تفسیر نتایج مدلسازی تابلوی اعلانات الکترونیکی

برای شناخت و افزایش بهره‌وری و بهبود عملكرد یك سیستم، باید سیستم را به طور كامل مورد بررسی و شناسایی قرار داد. یكی از روش‌هایی كه به منظور تجزیه و تحلیل سیستم‌ها به‌كار‌می‌رود، شبیه‌سازی سیستم است. در مدل‌سازی، تاریخچه سیستم ساخته می‌شود و مورد بررسی قرار می‌گیرد. در شبیه‌سازی رایانه‌ای سیستم، مدلی از سیستم طراحی می‌گردد. با اجرای رایانه‌ای مدل، رفتار سیستم در دسترس تحلیلگر سیستم قرار می‌گیرد. تحلیلگر در هر زمان می‌تواند تغییرات لازم را در مدل سیستم ایجاد نماید و نتیجهء آن را بعد از اجرای مدل مشاهده كند. شناخت به‌دست‌آمده از سیستم با این روش، به هنگام پیشنهاد یا انجام تغییرات در سیستم، بسیار سودمند است. با ایجاد تغییر در ورودی‌های شبیه‌سازی و بررسی خروجی‌های به‌دست‌آمده، اطلاعات مفیدی دربارهء متغیرهای مهم سیستم می‌توان به دست آورد. تحلیلگر با استفاده از مدلسازی سیستم، قبل از پیاده‌سازی سیستم جدید و صرف هزینه زیاد، به عملكرد سیستم واقف می‌‌شود و در صورت برخورد با مسائل، قبل از طراحی به رفع آن می‌پردازد. شبیه‌سازی سیستم‌های گسسته، شبیه‌سازی سیستم‌هایی است كه تغیرات متغیر حالت آن در نقاط گسسته ای از زمان صورت می‌گیرد. استفاده از شبكه‌های عصبی هوشمند در ساختن متامدل، عملی بسیار سودمند است و برای تخمین و مقایسه متغیرها مناسب می‌باشد. از لحاظ محاسباتی، به دست آوردن زوج های آزمایش و یادگیری، برای شبیه‌سازی آماری رایانه‌ای پرهزینه است؛ بنابراین مطلوب آن است كه مدل شبكهء عصبی از طریق تعداد محدودی از مجموعه داده‌ها تهیه گردد. در هر دو روش، آموزش حالت تكراری خواهد داشت. برای طراحی شبكهء عصبی اولیه، زیرمجموعهء داده‌های آموزش به كار گرفته می‌شود. پیچیدگی روابط كه شبكه باید آن‌ها را یاد بگیرد، با ملاحظه مناطقی كه دارای خطاهای زیاد آموزش می‌باشند، انجام می پذیرد. فرض اصولی بر این است كه مناطقی كه پیچیدگی بالاتری دارند، باید آموزش‌های بیش‌تری ببینند و تكرارهایی كه به دنبال آن می‌آید، باعث نامتوازن‌شدن الگوهای آموزش در مناطق پیچیده می‌گردند. شبكهء چندلایه‌ای پرسپترون كه توسط الگوریتم پس _ انتشار خطا آموزش داده می‌شود، متداول‌ترین شبكه عصبی است كه برای شبیه‌سازی سیستم‌های به‌كاررفته و برای مدل‌سازی سیستم تابلوی اعلانات الكترونیكی كتابخانه منطقه‌ای از آن استفاده گردید.
روش انجام كار
به منظور شبیه‌سازی سیستم گسستهء تابلوی اعلانات الكترونیكی كتابخانه منطقه‌ای، مدلی از این ساختار طراحی شد. این مدل، شبكهء عصبی هوشمندی می‌باشد كه توسط نتایج شبیه‌سازی آموزش داده می‌شود. روش كلی انجام كار مطابق شكل است:
محیط‌كتابخانهء‌منطقه‌ای‌علوم‌و‌تكنولوژی شیراز
كتابخانهء منطقه‌ای دارای بیش از ۵۰ رایانه و برج دیسك نوری (۳) و دو »آر‌سی‌دی _ تاور» (۴) برای ذخیرهء بیش از ۵۰۰ دیسك نوری است.
منابع‌ اطلاع‌رسانی كتابخانه منطقه‌ای علوم و تكنولوژی شامل موارد زیر است:
۱. اطلاعات لاتین، شامل:
_ دیسك‌های نوری در تمام رشته‌های علمی و فنی؛
_ استفاده از منابع اطلاعاتی در اینترنت؛
_ مقالات لاتین از نشریات لاتین موجود در كتابخانه در سال ۱۹۹۹.
۲. اطلاعات فارسی، شامل:
_ چكیدهء‌ مقاله‌های مجله‌های فارسی، چكیده پایان‌نامه‌های تحصیلی دانشگاه‌ها و موءسسات آموزش عالی كشور، چكیدهء طرح‌های پژوهشی دانشگاه‌ها و موءسسات تحقیقاتی كشور، و اطلاعات كتابشناختی كتاب‌ها و نشریات موجود (فارسی و لاتین)؛
_ پایگاه‌های اطلاعاتی سیل، سوخت و انرژی، محیط زیست، زلزله، معادن كشور، دانشوران معاصر ایران، راه و ترابری.
