مسأله بازشناسی رشته ارقام دست‌نویس به دليل اهميت کاربرد آن طی سال‌های اخیر به یک موضوع تحقیقاتی جذاب در حوزه تحقیقات دانشگاهی و صنعت تبدیل شده‌ است. این مسأله را می‌توان حالت محدود‌تر مسأله بازشناسی متن دست‌نوشته دانست چرا که ليست واژگان آن تنها محدود به ارقام است. با این حال این مسأله چالش‌های متفاوتی نسبت به بازشناسی متن دست ‌نوشته دارد. در این مسأله معمولا بکارگيری مدل زبانی به منظور بهبود دقت بازشناسی چندان موثر و کارا نيست. در این مقاله، یک مدل انتها-به-انتها که تماماً مبتنی بر لایه‌های پیچشی است برای حل این مسأله پیشنهاد داده شده است. همچنین در این مدل پیشنهادی از معماری لایه پیچشی دروازه‌ای بهره برده‌ایم. برای ارزیابی مدل پیشنهادی، به لحاظ منصفانه بودن مقایسه نتایج ما با نتایج ارائه شده توسط پژوهش‌های پیشین، از مجموعه دادگان‌ ORAND CAR_A و ORAND CAR_B و معیارهای ارزیابی که در مسابقه ICFHR 2014 معرفی‌ شده‌اند، استفاده کرده‌ایم. است. دقت نتایج حاصل از اجرای مدل پیشنهادی بر روی دادگان‌های ORAND CAR_A و ORAND CAR_B به ترتیب برابر 94.53% و 94.94% است.

صنعت ۰.۴ (Industry 4.0) سازمان‌های تولیدی را به میزان قابل توجهی دستخوش تغییر می‌کند. به منظور رقابتی ماندن در عصر حاضر، شرکت‌ها باید ضمن بکارگیری مدل‌های جدید کسب و کار، نسبت به توسعه قابلیت‌های کسب و کاری خود و همچنین ایجاد قابلیت‌های جدید با رویکرد صنعت ۴.۰ اقدام نمایند. در این راستا، شرکت‌ها با پروژه‌های پرهزینه و پرمخاطره‌ای برای ایجاد این تحول، دست و پنجه نرم می‌‌کنند. باتوجه به گستردگی و پیچیدگی تحولات، وجود رویکرد و روشی نظام‌مند و مطمئن برای مدل‌سازی وضعیت موجود و وضعیت مطلوب و برنامه‌ریزی مناسب برای استقرار صنعت ۴.۰، یکی از نیازمندی‌های پایه و اساسی در این مسیر است. در این مقاله سعی شده است با استفاده از رویکرد و مفاهیم معماری سازمانی، چارچوب و متامدلی برای ترسیم وضعیت موجود و مطلوب و روشی برای برنامه‌ریزی و تدوین رهنگاشت تحول، ارائه شود. نتایج این مقاله می‌تواند به عنوان راهنما برای فرایند برنامه‌ریزی پروژه‌های تحول دیجیتال و صنعت ۴.۰، کمک کننده باشد.

یادگیری خود نظارتی در سال‌های اخیر توجه زیادی را به خود جلب کرده است، زیرا روشی کارآمد برای استخراج بازنمایی‌های غنی از انواع مختلف داده‌های بدون برچسب ارائه می‌کند و در عین حال از هزینه برچسب‌زنی مجموعه‌های داده در مقیاس بزرگ جلوگیری می‌کند. این امر با طراحی یک مسأله‌ی بهانه برای تشکیل شبه‌برچسب‌هایی با توجه به دامنه داده‌ها قابل دستیابی است. تا آنجا که ما می دانیم، علی‌رغم محبوبیت و استفاده گسترده آن‌ها در حوزه‌هایی مانند پردازش زبان طبیعی، تشخیص گفتار، و بینایی ماشین، هیچ مسأله‌ی بهانه‌ای برای داده‌های دست‌نوشته‌ برخط تعریف نشده است. با توجه به کاربردهای در حال رشد داده‌های دست‌نوشته برخط، در این مطالعه، ما Part Of Stroke Masking (POSM) را به‌عنوان یک مسأله‌ی بهانه‌ به منظور پیش‌آموزش مدل‌ها برای استخراج بازنمایی‌های مفیدی از داده‌ی دست‌نوشته برخط افراد پیشنهاد می‌کنیم. برای ارزیابی کیفیت بازنمایی‌های استخراج شده، مسأله‌ی شناسایی نویسنده به صورت مستقل از متن مورد مطالعه قرار گرفته است که در آن بهترین دقت حال حاضر در مقایسه با دیگر مقالات حاصل شده است.

