انجمن کامپیوتر ایران

جهت‌گیری و برنامه‌ریزی برای ارتقای رتبه‌بندی مراکز دانشگاهی نقش مهمی در تصمیم‌گیری دانشگاه‌ها ایفا می‌نماید. در همین راستا و برای بهبود جایگاه دانشگاه و تصمیم‌گیری در مورد اینکه با تمرکز بر چه مواردی بهترین نتیجه در بهبود رتبه ایجاد می‌شود، مطالعه مفاهیم، موضوعات مرتبط و معیارهای رتبه‌بندی ضروری است. مطالعه‌ی پژوهش‌های انجام شده نشان می‌دهد که استفاده از تکنیک‌های داده‌‌کاوی در ارائه و بهبود تصمیمات مدیریتی مراکز آموزشی، ارزیابی عملکرد واحدهای آموزشی، پیشنهاد زمینه‌های تحقیقاتی، پیش‌‌بینی رتبه و کشف قوانین، مسائل ناشناخته، نقاط ضعف و قوت مورد بررسی قرار گرفته‌اند. در این مقاله با به کارگیری داده‌های رتبه‌بند جهانی لایدن، دانشگاه‌های مختلف بر اساس معیارهای این رتبه‌بند با استفاده از خوشه‌بندی، گروه‌بندی و اولویت‌بندی می‌شوند. این پژوهش برای دو مجموعه داده در رتبه‌بندی سال‌های ۲۰۱۹ و ۲۰۲۰ انجام شده است. نتایج این پژوهش نشان می‌دهد که در نهایت برای سال ۲۰۱۹ پنج خوشه و برای سال ۲۰۲۰ شش خوشه به دست آمده است و دانشگاه‌های برتر به علت عملکرد مشابه در یک خوشه و دانشگاه‌های دیگر بر اساس عملکرد در معیارهای متفاوت در خوشه‌های دیگر قرار گرفته‌اند. در نهایت مشاهده شد که دانشگاه‌های هر کشور به علت شباهت عملکردی که دارند عموماً در یک خوشه قرار گرفته‌اند.

در سال‌های اخیر توسعه سریع تلفن‌های هوشمند و شبکه‌های موبایل منجر به ایجاد پارادایم جدیدی به نام حسگر جمعی موبایل در مقیاس وسیع شده است. کلید اصلی موفقیت سیستم‌های حسگر جمعی مشارکت کافی کاربران است. بر این اساس ما در این مقاله با بکارگیری نظریه بازی یک مکانیزم تشویقی را بر اساس بازی استکلبرگ برای یک سیستم حسگر جمعی چند وظیفه‌ای معرفی کرده‌ایم. در این مکانیزم هدف ما تعیین استراتژی پایدار توزیع مشوق‌های چندین ناشر وظایف حسگر جمعی موبایل برای انجام چندین وظیفه توسط کاربران است. ما به دنبال این موضوع بوده‌ایم که یک ناشر باید چه پاداشی را برای انجام وظایف خود مشخص کند تا در رقابت با سایر ناشرین و سایر کاربران سودمندی خود را به حداکثر برساند. ما همچنین الگوریتم توزیع شده‌ای را برای تعیین نقطه تعادل بازی بر اساس اطلاعات محلی ناشرین و کاربران ارائه کرده‌ایم. همچنین شبیه‌سازی‌های عددی برای ارزیابی عملکرد نقطه تعادل مکانیزم پیشنهادی و همگرایی آن انجام شده است.

