انجمن کامپیوتر ایران

براي لحاظ کردن سطوح مختلف عدم قطعيت و ناسازگاري، در فرايند چک کردن مدل، از منطق¬هاي زماني چندمقداري استفاده شده است. منطق فازي نيز نوعي منطق چندمقداري نامتناهي و پيوسته است که در حوزه¬هاي مختلف کاربرد دارد. با ترکيب منطق¬هاي زماني با منطق فازي مي¬توان مفاهيم فازي را در حوزه چک کردن مدل، وارد کرد. برای وارسی خواص زمانی سیستمهای مرتبط با زمان حقیقی (پیوسته) مدل اتوماتای زمانی (TA) ایجاد و منطقی با نام TCTL روی آن تعریف شده است. در اين مقاله ضمن تعريف مدل اتوماتای زمانی فازی (FzTA)برای زمانهای حقیقی، جهت چک کردن خواص زماني روي اين مدل-ها، منطق FzTCTL را ارائه مي¬کنيم. نشان خواهیم داد که این مدل و منطق نسبت به مدل TAو منطق TCTL قوی تر و کامل تر است.

بررسي مدل يکي از مهمترين روشهاي درستي‌يابي سيستم‌هاست. يکي از مشکلات بررسي مدل¬، توليد فضاي حالت است و معمولاً به دليل بزرگ بودن فضاي حالت، مشکل انفجار حالت پيش مي‌آيد. دلیل انفجار فضای حالت، رشد نمایی اندازه فضای حالت با تعداد متغیرهای مدل است. از راهکارهاي غلبه بر اين مشکل، نگهداري فضاي حالت به صورت ضمني به جاي نگهداري صريح آنهاست. نگهداري فضاي حالت به صورت نمادين، هزينه ذخيره‌ و پردازش فضاي حالت را به مرتبه ذخيره‌سازي و پردازش گراف¬ها کاهش مي‌دهد.

اغلب محصولات ضد¬بدافزاری از روش¬های تشخیص مبتنی بر تطبیق امضاء باینری و تحلیل اکتشافی برای شناسایی بدافزارها استفاده می¬کنند.برای غلبه بر محصولات ضد¬بدافزاری،نوعی از تکنیک¬های مبهم¬سازیمطرح شده¬اند که با ایجادجهش در کد بدافزار،امضای آن را تغییر داده و نرخ تشخیص محصولات ضد¬بدافزاری را پایین می¬آورند. موتور دگردیسی ارائه شده در این مقاله،از تکنیک¬های مبهم¬سازی بهبودیافته و الگوریتم سنجش تشابه وزن¬دار پیشنهادی، برای ایجادجهش مدیریتشده در تولیدبدافزارو غلبه بر محصولات ضد¬بدافزاری،استفاده می¬کند.الگوریتم پیشنهادیبه صورت پویا میزان تشابه کد بدافزار را به برنامه¬های بی¬خطر محاسبه کرده و تغییراتی را حفظ می‌کند که میزان تشابهرا بین کد نسل جدید وکد برنامه¬های بی¬خطرافزایش داده و نسبت به بدافزار پایه کاهش دهد. موتور دگردیسی مورد بحث، با بکارگیری تکنیک¬های پیشنهادی و معماری مورد نظر، پیاده¬سازی شده و با استفاده از مجموعه کد اسمبلی تعدادی از بدافزارهای مشهور، مورد ارزیابی قرار گرفته است. نتایج بدست¬آمده موفقیت موتور دگردیسی ارائه شده را در غلبه بر محصولات ضدبدافزاری و همچنین کاهش تشابه معنی¬دار بین کد نسل¬های مختلف از بدافزار پایه، و نیز افزایش تشابهبین کد نسل¬های مختلف و برنامه¬های بی¬خطر،نشان می¬دهد.