كاربران كتابخانه با روش‌های زیر قادر به استفاده از منابع كتابخانه می‌باشند:
_ مراجعهء مستقیم به كتابخانه،
_ تكمیل فرم‌های جستجو و ارسال آن به كتابخانه،
_ استفاده از تابلوی اطلاعات الكترونیكی (از سال ۱۳۷۳ تا )۷۹،
_ استفاده از صفحهء خانگی كتابخانه در اینترنت (از سال ۱۳۷۳ تا ۷۹).
مدلسازی سیستم تابلوی اعلانات الكترونیكی كتابخانه منطقه‌ای در پاییز سال ۱۳۷۸ انجام گرفت كه در آن زمان تنها ۶ خط تلفن برای پاسخگویی به درخواست‌های كاربران اطلاعات فارسی وجود داشت. تمام در‌خواست‌های فارسی كاربران از طریق ۶ خط تلفن به رایانهء مركزی توزیع می‌شدند. در صورت آزادبودن خط‌های تلفن، به محض ورود كاربر، درخواست او مورد بررسی قرار می‌گیرد و در غیر این صورت كاربر باید منتظر بماند. كتابخانه منطقه‌ای هر ماه به طور متوسط جوابگوی درخواست اطلاعات بیش از ۴۰۰ كاربر می‌باشد. در این زمینه، متغیر مهم، متوسط زمان خدمت‌دهی به كاربران است.
ساختار شبیه‌سازی
در این پروژه، سیستم تابلوی اعلانات الكترونیكی كتابخانهء منطقه‌ای به وسیله زبان «جی‌پی‌اس‌اس/ اچ» رایانهء پنتیوم ۲ با سرعت ۳۰۰ مگاهرتز شبیه‌سازی گردید. این مدل شامل همهء ساختارهای اصلی است كه سیستم واقعی را توصیف می‌كند و زمان خدمت‌دهی رایانه به وسیلهء توزیع «پواسن» مدلسازی شد. توزیع ورود درخواست‌ها نیز با توزیع «پواسن» هماهنگ بود. ساعت آمارگیری، از ساعت ۸ صبح تا ۴ بعد از ظهر به استثنای ساعت ۱۲ تا ۱۳ بود. این آمارگیری در روز كاری در آذر ماه ۱۳۷۸ انجام گرفت. با استفاده از «لاگ فایل»(۵) های تهیه شده توسط سیستم، زمان اتصال كاربر به سیستم و زمان قطع اتصال برآورد گردید و نیز با استفاده از نرم‌افزاری كه با زبان «C» طراحی شد، زمان شروع عملیات جستجو و زمان پایان آن نیز محاسبه گردید. شروع و پایان عملیات جستجو نیز به عنوان زمان خدمت‌دهی تعریف شد. ساختن مدل شبیه‌سازی به صورت «ماجولار» (۶) اجازه تصحیح، تغییر وگسترش ساده را به طراح می‌دهد. توزیع داده‌هایی كه در این مدل‌‌سازی مدنظر قرار گرفت، عبارت‌اند از زمان ورودی، زمان خدمت‌دهی، و توزیع كاربران. با استفاده از این آمارها خروجی برنامه شبیه‌‌سازی به دست آمد. برنامهء شبیه‌سازی براساس سیستم صف طراحی گردید و زمان‌های میانگین و واریانس خدمت‌دهی برای هر خط در ده روز محاسبه شد. به طور نمونه جداول ۱ و ۲ خروجی برنامهء شبیه‌سازی را برای یك روز نشان می‌دهد.پیاده‌سازی متامدل
به منظور بهینه‌سازی سیستم در درازمدت، متامدل از سیستم ساخته می‌شود. ساخت متامدل برای سیستم تابلوی اعلانات الكترونیكی كه دارای داده‌های ذاتاً آماری است، مرحلهء مهمی به حساب می‌آید. برای شبیه‌سازی سیستم‌های آنی نیز ساخت متامدل از سیستم ضروری است. با وجود متامدل از سیستم، می‌توان بلافاصله به تصمیم‌گیری درباره سیستم پرداخت و بهترین راه‌حل برای حل مسئله را پیدا كرد. راه‌های مختلفی برای ساخت متامدل وجود دارد كه اكثر این روش‌ها بر الگوریتم های ریاضی، نظیر رگراسیون چند‌جمله ای استوار است. استفاده از متامدل‌های سنتی دارای نتایجی از قبیل محدودیت‌زیرمجموعه بودن‌در دامنهء شبیه‌سازی است و در صورتی كه مدل در محدودهء دیگری بررسی شود، باید متامدل دوباره پیاده‌سازی گردد. شبكه‌های عصبی، تابعی كلی را پیشنهاد می‌كنند كه فقط به خود داده‌ها بستگی دارد. شبكه‌های عصبی، مدل های عملی محض به حساب می‌آیند كه هر نوع رابطه ای را با هر درجهء دقت تقلید می‌كنند.متامدل شبكهء عصبی, برای سیستم تابلوی اعلانات الكترونیكی كتابخانه منطقه‌ای پیاده‌سازی شده است. این شبكه زمان میانگین را در سیستم پیش‌بینی می‌كند. متغیرهای ورودی شامل میانگین زمان كاری رایانه‌های خدمت‌دهنده می باشد. از آنجا كه شش خط برای خدمت‌دهی در نظر گرفته شده بود، شش نرون پیوسته نیز به عنوان لایهء ورودی و یك نرون پیوستهء خروجی نیز به عنوان متوسط زمان در نظر گرفته شد. نمودار ۴ معماری این شبكه را نشان می‌دهد.
