دانلود مقاله ترجمه شده پیاده سازی اتوماتای یادگیری سلولی در سیستم های محاسبات قابل تنظیم

سیستم های محاسبات قابل تنظیم مجدد (RCS) از انعطاف پذیری دستگاه های قابل برنامه نویسی و سرعت سخت افزار استفاده می کنند تا سیستم هایی با کارآیی بالا پیاده سازی نمایند. پیاده سازی RCS معمولا از طریق دستگاه های قابل برنامه نویسی از جمله FPGAها امکان پذیر می شود. ازطرف دیگر، اخیرا اتوماتای یادگیری سلولی (CLA) به عنوان ترکیبی از اتوماتا سلولی قدیمی و اتوماتای یادگیری پیشنهاد شده است. نشان داده شده است که شبیه سازی نرم افزاری CLA در حل برخی مسائل دشوار موفق می باشد. با این وجود، این فرآیند در کامپیوترهای قدیمی کند است. برای غلبه براین مسئله، CLA را در سخت افزار پیاده سازی کردیم. به علاوه برای برخی کاربردها که نیاز به تغییرات در زمان اجرای پارامترها دارند، قابلیت تنظیم مجدد در زمان اجرا (RTR) یک راه حل می باشد. در این مقاله طراحی و پیاده سازی CLA در یک سیستم قابل تنظیم مجدد ارائه شده است. نتایج آزمایشات بهره سرعت قابل توجه نسخه RCS را نسبت به نسخه نرم افزاری نشان می دهد. استقلال از ابعاد CLA نیز مزیت دیگری از پیاده سازی سخت افزاری قابل تنظیم CLA می باشد. به بیان دیگر، از طریق افزایش ابعاد CLA، زمان لازم برای اجرای CLA پیاده سازی شده روی سخت افزار ثابت باقی می ماند. 

1-مقدمه

اتوماتای سلولی (CA) به عنوان مدلی برای تحلیل رفتار سیستم های پیچیده معرفی شد [1، 13، 14]. CA شامل مجموعه منظمی از سلولهاست که هریک مقادیر مختلفی دارند. از طرف دیگر، اتوماتای یادگیری در اوایل 1960 معرفی شده و می تواند اقدامات خود را در محیطی تصادفی به روزرسانی کند تا کارآیی خود را افزایش دهد. هرLA از یک الگوریتم یادگیری استفاده کرده و بهترین نحو رابطه با محیط را یاد می گیرد. مدل اتوماتای یادگیری سلولی (CLA) به عنوان ترکیبی از اتوماتاهای یادگیری و سلولی پیشنهاد شده است. CLA شامل تعدادی سلول است. در هرسلول، یک اتوماتای یادگیری داخلی وضعیت یا اقدام سلول را تعیین می کند. CLA در کاربردهایی از جمله پردازش تصویر و مدلسازی شبکه تجاری مورد استفاده قرار گرفته است [4، 8، 9]…