انجمن کامپیوتر ایران

پسوریازیس بیماری پوستی التهابی است. در این بیماری سیستم ایمنی مختل شده و سطح پوست با پلاک‌های قرمز پوشیده می‌شود. این بیماری درمان قطعی ندارد و تنها امکان کنترل با دارو وجود دارد. برای اندازه‌گیری میزان تاثیر داروها از شاخص PASI (Psoriasis Area and Severity Index) استفاده می‌شود که شامل چهار پارامتر وسعت، قرمزی (اریتم)، پوسته‌ریزی و ضخامت پلاک است. پزشکان پارامتر اریتم را به صورت تجربی و با چشم تخمین می‌زنند که نتایج آن در بین پزشکان متفاوت است. در مطالعات پیشین مدلی برای اندازه‌گیری خودکار پارامتر اریتم در استاندارد PASI (پاسی) ارائه شده که توسط پردازش کل پیکسل‌های پلاک تصویر انجام می‌شود. ولی پردازش کل پیکسل‌های پلاک کاری زمان‌بر است. هدف از این مقاله ارائه روشی جهت پردازش سریع پلاک تصویر با حفظ دقت اندازه‌گیری مطالعات پیشین است. برای این منظور با استفاده از نمونه‌گیری سیستماتیک، حجم بسیار کمی از پیکسل‌های پلاک انتخاب و پارامتر اریتم براساس آنها اندازه‌گیری شده است. نتایج نشان داده‌اند که تنها پردازش حدود 59 پیکسل پلاک برای اندازه‌گیری پارامتر اریتم در تصاویر با کیفیت‌های متفاوت کافی است و در دقت محاسبه خودکار درجه اریتم نسبت به الگوریتم پیشین تغییری ایجاد نمی‌شود.

این مقاله یک رویکرد نظارت شدۀ برای بهبود دقت طبقه‌بندیِ طیفی - مکانی تصویر ابرطیفی با ساختار طبقاتی و یادگیری فعال ارائه می‌دهد. الگوریتم پیشنهادی شامل دو مرحلۀ اصلی می‌باشد. در ابتدا، از رگرسیون لجستیکِ چندجمله‌ای (MLR) برای استنتاجِ توزیع‌های احتمال پسین کلاس استفاده می‌کنیم. این امر با استفاده از رگرسیون لجستیکِ لاگرانژیِ تقویتی (LORSAL) انجام‌گرفته است. در واقع، در این مقاله، روش LORSAL با استفاده از کرنل‌ها به حوزه ویژگی توسعه‌یافته است. سپس، اطلاعات حاصل از مرحلۀ قبل برای طبقه‌بندیِ طیفی - مکانی تصویر ابرطیفی استفاده می‌شود. به منظور کاهش هزینۀ دستیابی به مجموعه‌های آموزشیِ بزرگ، از یادگیری فعالِ مبتنی بر احتمالات پیشینِ MLR استفاده می‌کنیم. دیگر نوآوری این مقاله، معرفیِ رویکرد نمونه‌گیری فعال جدیدی است که پیوندهای شکنندۀ اصلاح‌شده (MBT) نامیده شده و نمونه‌گیری‌ای بدون بایاس ارائه می‌کند. همچنین، به منظور دستیابی به حداکثر طبقه‌بندیِ طیفی - مکانی، پس از یکنواخت سازی توسط میدان‌های تصادفی مارکوف از الگوریتم بهینه‌سازی گسترۀ آلفای عدد صحیح مبتنی بر min – cut استفاده می‌کنیم. عملکرد رویکرد پیشنهادی، با استفاده از مجموعۀ داده‌های طیفیِ واقعی در آزمایش‌های مختلف با نتایج سایر روش‌های تحلیل تصویر ابرطیفیِ ، مقایسه شده است.

