برای کار با سیستم‌های محاسبات ادراکی نیازمند مدل‌سازی کلمات و عبارات می‌باشیم. در این مقاله روشی برای مدل‌سازی کلمات بر پایه‌ی مجموعه‌ی سایه‌ای ارائه شده است. این روش مانند روش‌های Interval Approach (IA)، Enhanced Interval Approach(EIA) و Hao_Mendel Approach (HMA) شامل دو بخش data part و fuzzy part می‌با‌شد. در بخش اول بر روی بازه‌های جمع‌آوری شده از افراد پیش‌پردازش انجام می‌شود و در بخش دوم از بازه‌های باقی‌مانده از بخش اول، برای هر کلمه ابتدا مجموعه‌ی سایه‌ای(Shadowed Set) متناظر و سپس مجموعه فازی نوع اول(Type-1 Fuzzy Set) متناظر با آن به دست‌آورده می‌شود و در انتها، از مجتمع‌سازی مجموعه‌های فازی نوع اول، مدل فازی نوع-2 فاصله‌ای(Interval Type_2 Fuzzy Set) متناظر با کلمه به دست می‌آید. در این روش نیز مانند HMA بازه‌ی هم‌پوشان به عنوان بازه‌ای تفسیر می‌شود که همه‌ی افراد راجع به آن اتفاق نظر دارند و همین امر سبب کاهش ضخامت مدل‌های نهایی متناظر با کلمات می‌شود.

در سال‌‌های اخیر، دمای بالا و توان مصرفی زیاد در پردازنده‌های چند‌هسته‌ای به یک چالش اساسی برای سازندگان و کاربران این پردازنده‌ها تبدیل شده است. با رشد دمای پردازنده، هزینه‌های خنک‌سازی و مصرف توان افزایش یافته و طول عمر پردازنده کاهش می‌یابد. مطالعات ما نشان می‌دهد که تا کنون هیچ یک از راهکارهای مدیریت دمای مطرح شده در سطح سیستم‌عامل، آگاهی از وجود زمانبند ربایش کار در برنامه‌های موازی را در نظر نگرفته‌اند. در این تحقیق، یک الگوریتم مدیریت دمای پویا در سطح سیستم‌عامل پیشنهاد شده است که در اجرای برنامه‌های موازی ربایش کار، دمای پردازنده را کمتر از محدودیت درخواستی کاربر مدیریت می‌کند. از این رو، ما دو مدل دمایی و کارایی را جهت پیش‌بینی دمای آینده و تخمین میزان تغییرات کارایی برنامه پیشنهاد دادیم. با استفاده از مدل‌های پیشنهادی، الگوریتم پیشنهادی تعداد هسته‌های فعال و فرکانس پردازنده را به نحوی تعیین می‌کند که دما پایین‌تر از محدودیت دمایی تعیین شده نگه داشته شود و کمترین آسیب ممکن به کارایی برنامه وارد گردد. آزمایشات بر روی سیستم واقعی نشان داد که الگوریتم پیشنهادی به طور میانگین 28 درصد کارایی بالاتری از الگوریتم آگاه از همسایگی داشته و برخلاف این الگوریتم، هرگز از محدودیت دمایی تعیین شده تخطی نمی‌کند.

به علت مقیاس بندی روزافزون فناوری CMOS، خطاهای نرم ناشی از برخورد ذرات پرانرژی یک نگرانی جدی برای قابلیت اطمینان مدار‌های مجتمع امروزی به شمار می‌روند. طراحان مدار‌های دیجیتال قصد دارند تا مدار را از لحاظ کارایی، مساحت و نرخ خطای نرم به طور همزمان بهینه نمایند. اما بهینه‌سازی مدار برای نرخ خطای نرم به طور بالقوه با هزینه و کارایی در تناقض می‌باشد، یعنی کمینه‌سازی نرخ خطای نرم با افزایش سربار مساحت و تأخیر همراه است. بنابراین، رویکردهای بهینه‌سازی باید موازنه‏ بین نرخ خطای نرم، مساحت و کارایی را مدنظر قرار دهند. در این مقاله، یک رویکرد اندازه‌گذاری دروازه مبتنی بر برنامه‌ریزی خطی دو هدفه ارائه شده است تا ضمن کنترل سربار مساحت و تأخیر، نرخ خطای نرم مدار را کمینه نماید. نتایج حاصل از شبیه‌سازی‌ها بر روی مدارهای محک ترکیبی ISCAS’85 نشان می‌دهد که الگوریتم پیشنهادی بدون از دست دادن کارایی و با سربار مساحت ۱۲٪ نرخ خطای نرم را به طور میانگین ۴۳٪ کاهش داده است.