امروزه مدل‌های تصمیم‌سازی چندمعیاره کاربردهای بیشماری در تمامی زمینه‌های علمی، به ویژه در علوم کامپیوتر به خود اختصاص داده‌اند. یکی از معماری‌هایی که امروزه مورد توجه محققان قرار گرفته است، معماری میکروسرویس می‌باشد. معماری میکروسرویس یک روش متمایز جهت توسعه سیستم‌های نرم‌افزاری است که سعی در ساخت مولفه‌های تک وظیفه با رابط‌ها و عملکردهای مستقل و مشخص دارد. مسئله مدیریت منابع در معماری‌های میکروسرویس‌ها، یکی از چالش‌های مهم حال حاضر بوده و مطالعات زیادی در این زمینه توسط محققان انجام شده است. در این مقاله، به منظور مدیریت بهینه منابع و تخصیص کارای آنها به هر یک از میکروسرویس‌های موجود در معماری، از راهکارهای تصمیم‌سازی چندمعیاری استفاده شده است. با استفاده از راهکار پیشنهادی، می‌توان ضمن تخصیص بهینه منابع بر اساس ارزیابی ترکیبی پارامترهای کیفیت سرویس در میکروسرویس‌ها، به یک سازوکار تخصیص کارا در منابع دست پیدا نمود. روش پیشنهادی ضمن افزایش کارایی در فرآيند میکروسرویس‌ها، باعث افزایش تعادل بار در معماری کل سیستم می‌شود. همچنین استفاده از رویکرد پیشنهادی، امکان مدیریت منابع در شبکه را قابل کنترل‌تر خواهد کرد.

بهره‌مندی از شبکه‌های خصوصی‌مجازی، یکی از راهکارهای کاربردی جهت حفظ محرمانگی‌ داده و جلوگیری از دسترسی کاربران غیرمجاز به اطلاعات سرور و کاربران مجاز یک شبکه است. در کنار جوانب مثبت شبکه‌ی خصوصی‌ مجازی، امکان انتقال انواع بدافزار و دور زدن برخی از فیلترها توسط سرویس‌های این شبکه بواسطه‌ی امکان مخفی کردن هویت کاربران در این سرویس‌ها وجود دارد. موارد مذکور سبب طراحی و توسعه‌ی سیستم‌های شناسایی هوشمند متعددی جهت ردیابی ترافیک‌های مربوط به شبکه‎‌های خصوصی‌ مجازی شده‌ است. جهت افزایش دقت در سیستم‌های شناساگر مذکور از الگوریتم‌های هوش‌ مصنوعی با تعداد ویژگی‌های آماری بالا استفاده می‌شود. بالا بودن تعداد ویژگی‌های آماری موجب طولانی شدن زمان آموزش و تشخیص، افزایش سربار سخت‌افزاری و در برخی موارد کاهش دقت در سیستم‌های تشخیص ترافیک‌ مربوط به شبکه‌ی خصوصی‌ مجازی می‌شود. کم‌ترین تعداد ویژگی‌های آماری استفاده‌شده در سیستم‌های شناساگر موجود برابر با ۸ مورد و مربوط به یک الگوریتم شناسایی با دقت تشخیص ۸۹٪ است. تکنیک ارایه‌ شده در این مقاله برای اولین بار به طور همزمان علاوه بر کاهش سربار زمانی و سخت‌افزاری یک درخت تصمیم شناساگر ترافیک‌های شبکه‌ی خصوصی‌مجازی Open-vpn،دقت آن را نیز از ۹۸٪ به ۹۹.۵٪ افزایش می‌دهد. با اعمال تکنیک موردنظر بر روی اطلاعات مجموعه‌ داده‌ی مورد استفاده‌ی این درخت تصمیم، ویژگی‌های موردنیاز برای آموزش آن از ۲۵ به ۲ مورد کاهش می‌یابد.

