چكيده:

الگوريتمهاي تكاملي الگوريتم هاي جستجوي عام منظوره اي هستند كه براي حل بسياري از مسائل بهينه سازي مهندسي و پيچيده به كار گرفته شده اند. اين الگوريتم ها تكامل طبيعي را بر روي جمعيتي از راه حلهاي احتمالي همانندسازي ميكنند. الگوريتم بهينهسازي دستهاي ذرات يك الگوريتم بهينه - سازي جديد با گستره ي رو به رشدي از كاربرد ها مي باشد. با اين وجود، اين الگوريتم عموما يك روش به شدت محاسباتي مي باشد كه از زمان اجراي بسيار بالا رنج مي برد. بنابراين، استفاده از آن در كاربردهاي واقعي كه رسيدن به يك راه حل مناسب در يك زمان محدود ضروري است مشكل به نظر ميرسد. براي بسياري از كاربرد هاي واقعي ، الگوريتم بهينه سازي دسته اي ذرات مانند ديگر الگوريتم - هاي تكاملي ممكن است براي روز ها در حال اجرا باشد، حتي زماني كه بر روي يك دستگاه با قدرت محاسباتي بالا اجرا شود . بنابراين، عمده ترين مانع استفاده از اين الگوريتم زمان اجراي بالاي آن مي باشد. پيادهسازيهاي سخت افزاري الگوريتم بهينه سازي دستهاي ذرات براي كم كردن هزينه ي بالاي محاسباتي آن در مسائل بهينه سازي پيچيده به خدمت گرفته شده است . كاربرد هاي پيچيده ي سيستمهاي هوشمند نيازمند طراحي و توسعهي معماريهاي سختافزاري با كارايي بالا هستند. اين پايان نامه، يك معماري سخت افزاري جديد براي الگوريتم بهينه سازي دسته اي ذرات بر اساس مفهوم سيستم بر روي يك تراشه ي برنامه پذير ارائه مي دهد. سيستم بر روي يك تراشه ي برنامه پذير بستري براي طراحي سيستم هاي انعطاف پذير با پيچيدگي بالا ارائه مي دهد . در اين معماري، يك هستهي خط لوله براي الگوريتم بهينه سازي دسته اي ذرات طراحي شده است كه عمليات محاسباتي الگوريتم را انجام مي دهد. پردازندههاي نهفته نيز براي ارزيابي مقدار برازندگي به طور موازي به كار گرفته شده اند. با معرفي مفهوم زيرذره، معماري كاملا مقياس پذير و مستقل از عرض بيتي ذرات است . بنابراين، مسائل پيچيده و داراي فضاي جستجوي بزرگ بدون نياز به تغيير معماري قابل پياده سازي است. در يك كار ديگر، توري دو بعدي به عنوان معماري اتصالات براي پياده سازي موازي سخت افزاري الگوريتم بهينه سازي دسته اي ذرات استفاده شده است كه هم كارايي بالا و هم مقياس پذيري را به همراه دارد . اين معماري از واحد هاي پردازشي تشكيل شده است كه توسط كانال هاي ارتباطي باذيكديگر در ارتباط هستند. در آخر، پياده سازي سخت افزاري الگوريتم بهينه سازي دسته اي ذرات در كاربرد واقعي آموزش شبكه - هاي عصبي مورد استف اده قرار گرفته است . معماري پيشنهادي از الگوريتم بهينه سازي دسته اي ذرات براي تكامل وزن هاي شبكه هاي عصبي و يك روش ابتكاري به نام بخشبندي لايهها براي پياده سازي شبكه استفاده مي كند. در نتيجه، اين معماري براي آموزش و پياده سازي انواع شبكه هاي عصبي چند لايهاي رو به جلو قابل پيكربندي مجدد است . معماري براي كاربرد هاي شبكه هاي عصبي واقعي با در نظر گرفتن هزينه ي سخت افزاري و سرعت طراحي شده است

فهرست مطالب

فصل 1 مقدمه

1-1 . مقدمه

2-1 . ساختار كلي پايان نامه

فصل 2 محاسبات تكاملي

1-2 . مقدمه

2-2 . الگوريتم هاي تكاملي

3-2 . الگوريتم ژنتيك

1-3-2 . كدبندي

2-3-2 . تابع برازندگي

3-3-2 . شرط خاتمه

4-2 . الگوريتم بهينه سازي دسته اي ذرات

1-4-2 . معرفي

2-4-2 . تفاوت الگوريتم بهينه سازي دسته اي ذرات و الگوريتم ژنتيك

3-4-2 . نسخه گسسته

4-4-2 . توپولوژي ها

5-4-2 . مدل ناهمگام

6-4-2 . الگوريتم موازي بهينه سازي دسته اي ذرات

5-2 . ديدگاه هاي مطرح شده در پياده سازي سخت افزاري

فصل 3 طراحي و پياده سازي الگوريتم بهينه سازي دسته اي ذرات بر اساس سيستم بر روي يك

