CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

افزایش کارایی مرتب سازیquicksort با مدل انتخابی مبتنی بر شبکه عصبی

اعتبار موردنیاز PDF: ۱ | تعداد صفحات: ۱۲ | تعداد نمایش خلاصه: ۱۵۷ | نظرات: ۰
سال انتشار: ۱۳۹۳
کد COI مقاله: RCEITT01_251
زبان مقاله: فارسی
حجم فایل: ۵۶۴.۷۳ کیلوبایت (فایل این مقاله در ۱۲ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

متن کامل این مقاله دارای ۱۲ صفحه در فرمت PDF قابل خریداری است. شما می توانید از طریق بخش روبرو فایل PDF این مقاله را با پرداخت اینترنتی ۳۰,۰۰۰ ریال بلافاصله دریافت فرمایید
قبل از اقدام به دریافت یا خرید مقاله، حتما به فرمت مقاله و تعداد صفحات مقاله دقت کامل را مبذول فرمایید.
علاوه بر خرید تک مقاله، می توانید با عضویت در سیویلیکا مقالات را به صورت اعتباری دریافت و ۲۰ تا ۳۰ درصد کمتر برای دریافت مقالات بپردازید. اعضای سیویلیکا می توانند صفحات تخصصی شخصی روی این مجموعه ایجاد نمایند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۱۲ صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله افزایش کارایی مرتب سازیquicksort با مدل انتخابی مبتنی بر شبکه عصبی

  حامد صباغ گل - مربی، عضو هیئت علمی گروه کامپیوتر، دانشگاه پیام نور.
  ملیکا قاسمی - دانشجوی کارشناسی ارشد هوش مصنوعی، دانشگاه آزاد اسلامی واحد فردوس.

چکیده مقاله:

مرتب سازی سریع یکی از محبوب ترین الگوریتم های مرتب سازی است که براساس روش تقسیم و تسخیر میباشد و محبوبیت گسترده ای به عنوان سریعترین روش همه منظوره مرتب سازی دارد. اگرچه این روش موفق به جداکردن پارتیشن بزرگ به کوچک میشود، مرتب سازی سریع هنگامی که پارتیشن ها کوچک باشد به کندی اجرا میشود، بنابراین برای اتمام مرتب سازی فرآیندها از طریق استفاده از یک الگوریتم مرتب سازی متفاوت راه حل بسیار محتملی است. این نوع مرتب سازی زمان اجرای کلرا به حداقل میرساند اما به یک الگوریتم مرتب سازی ثابت در یک نقطه ثابت- قطع می رود. برای مقابله با این مشکل، یک مدلپویا پیشنهاد شده است که یک الگوریتم مرتب سازی سریع تر برای پارتیشن کوچک میتوانیم انتخاب کنیم. این مدل ادامهی مرتب سازی سریع می باشد به طوری که نقطه برش نیز انعطاف پذیرتر است. برای این اجرای الگوریتمهای هوشمند، انتخاب مدل شبکههای عصبی مصنوعی را با توجه به ویژگیهای معماری غیر مقایسهای، زمان ثابت و کم هرینه بودن را ترجیح دادهایم. با وجوداین واقعیت است که پیدا کردن بهترین الگوریتم مرتب سازی با استفاده از شبکه عصبی باعث برخی از زمان های اضافی محاسباتی می شود و افرایش زمان ادرای کل می شود. در نتیجه، یک نوع سریع تر از مرتب سازی سریع با استفاده از شبکه مصنوعی عصبی مبتنی بر روش انتخاب الگوریتم اجرا شده است. نتایج تجربی الگوریتم پیشنهادی و چندین الگوریتم دیگر سریع مرتب سازی ارائه شده, مقایسه و بحث شده است

کلیدواژه‌ها:

الگوریتم انتخابی عصبی، الگوریتم مرتب سازی، مرتب سازی سریع، شبکههای عصبی.

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-RCEITT01-RCEITT01_251.html
کد COI مقاله: RCEITT01_251

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
صباغ گل, حامد و ملیکا قاسمی، ۱۳۹۳، افزایش کارایی مرتب سازیquicksort با مدل انتخابی مبتنی بر شبکه عصبی، اولین همایش ملی پژوهش های مهندسی رایانه، تهران، مرکز توسعه پایدار علم و صنعت فرزین، https://www.civilica.com/Paper-RCEITT01-RCEITT01_251.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (صباغ گل, حامد و ملیکا قاسمی، ۱۳۹۳)
برای بار دوم به بعد: (صباغ گل و قاسمی، ۱۳۹۳)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :

  • A.V. Aho, J.E. Hopcroft, J.D. Ullman, The Design and Analysis ...
  • K.E. Batcher, Sorting networks and their applications, in: Proc. AFIPS ...
  • R. Battiti, First and second order methods for learning: between ...
  • E.M.L. Beale, A derivation of conjugate gradients, in: F.A. Lootsma ...
  • J.L. Bentley, M.D. McIlroy, Engineering a sort function, Software: Practice ...
  • D. Cantone, G. Cincotti, QuickHeap sort, _ efficient mix of ...
  • J.C. Chen, Building a new sort function for a C ...
  • J.E. Dennis, R.B. Schnabel, Numerical Methods for Unconstrained Optimization and ...
  • J. Domingo -Ferrer, U. Go nzalez-Nicolas , Rational behavior in ...
  • M. Durand, Asymptotic analysis of an optimized quicksort algorithm, Information ...
  • S. Effati, M. Pakdaman, Artificial neural network approach for solving ...
  • E. Fink, How to solve it automatically: selection among problem- ...
  • Systems, Menlo Park, CA, 1998, pp. 128-136. ...
  • R. Fletcher, CM. Reeves, Function minimization by conjugate gradients, The ...
  • A. Gulbag, F. Temurtas, A study _ quantitative classification of ...
  • Sensors and Actuatos B 115 (2006) 252-262. ...
  • M.T. Hagan, H.B. Demuth, M.H. Beale, Neural Network Design, PWS ...
  • M.T. Hagan, M. Menhaj, Training feed forward networks with the ...
  • S. Haykin, Neural Networks: A C omprehensive Foundation, second ed.. ...
  • T.N. Hibbard, An empirical study of minimal storage sorting, Communic ...
  • C.A.R. Hoare, Quicksort, Computer Journal 5 (1) (1962) 10-15. ...
  • S.S. Iyengar, D.R. Barrett, A modeling approach to the evaluation ...
  • H. Guo, Algorithm Selection for Sorting and Probabilistic Inference: A ...
  • H. Guo, A Bayesian approach for automati algorithm selection, in: ...
  • Autonomic Computing, Acapulco, Mexico, 2003, pp. 1-5. ...
  • D.E. Knuth, Art of Computer Programming, vol. 3: Sorting and ...
  • M.G. Lagoudakis, M.L. Littman, Algorithm selection using reinforcemen learning, in: ...
  • Kaufmann, San Francisco, CA, 200, pp. 511-518. ...
  • M.G. Lagoudakis, M.L. Littman, R. Parr, Selecting the right algorithm, ...
  • D. Lemire, O. Kaser, Reordering columns for smaller indexes, Information ...
  • K. Levenberg, A method for the solution of certain non-linear ...
  • K. Leyton-Brown, E. Nudelman, G. Andrew, J. McFadden, Y. Shoham, ...
  • and Practice of Constraint Programming, CP-2003, 2003, pp. 899-903. ...
  • M.F. Moller, A scaled conjugate gradient algorithm for fast supervised ...
  • S.P. Nagaraja, Y. Pan, M. Badii, A parallel merging algorithm ...
  • Programming Languages and Systems, MASPLAS'01, IBM Watson Research Centre, 2001, ...
  • E. Nardelli, G. Proietti, Efficient unbalanced merge-sort, Information Sciences 176 ...
  • R. Pasti, L.N. de Castro, Bio-inspired and gradient-based algorithms to ...
  • D. Podgorelec, G. Klajnsek, Acceleration of sweep-line technique by employing ...
  • M.J.D. Powell, Restart procedures for the conjugate gradient method, Mathematicat ...
  • J.R. Rice, The algorithm selection problem, Advances in Computers 15 ...
  • M. Riedmiller, H. Braun, A direct adaptive method for faster ...
  • Networks, San Francisco, CA, 1993, pp. 586-591. ...
  • M. Rubiolo, M.L. Caliusco, G. Stegmayer, M. Coronel, M. Gareli ...
  • artificial neural network model, Information Sciences 194 (2012) 107-119. ...
  • R. Sedgewick, Quicksort with equal keys, SIAM Journt On Computing ...
  • R. Sedgewick, Algorithms, second ed., Addison -Wesley, Reading, MA, 1988. ...
  • R. Sedgewick, Analysis of Shellsort and related algorithms, in: Proc. ...
  • Computer Science 1136, S pringer- Verlag, 1996, pp. 111. ...
  • R. Sedgewick, P. Flajolet, An Introduction to the Analysis of ...
  • D.L. Shell, A high-speed sorting procedure, Communic ations of the ...
  • S. Weerawarana, E.N. Houstis, J.R. Rice, A. Joshi, C. Houstis, ...
  • L.M. Wegner, Quicksort for equal keys, IEEE Transactions on Computers ...
  • M.A. Weiss, Data Structures and Algorithm Analysis in C, second ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه پیام نور
    تعداد مقالات: ۳۶۷۳۹
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مدیریت اطلاعات پژوهشی

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.