با رشد سریع علم و فناوری اطلاعات، ارتباطات و اینترنت اشیا، مفهوم شهر هوشمند اخیرا توسط دولت‌های بسیاری برای بهبود محیط زندگی شهری بسیار مورد توجه قرار گرفته است و یکی از تکنولوژی‌هایی که بسیار مورد استفاده قرار می‌گیرد شبکه‌های موردی بین خودرویی است. امنیت و کارایی دو مقوله بسیار مهمی هستند که در اکثر کاربردهای مورد نظر برای شبکه‌های موردی بین خودرویی باید مد نظر قرار بگیرند. درحوزه امنیت، مسائلی نظیر محرمانگی، حفظ حریم خصوصی و احراز اصالت گره‌های شبکه مورد توجه است. برای دست‌یابی به عملکرد بهتر و کاهش پیچیدگی محاسباتی، طراحی یک طرح احراز اصالت کارامد که ضمن حفظ حریم شخصی گره، در برابر حملات مختلف امنیت لازم را داشته باشد یک چالش اساسی است و در سال‌های اخیر طرح‌های بسیاری به این منظور پیشنهاد شده است که ما در این مقاله یکی از جدیدترین طرح این حوزه یعنی طرح PW-CPPA-GKA را مورد بررسی قرار داده و نشان می‌دهیم که این طرح در مقابل حملاتی مانند بدست آوردن کلید گروهی، محاسبه کلید گروهی جدید و همچنین امکان اتصال‌پذیری آسیب پذیر است و در این طرح مبتنی بر کلید گروهی مهاجم می‌تواند کلید گروهی را بدست آورده و حریم خصوصی، امنیت پیشرو و قابلیت اتصال پذیری در شبکه نقص کرده و جعل هویت گره‌های مجاز در شبکه را انجام دهد.

مقوله پیش‌بینی روند بورس از دیرباز مورد توجه دانشمندان و فعالان این حوزه بوده است. از جهات مختلف کارهای بسیار زیادی در این زمینه صورت گرفته است. یکی از وجوهی که به دلایل مختلف، کمتر مورد توجه بوده پیش‌بینی اقبال عمومی افراد به خرید نمادهای بورسی با استفاده از داده‌های موجود برخط است. کاوش در این زمینه با توجه به اهمیت موضوع برای تهیه یک سبد مناسب بسیار ارزشمند و مفید است. رشد علم و فناوری پردازشی طی سالیان گذشته، راه را برای کاوش بیشتر هموار کرده است. با این وجود انجام کارهایی در این زمینه برای زبان فارسی مورد کم توجهی گرفته است. در این مقاله یک سیستم جدید پیشنهاد‌دهی خرید سبد بورسی با استفاده از داده‌های قابل دسترسی از پیام‌رسان تلگرام ارائه شده است. این سیستم مبتنی بر تحلیل احساسات کاربران با استفاده از الگوریتم lr{ word2vec } و به کمک لغت نامه و سپس پیش‌بینی روند رشد نماد‌های بورسی عمل‌ می‌کند. موفقیت‌های به دست آمده در کاوش نظرات کاربران به منظور پیشنهاد‌دهی سبد بورسی و رشد نماد‌های پیشنهاد داده شده دلگرم‌کننده است. نتایج به دست آمده حاکی از آن است که این سیستم می‌تواند به عنوان ابزاری مناسب جهت پیشنهاد‌دهی سبد خرید بورسی باشد.

