انجمن کامپیوتر ایران

در این مقاله روش بهینه‏سازی جدیدی با الهام از حرکت کاتورهای مولکولهای گاز در فضا پیشنهاد شده است. الگوریتم پیشنهادی، الگوریتم بهینهسازی حرکت کاتورهای گازها یاGases Brownian Motion Optimization (GBMO) نامیده می‏شود. ماهیت کاتورهای در حرکت مولکولهای گاز به آنها این توانایی را میدهد که به سرعت فضایی که در آن قرار میگیرند را پیموده و در کل آن فضا انتشار یابند. در الگوریتم پیشنهادی با استفاده از این خصوصیت مولکولهای گاز و با مدلسازی حرکت جنبشی آنها، روشی کارا برای جستجوی فضای مسائل بهینهسازی پیشنهاد شده است. نتایج بدست آمده از الگوریتم GBMO در مقایسه با نتایج حاصل از اجرای الگوریتمهای PSO، ICA و GAنشان دهنده عملکرد بهتر و سرعت بالاتر این الگوریتم در یافتن در راهحل بهینه است.

استفاده از ساختار ارتباطي شبکه هاي روي تراشه در سيستم هاي چند پردازنده روي يک تراشه، ايده جديدي است که از اوايل دهه 1990 شکل گرفته است و با وجود ارائه ساختارها و مدل هاي گوناگون براي آن، هنوز با مسايل حل نشده اي روبرو مي باشد. به طور کلي، اين ايده در تقابل با ساختار گذرگاه مطرح شده است. يعني عموماً ادعا مي شود که اين ساختار مزايايي دارد که استفاده از آن را منطقي تر از ساختار گذرگاه مي نمايد. از مزايايي که به عنوان نمونه مي توان به آن ها اشاره کرد، سرعت بيشتر، مصرف انرژي کمتر در انتقال حجم زياد اطلاعات و سيستم ساختاريافته تر است. با اين حال موردي که هميشه در سيستم هاي کامپيوتري وجود دارد اين است که يک روش نمي تواند سيستم را در همه زمينه ها بهينه کند و همواره يک مصالحه بين پارامترهاي روش هاي مختلف صورت مي گيرد تا روش برتر انتخاب گردد. در اين مقاله روشي ارائه شده است که يک سيستم بتواند به صورت پويا و با به کار گيري ترکيبي از دو ساختار گذرگاه داده و شبکه روي تراشه، از مزاياي هر دو آن ها بهره برده تا بهبود کارايي حاصل شود.

آتاماتاي يادگير ابزاری قوی است که در يك محيط تصادفی ناشناخته عمل كرده و به مرور زمان كارايي خود را از طريق يك فرايند يادگيري بهبود مي­دهد. آتاماتاهاي يادگير در حل مسائل بهينه سازي بسيار خوب عمل مي­كنند و يكي از ويژگي­هاي بارز آنها قابليت يادگيري مي­باشد. مساله بهینه سازی را می­توان یافتن نقطه تعادل یک بازی دانست که در آن هر بازیکن یک مقدار از بعد متناظر خود در فضای جستجو را انتخاب می­کند. در اين مقاله يك الگوريتم تركيبي تکاملی كه از تركيب آتاماتاي يادگير و مفاهیم نظریه بازیها حاصل مي­شود براي حل مسائل بهينه سازي پيشنهاد مي­گردد. آزمایش­های انجام شده کارایی این روش را به خوبی نشان می‌دهد.