کمپلکس پروتئینی گروهی از پروتئین‌ها هستند که نقش مهمی در فرایندهای زیستی دارند. با توجه به نقش کمپلکس‌هاي پروتئيني در انجام بسياري از عملکردهای سلولي موجودات زنده، کشف آن‌ها مي‌تواند به درک بهتر فرآيندهاي سلولي و توسعه کاربردهاي مبتني ‌بر مهندسي زيستي منجر شود. ازاین‌رو یکی از چالش‌برانگیزترین مسائل موجود در محاسبات زیستی تشخیص کمپلکس‌های پروتئینی در شبکه‌های برهمکنش پروتئین-پروتئین (PPI) است. بیشتر روش‌های محاسباتی موجود مبتنی بر این باور طراحی‌شده‌اند که نواحی متراکم در شبکه PPI ممکن است مطابقت بیشتری با کمپلکس‌های پروتئینی داشته باشند. از طرفی کمپلکس‌های پروتئینی پراکنده تقریباً یک‌سوم کمپلکس‌های ارزیابی را تشکیل می‌دهند، که در روش‌های محاسباتی ذکرشده نادیده گرفته می‌شوند. بنابراین در این پژوهش یک روش دومرحله‌ای برای تشخیص هر دو نوع کمپلکس‌های پروتئینی، متراکم و پراکنده در شبکه تعاملی پروتئینی پیشنهادشده است. در مرحله اول، هسته‌ها را که به‌عنوان قلب کمپلکس‌های پروتئینی است تشخیص داده می‌شود و سپس افزونه‌ها را بر اساس معیار تفاوت تعداد یال‌های درون ماژولی و بین ماژولی و توزیع درجه، به هسته اضافه می‌شود. ارزیابی کارایی روش پیشنهادی و مقایسه با روش‌های قبلی مانند MCODE، DPClus، ADHAC و COACH بر روی شبکه برهم‌کنش پروتئینی مانند DIP نشان‌دهنده‌ی عملکرد بهتر در تشخیص کمپلکس‌های پروتئینی متراکم و پراکنده است.

بشر در زندگی روزمره ارتباط تنگاتنگی با شبکه‌های مختلفی نظیر شبکه‌ برق، ارتباطات هوایی، کامپیوتری و اجتماعی دارد. این شبکه‌ها همواره در معرض خرابیهای تصادفی یا حمله‌های هدفمندی هستند که میتواند کارکرد آن‌ها را دچار مشکل کند. لذا بهبود استحکام این شبکه‌ها امری ضروری است. در این مقاله با استفاده از رویکرد انجمنی و بهره‌برداری از اطلاعات مربوط به ساختار انجمن‌ها، سه روش بهبود استحکام برای دست‌کاری شبکه از طریق جابه‌جایی یال‌ها ارائه می‌شود که تعداد یال‌های شبکه و توزیع درجه گره¬ها را ثابت نگه می‌دارد. روش اول بر اساس روابط درون هر انجمن و روش دوم و سوم با استفاده از معیار مرکزیت میانی یال‌های درون انجمنی و بین انجمنی عمل جابه‌جایی را انجام می‌دهند. روش‌های پیشنهادی بر روی تعدادی از شبکه‌های دنیای واقعی و شبکه مصنوعی با ساختار مقیاس آزاد مورد ارزیابی قرار گرفته است. نتایج نشان می‌دهد که روش سوم در مقایسه با دو روش دیگر و روش مرجع که ساختار انجمن را در نظر نمی‌گیرد، با هزینه کمتر استحکام را افزایش و تعداد جابه‌جایی‌ های یال برای بهبود استحکام را کاهش می‌دهد. روش اول نیز کمترین تأثیر را در افزایش استحکام دارد. ما از معیار هدایتپذیری، برای ارزیابی حفظ ساختار انجمنی شبکه پس از دست‌کاری استفاده می‌کنیم. ارزیابی سه روش پیشنهادی با رویکرد انجمنی و روش مرجع، بر مبنای معیار هدایت‌پذیری نشان می‌دهد که هدایتپذیری در روش‌های مبتنی بر ساختار انجمنی دارای مقدار کمتری نسبت به روش بدون رویکرد انجمنی است و این بدین معنی است که ساختار انجمنی شبکه، بیشتر حفظ میشود.