ارزیابی از خود و همتا، موجب ترغیب یادگیرندگان برای شرکت مسئولانه در فرآیند یادگیری می‌شود. در این مقاله به بررسی ارتباط بین میزان دقت ارزیابی از خود و همتا از یک طرف و ابعاد شخصیتی نئو یادگیرندگان پرداخته می‌شود. برای این منظور داده‌های مربوط به ارزیابی یادگیرنده از خود و از همتا و نیز ابعاد شخصیتی از یک محیط یادگیری مشارکتی ترکیبی استخراج و با استفاده از آزمون خی دو، ارتباط مورد بررسی قرار می‌گیرد. در قسمتی دیگر از تحقیق ارتباط میان میزان آشنایی بین یادگیرنده و همتا و دقت ارزیابی وی از همتا مورد بررسی قرار می‌گیرد. نتایج نشان می‌دهد که با آشنایی بیشتر یادگیرنده از همتا، ارزیابی ارائه شده نیز دقت بیشتری دارد. نتایج این مقاله میتواند در هر سیستم مبتنی بر یادگیری مشارکتی به منظور بررسی دقتِ ارزیابی همتا که توسط یادگیرنده ارائه شده مورد استفاده قرار گیرد.

ارتقای کیفیت فرآیندهای آموزشی برخط به ویژه به دلیل فراگیری آن در شرایط کنونی شیوع بیماری کرونا، از اهمیت ویژه برخوردار است. اکنون رایج‌ترین بهبودها در آموزش تحت وب، از طریق کشف الگوهای نهفته در فرآیند انتخاب دروس و انتخاب منابع درسی، با استفاده از روش‌های داده‌کاوی انجام می‌پذیرد. این در حالی است که الگوریتم‌های تحلیل شبکه مانند پیشگویی پیوند نیز می‌توانند برای این مهم به کار گرفته شوند. در این مقاله ابتدا داده‌های بایگانی از دو مجموعه داده آموزشی Moodle و OULAD ، پیش‌پردازش و به شبکه دوبخشی، تبدیل شد، سپس الگوریتم‌های رایج پایه پیشگویی پیوند مبتنی بر مجاورت (ضریب جاکارد، همسایگان مشترک، آدامیک/آدار و تقدم الحاقی) برای آن شبکه‌ها پیاده‌سازی گردید و به وسیله دو معیار دقت و مساحت زیر منحنی، مورد ارزیابی قرار گرفت. آزمایشات نشان میدهد که الگوریتم تقدم الحاقی در پیش‌بینی اخذ درس و ضریب جاکارد در اخذ منبع درسی، بهترین عملکرد را داشتند. این تفاوت در نتایج، به دلیل متفاوت بودن ویژگی‌های شبکه‌های مورد بررسی است. زمینه‌های متعدد خوش‌آتیه‌ای در این رابطه برای کارهای آتی وجود دارد.

با توجه به تولید حجم بسیار زیاد داده‌های سازمانی که توسط افراد و رایانه‌ها تولید و جمع آوری و ذخیره می‌شوند، استخراج الگوهای خاص و دانش از این داده‌ها از چالش‌های پیشروی سازمان‌ها می‌باشد. چرا که داده‌های حجیم، متنوع که با سرعت بالایی تولید می‌شوند در نهان خود الگوهای نهفته‌ای دارند که می‌تواند در تصمیم‌سازی مدیران ارشد سازمان‌ها موثر باشد. ازجمله این الگوها می‌توان به اندازهگیری و مدیریت ریسک اعتباری و مالی در سازمان‌ها و نهادها اشاره نمود. این مقاله تلاش دارد، تا با استفاده از داده‌کاوی و شبکه‌های مولد خصمانه مدلی را برای کاهش ریسک اعتباری سازمان‌های حمایتی ارائه دهد. از آنجاکه ویژگی‌های مشتریان این سازمان‌ها بطور اساسی، با مشتریان بنگاه‌های اقتصادی مانند بانک‌ها و موسسات مالی متفاوت است، ارائه مدلی که بتواند دقت ارائه تسهیلات و کاهش ریسک اعتباری به مشتریان (نیازمندان) را به کمترین میزان برساند امری حیاتی است. نتایج پیاده‌سازی بر روی داده‌های واقعی بر متقاضیان تسهیلات اشتغال کمیته امداد امام خمینی (ره) نشان داده است مدل پیشنهادی می‌تواند با دقت 86.4 درصد طبقه‌بندی پرداخت اعتبارات را انجام دهد که این میزان با استفاده از روش‌های پایه 72.1 درصد می‌باشد. لذا مدل جدید توانسته است به میزان 14.3 درصد ریسک اعتباری پرداخت تسهیلات را کاهش دهد.

