انجمن کامپیوتر ایران

تعداد افراد سالمند که به تنهایی زندگی می‌کنند، در بسیاری کشورها در حال افزایش است. یکی از مهمترین خطراتی که این افراد را تهدید می‌کند، زمین خوردن است که احتیاج به رسیدگی سریع دارد. دوربین‌های نظارتی وسیله مناسبی برای تشخیص خودکار آن هستند. این دوربین‌ها با استفاده ازالگوریتم‌های بینایی کامپیوتر ویژگی‌هایی را از دنباله تصاویر ویدئویی استخراج می‌کنند و سپس بوسیله طبقه‌بندی آنها به طور خودکار زمین خوردن را تشخیص دهند. ویژگی‌های رایجوابسته به جهت دید دوربین هستند. برای حل این مشکل از چندین دوربین استفاده می‌شود که پیچیدگی سیستم را افزایش می‌دهد. ما در این مقاله پیشنهاد می‌کنیم که از مساحت سیلوئت بدست آمده از یک دوربین به عنوان یک ویژگی مقاوم به جهت دید دوربین استفاده شود. نتایج تجربی نشان می‌دهد که ترکیب دو ویژگی مساحت و نسبت طول به عرض مستطیل محیطی خطایی کمتر از %2 در تشخیص زمین خوردن روی یک مجموعه داده در دسترس ایجاد می‌کند.

اندازه‌گیری شباهت جملات در کاربردهای مختلفی از پردازش متن از جمله سیستم‌های پرسش و پاسخ و خلاصه‌سازی متن مورد استفاده قرار می‌گیرد. در این مقاله روشی جدید برای اندازه‌گیری شباهت معنایی جملات مبتنی بر نقش‌های معنایی معرفی شده است. در این روش، جملات ورودی ابتدا با برچسب‌های بخش‌های گفتار و نقش‌های معنایی برچسب‌ زده می‌شوند و سپس با استفاده از یک معیار اندازه‌گیری معنایی، شباهت کلمات در برچسب‌های نقش‌های معنایی یکسان محاسبه می‌شود. با استفاده از این مقادیر، شباهت نقش‌های معنایی، سطوح معنایی و در نهایت شباهت جملات محاسبه می‌گردد. برخلاف بسیاری از روش‌های پیشین این روش قابلیت محاسبه شباهت معنایی جملات کوتاه و ساده و همچنین طولانی با ساختارهای پیچیده را دارا می‌باشد. نتایج پیاده‌سازی نشان می‌دهند استفاده از مشابهت معنایی علاوه بر مشابهت ساده و همچنین نقش‌های معنایی علاوه بر برچسب‌های بخش‌های گفتار سبب افزایش دقت معیار اندازه‌گیری در مقایسه با روش‌های موجود می‌گردد.

انتساب مقوله¬های گرامری به کلمه¬های یک متن، بخشی مهم در سیستم پردازش زبان¬های طبیعی محسوب می شود. پیکره‏متنی که از طریق اطلاعات (pos) part of speech نشانه گذاری شده، معمولاً به عنوان پیش¬نیازی اجتناب ناپذیر در دیگر برنامه¬های کاربردی پیچیده¬تر در حوزه پردازش زبان¬های طبیعی منجملهاستخراج اطلاعات، تجزیه معنایی، ترجمه ماشینی یا تفسیر زمینه¬های معنایی و وارسی‏کننده‏های دستوریمورد استفاده قرار می¬گیرد. در بسیاری از موارد به علت عدم دسترسی به منابع آزموده‏شده و استاندارد دستوری و ریخت‏شناسی رایانه‏ای در زبان فارسی به استفاده از نشانه‏گذارهای آماری بسنده می‏شود. در این گونه نشانه‏گذارها برای تشخیص مقوله دستوری واژه های ناشناخته، بدون توجه به ساختار و ماهیت کلمه تنها از روش‏های آماری استفاده می‏شود که طبعا حاصل و نتیجه کارچندان مطلوب نخواهد بود. در این تحقیق، ما به ارائه نشانه‏گذاری هیبریدی می‏پردازیم که علاوه بر روش آماری از مزایای روش‏های قانون- محور(دستوری) و ریخت‏شناسی واژه ها در زبان فارسی در راستای بهبود نتیجه نهایی بهره می‏جوید.