شبکه هاي سيار موردي زير مجموعۀ مهمي از شبکه هاي بي سيم مي باشندکه بدون هيچ زيرساختار خاصي بر پا مي شوند و کاربردهای متنوعی نظیر جنگهاي نظامي، عمليات نجات در مناطق آسيب ديده و کنفرانسها دارند. از آنجا که عموماً گره¬ها در این نوع از شبکه ها متحرک هستند، مسالۀ بهینه سازی مصرف انرژی در این نوع از شبکه ها همواره مورد توجه بوده است. در این مقاله سعی شده است با اصلاح الگوریتم¬های مسیریابی در این شبکه ها بار ترافیکی تا حد امکان در کل شبکه توزیع شود تا با توزیع مصرف انرژی بین گره های مختلف از چندپاره شدن زودهنگام شبکه جلوگیری شود. برای این منظور یک الگوریتم مسیریابی چندمسیری بر اساس الگوریتم پایۀ AODV پیشنهاد شده است که در طول فرآیند کشف مسیر سعی در کشف و نگهداری چندین مسیر بین مبدا و مقصد دارد. در این الگوریتم که از ردۀ الگوریتم های گام به گام می باشد، توزیع بار ترافیکی در گره های میانی و به صورت توزیع شده صورت می¬گیرد. الگوریتم پیشنهادی با برخی از روش های موجود مقایسه شده است و نتایج شبیه سازی بهبود قابل توجهی در افزایش طول عمر شبکه در مقابل هزینه های تحمیل شده نشان می دهند.

ترکیب سرویس های وب در چند سال گذشته مورد توجه محققان زیادی قرار گرفته است. هنگامی که یک نیاز جدیدی برای کاربران ایجاد می¬شود، یک راه حل مناسب برای پاسخ به نیاز مربوطه ترکیب سرویس¬های موجود می¬باشد. در این مقاله یک سیستم جستجوی ترکیب سرویس¬های وب با نام CSTWSCارائه می¬شود. تاکنون روش¬های زیادی در رابطه با ترکیب سرویس-های وب مبتنی بر گراف انجام شده است. برخی از این روش¬ها، گراف را در حافظه و برخی دیگر در پایگاه داده ذخیره می¬کنند. روش پیشنهادی مانند روش پیشین با نام PSR ، گراف را در پایگاه داده ذخیره می¬کند اما در این مقاله سعی شده است که یک سیستم جستجوی ترکیب وب سرویس با کارایی بیشتری نسبت به PSR ارائه شود. در روش پیشنهادی پس از ذخیره گراف در پایگاه داده، تمامی مراحل پردازش داده¬ها و اعمال الگوریتم¬ها به منظور به دست آوردن یک ترکیب سرویس مناسب با استفاده از پرس وجو¬ها انجام می¬شود. نتایج حاصل از آزمایش¬ها نشان داد که روش پیشنهادی از نظر کارایی و حافظه بهتر از PSR است.

مسائل و مشکلات بهینه¬سازی عملی، غالباً با عدم قطعیت مواجه هستند که از این میان تعداد قابل توجهی از آنها متعلق به مشکل بهینه¬سازی محیط¬های پویاست، که در آن بهینه با زمان تغییر می¬کند. در این مقاله، روش جدیدی که الهام گرفته از تبادل فرهنگ مابین جوامع متمدن است، با نام سیاست تبادل فرهنگی پیشنهاد شده است. این سیاست همراه با بهینه¬سازی دسته¬جمعی ذرات که به صورت چند جمعیتی ارائه شده است،برای ایجاد تنوع در جمعیت و قرار¬گیری سریع جمعیت برروی بهینه، بعد از تغییر محیط به کار می¬رود.این سیاست با استفاده از دانش پیشنهادی در فضای باور با عنوان دانش تبادل اعمال می¬شود. ارزيابی اين روش پيشنهادی بر روی معيار قله‌های متحرک و مقايسه نتايج آن با نتايج حاصل از چندين الگوريتم معتبر نشان از کارايی خوب اين روش نسبت به الگوريتم mQSO و ساير الگوريتم‌ها دارد.