جویبارسازی تطبیقی ​​امکان تطبیق نرخ بیت پویا با شرایط مختلف شبکه را فراهم می‌کند تا از کیفیت تجربه کاربران اطمینان حاصل کند. در این مقاله، یک الگوریتم تطبیق نرخ بیت ارائه شده است که نرخ بیت ویدیو را بر اساس سطح بافر پخش و پهنای باند برآورد شده تعیین می‌کند. روش پیشنهادی تغییرات ناگهانی و بزرگ را در سطح کیفیت کاهش می‌دهد و حداقل طول بافر از پیش تعریف شده را برای کاهش احتمال وقوع وقفه، حفظ می‌نماید. روش پیشنهادی در سناریوهای تک مشتری با روش های دیگر مقایسه شد. طبق آزمایشات در شرایط مختلف شبکه، روش پیشنهادی سطح کیفیت بالا همراه با تغییرات آرام‌تر در سطح کیفیت را در مقایسه با روش دیگر ارائه می‌دهد و با حفظ حداقل سطح بافر، تاحد امکان از ایجاد وقفه جلوگیری می‌نماید.

انتقال اطلاعات امن یکی از مهمترین دغدغه‌های علوم مخابرات و کامپیوتر است، که این موضوع منجر به تنوع ایجاد آلگوریتم‌های امن رمزنگاری در این زمینه شده است. از آنجا که الگوریتم‌های کوانتومی نسبت به مشابه کلاسیک خود امنیت بالاتری دارند، امروزه مورد توجه بیشتری از طرف علاقمندان این شاخه قرار گرفته‌اند. در این مقاله با ارایه الگوریتم اشتراک رمز کوانتومی با استفاده از توالی ماتریس‌های یکانی که نقش کلید اختصاصی هر یک از شرکت کننده‌ها را بازی می‌کند، توانستیم کلید کوانتومی را بین n شرکت‌کننده به صورت امن به اشتراک بگذاریم.

ایجاد آلگوریتم‌های امن رمزنگاری همیشه مورد توجه علوم مخابرات و کامپیوتر بوده است. امروزه آلگوریتم‌های رمزنگاری کوانتومی نسبت به نمونه‌های مشابه کلاسیکی خود از نظر ایجاد امنیت در اولویت قرار گرفته‌اند. رمز نگاری کوانتومی دارای زیرشاخه‌های متفاوتی است که یکی از آنها اشتراک رمز کوانتومی می‌باشد. در این مقاله با ارائه یک آلگوریتم جدید اشتراک رمز کوانتومی با استفاده از اتومات سلولی کوانتومی (QCA) توانستیم یک کلید کوانتومی بین n شرکت کننده به اشتراک بگذاریم، به طوریکه که هر t شرکت کننده از n شرکت کننده بتواند به کلید دسترسی پیدا کند. این پروتوکل نسبت به الگوریتم‌های مشابه کلاسیک خود، امنیت بالاتری دربرابر حمله بک شنودگر خارجی دارا می‌باشد.

اختلال (ناتوانی) یادگیری یکی از مشکلات مهم دانش‌آموزان و از مهم‌ترین دلایل ضعف درسی آن‌ها محسوب می‌شود. از این میان درصد قابل توجهی از دانش‌آموزان دارای اختلالات یادگیری، دچار اختلال در درس دیکته می‌باشند که در صورت بهبود نیافتن به‌موقع، در آینده تحصیلی دچار مشکلات زیادی می‌شوند. هدف از این پژوهش، پیاده‌سازی برنامه‌ای تحت ویندوز در جهت بهبود اختلالات دیکته‌نویسی دانش‌آموزان ابتدایی می‌باشد. این برنامه بر پایه تمرین‌های کتاب «درمان اختلالات دیکته نویسی» دکتر خواسته‌ شد که با این برنامه کار کنند و نظرات خود را از طریق پرسشنامه در اختیار محقق قرار دهند. نتایج حاکی از رضایت اغلب دانش‌آموزان در برقراری ارتباط با برنامه مذکور و سهولت در یادگیری کارکردن با آن بود. این نتایج نشان داد که برنامه از لحاظ پارامتر "قابلیت استفاده بودن" در حد قابل قبولی می‌باشد. بنابراین با توجه به نتایج تحقیقاتی که حاکی از موثر بودن روش‌های پیاده‌سازی شده در بهبود عملکرد دانش‌آموزان می‌باشد امید است که این برنامه بتواند به عنوان یکی از قالب‌های مناسب برای انجام تمرین‌های بهبود اختلالات دیکته‌نویسی مورد استفاده قرار گیرد.