امروزه کامپيوترهاي بزرگ موازي، سيستم¬هاي چند پردازنده¬اي بر تراشه (MPoCs)، چند‏کامپيوتري‏ها و ... از مؤلفه‏هاي ذخيره¬ساز در مقياس بزرگي ساخته ¬شده¬اند که در مقايسه با سيستم¬هاي عادي نرخ خرابي بالايي دارند. يکي از مهم‏ترين موضوع¬ها در طراحي چنين سيستم¬هايي، توسعة يک شبکة ارتباطي کارآمد است که گذردهی بالا و تأخير ارتباطي ناچيزي را تحت شرايط مختلف کاري تدارک مي¬بيند. پيشرفت سامانه‏های ذخیره‏ساز داده باعث به وجود آمدن روش‏هاي ذخيره اطلاعات موازي با کارآيي بالا و بهای ناچیز در مقياس بزرگ شده است؛ با این حال، تحمل‏پذيري اشکال، دسترس‏پذیری و اطمينان‏پذيري در زمره پارامترهایی هستند که کماکان در اکثر طراحي‏ها مورد توجه قرار نمي‏گيرند. در اين مقاله بنا داريم به ارزيابي کارآيي تحمل‏پذيري اشکال در شبکه¬های میان ارتباطی که دارای حافظه¬هايي با مقياس بزرگ هستند پرداخته و همبندي‏هاي مختلف این شبکه¬ها را از منظر تحمل‏پذيري اشکال و اطمينان¬پذیری مورد شبيه‏سازي و ارزیابی قرار دهیم. هدف اصلي از اين بررسی آن است که بتوانيم همبندي‏هايي را شناسايي کنيم که به کارگیری آن¬ها موجب افزایش اطمينان¬پذیری در سامانه¬های ديسک‏ مي‏شود.

سیستم های تایید کاربر که از یک روش بیومتریک استفاده می کنند،اغلب مجبورند که با داده های نویز دارو درجات خطای نامحدود مواجه شوند.به منظور بهبود اجرای تطابق های ویژه در چنین وضعیت هایی سیستم های بیومتریک ترکیبی مورد استفاده قرار می گیرند .ما در این مقاله دو سیستم بیومتریک چهره و گوش را با هم ترکیب کرده و یک سیستم تشخیص هویت بیومتریک چند عامله امن و قابل اعتماد را پیشنهاد می کنیم.در حقیقت در این مقاله استفاده از هندسه گوش بعنوان یک بیومتریک برای تصدیق هویت مورد مطالعه قرار گرفته وآن را بر روی یک پایگاه داه جدیدی که حاوی 420 تصویر از گوش می باشد آزمایش می کنیم. بمنظور کاهش نرخ عدم پذیرش خطا، تصاویر از واحدکیفیت عبور داده می شوند. پس از استخراج ویژگی های گوش و تحلیل و بررسی نتایج آزمایشات ،مشخص گردید 90.7% نمونه ها با موفقیت شناسایی شده اند.سپس بمنظور بهبود نتایج تشخیص سیستم دو بیومتریک گوش و چهره را با هم ترکیب کردیم که نتایج آزمایش نشان داد96% نمونه ها با موفقیت شناسایی شده اند. برای پایگاه داده چهره از دو پایگاه داده چهره انیستستو تحقیقات هند و FEI و برای گوش از پایگاه داده USTB استفاده شده است.