پروتکل ايجاد نشست (SIP) پروتکل اصلي لايه کنترل در شبکه‌هاي نسل آينده و سرويس‌هاي چندرسانه‌اي است. پيچيدگي ذاتي و ساختار مبتني بر متن اين پروتکل سبب شده است که مشکلات امنيتي متعددي از اين پروتکل در موجوديت‌هاي مختلف سرويس‌هاي مبتني بر SIP گزارش شود. هر چند آسيب‌پذيري‌ها و حملات متعددي بر روي اين پروتکل گزارش شده است اما عدم وجود يک چارچوب کشف آسيب‌پذيري براي اين پروتکل سبب شده است که امکان ارزيابي امنيتي و مقايسه موجوديت‌هاي مختلف معماري‌هاي مبتني بر SIP وجود نداشته باشد. از اين رو در اين مقاله، يک چارچوب امنيتي براي کشف آسيب‌پذيري‌هاي موجوديت‌هاي SIP موجود در شبکه ارائه شده است. چارچوب پيشنهادي با تکيه بر آسيب‌پذيري‌هاي گزارش شده از پروتکل SIP به بررسي امنيتي موجوديت‌هاي اصلي مبتني بر آن مانند پروکسي سرورهاي SIP مي‌پردازد. سيستم پيشنهادي با بکارگيري گام‌هاي انجام تست نفوذ در شبکه‌هاي عمومي، چارچوبي را براي ارزيابي امنيتي مولفه‌هاي مبتني بر SIP ارائه کرده است. مهمترين مشخصه چارچوب پيشنهادي قابليت انعطاف و توسعه آن است که مي‌توان از آن براي شناسايي انواع آسيب‌پذيري‌هاي SIP به صورت غير مخرب استفاده کرد. ارزيابي چارچوب پيشنهادي با تعريف معيارهايي براي سنجش کارايي و بر روي يک بستر آزمايشگاهي واقعي انجام شده است.

یادگیری نیمه نظارتی یکی از رهیافت های جدید یادگیری ماشین می باشد که در این رهیافت، با استفاده همزمان از داده های برچسب دار و بدون برچسب فرایند یادگیری صورت می پذیرد. با توجه به اینکه تهیه داده بدون برچسب بسیار کم هزینه می باشد، مجموعه داده های یادگیری نیمه نظارتی بسیار بزرگ می باشند و کارایی محاسباتی الگوریتم از اهمیت بالایی برخوردار است. در اين مقاله، روشی نوین برای یادگیری سریع SVM نیمه نظارتی ارایه می شود که از تقریب کم رتبه ماتریس هسین در روش نیوتن استفاده می کند. روش ارایه شده در هر تکرار بهینه سازی نیوتن ماتریس پر رتبه هسین را توسط الگوریتم فاکتور گیری چولسکی ناکامل (ICF) به یک ماتریس کم رتبه تقریب زده می شود و فاکتور چولسکی هسین تقریب زده شده حساب می شود. سپس با استفاده از روش جایگذاری رو به جلو دستگاه معادلات نیوتن حل می شود. که مرتبه محاسباتی از O(n^3) بهO(〖n_sv d〗^2) کاهش می یابد که n تعداد نمونه ها، n_sv تعداد بردار پشتیبان ها و d رتبه هِسیَن تقریب زده شده می باشد و 〖d≪n〗_sv^ ≪n . آزمایش ها بر روی مجموعه داده های واقعی کارایی الگوریتم ارایه شده را تصدیق می کند.

در این مقاله روشی ارائه می‌گردد که با استفاده از روش بدون نظارت افعال اعم از ساده و مرکب را در جملات یک پیکره تشخیص می‌دهد. افعال اصلی جمله با استفاده از برچسب نحوی کلمات و ریشه‌یاب مشخص می‌شوند. منظور از افعال اصلی، افعال ساده و افعال سبک هستند. سپس برای پیدا کردن فعل جمله که می‌تواند ساده یا مرکب باشد، به دنبال کلمات کاندید می‌گردیم. کلمات کاندید کلماتی هستند که می‌توانند به عنوان جزء غیرفعلی فعل اصلی درنظر گرفته شوند. سپس با استفاده از ویژگی‌ها و قواعد از پیش تعریف شده، یک معادله‌ی امتیازدهی تعریف می‌شود. این ویژگی‌ها و قواعد از یکی از پیکره‌های معروف و پرکاربرد زبان فارسی به نام پیکره بیجن‌خان به‌دست آمده است. پس از تعریف معادله‌ی امتیازدهی، امتیاز هر یک از کلمات کاندید به‌دست می‌آید و در نهایت اگر بیش‌ترین امتیاز به‌دست آمده بیشتر از حد آستانه از پیش تعریف شده باشد، کلمه‌ی کاندید دارای بیش‌ترین امتیاز، به عنوان جزء غیرفعلی منظور می‌شود و در غیر این صورت فعل اصلی به عنوان فعل ساده درنظر گرفته می‌شود. از محاسن روش پیشنهادی می‌توان به دقت بالای آن در مقایسه با سایر کارهای مشابه و تشخیص افعال کمکی وابسته به افعال اصلی اشاره کرد.