در اين تحقيق، روشي کارا براي بازيابي تصاوير ارائه شده که در آن، بر اساس آموزش، نتايج طي فرآيندي ترکيبي، بصورت مرتب شده به کاربر ارائه مي‌شود. در روش پيشنهادي، از اطلاعات متني موجود در کنار تصاوير براي استخراج ويژگي‌هاي معنايي و از محتواي تصاوير به منظور استخراج ويژگي‌هاي بصري و‌ آموزش مدل مرتب ‌سازي استفاده مي‌شود. مدل مرتب ‌سازي تابعي است که تصاوير پرس‌وجو و مجموعه‌داده را بعنوان ورودي دريافت کرده و نتايج را بصورت مرتب بر روي خروجي مي‌فرستد. در اين مقاله، ماژول بصري، ورودي‌اش را از ماژول متني دريافت نموده و خروجي آن، به منظور توليد و بهبود نتايج نهايي، با نتايج ماژول متني ترکيب مي‌شود. از آنجا که معيار کارايي مورد استفاده، به ازاي هر پرس‌وجو محاسبه مي‌شود، در روش پيشنهادي از فرآيندِ آموزشي تکراري استفاده شده که در آن، معيار کارايي هر پرس‌وجو، در تمامي مراحل فرآيند تأثير گذار است. نتايج بدست آمده از اعمال روش ارائه شده بر روي مجموعه داده ImageCLEF، نشان دهنده کارايي بالاي اين روش در مقايسه با ساير تحقيقات قبلي انجام شده است.

سيستم¬هاي¬ توصيه¬گر روشي را براي ايجاد پيشنهادات شخصي¬سازي شده از روي اطلاعات موجود ارائه مي¬دهند که مي¬توانند نقش مهمي را در سيستم¬هايي نظير تجارت الکترونيک و شبکه¬هاي اجتماعي ايفا نمايند. يکي از الگوريتم¬هايي که براي ايجاد پيشنهاد در اين سيستم¬ها استفاده مي¬شود، الگوريتم فيلترينگ همکارگونه ¬ مي¬باشد. اين مقاله به بررسي گونه¬اي از اين الگوريتم¬ها به نام الگوريتم مبتني بر حافظه مي¬پردازد و کارآيي و کيفيت آن را در سيستم¬هاي توصيه¬گر مورد ارزيابي قرار مي¬دهد.

در اين مقاله، نسخه بهبود يافته اي از الگوريتم بهينه ساز جمعيت مورچگان باينري با ترکيب روشهاي کلاسيک براي مساله انتخاب ويژگي ارائه شده است. در روش پيشنهادي با استفاده از اطلاعات بدست آمده از روشهاي انتخاب پيش رو و حذف پس رو ترم بينايي در الگوريتم مورچگان باينري تقويت مي شود. روش پيشنهادي در مساله انتخاب ويژگي در طبقه¬بندي معنايي تصوير و بازشناسي ارقام دستنويس فارسي آزموده شده و نتايج حاصل از آزمايشها ارائه شده است. همچنين، براي ارزيابي کارايي روش پيشنهادي، نتايج آزمايشها با روشهاي الگوريتم بهينه ساز جمعيت مورچگان باينري و الگوريتم وراثتي باينري مقايسه شده است. نتايج بيانگر کارايي مناسب الگوريتم پيشنهادي است.

شبكه‌هاي عصبي خودسازمان‌ده دسته مهمي از شبكه‌هاي عصبي هستندکه با وجود توانايي بالا، مشکلاتي از جمله سرعت آموزش و اجراي پايين دارند. علت اين مسئله لزوم مقايسه ورودي با همه¬ي نورون¬هاي شبکه به منظور يافتن نورون برنده مي-باشد. هزينه محاسباتي اين شبكه¬ها با افزايش اندازه شبكه به صورت خطي افزايش مي¬يابد. از شبکه¬هاي خودسازمان¬ده سلسله-مراتبي مي¬توان براي افزايش سرعت در زمان آموزش و اجرا استفاده نمود در اين حالت، به دليل عدم مقايسه داده ورودي با کليه نورون‌هاي شبکه مي‌توان به سرعت يادگيري و بکارگيري بيشتري در شبکه دست يافت. بنابراين اگر شبکه¬اي با N نورون داشته-باشيم در حالت يک سطحي به N مقايسه نياز مي¬باشد ولي در شبکه¬اي با L سطح، تعدا مقايسات به کاهش مي¬يابد. اين امر خصوصاً در شبکه‌هاي بزرگي که قرار است با حجم زيادي داده آموزش داده شوند حائز اهميت است. در اين مقاله يک شبکه عصبي خودسازمان‌ده رشديابنده سلسله¬مراتبي جديد با هدف افزايش سرعت آموزش و بکارگيري معرفي شده است همچنين اين شبکه تعداد پارامترهاي کمتري نسبت به ساير شبکه¬هاي خودسازمان¬ده دارد. نتايج آزمايش‌هاي تجربي صورت گرفته نشان‌دهنده سرعت بالاي روش پيشنهادي (حدوداً 5برابر) در مقايسه با شبکه¬ي رشديابنده يک سطحي است. اين در حالي است که دقت شبکه تغيير چنداني نداشته است.