در این مقاله یک سیستم توصیه‌گر مبتنی بر روشی ترکیبی متشکل از رویکردهای یادگیری با ناظر و بدون ناظر توسعه داده شده است. بخش تحت ناظر آن توسط یک شبکه عصبی ساخته شده است. مشکل اصلی در هنگام استفاده از شبکه عصبی تنظیم پارامترهای آن و تعیین ساختار شبکه است که بیشتر به صورت تجربی و با سعی و خطا به دست می-آید، در این تحقیق با استفاده از الگوریتم رقابت استعماری یک شبکه عصبی بهینه طراحی شده است. سیستم توصیه‌گر بر روی داده‌های استاندارد محک زده شده است. نتایج حاصل نشان می‌دهد که با استفاده از شبکه‌های عصبی در الگوریتم ترکیبی تحت ناظر و بدون ناظر می‌توان به دقت بالاتری رسید. این مقاله با استفاده از یک مدل مبتنی بر شبکه عصبی با 4 خوشه سطری و 4 خوشه ستونی به مقدار 72/0 برای سطح زیر منحنی ROC دست یافته است.

امروزه با تشدید رقابت بین شرکت‌ها، سازمان‌ها هزينه‌های بيشتری را صرف فعاليت‌های تبلیغاتی می‌کنند. از اين رو استفاده از تکنیک‌هایی که نرخ پاسخ عمليات تبلیغاتی را بهبود می بخشند با ارسال پیام‌های تبلیغاتی به مشتریانی که انتظار می‌رود به محتوای پیام تبلیغاتی ارسال شده علاقمند باشند، اهمیتی روزافزون يافته است. در این پژوهش با ترکیب استنتاج فازی و الگوریتم ژنتیک، روشی جدید برای بهبود سودبخشی فعاليت تبلیغاتی ارائه می‌شود. روش پیشنهادی به همراه روش‌های دیگر داده‌کاوی، نظیر درخت تصمیم و روش بیز بر روی مجموعه داده یک بانک پرتغالی در مورد تمايل مشتریان به گشايش سپرده مدت‌دار ارزيابی می‌شود. در روش ارائه شده، مشتریان با استفاده از منطق فازی بخش‌بندی شده و به منظور بهبود فعاليت‌های تبلیغاتی و افزایش سودآوری آن‌ها، از الگوریتم ژنتیک برای یافتن بهترین بخش‌بندی ممکن استفاده می‌شود. این روش با ارسال پیشنهاد به مشتريانی که به احتمال قوی پاسخ می‌دهند، کارایی را به میزان قابل توجهی نسبت به ارسال پیشنهاد به تمامی مشتریان بهبود می‌بخشد. نتایج آزمایش‌های انجام شده نشان می‌دهد که روش پیشنهادی در تمامی حالات بهتر از روش بازاریابی انبوه است. همچنین در سناریوهای واقعی، بسیار بهتر از دو الگوریتم درخت تصمیم و بیز عمل می‌کند.

در راستای پیشرفت‌های اخیر در حوزه‌ی ارتباطات بی‌سیم، الگوی جدیدی تحت عنوان"شبکه‌های موردی خودرویی" به منظور برقراری ارتباط خودرو‌ها با یکدیگر و همچنین با واحدهای کنارجاده‌ای به وجود آمده است. علی‌رغم آنکه این نوع شبکه ‌با انگیزه‌ی بهبود ایمنی در سیستم حمل‌و‌نقل پدید آمده؛ اما باید خاطر نشان کرد که تحقق آن، بستری توانمند برای ارائه‌ی طیف وسیعی از کاربردها اعم از ایمنی و غیرایمنی محسوب می‌شود. پیام‌ها در بسیاری از کاربردهای مذکور، برای خودرو‌ها در محدوده‌ای فراتر از یک پرش سودمند هستند؛ لذا بایستی به صورت چندپرشی در شبکه منتشر شوند. این فرآیند در عمل، معادل با مفهوم "پخش‌فراگیر چندپرشی" است. در این مقاله، ضمن محوریت قرار دادن معیار حداقل افزونگی در ارسال پیام و تحمیل بار کاری اندک بر روی کانال، طرحی قابل‌اطمینان و مبتنی بر ناحیه، برای پخش‌فراگیر در شبکه‌های موردی خودرویی پیشنهاد شده است. با توجه به طرح پیشنهادی و همچنین بر اساس روش‌های انتخابِ گره رله، دو پروتکل جدید یکی مبتنی بر فرستنده و دیگری مبتنی بر گیرنده معرفی شده است. در هر یک از این دو پروتکل، زمان انتظارِ گره‌های گیرنده، بر اساس معیاری جدید تعیین می‌گردد. نتایج شبیه‌سازی حاکی از آن است که پروتکل‌های پیشنهادی، عملکرد مناسب‌تری نسبت به پروتکل مورد مقایسه دارند.

