طراحی و بهینه‌سازی الگوریتم‌های زمان‌بندی برای استفاده کارآمد از منابع روی تراشه‌های میکروسیال دیجیتال

نوع: Type: پایان نامه

مقطع: Segment: کارشناسی ارشد

عنوان: Title: طراحی و بهینه‌سازی الگوریتم‌های زمان‌بندی برای استفاده کارآمد از منابع روی تراشه‌های میکروسیال دیجیتال

ارائه دهنده: Provider: عاطفه نوروزی - مهندسی کامپیوتر

اساتید راهنما: Supervisors: دکتر مهدی عباسی - دکتر حاتم عبدلی

اساتید مشاور: Advisory Professors:

اساتید ممتحن یا داور: Examining professors or referees: دکتر عباس رمضانی- دکتر شکور وکیلیان

زمان و تاریخ ارائه: Time and date of presentation: ساعت 11 - 1404/7/26

مکان ارائه: Place of presentation: سمینار گروه کامپیوتر

چکیده: Abstract: در سال‌های اخیر، تراشه‌های میکروسیال دیجیتال(DMFBs) برای کاربردهای مختلف حیاط ایمنی و زیست‌پزشکی مانند تشخیص بالینی و فوری بیماری‌ها، کشف دارو، تجزیه‌ و تحلیل بیوشیمیایی و سایر کاربردها تقاضای زیادی داشته‌اند. این تراشه‌ها فضای آزمایشگاهی سنتی را بسیار کوچک‌تر و آزمایش‌های بیوشیمیایی را فشرده‌تر، کارآمدتر و موردپسندتر از روش‌های قبلی کرده‌اند. برای انواع آزمایش‌های پیچیده، مسیریابی و انتقال قطره‌های مورد آزمایش در حالی‌که انواع محدودیت‌ها را برآورده کند، یک کار چالش‌برانگیز است. از آن‌جایی که در علم پزشکی با جان انسان‌ها سروکار داریم، صحت انجام آزمایش و سرعت تشخیص انواع بیماری‌ها بسیار حائز اهمیت است. تراشه‌های میکروسیال دیجیتال با انواع خطاها و چالش‌ها مواجه هستند و قابلیت اطمینان در آن‌ها به دلیل ناتوانی آن‌ها در سازگاری با خطاها به خطر می‌افتد و فرآیند مسیریابی با شکست مواجه شده و متوقف می‌شود. خطاهای موجود در تراشه‌ها به دو دسته‌ی شناخته شده و ناشناخته تقسیم می‌شوند. خطاهای شناخته شده معمولا قبل از آغاز فرآیند مسیریابی و به کمک حسگرها شناسایی می‌شوند، در حالی‌که خطاهای ناشناخته مانند شکستن ناگهانی الکترودها، ممکن است در طول انجام فرآیند مسیریابی رخ دهند و موجب اختلال در عملکرد سیستم شوند. بنابراین الگوریتم پیشنهادی ما باید قادر باشد هر دو نوع خطا، یعنی خطاهای شناخته شده و ناشناخته را به طور موثرشناسایی و مدیریت کند تا فرآیند مسیریابی با موفقیت و بدون اختلال انجام شود. در این پژوهش، با هدف بهبود عملکرد و قابلیت اطمینان در سیستم‌های مبتنی بر میکروسیال دیجیتال، بهره‌گیری از رویکردهای هوشمند زمان‌بندی مورد بررسی قرار گرفت. برخلاف الگوریتم‌های کلاسیک زمان‌بندی که به‌صورت ایستا و بر پایه قواعد از پیش‌تعریف‌شده عمل می‌کنند، در این پژوهش از الگوریتم‌های یادگیری تقویتی به‌منظور یادگیری سیاست‌های پویا و بهینه استفاده شده‌است. پس از تجزیه‌وتحلیل الگوریتم‌های مختلف، در نهایت الگوریتم A2C به‌عنوان راهکار نهایی انتخاب و پیاده‌سازی گردید. این الگوریتم با تعامل مداوم با محیط شبیه‌سازی‌شده، قادر است تصمیماتی از قبیل زمان‌بندی اجرای عملیات، تخصیص منابع و مسیر‌یابی قطره‌ها را به‌صورت بهینه اتخاذ نماید. نتایج حاصل از آزمایش‌های متنوع و مقایسه با الگوریتم‌های پایه نشان می‌دهد که A2C از نظر پایداری، کارایی اکتشاف، پیچیدگی زمانی و دریافت میانگین پاداش عملکرد مناسبی دارد و قابلیت به‌کارگیری در سناریوهای پیچیده زیست‌محیطی را دارا می‌باشد.