موضوع: "بدون موضوع"

دانلود پایان نامه ارشد : شناسایی مشخصه های مناسب موجود در متن جهت رفع ابهام معنایی
جمعه 99/10/26
تولید حجم عظیمی از مقالات و مستندات، جامعهی علمی را بر آن داشت تا با بهرهگیری از مزایا و تواناییهای روشهای خودکار جهت پردازش این متون، به حوزهای تحت عنوان پردازش زبانهای طبیعی[1] روی آورد. همچنین با توجه به وجود لیستی از معانی کلمات و عبارات یا همان دیکشنری و حتی اختصاص موسساتی جهت تعیین نحوهی استفاده از یک زبان در برخی از کشورها، اینطور به نظر میرسد که امکان مکانیزه کردن فهم یک زبان توسط کامپیوتر وجود دارد [1].
مبحث پردازش زبانهای طبیعی خود زیرمجموعهای از حوزهی گستردهی هوش مصنوعی است که توجهات دانشمندان و محققان فراوانی را به خود معطوف کرده است. شاید به ظاهر زبانهایی که ما در زندگی روزمره برای ایجاد ارتباط با دیگران به کار میگیریم، ساده باشند. اما در حقیقت این زبانهای انسانی پیچیدگیهای فراوانی دارند که همین پیچیدگیها منجر به شکلگیری زیرشاخههای متعددی همچون ترجمهی ماشینی[2]، بازیابی اطلاعات[3]، پردازش متون[4]، تشخیص صحبت[5]، تحلیل گرامری[6] ، رفع ابهام معنایی[7] و غیره در زمینه پردازش زبانهای طبیعی شده است.
در بین مباحث متفاوتی که در زمینه پردازش زبانهای طبیعی موجود است، برای اینجانب ابهام معنایی[8] جذابیت بیشتری داشته که در
این پایاننامه به این موضوع پرداختهام. ابهام معنایی یکی از مباحث پیچیده و در عین حال پراهمیت است که در شاخههایی نظیر ترجمهی ماشینی و بازیابی اطلاعات نیز مطرح بوده و بعنوان جزء جدایی ناپذیری از اینگونه سیستمها دارای ارزش و حائز اهمیت است.
در واقع این مبحث نشأت گرفته از ابهامی است که در زبانهای طبیعی نهفته است؛ هرچند که وجود این ابهامها در اکثر مواقع از دید انسان پوشیده است. آنچه ابهامهای موجود بین سخنگویان بومی را مرتفع میسازد توانش زبانی آنها، اطلاعات آنها در خصوص جهان پیرامون، طرح پرسش مجدد در صورت وجود یا احساس ابهام و بطور کلی مجموعهای از اطلاعات زبانی و غیرزبانی است که سخنگویان بومی به آن مجهزند [40].
مسألهی ابهام معنایی شامل تشخیص معنای صحیح یک کلمه با توجه به متنی است که در آن آمده است و در زمینه پردازش زبانهای طبیعی به آن رفع ابهام معنایی گفته میشود. این مهم در بسیاری از شاخههای پردازش زبانهای طبیعی نیز مطرح بوده و کاربرد دارد که در این میان اصلیترین و مشهودترین مورد استفادهی آن در شاخهی ترجمهی ماشینی است. لذا در این فصل ابتدا اشارهی کوتاهی به گسترهی پردازش زبانهای طبیعی و زیرشاخههای آن داشته، سپس مختصری به شرح مفهوم ترجمهی ماشینی و روشهای آن میپردازیم.
1-2- پردازش زبانهای طبیعی
پردازش زبانهای طبیعی كه معمولاً به اختصار به آن NLP گفته میشود یکی از نیازهای عصر فناوری جهت استفادهی بهینه از منابع اطلاعاتی است که امروزه با رشد حجم مستندات تولید شده و نیاز به نگهداری، دسته بندی، بازیابی و پردازش ماشینی و سریع آنها، توجه به این شاخه بیش از پیش خودنمایی میکند.