امروزه بررسی کد همکار در پروژه‌های متن‌باز و تجاری، به طور وسیعی استفاده می‌شود. این اصل با تشخیص زودهنگام عیوب کد و نقض استانداردهای کدنویسی در فازهای ابتدایی توسعه، به حفظ کیفیت کد کمک می‌کند. بر اساس مطالعات انجام شده، بخش قابل توجهی از نظرات غیر مفید هستند یعنی منجر به تغییر در کد نمی‌شوند و توسط توسعه‌دهنده نادیده گرفته می‌شوند. بنابراین وجود ابزاری که بتواند به صورت خودکار نظرات مفید را تشخیص دهد تا در زمان توسعه‌دهندگان صرفه‌جویی کند، احساس می‌شود. در این پژوهش ابتدا عوامل مؤثر بر کیفیت نظرات بررسی کد در دو دسته عوامل مربوط به تجربه توسعه‌دهنده و ویژگی‌های متنی نظرات استخراج شد. سپس با توجه به عدم وجود مجموعه داده مناسبی که شامل این عوامل باشد یک مجموعه داده جمع‌آوری شد. در مرحله بعد یک مدل پیش‌بینی‌کننده نظرات مفید با کمک الگوریتم XGBoost پیاده‌سازی و عملکرد آن با سایر کارهای انجام‌شده در این زمینه مقایسه شد. نتایج به‌دست‌ آمده نشان می‌دهد که روش پیشنهادی با در نظر گرفتن دو مجموعه داده مجزا و با توجه به معیارهای صحت، فراخوانی و امتیاز اف-وان حدود سه درصد و با توجه به معیار دقت حدود یک درصد نسبت به تنها روش موجود، بهتر عمل کرده است.

با گسترش اینترنت و افزایش استفاده از خرید آنلاین، تحلیل تعاملات کاربران با فروشگاه‌های آنلاین برای استخراج احساسات و الگوی رفتار آن‌ها مورد توجه پژوهشگران قرار گرفته است. تردید یکی از مواردی است که ممکن است کاربر در تعامل با یک فروشگاه آنلاین به آن دچار شود و در نتیجه از خرید خود صرف‌نظر کند. با شناسایی زودهنگام تردید مشتری می‌توان اقداماتی برای رفع تردید مشتری انجام داد و از رها کردن خرید توسط مشتری پیش‌گیری کرد و معیارهایی نظیر سودآوری فروشگاه و رضایت و وفاداری مشتریان را افزایش داد. در این پژوهش، مساله تشخیص تردید مشتریان فروشگاه آنلاین به صورت ضمنی و بدون مداخله مستقیم آنها درنظر گرفته شده است و برای شناسایی تردید مشتریان، تنها از تعاملات لمسی آنها با وب‌سایت استفاده می‌شود. برای این منظور، تعاملات لمسی مشتریان در وب‌سایت یک فروشگاه آنلاین به مدت شش ماه جمع‌آوری شد. سپس با استفاده از داده کاوی و یادگیری ماشین، مدل‌هایی برای پیش‌بینی تردید مشتریان استخراج شد. درخت تصمیم با صحت 034/85 درصد به‌عنوان مدل مناسب انتخاب شد و در وب‌سایت فروشگاه پیاده‌سازی شد. سپس مدل به صورت آنلاین و در تعامل با مشتریان نیز ارزیابی شد. نتایج نشان‌دهنده دقت بالای روش پیشنهادی برای تشخیص تردید مشتریان است.

