انجمن کامپیوتر ایران

تحلیل شبکه‌های اجتماعی در سال‌های اخیر بسیار مورد توجه قرار گرفته‌است. بسیاری از شبکه‌های اجتماعی به شکل شبکه‌های پیچیده و ناهمگن مدل می‌شوند. ظهور شبکه‌های ناهمگن در فضای وب، تنوع در انواع موجودیت‌های شبکه و پیوندهای مختلف میان موجودیت‌ها را به همراه داشته‌است. بنابراین چالش جدیدی به نام پیش‌گویی نوع پیوندمطرح گردیده‌است که هدف آن تشخیص نوع رابطه‌‌ی موجود، میان موجودیت‌هاست. با توجه به تاثیری که این موضوع در مدیریت بهینه‌ی اطلاعات کاربران دارد، در این مقاله ابتدا به بیان اهمیت پیش‌گویی نوع پیوند در شبکه‌های اجتماعی و مزایای آن پرداخته‌ایم. سپس برای حل این مسئله، الگوریتم جدیدی ارائه شده که براساس روش یادگیری با نظارت و قوانین احتمال، به منظور پیش‌بینی نوع پیوند در یک شبکه اجتماعی عمل ‌می‌کند. این الگوریتم با کلاس‌بندی نوع روابط براساس ویژگی‌های کاربران درگیر در یک رابطه، سعی در پیش‌بینی نوع روابط ناشناخته دارد. این روش به کمک مجموعه داده Epinions مورد ارزیابی قرار گرفته ‌است ونتایج آن از نظر دقت و فراخوان با الگوریتم کلاس‌بندی بیز مقایسه شده‌است.

جستجوی اول سطح هسته اولیه‌ای برای پیمایش گراف و پایه بسیاری از الگوریتم‌های تحلیل گراف است. این الگوریتم را می‌توان بعنوان نماینده‌ای از یک کلاس از الگوریتم‌های موازی نامنظم دانست. امروزه برای پیاده‌سازی بسیاری از الگوریتم‌ها از پردازنده‌های گرافیکی استفاده می‌شود. پیاده‌سازی‌های متفاوتی از الگویتم جستجوی اول سطح، بر روی این نوع پردازنده ارائه شده است؛ اما هر کدام برای پیمایش نوع خاصی از گراف مناسب است. تنها یک کار تخصصی ارائه شده است که می‌تواند گراف‌های خلوت و متراکم را با سرعت خوبی پیمایش کند. اما در این کار از پردازنده مرکزی در کنار پردازنده گرافیکی استفاده شده است. در این مقاله سعی می‌شود با بهره‌گیری از روش‌های متفاوت پیاده‌سازی الگوریتم اول سطح و نیز استفاده از امکانات موجود در پردازنده گرافیکی در برنامه‌نویسی سرعت اجرای الگوریتم بهبود یابد. با استفاده از الگوریتم‌های ارائه شده در این مقاله می‌توان گراف های منظم و نیز نامنظم با هر میانگین درجه‌ای را با بهره سرعت بهتری پیمایش نمود. نتایج عملی بدست آمده این ادعا را نیز تایید می‌نماید.

در اين مقاله، یک الگوريتم با ويژگي‌های خود-پاياسازی و محدودسازی خطا برای ساخت مجموعه غالب مینیمال به منظور خوشه‌بندی در شبکه‌های حسگر بی‌سیم، پيشنهاد می‌شود. الگوریتم‌های مشابه يا به‌کلی از ويژگی محدودسازی خطا بی‌بهره‌اند و یا چون اساساً با دید کاربردی خاصی طراحی نشده‌اند، با محيط عملياتی شبکه‌های حسگر تناسب ندارند. الگوریتم پیشنهادی قابلیت تنظیم وابستگی گره‌ها به سرخوشه را دارد؛ از پيکربندی‌های تک‌خطايي با پيچيدگی زمانی و مکانی O(1) ترميم می‌شود و تحت سیاست زمانبندی توزيعی ناعادلانه کار می‌کند که بیشترین مشابهت با معماری شبکه‌های حسگر را دارد. ساخت مجموعه غالب مینیمال، چون عدم مجاورت گره‌های سرخوشه را الزامی نمی‌کند، تعداد تغییر حالت کمتری تا پیکربندی مجاز نیاز دارد و ساختار خوشه‌های حاصل از آن نیز بهینه‌تر است. کاهش تعداد پيام‌های بروزرسانی، ایجاد ساختار خوشه‌بندی کارآمدتر و پايدارسازی با حداقل تغيير در ساختار توپولوژيکی از ویژگی‌های اساسی الگوريتم می‌باشند. نتایج حاصل از شبیه‌سازی نشان خواهد داد که صرف نظر از تعداد و تراکم گره‌ها، روش پيشنهادی علاوه بر ترمیم سريع در مقابل خطاهاي مقياس کوچک، زمانِ رسيدن به پايداري با شروع از پيکربندي دل‌خواه اوليه را نيز نسبت به روش‌هاي قبلي بهبود می‌دهد.