زبان طبیعی، زبانی است که ما در تعاملات اجتماعی روزمره با استفاده از آن مینویسیم و صحبت میکنیم. زبانهای طبیعی متنوع و فراوانی وجود دارند که ممکن است فرم گفتاری و نوشتاری متفاوتی داشته باشند و از هم مستقل باشند. پردازش زبانها و مکالمات طبیعی یکی از اموریست که با ورود فناوری رایانهای به زندگی بشر مورد توجه بسیاری از دانشمندان قرار گرفته است. حتی اندیشهای که آلن تورینگ[9] از ماشین هوشمند خود و تعریفی که او از هوش مصنوعی[10] داشت، در مرحلهی اول مربوط به پردازش زبانهای طبیعی میشد. بعلاوه تلاشهای بسیاری توسط بشر برای پیگیری این امر صورت گرفته بود که به عنوان مثال ماشین لیزا یکی از محصولات این تلاشهاست. ماشین لیزا ماشینی بود که با تایپ از راه دور با یک انسان، جملات او را پردازش میکرد و جوابی درخور به او میداد.
بنابراین میتوان گفت که یکی از زیرشاخههای با اهمیت در حوزهی گستردهی هوش مصنوعی پردازش زبانهای طبیعی است؛ تا حدی که بسیاری از متخصصین در زمینه هوش مصنوعی بر این باورند كه مهمترین وظیفهای كه هوش مصنوعی باید به آن بپردازد NLP است. دلیلی كه ایشان برای این اعتقاد خود ارائه میكنند آن است كه پردازش زبان طبیعی راه ارتباط مستقیم انسان و كامپیوتر را از طریق مكالمه باز میكند. به این ترتیب دیگر برنامه نویسی معمولی و قراردادهای مربوط به سیستمهای عامل كنار گذاشته خواهد شد. همچنین اگر یك كامپیوتر بتواند یك زبان انسانی را درك كرده و به وسیلهی آن صحبت كند، دیگر به بسیاری از وظایفی كه باید توسط مهندسین نرم افزار طراحی شوند نیازی نخواهد بود. اما ابعاد و پیچیدگیهای زبانهای بشری دستیابی كامل به این قابلیت را دشوار ساخته است.
در پردازش زبانهای طبیعی، سعی میشود تا قابلیت درك دستوراتی كه به زبانهای انسانی استاندارد نوشته شدهاند، به كامپیوتر داده شود. یعنی كامپیوتری داشته باشیم که قادر باشد زبان انسان را تحلیل كند، بفهمد و حتی بتواند زبان طبیعی تولید كند. بدیهی است كه در راستای تحقق این هدف، نیاز به دانشی وسیع از زبان است. بنابراین علاوه بر محققان علوم كامپیوتر، دانش زبانشناسان نیز مورد لزوم میباشد. در زمینه پردازش زبانهای طبیعی باید پاسخ چهار سوال زیر مورد مطالعه قرار گیرد:
- یک زبان از چه کلماتی تشکیل شده است؟
- چگونه کلمات ترکیب میشوند تا جملات زبان تشکیل شوند؟
- معنی کلمات زبان چیست؟
- معانی کلمات چگونه به کار گرفته میشوند تا معنی جملات ساخته شود؟
در حقیقت هدف اصلی در NLP، ماشینی کردن فرایند درک و برداشت مفاهیم بیان گردیده با یک زبان طبیعی انسانی میباشد. به تعریف دقیقتر پردازش زبانهای طبیعی عبارت است از استفاده از کامپیوتر برای پردازش زبان گفتاری و نوشتاری به نحوی که کامپیوترها از زبان طبیعی به عنوان ورودی و خروجی استفاده نمایند. بدین وسیله میتوان به ترجمهی زبانها پرداخت، از صفحات وب و بانکهای اطلاعاتیِ نوشتاری جهت پاسخ دادن به پرسشها استفاده کرد، یا با دستگاهها مثلاً برای مشورت گرفتن به گفتگو پرداخت.