روند افزايش تعداد ترانزيستورها بر روي تراشه در سال‌هاي اخير دچار مشکل شده است. هرچند، تکنولوژي VLSI امکان قراردادن ميليون‌ها ترانزيستور بر روي يک تراشه را بوجود آورده اما مسئله سيم‌بندي بين ترانزيستورها و فضاي اشغالي آنها يک مشکل جدي است. پيدايش سيستم بر روي تراشه‌ها توانست اين مشکل را تا حدودي برطرف نمايد اما استفاده از گذرگاه نيز خود مشکلاتي از جمله گسترش ناپذيري را به دنبال داشت. براي حل مشکلات موجود در سيستم بر روي تراشه‌ها ايده‌ي استفاده از شبکه بر روي تراشه مطرح گرديد. با توجه به گسترش استفاده از شبکه بر روي تراشه مسئله تحمل‌پذيري اشکال در شبکه روي تراشه اهميت قابل توجهي پيدا مي‌کند، يکي از راه‌هاي بالابردن قابليت اطمينان در شبکه بر روي تراشه استفاده از الگوريتم‌هاي مسيريابي تحمل‌پذير اشکال است. به همين منظور در اين مقاله الگوريتمي پويا و هوشمند ارائه شده است که با توجه به وجود خطاهاي دائمي و گذرا در سطح لينک و مسيرياب قادر است بسته‌ها را بدون از بين رفتن آنها در شبکه جابه‌جا کرده و به مقصد برساند. نتايج شبيه‌سازي حاکي از آن است که اين الگوريتم نسبت به الگوريتم FTXY در حضور خرابي‌هاي دائمي و موقتي از نظر از دست دادن بسته، عملکرد قابل قبولي را دارا است.

یکی از مهمترین و چالش برانگیزترین مسأله‌های شبکه‌های مش بی‌سیم، مسأله گذردهی شبکه در نتیجه تداخل‌های ناشی از ارسال‌های همزمان و محدودیت‌های فرکانسی است. شبکه‌های مش بی‌سیم چند-رادیویی، چند-کاناله زمانی می‌توانند مطلوب باشند و تداخل را کاهش دهند که یک راهبرد تخصیص کانال کارا برای تخصیص دادن کانال‌ها به رابط‌های رادیویی وجود داشته باشد. چندپخشی، یک مکانیزم مؤثر برای تحویل داده به گروهی از گیرنده‌ها است. وقتی چند دروازه در اینترنت دردسترس باشد، پهنای باند بیشتری نتیجه می‌شود و تخصیص کانال به لینک‌های درخت چندپخشی می‌تواند به طور قابل توجهی ظرفیت شبکه را افزایش دهد. در این مقاله، ما به مسأله تخصیص کانال در شبکه‌های مش بی‌سیم چند- رادیویی، چند- کاناله، چند- دروازه ای با هدف کمینه کردن تداخل بین گره‌های درخت چندپخشی می‌پردازیم. ابتدا در شبکه‌ای با چندین دروازه، درخت‌های چندپخشی ساخته می‌شوند. با استفاده از روش پیشنهادی، یک درخت مجازی روی درخت‌های ساخته شده، ایجاد می‌کنیم. سپس با در نظر گرفتن تداخل کانال‌های همسایه، از بین کانال‌های متعامد و هم‌پوشان جزئی، کانال های مناسب انتخاب شده و به لینک‌های درخت چندپخشی تخصیص داده می‌شوند. نتایج شبیه سازی گویای آن است که روش پیشنهادی در مقایسه با کارهای گذشته، کارایی بالاتری برحسب تداخل داشته است.

یکی از زبان‌های رایج تولید پرس‌وجوهای ساخت‌یافته در وب معنایی SPARQL است. تولید این پرس‌وجوها، جهت استفاده از داده‌های وب معنایی با قالب RDF (چهارچوب توصیف منابع)، برای افرادی که با هستان‌شناس تعریف‌شده بر بسترِ مجموعه داده‌ها آشنایی ندارند، می‌تواند فرایندی پیچیده باشد. در این بین وجود الگوهای مشخص (از پیش تعریف‌شده) برای چگونگی ساخت پرس‌وجوهای SPARQL، کاربران انسانی تازه‌کار را با مشکل مواجه نموده است. در این پژوهش با استفاده از الگوریتم‌های یادگیری ماشین، کاوش بررسی قوانین انجمتی ارسال شده شده اندقوانین ترتیبی و تعریف قالب‌های ثابتی بر روی الگوهای سه‌گانه ‌در بدنه‌ی پرس‌وجوهای SPARQL ارسال‌شده از سوی کاربران، می‌توان به پیش‌بینی و تخمین اجزای آتی بکارفته در چینش پرس‌وجوی‌های آتی پرداخت تا به کاربران آتی وب معنایی در نگارش پرس‌وجوهای ساخت‌یافته کمک نمود. دقت‌های بالای به دست آمده از ارزیابی این قوانین، بر روی مجموعه داده‌ی معتبر پرس‌وجوهای پایانه‌ی DBpedia در سال 2011 نشان از کارایی مناسب این قوانین دارد.

تُر (Tor)، یکی از محبوب‌ترین سیستمهای فراهم کننده گمنامی در سطح جهان است. شبکه‌ی تُر با استفاده از بازپخش-کنندهایی (Relay) که به صورت داوطلبانه از سرتاسر جهان در اختیار این شبکه قرار داده شده‌اند کار می‌کند. از این رو این شبکه پهنای باند محدودی در اختیار دارد که با توجه به گسترش تعداد کاربران در سالهای اخیر، کارایی آن دچار تهدید گشته است. پژوهش‌های بسیاری به منظور بهبود کارایی شبکه صورت گرفته است که یکی از مهمترین زمینه‌ها، تلاش برای اولویت دادن به کاربران وب در برابر کاربران شبکه‌های تورنت (Torrent) است. کاربران تورنت درصد کمی از کاربران شبکه تُر را تشکیل می‌دهند، اما به صورت ناعادلانه قسمت بیشتری از منابع شبکه را مورد استفاده قرار می‌دهند. ما نیز در این پژوهش سعی داریم تا در راستای بهتر نمودن کارکرد شبکه‌ی تُر، به کاربران وب اولویت بیشتری را تخصیص دهیم. برای این کار از مسدودسازی تناوبی کاربران تورنت و دیگر پروتکل‌هایی که مصرف ناعادلانه از منابع شبکه دارند، در گره‌های خروجی شبکه استفاده خواهیم نمود. نتایج پژوهش، سرعت بیشتر برای کاربران وب را در زمان گردش در سطح اینترنت نشان می‌دهد.

مطالعه تجارب پیاده‌سازی سیستم برنامه‌ریزی منابع سازمانی (Enterprise Resource Planning) حاکی از آن است که یکی از علل مهم شکست در استقرار و بهره‌برداری از این سیستم‌ها، عدم ارزیابی آمادگی سازمان برای پذیرش ERP است. از این رو، محققین بسیاری با تکیه بر جنبه‌های داخلی و خارجی سازمان به ارائه مدل‌هایی برای ارزیابی آمادگی سازمانی در پذیرش این سیستم پرداخته‌اند. در مقاله حاضر، با بررسی مفاهیم برخی از مدل‌ها، به طبقه‌بندی معیارهای ارزیابی در هر یک از آن‌ها می‌پردازیم و در آخر، با استفاده از نتایج بدست آمده، معیارهای مهم در استقرار سیستم ERP را استخراج می‌کنیم. همچنین با در نظر گرفتن نقش تغییرات سیاسی، مانند تحریم‌ها و قوانین و مقررات کشور در استفاده از سیستم‌هایی که توسط فروشندگان بین‌المللی طراحی شده‌اند، مدل پیشنهادی خود را ارائه می‌دهیم.