با توجه به اهمیت و نیاز روزافزون به بهبود شبکه‌های بی‌سیم، به‌ویژه از جهت فراهم‌آوری کیفیت خدمات (QoS)، تلاش‌های بسیاری به‌منظور ارتقاء کارایی این نوع از شبکه‌ها انجام گرفته است. یکی از کلیدی‌ترین عوامل استفاده‌شده، تجمیع فریم در لایه کنترل دسترسی است. روش‌های متعددی برای تنظیم و کنترل تجمیع فریم معرفی شده‌اند که اغلب آن‌ها در محیط‌های شبیه‌سازی مورد ارزیابی قرار‌گرفته‌اند. حال آن که به علت ماهیت رسانه بی‌سیم در شرایط واقعی به‌ویژه نوسان‌های موجود، تجمیع فریم می‌تواند تأثیرات کاملاً متفاوتی در بر داشته باشد. در این مقاله، روش جدید تجمیع‌فریم PID Control به همراه دو روش EDF و Deadline برای اولین بار بر روی هسته لینوکس پیاده‌سازی شده‌ و در یک بستر آزمایشی و با شرایط واقعی مورد ارزیابی قرار می‌گیرند. نتایج ارزیابی بیان‌گر آن است که روش PID، نه‌تنها توانسته تا حدود 15 درصد از ظرفیت کانال را کمتر اشغال کند بلکه متوسط تأخیر در حدود یک‌چهارم مقدار حداکثر، ثابت مانده است. علاوه بر این، در حالت وجود ترافیک سنگین، مثل قبل و با احتمال تخطی تأخیر (DVP) کاملاً صفر عمل کرده درحالی که دو روش دیگر با شکست مواجه شده‌اند.

امروزه با سیستم‌های اطلاعاتی وسیعی مواجه هستیم که از سرویس‌های ارایه‌شده توسط سازمان‌های مختلف تشکیل شده‌اند و هر سازمان از طریق ارایه سرویس‌هایی، به شکل غیرمستقیم به کاربران و سایر سیستم‌ها اجازه دسترسی به منابع خود و استفاده از آن‌ها را می‌دهد. بدین‌ترتیب می‌توان گفت، امروزه مبحث تعامل‌پذیری سرویس‌ها از اهمیت بالایی برخوردار است. از طرفی، تفاوت در اندازه دانه‌بندی سرویس‌های ارایه‌شده توسط سازمان‌های مختلف می‌تواند مانعی در برابر ایجاد تعامل میان این سرویس‌ها و سیستم‌های اطلاعاتی مختلف به‌شمار آید. در این مقاله قصد ارایه راهکاری درجهت یکسان‌سازی دانه‌بندی سرویس‌های سازمان‌ها و بهبود تعامل‌پذیری میان آن‌ها داریم که این راهکار مبتنی بر معماری ریزسرویس‌ها است. بدین‌ترتیب، در این مقاله نقش معماری ریزسرویس‌ها در تعامل‌پذیری میان سرویس‌ها و از بین بردن موانع آن، بررسی خواهد شد.

در تحلیل زمانی سیستم‌های نهفته بی‌درنگ، بیشترین زمان اجرای یک برنامه را لحاظ نموده تا صحت زمانی عملکرد سیستم تضمین گردد. یافتن کران بالای تعداد تکرارهای حلقه‌ها و عمق فراخوانی‌های بازگشتی در تخمین بیشترین زمان اجرای برنامه از اهمیت بسزائی برخوردارست. از این‌رو در این مقاله روشی مبتنی بر تطبیق الگو برای تخمین بیشترین زمان اجرای توابع بازگشتی ارائه شده است. در روش تطبیق الگو اگر ساختار تابع بازگشتی که موجب فراخوانی‌ها میشود مطابق الگوی خاصی باشد بر اساس یک معادله عمق فراخوانی بازگشتی محاسبه میگردد. الگو تاثیر پذیرفته از عبارات شرط در دستورات شرطی برای فراخوانی مجدد یا خاتمه فراخوانی و همچنین نحوه مقداردهی متغیرهای ظاهر شده در این عبارات شرطی است. نقص روش تطبیق الگو وابستگی زیاد آن به الگو می‌باشد. در روش ارائه شده در این مقاله با مدل‌سازی جریان اطلاعات توابع بازگشتی در قالب دو دسته عبارت نمادین نشان دهنده شرط فراخوانی مجدد و نحوه تغییر متغیرها، از وابستگی به الگو کاسته شده است. روش ارائه شده با تعدادی برنامه محک رایج در این حوزه ارزیابی گردیده و نشان داده شده است که این روش می‌تواند به صورت موثر بیشترین زمان اجرای توابع بازگشتی را محاسبه نماید.