مدیریت بهره‌وری در محیط‌های هوشمند یکی از مسائل پر اهمیت و مورد توجه است؛ که با تلفیق با سایر چالش‌های پیش‌رو همانند «بهینه‌سازی مصرف انرژی»، این امر مهم‌تر از قبل می‌گردد. اطلاع از شرایط محیط‌های داخلی و خارجی، درجه اهمیت آنها و همچنین محدودیت‌های زیربخش‌های آن می‌تواند در کنترل و مدیریت آنها کمک شایانی نماید. در این مقاله سعی بر آن شده است پارامترها و شرایط محیطی با توجه به جایگاه و اولویت آنها رده‌بندی شود. سپس با توجه به شرایط پیش‌رو در بکارگیری بسترهای رصد، پردازش و تصمیم‌ساز IOT در محیط‌های متنوع دانشگاه، تلاش به هوشمندسازی آنها نموده است. تمرکز اصلی این پژوهش، در نظر گرفتن پارامترهای درگیر و تأثیرگذار و همچنین درجه اهمیت آنهاست؛ که علاوه بر مدیریت بهره‌وری و مصرف انرژی تجهیزات و حسگرهای آنها، بتوان در مدیریت کارایی و مصرف توانی قسمت‌های مختلف دانشگاه هوشمند بهره جست. برای مطالعه موردی، مصرف الکتریکی یک دانشکده، قبل و بعد از بکارگیری و استقرار این بستر مورد بررسی و مقایسه قرار گرفته و بهینگی و نتایج «بهینه‌سازی مصرف انرژی» حاصل، ارائه شده است.

یکی از موثرترین روش‌های درمان بیماران مبتلا به آستیگماتیزم نامنظم قرنیه، استفاده از لنز سخت است. متخصصین حوزه‌ی بینایی‌سنجی تعیین مشخصات لنز مناسب فرد را بر اساس آزمایش و خطاهای متعدد انجام می‌دهند. در حال حاضر شرکت‌های گوناگون با دریافت هزینه‌های زیاد و پس از مدت نسبتا طولانی قادر است لنز پیشنهادی را در اختیار قرار دهد. در این مقاله پیشنهاد می‏شود تعیین انحنای پایه لنز بدون دخالت انسانی و مبتنی بر شرایط سطح چشم، صورت گیرد. در این مقاله از شبکه عصبی عمیق خودرمزگذار برای نخستین بار به منظور تجمیع اطلاعات حاصل از نگاشت‌های مختلف تصاویر چهارگانه پنتاکم برای تشخیص انحنای لنز سخت استفاده شده است. در این روش پیشنهادی از دو شبکه عصبی استفاده شده است؛ یکی شبکه عصبی خودرمزگذار پیچشی و دیگری شبکه عصبی پرسپترون رگرسیونی. از شبکه عصبی خودرمزگذار پیچشی به منظور تجمیع ویژگی‌های نگاشت‌های چهارگانه تصاویر پنتاکم استفاده شده است؛ زیرا این شبکه‌‎ها قادر هستند ساختار غیرخطی موجود در نماها را تشخیص دهند. از شبکه عصبی پرسپترون رگرسیونی هم به منظور دستیابی به مقدار انحنای پایه لنز استفاده شده است. ورودی شبکه عصبی پرسپترون رگرسیونی هم بردار ویژگی حاصل از شبکه عصبی خودرمزگذار پیچشی است.

در سال‌های اخیر، توسعه سامانه‌های مبتنی برنشست افزایش فراوانی پیداکرده است. این سامانه‌ها توصیه خود را بر اساس توالی رفتاری کاربران در یک نشست انجام می‌دهند. روش‌های پیشرفته سعی دارند تا بر اساس این توالی‌ها، بازنمایی مناسبی برای نشست و آیتم‌ها به دست آوردند و از این بازنمایی‌ها در پیش‌بینی رفتار بعدی کاربر استفاده کنند. با این‌ وجود ارتباطات زمانی رفتارها درون نشست و همچنین اطلاعات زمینه‌ای رفتار کاربر در روش‌های موجود به‌صورت مستقیم مورد بررسی قرار نمی‌گیرد. ما در این تحقیق روش جدیدی با عنوان DeepScore، برای توصیه مبتنی بر نشست ارائه می‌دهیم که از یک‌سو برای استخراج بازنمایی‌های برداری آیتم‌ها از اطلاعات زمانی تعامل کاربر با آن‌ها بهره می‌گیرد و از سوی دیگر قادر است اطلاعات زمینه‌ای آیتم‌ها را برای انجام توصیه بهتر به کار گیرد و به‌علاوه در فرایند آموزش از لایه گذاری صفر که سربار پردازشی به سیستم تحمیل می‌کند پرهیز می‌شود. نتایج این تحقیق بر روی دادگان Yoochoose نشان‌دهنده بهبود عملکرد مدل پیشنهادی در مقابل سایر روش‌های پیشرفته بر روی دو معیار Recall و MRR است.