آموزش الكترونيكي آموزش مبتني بر فناورياست کهنقطه عطف و همگرايي آموزش، اينترنت، فناوري شبكه، مديريت و توسعه آموزش می¬باشد.در این میان حجم وسیعی از اطلاعات مانند نحوه تعامل کاربر با سامانه¬ مدیریت آموزش، ذخیره می¬گردد. این داده¬ها حاوی اطلاعات با ارزشی برای مطالعه و تحلیل رفتار دانشجویان و ارائه مشاوره به دانشجویان می¬باشد. هدف اصلی این پژوهش ترکیب الگوریتم¬های داده¬کاوی و الگوریتم¬های تکاملی از جملهAssociation Rules وGenetic جهت ارائه یک روش جدیدبه نام PNGAR ( Positive Negative Genetic Association Rule)که هدف آن به طور خاص پیدا کردن الگو و قوانین پنهان در نحوه استفاده دانشجو از منابع سامانه آموزشی می¬باشد. قوانین و الگوهای کشف شده با الگوریتم PNGARرا می¬توان جهت ارتقاء سطح آموزشی فراگیران به صورت پیشنهاداستفاده از منابع استفاده کرد؛ همچنین در مقاله فعلی جمع آوری و آماده سازی داده¬ در نرم افزار Sql Server و پیاده سازی الگوریتم به زبان برنامه¬نویسیC# صورت گرفته است.

فرایند هم تراز سازی آنتولوژی ها به یافتن شباهت میان موجودیت های آنتولوژی ها می پردازد. دو آنتولوژی ممکن است در جنبه های متفاوتی مانند ساختار، معنا و ... با هم شباهت داشته باشند. بیشتر سیستم های هم ترازسازی آنتولوژی ها از چندین روش شباهت یابی به منظور استخراج همه ی موارد شباهت که در دو آنتولوژی ممکن است وجود داشته باشد، استفاده می کنند. بنابراین ، ما با یک مشکل عمده برای جمع آوری شباهت میان موجودیت ها مواجه هستیم. برخی از سیستم های هم ترازسازی آنتولوژی ها از وزن های تجربی و برخی دیگر از روش های یادگیری ماشین و الگوریتم های بهینه سازی برای یافتن وزن های مطلوب به منظور جمع آوری شباهت های مختلف استفاده می کنند. هر دو رویکرد دارای معایبی هستند. در این مقاله، مشکلات استراتژی های مختلف جمع آوری شباهت های موجود بیان می شود. سپس، یک استراتژی جدید پیشنهاد می شود که از اطلاعات ساختاری آنتولوژی ها برای دست آوردن وزن های ترکیب شباهت یاب ها، جهت فرایند جمع آوری شباهت ها استفاده می کند. عملکرد سیستم هم ترازسازی ارائه شده در این مقاله با دیگر سیستم های مشارکت داده شده در مسابقه 2009 OAEI مقایسه شده است.

در ساليان اخير تلاش زيادي در زمينه اشکال¬زدايي خودکار نرم¬افزار صورت گرفته است. اغلب راهکارهاي خودکارسازی فرآیند اِشکال¬زدایی، بدون توجه به دنباله‌های اجرایی برنامه‌ها، رفتار تعیین‌کننده‌های برنامه را به صورت جدا از یکدیگر در اجراهای موفق و ناموفق مقایسه می‌کنند. به همین دلیل قادر به تشخیص خطاهایی که در یک الگوی دنباله دار خاص، بروز پیدا می‌کنند، نمی‌باشند. برای رفع این مشکل در این مقاله، از روشی کارآمد جهت مقایسه دنباله‌های اجرایی برنامه استفاده می¬شود که علاوه بر مقیاس پذیری مناسب، زیرمسیر خطادار در برنامه را تشخیص می‌دهد. راه‌کار ارایه شده، با فراهم نمودن مسیر حاوی تعیین‌کننده‌های ناموفق ، به برنامه نویس در کشف محل دقیق خطا کمک زیادی می¬کند. در راه کار پیشنهادی از ضريب همبستگي Φ، برای حذف تعيين¬کننده¬هاي بي¬اثر بر نتيجه برنامه با دقت بسیار بالا استفاده شده است. روش ارايه شده در اين مقاله، بر روي مجموعه برنامه زيمنس ارزيابي شده است. نتایج این ارزیابی، دقت و کارآمدی راه‌کار پیشنهادی را نشان می‌دهد.