مسیریابی مبتنی بر اعتماد در شبکه‌های بین خودرویی با تکیه بر ارزیابی گره‌ها از یکدیگر، روشی مناسب و غیرپیچیده برای کاهش حملات در این شبکه‌ها محسوب می‌شود. تحرک بالای گره‌ها در این شبکه‌ها مانع از ایجاد شناخت کافی بین گره‌ها و ثبات مقادیر برآورد شده در کل شبکه می‌شود. در این مقاله، یک پروتکل مسیریابی پیشنهاد شده است که از زنجیره بلوک‌ها برای مدیریت اعتماد بکار رفته در انتخاب گره‌های بعدی استفاده می‌کند. در پروتکل پیشنهادی، اعتماد مستقیم توسط هر وسیله نقلیه و بر اساس مشاهدات همان وسیله نقلیه محاسبه مي‌شود. اعتماد غیر‌مستقیم نیز توسط واحدهای کنار جاده‌ای محاسبه شده و در زنجیره بلوک‌ها نگهداری می‌شود. واحدهای کنار جاده‌ای این محاسبات را بر اساس مشاهدات دریافتی از وسایل نقلیه در طول زمان‌ انجام داده و با سایر گره‌ها به اشتراک می‌گذارند. نتایج شبیه‌سازی در سناریوی شهری با OMNet++ نشان می‌دهد که زمانی که گره‌های مخرب در شبکه افزایش پیدا می‌کند استفاده از پارامتر اعتماد در پروتکل پیشنهادی منجر به کاهش بسیار کمتر نرخ تحویل بسته‌ها نسبت به پروتکل GPSR می‌شود. تأخیر انتها به انتهای پروتکل پیشنهادی نیز نسبت به پروتکل GPSR با افزایش بیشتری روبرو می‌شود که دلیل اصلی آن تحویل بسته‌های با طول مسیر بالاتر در پروتکل پیشنهادی است.

یکی از چالش‌‌های اینترنت اشیاء شامل شبکه‌های ناهمگن و تعدد و تنوع دستگاه‌های متصل به هم، مصرف انرژی است. بدلیل توپولوژی پویا و وجود گره‌های خودمختار پراکنده با انرژی متفاوت، حفظ انرژی گره‌ها برای دوام شبکه‌ مهم است. بر‌خلاف شبکه‌های ثابت، در شبکه‌های متحرک اقتضائی فرض بر سهیم بودن گره‌های میانی در پیش‌رانی بسته‌های سایر ‌گره‌هاست و اگر گره‌ای به شکل خودخواهانه با هدف حفظ انرژی خود، وظیفه‌ی مسیریابی را انجام ندهد، سبب از دست رفتن مسیر، ایجاد ترافیک و اتلاف انرژی خواهد شد. راه‌حل ما در این مقاله بهره‌گیری از شبکه‌های نرم‌افزار‌محور، با ایده‌ی جداسازی بخش کنترل و داده است. علاوه بر تعیین نوع ارتباط و پیش‌رانی بسته‌ها با گره‌های شبکه، ما یک روش مسیریابی انطباقی پایدار مبتنی بر سیگنال و ترکیب آن با یک روش آگاه به انرژی، برای مدیریت و نظارت بر رفتار گره‌ها و شناسایی گره‌های خودخواه و انسداد دسترسی آنها به شبکه توسط کنترلر بکار برده‌ایم. با مقایسه‌ی نتایج پیاده‌سازی این روش با روش مشابه، میانگین توان عملیاتی شبکه حدود ۸۲٪ افزایش و زمان اجرا و تأخیر انتها‌به‌انتها ۸۳٪ کاهش داشته است. همچنین با کاهش تعداد گره‌های خودخواه در حدود ۷۰٪، در نهایت به کاهش میانگین مصرف انرژی کلی شبکه در حدود ۹۳٪ رسیده‌ایم.

شبکه‌های موردی بین خودرویی فناوری پیشرفته و نوظهوری هستند که امکان ارتباط خودروها با یکدیگر و با زیرساخت‌های شبکه را فراهم می‌کنند. ساختار باز و پویای این شبکه‌ها زمینه را برای حملات متنوع به شبکه و کاربران فراهم کرده و امنیت این شبکه‌ها را با چالش روبرو کرده است. جعل موقعیت یکی از این حملات است که تا کنون راهکارهای مبتنی بر یادگیری ماشین و راهکارهای مبتنی بر رسی‌های معقول بودن در تشخیص آن‌ها ارائه شده ‌است. با این وجود این نوع راهکارها به تنهایی برای تشخیص دقیق این حملات کافی نبوده‌اند. در این مقاله، روشي پيشنهاد شده است که از هر دو نوع راهکار برای تشخیص حملات جعل موقعیت استفاده می‌کند. در این روش، ابتدا یک بررسی در لایه فیزیکی از رابطه بین RSSI و فاصله انجام می‌شود و سپس خروجی آن به همراه ویژگی‌های دیگر وارد سیستم تشخیص بدرفتاری مبتنی بر یادگیری ماشین می‌شود. برای شبیه‌سازی و ارزیابی روش پیشنهادی از مجموعه داده Modified VeReMi استفاده شده ‌است. نتایج شبیه‌سازی نشان می‌دهد که روش پیشنهادی عملکرد مطلوبی را به‌ویژه در بخش بازیابی از خود نشان می‌دهد.

