انجمن کامپیوتر ایران

با پیشرفت علم و افزایش روزافزون حجم اطلاعات، استفاده از سیستم‌های توصیه‌گر در همه زمینه‌ها کاربرد پیدا کرده است. اکثر این سیستم‌ها از یک معیار رتبه‌بندی در پیش‌بینی‌هایشان استفاده می‌کنند. با این حال، استفاده از سیستم‌های توصیه‌گر چند معیاره موجب ارائه پیش‌بینی‌های دقیق‌تری می‌شوند. از چالش‌های اصلی در سیستم‌های توصیه‌گر، پراکندگی ماتریس کاربر-مورد و یا همان وجود داده‌های گمشده است که این مسأله در سیستم‌های توصیه‌گر چند معیاره که هر کاربر باید معیارهای متفاوتی را در مورد یک مورد (کالا، خدمات) ثبت نماید، بسیار مشهودتر است. در این مقاله، الگوریتمی برای مدیریت داده‌های گمشده در سیستم‌های توصیه‌گر چندمعیاره با استفاده از یادگیری عمیق ارائه می‌شود. الگوریتم ارائه شده قادر است برای کاربرانی که به تازگی وارد سیستم شده‌اند و سابقه‌ای از علاقه‌مندی آن‌ها در دسترس نیست، توصیه‌های مناسبی ارائه دهد. همچنین رتبه‌بندی‌های ارائه شده برای معیارهای مختلف را به نحوی ترکیب کند که رتبه‌بندی کلی به بهترین نحو پیش‌بینی شده و بهترین توصیه‌ها به کاربران، مطابق با علایقشان پیشنهاد شود. نتایج بدست آمده حاکی از کارایی روش پیشنهادی برای مدیریت داده‌های گمشده در سیستم‌های توصیه‌گر چندمعیاره است.

امروزه مدل‌های تصمیم‌سازی چندمعیاره کاربردهای بیشماری در تمامی زمینه‌های علمی، به ویژه در علوم کامپیوتر به خود اختصاص داده‌اند. یکی از معماری‌هایی که امروزه مورد توجه محققان قرار گرفته است، معماری میکروسرویس می‌باشد. معماری میکروسرویس یک روش متمایز جهت توسعه سیستم‌های نرم‌افزاری است که سعی در ساخت مولفه‌های تک وظیفه با رابط‌ها و عملکردهای مستقل و مشخص دارد. مسئله مدیریت منابع در معماری‌های میکروسرویس‌ها، یکی از چالش‌های مهم حال حاضر بوده و مطالعات زیادی در این زمینه توسط محققان انجام شده است. در این مقاله، به منظور مدیریت بهینه منابع و تخصیص کارای آنها به هر یک از میکروسرویس‌های موجود در معماری، از راهکارهای تصمیم‌سازی چندمعیاری استفاده شده است. با استفاده از راهکار پیشنهادی، می‌توان ضمن تخصیص بهینه منابع بر اساس ارزیابی ترکیبی پارامترهای کیفیت سرویس در میکروسرویس‌ها، به یک سازوکار تخصیص کارا در منابع دست پیدا نمود. روش پیشنهادی ضمن افزایش کارایی در فرآيند میکروسرویس‌ها، باعث افزایش تعادل بار در معماری کل سیستم می‌شود. همچنین استفاده از رویکرد پیشنهادی، امکان مدیریت منابع در شبکه را قابل کنترل‌تر خواهد کرد.

