوریتم ازدحام ذرات در نظر گرفت. لازم به ذکر است که الگوریتم ازدحام ذرات علیرغم سرعت همگرایی بالای آن، احتمال بایاس شدن آن بسیار زیاد می­باشد. چون میزان تصادفی بودن[26] آن در حین جستجو پایین بوده و بسیار بایاس­دار حرکت می­کند. درصورتیکه الگوریتم رقابت استعماری این مسئله را به این شیوه حل کرده است که هر نمونه به­جای حرکت در جهت برآیند دو نقطه با برازندگی­های مناسب، به یکی از چند نقطه­ای اختصاص داده می­شود که بهینه محلی (امپریالیست) اطلاق می­شوند.

از آن­جا که ساختار این الگوریتم به­صورت چند­حوزه­ای می­باشد، بکارگیری آن برای ساختار­بندی قوانین فازی این خاصیت را به­همراه خواهد داشت که یک مجموعه قوانین بر روی یک زیرفضا کار کند نه تنها روی یک قانون. به­عبارت دیگر استفاده از یک قانون برای تصمیم­گیری درمورد یک زیرفضا حتی با داشتن هم­پوشانی[27] با زیرفضاهای همسایه باعث خاص[28] شدن آن قانون و به­نوعی بایاس قانون و آن زیرفضای خاص شده و در مورد سایر نمونه­هایی که دور از آن زیرفضا هستند، نمی­تواند تصمیم­گیری مناسبی را به­عمل آورد که همین امر باعث بیش­سازگاری[29]و کمبود عمومی­سازی توابع فازی می­گردد. در مقابل، الگوریتم یادگیری استعماری از تخصیص یک قانون به یک زیرفضای خاص جلوگیری کرده و حتی زیرفضاهایی که یک مستعمره از قوانین درباره آن تصمیم می­گیرند، دارای ابعاد بسیار وسیع­تری نسبت به زیرفضای تخصیص­شده به هر قانون در مقایسه با روش­های قبلی دارد. ضمنأ هنگامی­که قوانین به­صورت دسته­های مختلفی از مستعمره­های متفاوت بر روی کل فضا عمل می­کنند، می­توان آن را جزو الگوریتم­های توزیع­شده در نظر گرفت. توانایی بهینه­سازی این الگوریتم نسبت به الگوریتم­های بهینه­سازی پیشین هم­تراز و یا حتی بالاتر است و سرعت رسیدن به جواب بهینه نیز مناسب است.

اهداف پایان­نامه

در این رساله می­خواهیم یک مجموعه از قوانین انعطاف­پذیر فازی را با استفاده از الگوریتم رقابت استعماری که پیش از این ذکر شد، ایجاد نماییم. با این هدف که کارایی طبقه­بندی­کننده و تفسیر پذیری قوانین تولید شده حداکثر شود و در عین­حال نویز پذیری کمینه نسبت به طبقه­بندی­کننده­های آماری و نیز عمومی­سازی بسیار مناسبی را ارائه نماید. در واقع در این مسئله می­خواهیم مجموعه­ای از بهترین قوانین با انعطاف پذیری بالا که بیانگر انتخاب بهترین ویژگی­هاست را با استفاده از الگوریتم نوپای رقابت استعماری به­دست آوریم. نکته مهم در این رساله، نحوه تخصیص زیرفضا، ساخت قوانین و در نهایت ادغام آن­ها در یک پروسه بهینه­سازی استعماری است. به­طور­کلی در این پژوهش: