انجمن کامپیوتر ایران

Providing robots (or any other intelligent embedded system) with manlike instincts will bring major issues of today artificial intelligence out of a deadlock. This paper proposes a nondeterministic decision making theory based on Semi Human Instincts implemented by learned potential fields, using neural networks and fuzzy logic offline and online learning algorithms, which enable the agent to perform in anonymous, dynamic and nondeterministic environments. SHI-AI is like a newly born baby who uses his/her instincts and will gradually become more and more intelligent as the brain learns more about its environment. The use of a new world modeling method called ARPL (Agent Relative Polar Localization) in SHI-AI enables the agent to perform better within anonymous environments where positioning is an important and complex issue.

کمینه کردن تلفات خط و هزینه تولید ، از جمله مسائلی است که همواره در سیستم های قدرت از اهمیت بسزایی برخوردار است.در این مقاله به بهینه سازی شبکه و حل مساله پخش بار بهینه ( OPF ) برای شبکه استاندارد 118 باس IEEEE با روش های هوشمند پرداخته می شود. برای این منظور ، ابتدا از الگوریتم ژنتیک ( GA ) استفاده می گردد ؛ که علاوه بر عملگرهای متعارف، در آن از عملگر های ویژه مهاجر و نخبه گرایی نیز استفاده شده است. سپس الگوریتم کلونی مورچه ها به کار برده میشود؛ که در این قسمت نیز با استفاده از مدل جدید و کاراکتر رتبه بندی مورچه ها، مورچه های نخبه وزن بیشتری میگیرند. در نهایت پاسخی که از این دو روش به دست می آید با روش های کلاسیک مقایسه و مزیت های آن، مانند سرعت همگرایی ، کاهش تلفات خط و افزایش انعطاف پذیری مساله مطرح و بررسی میگردد.

سری های زمانی فازی اخیرا توجه بسیاری از محققین را به خود جلب نموده است چرا که برخورد مناسبی با ابهامات و داده های غیر کامل می تواند داشته باشد. یکی از روش های جدید در پیشبینی سری های زمانی، استفاده از الگوریتم ژنتیک، پیشنهاد شده توسط Chen می باشد که تا کنون کمترین خطا را در پیش بینی ها گزارش نموده است. مهمترین نقطه ضعف این روش در دید نگارندگان عدم بکار گیری مکانیزمی در برخود با عدم قطعیت های موجود در این روش می باشد. در مدل پیشنهادی نگارندگان، سری های زمانی فازی وزن دار به عنوان مکانیزم برخورد با عدم قطعیت با مدل Chen ترکیب شده و از میزان خطای محاسبات کاسته شده است. همچنین مدل پیشنهادی برای داده های بازار ارز(فارکس)نیز امتحان شده است و کارایی این روش برای پیشبینی نرخ نوسانات ارز نشان داده شده است.

در این مقاله به بررسی دسته بندی متن فارسی با استفاده از الگوریتمهای fkNN و kNN خواهیم پرداخت. آزمایشها بر روی ششصد سند متنی که به شش دسته تقسیم میشوند، انجام شدهاند. هدف اساسی این بررسی، مقایسه دو الگوریتم مذکور برای دسته بندی متن فارسی و ترکیب آنها با روشهای انتخاب ویژگی بهره اطلاعات IG فرکانس سند DF است. از این دو روش برای انتخاب ویژگیها و کاستن از ابعاد فضای ویژگیها استفاده شده است. نتایج نشان میدهند که دقت الگوریتم fkNN از الگوریتم kNN بهتر است. همچنین دقت دستهبندی با استفاده از ترکیب fkNN و IG از سایر ترکیبها بیشتر میباشد. دقت دسته بندی در بهترین حالت به 0.804 دقت میکرو – F1 و 0.755 دقت ماکرو F1- رسید. همچنین میتوان نتیجه گرفت که IG بیشتر از DF دقت را بالا میبرد . در بین دسته های موجود بهترین دستهبندی در مورد بزرگترین دسته یعنی اسناد مربوط به دسته اقتصادی انجام گرفت. دقت دستهبندی برای این دسته تا 0.910 دقت ماکرو F1- و 0.945 دقت میکرو F1- رسید.