كاربران اينترنتي از طريق دستگاه‌هاي الکترونيکي مانند لپتاپ، گوشي‌هاي هوشمند و غيره، در طي گشت و گذار در وب، رفتارهاي مشخصي از خود به جا مي‌گذارند. هرچند پژوهش‌هاي بسياري در حوزه‌ی تحليل و نظارت بر ترافيک شبکه با اهداف فوق انجام شده است، اما در اين ميان توجه كمتري به شناسايي كاربر شده است. با این حال برخی از پژوهش‌ها نشان داده‌اند این رفتارها اینترنتی کاربران، اثرانگشت منحصر به فردی برای هر کاربر ایجاد می‌کنند که به واسطه آن تنها با داشتن دنباله فعالیت‌های اینترنتی وی می‌توان هویت وی را پیش‌بینی کرد. در این پژوهش با استفاده از رویکرد یادگیری عمیق، مدلی بر پایه LSTM برای شناسایی اثر انگشت کاربر ارائه شده است. با توجه به رمز شدن اکثر ارتباطات کاربر، این مدل تنها به سرآیند بسته‌های اینترنتی برای شناسایی اثر انگشت کاربر نیاز دارد که می‌توان آن را با استفاده از پروتکل‌هایی مانند Netflow در اختیار داشت. مدل پیشنهادی با استفاده از یک داده جمع‌آوری شده در محیط دانشگاهی بررسی شد و نتایج نشان دهنده دقت بیش از ۹۰% مدل پیشنهادی است.

امروزه با پیشرفت علم و فناوري، اکثر دانشگاه‌ها، مؤسسات آموزشی و سازمان‌ها برای حوزه آموزش خود از يادگيري الکترونيکي استفاده می‌کنند که با ظهور بیماری کووید ۱۹ اين موضوع بیش از پيش مورد توجه قرار گرفته است. يکي از فناوري‌هايي که در سال‌هاي اخير در زيرساخت سيستم‌هاي يادگيري الکترونيکي مورد توجه قرار گرفته است فناوري بلاک‌چين است. صدور گواهینامه‌های دیجیتال، حقوق مالکیت فکری و امور مالی دانشگاه‌ها و مؤسسات آموزشی از جمله زمينه‌هايي است که از بلاک‌چين در زيرساخت‌هاي آنها استفاده شده است. زيرساخت انتقال نمرات و اعتبارهاي علمي دانشجويان نيز ازجمله مواردي است که مي‌توان از بلاک‌چين در آن بهره برد. در اين مقاله مدلي مبتني بر بلاک‌چين قابل ويرايش براي ذخیره‌سازی و انتقال اطلاعات دانشجویان، مدارک تحصیلی و اعتبار علمي دانشجويان پيشنهاد شده است. اين مدل مي‌تواند يک سيستم سراسري قابل اعتماد، غيرمتمرکز و قابل ويرايش که استفاده از آن آسان بوده و به هيچ مديريت مرکزي نياز ندارد را در اختيار دانشجويان، دانشگاه‌ها و سازمان‌ها قرار دهد. استانداردها و الگوريتم‌هاي استفاده شده در مدل پيشنهادي، امنيت، انعطاف‌پذيري و مقياس‌پذيري اين مدل را در سطح مطلوبي قرار مي‌دهد. نتايج پياده‌سازي مدل پيشنهاي نشان مي‌دهد که زمان تأييد تراکنش‌هاي دانشجويان و حجم آنها قابل قبول است.