شبکه‌های حسگر بی‌سیم متشکل از تعداد زیادی گرهِ حسگر هستند که با پایشِ داده‌های محیطی نظیر سنجش دما و تشخیص حرکت، داده‌های حاصل از این پایش را به یک ایستگاه مرکزی می‌فرستند. به دلیل ماهیتِ انتقالِ گام‌به‌گام داده در این‌گونه از شبکه‌ها، اگر تعدادی گره حسگر در شبکه به طور پیوسته به هر علتی اعم از اتمام انرژی، رخدادهای طبیعی، انفجار و .. از کار بی‌افتند، کارکردِ گره‌های سالمِ باقی‌مانده هم دچار مشکل شده و انتقال داده بین گره‌ها تا ایستگاه مرکزی غیر ممکن می‌شود. در این پژوهش به مسئله‌ی بازیابی ارتباطات در شبکه‌های حسگر بی‌سیم پرداخته شده و روشی نو مبتنی بر خوشه‌بندی سلسله‌ مراتبی برای بازیابیِ مجدد شبکه پس از رخداد خرابی ارائه شده است. در انتها داده‌ها و نتایجِ حاصل از ارزیابیِ کاراییِ روش ارائه شده در این پژوهش در مقایسه با دو الگوریتمِ مطرح در این حوزه ارائه شده‌ است. الگوریتم ارائه شده در این پژوهش به نام HACCR در معیارهای ارزیابی تعداد گره مورد نیاز برای بازیابی مجدد شبکه، مجموع کل مسافت طی شده و بیشترین مسافت طی شده به طور میانگین نسبت به الگوریتم GSR به میزان ۲۲.۲۶% و نسبت به الگوریتم DARDS به میزان ۴۳.۸۵% کارایی بهتر بر طبق داده‌های حاصل از شبیه‌سازی داشته است.

سرطان سینه شایع‌ترین سرطان در بین زنان می‌باشد. بسياری از موارد سرطان سینه تا رسيدن به مرحله پيشرفته تشخيص داده نمی‌شود. اين نتيجه با آمار تأسف‌بار زنده ماندن افراد مبتلا به سرطان سینه ارتباط دارد و برای تشخيص سريع سرطان سینه نیازمند به ابزاری می‌باشد که انجام ماموگرافی اين نياز را برآورده كرده است. با این‌ وجود، شناسایی سرطان سینه در مراحل ابتدایی می‌تواند نقش مهمی در کاهش بیماری و نرخ مرگ‌ و میر داشته باشد. روش‌های مختلفی جهت تشخیص سرطان سینه از روی تصاویر ماموگرافی پیشنهاد شده‌اند؛ اما هیچ‌ کدام از این روش‌ها نتوانسته‌اند تشخیص دقیقی از دو کلاس طبیعی/غیر‌طبیعی و خوش‌خیم /بدخیم ارائه دهند. در این مقاله، روشی خودکار مبتنی بر تبدیل موجی برای تشخیص توده‌های سرطان سینه در تصاویر ماموگرافی پرداخته شده که می‌تواند با دقت بالایی طبقه‌بندی و تخمین برای کلاس‌های طبیعی/غیر‌طبیعی و خوش‌خیم/بدخیم نسبت به سایر روش‌ها را انجام دهد. روش پیشنهادی با استفاده از نرم‌افزار متلب و با در نظر گرفتن تصاویر ماموگرافی استاندارد از پایگاه داده mini-MIAS پیاده‌سازی شده است.