در این مقاله روش موقعیت یابی و نقشه برداری به طور همزمان مبتنی بر یک فیلترترکیبی برای یک ربات متحرک جهت غلبه بر خطاهائی که ذاتا در موقعیت یابی و نقشه برداری به­طور همزمان مبتنی بر فیلترکالمن بی رد به ­دلیل فرآیند خطی سازی وجود دارد، ارائه دادیم. یک ربات متحرک به طور خودمختار محیط خود را توسط تفسیرش از صحنه ای که در آن قرار دارد، کاوش می کند سپس یک نقشه مرتبط با محیط می سازد و موقعیت خودش را نسبت به این نقشه پیدا می کند. فیلتر ترکیبی ارائه شده شامل یک سیستم استنتاج عصبی-فازی و فیلترکالمن بی رد می باشد، که فیلترکالمن بی رد سنگ بنائی برای برنامه های کاربردی موقعیت یابی و نقشه برداری به طور همزمان است. روش ارائه شده، براساس یک فیلتر ترکیبی، مزایائی در اداره رباتی با حرکت های غیرخطی به خاطر خصوصیت یادگیریی که در سیستم استنتاج عصبی-فازی وجود دارد، دارا می­باشد. نتایج شبیه سازی تاثیر الگوریتم ارائه شده در مقایسه با الگوریتم موقعیت یابی و نقشه برداری به­طور همزمان مبتنی بر فیلترکالمن بی رد نشان می دهد.

اخیرا فرمت ویدئوهای چند بعدی مبتنی بر عمق تصویر(MVD ) برای رندر صحنه های تلویزیون سه بعدی (3DTV) و تلویزیونهای با دید آزاد(FTV ) معرفی شده است. داشتن یک یا چندین نما،اطلاعات عمق آنها و همچنین تکنیکهای رندر بر اساس تصویر، توانایی ساختن نماهای میانی را به ما می دهند. بنابراین، فرمت MVD حجم بالایی از داده را تولید می کند که برای ذخیره سازی ویا انتقال نیاز به فشرده سازی دارد. این مقاله یک روش کدینگ پیشگویانه برای فشرده سازی عمق تصویر ویدئوهای چند بعدی مبتنی بر عمق تصویر بر اساس استاندارد H.264/MVC معرفی می کند. ساختار پیش بینی پیشنهاد شده از ترکیب دوساختار، تصاویر B سلسله مراتبی و پیش بینی inter-view بدست آمده است. تصاویر B سلسله مراتبی برای پیش بینی تصاویر غیر کلیدی و تصاویر کلیدی توسط روش inter-view پیش بینی شده‌اند. نتایج آزمایشات نشان می دهد که روش پیشنهادی بطور میانگین 88/44 درصد نرخ بیت را کاهش می دهد در حالی که کاهش PSNR برابر با 64/1 دسیبل برای چهار داده آزمایشی است.