یکی از ویژگی‌های ذاتی هر بات‌نت انجام فعالیت‌های گروهی توسط میزبان‌های آلوده به بات است. این میزبان‌ها فرامین یکسانی را دریافت کرده و فعالیت‌های مخرب مشابهی را انجام می‌دهند که باعث می‌شود جریان‌های شبکه آن‌ها شباهت زیادی با هم داشته باشند. علاوه بر آن، جریان‌های شبکه هر میزبان آلوده به بات ممکن است به دلایل مختلفی از قبیل خرابی سرویس‌دهندگان فرمان و کنترل، وجود دیواره‌های آتش فعال، تولید نام‌های دامنه الگوریتمی و غیره با شکست مواجه شوند. در سال‌های اخیر روش‌های زیادی برای تشخیص بات‌نت‌ها مبتنی بر تحلیل شباهت یا تحلیل شکست جریان‌های شبکه پیشنهاد شده است. در این مقاله، روشی جدید با نام یوتاب پیشنهاد می‌شود که از ترکیب هر دو تحلیل فوق برای تشخیص بات‌نت‌های نسل جدید استفاده می‌کند. در این روش، ترافیک شبکه به عنوان ورودی دریافت شده و برای هر یک از جریان‌های TCP، UDP و DNS یک بردار ویژگی استخراج می‌شود. سپس با خوشه‌بندی این بردارهای ویژگی، میزبان‌های دارای فعالیت‌های گروهی مشکوک و با محاسبه نرخ شکست جریان، میزبان‌های دارای شکست‌های مشکوک شناسایی می‌شوند. در نهایت، شهرت منفی میزبان‌ها مبتنی بر سابقه فعالیت‌های گروهی و سابقه شکست‌های مشکوک آن‌ها محاسبه شده و میزبان‌های دارای شهرت منفی بالا به عنوان میزبان‌های آلوده به بات گزارش می‌شوند. نتایج آزمایش‌های انجام شده برای تشخیص سه بات‌نت متفاوت نشان می‌دهند که روش پیشنهادی قادر است این بات‌نت‌ها را با نرخ هشدار نادرست پایین تشخیص دهد.

در خط تولید سرویس‌گرا، شناسایی سرویس‌های مناسب و تغییرپذیری آنها در خط تولید سرویس گرا به صورتی که همراستا با حرفه باشند، تنها با استفاده از مدل ویژگی امکان‌پذیر نیست و برای این منظور می‌بایست سرویس‌ها را بر اساس فرایندهای حرفه شناسایی کرد؛ همانطورکه برای سیستم‌های منفرد سرویس‌گرا نیز از این فرایندها استفاده می‌شود. در این پژوهش، روشی ارائه می‌شود که مبتنی بر اهداف سازمان تولید کننده نرم‌افزار، سرویس‌های مناسب را شناسایی و تغییرپذیری آنها را تعیین می‌کند. این کار از طریق یک الگوریتم تکاملی با افراز گراف مربوط به «مدل خانواده فرایندهای حرفه» انجام می‌شود. سرویس‌های به دست آمده در این روش از اصول طراحی منطبق با اهداف سازمان تبعیت کرده و در قالب مدل تغییرپذیری سرویس سازماندهی و توصیف می‌شوند. ارزیابی روش از طریق آزمایش تجربی نشان داد که مدل‌های ایجاد شده توسط روش پیشنهادی سازگار، دارای قابلیت نگهداری بالا و از نظر معیارهای طراحی سرویس‌گرایی و خط تولید نرم‌افزار نزدیک به طراحی معماران و اغلب بهتر از آنها هستند.