امروزه با افزایش تعداد وسایل‎ نقلیه متصل به اینترنت‎ اشیا (IoT)، شبکه‎‌های اقتضایی خودرو (VANET) در حال تغییر به اینترنت‎ وسایل‎ نقلیه (IoV) هستند. یکی از اهداف مهم اینترنت ‎وسایل‎ نقلیه این است که وسایل نقلیه بتوانند با رانندگان، عابران پیاده، سایر وسایل‎ نقلیه و زیرساخت‎های کنارجاده‌‎ای بصورت بلادرنگ ارتباط برقرار کنند. اما حمله انکارسرویس توزیع شده (DDoS) یکی از حمله‌های جدی در این محیط محسوب می‌‎شود. این حمله می‎تواند سرویس‎‌های اینترنت‎ وسایل‎ نقلیه را مختل کند و باعث ترافیک و تصادفات جاده‎‌ای شده و ایمنی کاربران را به خطر اندازد. از طرفی، تشخیص حمله انکارسرویس توزیع شده مبتنی بر بازتاب (DrDoS) به دلیل هویت پنهان آن دشوارتر است. بنابراین یک راه حل مبتنی بر یادگیری گروهی برای شناسایی انواع مختلف حمله انکارسرویس‎ توزیع شده مبتنی بر بازتاب در محیط اینترنت‎ وسایل‎ نقلیه پیشنهاد شده است. مدل پیشنهادی از الحاق دو مدل شبکه عصبی کانولوشن تشکیل شده است که این دو مدل با رویکرد بیزی با استفاده از براوردگرهای Parzen باساختار درختی، بهینه‌سازی شدند. عملکرد مدل پیشنهادی با مجموعه داده جدید CICDDoS2019 ارزیابی شده است. نتایج تجربی نشان می‎دهد که سیستم تشخیص نفوذ پیشنهادی به نرخ صحت ۹۹٪ رسیده است.

گفتگوگر یا چت‌بات یکی از اجزای اصلی در هوشمند‌سازی تعامل انسان و رایانه به شمار آمده و در سال‌های اخیر پژوهش‌های زیادی در این زمینه شکل گرفته است. در این مقاله، گفتگوگری فارسی پیشنهاد شده است که می‌تواند با کاربر حول مسائل روزمره گفتگو کرده و اطلاعات شخصی همچون نام فرد، سن، شغل، تعداد فرزندان و ... را استخراج نماید. بنابراین، سیستم باید حداقل سوال مستقیم را مطرح کرده و در عوض، خود فرد را ترغیب به بیان اطلاعات نماید. اطلاعات استخراج شده از این گفتگوگر می‌تواند در گام بعد در سیستم‌هایی همچون توصیه‌گرها مورد استفاده قرار گیرد. برای این منظور، مجموعه داده‌ای به روش‌های خزش، ترجمۀ بخشی از پیکرۀ پرسوناچت و همچنین راه‌اندازی سامانه‌ای برخط جمع‌آوری شد و بعد از برچسب‌زنی، با مدلی مبتنی بر برت، پایه‌ای برای توسعۀ واحد درک معنا قرار گرفت. با افزونه‌سازی نیمه‌خودکار این داده‌ها برای سه شکاف پرتکرارِ نام، شغل و سرگرمی، عملکرد مدل برای شکاف بر اساس F1 به ۸۱٪ و بر حسب دقت هم برای تعیین موضوع کلی گفته به ۹۰/۱٪ رسید. در واحد تولید پاسخ هم با آموزش مدل دنباله-به-دنباله‌ بر روی تمام داده‌ها، سرگشتگی بر روی مجموعۀ آزمون به ۱/۸۱ و ROUGE-1 به ۰/۷ رسید.