گرید روشی برای به اشتراک گذاشتن مجموعه‌های بزرگ و ناهمگون از منابع فراهم می‌کند. از جمله سرویس‌های مهم در گرید، سرویس جستجوی منابع می‌باشد. یکی از روش‌هایی که برای جستجوی منابع در گرید پیشنهاد شده است، روش (همتا به همتا) می‌باشد. استراتژی انتخاب همسایه بعدی برای هدایت پرس و جو، از مسایل اساسی این روش می‌باشد. در این مقاله مکانیزمی برای انتخاب همسایه بعدی با استفاده از الگوریتم کلونی مورچه‌ها پیشنهاد می‌شود. مکانیزم پیشنهادی در این مقاله می‌تواند در محیط‌هایی که چگونگی توزیع منابع بر روی گره‌های گرید ناشناخته می‌باشد مورد استفاده قرار می‌گیرد. عملکرد روش پیشنهادی به کمک شبیه‌سازی‌های کامپیوتری مورد ارزیابی قرار می‌گیرد.

در این مقاله روشی برای شناسایی چهره در تصاویر رنگی روبرو با وجود تنها یک تصویر آموزشی از هر فرد ارائه شده است. تصاویر مورد نظر ابتدا به فضای رنگ YCbCr منتقل شده و با توجه به اینکه رنگ پوست دراین فضا یک خوشه را تشکیل می دهد، ناحیه صورت استخراج می‌شود. سپس با اعمال یک تبدیل پیشنهادی روی ناحیه مذکور و استفاده از پردازش¬های مورفولوژیکی، مکان چشم¬ها با دقت بسیار بالا تشخیص داده می‌شوند. با مشخص شدن مکان چشم¬ها، محدوده صورت استخراج می‌شود. با اعمال تبدیل کسینوسی گسسته بصورت بلوکی، بردار ویژگی هر تصویر جهت مقایسه و تشخیص شبیه ترین تصویر بدست می‌آید. این الگوریتم بر روی 200 تصویر چهره از پایگاه داده FERET آزمایش شده و نتایج بدست آمده نشان از دقت بالای الگوریتم طراحی شده دارد.

سیستم¬های همتابه¬همتا (Peer to Peer) به دلیل داشتن خصوصیاتی منحصر به فرد از قبیل مقیاس¬پذیری، استواری و هزینه¬ی پائین توسعه، در چند سال اخیر رشد قابل توجهی داشته¬اند.سیستم¬های همتابه¬همتا خود ممکن است پایگاهی یا ناپایگاهی باشند. یکی از مهم¬ترین مسائل مطرح در سیستم¬های پایگاهی همتابه¬همتا، مسئله¬ی پردازش پرسش است، بطوریکه یک بهبود جزئی در آن تاثیر قابل توجهی در کارایی سیستم خواهد داشت. یکی از راه¬های کاهش هزینه¬ی پردازش پرسش، خوشه¬بندی همتاهای با حیطه¬ی داده¬ای مشابه است. خوشه¬بندی همتاهایی با محتویات مشابه، باعث می¬شود پرسش¬های مطرح شده بتوانند مستقیماً به خوشه مربوطه راه یافته و در آنجا بطور موثری پاسخ داده شوند. در این مقاله روش جدیدی برای خوشه¬بندی همتاها در سیستم پایگاهی همتا¬به¬همتا ارائه می¬دهیم که در آن از الگوریتم خوشه¬بندی مبتنی بر رفتار مورچه¬ها استفاده شده است. آزمایشات انجام شده به منظور ارزیابی کارائی نشان می¬دهد که الگوریتم ارائه شده خوشه¬بندی همتاها را با دقت و کیفیت بالاتری نسبت به الگوریتم¬های ارائه شده انجام می¬دهد. علاوه¬براین الگوریتم ارائه شده به سرعت به حالت بهینه همگرا می¬شود و مقیاس¬پذیری بالائی در برابر افزایش اندازه مسأله دارد.