در شبکه¬های بیسیم مش که از باتری به¬عنوان منبع انرژی استفاده می¬کنند، مسیریابی مسئله مهمی است. اگر ترافیک به¬طور مناسب روی مسیریاب¬ها توزیع نشود، باتری بعضی از گره¬ها ممکن است زودتر از بقیه تمام شود. در نتیجه طول عمر شبکه کاهش می¬یابد. لایه مک شبکه مش بیسیم را ایده آل فرض کردیم و همچنین طول عمر شبکه را زمانی¬که باتری اولین گره در شبکه تمام شود، تعریف کردیم. در این مقاله، الگوریتم جدیدی برای توزیع ترافیک با هدف افزایش طول عمر شبکه پیشنهاد دادیم. در این الگوریتم از متریک جدیدی برای محاسبه هزینه هر مسیر استفاده شده است. الگوریتم پیشنهادی به¬صورت دوره-ای بر هزینه مسیرها نظارت دارد و ترافیک هر مسیر را بر طبق نرخ مصرف انرژی تغییر می¬دهد. الگوریتم پیشنهادی را پیاده-سازی کردیم و نتایج به¬دست آمده برای طول عمر شبکه نشان دهنده آن است که کارایی بهتری از دیگر الگوریتم¬های مسیریابی معروف مانند الگوریتم حداقل انرژی کل (MTE) دارد. همچنین نتایج را با حالت بهینه مقایسه کردیم و مشاهده کردیم که نتایج حاصل از الگوریتم نزدیک به حالت بهینه است.

فشرده سازي داده بدلیل کاهش حجم داده تاثیر زیادي بر روي سرعت انتقال اطلاعات و نیز کاهش هزینه هاي نگهداري اطلاعات دارد. فشرده سازي داده را می توان به دو دسته فشرده سازي بااتلاف و بدون اتلاف تقسیم نمود. در فشرده سازي بااتلاف بخشی از داده ها از دست می رود. از این روش برای فشرده سازي داده هایی که انسان با آن ها سر و کار دارند، استفاده می شود مانند تصویر، ویدئو و صدا دیجیتال. اما در فشرده سازي بدون اتلاف، داده بازسازي شده با داده اصلی کاملا یکسان است. فشرده سازي بدون اتلاف داده بر اساس سه روش اصلی انجام می شود؛ روش هاي آماري، روش هاي مبتنی بر دیکشنري و روش هاي مبتنی بر پیش بینی. ما در این مقاله روش فشرده سازي بدون اتلاف داده مبتنی بر دیکشنري را انتخاب نموده ایم. در روش فشرده سازي مبتنی بر دیکشنري، یک لیست از عبارات یکتا در متن نگهداري شده و از طریق آن عبارات تکراري در متن کد می شوند. سه الگوریتم مختلف و ساختار داده متفاوت را براي این روش پیشنهاد داده ایم و نهایتا الگوریتم هاي پیشنهادي، پیاده سازي شده و با یکی از محبوب ترین روش هاي فشرده سازي مبتنی بر دیکشنري بنام LZW مقایسه شده اند. نتایج عملی روي مجموعه داده هایCalgary نشان داد که روش هاي پیشنهادي نرخ فشرده سازي را بهبود می بخشند.

Games are played by players with different strategies; a game could be frustrating or disappointing, if the level of difficulty does not match the player’s skills. In this paper we use Non-Player Characters (NPCs) to build a Self-Organizing System (SOS) for adjusting the level of difficulty in games. To this end, we apply Artificial Neural Network and Interactive Evolutionary Algorithms, and focus on player’s hidden responses. Our results demonstrate that the proposed SOS can adapt itself with different level of skills

در برنامه‌ريزي آينده يك سيستم قدرت، پيش‌بيني بار از اهميت ويژ ه‌اي برخوردار بوده و بايد ميزان خطاي آن تا حد امكان كاهش يابد. دقت نتايج اين پيش‌بيني بر هزينه توليد و همچنين ميزان خاموشي در سيستم قدرت تأثيرگذار مي باشد. در ایران بدلیل وجود دو تقویم شمسی و قمری در موارد خاصی همچون روزهای بین تعطیل، تعطیلی‌های پیاپی بار مصرفی متفاوت دارند به همین دلیل، توزیع بار اغلب دارای خطای زیاد خواهد بود. با توجه به حساس بودن پیش‌بینی بار استفاده از ابزاری مانند سری‌زمانی برای افزایش دقت و بهبود خطا مناسب است. انتخاب مناسب بردار ورودی برای سری زمانی از اهمیت بالایی برخوردار است، در این مقاله مدلی برای پیش‌بینی بار کوتاه مدت به کمک سری زمانی و آموزش شبکه عصبی توسط بیزین ارائه شد. این مدل پیشنهادی در مقایسه با سایر روش‌های مختلف تجزیه و تحلیل سری‌های زمانی از جمله AR، ARMA ، ARIMA ،GARCH دقت پيش‌بيني را تا حد زيادي بهبود بخشد.