در سال‌های اخیر، اینترنت اشیا زیر آب (IoUT) به یک فناوری محبوب برای کاوش در محیط زیر آب تبدیل‌ شده است. IoUT شامل تعداد زیادی سنسورهای بی‌سیم زیر آب است که اطلاعات مختلف را جمع‌آوری و به سمت گره سینک ارسال می‌کند. با توجه‌ به شرایط ناپایدار زیر آب و با توجه‌ به اهمیت ویژه قابلیت اطمینان و تأخیر در بسیاری از کاربردها، مدیریت ارتباطات بین سنسورها، به‌منظور بهبود QoS ضروری است. شبکه‌های نرم‌افزار محور (SDN) یکی از بهترین معماری‌ها برای ارائه مدیریت کارآمد شبکه است که قسمت صفحه کنترل (Control plane) را از صفحه داده (Data plane) جدا می‌کند. در این مقاله یک روش جدید مسیریابی مبتنی بر SDN در IoUT باهدف بهبود پارامترهای QoS ازجمله قابلیت اطمینان و تأخیر ارائه شده است. در روش پیشنهادی علاوه بر شناسایی مسیرهای قابل‌اعتماد، به کاهش مصرف انرژی نیز توجه می‌شود. از آنجایی‌ که، کنترل‌کننده از مختصات هر سنسور و انرژی آن آگاه است، باتوجه ‌به وضعیت کانال زیر آب، می‌تواند مطمئن‌ترین مسیر بین دو گره را تخمین زده و مسیری که دارای تأخیر کم و قابلیت اطمینان بالا و همچنین انرژی بیشتری است را شناسایی نماید. سرانجام، مسیر تخمین زده‌ شده را بر روی گره‌های واقع در امتداد آن نصب می‌کند. نتایج شبیه‌سازی نشان می‌دهد که این روش پیشنهادی از لحاظ اقدامات عملکردی مختلفی به طور قابل‌توجهی از سایر روش‌های غیر SDN بهتر است.

شبکه‌های عصبی ضربه‌ای به عنوان نسل سوم شبکه‌های عصبی، انطباق بیشتری با عملکرد شبکه‌های عصبی مغزی دارند. از جمله مزیت‌های این نوع از شبکه‌ها بهره گیری آن‌ها از ماهیت زمانی داده‌ها بویژه در پردازش تصاویر متحرک است. یکی از مهمتری نویژگی‌های شبکه‌های عصبی مغزی، تاخیر سیناپسی میان نورون‌های متصل می‌باشد. اما در اکثر شبکه‌های عصبی ضربه‌ای موجود، عملا از تاخیر سیناپسی و یادگیری آن صرف نظر شده است. در این مقاله یک روش جدید برای فراگیری تاخیرهای سیناپسی ارائه شده است. نتایج بدست آمده نشان می‌دهد که استفاده از تاخیرهای سیناپسی قدرت پردازشی شبکه‌های عصبی ضربه‌ای را افزایش داده و با بهبود دقت بازشناسی همراه شده است.

برای سالیان طولانی تحلیل موضوعات تحقیقاتی افراد عضو شبکه‌‌های علمی یک زمینه پژوهشی با اهمیت بوده است. پایان‌نامه‌ها، مقالات و نشریات منعکس‌کننده سابقه فعالیت‌های پژوهشی دانشگاه‌ها هستند. دانشگاه‌ها شاهد رشد سریع و فزاینده‌‌ای در تعداد پایان‌نامه‌ها، مقالات و نشریات و همچنین تنوع موضوعات پژوهشی در طول دهه‌های گذشته بوده‌اند. در این مسیر تکاملی پرشتاب دانشگاه‌ها، شناسایی موضوعات تحقیقاتی و تجزیه و تحلیل موثر آن‌ها اهمیت به سزایی خواهد داشت. از اهداف این مقاله، ارائه مدلی بدون ناظر برای کشف موضوعات تحقیقاتی موجود و استخراج موضوعات تحقیقاتی استادان بر اساس موضوعات کشف شده است. برای نیل به این هدف موضوعات و زمینه‌های تحقیقاتی را با ارائه روشی جدید که بهبود و توسعه‌ یافته مدل نویسنده-موضوع است استخراج می‌کنیم. در گام بعد، از تجزیه و تحلیل این موضوعات برای شناسایی موضوعات تحقیقاتی استادان و میزان شباهت موضوعات تحقیقاتی استادان به یکدیگر استفاده می‌شود. در این مقاله از روش‌های مدل‌سازی موضوعی احتمالاتی و به طور خاص از «تخصیص پنهان دیریکله» استفاده شده است. آزمایش‌ها بر روی دادگان پایان‌نامه‌‌های دانشکده برق و کامپیوتر دانشگاه تهران نشان‌دهنده این موضوع است که روش ارائه شده در بهترین حالت باعث بهبود ۲۴٪ معیار انسجام موضوعی و کاهش ۹۱٪ معیار سرگشتگی نسبت به روش رقیب شده است.