دو درس «ساختمان داده‌ها و الگوریتم‌ها» و «طراحی و تحلیل الگوریتم‌ها» را می‌توان محوری‌ترین دروس در برنامه درسی دوره کارشناسی رشته‌های مهندسی رایانه و علوم رایانه دانست. با وجود نقش برجسته این دو درس در آموزش تفکر الگوریتمی به دانشجویان، به نظر می‌رسد که نحوه ارائه این دو درس در دانشگاه‌های ایران نیازمند بازنگری باشد. ما در این مقاله، به ذکر دو اشکال برجسته که بر نحوه ارائه این دو درس وارد است می‌پردازیم و آنگاه راهکارهایی را برای ارائه یکپارچه و روشمند این دو درس پیشنهاد می‌کنیم. ما هم مبنای اشکالات خود را و هم مبنای راهکار‌های پیشنهادی خود را شیوه آموزش الگوریتم‌ها در کتاب‌های درسی معتبری که در سال‌های اخیر به عنوان مراجع درسی و با هدف آموزش الگوریتم‌ها نوشته‌اند گذاشته‌ایم.آنچه در این متن به عنوان دو اشکال اساسی در ارائه دو درس مذکور مطرح شده‌اند عبارتند از تفکیک ساختمان‌داده‌ها از الگوریتم‌ها و نادیده گرفتن فنون طراحی الگوریتم ها. ما این دو اشکال را تبیین خواهیم کرد و آنگاه خواهیم گفت که چگونه مدرسان می‌توانند ساختمان داده‌ها را در متن طراحی الگوریتم ها معرفی کنند و اینکه چگونه می‌توانند الگوریتم ها را بر مبنای فنون طراحی دسته‌بندی و معرفی کنند.

چند پخشي نقش مهمي را در برخي از كاربردهاي شبكه هاي سيار موردي ايفا مي كند نظير كاربردهاي اورژانسي، جستجو ونجات و ارتباطات نظامي. در چنين محيطهايي نودها گروههايي را تشكيل مي دهند تا بتوانند برخي عمليات شامل ارسال داده و صوت به صورت يك به چند و يا چند به چند انجام دهند. حركت نودها توپولوژي شبكه را به طور غير قابل پيش بيني تغيير مي دهد و همراه با محدوديت توان، چند پخشي در شبكه هاي سيار موردي را بسيار چالش برانگير نموده است. در این مقاله در مورد عملکرد دو پروتکل چندپخشی شبکه های سیار موردی MAODV و ODMRP بحث شده است. پروتکل MAODV بر اساس ساختار درخت عمل می کند ( Tree Based ) که در این حالت بین دو گره مختلف فقط یک مسیر منحصر به فرد وجود دارد و پروتکل ODMRP بر اساس ساختار مش عمل می کند ( Mesh Based ) که در این حالت بین دو گره مختلف مسیرهای متفاوتی وجود دارد. پروتکل MAODV یک درخت چندپخشی را براساس اطلاعات سخت افزاری پایه گذاری و نگهداری می کند در حالی که ODMRP شبکه ای را براساس اطلاعات نرم افزاری نگهداری می کند. نتایج بررسی های ما نشان می دهد که، در بیشتر سناریوها پروتکل ODMRP نرخ تحویل بسته بالاتری دارد نسبت به MAODV اما ضعف ان سربار ( Overhead ) بالاتر ان است نسبت به MAODV.

پروتکل ODMRP (On Demand Multicast Routing Protocol) یکی از پروتکلهای مسیریابی چندپخشی در شبکه های ad hoc است که بدلیل ساده بودن، مقاوم بودن در مقابل تحرک گرهها و داشتن نرخ تحویل بسته ی بالا به یکی از پراستفاده¬-ترین پروتکل های مسیر یابی چند پخشی در این شبکه ها تبدیل شده است، اما یکی از مشکلاتی که این پروتکل از آن رنج می¬برد، این است که برای کشف مسیرها بین فرستنده ها و گیرنده ها، بسته های درخواست مسیر توسط تمام منابع در شبکه بصورت سیل آسا پخش می شوند و این عمل (پخش سیل آسای بسته های درخواست مسیر) به منظور بازسازی مسیرها بصورت دوره¬ای تکرارمی شود، در نتیجه پیامهای کنترلی زیادی در شبکه ایجاد و رد و بدل می شوند. سربار کنترلی ایجاد شده، مخصوصا زمانی که تعداد فرستنده ها زیاد باشد به شدت افزایش یافته و باعث مصرف پهنای باند، ایجاد ترافیک و برخورد بسته¬ها شده، در نتیجه نرخ تحویل بسته را پایین آورده و باعث افزایش تاخیر انتها به انتها در دریافت بسته ها می شود. در این مقاله روشی را برای کاهش سربار کنترلی پروتکل ODMRP ارائه داده ایم. در روش پیشنهادی از تصدیق های غیرفعال داده ای(Data Passive Acknowledgement) استفاده کرده ایم و بعضی از گرهها را از پخش بسته های درخواست مسیر منع کرده ایم. بدین وسیله دامنه پخش سیل آسای بسته های درخواست مسیر محدود شده و سربار کنترلی کاهش یافته است. روش پیشنهادی با استفاده از نرم افزار GLOMOSIM در سناریوهای مختلف شبیه سازی شد و نتایج حاصل از شبیه سازی نشان داد که در اثر محدود شدن دامنه پخش سیل آسای بسته های درخواست مسیر، سربار کنترلی کاهش یافته و در نتیجه ی آن برخورد و تراکم بسته ها و تاخیر انتها به انتها هم کاهش یافته و نرخ تحویل بسته بهبود یافته است.