داده‌های جغرافیایی، مرزهای زمین‌های کشاورزی و قطعه‌بندی آن‌ها برای بسیاری از کاربردهای کشاورزی ضروری است. به عنوان مثال می‌توان به تحت نظارت قرار دادن زمین برای مدیریت منابع اشاره کرد. از آنجایی که مرزبندی به صورت دستی و به کمک شخص حقیقی زمان زیاد و ابزارهای خاصی نیاز دارد، نیاز به خودکارسازی تکرارپذیر این کار احساس می‌شود. هدف از این پروژهش، پردازش تصاویر ماهواره‌ای و شناسایی قطعه زمین‌های کشاورزی موجود در این تصاویر به همراه مرزبندی آن‌ها است. به این منظور، مدل Mask R-CNN که یکی از مدل‌های پیشتاز ارائه شده برای تقسیم‌بندی نمونه در یادگیری عمیق است، مورد استفاده قرار گرفت. برای بررسی راه حل پیشنهادی، با تهیه‌ی یک مجموعه داده، مدل تحت آموزش قرار گرفت. ارزیابی مدل نیز با معیارهای تقسیم‌بندی نمونه مطابق با استاندارد COCO صورت پذیرفت. در آزمایشی که از باند‌های رنگی (RGB) ماهواره‌ی Sentinel-2 به عنوان ورودی استفاده شد، میانگین دقت (AP) ٪۵۴ و صحت پیکسلی ۹۰٪ حاصل شد. نتایج به دست آمده نشان داد که روش پیشنهادی در این پژوهش پتانسیل بالایی را در تقسیم‌بندی نمونه‌ی زمین‌های کشاورزی دارد.

خوشه‌بندی یکی از مهم‌ترین مباحث در زمینه‌ی داده کاوی است. هدف از خوشه‌بندی تفکیک داده‌ها است به گونه‌ای که داده‌های موجود در یک خوشه بیشترین شباهت را به یکدیگر و کمترین شباهت را با اعضای خوشه‌های دیگر داشته باشند. یکی از مهم‌ترین الگوریتم‌های خوشه‌بندی الگورریتم K-means می‌باشد. در این الگوریتم ابتدا به تعداد خوشه‌ها به صورت تصادفی از داده‌های اصلی مراکز خوشه اولیه انتخاب می‌شوند و سپس عملیات یافتن خوشه‌ها اجرا می‌شود. چالش اصلی در K-means انتخاب مراکز خوشه‌ها به‌صورت بهینه است. در گذشته پژوهش‌های متعددی در زمینه انتخاب مراکز اولیه خوشه‌ها در الگوریتم K-means صورت گرفته است. در این مقاله برای نخستین بار روش جدیدی برای انتخاب مراکز خوشه‌ها مبتنی بر الگوکاوی ارائه می‌شود. در این روش ابتدا برای کاهش حجم داده‌ها، انتخاب ویژگی روی داده‌ها اعمال می‌شود؛ سپس الگوهای پرتکرار استخراج و بر پایه‌ی این الگوها مراکز اولیه خوشه‌ها مشخص می‌شود. روش پیشنهادی با روش پایه K-means و با روش جدید BDD بر روی ۵ مجموعه داده با ابعاد گوناگون ارزیابی می‌شود. نتایج به دست آمده نشان می‌دهد در اغلب موارد، روش پیشنهادی عملکرد بهتری دارد.

در اين مقاله، برنامه‌ریزی کوتاه‌مدت تولید محصولات کارمزدی با استفاده از الگوریتم رقابت استعماری ارائه‌ شده است. با توجه به اینکه در فضای رقابتی امروز برنامه‌ریزی صحیح برای خطوط تولید از اهمیت بالایی در تعیین جایگاه شرکت‌ها و جلب رضایت مشتری برخوردار است، ارائه روش‌های به‌روز و هوشمند برای این مسئله بسیار حائز اهمیت است. با توجه به مفهوم برنامه‌ریزی تولید به‌عنوان چینش سفارش‌های تولید در محور زمان، این مسئله به‌عنوان یک مسئله جایگشت در نظر گرفته‌ شده است که در نهایت خروجی مسئله، ترتیب تولید سفارش‌های خواهد بود. نسخه گسسته الگوریتم رقابت استعماری به‌عنوان یکی از الگوریتم‌های تکاملی برای حل این مسئله در نظر گرفته‌ شده است. با در نظر گرفتن زمان لازم برای تولید هر کدام از سفارش‌های و همچنین مهلت تحویل محصولات و جریمه تأخیر به ازای هر روز تأخیر در هر سفارش، کمینه کردن جریمه کل به‌عنوان تابع هدف در نظر گرفته‌ شده است. ارزیابی‌ها نشان می‌دهد که الگوریتم پیشنهادی به‌خوبی توانسته است برنامه‌ریزی کوتاه‌مدت برای تولید محصولات کارمزدی که منجر به کمترین جریمه تأخیر شود را ارائه نماید.