دسته‌بندی بسته‌ها یکی از پردازش‌های اساسی در مولفه‌های متنوع شبکه‌ای است که اغلب توسط پردازنده‌های شبکه‌ای اجرا می‌گردد. دسته‌بندی بسته‌ها فرآیندی خودکار است که جریان‌های ترافیکی شبکه را بر اساس پارامترهای متعدد از جمله پورت و آدرس فرستنده و گیرنده طبقه‌بندی می‌نماید. یکی از روش‌های موجود برای تسریع مکانیسم دسته‌بندی بسته‌ها، پیاده‌سازی سخت‌افزاری آن‌ها است. اما، این راه‌حل‌ها دارای هزینه بالا و توسعه‌پذیری پایین است. در مقابل روش‌های نرم‌افزاری که این مشکلات را برطرف می‌کنند نیز سرعت پایینی دارند. یکی از الگوریتم‏‌های مطرح در روش نرم‌افزاری، الگوریتم‌ درخت سلسله مراتبی است. مهم‌ترین ویژگی این الگوریتم‌، ساخت درخت تصمیم با کمترین میزان حافظه مصرفی و پیچیدگی زمان جستجو است. در این الگوریتم یک درخت تصمیم برای اولین فیلد(آدرس مبداء) و چندین درخت تصمیم برای فیلد دوم(آدرس مقصد) ایجاد می‎شود. در این مقاله‌، به منظور تسریع اجرای الگوریتم دسته‌بندی درخت سلسله مراتبی از خوشه پردازنده مرکزی استفاده شده است. در پیاده‌سازی، سناریوهای مختلفی با استفاده از MPI و OpenMP و ترکیب آنها در یک سیستم تک پردازنده‌ای چند هسته‌ای و خوشه پردازنده‌های چند هسته‌ای پیاده‌سازی و اجرا شدند. نتایج پیاده‌سازی این سناریوها، نشان می‌دهد که با افزایش تعداد سیستم‌ها سرعت دسته‌بندی با همان نسبت افزایش پیدا می‌کند. همچنین ابزار MPI با مصرف حافظه بیشتر نسبت به OpenMP، سرعت بیشتری در پردازش بسته‌ها حاصل میکند. زمانی که مجموع تعداد پروسه‌ها و تعداد نخ‌ها به ترتیب برابر با تعداد پردازنده‌ها و تعداد هسته‌ها باشد، سناریوی ترکیبی بیشترین تسریع را دردسته‌بندی بسته روش درخت سلسله مراتبی دارد.

ترجمه ماشینی مبتنی بر قاعده از مجموعه‌ای از قواعد که دربردارنده اطلاعات زبانی هستند در فرایند ترجمه استفاده می‌کند. نتایج تولید شده توسط این مترجم‌ها معمولاً از نظر دستورزبان و ترتیب کلمات بهتر از نتایج مترجم‌های آماری هستند. ولی تحقیقات نشان داده است که این ترجمه‌ها از نظر روانی و انتخاب کلمات مناسب، ضعیف‌تر از مترجم‌های آماری هستند. در این مقاله هدف، بهبود انتخاب لغات در مترجم مبتنی بر قاعده است. این کار با استفاده از مجموعه‌ای از قواعد نحوی-لغوی مبتنی بر گرامر درخت-پیوندی انجام می‌شود. این قواعد احتمالاتی به‌صورت آماری از یک پیکره موازی با اندازه بزرگ استخراج شده‌اند. در سیستم ارائه شده، کلمات با ترتیب پیشنهادی مترجم مبتنی بر قاعده در زبان مقصد قرار می‌گیرند و به همین دلیل در ترجمه جملات از یک رمزگشای یکنواخت مبتنی بر برنامه‌ریزی پویا استفاده شده است. در این سیستم بهترین ترجمه با استناد به احتمال قواعد استفاده شده و امتیاز مدل زبانی انتخاب می‌شود. آزمایش‌ها روی ترجمه انگلیسی به فارسی نشان داد که کیفیت نتایج به دست آمده از روش پیشنهادی حدود 3/1+ واحد بلو از کیفیت ترجمه به دست آمده توسط مبتنی بر قاعده پایه بالاتر است.