به طوركلی نحوهی كار این شاخه این است كه زبانهای طبیعیِ انسان را تقلید كند. در این میان، پیچیدگی انسان از بعد روانشناسی بر روی ارتباط متعامل تأثیر میگذارد. لذا پردازش زبانهای طبیعی رهیافت بسیار جذابی برای ارتباط بین انسان و ماشین محسوب میشود و در صورت عملی شدنش به طور کامل، میتواند تحولات شگفتانگیزی را در پی داشته باشد. شکل زیر یک شمای کلی از معماری پردازش زبانهای طبیعی را نشان میدهد:

دانلود پایان نامه ارشد : بهبود ساخت و ترکیب قوانین فازی با استفاده از الگوریتم رقابت استعماری
جمعه 99/10/26
تاکنون دانشمندان حوزه داده کاوی تلاشهای بسیاری برای جداسازی صحیح نمونههای مشابه کردهاند. استخراج طبقهبندهای عام[1] و قابل فهم از داده، نقش مهمی در بسیاری از حوزهها و مسائل است. تاکنون روشهای متعددی برای طبقهبندی[2] و تشخیص الگو[3] معرفی شدهاست. یکی از شیوههای موفق و منحصربهفرد در حوزه طبقهبندی و تشخیص الگوی دادههای ورودی، استفاده از تکنیکهای فازی برای تقسیمبندی نرم فضای ویژگی و بالطبع استفاده از یک معماری مؤثر در متصل کردن این زیرفضاها برای تصمیمگیری و طبقهبندی بهصورت فازی میباشد. طبقهبندی فازی پروسه گروه بندی عناصر داخل مجموعههای فازی با یک تابع عضویت[4] است[1]. در واقع، ابتدا فضای جستجو به بخشهایی قسمت بندی میشود به گونه ای که تمام فضا پوشش داده شود و سپس بر روی هرکدام از این زیرفضاها مجموعه فازی قرار میگیرد. اجتماعی از مجموعههای فازی که فضای فازی نامیده میشود، مقادیر زبانی فازی یا کلاسهای فازی را تعریف میکند که یک شی میتواند به آنها تعلق داشته باشد. پس از آن قوانین فازی اگر و آنگاه[5] با توجه به نحوه تخصیص تولید میشوند. مدلسازی سیستمهای فازی بصورت مجموعهای از این قوانین نمایش داده میشود.
- انگیزه
طبقهبندیکنندههای فازی دارای ویژگی منحصربفرد تفسیرپذیری هستند و قادرند دانش چگونگی تشخیص الگوها را برای یک فرد خبره بصورت یک دستورالعمل بازنمایی کنند. طبقهبندیکنندههای فازی چهار هدف اساسی را دنبال میکنند. دقت طبقهبندیکننده را بیشینه کنند، طبقهبندیکنندهی با بیشترین قابلیت تفسیرپذیری را ایجاد نمایند، پایداری طبقهبندیکننده را بیشینه کنند و حساسیت به نویز را کاهش دهند. تاکنون روشهای متفاوتی برای ایجاد قوانین، نحوه تخصیص زیرفضاها، نحوه استنتاج در هر قانون و در نهایت ادغام قوانین ارائهشده است. بدیهی است زبان طبیعی[6] محور بودن ساختار قوانین فازی علیرغم استخراج دانش، مشکل اثبات ریاضی کارایی طبقهبندیکننده از جمله ارائه یک کران بالا[7] برای خطای آموزش[8] و خطای تست[9] است. بهعبارتی افزایش عمومیسازی[10] این طبقهبندیکنندهها بصورت ریاضی مانند طبقهبندی کننده تقویتی گروهی[11] کار بسیار دشواری است. از اینرو اغلب از روشهای مکاشفهای[12] و فوق مکاشفهای[13] بهصورت سعی و خطا در تدوین قوانین و ادغام آنها استفاده میگردد، به این دلیل که زیرفضا را برای بهدستآوردن بهترین ترکیب قوانین جستجو میکنند [2]-[4] . ایشیبوشی[14][5] روشی را برای تخصیص فضا بهصورت تقسیمبندی منظم و تکراری ارائه کرد که میتوان از این روش بهعنوان یکی از موثرترین روشهای طبقهبندیکننده فازی که مبنای بسیاری از تحقیقات
بعدی در این زمینه نیز شد، نام برد.