در این مقاله هدف شناسایی فعالیت‌های روزمره انسان به طور خودکار می‌باشد و برای شناسایی اعمال انسان از سنسورهای عمق استفاده می‌کند. که می‌تواند در سیستم‌های جاسازی شده استفاده شود. روش پیشنهادی در این مقاله با استفاده از استخراج دو دسته از ویژگی‌ها از اطلاعات مفاصل کار خود را پیش می‌برد. اولین دسته ویژگی تصاویر تاریخچه حرکت از اسکلت دودویی و دیگری که پیشنهاد ما می‌باشد، فاصله نسبی مفاصل از پنج مفصل مرجع از اسکلت انسان در نظر گرفته شده است. سپس شناسایی اعمال با استفاده از شبکه 3D-DCNN فراهم می‌شود. با در نظر گرفتن مفصل ناحیه سر به عنوان مفصل مرجع پنجم توانستیم موفقیت بیشتری در اعمالی که توسط دست و در ناحیه سر انجام می‌شود مانند آب خوردن و مسواک زدن و اعمالی که مفاصل ناحیه دست نسبت به مفصل ناحیه سر در موقعیت‌های متفاوت‌تری قرار می‌گیرد مانند پرتاب کردن و هل دادن یا برداشتن کسب نماییم. تمامی آموزش‌ها و آزمایشات با استفاده از مجموعه داده‌های UTKinect و CAD60 انجام شده است که منجر به نرخ صحت بالاتری نسیت به دیگر همتایان خود شد. دیتاست CAD60 شامل اعمالی است که در ناحیه سر انجام می‌شود و مفاصل دست در آن نقش بیشتری دارند نرخ صحت ۲٪ افزایش یافت.

همواره یکی از معضلاتی که موفقیت یک ایده را تهدید می‌کند، طولانی شدن زمان مورد نیاز براي ورود محصول به بازار، به دلیل زمانبر بودن تولید سامانه‌های اطلاعاتی مورد نیاز می‌باشد؛ پلتفرم‌های توسعه‌ی کم کد، تولید سریع و تحویل برنامه‌های کاربردی تجاری را با حداقل نیاز به برنامه‌نویسی با استفاده از برنامه‌نویسی سنتی، ممکن می‌سازند و تلاش برای نصب و پیکربندی محیط‌ها و پیاده سازی را به حداقل می‌رسانند. با رشد سریع شرکت‌ها و سازمان‌ها، استفاده از پلتفرم‌های توسعه‌ی کم کد می‌تواند گامی مهم و ضروری در جهت ایجاد برنامه‌های کاربردی و تجاری باشد. در این مقاله، ضمن مروری بر پلتفرم‌های توسعه یکم کد و معرفی پلتفرم‌های توسعه‌ی کم کد و مبتنی بر زبان مدل‌سازی BPMN، به معرفی یک پلتفرم بومی به نام یوبی پراسس پرداخته و امکانات آن را در جهت خودکارسازی فرآیندهای کسب و کار، بررسی کرده و با یکی از معادل‌هاي غیر بومی آن، مقایسه مي‌کنیم و ویژگی‌هاي جدیدی را برای پلتفرم‌های توسعه‌ی کم کد و مبتنی بر فرآیندهای کسب و کار و متناسب با فناوری روز، معرفی می‌کنیم.

در سال‌های اخیر استفاده از مدلسازی شبکه‌ای به ابزاری برای شناسایی و تحلیل الگوهای پیچیده رفتاری در بسیاری از دامنه‌ها تبدیل شده است. یک مسئله نادیده گرفته شده در پیش‌بینی بازارهای مالی، داشتن مدلی است که همزمان از شبکه‌ی روابط سهام‌های مختلف و پیش‌بینی‌های مبتنی بر داده‌های گذشته‌ی بازار استفاده کند. برخلاف بسیاری از دامنه‌ها، استفاده از روش انتشار برچسب مبتنی بر شبکه در پیش‌بینی سری‌های زمانی مالی به علت نبود برچسب مورد توجه قرار نگرفته است. در این مقاله ساختار شبکه‌ای جدید برای مدلسازی روابط میان سهام‌های بازار و تاثیر بازده شان بر هم معرفی شده است و بر اساس این شبکه و با ترکیب پیش‌بینی مدل‌های کلاسیک، یک روش انتشار برچسب با استفاده از الگوریتم پیج رنک با بردار شخصی‌سازی طراحی شده است. در روش معرفی شده به نام LabelNet برچسب‌ها به کمک الگوریتم‌های یادگیری نظارت شده از داده‌های گذشته سهم، برای انتشار در شبکه استخراج می‌شوند و با استفاده از انتشار برچسب پیش‌بینی نهایی انجام می‌شود. در نهایت، ارزیابی‌های ما بر روی داده‌های بازار سهام تهران نشان می‌دهد مدل معرفی شده نسبت به مدل‌های رقیب، دقت بالاتری را در پیش‌بینی حاصل کرده است.