در الگوریتم‌های ضدبرخورد مبتنی بر الوها تخمین دقیق تعداد برچسب‌ها یکی از چالش‌های مهم و اساسی است. تاکنون الگوریتم‌های متعددی برای حل این مشکل مطرح‌ شده‌اند که هیچ‌کدام از آن‌ها نتوانسته‌اند مشکل تخمین دقیق تعداد برچسب‌ها را حل‌کنند. در این مقاله، یک الگوریتم ضدبرخورد جدید مبتنی بر الوها پیشنهاد می‌گردد که سعی در شناسایی برچسب‌ها در اسلات برخورد دارد. درواقع قرائت‌گر در مواجهه با اسلات برخورد از برچسب‌ها می‌خواهد یک عدد تصادفی 6بیتی (RN6) تولید کرده و با استفاده از کد منچستر و به‌صورت رشته پالس دودویی برای قرائت‌گر ارسال‌کنند. قرائت‌گر از این رشته پالس دودویی برای شناسایی برچسب‌های موجود در اسلات برخورد استفاده‌ می‌کند. با توجه به شناسایی برچسب‌ها در اسلات برخورد، نیازی به تخمین دقیق تعداد برچسب‌ها برای تعیین طول فریم بهینه نیست و طول فریم براساس اطلاعات اسلات برخورد تعیین می‌شود. بر اساس شبیه‌سازی‌های انجام شده در الگوریتم ضدبرخورد پیشنهادی، میانگین کارایی سیستم برای شناسایی 100 تا 1000 برچسب برابر با 0.7619 است.

هدف از کنترل GRN (شبکه‌های تنظیم ژن)، یافتن استراتژی برای کنترل حالت سیستم با مداخله تعدادی ژن ورودی به‌نام ژن کنترلی است، به نحوی که بتواند سیستم را از حالت نامطلوب (بیماری‌زا) به حالت مطلوب منتقل نماید. در عمده روش‌های کنترلی انجام شده ابتدا GRN ، مدل‌سازی شده و سپس سیاست تخمینی مورد نظر از شبکه مدل شده، یافت می‌شود تا سیستم را به حالت مطلوب منتقل نماید. در روش‌های کنترل خارجی مبتنی بر شبکه‌های بولی احتمالی، به‌عنوان یکی از محبوب‌ترین مدل‌سازی انجام شده این شبکه‌ها، پیچیدگی زمانی و حافظه برای یافتن استراتژی کنترلی، بالا می‌باشد. یک ایده برای غلبه بر این مشکل مدل‌سازی بر اساس نمونه‌های جمع آوری شده از محیط، و سپس یافتن سیاست تخمینی است. در این مقاله به ارائه یک سیستم یادگیر کنترل محور بر مبنای الگوریتم یادگیری تقویتی دسته‌ای پرداختیم، به‌طوری که با تعریف پارامترهای سیستم و تطبیق بر مدل شبکه استنتاج شده در روش‌های پیشین، با استفاده از نمونه‌های جمع‌آوری شده از محیط، بتوانیم سیاست تخمینی را از داده‌ها استنتاج نماییم. پس از بدست آوردن سیاست تخمینی و اعمال آن به شبکه بولی احتمالی ساخته شده، نتایج نشان داد که این روش توانست احتمال حالت نامطلوب در شبکه را نسبت به روش پیشین مشابه آن، بهبود بخشد.

سیستم‌های توصیه‌گر در تجارت الکترونیکی، اقلامی را به کاربران توصیه می‌کنند که پیش‌بینی می‌شود متناسب با ارجحیت‌ها و علاقمندی‌های کاربر باشند. هراندازه که سیستم توصیه‌گر، اقلام مورد علاقه‌ی کاربر را درست‌تر تخمین بزند، دقت بالاتری خواهد داشت. با این وجود، اگر در الگوریتم‌های توصیه‌گر تنها بر افزایش معیار دقت تمرکز شود، مشکلات مختلفی ایجاد می‌شود که یکی از آنها عدم توصیه اقلام دنباله طولانی است. اقلام دنباله طولانی، اقلامی هستند که تعداد کمی از کاربران، آنها را امتیازدهی کرده‌اند و به همین دلیل، تشخیص ارتباط آنها به کاربرانِ دیگر دشوار است. در نتیجه، این اقلام به ندرت در توصیه‌ها شرکت می‌کنند. تنوع‌بخشی در توصیه‌های سیستم‌های توصیه‌گر می‌تواند روشی برای مواجهه با پدیده دنباله طولانی باشد. تنوع‌بخشی به توصیه‌ها باعث می‌شود که اقلام دنباله طولانی، شانس بیشتری برای شرکت در توصیه‌ها داشته باشند. اما از طرف دیگر، ممکن است کاربران خواستار سطوح متفاوتی از تنوع در توصیه‌های دریافتی باشند. به همین دلیل، در این پژوهش پیشنهاد می‌گردد که تنوع‌بخشی به توصیه‌ها به صورت شخصی‌سازی‌شده و متناسب با نیاز هر کاربر انجام شود. برای این منظور، یک الگوریتم توصیه‌‌گر ارائه می‌گردد که در آن برای مقابله با مشکل عدم توصیه‌ اقلام دنباله طولانی، تنوع‌بخشی در توصیه‌ها با استفاده از بهینه‌سازی چندهدفه، شخصی‌سازی می‌شود. ارزیابی و مقایسه‌ی روش پیشنهادی با روش‌های پیشین نشان می‌دهد که این روش بهینه‌سازی چندهدفه، اهداف خود را به خوبی برآورده می‌کند؛ به این صورت که به مشارکت بیشتر اقلام دنباله طولانی کمک می‌کند و دقت سیستم توصیه‌گر را همزمان با شخصی‌سازی تنوع در حد مطلوبی حفظ می‌کند.