- شرح مسئله
پروسه یادگیری یک سیستم طبقهبندی فازی باید مسایل مختلفی را حل کند تا یک سیستم طبقهبندی زبانی را با یک رفتار صحیح ایجاد نماید. از جمله اینکه بتواند، 1- مجموعهای از قوانین فازی را ایجاد کند که دارای یک سطح لازم همکاری بین این قوانین فازی باشد. 2- انتخاب یک تابع استنتاج که روشی را برای ترکیب اطلاعات بهدست آمده از قوانین فازی در کلاسهبندی نمونهها انتخاب میکند. 3- در مسایل با ابعاد بالا، قوانین فازی از رشد نمایی در سایزشان رنج میبرند. دو مسئله اول، مربوط به پروسه استخراج دانش میشود که با پردازشهای یادگیری مختلف براساس الگوریتمهای تکرارشونده مانند شبکههای عصبی مصنوعی[5-6] یا الگوریتم ژنتیک [2-4]قابل حل است. گزینه سوم از دو جهت میتوان مدیریت کرد: با فشردهسازی و کاهش مجموعه قوانین، قوانین غیرضروری را با هدف ایجاد یک سیستم طبقهبندی با کارایی بالاتر حذف کرد. و راهکار دوم با پروسه انتخاب ویژگی انجام میگیرد.
به طور کلی، هدف مسئله، فراهم کردن یک چارچوب کلی برای تکامل قوانین فازی است. راهکارهای بسیاری در این زمینه ارائه شده، اما همه آنها حداقل در یکی از موارد زیر تفاوت دارند، تعداد قوانینی که در هر عضو جمعیت کد میشود، نوع بیان قوانین کدشده در هر عضو و نوع و هدف پروسه تکاملی .[7-8] این الگوریتمها شامل الگوریتمهای ژنتیک[15]، بهینهسازی گروه ذرات[16]، گداختگی شبیهسازی شده[17] و… میباشند.
از آنجایی که الگوریتمهای تکاملی[18] بهصورت چندعاملی[19] جستجو را در فضای ویژگی انجام میدهند، نحوه گردش آنها تا حد ممکن بهصورت تصادفی میباشد. این خواص، الگوریتمهای تکاملی را به ابزار قوی برای انواع مسائل بهینهسازی تبدیل نموده است.[2], [4] از جمله مسائل مطرح در زمینه بهینهسازی، بهینهسازی ساختار و پارامترهای طبقهبندیکنندهها میباشد. بدیهی است هرچه یک طبقهبندیکننده پارامترهای بیشتری داشته باشد، تنظیم بهینه این پارامترها بهصورت دستی کاری بسیار دشوار، و در بعضی حالات غیرممکن میباشد. بدین خاطر از الگوریتمهای تکاملی برای یادگیری پارامترها و تعیین ساختار طبقهبندیکنندههای متفاوت بهصورت فراوان استفاده شده است. از جمله این تحقیقات میتوان به بهبود ساختار شبکه عصبی توسط الگوریتم ژنتیک اشاره کرد [9] که الگوریتم ژنتیک سعی در هرس کردن ارتباط بین نورونها و بهنوعی لایهبندی آنها به منظور بهبود کارایی طبقهبندی، دارد.
مزیت ترکیب قوانین فازی و الگوریتمهای تکاملی این است که مجموعه قوانین ایجادشده دارای تفسیرپذیری بیشتری هستند و میتوانند با عدم قطعیت[20] و ابهام مقابله کنند و همچنین میتوانند به صورت اکتشافی فضای ویژگی را جستجو کنند. به عنوان مثال در بخش ورودی نحوه تخصیصبندی فضاها و همچنین تعیین پارامترهای توابع عضویت (مانند شیب و واریانس)، از الگوریتمهای تکاملی استفاده شده است[10].