با افزايش روزافزون حجم اطلاعات متني در موضوعات مختلف، ﻫﺮ‬ ‫روز ﺑﺮ ﮔﺴﺘﺮه اﻃﻼﻋﺎت ﻗﺎﺑﻞ دﺳﺘﺮس ﺑﺮاي ﻛﺎرﺑﺮان اﻓﺰوده‬ ‫ﻣﻲﺷﻮد. اﻳﻦ رﺷﺪ علاوه بر مزاياي قابل توجهش، با ايجاد حجم بالاي اطلاعات و در نتيجه ﺳﺮدرﮔﻤﻲ ﻛﺎرﺑﺮان در ﮔﺰﻳﻨﺶ ﻣﻄﺎﻟﺐ، ضرورت ساماندهي مطالب و ذخيرهسازي آن‌ها بصورت بهينه و حذف اطلاعات افزونه از آن‌ها را ايجاب ميکند. سيستم‌هاي خلاصه‌سازي خودکار متون ميتوانند به گزينش مطالب از بين انبوه اطلاعات موجود کمک شاياني نمايند. در اين راستا يک سيستم خلاصه‌ساز استخراجي تک سندي با نظارت معرفي مي گردد که در طراحي آن از ترکیب خروجی دو ابزار طبقه بندي SVM (ماشین بردار پشتیبان) و SSVM (SVM ساختاری) استفاده شده است. ویژگی های مورد استفاده در این سیستم شامل مکان جمله، شباهت به اسامي يا عبارات مناسب، وجود عبارت نشانه، نقل قول‌ها، اطلاعات از پيش دانسته، طول جمله و شمارش کلمات است. نتايج حاصل از ارزيابي سيستم مذکور در مقايسه با سيستم‌هاي معرفي شده خصوصاً براي زبان فارسي بهبود قابل ملاحظه اي را نشان مي دهد. ‬‬‬‬‬‬‬‬‬‬‬‬

در این مطالعه به ایجاد یک سیستم دو لایه جهت آموزش دادن ربات انسان‎نمای نائو با روش یادگیری نمایشی پرداخته شده است. لایه‌ی اول این سیستم حرکات پیچیده و ریتمیک دست مثل ضربات کاراته را از طریق دستگاه ضبط حرکت، ضبط نموده و با کمک روابط سینماتیک معکوس مقادیر زاویه‌های هر درجه آزادی درگیر در حرکت مورد نظر را بدست خواهد آورد. خط سیرهای زاویه‌‌های هر درجه آزادی به عنوان ورودی به لایه دوم سیستم داده می‌شود. لایه‌ی دوم با استفاده از شبکه‌ای از نوسان‌سازهای دامنه-فاز که برای هر درجه آزادی در نظر گرفته می‌شود به آموزش داده‌های بدست آمده از لایه‌ی اول می‌پردازد. این سیستم قادر است خط سیرهای هر نوع حرکت پیچیده‌ و ریتمیک را توسط لایه اول بدست آورد و در لایه‌ی دوم این خط سیرهای ریتمیک را آموزش ببیند و نسبت به همه‌ی این حرکت‌ها همگرا شود. نتایج پیاده سازی این سیستم آموزشی در محیط شبیه‌ساز ربات (WEBOTS) که با نرم افزار متلب پیوند شده است نشان می‌دهند که ربات به نحوی مطلوب حرکت مورد نظر را آموزش دیده است.

رایانش ابر به خاطر ارائه‌ی رایانش و پردازش بر حسب نیاز و در عین حال کاهش هزینه‌ها، به عنوان فناوریِ پردازشی آینده شناخته شده است. ولی مشکل امنیت داده در این فناوری به یکی از نگرانی‌های جدی در این حوزه تبدیل شده است. امنیت داده از ابعاد مختلفی قابل بررسی است. از بُعد دسترسی غیر مجاز به داده، دو نگرانی وجود دارد. نگرانی اول ناشی از دسترسی غیر مجاز یک کاربر ابر به عنوان مهاجم، به داده‌های دیگر کاربران ابر است. نگرانی دوم از دسترسی غیرمسئولانه کارمندان ابر به داده‌های محرمانه کاربران ابر بوجود می‌آید. مبحث مورد بررسی در این نوشتار، نگرانی دوم یعنی دسترسی غیرمسئولانه صاحبان وکارمندان ابر به داده یک کاربر است. البته بر طرف نمودن نگرانی دوم، قطعا منجر به بهبود نگرانی اول نیز خواهد شد. برای این منظور روش‌هایی مطرح شده است که درکنار رمزنگاری داده، منجر به افزایش محرمانگی داده خواهد شد. با استفاده از این روش‌ها، برای دسترسی به داده، نیاز به تعامل با مالک داده خواهد بود. روش‌های ارائه شده در این نوشتار، مبتنی بر زیرساخت سیستم فایل توزیعی هادوپ در ابر است. سیستم فایل توزیعی هادوپ به عنوان مهم‌ترین زیرساخت در ذخیره و بازیابی داده در رایانش ابر مطرح است. یکی از مهم‌ترین سرویس‌هایی که از ابر انتظار می‌رود ارائه کند، ذخیره داده در حجم زیاد می‌باشد. ولی این سرویس بدون ضمانت کافی در امنیت داده دچار مشکل خواهد شد. با رویکردهای ارائه شده در این مقاله می‌توان امنیت و محرمانه‌گیِ داده‌یِ قرار گرفته شده بر روی ابر را به شکل قابل توجهی افزایش داد.