خلاصه سازی خودکار چند سندی، روشی برای ارائه فشرده مطالبی است که در ارتباط با یک موضوع بوده ولی جهت دید آنها متفاوت از یکدیگر می باشند. خلاصه خوب، باید بیانگر زمینه کلی بوده و ضمن بیان دیدگاههای مختلف موجود در متن از خوانایی و پیوستگی بالایی برخوردار باشد. در این مقاله با بهره¬گیری شکل جدیدی از روش استخراج روابط معنایی موجود در متن (LSA یا LSI) و تکنیک برچسب زنی معنایی نقش لغات(SRL)، روشی جدید برای خلاصه¬سازی چند سندی شده است. در ابتدا با استفاده از ماتریس کلمه- سند به جای ماتریس کلمه- جمله و با بهره گیری از LSA، جملات مهم مرتبط با زمینه استخراج می شود. در گام بعدی با استفاده از تکنیک SRL و با استفاده از WordNet شباهت معنایی جملات استخراج شده و در نهایت جملات شبیه به هم حذف می شوند. نتایج آزمایش¬ها برروی داده¬های DUC2007 حاکی از افزایش چشمگیر دقت در قیاس با روش¬های قبلی مبتنی بر LSAو سیستم¬های موجود در DUC2007 می باشد.

تخمين فعاليت¬هاي صوتي عبارت است از فرآيند دسته¬بندي سيگنال گفتار به قسمت¬هاي گفتار و غيرگفتار. با توجه به کاربرد گسترده‌ي چنين الگوريتم‌هايي در شاخه‌هاي مختلف پردازش گفتار، ارائه‌ي روش‌هايي که باعث بهبود اين فرآيند شوند، همواره مد نظر پژوهشگران بوده است. در اين مقاله با استفاده از روش يادگيري ميدان تصادفي شرطي و ويژگي‌هاي انرژي و اندازه‌ي همواري طيف، مدلي برای تشخيص و جداسازي قسمت‌هاي گفتاري و غيرگفتاري سيگنال صوت، ارائه شده است. برای به دست آوردن مقادير بهينه‌ي پارامترهاي روش يادگيري ميدان تصادفي شرطي از مجموعه‌ي دادگان صوتي Aurora استفاده شده و با در نظر گرفتن اين مقادير بهينه و با استفاده از دادگان Timit مدل نهايي ساخته شد و کارآيي آن روي دادگان بدون نويز 78/90% برآورد شده است. مهمترين مزيت استفاده از روش يادگيري ميدان تصادفي شرطي، حجم کم دادگان مورد نياز برای ساخت مدل است. مقايسه‌ي اين روش و روش ماشين بردار پشتيبان روي حجم يکساني از دادگان آموزشي و آزمايشي نشان مي‌دهد که ميدان تصادفي شرطي 22/14% بهتر از روش ماشين بردار پشتيبان عمل کرده و در مقابل نويز نيز پايدارتر است.