در اين مقاله، يک مدل محاسباتی مبتنی بر معناشناخت صوری همراه با منطق فازی برای تعيين اعتماد ارائه شده است. اين مدل برای ارزيابی اعتماد در شبکه‌های بزرگ و پيچيده که چندين مسير مختلف بين اعتمادکننده و اعتمادشونده وجود دارد مناسب است. روش‌های ارائه شده در کارهای پيشين محدود به شبکه‌های ساده بوده و برای پياده‌سازی در اين نوع شبکه‌ها کارآمد نيستند. در مدل پيشنهادی از عملگرهای ساده‌تری استفاده شده است که علاوه بر سربار محاسباتی کمتر، نتيجه حاصل از آن دارای دقت بهتر و کارايی بالاتر است. مدل پيشنهادی در يک قالب مناسب صوری ارائه شده و روی يک شبکه نمونه آزموده شده است، که نشان می‌دهد ميزان عدم قطعيت در سيستم محدودتر شده و کارايی محاسباتی آن نيز بالاتر است.

چارت سازماني، يكي از نمودارهاي مهمي است كه معرف سلسله مراتب پست¬ها در يك سازمان است و ابزارهاي متعددي به صورت خودكار آن را توليد مي¬كنند. در اين مقاله، بهينه¬سازي مصرف كاغذ براي اين ابزارها، در قالبي رسمي بيان شده و با توجه به آنكه اين مسئله از پيچيدگي محاسباتي رده NP-Complete است، الگوريتمي تقريبي با ضريب تقريب ثابت براي آن ارائه مي كنيم. در اين الگوريتم از تكنيك برنامه¬ريزي غير خطي و برنامه¬ريزي پويا استفاده شده است.

پروتکل IPSec برخلاف قابليتها و انعطاف پذيری بالا و کاربرد گسترده دارای محدوديتهای امنيتی است که در برخی موارد استفاده از آن را با چالش همراه کرده است. گستردگی زياد، پيچيدگی بالا و همپوشانی کارکرد بين برخی از بخشهای آن مانند AH و ESP در احراز اصالت موجب شده تا از کارايی آن کاسته گردد. در IPSec از رمزنگاری متقارن در پروتکل ESP استفاده شده اما فرآيند احراز اصالت در هر دو پروتکل AH و ESP انجام می گيرد. پروتکل IPSec بعلت اجرای پروسه احراز اصالت پس از رمزنگاری و ساختن کدهای MAC از روی Ciphertext، در برابر حمله جعل کليد رمزگشايی آسيب پذير و قابل شکست است. در پژوهش انجام شده با ضعفهای IPSec و شناسايی بخشهای همپوشانی، طرح اصلاح شده ای از اين پروتکل ارائه شده که در آن با جابجايی روند پياده سازی احراز اصالت، آسيب پذيری در برابر حمله جعل کليد رمز جبران شده و با استفاده از تکنيکهايی چون فشرده سازی بسته IPSec از افزايش زمان اجرای فرآيند جلوگيری شده است که نتايج بدست آمده نشاندهنده بهبود اين پروتکل در برابر اين حمله است.