در اين مقاله، یک الگوریتم افزایشی بر مبنای فاکتورگیری نامنفی ماتریس به‌منظور حاشیه‌نویسی چندبرچسبی تصویر به صورت نیمه‌نظارتی پیشنهاد شده است. الگوریتم پیشنهادی، با استفاده از روش فاکتورگیری افزایشی نامنفی ماتریس به-جای روش عادی فاکتورگیری نامنفی ماتریس، می‌تواند یک زیرفضای مبتنی بر بخش را به صورت خطی در یک شمای برخط یاد بگیرد. این روش افزایشی قابلیت کاهش بُعد فاکتورگیری نامنفی ماتریس را بدون افزایش بار محاسباتی حفظ کرده و همچنین پیچیدگی مکانی را بدون مقیم کردن داده‌ی ورودی جدید در حافظه، ثابت نگه می‌دارد؛ بنابراین می‌توان به کمک این روش مجموعه داده‌های بزرگ را نیز حاشیه‌نویسی کرد. نتایج آزمایشات بر روی سه مجموعه داده‌ی استاندارد نشان می‌دهد که روش پیشنهادی دقت حاشیه‌نویسی را بهبود بخشیده و مهم‌تر از آن پیچیدگی زمانی را مستقل از تعداد نمونه‌ها کاهش داده است.

در اين مقاله، ما یک مدل را در جهت اندازه‌گیری میزان شباهت دو جمله در ترجمه ماشینی مبتنی بر مثال ارائه کرده‌ایم. در مدل ارائه شده از الگوریتم ژنتیک و یک تابع برازندگی جدید که مبتنی بر بار معنایی منطبق شده بین دو جمله می‌باشد استفاده گردیده است. ما فعل‌ها را به عنوان قلب یک جمله در نظر گرفته‌ایم چون بخش اساسی یک جمله بشمار می‌آیند و مقادیر زیادی از بار معنایی جمله را حمل می‌کنند. بنابراین ما در تابع برازندگی ارائه شده توجه بیشتر خود را بر روی افعال جمله قرار داده‌ایم. این نکته قابل توجه است که مدل ارائه شده دارای وابستگی زیادی به بخش گفتاری و مترادف-های کلمات استخراج شده از وردنت و همچنین ترتیب کلمات دارد. نتایج بدست آمده از آزمایشات انجام شده بر روی دو پیکره (مجموعه مثال) نشان می‌دهد که الگوریتم ارائه شده، کیفت تطابق جملات را در ترجمه ماشینی مبتنی بر مثال بهبود بخشیده است و ما به میانگین دقت 79.5 درصد در آزمایشات انجام شده یر روی پیکره‌ها رسیده‌ایم.

افزایش فرکانس کاری و توان مصرفی بالای پردازنده‌‌های مدرن باعث ایجاد دمای بسیار بالایی در سطح تراشه ‌می‌شود. این دمای بالا برروی قابلیت اطمینان سیستم، هزینه‌‌ی خنک ‌کنندگی و عمر قطعه‌‌ی سخت ‌افزاری تاثیر منفی می‌‌گذارد. برای رفع بحران دمایی، تکنیک‌‌های مدیریت حرارتی پویا (در زمان اجرا) و ایستا (در زمان طراحی و کامپایل) ارائه شده‌‌اند. در تکنیک‌های پویا که در زمان اجرا سعی در رفع بحران دمایی می‌‌کنند، یکی از اساسی ترین نیازمندی‌‌ها، دستیابی به دمای هسته است. برای بدست آوردن دمای هسته می‌‌توان از حسگرهای حرارتی روی تراشه استفاده کرد و نیز می ‌توان از شمارنده‌‌های کارایی بهره برد. استفاده از حسگرها برای بدست آوردن دما ممکن است ایده آل بنظربرسد، اما محدودیت ‌هایی دارد از جمله: محدودیت زمانی یک ثانیه‌‌ای خواندن مقادیر حسگرها و هزینه‌‌ی پیاده ‌سازی بالای این حسگرها. دراین مطالعه سعی می‌‌کنیم روش‌‌های جدیدی برای «تخمین دمای هسته در یک ثانیه بعد با استفاده از شمارنده‌‌های کارایی» ارائه کنیم. براساس نتایج بدست‌ آمده توانسته‌ایم میانگین قدرمطلق خطا را 76% بهبود دهیم.