صرع شایع‌ترین اختلال عصبی است که افراد زیادی در سراسر جهان به آن مبتلا هستند. تشنج‌های مکرر و ناگهانی ناشی از صرع خطرناک هستند و ممکن است زندگی فرد را تهدید کنند، به همین دلیل پیاده‌سازی سیستم‌هایی که بتوانند وقوع تشنج را قبل از روی دادن آن پیش‌بینی کنند به بیماران صرعی کمک شایانی خواهد کرد. جهت تشخیص تشنج صرع، تجزیه و تحلیل الگوهای سیگنال EEG (Electroencephalogram) رویکردی بدون مداخله است. برای این تجزیه و تحلیل به منظور استخراج یک سری ویژگی از سیگنال EEG و بکارگیری در سیستم‌های خودکار پیش‌بینی تشنج، روش‌های مختلفی وجود دارد. در این مقاله تمرکز آزمایش‌ها بر روی آن است که آیا مجموعه ویژگی‌های انتروپی طیفی، بعد فراکتال هایوچی، مدل رگرسیو خودکار، و قدرت باند که در تشخیص بیماری اسکیزوفرنی صحت خوبی داشته‌اند (در کنار ویژگی‌های ساده‌ای مثل واریانس و ضریب همبستگی) در پیش بینی وقوع تشنج صرع هم خوب عمل می‌کنند؟ در این تحقیق به جای استفاده از مجموعه داده‌های مرسوم دانشگاه‌های بُن و فرایبورگ، از مجموعه جدیدتر در سایت کگل استفاده شده است. آزمایش‌ها نشان دادند که این ویژگی‌ها در شناسایی حمله صرع موثر بوده و بالاخص به صورت مجزا، ویژگی رگرسیو خودکار و در ترکیبات دوتایی، ترکیب رگرسیو خودکار با قدرت باند، و در ترکیبات سه تایی نیز ترکیب رگرسیو خودکار، قدرت باند و ضریب همبستگی بهترین نتایج را می‌دهند اما افزودن دیگر مجموعه ویژگی‌های فوق به این سه مجموعه سازگار نبوده و باعث کاهش صحت تشخیص می‌شوند.

تعداد زيادی پروتکل کنترل دسترسی رسانه ، با هدف بهره‌وری انرژی در شبکه‌های حسگر بیسیم، ارائه شده است. بــرخی از این پروتکل‌هـا که با عنوان Cross Layer MAC شناخته می شوند از همکاری لايه‌ی شبکه یا لايه‌ی فيزيکی به منظور کاهش اتلاف انرژی بهره می‌برند. يکی از مشکلات استفاده از آنتن همه‌جهته، اتلاف انرژی جهت ارسال سیگنال به نقاط غیر‌ضروری و همچنین اشغال شدن بی‌مورد فضای پوشش است. عدم انطباق زاویه بین آنتن‌های جهت‌دار نیز مانع رسیدن به بهره‌وری مناسب از نظر مصرف انرژی است. در اين تحقیق، يک پروتکل Cross Layer MAC با استفاده از همکاری زیر لایه کنترل دسترسی رسانه، و لایه های شبکه و فيزيکی با هدف کاهش مصرف انرژی معرفی شده است. در پروتکل پيشنهادی، علاوه بر استفاده از اطلاعات مسیریابی لایه‌ی شبکه، از دو نوع آنتن همه‌جهته و جهت‌دار هوشمند نیز در لایه‌ی فیزیکی بهره برده می‌شود. پیاده‌سازی پروتکل در محیط شبیه‌سازی NS-2 ، و مقایسه‌ی نتایج شبیه‌سازی با پروتکل‌های مشابه، نشان داده است که پروتکل پیشنهادی به میزان 44% و 14% به ترتیب نسبت به S-MAC و DW-MAC مصرف انرژی کمتری داشته است.