فناوری بلاکچین انقلابی در رشته کامپیوتر محسوب می‌شود که با وجود نوظهور بودن، توانسته است نفوذ خود را به سایر حوزه‌ها نیز گسترش دهد. با این حال، محدودیت‌هایی چون مقیاس‌پذیری، تهدیدات امنیتی و مکانیزم‌های اجماع، باعث شده است که در استفاده‌ی از آن با چالش‌هایی نیز مواجه شویم. یکی از راه‌های غلبه بر این مشکلات، زنجیره اعتماد نام دارد. زنجیره‌ اعتماد بر‌خلاف بلاکچین‌های مرسوم، از یک زنجیره واحد استفاده نمی‌کند بلکه، در این سیستم هر گره وظیفه ساخت و نگهداری زنجیره ‌محلی خود را دارد. از بارزترین ویژگی‌های این سیستم، عدم نیاز به مکانیزم‌های اجماع همگانی و مقاومت در برابر حمله سیبیل می‌باشد. در این مقاله سعی کرده‌ایم در وهله اول با پیاده‌سازی عملی سیستم مذکور بر‌روی دستگاه‌های موجود و همچنین افزودن ماژول‌هایی به برنامه جهت به دست آوردن اطلاعات مورد نیاز، مجموعه داده‌ای جامع از پارامتر‌های موثر در کارایی این بلاکچین جمع‌آوری کرده و با تجزیه و تحلیل اطلاعات به دست آمده از طریق الگوریتم‌های استخراج ویژگی، بتوانیم موثرترین ویژگی‌ها در کارایی هر ناظر را به دست آوریم، سپس با افزودن یک سیستم احراز هویت غیر‌متمرکز به بلاکچین، با ارائه‌ی راهکار‌هایی به مقابله با حمله White washing و آسیب پذیری‌های سرویس‌گیرنده بپردازیم.

امروزه پردازش تصویر به‌ واسطه گستره وسیعی از کاربرد‌های آن در زمینه‌های مختلف مانند کاربردهای نظامی، پزشکی، تجاری و کشاورزی نقش حیاتی در دنیا ایفا می‌کند. در چند سال اخیر مطالعات بسیاری در زمینه تشخیص و طبقه‌بندی خودکار گیاهان صورت گرفته است. در این مقاله یک روش کاربردی مبتنی بر الگوریتم بهینه‌سازی وال (WOA) به‌منظور شناسایی برگ و طبقه‌بندی انواع گیاهان ارائه شده است. در این روش مجموعه‌ای از ویژگی‌های کارآمد در فضاهای رنگی مختلف استخراج می‌شود. این ویژگی‌ها پس از نرمال‌سازی و کاهش بعد به‌وسیله الگوریتم بهینه‌سازی وال به‌عنوان ورودی به یک طبقه بند داده می‌شوند. طبقه‌بندهای مختلفی از جمله ماشین بردار پشتیبان، k نزدیک‌ترین همسایه، درخت تصمیم، Logistic Regression و MLP مورد آزمایش قرار گرفتند. روش معرفی‌ شده بر روی سه پایگاه داده Swedish Leaf،Flavia و مجموعه داده جمع‌آوری‌شده در این پژوهش ارزیابی می‌شود. در نهایت با استفاده از طبقه بند Logistic Regression توانستیم به بهترین دقت یعنی ۷۰/۹۹% بر روی مجموعه داده Swedish leaf و دقت ۶۳/%۹۷ بر روی مجموعه داده Flavia برسیم. نتایج تجربی نشان می‌دهد که روش پیشنهادی ما یک روش کارآمد برای طبقه‌بندی برگ گیاهان است که می‌تواند در حوزه‌های دیگر پردازش تصویر نیز مفید واقع شود.

