انجمن کامپیوتر ایران

محلي كردن ارتباط بين کروموزوم‌ها در الگوريتم‌هاي ژنتيکي علاوه بر سرعت دادن به محاسبات مي‌تواند باعث بهبود كيفيت جواب‌های بدست آمده گردد. يكي از مدل‌هايي كه براي محلي کردن عملگرهاي ژنتيكي ارايه شده است اتوماتاي سلولي ژنتيکي مي‌باشد. در اين مقاله براي اولين بار مكانيزمي به نام بازچيني به منظور بهبود عملکرد اتوماتاي سلولي ژنتيكي پيشنهاد مي‌شود. اين مکانيزم در فواصل مشخص به تغيير همسايگي‌ها و ايجاد آرايش جديد در سلول‌ها مي‌پردازد. مزيت استفاده از اين مكانيزم کاهش تعداد همگرايي‌هاي زودرس و نامطلوب در همسايگي‌ها و ايجاد فرصت‌هاي بهتر براي افراد جمعيت به منظور توليد نسل مي‌باشد. به منظور نشان دادن کارايي مکانيزم بازچيني روش‌هاي مختلف بازچيني بر روي مسائل متنوعي مانند مسائل کول پشتي، فروشنده دوره‌گرد و مينميم كردن توابع آزمايش شده است.

درخت ضرب کننده Wallace تصحیح یافته با استفاده از جمع کننده‌های بر اساس تسهیم کننده (Multiplexer) جدید ارائه شده است. نشان داده شده است که تاخیر برای کل ضرب کننده از پیچیدگی ((O(log(n می‌باشد. طراحی برای ضرب کننده 32 بیت انجام شده است. با توجه به خط لوله مجموع 10 تاخیر دروازه منطقی برای ضرب کننده به دست آمده است. معماری بر پایه تسهیم کننده برای جمع کننده یک بیت ارائه شده است. پیاده‌سازی با دروازه عبور تسهیم کنندهCMOS انجام گردیده است. در جمع کننده ارائه شده حاصلضرب تاخیر * توان 8،4٪ کاهش یافته است. ضرب کننده طراحی شده با نرم افزارHSPICE تحت تکنولوژی0.25µm شبیه سازی شده است و از نظر تعداد ترانزیستور 7٫64 ٪ كاهش، سطح تراشه 6٫72 ٪ کاهش و توان مصرفی 8،25% کاهش نسبت به طرح‌های دیگر داشته است.

فرآیند تبدیل مستندات آنالوگ به دیجیتالA/D) ) یکی از فرآیندهای مهمی است که در سازمان‌ها و شرکت‌هایی که با آن درگیر هستند برای ایجاد کتابخانه دیجیتال مورد استفاده قرار می‌گیرد. برای طراحی دقیق این فرآیند نیاز به استفاده از فنون مدل‌سازی و تحلیل سیستم‌ها است. با استفاده از فنون مدل‌سازی می‌توان فرآیند تبدیل مستندات آنالوگ به دیجیتال را به شکلی ارائه نمود که قابلیت تحلیل و اعتبارسنجی ساختارها و رفتارهای آن فراهم شود. به عنوان یک مطالعه موردی، بخش پیش پردازش کتابخانهPPL)) فرآیند تبدیل مستندات آنالوگ به دیجیتال در کتابخانه ملی ایران با استفاده از شبکه‌های پتری تصادفی تعمیم یافته (GSPNs) و با بهره‌گیری از ابزارSHARPE مدل‌سازی و تحلیل شده است. هدف از این تحقیق، رسیدن به مطلوب‌ترین و بهینه‌ترین زمان‌بندی و برنامه‌ریزی در سیستم است تا در نتیجه آن بره‌وری بالای منابع مختلف سیستمPPL حاصل شود. نتایج تحلیل، به عنوان بازخورد برای اصلاح فرآیند، به‌نحوی که دارای کارایی بالاتری باشد، قابل استفاده است.

میزان دریافت نامه‌های الکترونیکی، پیوسته در حال افزایش می‌باشد و روزانه وقت زیادی جهت فیلترنمودن و سازماندهی آن‌ها در پوشه‌ها صرف می‌گردد، بنابراین نیاز به سیستمی احساس می‌شود که بطور اتوماتیک جهت طبقه‌بندی و مدیریت نامه‌های الکترونیکی مورد استفاده قرار گیرد. سیستم‌های طبقه بندی مختلفی توسط پژوهشگران، جهت دسته‌بندی اتوماتیک نامه‌های الکترونیکی ارائه شده‌اند. در این مقاله الگوریتمی جهت دسته‌بندی نامه‌های الکترونیکی برای نرم افزارMicrosoft Outlook ارائه شده که در آن از طبقه‌بندی کننده نزدیک‌ترین همسایه استفاده شده است. این الگوریتم به مدیریتinbox کاربر کمک می‌کند تا نامه‌ها را بر اساس پوشه‌های تعریف شده توسط کاربر، دسته‌بندی کند. مزیت اصلی این سیستم، عدم نیاز به داده‌های آموزشی زیاد، بار محاسباتی کم و دقت بالا می‌باشد.