پیشرفت‌ها در رایانش و شبکه، قابلیت‌های جدیدی را به سیستم‌های فیزیکی فراهم کرده است که پیش از آن، این قابلیت‌ها به طور عملی قابل افزودن نبودند. این امر منجر به ظهور سیستم‌های مهندسی به نام سیستم‌های سایبر- فیزیکی شد. این سیستم‌ها، دامنه‌های سایبری (شامل مؤلفه‌های شبکه و سرورها) و فیزیکی (شامل حسگرها و محرک‌ها) را با هم تلفیق می‌کند. در این سیستم‌ها، روش‌های صوری کشف نفوذ، هر نمونه داده را به صورت مستقل مورد تحلیل قرار می‌دهند و از مهمترین خصوصیت این نمونه‌های داده‌ (ترتیبی بودن) صرف نظر می‌کنند. اغلب ناهنجاری‌ها را تنها با تحلیل دنباله‌ای از نمونه‌های داده می‌توان کشف کرد. ماهیت سری‌های زمانی وابسته بودن مشاهدات آن‌ها است. بنابراین تحلیل سری‌های زمانی به منظور کشف ناهنجاری در دنباله‌ای از داده‌ها، راه‌حل مناسبی است. روش ارائه شده در این مقاله به این صورت است که ابتدا داده‌ها را از طریق حسگرها جمع‌آوری کرده، سپس مجموعه داده‌های آموزش را مدل کرده و رفتار آینده سیستم را پیش‌بینی می‌کنیم. در نهایت با مدل کردن مجموعه داده‌های آزمون و با مقایسه این مجموعه داده با رفتار پیش‌بینی شده می‌توان ناهنجاری‌ها را شناسایی کرد. نتایج نشان می‌دهد که این روش داری نرخ تشخیص درست بالا و نرخ تشخیص نادرست بسیار پایین است.

در دهه اخیر استفاده از مهندسی خط تولید نرم‌افزار در جهت توسعه محصول‌ها با هزینه پایین، کیفیت بالا و زمان مناسب ارائه به بازار، محبوبیت یافته است. فرایند مهندسی خط تولید نرم‌افزار، تفاوت‌های اساسی با نرم‌افزارهای تک محصول دارد و به همین دلیل در فعالیت‌هایی مانند تست نرم‌افزار نیز نمی‌توان از راهکارهای یکسانی برای هر دو این روش‌های توسعه استفاده کرد. در مهندسی خط تولید نرم‌افزار، فرایند تست می‌تواند بسیار هزینه‌بر باشد. پژوهش‌هایی که در جهت بهبود هزینه تست انجام شده است، اغلب برای تست سیستم بوده و کمتر بر تست یکپارچگی تاکید شده است. راه‌حل‌های موجود برای تست یکپارچگی خط تولید نرم‌افزار، از مزایای مدل ویژگی برای اولویت‌بندی موردهای تست در جهت رسیدن به مصالحه بین کیفیت تست و هزینه صرف شده برای آن، استفاده نکرده‌اند. در این مقاله روشی ارائه شده است که با تأکید بر استفاده مجدد از فراورده‌های مهندسی دامنه در خط تولید نرم‌افزار و بر اساس اولویت‌بندی موردهای تست یکپارچگی عمل می‌کند. این روش در دو مرحله باعث کاهش تعداد موردهای تست می‌شود که تأثیر قابل توجهی در کاهش هزینه تست دارد و در ارزیابی تحلیلی، این موضوع ثابت شده است. همچنین روش مورد نظر بر روی مدل ویژگی یک سیستم مدیریت آموزشی اعمال شده است.