در سال‌های اخیر سازوکار خود-توجه به کارآمدترین رویکرد در حل مسائل پردازش دنباله مانند پردازش زبان طبیعی، و بازشناسی خودکار گفتار تبدیل شده است. سازوکار خود-توجه توانایی بالایی در استخراج وابستگی بین نمونه‌های درون دنباله ورودی، به خصوص نمونه‌های فاصله‌دار، را دارد. همچنین، این سازوکار امکان پردازش موازی دنباله را فراهم می‌سازد. در نتیجه، سازوکار خود-توجه نسبت به روش‌هایی مانند شبکه‌های عصبی بازگشتی، توانایی بالاتری در استخراج ویژگی‌های مناسب از دنباله ورودی را دارد، و سریع تر نیز است. با این وجود، شبکه عصبی بازگشتی به همراه استخراج ویژگی دستی از دنباله ورودی، رویکرد مرسوم در مسئله تشخیص دست نوشته برخط است. در این پژوهش، مدلی انتها-به-انتها مبتنی بر سازوکار خود-توجه و تابع خطا CTC، برای تشخیص دست نوشته برخط معرفی شده است، که توانایی تشخیص دست نوشته از دنباله ورودی بدون استخراج ویژگی به صورت دستی را دارد. مدل پیشنهادی بر روی دادگان عربی برخط "خط" ارزیابی شده است. مدل پیشنهادی نرخ خطای نویسه (CER) ٪۷.۶۹ و نرخ خطای کلمه (WER) ٪۳۰.۲۲ را بر روی دادگان "خط" بدست آورده است، که نسبت نتایج پیشین به میزان قابل توجهی بهبود داشته است.

در سال‌های اخیر پیشرفت اینترنت اشیاء در سامانه‎های مراقبت‌ سلامت، تأثیر بسزایی بر سامانه‎های کنترل سلامت بیمار داشته است. حسگرها علائم حیاتی بیمار را ثبت می‌کنند و بر اساس داده‌های جمع‌آوری‌ شده هشدار می‌دهند. در صورتی‌که هشداری اعلام نشود و یا به‌صورت اشتباه هشدار داده شود ممکن است صدمات جبران‌ناپذیری را برای بیمار در پی داشته باشد. بنابراین دسترس‌پذیری و افزایش قابلیت اطمینان در سامانه‎های مراقبت سلامت، موضوع حائز اهمیتی است. از طرفی‌ دیگر، محاسبات مه به‌عنوان یک رویکرد کارآمد برای استفاده در کاربردهای اینترنت اشیاء معرفی شده‌ است. لایه‌ی مه به‌عنوان یک واسط بین حسگرها و مراکز داده ابری قرار می‌گیرد و به دلیل فاصله کم منابع پردازشی با دستگاه اینترنت اشیاء، تأخیر به طور قابل‌توجهی کاهش می‌یابد. کاهش تأخیر در کاربردهایی که نیاز است پاسخ در یک بازه‌ی زمانی مشخص آماده شود همانند کاربردهای بی‌درنگ از اهمیت زیادی برخودار است. در واقع در این کاربردها قابلیت اطمینان سامانه نه‌تنها به‌درستی پاسخ بلکه به زمان رسیدن پاسخ نیز وابسته است. همچنین بحث مصرف انرژی در سامانه‎های مراقبت‌ سلامت، به دلیل اهمیت تداوم در ماندگاری خدمات (دسترس‎پذیری) مورد توجه است. در بسیاری از پژوهش‌های پیشین از معیار کاهش مصرف انرژی به‌منظور افزایش قابلیت اطمینان و دسترس‌پذیری استفاده شده است. در این پژوهش، ما به بررسی انواع روش‌های کاهش مصرف انرژی و در نتیجه آن افزایش دسترس‌پذیری و قابلیت اطمینان می‌پردازیم. در انتها نیز، یک روش نمونه‌برداری ضربان قلب مورد بررسی قرار‌ گرفته و نرخ نمونه‌برداری بهینه برای کاهش مصرف انرژی و افزایش دسترس‌پذیری و قابلیت اطمینان براساس مشاهدات پیشنهاد شده‌ است.