رایانش مه یک مفهوم محاسباتی توزیع‌شده است که به‌عنوان یک لایه میانی بین مراکز داده ابر و دستگاه‌های اینترنت اشیا عمل می‌کند و یکی از اهداف آن کاهش زمان پاسخ درخواست‌های ارسال شده توسط کابران است. رایانش مه با چالش‌های فراوانی روبرو است که یکی از مهم‌ترین آنها زمان‌بندی وظایف می‌باشد. در این مقاله روشی کارا برای زمان‌بندی وظایف مهلت‌آگاه در رایانش مه پیشنهاد می‌شود. در روش پیشنهادی گره‌های مه به صورت کلونی درنظرگرفته شده‌اند و با همکاری یکدیگر به درخواست‌ها پاسخ می‌دهند. همکاری گره‌های مه بر اساس تخمین زمان اتمام کار صورت می‌پذیرد، به طوری که هر درخواست به گرهی در کلونی که کمترین تخمین زمان اتمام کار را داشته باشد، ارسال می‌شود. همچنین برای زمان‌بندی درخواست‌ها از الگوریتم بخت‌آزمایی استفاده شده و توزیع بلیت درخواست‌ها بر اساس مهلت زمانی آنها انجام می‌شود. بدین صورت که به درخواست‌هایی که مهلت زمانی کمتری برای اجرا دارند با دادن بلیت بخت‌آزمایی بیشتر، اولویت داده می‌شود. نتایج آزمایشات انجام گرفته نشان می‌دهد که ترکیب همکاری گره‌های مه و الگوریتم بخت‌آزمایی برای زمان‌بندی وظایف در رایانش مه، باعث کاهش زمان پاسخ و افزایش نرخ پذیرش درخواست‌های کاربران می‌شود.

امروزه، استفاده از مجموعه داده‌های ابعاد بالا در تمام جنبه‌ها رشد چشمگیری پیدا کرده است. الگوریتم‌های سنتی، بدلیل درنظر نگرفتن ویژگی‌های مجموعه داده‌های ابعاد بالا برای گروه‌بندی این نوع داده‌ها کارامد نیستند. یکی از روش‌های مورد استفاده برای خوشه‌بندی داده‌های ابعاد بالا، استفاده از الگوریتم خوشه بندی زیرفضاست که از خوشه‌بندی مبتنی بر تراکم در ساختارش استفاده می‌کند. در خوشه‌بندی مبتنی بر تراکم، خوشه‌ها بعنوان واحدهای متراکم متصل بهم تعریف می‌شوند و بر اساس تراکم در جهت‌های مختلف رشد می‌کنند. اکثر الگوریتم‌های مبتنی بر تراکم، قادر به تفکیک تراکم سراسری یا محلی نیستند. در این مقاله، الگوریتمی معرفی شده است که قادر است مجموعه داده های با تراکم مختلف را خوشه‌بندی کند. این الگوریتم از ساختار درخت کادی و روش نزدیکترین همسایه‌ها و نزدیکترین همسایه‌های معکوس استفاده می‌کندکه موجب کاهش حجم حافظه برای ذخیره‌سازی و افزایش سرعت اجرای الگوریتم شده است.