چالشها
با توجه به این که اغلب روشهای عمده و شناخته شده محاسبات تکاملی، شبیهسازی کامپیوتری فرایندهای طبیعی و زیستی هستند، در این نوشتار، از یک روش ترکیبی برای بهبود طبقهبندیکنندههای فازی ارائه میشود که برای بهبود یادگیری پارامترهای آن الگوریتم تکاملی رقابت استعماری [11] اقتباس شده است. این پایاننامه، الگوریتم رقابت امپریالیستی [21]را برای هدف استخراج کلاسهبندهای عام و قابل فهم از داده در شکل یک سیستم قانون ارائه میکند. در این تحقیق سعی در ارائه ساختار جدیدی بر روی بستر فازی هستیم که در آن ساختار، توزیع قوانین از الگوریتم رقابت استعماری[22] اقتباس شده و لیکن روح قوانین بهصورت فازی است. ضمنأ بهدلیل ایجاد هارمونی مناسب در بهینهسازی ساختار قوانین و همچنین ادغام قوانین، استفاده از الگوریتم بهینهسازی رقابت استعماری پیشنهاد میشود.
در این الگوریتم چند نمونه که دارای میزان برازندگی[23] بالایی میباشند (امپریالیست[24]) و مرکز امپراطوریها هستند، سعی در کشاندن بقیه نمونهها (مستعمره)[25] به سمت خود دارند. این الگوریتم را میتوان نوع بهبود یافته الگوریتم ازدحام ذرات در نظر گرفت. لازم به ذکر است که الگوریتم ازدحام ذرات علیرغم سرعت همگرایی بالای آن، احتمال بایاس شدن آن بسیار زیاد میباشد. چون میزان تصادفی بودن[26] آن در حین جستجو پایین بوده و بسیار بایاسدار حرکت میکند. درصورتیکه الگوریتم رقابت استعماری این مسئله را به این شیوه حل کرده است که هر نمونه بهجای حرکت در جهت برآیند دو نقطه با برازندگیهای مناسب، به یکی از چند نقطهای اختصاص داده میشود که بهینه محلی (امپریالیست) اطلاق میشوند.
از آنجا که ساختار این الگوریتم بهصورت چندحوزهای میباشد، بکارگیری آن برای ساختاربندی قوانین فازی این خاصیت را بههمراه خواهد داشت که یک مجموعه قوانین بر روی یک زیرفضا کار کند نه تنها روی یک قانون. بهعبارت دیگر استفاده از یک قانون برای تصمیمگیری درمورد یک زیرفضا حتی با داشتن همپوشانی[27] با زیرفضاهای همسایه باعث خاص[28] شدن آن قانون و بهنوعی بایاس قانون و آن زیرفضای خاص شده و در مورد سایر نمونههایی که دور از آن زیرفضا هستند، نمیتواند تصمیمگیری مناسبی را بهعمل آورد که همین امر باعث بیشسازگاری[29]و کمبود عمومیسازی توابع فازی میگردد. در مقابل، الگوریتم یادگیری استعماری از تخصیص یک قانون به یک زیرفضای خاص جلوگیری کرده و حتی زیرفضاهایی که یک مستعمره از قوانین درباره آن تصمیم میگیرند، دارای ابعاد بسیار وسیعتری نسبت به زیرفضای تخصیصشده به هر قانون در مقایسه با روشهای قبلی دارد. ضمنأ هنگامیکه قوانین بهصورت دستههای مختلفی از مستعمرههای متفاوت بر روی کل فضا عمل میکنند، میتوان آن را جزو الگوریتمهای توزیعشده در نظر گرفت. توانایی بهینهسازی این الگوریتم نسبت به الگوریتمهای بهینهسازی پیشین همتراز و یا حتی بالاتر است و سرعت رسیدن به جواب بهینه نیز مناسب است.