يكي از مسايلي كه در محيط پايگاه داده تحليلي مطرح است تشخيص تغييرات در منابع داده عملياتيميباشد. داده ها جهت بارگزاري در پايگاه داده تحليلي از منابع داده عملياتي استخراج ميشوند،به علت تغييرات منابع داده عملياتي در طي زمان نياز است فرايند به روز رساني پايگاه داده تحليلي در فاز نگهداري انجام شود واين تغييرات به پايگاه داده تحليليمنتقل شوند. از روشهاي موجود جهت تشخيص تغييرات در منابع داده عملياتي روش مقایسهتصاویر منابع داده عملیاتیاست. يكي از معايب اين روش انجام مقايسات زياد و زمانبر بين ركوردها جهت تشخيص تغييرات است. هدف از ارايه روش پیشنهادی این مقاله، بهبود زمان تشخيص تغيييرات داده از طريق كاهش تعداد مقايسات بين ركوردها، در روش مقایسه تصاویر ارايه شده توسط روسانا است. این روش، روشي معمول و بهبود يافته در مقایسه تصاویر ميباشد. آزمايشات انجام شده بر روي داده هاي آزمايشي نشان می¬دهد که روش پیشنهادی در این مقاله، منجر به20 درصد بهبوددر زمان تشخيص تغييرات در روش متداول All Signature که توسط روسانا ارايه شده است می¬شود.

رشد سریع درخواست¬های محاسباتی و برنامه¬های خدمت¬گرا و همچنین گرایش آنها به مدل رایانش ابری، منجر به استقرار مراکز داده بسیاری با مقیاس وسیع شده است. از آنجایی که مراکز داده¬ای میزبان این برنامه¬ها، میزان بسیار زیادی انرژی الکتریکی مصرف می¬کنند و موجب افزایش هزینه¬های عملیاتی، انتشار گرما و گاز کربن در محیط می¬شوند. انتقال پویای ماشین¬های مجازی به عنوان یکی از راهکارهای کاهش انرژی، با استفاده از ایده مهاجرت پویا و خاموش کردن خدمت¬گذارهای بیکار، به ارائه-دهندگان سیستم¬های رایانش ابری این امکان را می¬دهد که مصرف انرژی را کاهش و بکارگیری منابع را تا حدودی بهبود دهند. در این مقاله روشی مبتنی بر مفهوم ضریب همبستگی برای جایگذاری ماشین¬های مجازی ماشین¬های مجازی مهاجرت یافته ارائه می¬شود، به نحوی که هر ماشین مجازی روی میزبانی قرار خواهد گرفت که دارای کمترین ضریب همبستگی از نظر بهره¬وری CPU با دیگر ماشین¬های مجازی روی این میزبان فیزیکی باشد، چرا که هر چه میزان همبستگی در مصرف منابع یا بهره¬وری CPUمیان ماشین¬های مجازی یک میزبان بیشتر باشد، احتمال این که آن میزبان سریع¬تر دچار سرریز بار شود، بالاتر است؛ بنابراین امکان بروز تخطی در میزان سطح توافق شده خدمت¬دهی به کاربر یا SLA (Service Level Agreement) نیز وجود دارد. روش پیشنهادی در این مقاله توسط شبیه¬ساز CloudSimارزیابی می¬شود. ارزیابی نشان می¬دهد که این روش نسبت به روش¬های ارائه شده تاکنون نتایج خوبی را در زمینه بهره¬وری مصرف انرژی و میزان تخطی در SLAدر مراکز داده در محیط¬های ابری ارائه می¬دهد.