مسائل بهینه سازی در ارتباط با شبکه‌های ارتباطی توسط بسیاری از محققان شبکه مورد بررسی قرار گرفته است. بهینگی اتصال شبکه از لحاظ پارامتر‌های استاندارد کیفیت خدمت (QOS) از مهمترین مسائل می‌ باشد. اخیرا الگوریتم های ژنتیک در زمینه های تحقیقاتی مذکور کاربر زیادی داشته‌اند. همچنین الگوریتم های ژنتیک با چند تابع هدف از لحاظ توانایی بهینه سازی در مسائل جهان واقعی مورد توجه زیادی قرار گرفته اند. در این مقاله ابتدا مسئله ی درخت پوشای ارتباطی بهینه (OCST) به صورت چند تابع هدفی تعریف شده است. کمینه کردنه هزینه مکانی و متوسط تاخیر پیام، اهداف مورد نظر است. سپس این مسئله با استفاده از الگوریتم ژنتیک مبتنی بر درخت های پوشا مورد حل و بررسی قرار گرفته است. در انتها آزمایشات مختلفی با دو روش از الگوریتم های تکاملی چند تابعی، SPEA-II و NSGA-II و با استفاده از واسط PISA انجام و مقایسه شده است.

بر مبناي مشاهدي اين واقعيت که اکثر دسترسي ه ايي که توسط پردازنده به حافظه نهان انجام مي شود منجر به خواندن يا نوشتن بيت ۰ مي شوند و همچنين بيشتر داده ها يي که در حافظه نهان مقيم هستند بيت هاي صفرهستند، دراين مقاله يک سلول پنج ترانزيستوري SRAM براي کاربرد ها با تراکم بسيار بالا و توان مصرفي کم ارائه شده است. اين سلول جديد داده خود را با استفاده از جريان هاي نشتي ترانزيستورها و مسير فيدبک مثبت بدون استفاده از سيکل هاي تازه سازي نگهداري مي کند. اين سلول جديد در طول عمل کرد خود از يک Word-Line و يک Bit-Line و يک خط کنترل خواندن اضافي استفاده مي کند. سلول جديد در قوانين طراحي Layout يکسان بدون اينکه شامل سربار کارايي بشود ۱۷ درصد مساحت کمتري را نسبت به سلول شش ترانزيستوري پايه اشغال مي کند . شبيه سازي هاي انجام شده در تکنولوژي 65nm نشان مي دهد که اين سلول به درستي عمل مي کند و متوسط توان مصرفي پوياي آن در هر دسترسي 30 درصد از سلول شش ترانزيستوري پايه کمتر است.

در شبکه هاي حسگر بي سيم با توجه به محدوديت پهناي باند و اشتراکي بودن کانال ارتباطي ميان تعداد زيادي از گره ه اي حسگر ، تصادم يکي از مسائل جدي به شمار مي آيد . تصادم بسته ها از جمله عواملي است که موجب افزايش تأخير انتها به انتها در شبک ه ي حسگر بي سيم مي شود. به واسطه ي وقوع تصادم، گره ها سعي در ارسال مجدد بسته هاي از بين رفته مي کنند، لذا تأخير انتها به انتها افزايش مي يابد . در اين مقاله به ارائه ي روشي مي پردازيم که در آن ابتدا گراف شبکه به وسيله الگوريتم باهدف افزايش ظرفيت شبکه ساخته شده و سپس به کمک يک الگوريتم اصلاح شده بردار فاصله، بستههاي توليد شده به نحوي مسيريابي ميشوند که تأخير انتها به انتها به شکل مؤثري کاهش يابد. نتايج حاصل از شبيهسازيهاي انجام شده نشان ميدهد که الگوريتم پيشنهادي در مقايسه با ساير الگوريتمهاي موجود از کارآيي بيشتري برخوردار است.