اهداف پایاننامه
در این رساله میخواهیم یک مجموعه از قوانین انعطافپذیر فازی را با استفاده از الگوریتم رقابت استعماری که پیش از این ذکر شد، ایجاد نماییم. با این هدف که کارایی طبقهبندیکننده و تفسیر پذیری قوانین تولید شده حداکثر شود و در عینحال نویز پذیری کمینه نسبت به طبقهبندیکنندههای آماری و نیز عمومیسازی بسیار مناسبی را ارائه نماید. در واقع در این مسئله میخواهیم مجموعهای از بهترین قوانین با انعطاف پذیری بالا که بیانگر انتخاب بهترین ویژگیهاست را با استفاده از الگوریتم نوپای رقابت استعماری بهدست آوریم. نکته مهم در این رساله، نحوه تخصیص زیرفضا، ساخت قوانین و در نهایت ادغام آنها در یک پروسه بهینهسازی استعماری است. بهطورکلی در این پژوهش:
- چندین طرح کلی کدگذاری برای نمایش قوانین به شکل رشتهای از بیتها ارائه میدهد.
- یک تابع برازش برای ارزیابی کارایی اعضا یا همان قوانین فازی تعریف میکند.
- تصحیحی در عملگرهای الگوریتم رقابت استعماری برای استفاده بهینه در سیستمهای فازی ارائه میدهد.
- زیرفضای تخصیصدادهشده برای هر قانون را توسعه میدهد و درنتیجه افزایش نسبی عمومیسازی را منجر میشود.
مطالب مربوط به این رساله در پنج فصل به شرح زیر میباشد.
فصل دوم. در این فصل تحقیقات انجام شده را بحث میکند و برای هر روش مزایا و معایب آنها را بهصورت جداگانه برمیشمرد.
فصل سوم. در این فصل متدولوژی که عبارتند از روشهای ارائه شده و روشهای پیشین را به صورت فرمولی و شبه کد توضیح میدهد.
فصل چهارم. در فصل چهارم نتایج بهدست آمده ارائه میشود.
فصل پنجم. کارهای پیش رو و اهداف آینده بررسی میشود.

دانلود پایان نامه ارشد: طراحی الگویی برای تقلبات مالی در صنعت بانکداری (مورد مطالعاتی: کشف جرایم پولشویی در یکی از شعب بانکهای کشور)
جمعه 99/10/26

دانلود پایان نامه ارشد: طراحی تیم پاسخگویی به رخدادهای امنیتی مالی
جمعه 99/10/26
حرکت اخیر سازمانها به ویژه سازمانهای پولی–مالی به سمت جامعه اطلاعاتی نقش موثر و تحول آفرین فناوری اطلاعات در این زمینه باعث شده است بانک ها به عنوان نهاد مالی و اعتباری مهم در هر نظام اقتصادی برای بقاء خود در عصر اطلاعات استانداردسازی امنیت اطلاعات را برای اجرای موثر و مناسب مورد توجه ویژه قرار دهند.
در راستای ارتقاء سلامت بانکداری اینترنتی، مشکل اساسی امنیت فضای تبادل اطلاعات بوده به صورتیکه در هر لحظه حجم زیادی از رخدادهای امنیتی در این فضا در حال وقوع می باشد. با توجه به اهمیت پاسخگویی به رخدادهای فضای تبادل اطلاعات داده و ایجاد مراکز پاسخگویی به رخدادهای امنیت کامپیوتر الزامی به نظر می رسد.
بروز رخدادهای در شبکههای رایانهای سازمانی اجتناب ناپذیر است. از این رو سازمانها سعی میکنند با به کارگیری روشهایی از بروز رخدادهای امنیتی تا حد امکان جلوگیری کرده و در صورت بروز رخداد، آن را به سرعت تشخیص داده و رفع نمایند. به این روشها، مدیریت رخدادهای گفته میشود. وظیفه مدیریت رخدادهای در سازمانها به عهده گروههای واکنش به رخدادهای رایانهای می باشد که در این سند به عنوان گروههای واکنش رخداد نامیده میشوند.