روش تحلیل تمایز هسته، یک روش کاهش بعد غیرخطی مبتنی بر هسته است، که به عنوان یک استخراج کننده ویژگی به منظور دسته بندی نمونه داده¬ها به کار می¬رود. هدف این روش دستیابی به یک زیرفضای غیرخطی یا منیفولد کم بعد است، که نمونه¬های دسته¬های مختلف نگاشت شده در آن بیشترین تمایز را از یکدیگر داشته باشند. این هدف از طریق نگاشت تعریف شونده توسط تابع هسته تحقق پیدا می¬کند. در اغلب کارهای پیشین بر روی این مدل، تمرکز بر بهینه سازی پارامترهای تابع هسته برای بالا بردن کارایی دسته بندی با آن بوده است. در این مقاله نشان داده می¬شود که نوع تابع هسته نیز در کنار پارامترهای آن می¬تواند تأثیر به سزایی در کیفیت دسته بندی با این روش داشته باشد. بدین منظور توابع هسته مختلف ساده و ترکیبی همراه با یک فرآیند تنظیم پارامترها و وزنهای ترکیب این هسته¬ها بر روی چند مجموعه داده شناخته شده آزمایش شده و با چندین روش مرتبط مقایسه می¬شود. دستیابی به بهبود قابل توجه در دقت دسته بندی از این طریق مؤید اهمیت انتخاب نوع و پارامترهای هسته بطور همزمان در روش تحلیل تمایز هسته است.

مهندسی نرم‌افزار مدل‌رانده روشی در توسعه‌ی نرم‌افزار است که امکان تولید خودکار کد از روی مدل را فراهم می نماید. هدف از روش‌های مدل‌رانده، افزایش بهره‌وری افراد و کیفیت نرم‌افزار تولید شده می‌باشد. با توجه به گسترش روزافزون نرم‌افزارها، نیاز به تکنیک¬ها و ابزارهایی جهت وارسی و اعتبارسنجی برنامه‌ها بیش از پیش احساس می¬شود. یکی از این ابزارها،JPF است که جهت وارسي صوري برنامه¬هاي نوشته شده به زبان جاوا مورد استفاده قرار می¬گیرد. پیمانه‌ی JPF-Statechart امکان وارسی رفتار پویای سیستم، که به صورت کد جاوا و در قالبی مشخص تهیه شده است را فراهم می‌کند. با توجه به این واقعیت که تهیه این کد جاوا به صورت دستی در خلاف اهداف مهندسی نرم¬افزار مدل‌رانده است و مدل رفتاری سیستم اغلب به صورت نمودار حالت UML تهیه می‌شود، هدف ازاین مقاله، ارائه¬ی روشی بر اساس تبدیل مدل است به گونه‌ای که نمودار حالت UML را بتوان به صورت خودکار به قالب مورد نظر JPF تبدیل نمود و آن را مورد وارسی قرار داد. بدین منظور، برای مدل¬سازی نمودار حالت UML از افزونه¬یPapyrus، و برای تبدیل مدل UML به قالب مورد نظر، از تولیدکننده¬ی کدAcceleo استفاده شده است. در نهایت ابزاری در قالب یک افزونه¬ی اکلیپس تهیه شده است که کد مناسب را از روی مدل تولید می نماید. یک مطالعه موردی برای دستگاه خودپرداز برای ارزیابی روش و ابزار ارائه شده نیز انجام گردیده است.

سیستم شهرت بتا روشی است که برای تلفیق نظرات و بازخوردهای گره‌های مختلف شبکه و رتبه بندی میزان شهرت گره‌ها طراحی شده است. سیستم شهرت بتا برای کاربردهای مختلف بسیار مناسب و قابل انعطاف و در عین حال ساده است. ما در این مقاله نشان می‌دهیم که از دیدگاه امنیتی، این سیستم در مقابل گره‌های بدخواه آسیب‌پذیر است. این آسیب‌پذیری به گونه‌ای است که اگر گره‌های بدخواه در تراکنش‌های خود با گره‌های دیگر رفتار مناسبی نشان دهند ولی در ارائه نظرات در رابطه با میزان شهرت گره‌ها (توصیه شهرت) از طریق تبانی با سایر گره‌های بدخواه مقادیر نادرست ارائه دهند؛ شهرت محاسبه شده به شدت از مقدار درست منحرف می‌شود. این حمله را حمله گره‌های تبانی‌گر خوش‌رفتار می‌نامیم. در این مقاله ضمن بررسی و تحلیل آسیب‌پذیری مذکور در سیستم شهرت بتا، اصلاحی برای رفع آن پیشنهاد شده که این آسیب‌پذیری را تا حد زیادی برطرف می‌نماید. روش پیشنهادی مبتنی بر کنترل پذیرش نظرات گره‌های توصیه‌کننده است. برای ارزیابی روش مطرح شده هر دو سیستم اصلی و اصلاح شده پیاده‌سازی و روی مدلی شبیه‌سازی شده از شبکه‌های حسگر بی‌سیم ارزیابی شده است. نتایج حاصل از شبیه‌سازی نشان‌دهنده مقاومت بالای سیستم شهرت بتای اصلاح شده در برابر حمله گره‌های تبانی‌گر خوش‌رفتار است.