با توسعه سیستم‌های مخابرات موبایل و فناوری پخش دیجیتال، سیستم‌هایی با نام عمومي تلويزيون موبايل ایجاد شده است. بعد از پخش آزمایشی تلويزيون موبايل و شکست برخی از پخش‌ها به دلیل فقدان مدل کسب‌وکار، تدوین مدل کسب‌وکار مسئله اساسی به نظر مي‌رسد. در این مقاله پس از درک مفاهیم، توصیف مؤلفه‌ها و دسته‌بندی‌ها کاربری مدل¬های کسب¬وکار مطرح در دنیا، به ارزیابی آن‌ها با رویکرد تلویزیون موبایل بالأخص برای پخش‌کنندگان عمومی پرداخته می‌شود تا با تعریف مؤلفه‌های تأثیرگذار، چارچوبی متناسب برای پخش‌کنندگان عمومی ارائه گردد. در انتها با استفاده از نظرات خبرگان و ذینفعان، به اصلاح و تدقیق مؤلفه‌های کسب‌وکار متناسب با کلان‌شهر تهران پرداخته شده است.

یکی از مسائلی که در مورد استفاده از تلفن همراه مطرح است تعیین مکان ایستگاه‌های مورد نظر برای دادن سرویس‌دهی مناسب از نظر خط دهی به تلفن همراه است. شعاع خط دهی متفاوت این ایستگاه‌ها، مکان آن‌ها و شرایط جغرافیایی منطقه باعث می‌شود که مکان‌یابی این ایستگاه ها یک مسأله بهینه‌سازی از نوع چند جمله‌ای غير قطعي سخت1 شود. برای این منظور يك الگوريتم بهينه‌سازي جديد با نام 2WLM ارائه شده است. الگوریتم پیشنهادی با نمونه‌هاي مشابه که به وسیله الگوریتم ژنتیک و آتاماتاي يادگير پیاده‌سازی شده بود، مقایسه شده است و نتایج حاصل نشان می‌دهد که الگوریتم پیشنهادی بهتر از نمونه‌هاي مشابه پیاده‌سازی شده مي‌باشد.

یک زبان مدل‌سازی عبارت است از مجموعه‌ای از مفاهیم استخراج شده از دامنه‌ی مورد نظر و مجموعه‌ای از قیودی که بر روی این مفاهیم تعریف می‌شود. در این مقاله، یک زبان مدل‌سازی خاص مرحله‌ی واکنش از دامنه‌ی محیط‌های واکنش اضطراری ارائه شده است که بر مبنای متاکلاس‌های UML است. در طراحی این زبان، از مفاهیم تعریف شده در زبان مدل‌سازی DMM و MAS-ML استفاده شده است. فرایند طراحی زبان ارائه شده، در سه مرحله‌ی گسترش مدل نحوی، گسترش مدل واقعی و گسترش مدل دامنه توضیح داده شده است. در طراحی زبان مدل‌سازی ارائه شده، چارچوب تائو و زبان مدل‌سازی MAS-ML گسترش داده شده‌اند. با استفاده از این زبان، مدل‌سازی مرحله‌ی واکنش از محیط‌های واکنش اضطراری، راحت‌تر و سریع‌تر انجام شده و نیازی به یادگیری دانش محیط‌های واکنش اضطراری توسط همه‌ی توسعه‌دهندگان یک تیم نیست. به‌علاوه، سطح تجرید بالا رفته، سرعت روند توسعه افزایش پیدا کرده و نسبت به زبان‌های مدل‌سازی همه منظوره مثل UML، طراح به مفاهیم دامنه نزدیک‌تر خواهد شد.