شبکه‌ی اجتماعی، ساختاری اجتماعی متشکل از مجموعه‌ای از افراد است که تعامل بین افراد را نمایش می‌دهد. در سال‌های اخیر استفاده از شبکه‌های اجتماعی گسترش یافته است، در نتیجه شبکه‌های اجتماعی به بستری مناسب و محبوب برای تبلیغ محصولات و انتشار اطلاعات تبدیل شده‌اند. مسئله بیشینه‌سازی انتشار به صورت شناسایی تاثیرگذارترین گره‌ها به منظور رسیدن به بیشترین تاثیر انتشار در یک شبکه اجتماعی معرفی می‌شود که به عنوان یک مسئله‌ی NP-Hard شناخته می‌شود. در این مقاله، الگوریتمی برای یافتن تاثیرگذارترین گره‌ها با هدف بیشینه‌سازی انتشار در شبکه‌های اجتماعی ارائه شده است. در الگوریتم پیشنهادی، برای انتخاب تاثیرگذارترین کاربران از ترکیب شناسایی جوامع گراف با شباهت کاربران استفاده شده است. برای شناسایی جوامع از الگوریتم لووین و برای ارزیابی شباهت کاربران از سه شاخص شباهت جاکارد، سالتون و سورنسون استفاده شده است. نتایج آزمایشات انجام شده بر روی مجموعه دادگان استاندارد شبکه اجتماعی مختلف، حاکی از موفقیت الگوریتم پیشنهادی دارد.

واقعیت مجازی یک روش جدید برای استفاده از رایانه برای بازسازی دنیای واقعی است. می‌توان واقعیت‌های سخت و صعب‌الوصول را با این تکنولوژی ایجاد کرد و امکان دیدن، شنیدن، لمس کردن و اصلاح آیتم‌های موجود در فضا را به کاربر داد. شرکت‌های بزرگ زیادی در سراسر جهان به طور فعال در استفاده از تکنولوژی واقعیت مجازی برای انواع حوزه های کاربردی از جمله ارتباطات راه دور، سرگرمی، مدیریت تولید و مونتاژ، مراقبت‌های بهداشتی، طراحی دیجیتال و فروش و بازاریابی محصولات مشغول به فعالیت هستند. سیستم‌های جدید VR قابلیت‌های روزافزونی را برای گسترش ادراک، توسعه خلاقیت و تعامل اجتماعی انسان به روشی منحصر به فرد ارائه می‌دهند. هدف از این تحقیق بررسی بیماری اوتیسم (درخودماندگی) در افراد مبتلا به این بیماری و تاثیر واقعیت مجازی در بهبود اختلالات رفتاری بیمار می‌باشد. یکی از روش‌های موثر برای شناسایی و درمان رفتارهای بیماران اوتیسمی استفاده از شبیه‌سازی محیط و قرار دادن فرد در محیط شبیه به محیط واقعی و مطالعه رفتار اوست. برای این منظور از تکنولوژی واقعیت مجازی استفاده می‌شود. در این مطالعه یک سناریوی مشخص رفتاری برای فرد بیمار شبیه‌سازی شده و در چندین مرحله عکس‌العمل‌های بیمار را ثبت کرده و ارزیابی لازم را انجام داده‌ایم و بر اساس نتایج بدست آمده، دسته‌بندی‌های لازم صورت گرفته است.