دو لایهء پنهان با دو نرون در هر لایه در این شبكه وجود دارد. شبكهء عصبی با استفاده از الگوریتم پس‌_ انتشار خطا آموزش داده شد كه تابع فعال‌كنندهء آن, تابع یكنواخت بود. شبكهء به دست آمده با حداقل خطاهای میانگین مربعی به عنوان شبكهء نهایی شناخته گردید كه مقدار آن ۰۲/۰ تعیین شد. میزان ممان برابر ۲/۰ و وزن‌های اولیهء مقادیر تصادفی بین ۱/۰- تا ۱/۰ در نظر گرفته شد.تعداد لایه‌ها و نیز تعداد نرون‌ها در هر لایه از لایه‌های پنهان با روش سعی و خطا تعیین گردید. انتخاب لایه‌های كم‌تر یا نرون‌های كم‌تر، سبب كاهش دقت می‌شود و انتخاب لایه‌های پنهان بیش‌تر یا نرون‌های بیش‌تر در هر لایه، باعث افزایش زمان آموزش در برابر بهبود نسبی نتیجه می‌گردد.
نمودار ۵ نتایج حاصله از برنامهء شبیه‌سازی و شبكهء عصبی در مورد نخستین زمان خدمت‌دهی را نشان می‌دهد كه این نتایج، رضایتبخش است. در روزهایی كه انحراف معیار داده‌ها بالاتر بوده _ مانند روزهای دوم و چهارم _ اختلافاتی در نتایج مشاهده می‌شود.
نتیجه‌گیری
كار انجام‌شده، كاربرد عملی شبیه‌سازی سیستم اعلانات الكترونیكی كتابخانهء منطقه‌ای را به صورت واقعی و براساس شبكهء عصبی مبتنی بر متامدل نشان داده است. متامدل طراحی شده دارای محدودیت‌هایی به شرح زیر است:
۱. فقط در مورد پارامترهایی كه در دامنهء مربوط به مجموعهء آموزش مشخص شده، معتبر است.
۲. الگوسازی‌هایی كه تخمین مدل معتبر است، تنها ۱۰ عدد است.
۳. متامدل طراحی‌شده نمی‌تواند غیرطبیعی‌بودن توزیع خروجی را نشان دهد و به طور مشابه متامدل به اندازه‌ای قطعیت دارد كه تغییرات آماری خروجی در شبیه‌سازی از بین می‌رود.
برای تصمیم‌گیری در امور روزانهء كتابخانهء منطقه‌ای، تنها این انتظار از شبیه‌سازی می‌رود كه مقدار متوسط متغییر خروجی را تخمین زند. شبكهء عصبی نیازی به ایستا بودن ندارد و می‌تواند از طریق افزایش یادگیری به روز درآید. همچنین متامدل شبكهء عصبی می‌تواند از طریق مشاهدهء مستقیم سیستم، در صورت امكان به روز آورده شود. هر دو روش افزایش یادگیری می‌تواند به مدل كتابخانهء منطقه‌ای اعمال شود. در صورتی كه متغیرهای محاسباتی و زمان انجام كار در دسترس باشد، شبیه‌سازی‌های بیش‌تری را می‌توان انجام داد و شبیه‌سازی كل سیستم با دردسترس‌بودن ركوردهای روزانه یا مشاهدهء مستقیم عملیات با جزئیات بیش‌تر صورت می‌گیرد. ولی تغییر در شبیه‌سازی مانند پارامترهای توزیع یا اضافه یا كاهش متغیرها، متامدل شبكهء عصبی را نامتغیر می‌سازد و متامدل جدیدی برای انعكاس تغییرات جدید مورد نیاز خواهد بود. همان‌طور كه نمودار ۵ نشان می‌دهد، نتایج شبیه‌سازی در مقایسه با نتایج شبكهء عصبی رضایتبخش بوده است. اختلاف‌هایی كه در بعضی از نتایج ملاحظه می‌گردد، به واسطهء غیرطبیعی‌بودن مورد مربوط و بالا بودن انحراف معیاری آن بوده است.

كتابخانهء منطقه ای علوم و تكنولوژی شیراز
نوشته: مهندس سارا كلینی
مدیرگروه طرح و برنامه كتابخانه منطقه‌ای علوم و تكنولوژی شیراز

منبع : مركز اطلاعات و مدارك علمی ایران