شبکه‌های حسگر بی‌سیم مجموعه‌ای از گره‌های حسگر کوچک هستند که هر یک از آن‌ها توانایی جمع‌آوری اطلاعات از محیط پیرامون خود و ارسال آن‌ها به یک ایستگاه پایه را دارند. یکی از عوامل موثر در بقای شبکه، محدود بودن انرژی موجود در این گره‌های حسگر می‌باشد. پروتکل‌های خوشه‌بندی یک رویکرد کارآمد برای تعدیل بار بین گره‌های حسگر و افزایش طول عمر شبکه هستند. با خوشه‌بندی داده‌های ارسالی، گره‌های درون خوشه توسط سرخوشه تجمیع شده و به ایستگاه پایه ارسال می‌شوند. با این حال، این پروتکل‌ها انتخاب مناسب‌ترین گره جهت سرگروه شدن را تضمین نمی‌نمایند. بدین منظور، در این مقاله یک الگوریتم جدید برمبنای الگوریتم‌های خوشه‌بندی و مسیریابی‌های چندگامه ارائه شده است. الگوریتم پیشنهادی با مکانیزمی خاص محیط شبکه حسگر را لایه‌بندی میکند و در هر لایه تعداد بهینه سرخوشه‌ها را مشخص کرده و سپس با استفاده از الگوریتم فراابتکاری PSO بهترین گره‌ها را برای سرخوشه شدن انتخاب می‌نماید. نتایج شبیه‌سازی الگوریتم پیشنهادی در محیط‌های مختلف با تعداد گره‌های متفاوت، نشان می‌دهد که الگوریتم پیشنهادی از نظر افزایش طول عمر شبکه نسبت به پروتکل‌های LEACH و ELEACH به طور میانگین حدود 40 درصد عملکرد بهتری داشته است.

شبکه‌های حسگر بی‌سیم مجموعه‌ای از گره‌های حسگر کوچک هستند که هر یک از آن‌ها توانایی جمع‌آوری اطلاعات از محیط پیرامون خود و ارسال آن‌ها به یک ایستگاه پایه را دارند. یکی از عوامل موثر در بقای شبکه، محدود بودن انرژی موجود در این گره‌های حسگر می‌باشد. پروتکل‌های خوشه‌بندی یک رویکرد کارآمد برای تعدیل بار بین گره‌های حسگر و افزایش طول عمر شبکه هستند. با خوشه‌بندی داده‌های ارسالی، گره‌های درون خوشه توسط سرخوشه تجمیع شده و به ایستگاه پایه ارسال می‌شوند. با این حال، این پروتکل‌ها انتخاب مناسب‌ترین گره جهت سرگروه شدن را تضمین نمی‌نمایند. بدین منظور، در این مقاله یک الگوریتم جدید برمبنای الگوریتم‌های خوشه‌بندی و مسیریابی‌های چندگامه ارائه شده است. الگوریتم پیشنهادی با مکانیزمی خاص محیط شبکه حسگر را لایه‌بندی میکند و در هر لایه تعداد بهینه سرخوشه‌ها را مشخص کرده و سپس با استفاده از الگوریتم فراابتکاری PSO بهترین گره‌ها را برای سرخوشه شدن انتخاب می‌نماید. نتایج شبیه‌سازی الگوریتم پیشنهادی در محیط‌های مختلف با تعداد گره‌های متفاوت، نشان می‌دهد که الگوریتم پیشنهادی از نظر افزایش طول عمر شبکه نسبت به پروتکل‌های LEACH و ELEACH به طور میانگین حدود 40 درصد عملکرد بهتری داشته است.

توسعه پایدار از جمله مفاهیمی است که در دهه اخیر موضوع بسیاری از مطالعات در حوزه های گوناگون قرار گرفته است.لزوم بکارگیری اهرم های اساسی توسعه پایدار در طراحی و تبیین خطی مشی راهبردی نهادهای تصمیم گیری در سطوح مختلف ،تجدید نظر ساختار شکنانه ای را در تعاریف معمول باعث گردیده است که این خود تبعات گوناگونی را به همراه داشته است.این امر بالاخص در تعاریف تسعه شهری نمود ویژه ای یافته است .به گونه ای که سرعت تغییرات در این حوزه به واسطه برخورداری از شاخصه های منحصر بفرد از شتاب بالایی بهره مند بوده است.شدت تاثیرات رویکرد فوق الذکر بحدی است که توفیق یا عدم توفیق در پیاده سازی مفاهیم توسعه پایدار در روند توسعه شهری به معیار غیر قابل انکاری در سنجش کیفیت یا قابلیت سکونت شهرها بدل گشته است.از این رهگذر شناخت دلایل توفیق تجارب موفق در کنار بررسی موانع پیش روبا رویکردی آسیب شناسانه از اهمیتی والا برخوردار می باشد.