یادگیری ماشین با رویکرد با ناظر امروزه پایهی بسیاری از فعالیت‌های مختلف در حوزه پردازش زبان طبیعی است. اگرچه این روش‌ها به موفقیت‌هایی دست یافته‌اند اما در مقابل نیازمند فراهم شدن حجم زیادی از داده آموزشی توسط یک تفسیر کننده مانند انسان است، که گاها هزینه‌های بالایی را در بر خواهد داشت. علاوه بر این در بیشتر روش‌های یادگیری با ناظر ترتیب انتخاب نمونه‌های آموزشی بر اساس تصادف صورت می‌گیرد، در مقابل برای برطرف کردن مشکلات مذکور یادگیری فعال مطرح می‌شود که در آن به شکلی تکرار شونده نمونه‌هایی با بیشترین اثر مطلوب بر فرآیند آموزش انتخاب می‌شوند. نتایج آزمایشات نشان می‌دهد در آموزش یک مدل برچسب‌زنی دنباله فارسی بر اساس پیکره متنی زبان فارسی تنها با استفاده از 9.36% از کل داده‌های آموزشی به دقت برچسب زنی تا 96.28% رسید و این در حالی است که دقت برچسب زنی با بکارگیری کل نمونه‌ها 96.45% می‌باشد.

تشخیص زبان به صورت خودکار، در واقع مسأله تشخیص زبان، برای یک نمونه گفتار صحبت شده توسط سخنگوی نامعلوم است. در دهه گذشته، روش¬های متعددی برای تشخیص خودکار زبان پیشنهاد شده است. این روش¬ها، بر پایه استخراج ویژگی¬های خاص هر زبان، شامل مجموعه آواشناسی، واج آرایی و علم عروضی و بدیعی بودند. در این مقاله روش جدیدی پیشنهاد شده است که مستقل از اطلاعات زبان¬شناسی بوده و از تبدیل موجک برای استخراج خواص صوتی سیگنال گفتار استفاده می¬کند. انتخاب ویژگی¬های لازم جهت دسته¬بندی زبان، از میان ضرایب تبدیل موجک، بر اساس کاهش ابعاد فضای ضرایب، بر مبنای الگوریتم گسسته سازی چند بازه¬ای و سپس اعمال الگوریتم رتبه بندی ویژگی ها انجام می¬شود. روش پیشنهادی علاوه بر آنکه درصد تشخیص را برای نمونه¬های زبانی دو به دو 10 ثانیه¬ای و 45 ثانیه¬ای بهبود داده است، قادر به تشخیص نوع زبان از میان 5 زبان گوناگون نیز می¬باشد.

ایجاد چندضلعی ساده تصادفی و شبه مثلث¬بندی یک چندضلعی از مسائل مطرح در هندسه محاسباتی محسوب می¬شوند. تولید چندضلعی تصادفی در زمینه بررسی صحت و درستی الگوریتم¬ها مورد استفاده قرار می¬گیرد. در این مقاله الگوریتمی جدید برای ایجاد یک چندضلعی ساده حلزونی از مجموعه نقاط تصادفیS در صفحه با استفاده از پوسته¬های محدب لایه¬ای ارائه شده است که به طور همزمان نیز شبه مثلث¬بندی روی آن انجام می¬شود. این الگوریتم ابداعی جدید دارای مرتبه زمانی O(nlogn) است، لذا جزو الگوریتم¬های بهینه به شمار می¬آید.

در این مقاله یک روش تشخیص جنسیت جدید با دقت دسته‌بندی و قابلیت اعتماد بالا ارایه شده است. در این روش از نوعی استخراج مشخصه بر اساس عملگر آنالیز بافت الگوی باینری محلی استفاده شده است. این تکنیک قادر است بدون تحمیل عوارض جانبی از جمله افزایش بیش از حد حالت‌های ممکن و محاسبات زیاد، با توسعه فضای همسایگی اطراف نقاط در هنگام استخراج اطلاعات، باعث بدست آمدن اطلاعات دقیق‌تری در مورد ساختارهای موجود در تصویر شود. این روش به علت سرعت بالای استخراج مشخصه، قابلیت به کارگیری در سیستم‌های بلادرنگ تشخیص جنسیت اشخاص را دارا است. نتایج بدست آمده از پیاده‌سازی روش پیشنهادی نشان‌دهنده دقت بالای این روش و برابر97.43% است