خوشه¬بندی یکی از وظایف داده¬کاوی و شاخه¬های یادگیری بدون نظارت است و فرایند خودکاری است که در طی آن داده¬ها به دسته¬هایی که اعضای آن مشابه یکدیگر هستند، تقسیم می¬شوند. در این مقاله روشی جدید برای بهبود سرعت و عملگرد الگوریتم کلونی زنبورهای مصنوعی (ABC) معرفی شده است. همچنین از الگوریتم پیشنهادی برای خوشه¬بندی N شی در K خوشه استفاده شده است. در روش پیشنهادی، بجای انتخاب تصادفی عنصری از راه¬حل و تغییر آن برای تولید راه¬حل جدید که در الگوریتم ABC وجود داشت، با محاسبه فاصله اقلیدسی هر عنصر در راه¬حل و میانگین داده¬های متعلق به آن خوشه در آن بعد، از k اندیس کاندید در k مرکز خوشه، یک اندیس بصورت تصادفی برای تغییر و جایگزینی انتخاب شده¬است. به این ترتیب در الگوریتم ABC، استفاده از روش پیشنهادی جستجوی محلی و تولید نقاط جدید باعث شده¬است تا در هر تکرار، احتمال تولید راه¬حل¬های بهتر و تولید نقاطی با شایستگی بالاتر افزایش یابد که این امر نه تنها باعث افزایش سرعت الگوریتم در همگرایی به نقاط بهینه شده¬است بلکه منجر به تولید جواب¬هایی با میزان شایستگی بالاتر و در نهایت بالا رفتن دقت الگوریتم نیز شده¬است. این الگوریتم روی چندین مجموعه داده واقعی استاندارد آزمایش شده و با الگوریتم¬های فرامکاشفه¬ای معروف در خوشه¬بندی مانند ,GA ,TS ,SA ,ACO ABC و K-NM-PSO مقایسه شده است. نتایج عددی نشان می¬دهد که الگوریتم پیشنهادی نسبت به سایر الگوریتم¬های موجود عملکرد بهتری دارد و شبیه¬سازی¬ها نتایج بسیار امیدبخشی را برحسب کیفیت راه¬حل و زمان محاسباتی نشان می¬دهد.

امروزه با گسترش روز افزون مراکز داده مبتنی بر رایانش ابری و تقاضای استفاده از سرویس‌های ابری، یکی از مهمترین مشکلات پیش روی این مراکز داده رشد فزاینده مصرف انرژی است.کاهش مصرف انرژی در این مراکز داده مستلزم استفاده بهینه تر از منابع پردازشی موجود از جمله ماشین‌های مجازی و میزبان‌های فیزیکی است. استقرار ماشین‌های مجازی در میزبان‌های فیزیکی از دو جنبه قابل بحث است. جنبه اول استقرار اولیه آنها قبل از پردازش سیستم و جنبه دوم تغییر این چینش در حین پردازش سیستم به منظور متعادل‌سازی بار پردازشی بین میزبان‌ها است. در این تحقیق روش جدیدی برای استقرار اولیه ماشین‌های مجازی در میزبان‌های فیزیکی با استفاده از الگوریتم ژنتیک گروهی پیشنهاد شده است ونشان داده شده است که استفاده از این روش برای استقرار اولیه ماشین‌های مجازیو نیز بهره‌گیری از تکنیک "مهاجرت ماشین‌های مجازی" برای تغییر چینش ماشین‌های مجازی در حین پردازش سیستم، می‌تواند سبب کاهش مصرف انرژی در مراکز داده شود.