انتخاب بهترین روش یادگیری ماشین برای پیش بینی بارندگی

•   آرشیو : نسخه زمستان 1398
•   نوع مقاله : پژوهشی
•   کد پذیرش : 1350
•   موضوع : سایر شاخه های علوم رایانه
• نویسنده/گان : مریم باقری نسب بهابادی
•   چکیده :
  پیش بینی بارندگی از تاریخچه طولانی برخوردار است. هدف از این پیش بینی کاهش خطر مالی در شرایط نامساعد آب و هوایی است با توجه به اهمیت روز افزون منابع آب و نیاز به هزینه های هنگفت برای ساخت و بهره برداری از سامانه های منابع آب، از یک طرف و نیز نوپا بودن علوم مرتبط با مهندسی و مدیریت منابع آب در جهان به طور عام و در ایران به طور خاص، از طرف دیگر اهمیت را در پیش بینی بارش و برآورد میزان آن در هر زمان و برای هر منطقه و حوضه آبریز، به عنوان یکی از مهم ترین پارامترهای جوی، از اهمیت ویژه ای در استفاده بهینه از منابع آبی برخوردار کرده است. بطوری که پیش بینی بارش نقش اساسی و موثری را در مدیریت و بهره برداری صحیح از حوضه ، مدیریت سدها و مخازن و به حداقل رسانی خسارات ناشی از سیلاب، خشکسالی و مدیریت منابع آب ایفا می کند. پیش بینی هر واقعه ای، اساس مدیریت بحران آن را تشکیل می دهند و این امکان زمانی حاصل می شود که بتوان مدل های پیش بینی متناسب را در اختیار داشت. روش های مختلفی برای پیش بینی وقایع هیدرولوژیکی (از جمله بارندگی) به کار می روند. نتایج حاصل از بکارگیری هر یک از این روش ها همواره با مقداری خطا همراه می باشد. پیش بینی درست در سیگنالهای هیدرولوژیکی نظیر بارندگی می تواند اطلاعات مفیدی را به منظور پیش بینی مقدار بارندگی و مدیریت منابع آب و خاک در یک حوضد ارائه دهد علاوه بر این پیش بینی درست در سیگنالهای هیدرولوژیکی نقش مهمی را در کاهش اثرات خشکسالی بر سیستم های منابع آب ایفا می کند با توجه به ماهیت غیرخطی، عدم قطعیت و عدم صراحت زیاد و ویژگی های متغیر زمانی و مکانی در سیستم گردش آبی، هیچ یک از مدل های آماری و مفهومی پیشنهاد شده به منظور الگو سازی دقیق بارش نتوانسته اند به عنوان یک مدل برتر و توانا شناخته شوند و این مسئله همواره از پیچیدگی های ویژهای برخوردار است. پژوهش حاضر با هدف بررسی انتخاب روش مناسب برایش پیش بینی بارندگی انجام شده به منظور پیاده سازی روش پیشنهادی از نرم افزار متلب نسخه a2016 استفاده شده است. بهینه سازی ترکیبی در حل مسله‌ی زمان بندی وظایف سیستم‌های گرید بر اساس روش پیشنهادی هیبریدی
•   کلید واژه : الگوریتم‌های هیبریدی، بهینه‌سازی، زمانبندی‌کارها، زمان اتمام اجرای کارها.
•   Abstract :
  A computational grid is a set of large-scale heterogeneous systems. Job scheduling is one of the most important issues in a distributed grid system. Genetic Algorithm As a basic evolutionary algorithm, it is a fair way to answer difficult problems that have failed with traditional conventional methods to achieve the desired results. This algorithm has been able to achieve acceptable results for the task scheduling problem in the grid system. In this research, the scheduling of tasks in the grid system is investigated by the proposed method. The second proposed method will create hybrid algorithms (H-GA-ICA), (H-GA-PSO), (H-GA-SA) and (H-GA-ACO) which is a way to combine algorithms. The main purpose of the proposed algorithms is to improve the local search process of the genetic algorithm (GA) by combining it with the evolutionary algorithms ICA, PSO, SA and ACO, preventing early convergence and stopping at local minimums and ensuring global optimization. Considering the time process of workflow and completion time of works as comparison criteria, finally the proposed algorithms (PSO-GA) and (H-GA-PSO) for the task scheduling problem in the distributed grid system were approved.
•   مراجع :
  1. Dordaie, N. and N.J. Navimipour, A hybrid particle swarm optimization and hill climbing algorithm for task scheduling in the cloud environments. ICT Express, 2018. 4(4): p. 199-202.
  2. Dai, Y., Y. Lou, and X. Lu. A Task Scheduling Algorithm Based on Genetic Algorithm and Ant Colony Optimization Algorithm with Multi-QoS Constraints in Cloud Computing. in 2015 7th International Conference on Intelligent Human-Machine Systems and Cybernetics. 2015.
  3. Molaiy, S. and M. Effatparvar, Scheduling in Grid Systems using Ant Colony Algorithm. International Journal of Computer Network and Information Security, 2014. 6: p. 16-22.
  4. Zhang, L., et al., A Task Scheduling Algorithm Based on PSO for Grid Computing. International Journal of Computational Intelligence Research, 2008. 4: p. 37-43.
  5. Chen, T., et al., Task Scheduling in Grid Based on Particle Swarm Optimization. 2006. 238-245.
•  صفحات : 11-28
•   دانلود فایل ( 1.14 MB )