دراین مقاله روشی نو براي موقعیت ی ابی و ساخت نقشه همزمان براي روبات هاي متحرك با استفاده از الگوریتم تکاملی و همچنین الگوریتم بهینه سازي گروه ذرات , ارائه میشود . این روش بر پایه دو الگوریتم جستجوي محلی و سراسري بنا نهاده شده است . در الگوریتم جستجوي محلی روبات در حین حرکت از الگوریتمی پر سرعت براي موقعیت یابی و ساخت نقشه همزمان استفاده می کند . در مواردي همانند تشخیص حلقه که به جستجو در فضاي بسیار بزرگی نیاز است , از الگوریتم جستجوي سراسري استفاده میشود . از ویژگیهاي الگوریتم ارائه شده می توان گذر از اکسترمم هاي محلی، تشخیص و بهبود حلقه و تن اظر در محیط را نام برد . همچنین الگوریتم از نشانه ها استفاده نکرده و از نقشه اشغال سلول بصورت ساده بهره می برد . در تابع شایستگی الگوریتم , بر خلاف اکثر روشهاي موجود , بدون استفاده از فرمول هاي محاسباتی احتمالات پیچیده, از تابعی نو و با سرعت محاسباتی بالا است فاده شده است . در انتها نتایج شبیهسازي الگوریتم و همچنین مقایسه آن با روش هاي دیگر ارائه شده که نشاندهنده ویژگیهاي برتر الگوریتم است.

در اين مقاله، يك الگور يتم تكام لي كوانتوم ي به نام NQEA پيشنهاد م ي شود. در الگور يتم پيشنهادي، به منظور افزا يش كارآ يي از يك عملگر به روزرساني جد يد استفاده م ي شود. در اي ن عملگر، هنگام به روزرساني هر يك از افراد جمع يت از مشاركت بهتر ين جواب ب ه دست آمده توسط آن فرد در نسل هاي قب لي و بهتر ين جواب به دست آمده توسط س اير افراد جمع يت در نسل جاري استفاده مي شود. همچن ين، با اعمال محدود يت بر رو ي مقاد ير بيت هاي كوانتومي از همگرايي زودرس آنها جلوگ يري به عمل م ي آي د. عملكرد الگور يتم NQEA با عملكرد الگوريتم ژنت ي ك استاندارد CGA و الگور يتم ه اي تكامل ي كوانتوم ي QEA و VQEA مق ايسه م ي شود. با تح ليل رفتار الگور يتم NQEA بر روي مسأله OneMax مشخص م ي شود كه ا ين الگوريتم بهينه سازي برخلاف الگور يتم QEA دار اي مشكل همگرايي زودرس (ناشي از پديده سواري مجا ني) نمي باشد. با ارز يابي كارآ يي الگور يتم NQEA بر رو ي مسأله به ينه سازي ترك يبياتي شناخته شده NK-landscapes مشخص مي شود كه در ا ين الگور يتم بهينه سازي نسبت به الگوريتم هاي CGA QEA و VQEA توازن بهتر ي م يان تو انايي هاي كاوش و بهره بردار ي الگوريتم برقرار م ي شود . همچنين، الگور يتم NQEA در مقا يسه با الگوريتم هاي فوق از كارآيي و سرعت همگرايي بالاتري برخوردار است.