وجود نویز در یک محیط باعث کاهش کار آیی سیستم‌های تشخیص گفتار می‌گردد. حال اگر سیگنال گفتار مورد نظر برای تشخیص، دارای لهجه باشد این بازدهی به مراتب کمتر خواهد شد. در اين مقاله، با قرار دادن جملات لهجه دار زبان فارسی در یک محیط نویزی سعی شده است با استخراج ویژگی‌های مقاوم در برابر نویز به بهبود تشخیص لهجه جملات نویزدارکمک کنیم. اولین ویژگی پیشنهادی با ایجاد سه تغییر در محاسبه ضرایب مل-کپستروم شامل تغییر پنجره همینگ ساده به بهبودیافته، محاسبه ضرایب مرتبه بالای خود همبستگی پس از مرحله عبور از پنجره و تغییر فیلتربانک‌ها از مثلثی به گوسی ایجاد می‌شود که باعث افزایش نرخ تشخیص در نسبت سیگنال به نویزهای پایین می‌شود. دومین ویژگی پیشنهادی فرکانس مرکزی طیفی (SCF) است که مراحل اولیه محاسبه آن‌ها همانند ضرایب مل-کپستروم است و پس از مرحله عبور از فیلتربانک مثلثی با اعمال یک رابطه خاص به دست می‌آیند. در مرحله طبقه-بندی از دو طبقه بند ماشین بردار پشتیبان (SVM) و K- نزدیکترین همسایه (KNN) استفاده‌شده است که SVM از کار آیی و نتیجه بهتری برخوردار است. مشاهده شده است که دو ویژگی پیشنهادی نسبت به سایر ویژگی‌ها عملکرد بهتری در برابر نویز از خود نشان می‌دهند.

راه‌اندازی سامانه‌ بسیار مورد بحث قرار می‌گیرد. سامانه‌‌های چندعامله به عنوان یک راه اساسی برای کنترل مولفه‌های بزرگ فناوری اطلاعات مورد استفاده قرار گرفته‌اند. از طرفی کنترل این سامانه‌‌ها نیز به روش‌های مختلفی صورت می‌گیرد که مهمترین آن‌ها استفاده از سازمان‌ها است. کارهای بسیاری در این زمینه صورت گرفته است. اما در این مقاله تلاش شده است سه کار عمده معرفی و مورد نقد و بررسی و مقایسه قرار گیرند. فربز و همکاران در سال 1998 یک فرامدل به نام AALAADIN ارائه کرده‌اند که مفاهیم اساسی سازمان در سامانه‌‌های چندعامله را ارائه کرده است. در سال 2009 کوتا و همکاران نیز مدلی را ارائه کرده‌اند که در آن برای مدل‌سازی سازمان از مدل‌سازی عامل‌های شکل دهنده‌ی سازمان، ویژگی‌های سازمان و محیط وظایف استفاده شده است. مدل MACODO نیز در سال 2010 توسط وینز و همکاران ارائه شده است. در این مدل یک معماری نرم‌افزار برای پیاده‌سازی درون یک عامل که می‌تواند در یک سازمان شرکت کرده و به خودسازمان‌دهی سازمان کمک کند ارائه شده است. بنابراین در این مقاله سعی شده است چند نمونه از مدل‌های ارائه شده برای طراحی و ایجاد سازمان‌ها در سامانه‌‌های چندعامله ارائه شده و مورد بررسی قرار گرفته و با توجه یه معیارهای مختلف مورد مقایسه قرار بگیرند. سپس پیشنهاداتی برای بهبود مدل‌های سازمان‌های خودسازمان‌ده ارائه شده و یک مسیر کلی ترسیم شده و ویژگی‌های یک مدل مطلوب مطرح شده است.