امروزه رشد تعداد كاربران و حجم جابه‌جايي داده‌ها در شبكه‌هاي سلولي بطور چشم‌گيري افزايش يافته است. از اين رو اپراتورهاي تلفن همراه با پيچيده‌گي‌هاي بيشتري براي مديريت و انجام عمليات بر روي شبكه خود مواجه هستند. پيش‌بيني اطلاعات مكاني كاربران در اين نوع شبكه‌ها از اهميت بالايي برخوردار است، چراكه چنين اطلاعاتي يكي از موارد مهم در "كنترل ايجاد تماس‌" محسوب مي‌شود. همچنين مدل پيشنهادي مي‌تواند به سيستم مديريت شبكه از لحاظ بهينه‌سازي و كاهش تراكم كمك نمايد. ما در مدل پيشنهادي الگوريتم زنجيره ماركوف را توسعه داده و با استفاده از ايجاد زنجيره‌اي از مسير گذشته و كنوني كاربر مسير بعدي وي را پيش‌بيني مي‌نماييم. به منظور بهينه‌سازي و كاهش حجم اطلاعات، مسيرهاي پيش‌بيني شده را بر اساس نزديكترين ميزان تشابه در مقدار پيش بيني بدست آمده، در يكديگر را ادغام مي‌كنيم. در پايان، نتايج حاصل از پياده‌سازي مدل پيشنهادي و ارزيابي خواهيم پرداخت.

در دو دهه‌ی گذشته، تکنیک‌های شبکه‌های عصبی به عنوان یک روش متکی بر داده به بلوغ رسیده‌اند و افق کاملاً جدیدی را در عرصه تشخیص خطا به‌وجود آورده‌اند. با گسترش سریع هر دو صنعت مدارهای آنالوگ و دیجیتال، مبحث تست در حال تبدیل شدن به موضوعی فوق العاده مهم است. استفاده از شبکه‌های عصبی روشی موفق در تشخیص خطا است. در این مقاله استفاده از شبکه‌های عصبی در تشخیص خطا در مدارهای mixed-signal و به عنوان نمونه یک ADC 3بیتی از نوعflash را بررسی می‌کنیم. سپس نتایج را با سه روشFFT ، هیستوگرام و sine fit مقایسه می‌کنیم. در نهایت به این نتیجه رسیدیم که روش شبکه عصبی می‌تواند نقش قابل توجهی در تشخیص خطا و تعیین محل وقوع آن داشته باشد.

خطا و عدم قطعیت یکی از همزادهای مجموعه‌های داده‌ای بوده و بطور همزمان در مرحله تولید و جمع‌آوری داده به‌وجود آمده و درمراحل بعدی استفاده از داده‌ها، انتشار یافته و رشد می‌نماید و نهایتاً نتایج و محصولات بدست آمده را متأثر می‌نماید. درسیستم‌های سنجش از دوری، به لحاظ نحوه عمکرد در آنها، بحث عدم قطعیت با شدت بیشتری مطرح می‌گردد. عدم قطعیت در داده‌های سنجش از دوری به طرق مختلف و توسط منابعی متنوع ایجاد می‌شوند. این عدم قطعیت محصولات تولید شده با استفاده از تصاویر سنجش از دوری، از قبیل نقشه موضوعی تولید شده در فرایند طبقه بندی را دچار خطا می‌نماید متصور سازی یا مدل سازی عدم قطعیت بسیار مناسب خواهد بود و می‌تواند فضای جدیدی را برای کاربران این تصاویر بکار گرفته شوند، بسیار مطلوب خواهند بود. از این رو در این مقاله سعی شده است، علاوه بر بررسی عوامل ایجاد کننده عدم قطعیت در نتایج طبقه‌بندی تصاویر سنجش از دوری، پارامترهایی برای اندازه‌گیری عدم قطعیت در نتایج طبقه بندی ارائه گردد. نتایج نشان می‌دهد که این پارامترها می‌توانند بعنوان معیارهای جدیدی برای ارزیابی طبقه بندی‌ها کننده ها علاوه بر صحت و اعتبار مطرح گردند.