زمانبندی وظایف یکی از مهمترین چالش‌های سیستم‌های رایانش ابری است. به دلیل محدودیت‌ها و ناهمگن بودن منابع، مسأله زمانبندی جزء مسائل NP-Complete می‌باشد. یک روش زمانبندی مناسب، در کاهش زمان اجرای وظایف و بهره‌وری منابع بسیار تاثیرگذار است. تاکنون از روش‌های بسیاری مانند Min-Min، Max-Min و الگوریتم‌های فرامکاشفه‌ای مانند GA و PSO برای زمانبندی وظایف در محیط ابر استفاده شده است. در الگوریتم‌های مختلف ارائه شده برای زمانبندی وظایف در محیط ابر در بیشتر موارد، خصوصیات منابع مانند پهنای باند، به عنوان پارامتر موثر در تولید جواب نهایی در نظر گرفته نشده‌ است. در این مقاله برای دستیابی به یک توازن بار مناسب و افزایش بهره‌وری منابع، از تابع هزینه جدیدی برای محاسبه زمان اجرای وظایف بر روی منابع موجود در محیط ابر استفاده می‌کنیم. در این تابع هزینه، پارامتر پهنای باند منابع نیز به عنوان معیار موثر در تولید جواب نهایی در نظر گرفته می‌شود. برای دستیابی به پاسخ بهینه نیز، نسخه بهبود یافته الگوریتم رقابت استعماری جهت نگاشت مجموعه وظایف به منابع موجود در محیط ابر ارائه گردیده است. هدف این الگوریتم استفاده از توانایی‌های الگوریتم رقابت استعماری با توجه به سرعت مناسب آن در یافتن پاسخ بهینه است. همچنین به منظور افزایش قابلیت پویش و جلوگیری از همگرایی سریع الگوریتم به بهینه محلی از فرآیندی مشابه با بازترکیب یکنواخت در بخش سیاست جذب(همگونسازی) استفاده شده است. نتایج پیاده‌سازی مسأله و مقایسه آن با الگوریتم‌های ژنتیک و PSO، نشان‌دهنده دستیابی به زمانبندی بهتر وظایف می‌باشد.

این مقاله دربردارنده‌ی نتایج تحقیقات و اندازه‌گیری عملی خدمات ارائه‌شده‌ی شرکت تحویل محتوای آکامای است که توسط نویسندگان مقاله عرضه می‌شود. این شرکت در حوزه‌ی تحویل محتوا پیشتاز بوده و بالاترین سهم را در بازار دارد. اندازه‌گیری‌های انجام شده با هدف درک کارایی از نقطه نظر کاربران ایرانی صورت گرفته است. آزمایشات در تابستان 92 انجام شده و دوره‌ی اندازه‌گیری شامل اندازه‌گیری‌های روزانه در فواصل زمانی دو ساعته بوده است. از آنجایی‌که برخی کاربران با استفاده از آدرس IP غیر ایرانی (استفاده از VPN) اقدام به دریافت محتوا می‌نمایند، اندازه‌گیری‌ها در دو حالت بدون VPN و با استفاده از VPN نیزانجام شده است. نتایج حاصل از اندازه‌گیری بسیار جالب و قابل تامل می‌باشد مثلاً بهترین زمان دریافت فایل در بازه‌ی زمانی 10 صبح تا 12 ظهر به زمان استاندارد ایران برآورد شده است. نتیجه‌ی جالب دیگر بالا بودن زمان پاسخ در طول ساعات شبانه‌روز است که مؤید غیر بهینه عمل کردن مولفه‌ی "مسیریابی درخواست‌ها" در آکامای است. امید است چنان‌چه سرویس تحویل متحوا در ایران برقرار گردد، نتایج این پژوهش به مهندسی کارایی آن کمک موثر نماید.