در اين مقاله با توجه به موفقيت‌هاي روز افزون کاربردهاي الگوريتم PSO و ابداع الگوريتم‌هاي نوين ترکيبي PSO با ساير الگوريتم‌ها، الگوريتمي نوين ترکیبی مبتني بر الگوريتم PSO ارائه مي‌کنيم. با به کارگيري منطق فازي در بهبود نقاط ضعف الگوريتم PSO از جمله گرفتار شدن در نقاط بهينه محلي و همگرايي زودرس پيشتر اقداماتي صورت گرفته است. همچنين براي غلبه بر مشکل ناکارآمدي الگوريتم PSO در فضاي جستجو با ابعاد بالا، برخي از الگوريتم ها از جمله الگوریتم بهینه سازی هوش جمعی ذرات تعاونی، ارائه گرديده است. ما دراين مقاله، با ترکيب الگوريتم هوش جمعی ذرات فازی و هوش جمعی تعاونی، الگوريتم CFPSO-IW (Cooperative Particle Swarm Optimization with Fuzzy Inertia Weight) را مطرح مي‌نماييم و با ارائه اين الگوريتم سعي در بهبود نقايص الگوريتم PSO، از جمله همگرايي زودرس، گير افتادن در نقاط بهينه محلي و عملکرد بهتر در ابعاد بالا، مي‌نماييم.

امروزه واحد پیش‌بینی کننده پرش یکی از اجزای مهم در پردازنده‌های نهفته نسل جدید به حساب می‌آید. این واحد به منظور کاهش سربار مخاطرات کنترلی در خط لوله پردازنده‌های مدرن استفاده می‌شود. افزایش اندازه این واحد در پردازنده و استفاده از الگوریتم‌های پیچیده در آن باعث افزایش توان مصرفی این واحد می‌شود. میزان دقت این واحد سبب بهبود موازی سازی در سطح دستورات (ILP) و همچنین بهبود کارایی پردازنده می‌گردد. اگرچه استفاده از این واحد بهبود کارایی را به همراه دارد، ولی سبب افزایش توان مصرفی می‌شود. بررسی‌های انجام شده نشان می‌دهد که حدود 10% از مصرف توان پردازنده‌ها در سیستم‌های نهفته (Embedded)، مربوط به این واحد است. این موضوع به دلیل محدودیت منابع توان در این سیستم‌ها از اهمیت ویژه‌ای برخوردار است. حذف دسترسی‌های بی‌فایده به این واحد می‌تواند مصرف توان را به میزان قابل توجهی کاهش دهد. در این مقاله با حذف دسترسی‌های بیهوده برای پرش‌های خوش‌رفتار، توان مصرفی این واحد را کاهش داده‌ایم. روش ارائه شده بر اساس جدولی بنام ATBT کار می‌کند که وظیفه آن نگهداری اطلاعات مربوط به پرش خوش‌رفتار می‌باشد. با توجه به نتایج بدست آمده به کمک روش پیشنهادی میزان دسترسی ها به BTB حدودا 50% کاهش یافته است. کاهش تعداد دسترسی به BTB موجب کاهش 45% توانِ واحد پیش بینی کننده پرش و در نهایت کاهش 3% از توان کل پردازنده شده است.

یکی از مباحث مطرح در مدیریت زنجیره تأمین، تعیین قیمت فروش کالای تولیدی می‌باشد. مشتریان همواره به دنبال کالاهایی با قیمت پایین‌تر هستند و از طرفی تولیدکننده‌ای را در اولویت خرید قرار می‌دهند که کالای با کیفیت بالا و با قیمت مناسب ارائه کند. تولید محصول در محیط TAC-SCM که از جمله فضاهای موجود ایده‌آل برای تعریف و آزمون استراتژی‌های مختلف مطرح در مدیریت زنجیره تأمین می‌باشد با قطعات اولیه مشخصی انجام می‌گیرد، لذا کیفیت محصول نقشی در انتخاب مشتری نخواهد داشت و بحث انتخاب قیمت فروش محصول می‌تواند به عنوان چالشی برای شرکت‌کنندگان در اين مسابقات مطرح شود. با توجه به اینکه در این محیط، عامل‌ها در راستای بیشینه کردن موجودی حساب بانکی خود تلاش می‌کنند، معرفی و توسعه روشی جهت انتخاب قیمت فروش بهینه که دو ویژگی سودآوری و رقابتی را برآورده نماید، اهمیت ویژه‌ای خواهد داشت. در این مقاله، اتوماتای یادگیر جهت پیشنهاد قیمت به مشتری برای دریافت بیشترین تعداد سفارش به نسبت پیشنهادهای داده شده، بکار رفته است. تأکید روش پیشنهادی بر انتخاب قیمت فروش با توجه به بیشترین و کمترین قیمت سفارش روز قبل می‌باشد و نتایج بدست آمده، رقابتی بودن و سودآوری قیمت فروش و عملکرد قابل قبول روش پیشنهادی را نشان می‌دهد.