در این مقاله ضمن بررسی الگوریتمPSO وGCPSO ، الگوریتم باینریGCPSO (GCBPSO) بطور دقیق و مفصل تحلیل شده است. نتایج این تحقیق نشان می‌دهد که الگوریتمGCBPSO دو مشکل بزرگ و عمده دارد که موجبات عدم همگرایی و یافتن جواب بهینه را فراهم می‌کنند. با ارائه راه‌حل‌های مناسب، این دو عیب برطرف شده و تعمیمی بر این الگوریتم ارائه شده است. نتایج آزمایش‌ها برتری مطلق روش پیشنهادی به روش متداول را روی یازده تابع محک استاندارد نشان می‌دهد.

درخت مدل خطي محلي يا LOLIMOT كه در آن از نوعي از مدل فازي عصبي خطي محلي استفاده شده است، الگوريتمي بر اساس استراتژي تقسيم و غلبه م ي باشد كه در آن حل مسئله پيچيده از طريق تقسيم م سئله به تعدادي زير مسئلة كوچ ك تر (و از اين رو ساده تر) صورت مي پذيرد. بنابراين مشخصات اين مد ل هاي فازي -عصبي (زير مسئله هاي كوچك تر شده ) به مقدار زيادي ، به ساختار الگوريتم بكار برده شده جهت تقسي م بندي، وابسته مي باشد. يكي از مشكلات الگوريتم LOLIMOT رو به ر شد بودن تعداد مدل هاي محلي خطي LLM ها مي باشد، بدين معني كه براي رسيدن به خروجي بهتر (خروجي با خطاي كمتر ) تنها راه در الگوريتم LOLIMOT ، پيدا كردن بدترين LLM ( LLMبا خطاي بيشتر) و تقسيم آن به دو LLM مي باشد و اين يعني اضافه شدن تعداد LLM ها . در اين مقاله س عي شده با ارائه روشي براي تركيب LLM ها و قرار دادن آن در الگوريتم LOLIMOT از افزايش بي رويه تعداد مدل هاي محلي جلوگيري گردد. لذا مي توان گفت هدف اصلي تركيب نرو ن ها، رسيدن به خطاي مطلوب با تعداد مد ل هاي كمتري نسبت به الگوريتم اصلي LOLIMOT مي باشد، در پايان الگوريتم پيشنهادي توانست با يافتن مد ل هاي مناسب و تركيب آنها بخوبي به اين مهم دست يابد.

بسیاري از برنامههاي کاربردي تحت وب در معرض حملات SQL injection قرار دارند. در این برنامهها دادهها و اطلاعات مورد نیاز برنامه در جداول موجود در بانک اطلاعاتی ذخیره شده و در صورت نیاز، بازیابی میشوند. دسترسی به این اطلاعات نیز از طریق اجراي پرس و جو هاي ایجاد شده در برنامه بر روي بانک اطلاعاتی صورت میگیرد. به طور کلی یک حمله از نوع SQL injection زمانی اتفاق میافتد که ورودي دریافت شده از سوي کاربر به عنوان بخشی از پرس و جو در نظر گرفته شود. در نتیجه ممکن است ساختار و به دنبال آن نتیجه اجراي پرس و جو با آنچه مد نظر برنامه نویس بوده است متفاوت باشد. در این مقاله از روش ایجاد یک درخت پویش Parse ) (Tree و گرامر اصلاح شده، از پرس و جو در زمان اجراي برنامه و تحلیل اجزاء آن، استفاده کرده ایم. زمان این روش نسبتأ سریع تر از روش هاي موجود است.

در سالهاي اخير به منظور بهبود صحت طبقه بندي تصاوير ابرطيفي الگوريتمهاي استخراج ويژگي زيادي مانند تحليل مولف ه هاي اصلي، نگاشت جستجوگر، استخراج ويژگي با مرز تصميم گيري و تبديل موجک مورد استفاده قرار گرفتن د. اين الگوريتمها فقط از اطلاعات طيفي تصاوير ابرطيفي استفاده مي کنند و به دليل حجم زياد داده ها و محدود بودن تعدا د نمون ه هاي آموزشي کارايي مطلوبي ندارن د. در اي ن مقاله با استفاده همزمان از اطلاعات طيفي و مکاني در استخراج ويژگيهاي خطي طيفي، صحت و اعتبار کلي طبقه بندي بهبود داده شده اس ت. در الگوريتم ارايه شده ، ابتدا فاصله هر پيکسل تا پيکسلهاي همسايه اش، متناسب با شباهتي که با آنها دارد، کم مي شو د و سپس با استفاده ا ز يک الگوريتم استخراج ويژگي خطي، ويژگيها استخراج مي گردد . در اين مقاله ثاب ت شده است که با اين عمل اطلاعات متقابل ويژگيها و کلاسها افزايش يافته و در نتيجه خطاي طبقه بندي کاهش مي ياب د. در مرحله دوم نقشه طبقه بندي با استفاده از ويژگيهاي به دست آمده از مرحله قبل و طبقه بندي کننده حداکثر احتمال حاصل میشود. نتايج حاصل از طبقه بندي داده هاي واقعي سنجنده AVIRIS و HYDICE نشان م يدهد كه الگوريتم پيشنهادي برا ي طبقه بندي داد ههاي ابرطيفي کارآمد بوده و مشكل محدود بودن تعداد نمونه هاي آموزشي را تا حد قابل توجهي جبران مي نمايد.