از طرفی زیرساختهای فناوری کشور نیاز به وارسی و به کارگیری مکانیزمهای امنیتی دارد و از طرف دیگر ساختاری برای هماهنگ شدن سازمان ها و گروه های امنیتی مختلف در زمان بروز رخدادهای نیاز است. یکی از قدمهای کارا برای رفع این نیازها تشکیل و تقویت گروههای واکنش رخداد و تسلط آنها بر مدیریت رخدادهای است.
***ممکن است هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل و با فرمت ورد موجود است***
متن کامل را می توانید دانلود نمائید
چون فقط تکه هایی از متن پایان نامه در این صفحه درج شده (به طور نمونه)
ولی در فایل دانلودی متن کامل پایان نامه
با فرمت ورد word که قابل ویرایش و کپی کردن می باشند
موجود است

پایان نامه : جواب های چندگانه برای مسأله q,p-لاپلاسین با نمای بحرانی
جمعه 99/10/26
:
در این پایان نامه ابتدا به بررسی وجود یک جواب غیربدیهی برای مسأله بیضوی غیرخطی نوع -لاپلاسین که به صورت
تعریف می شود، می پردازیم که در آن ، ، ، زمانی که ، به ثابت مثبت میل می کند و .
برای دست یافتن به جواب این مسأله، به جمع آوری نتایجی در قالب چند لم می پردازیم و نتیجه ی اصلی خود را در قالب دو قضیه مطرح می کنیم و با تکیه بر نتایج به دست آمده به اثبات این قضیه ها می پردازیم.
در ادامه به بررسی وجود جواب های چندگانه برای مسأله ی بیضوی غیرخطی از نوع -لاپلاسین زیر، همراه با شرایط مرزی، در فضای سوبولف می پردازیم.
این مسأله به صورت
تعریف می شود که در آن یک دامنه ی کراندار است ، ، نمای بحرانی سوبولف است و است. می خواهیم ثابت کنیم که اگر داشته باشیم آنگاه یک وجود دارد طوری که برای هر مسأله دارای جواب است.
برای این منظور نتیجه ی اصلی خود را در قالب یک قضیه مطرح می نماییم سپس جهت اثبات این قضیه به جمع آوری برخی نتایج اولیه در قالب چند لم و یادآوری برخی مفاهیم از نظریه مینی ماکس می پردازیم.
کلمات کلیدی: -لاپلاسین، وجود، جواب غیر بدیهی، جواب های چند گانه، نمای بحرانی.
پیشگفتار:
آنالیز یکی از مهم ترین و تواناترین شاخه های ریاضیات است که رهگشای بسیاری از مسائل ریاضی، فیزیک، مهندسی، مکانیک، مکانیک اتمی و کوانتومی جدید است. در این بین نقش معادلات دیفرانسیل در علوم دیگر انکار ناپذیر است، بدون تردید معادلات دیفرانسیل یکی از بخش های عمده ی ریاضیات است و با توجه به کاربرد ریاضیات و به خصوص معادلات دیفرانسیل در شناخت علوم دیگر و توجیه پدیده های علمی، این بخش از ریاضیات دانشمندان زیادی را مجذوب خود کرده است.
به دلیل کاربرد گسترده ی این شاخه از علم ریاضی در علوم طبیعی، کارهای اساسی روی برخی انواع معادلات انجام شده است. یکی از عملگرهای مرتبط با بسیاری از مسائل مربوط به معادلات دیفرانسیل، عملگر لاپلاسین می باشد که بسیاری از پدیده های فیزیکی و زیست شناسی و … توسط معادلات مرتبط با این عملگر مدل سازی می شوند.
این نوع معادلات در رده ی معادلات دیفرانسیل بیضوی همراه با شرایط مختلف مرزی قرار می گیرند که یکی از شاخه های بسیار کاربردی معادلات دیفرانسیل می باشد و همواره نظر بسیاری از دانشمندان علوم مختلف، به خصوص ریاضیدانان را به خود جلب کرده است.
تألیف کتب و مقالات متعدد پیرامون این موضوع که هم اینک با رشد فزاینده ای ادامه دارد، دلیل انکار ناپذیر این مدعاست.