فراهم نمودن یک الگوریتم مسیریابی کارا، از نظر نرخ تحویل بسته‌‏ها، تأخیر انتها به انتهاي تحویل بسته‌‏ها از مبدأ به مقصد و انرژی مصرفی، برای شبکه‏‌های حسگر زیرآبی بسیار چالش‏زا است. چراکه این شبکه‏‌ها دارای ویژگی‏‌های منحصر به فردی نظیر استفاده از کانال‏‌های صوتی بجای کانال‏‌های رادیویی جهت مخابره و نیز همبندی (توپولوژی) بسیار پویا به دلیل حرکت حسگرها توسط جریان آب هستند. یکی از الگوریتم‏‌های بسیار مطرح در این زمینه، الگوریتم مبتنی بر عمق DBR است. این الگوریتم بسیار ساده است، ولی از نظر نرخ تحویل بسته‏‌ها، تأخیر انتها به انتها و انرژی مصرفی کارامد نیست. در این مقاله با اضافه کردن یک رویه شتاب به الگوریتم پایه DBR، سعی می‏‌شود کارایی این الگوریتم افزایش یابد. در رویه شتاب، از یک مکانیزم احتمالاتی ساده جهت تسریع در ارسال بسته‌‏ها و نیز افزایش چند-مسیری به سمت مقصد استفاده می‏‌شود. در الگوریتم DBR گره‏‌ها‏ ابتدا مدت زمانی بسته دریافتی را در بافر خود نگه‏ می‏دارند و سپس، در صورت لزوم، آن را به سمت مقصد هدایت می‏کنند،‌ اما در رويه شتاب الحاقی، هر گره دریافت کننده بسته، با احتمال بسته دریافتی را بلافاصله به سمت مقصد هدایت می‏‌کند و با احتمال 1 – Pf از روال معمول DBR پيروي مي‏كند. الگوریتم پیشنهادی توسط شبیه‏‌ساز JSIM پیاده‌‏سازی گردیده و با انجام یک‏سری آزمایش‏‌ها، کارایی آن با الگوریتم پایه DBR از نقطه نظرهای نرخ تحویل بسته‏‌ها، تأخیر انتها به انتها و انرژی مصرفی مقایسه گردیده است. نتیجه آزمایش‌‏ها حاکی از برتری الگوریتم پیشنهادی در مقایسه با الگوریتم DBR است.

تابع درهم‌سازی Skein، یکی از پنج تابع درهم‌ساز راه یافته به دور نهایی رقابت SHA3 می‌باشد. این تابع، از تابع معمانگاری قطعه‌ای Threefish به عنوان هسته‌ اصلی خود استفاده نموده است. در این مقاله، مشخصه‌های تفاضلی مناسب را به منظور حمله بر تابع درهم‎سازی Skein512 ارائه خواهیم نمود. برای یافتن این مشخصه‌ها، روش بهینه سازی الگوریتم ژنتیک مورد استفاده قرار می‌گیرد. مهمترین چالش در استفاده از این روش، بازنمایی مشخصه‌ها در قالب ژن‌ها می‌باشد. مشخصه‌های ارائه شده برای حملات 17، 22 و 23 دوری Skein512 به ترتیب دارای پیچیدگی 238، 2134 و 2189 می‌باشند.