در شبکه‌های اجتماعی افراد بر روی نظرات و رفتار یكدیگر به‌گونه‌ای مستقیم تأثیرگذار می‌باشند. در این شبکه‌ها ابتدا بخشی از افراد رفتار جدیدی اتخاذ کرده و سپس نظرات خود را با دوستان و آشنایان خود به اشتراک می‌گذارند. بدین‌ترتیب به دلیل تأثیر اجتماعی، افراد بیشتری آن رفتار را اتخاذ می‌کنند و اطلاعات در شبکه منتشر می‌شود. این پدیده گسترش تأثیر نامیده می‌شود. یکی از مهم‌ترین مسائل مطرح در بهینه‌سازی گسترش تأثیر، مسئله‌ی بیشینه‌سازی تأثیر می‌باشد. هدف از بیشینه‌سازی تأثیر، انتخاب زیرمجموعه‌ای کوچک از افراد است به طوری که با فعال کردن آنها تحت یک مدل انتشار اطلاعات، بیشترین تعداد از اعضای شبکه تحت تأثیر اطلاعات مورد نظر قرار گیرند. هدف از این پژوهش، ارائه راه‌حلی جهت یافتن تأثیرگذارترین افراد در شبکه‌های اجتماعی با استفاده از الگوریتم اشتراک‌گذاری برازندگی با شعاع اشتراک پویا و تحت مدل آستانه خطی می‌باشد. الگوریتم پیشنهادی، با تبدیل مسئله به یک سازوکار چندوجهی، ضمن حفظ تنوع جواب‌ها و ارائه چندین جواب مناسب از همگرایی زودرس جلوگیری می‌کند. نتایج آزمایش الگوریتم پیشنهادی بر روی مجموعه داده‌های مختلف، نشان می‌دهد که این روش نسبت به الگوریتم حریصانه پایه به طور میانگین در حدود ۶.۳ درصد باعث بهبود در یافتن تأثیرگذارترین افراد در مسئله‌ی بیشینه‌سازی تأثیر می‌شود.

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. رمزنگاری 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 شرکت‌کننده به اشتراک بگذاریم، به‌طوریکه که هر t شرکت‌کننده از n شرکت‌کننده بتواند به کلید دسترسی پیدا کند. این پروتوکل نسبت به الگوریتم‌های مشابه کلاسیک خود، امنیت بالاتری در برابر حمله بک شنودگر خارجی دارا می‌باشد.

زمان رسیدن آتش‌نشانان به محل حادثه یک موضوع مهم در عملکرد سازمان آتش‌نشانی در مقابله با انواع حوادث است. تحقیقات مختلفی در حوزه آتش‌نشانی به‌خصوص در رابطه با زمان رسیدن به محل حادثه صورت گرفته است. با این حال، کاهش میانگین مدت زمان رسیدن به محل حادثه (حتی ثانیه‌ای) دارای اهمیت بالایی است که می‌تواند بسیاری از خسارت‌های مالی و جانی را کاهش دهد. این مطالعه به کمک اطلاعات موجود در سازمان آتش‌نشانی و خدمات ایمنی شهرداری شیراز مربوط به سال‌های 1394 و 1395و با استفاده از الگوریتم‌های داده‌کاوی (رگرسیون) به‌دنبال استخراج دانش برای بررسی نقش عوامل موثر در مدت زمان رسیدن به محل حادثه از جمله نوع خودرو، زمان وقوع حادثه، محل حادثه و روزهای هفته است. نتایج حاکی از آن است که "مسافت" و "ترافیک مسیر" بیشترین تاثیر را در مدت زمان رسیدن به محل حادثه دارند. همچنین نتایج شبیه‌سازی رویکرد پیشنهادی ( با استفاده از منطق فازی) در مدت‌زمان رسیدن به محل حادثه، بهبود 25 درصدی را نسبت به روش فعلی (نزدیک‌ترین همسایه‌ها) نشان می‌دهد.