شبکه هاي موردي در چند سال اخیر بسیار مورد توجه قرار گرفته اند . کاربران این نوع شبکه ها خواهان استفاده از خدمات چند رسانه اي در این شبکه ها می باشند . این امر مستلزم فراهم کردن کیفیت سرویس براي کاربردهاي چند رسانه اي در شبکه هاي موردي است. به علت خصوصیات خاص شبکه هاي موردي فراهم کردن کیفیت سرویس در آنها با چالشهاي بسیاري روبرو است . در این مقاله الگوریتم مسیریابی مبتنی بر کیفیت سرویس جدیدي ارائه شده است . الگوریتم پیشنهادي از روش خوشه بندي استفاده می کند و بسیار کارا و قابل توسعه می باشد . نتایج پیشنهادي نشان می د هد که روش پیشنهادي نسبت به روشهاي دیگر بهبود موثرتري در کاهش تاخیر انتها به انتها و همچنین افزایش نرخ تحویل بسته ها داشته است.

در اين مقاله ايد ه و روشهاي جديدي براي تشخيص اتوماتيك جنسيت پيشنهاد و آزمايش گرديده است. از جمله اين روش ها مي توان به استفاده از شبكه عصبي MLP تركيب شده با الگوريتم ژنتيك براي تنظيم بهتر وزنهاي شبكه، استفاده از شبكه عصبي ANFIS و تطبيق آن براي تشخيص جنسيت و تلفيق شده آن با روش FCM نام برد. بهترين نتيجه از شبكه Anfis تركيب شده با FCM بدست آمد. ضمن اين كه روشهاي ديگر نيز از كارايي بسيار خوبي برخوردار بودند. بهترين نتيجه براي دادگان TIMIT برابر 97.5 % و براي دادگان برابر 96.31 % بدست آمد. اين دقت بالا در دادگان OGI كه دادگاني تلفني چند زبانه با SNR پائين است نشان ميدهد كه روشهاي پيشنهادي در برابر تغيير زبان گوينده و كيفيت پائين داده هاي گفتاري مقاوم هستند. علاوه بر اين به كمك شبكه عصبي ژنتيكي، شبكهاي سريع ساختهشد كه بتواند تنها با 3 نرون در لايه مياني به دقتي مشابه شبكه عصبي MLP برسد.

در اين مقاله دو الگور يتم جد يد براي جداساز ي كور منابع صوتي از تك مخلوطهاي خطي و آني پيشنهاد ميشود. در اين الگوريتمها نه تنها فقط از يك مخلوط استفاده شده بلكه از ه يچگونه اطلاعات قبلي در مورد منابع اصلي استفاده نميشود. از آنجاييكه الگوريتمهاي تجز يه اجز اي مستقل (ICA) در حالت فرو مع ين كه تعداد مشاهد ات كمتر از تعداد منابع اصل ي است، ق ادر به جداساز ي كور منابع نيستند، الگوريتمهايي پيشنهاد ميشوند كه قادرند از تك مخلوط مشاهده شده تعداد مشاهدات ب يشتر يا برابر با تعداد منابع بدست آورده و الگور يتم تجزيه اجز اي مستقل را قادر به جداساز ي تك مخلوط ه اي آني گردا نند. الگوريتم پيشنهادي نخست مبتن ي بر روش تجز ي ه وجوه تجربي (EMD) است و الگور يتم دوم مبتن ي بر روش تجز ي ه ز يرباندها است. در اين مقاله با استفاده از آزمايشات، توانايي الگوريتمهاي پيشنهادي را در جداساز ي تك مخلوطها ي آ ني نشان داده و عملكرد ا ين دو الگوريتم را با هم مقايسه ميكنيم.

دراين تحقيق ابتدا با يادگيري تقويتي عامل را در يك محيط دو بعدي شبيه سازي فوتبال،آموزش داديم.سپس به منظور كاهش چالش هاي موجود در الگوريتم هاي يادگيري تقويتي و بالا بردن سرعت يادگيري، الگوريتمي پيشنهاد داديم. در اين الگوريتم از تركيب سيستم استنتاج فازي و يادگيري تقويتي استفاده شده است. در آخر با مقايسه نتايج بدست آمده از سه تكنيك تيم UvA يادگيري تقويتي و الگوريتم پيشنهادي مي توان بهبود عملكرد بازيكن شوت زننده را در الگوريتم پيشنهادي نشان داد.