امروزه با گسترش وب و تعداد كاربران اينترنت، شناسايي صفحات مورد علاقه كاربران از چالش‌هاي مهم وب است. سیستم‌های پیشنهاددهنده‌ی وب در راستای پیش‌بینی رفتار آتی کاربران یک وب‌سایت و فراهم کردن محیطی منطبق با سلیقه و نیاز کاربر بدون درخواست صریح او، به بررسی و تحلیل اطلاعات رفتاری کاربر در تعامل با وب می‌پردازند. اخیرا سیستم‌های پیشنهاددهنده‌ی وب متفاوتی جهت پیش‌بینی صفحات درخواستی آینده کاربر با بهره‌گیری از کاوش استفاده از وب پیشنهاد شده‌اند، اما این سیستم‌ها دارای کیفیت مناسبی در ارائه‌ی پیشنهادها به کاربران در بعضی از وب‌سایت‌های خاص نیستند. در این مقاله یک رویکرد ترکیبی جدید مبتنی بر کاوش استفاده از وب جهت پیش‌بینی خودکار صفحات وب مطابق علایق کاربران پیشنهاد شده است. سیستم پیشنهادی از الگوریتم خوشه‌بندی فازی جهت دسته‌بندی نشست‌های مشابه کاربران استفاده می‌کند. سپس برای استخراج مدل توصیه، از قوانین انجمنی وزن‌دار که ارتباط بین صفحات را بیان می‌کنند، استفاده می‌شود. مدل کشف شده توسط ماژول توصیه‌ی برخط جهت تعیین توصیه‌های مناسب به کاربران، مورد استفاده قرار می‌گیرد. کیفیت سیستم پیشنهادی با استفاده از مجموعه داده‌ی NASA مورد ارزیابی قرار گرفته است. نتایج بدست آمده، بهبود در دقت توصیه‌ها را نسبت به سایر روش‌ها نشان می‌دهد.

سرطان سینه یکی از شایع‌ترین انواع سرطان در میان زنان می‌باشد. پیش‌بینی زودهنگام این بیماری می‌تواند کمک قابل توجهی در روند بهبود درمان ایجاد ‌نماید. بنابراین الگوریتم‌های متفاوت داده‌کاوی و یادگیری ماشین برای پیش‌بینی خوش‌خیمی یا بدخیمی تومورهای سرطان سینه مورد استفاده قرار گرفته‌اند. یکی از چالش‌ها در این حوزه، توزیع نامتوازن داده‌ها است، یعنی داده‌های کلاس تومورهای بدخیم (کلاس اقلیت) دارای تعدادی به مراتب کمتر از داده‌های کلاس دیگر (کلاس اکثریت) هستند. از طرفی الگوریتم‌های داده‌کاوی اغلب برای کار با داده‌های متوازن طراحی شده‌اند. این امر ممکن است منجر به برچسب‌گذاری نادرست داده‌های کلاس اقلیت ‌شود. برای برخورد با این مشکل، روش‌هایی برای برجسته‌سازی داده‌های کلاس اقلیت ارائه شده است. این روش‌ها عموماً از تکرار داده‌های کلاس اقلیت و یا حذف داده‌های کلاس اکثریت، در راستای توازن داده‌ها، استفاده می‌کنند. این مکانیزم‌ها علاوه بر اینکه ماهیت طبیعی داده‌ها را تغییر می‌دهد، امکان برچسب‌گذاری نادرست داده‌های کلاس اکثریت را نیز افزایش می‌دهد. در این مقاله روشی ارائه می‌شود که با استفاده از الگوریتم‌های طبقه‌بندی ترکیبی، بدون تکرار داده‌های کلاس اقلیت و یا حذف داده‌های کلاس اکثریت، به برچسب‌گذاری صحیح داده‌های کلاس اقلیت پرداخته شود. الگوریتم ارائه شده با استفاده از خوشه‌بندی داده‌ها به سه دسته پرت، خوش‌آموزش و بدآموزش، ابتدا به شناسایی داده‌های پرت می‌پردازد. سپس به دنبال راهکاری برای برخورد با داده‌های بدآموزش (که عمدتاً متعلق به کلاس اقلیت می‌باشند) می‌پردازد که با این روند خطای ایجاد شده برای داده‌های کلاس اقلیت به صورت چشمگیری کاهش می‌یابد.

اين مقاله شامل طراحي دو مدار تمام جمع‌کننده تک‌بیتی کم‌توان با NOR، NAND و Majority-not خازني 3 ورودی بر پایه ساختار دینامیک چند خروجی می‌باشد. دو مدار جمع‌کننده پيشنهادي و تعدادی از مدارهای جمع‌کننده ديگر با تکنولوژي 0.18 μm شبيه‌سازي شده است. نتايج شبيه‌سازي بهبود قابل ملاحظه‌اي را از نظر توان مصرفی و حاصلضرب توان – تأخیر نشان مي‌دهد.