معماري سرويس گرا با امكان سازي ايجاد چابكي و انعطاف پذيري لازم در سازمان ها، تحولي شگرف و نوين را در عرصه مهندسي نرم افزار فراهم آورده است كه دراين ميان ، استاندارد BPEL راه را براي ساخت پيمانه هاي جديد براساس تركيبي از سرويس ها، هموار نموده است. اگرچه تلاش هاي زيادي براي اثبات درستي عمليات پذيري سرويس هاي تركيبي براساس روش هاي رسمي انجام گرديده ، پيش بيني ويژگي هاي غيرعملياتي نظير كارآيي، قابليت اطمينان و دسترس پذيري كمتر مورد كنكاش قرار گرفته است. نوآوري ما ابداع يك رويكرد تحليلي مبتني بر شبكه پتري تصادفي و تئوري صف مي باشد كه كارآيي يك گردش كاري را محاسبه مي نمايد. اين مدل براي انواع فرآيندهاي پايه اي توالي ، شرط ، توازي و حلقه مورد آزمون قرار گرفته كه بدليل حجم زياد محاسبات، براي يك نمونه فرآيند تركيبي محاسبات انجام و ارائه شده است. به منظور تصديق مدل، نمونه فرآيند تركيبي همزمان در نرم افزار Arena مدلسازي و نتايج، مقايسه گرديده كه باتوجه به ميزان انحراف اندك نتايج ، صحت مدل تاييد مي گردد. لذا این رویکرد ، قابلیت بکارگیری جهت محاسبه و تخمین کارآیی ، قابلیت اطمینان ، در دسترس بودن و ديگر ويژگي¬هاي غيرعملياتي را داشته و در صورت اجرا در زمان قبل از اجرا جهت سرویس های BPEL ، زمینه اطمینان دهی اجرای تعهدات را به سرویس گیرندگان از سوی سرویس دهندگان فراهم می آورد.

توپولوژي تصادفي شبكه‌هاي حسگر بي‌سيم، تشخيص مكان حسگرها را به يكي از مهمترين چالشهاي فراروي توسعه كاربرد اين نوع از شبكه‌ها تبدیل نموده است. از میان راه حل‌های ارائه شده اخیر، الگوریتم اکتشافی مبتنی بر تکنیک Simulated Annealing بدلیل نتایج مطلوبی که به همراه داشته بیش از سایر روش‌ها مورد توجه قرار دارد. با وجود دقت بالای این روش در شبکه‌های پرتراکم، ضعف اصلی این الگوریتم افزایش زمان فرایند مکان‌یابی متناسب با افزایش سایز شبکه است و این در حالی است که در شبکه‌های کم‌تراکم نیز دقت الگوریتم افت محسوسی می‌یابد. هدف از این مقاله ارائه راه‌کاری در جهت افزایش کارایی این الگوریتم است. در الگوریتم پیشنهادی به جای تخمین کاملا تصادفی روش SA، ابتدا با بکارگیری روش trilateration تخمین نسبتاً مناسبی از مکان حسگرها بدست می‌آید و به این ترتیب حجم محاسبات در آغاز اجرای الگوریتم به شدت کاهش یافته و زودتر به نتیجه نهایی خواهیم رسید. علاوه بر این با تغییر تابع هزینه در فاز اول، مشکل قرارگیری حسگرهای شبکه در موقعیت وارونه (Flip) تا حدود زیادی برطرف شده‌ و در نتیجه خطای الگوریتم کاهش می‌یابد‌. نتایج ارزیابی‌ها بیانگر افزایش تقریبا دو برابری میانگین سرعت است که این افزایش به خصوص در شبکه های پرتراکم محسوس‌تر خواهد بود. این افزایش سرعت در حالی است که الگوریتم پیشنهادی خطای مکان‌یابی را نیز به حدود نصف کاهش داده است.