بیماری آلزایمر یک نوع اختلال عملکرد در مغز است که روی فعالیت‌های مغزی تاثیر گذاشته و حافظه را دچار اختلال می‌کند. تشخیص به کمک تصاویر MRI از روش‌های غیرتهاجمی است که محققان بسیاری به آن توجه داشته‌اند. تاکنون کارهای زیادی برای طبقه‌بندی دقیق تصاویر MRI برای تشخیص افراد آلزایمری از نرمال صورت گرفته است ولی اکثر کارهای انجام شده یا دقت کافی ندارند و یا به صورت طبقه‌بندی دو کلاسه بودند. در این تحقیق هدف تشخیص زودهنگام بیماری آلزایمر و طبقه‌بندی دقیق‌تر و چند کلاسه تصاویر MRI مغز است تا بتوان در همان مراحل اولیه این بیماری را تشخیص داد و از روند رشد آن جلوگیری کرد. جهت حل مساله ابتدا استخراج ویژگی از تصاویر، با استفاده از روش مورفومتری بر اساس وکسل انجام می‌شود، سپس انتخاب ویژگی با گرگ خاکستری دودویی و با انتخاب 30 ویژگی برتر جهت دسته‌بندی تصاویر استفاده شده است. با مقایسه الگوریتم پیشنهادی با دو روش بهینه‌ساز گرگ خاکستری دودویی، مشاهده کردیم که الگوریتم پیشنهادی در تشخیص بیماری آلزایمر معیارهای دقت و ویژگی و حساسیت را در طبقه‌بندی چندکلاسه بهبود داده است.

پیدا کردن کوتاه‌ترین مسیر برای مشاهده یک شیء یک مسأله پر‌کاربرد در هندسه محاسباتی است. از جمله کار‌بردهای آن می‌توان به وضعیتی که دیدن یا دیده شدن توسط شیء هدف اهمیت دارد اشاره کرد. به عنوان مثال هنگامی که بخواهیم با شی‌ء هدف ارتباط برقرار کنیم یا آن را بازرسی کنیم؛ با این شرط که نحوه ارتباط با شیء هدف به صورت خط دید باشد. نقطه مبدأ s را در یک ناحیه چندضلعی P با h-1 مانع در نظر بگیرید. می‌خواهیم با انجام پیش‌پردازش بر روی ورودی، کوتاه‌ترین مسیر از نقطه s به نقطه دلخواهی در P را پیدا کنیم؛ به طوری که پاره‌خط دلخواه l از آن نقطه قابل دیدن باشد. برای حل این مسأله در این مقاله ما دو راه حل ارائه کردیم. در راه حل نخست با صرف زمان پیش‌پردازش O(n4+ɛ) مسأله در زمان O(nh) قابل حل خواهد بود. در راه ‌حل پیشنهادی دوم با افزایش زمان پیش‌پردازش به O(n8) توانستیم مسأله را در زمان O(logn) حل کنیم.

اینترنت اشیاء به شبکه‌ای اشاره دارد که در آن بسیاری از وسایل و اشیاء پیرامون ما به شبکه اینترنت متصل شده‌اند و با همدیگر و یا با سایر اشیاء ارتباط برقرار می‌کنند. ارتباطات در این فناوری نوین فراتر از ارتباط انسان با انسان و ماشین با ماشین می‌باشد. همگام با گسترش روزافزون اینترنت اشیاء در جنبه‌های مختلف زندگی روزمره و فعالیت‌های فردی و اجتماعی افراد، اهمیت تامین امنیت اطلاعات و حفظ حریم خصوصی کاربران بیش از پیش نمایان شده است. یکی از معضلات استفاده از چنین سیستم‌هایی نفوذ افراد غیرمجاز به سیستم و استفاده از اطلاعات آن یا انجام دستکاری‌های غیرمجاز در آن است به همین علت تلاش برای بهبود روش‌ها و الگوریتم‌های موجود بسیار مورد توجه محققان این حوزه می‌باشد. در این پژوهش از شبکه‌های عصبی کانولوشن که یکی از روش‌های قدرتمند یادگیری عمیق هستند و دارای معماری پیچیده و توانایی تشخیص ویژگی‌ها و ارتباطات پیچیده موجود بین حملات هستند، برای ارائه یک سیستم تشخیص نفوذ با دقت تشخیص بالا و نرخ هشدار اشتباه پایین استفاده کرده‌ایم. این روش با مجموعه داده NSL-KDD آموزش داده شد و به دقت 1/86% در جداسازی داده‌های حمله و عادی دست یافت.