تراشه برنامه پذير

1-3 . مقدمه

   2-3   . سيستم بر روي تراشه برنامه پذير  SOPC 

3-3 . چهارچوب معماري الگوريتم بهينه سازي دسته اي ذرات بر پايه سيستم بر روي تراشه برنامه پذير

3-3 . اصلاح انجام شده روي الگوريتم

2-3-3 . ساختار معماري

3-3-3 . نحوه پياده سازي

4-3-3 . توابع محك

5-3-3 . نتايج عملي

1-5-3-3 . مقايسه مدل همگام و ناهمگام الگوريتم بهينه سازي دسته اي ذرات توسط پياده سازي نرم

افزاري

2-5-3-3 . سخت افزاري

3-5-3-3 . زمان پردازش

4-3 . نتيجه گيري و جمع بندي فصل

فصل 4 معماري چند پردازنده اي موازي براي الگوريتم گسسته بهينه سازي دسته اي ذرات

1-4 . مقدمه

2-4 . معماري چهارچوب موازي الگوريتم بهينه سازي دسته اي ذرات

1-2-4 . عمليات ناهمگام

2-2-4 . عمليات موازي

3-4 . هسته خط لوله الگوريتم بهينه سازي دسته اي ذرات

1-3-4 . روش پردازش "زيرذره

2-3-4 . معماري جهت پردازش زيرذره

1-2-3-4 . واحد توليد كننده اعداد تصادفي

2-2-3-4 . حافظه ها

3-2-3-4 . واحد gbest 

4-2-3-4 . مرحله واكشي

5-2-3-4 . مرحله به روز كردن gbest و pbest 

 6-2-3-4 . مرحله به روز كردن بردار سرعت ذره ( 1

7-2-3-4 . مرحله به روز كردن بردار سرعت ذره ( 2

8-2-3-4 . مرحله به روز كردن بردار موقعيت ذره

9-2-3-4 . واحد تخمين تابع سيگمويد

10-2-3-4 . واحد كنترل

4-4 . زمان محاسباتي

5-4 . نتايج عملي

1-5-4 . پياده سازي

2-5-4 . توابع محك

3-5-4 . هزينه سخت افزاري

4-5-4 . مقايسه نرخ همگرايي

5-5-4 . زمان اجرا

6-5-4 . مقايسه با پياده سازي تمام سخت افزاري

6-4 . جمع بندي و كارهاي آينده

فصل 5 معماري توري براي پياده سازي سخت افزاري الگوريتم بهينه سازي دسته اي ذرات

1-5 . مقدمه

2-5 . معماري توري براي الگوريتم بهينه سازي دسته اي ذرات

2-2-5 . روش هاي ارتباطي

3-2-5 . ساختار داخلي واحدهاي پردازشي PE 

2-3-2-5 . بلوك به روز كردن ذرات

3-3-2-5 . ارزيابي برازندگي

4-3-2-5 . سوئيچ

4-2-5 . مشخصات معماري

3-5 . نتايج تجربي

4-5 . نتيجه گيري و كارهاي آينده

فصل 6 معماري براي آموزش درون تراشه اي شبكه هاي عصبي رو به جلو توسط هوش دسته اي

1-6 . مقدمه

2-6 . شبكه هاي عصبي مصنوعي

 1-2-6 . معرفي

1-1-2-6 . پرسپترون هاي چند لايه

2-2-6 . آموزش شبكه هاي عصبي

3-2-6 . پياده سازي سخت افزاري شبكه هاي عصبي

4-2-6 . مروري بر كارهاي گذشتگان

3-6 . معرفي معماري پيشنهادي

4-6 . توصيف مسئله آموزش شبكه هاي عصبي توسط الگوريتم بهينه سازي دسته اي ذرات

5-6 . ساختار معماري سخت افزاري نورون

6-6 . معماري و پياده سازي آموزش درون تراشه اي

1-6-6 . معرفي

2-6-6 . هسته الگوريتم بهينه سازي دسته اي ذرات (واحد تكامل وزن ها)

3-6-6 . مخزن ذخيره موقت وزن ها

4-6-6 . واحد نگاشت نورون و محاسبات شبكه عصبي

5-6-6 . واحد محاسبه خطاي خروجي

7-6 . نتايج تجربي

1-7-6 . پياده سازي

2-7-6 . كارايي

8-6 . جمع بندي و نتيجه گيري

فصل 7 جمع بندي و معرفي كارهاي آينده

فهرست منابع

ضميمه: مقالات تأليف شده