The dynamic nature of mobile nodes in mobile adhoc networks (MANETs), causes their association and disassociation to and from clusters perturb the stability of network and problem becomes worse if nodes are clusterheads (CH). Therefore cluster maintenance schemes are needed to handle new admissions and releases of node in the clusters. In this paper, we introduce a novel cluster maintenance algorithm which selects a new clusterhead from a trusty area that is defined previously based on some maintenance optimization rules. The election process is done before the current clusterhead leaves the cluster. So the routes which include this clusterhead as a middle node are less probable to break and will be more stable. Number of nodes belonging to a cluster is restricted in the proposed algorithm. In order to prevent of overusing of clusterheads' battery power, the CH selection process is invoked whenever the battery power of current CH goes below some threshold.

The traffic congestion problem in urban areas is worsening since traditional traffic signal control systems cannot provide efficient traffic control. Therefore, dynamic traffic signal control in Intelligent Transportation System (ITS) recently has received increasing attention. This study devised an adaptive and cooperative multi-agent fuzzy system for a decentralized traffic signal control. To achieve this goal we have worked on a model, which has three levels of control. Every intersection is controlled by its own traffic situation, its neighboring intersections recommendations and a knowledge base, which provides the traffic pattern of each intersection in any particular day of the week and hour of the day. The proposed architecture comprises a knowledge base, prediction module and a traffic observer that provide data to real traffic data preparation module, then a decision-making layer takes decision to how long should the intersection green light be extended. The proposed architecture can achieve dynamic traffic signal control. We have also developed a NetLogobased traffic simulator to serve as the agents’ world. Our approach is tested with traffic control of a large connected junction and the result obtained is promising; The average delay time can be reduced by 21.76% compared to the conventional fixed sequence traffic signal and 14.77% compared to the vehicle actuated traffic signal control strategy.

One of the important requirements for operational planning of electrical utilities is the prediction of hourly load up to several days, known as Short Term Load Forecasting (STLF). Considering the effect of its accuracy on system security and also economical aspects, there is an on-going attention toward putting new approaches to the task. Recently, Neuro Fuzzy modeling has played a successful role in various applications over nonlinear time series prediction. This paper presents a neuro-fuzzy model for the application of short-term load forecasting. This model is identified through Locally Liner Model Tree (LoLiMoT) learning algorithm. The model is compared to a multilayer perceptron and Kohonen Classification and Intervention Analysis. The models are trained and assessed on load data extracted from EUNITE network competition.

Portfolio optimization under classic mean-variance framework of Markowitz must be revised as variance fails to be a good risk measure. This is especially true when the asset returns are not normal. In this paper, we utilize Value at Risk (VaR) as the risk measure and Historical Simulation (HS) is used to obtain an acceptable estimate of the VaR. Also, a well known multi-objective evolutionary approach is used to address the inherent bi-objective problem; In fact, NSGA-II is incorporated here. This method is tested on a set of past return data of 12 assets on Tehran Stock Exchange (TSE). A comparison of the obtained results, shows that the proposed method offers high quality solutions and a wide range of risk return trade-offs.

A watermarking method in DCT domain is modified to achieve better imperceptibility. Particle Swarm Optimization (PSO) is used to find the best DCT coefficients for embedding the watermark sequence and the Structural Similarity Index is used as the fitness function in order to have a watermarked image with the best possible quality.

A model of episodic memory is derived to propose algorithms of text categorization with semantic space models. Performances of two algorithms are contrasted using textual material of the text-mining context ‘DEFT09’. Results confirm that the episodic memory metaphor provides a convenient framework to propose efficient algorithm for text categorization. One algorithm has already been tested with LSA. The present paper extends these algorithms to another model of Word Vector named Random Indexing.