امروزه با توسعه‌ی فناوری در حوزه‌ی پزشکی، الکتروانسفالوگرافی دامنه‌ی وسیعی از شرایط تشخیصی را در اختیار متخصصان قرار می‌دهد که کاربردهای بالینی فراوانی دارد. مدل‌سازی پیش‌بینی الکتروانسفالوگرام می‌تواند علاوه بر استخراج مفاهیم قابل توجه، برای اثبات تشخیص صرع بکار گرفته شود. در سال‌های اخیر، تجزیه و تحلیل‌های مبتنی بر پیش‌بینی نشان دادند که رویکردهای داده محور می‌توانند با ادغام مجموعه داده‌های بالینی و تکنیک‌های یادگیری ماشین، به عنوان یک سیستم واحد و هوشمند نتایج مراقب‌های بهداشتی را ارائه دهند. در این پژوهش یک روش جهت بهبود تشخیص تشنج صرعی از سایر حالت‌های ضبط شده توسط دستگاه الکتروانسفالوگرام ارائه شد. روش پیشنهادی با استفاده از قاب‌بندی داده‌های سری زمانی، محاسبه‌ی انحراف معیار از داده‌‌های درون قاب، انتخاب مهمترین ویژگی‌های توسط الگوریتم ریلیف و آستانه‌یابی الگوریتم ژنتیک، توانست بردار ویژگی را بهینه نماید. نتایج بدست آمده از طبقه‌بندی یادگیری عمیق با 6 لایه‌ی پیشنهادی نشان می‌دهد که روش پیشنهادی قادر است با دقت %۹۹.۴۰، حساسیت %۹۹.۲۵ و اختصاصیت %۱۰۰ تشنج صرعی را از سایر وضعیت‌های موجود روی مجموعه دادگان بیماران تشنج صرعی نسخه بازسازی شده دانشگاه بن آلمان افتراق دهد که در معیار دقت طبقه‌بندی به میزان %۱.۳ بهبود نسبت به الشرهان و همکاران نشان می‌دهد.

با افزایش روزافزون داده‌های گرافی، عدم قطعیت موجود در این داده‌ها بنا به دلایلی همچون خطا در روش‌های اندازه‌گیری و منابع اطلاعاتی مبهم امری انکارناپذیر است که این امر منجر به ظهور گراف‌های غیرقطعی شده است. خوشه‌بندی یکی از مهم‌‌ترین عملیات کاوش گراف‌های غیرقطعی است که هدف آن گروه‌بندی گره‌های مشابه در خوشه‌هایی با اتصالات داخلی متراکم است. ما در این مقاله قصد داریم رویکرد جدیدی را در خوشه‌بندی گراف‌های غیرقطعی بر اساس یادگیری عمیق ارائه کنیم. بدین منظور ابتدا ماتریس همبستگی احتمالی گراف را بر اساس ترکیبی از اطلاعات مجاورت مرتبه اول و دوم گره‌ها به دست می‌آوریم. سپس از خودرمزگذار عمیق جهت تعبیه‌سازی گراف بر روی ماتریس همبستگی حاصل بهره می‌بریم، طوریکه ضمن حفظ اطلاعات ساختاری گراف در فضای برداری با ابعاد کم، بازنمایی گره‌ها در راستای دستیابی به خوشه‌بندی بهینه‌ای از آنها باشند. در انتها بردارهای تعبیه گره‌ها را با استفاده از الگوریتم‌های خوشه‌بندی گراف‌های قطعی پارتیشن‌بندی می‌کنیم. روش پیشنهادی با استفاده از چهار مجموعه داده واقعی از شبکه تعاملی پروتئین‌ها شامل Krogan_core، Krogan_extend، Collins و Gavin و طبق معیارهایPrecision ، Specificity و Accuracy مورد ارزیابی قرار گرفت. مطابق نتایج حاصل، روش پیشنهادی حدود ۱۸ درصد کارایی بیشتری نسبت به الگوریتم‌های اخیر خوشه‌بندی گراف‌های غیرقطعی داشته است.