استگانوگرافی روشی برای اختفای پیام به منظور برقراری ارتباط مخفیانه است. هدف آن پنهان‌ کردن اطلاعات محرمانه در داده‌های معمولی است که سبب‌ برانگیختگی شک نمی‌شود. هدف اصلی این مقاله، ارائه روشی جدید برای پنهان‌نگاری تصاویر است که پارامترهای مهم این روش را بهبود ببخشد. برای این منظور، از ترکیب الگوریتم ژنتیک و تبرید‌ شبیه‌سازی‌ شده استفاده شده است. در روش ارائه شده، ابتدا بر روی تصویر پوشش، الگوریتم ژنتیک اعمال می‌شود. سپس به منظور پیدا‌کردن بهترین مکان برای جاسازی اطلاعات‌محرمانه و همچنین افزایش سرعت جستجو از الگوریتم تبرید‌ شبیه‌سازی‌ شده استفاده شده است. در این روش، عمل پنهان‌سازی به صورت یک روش جستجو ‌و بهینه‌سازی، مدل‌سازی می‌شود. به این ترتیب، با یافتن بهترین مکان در تصویر میزبان برای پنهان‌سازی تصویر محرمانه، سعی می‌کند داده‌های بیشتری را جاسازی کند و همچنین تشخیص پیام مخفی شده را مشکل می‌سازد و این باعث افزایش امنیت تصویر پنهان‌نگاری‌ شده می‌شود. در پایان، نتایج شبیه‌سازی نشان می‌دهد که روش ارائه شده نسبت به سایر روش‌ها، عملکرد بهتری دارد، همچنین دارای کیفیت و امنیت بیشتری است.

امروزه کیفیت و اطمینان‌پذیری برنامه‌های کاربردی وب به دلیل استفاده گسترده آنها توسط کاربران باید از جنبه‌های گوناگونی مانند امنیتی و کارکردی مورد ارزیابی و آزمون قرار بگیرد. استخراج رفتار برنامه‌های کاربردی وب در ارزیابی کیفیت آنها بسیار مهم است. استخراج رفتار به صورت دستی دشوار و هزینه‌بر است. همچنین روش‌های خودکار برای استخراج رفتار به دلیل بزرگ بودن فضای حالت برنامه‌های کاربردی وب و زمان محدود قادر به پوشش کامل رفتار آنها نیستند. بنابراین روش‌های خودکار برای استخراج رفتار برنامه‌های کاربردی وب با چالش پوشش مناسب کارکردهای این برنامه‌ها در فضای حالت بسیار بزرگ آنها و در زمان محدود روبرو هستند. این پژوهش یک روش بر پایه یادگیری تقویتی برای استخراج رفتار برنامه‌های کاربردی وب ارائه می‌دهد. به بیانی دیگر روش پیشنهادی بر پایه یادگیری تقویتی به تعامل با برنامه کاربردی وب می‌پردازد. در این تعامل، رفتار برنامه کاربردی وب به تدریج، استخراج و کارکردهای آن پوشش داده می‌شود. اثربخشی روش پیشنهادی بر روی چندین برنامه کاربردی وب مورد بررسی قرار گرفته است. نتایج ارزیابی نشان می‌دهد که روش پیشنهادی در استخراج رفتار برنامه‌های کاربردی وب موفق است و به پوشش بیشتری از کارکردهای برنامه‌های کاربردی وب در استخراج رفتار آنها می‌رسد.

