تخصیص قطعه در پایگاه داده توزیع شده با استفاده از الگوریتم SA-Qlearning

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 تخصیص قطعه در پایگاه داده توزیع شده با استفاده از الگوریتم SA-Qlearning دارای ۱۸ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد تخصیص قطعه در پایگاه داده توزیع شده با استفاده از الگوریتم SA-Qlearning  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی تخصیص قطعه در پایگاه داده توزیع شده با استفاده از الگوریتم SA-Qlearning،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن تخصیص قطعه در پایگاه داده توزیع شده با استفاده از الگوریتم SA-Qlearning :

تعداد صفحات :۱۸

چکیده مقاله:

یکی از چالشهای مهم در پایگاه داده توزیع شده، مسیله تخصیص قطعه است. هدف از تخصیصقطع ، توزیع بهینه قطعات داده بر روی سایت های مختلف است، به نحوی که هزینه اجرای همه پرسو جوها کمین گردد. هزینه اجرای پرس و جوها شامل هزینه انتقال داده ها برروی مسیرهای شبکهاست که این هزینه متاثر از تعداد تراکنش های بازیابی و بروزرسانی می باشد. امکان تکرارسازیقطعات اثرگذاری دوگانه بر مساله تخصیص قطع خواهد داشت. زیرا تکرارسازی از سوی کاراییسیستم در اجرای تراکنش های بازیابی را افزایش می دهد و از سوی دیگر موجب کاهش کاراییسیستم در اجرای تراکنش های بهنگام سازی می گردد. در سالهای اخیر برای مسیله تخصیص قطعهراه حل های متفاوتی ارایه شده است که اغلب این روشها براساس روشهای صرفا ابتکاری یاتکاملی بوده که نتایج بدست آمده از نظر میزان هزینه با نقطه بهینه فاصله قابل توجه ای دارند . در اینپژوهش از مدل ارایه شده توسط هیونگ و چن استفاده شده است که براساس ماتریس های انتخاب،بازیابی و بروزرسانی رفتار تراکنش ها را در پایگاه داده توزیعی، مدل می نماید. بر اساس این مدل و اطلاعات تراکنش ها، الگوریتمی برای پیدا کردن تخصیص نزدیک به بهینه، براساس روش یادگیریتقویتی توسعه داده شده است که با روش های ابتکاری ترکیب گردیده و از ایده مطرح در شبیه سازیتبرید تدریجی بهره می گیرد. نتایج حاصل از الگوریتم پیشنهادی نشان می دهد که هزینه اجرایتراکنش ها، در مقایسه با الگوریتم های هیورستیک اول و دوم هیونگ و چن و الگوریتم کولونی موره ها به ترتیب ۴۹%، ۵۱% و ۱۷% بهبود یافته است.