شبکه تعریف شده‌ی نرم‌افزاری یک فناوری جدید در شبکه‌های کامپیوتری است که استفاده از آن در حال گسترش است. این تکنولوژی باعث می‌شود تا شبکه‌ها قابل برنامه‌ریزی‌تر و نیز انعطاف‌پذیرتر شوند. برای به دست آوردن حداکثر مقیاس‌پذیری و نیز افزایش عملکرد شبکه، وجود یک استراتژی توازن بار ضروری است. ازدحام لینک در شبکه باعث ایجاد برخی مشکلات مانند تاخیر در ارسال بسته‌ها، گم شدن بسته‌ها و نیز افزایش زمان صف می‌شود. برای غلبه بر این مشکلات بهره‌گیری از یک استراتژی توازن بار لینک مفید است. در این تحقیق سعی شده است تا با استفاده از الگوریتم A* روشی برای مسیریابی ترافیک در شبکه‌های تعریف شده‌ی نرم‌افزاری ارائه شود. روش ارائه شده با بررسی ازدحام لینک‌ها بهترین مسیر را انتخاب می‌کند و بدین صورت توازن بار لینک‌ها در چنین شبکه‌هایی برقرار می‌شود. یافته‌های حاصل از شبیه‌سازی نشان داده است که الگوریتم پیشنهادی نسبت به الگوریتم‌هایی که با آنها مورد مقایسه قرار گرفته است، کارایی بهتری در بهبود تعادل بار لینک در شبکه‌های تعریف شده‌ی نرم افزاری دارد.

امروزه پياده‌سازي سخت‌افزاري الگوريتم‌هاي هوش مصنوعي يکي از پرکاربردترين مباحث در مقالات و صنعت الکترونيک است. شبکه‌هاي عصبي مصنوعي به عنوان اصلي‌ترين و پرکاربردترين بخش الگوريتم‌هاي هوش مصنوعي جهت پياده‌سازي محاسبات عصب‌گون (Neuromorphic) يا الهام گرفته از فرآيندهاي زيستي (Bio-inspired) شناخته مي‌شوند. در اين شبکه‌ها که از دو قسمت اصلي نرون و سيناپس تشکيل شده‌اند الگوبرداري از ساختار مغز انسان انجام شده که در آن برخلاف سيستم‌هاي رايج کامپيوتري قسمت محاسبات و حافظه در هم تنيده شده و از يکديگر جدا نيستند. در مغز انسان حدود ۱۰۱۰ نرون و ۱۰۱۴ سيناپس وجود دارد و همانطور که مي‌دانيم سيناپس‌ها غالب ساختار مغز را تشکيل مي‌دهند. در اين مقاله، با استفاده از قطعات اسپينترونيک (Spintronic) روشي براي پياده‌سازي ضريب سيناپسي ارائه شده است که در آن ضرايب سيناپسي به صورت کوانتيزه شده پياده‌سازي مي‌گردند. با استفاده از يک ترانزيستور CMOS توانستيم ضرايب را از نظر آماري بهينه کنيم. روش ارائه شده بر مبناي تکنولوژي جديد اسپينترونيک است که نسبت به موارد مشابه ارائه شده در مقالات حدود ۲۲٪ کاهش توان دارد و در عين حال دقت شبکه‌هاي عصبي پياده‌سازي شده در حالت سخت‌افزاري کاهش فقط يک تا دو درصدي نسبت به حالت نرم‌افزاري دارند.

دو درس «ساختمان داده‌ها و الگوریتم‌ها» و «طراحی و تحلیل الگوریتم‌ها» را می‌توان محوری‌ترین دروس در برنامه درسی دوره کارشناسی رشته‌های مهندسی رایانه و علوم رایانه دانست. با وجود نقش برجسته این دو درس در آموزش تفکر الگوریتمی به دانشجویان، به نظر می‌رسد که نحوه ارائه این دو درس در دانشگاه‌های ایران نیازمند بازنگری باشد. ما در این مقاله، به ذکر دو اشکال برجسته که بر نحوه ارائه این دو درس وارد است می‌پردازیم و آنگاه راهکارهایی را برای ارائه یکپارچه و روشمند این دو درس پیشنهاد می‌کنیم. ما هم مبنای اشکالات خود را و هم مبنای راهکار‌های پیشنهادی خود را شیوه آموزش الگوریتم‌ها در کتاب‌های درسی معتبری که در سال‌های اخیر به عنوان مراجع درسی و با هدف آموزش الگوریتم‌ها نوشته‌اند گذاشته‌ایم.آنچه در این متن به عنوان دو اشکال اساسی در ارائه دو درس مذکور مطرح شده‌اند عبارتند از تفکیک ساختمان‌داده‌ها از الگوریتم‌ها و نادیده گرفتن فنون طراحی الگوریتم ها. ما این دو اشکال را تبیین خواهیم کرد و آنگاه خواهیم گفت که چگونه مدرسان می‌توانند ساختمان داده‌ها را در متن طراحی الگوریتم ها معرفی کنند و اینکه چگونه می‌توانند الگوریتم ها را بر مبنای فنون طراحی دسته‌بندی و معرفی کنند.