در این مقاله برای مدل کردن تغییر زاویه دید، از روش یادگیری استفاده شده در تحلیل فاکتور مقید و نسخه تقویت شده آن استفاده شده است. از آن جا که با تغییر زاویه دید، مؤلفه‌های فرکانس بالای تصویر، تغییر بیشتری می‌کنند؛ و از طرفی ضرایب حساس به جهت تبدیل کرولت، ضرایب جزئی آن هستند؛ بنابراین ضرایب درشت این تبدیل برای شناسایی چهره در زاویه‌های دید مختلف، قوی باقی می‌مانند. استفاده از ضرایب درشت تبدیل کرولت در تجزیه دو سطحی آن، به عنوان ویژگی، درصد شناسایی روش‌های ذکر شده را بهبود می‌دهد. میزان بهبود برای تصاویر با زاویه چرخش نزدیک به نیم رخ، بیشتر است. برای پیاده سازی‌، از بخشی تصاویر پایگاه ‌داده‌ی CMU-PIE برای آموزش و از بقیه برای آزمودن نتایج استفاده شده است.

طبقه‌بندی ساختاری پروتئین‌ها یک منبع ارزشمند برای فهمیدن الگوهای تاشو، طبیعت و عملکرد آن‌ها است. با توجه به افزایش تعداد پروتئین‌های شناخته‌شده و هزینه‌ی بالای تعیین سطح سه بعدی برای هر کدام از آن‌ها، طراحی یک طبقه‌بند خودکار و کارا با دقت بالا برای شناسایی کلاس ساختاری پروتئین‌ها بسیار حائز اهمیت می‌باشد. در این مقاله، یک مجموعه ویژگی جدید برای طبقه‌بندی ساختاری پروتئین‌ها در 4 دسته all-α، all-β، α+β و α/β معرفی و پیاده‌سازی گردیده است. در روش پیشنهادی از خصوصیات دنباله ساختار دوم پروتئین به عنوان مجموعه ویژگی و از SVM به عنوان طبقه‌بند استفاده‌شده و دقت روش پیشنهادی با موفق‌ترین روش‌های مرز دانش مقایسه شده است. برای مجموعه داده استاندارد 25PDB روش پیشنهادی دقت بالای 89.33 درصد را برای 29 ویژگی نشان داده است و این در حالی است که روش‌های قدیمی‌تر با 2510 ویژگی دقت 87.80 درصد را داشته‌اند. این بدان معنی است که روش پیشنهادی در این مقاله با کاهش ویژگی از 2510 به 29، علاوه بر کاهش پیچیدگی مسئله، دقت را نیز افزایش داده است. نتایج آزمایش‌ها نشان‌دهنده برتری روش پیشنهادی نسبت به سایر روش‌های مطرح، از لحاظ دقت و پیچیدگی در این زمینه است.

امروزه با توجه به رشد محاسبات سرویس‌گرا، پاسخ‌گویی به درخواست‌های پیچیده کاربران با انتخاب یک سرویس منفرد یا ترکیب چند سرویس منفرد (و یا مرکب) با هم و تولید یک سرویس مرکب انجام می‌پذیرد. از آنجایی که سرویس‌های وب فراوانی عملکرد یکسانی دارند، معیارهای کیفیت خدمات (QoS) مانند زمان پاسخ و دسترسی‌پذیری اهمیت فراوانی در متمایز کردن این سرویس‌ها از هم دارند. بنابراین می‌توان سرویس‌های مناسب را با در نظر گرفتن معیارهای QoS آن‌ها طوری انتخاب کرد که اولا محدودیت‌های کیفی کاربر برآورده شود و ثانیا از لحاظ کیفیت کلی، کاراترین سرویس مرکب ممکن تولید شود و این همان تعریف مسئله "انتخاب سرویس مبتنی بر QoS" است. مقیاس‌پذیری، با افزایش تعداد وظایف موجود در درخواست کاربر و همچنین با افزایش تعداد سرویس‌های نامزد، مهم‌ترین معیارهای ارزیابی یک راه‌کار انتخاب سرویس مبتنی بر QoS است. راه‌کار پیشنهادی با طراحی تابع مکاشفه محلی سازگار با مسئله انتخاب سرویس، جستجوی محلی مبتنی بر الگوریتم شبیه‌سازی ذوب فلزات و تغییر استراتژی انتقال خاک به تکرارهای بعدی الگوریتم قطرات هوشمند آب (IWD)، برای حل مساله انتخاب سرویس مبتنی بر QoS طراحی شده است. نتایج آزمایشات حاکی از آن است که راه‌کار پیشنهادی به طور قابل توجهی مقیاس‌پذیرتر از راه‌کارهای دیگر است.

امروزه شبکه‌های اتونومیک به عنوان راه‌حلی برای پاسخگویی به هزینه‌ها و پیچیدگی روز افزون مدیریت زیرساخت‌های شبکه مطرح شده است. این معماری قابلیت خودسازمان‌دهی ، خود بهینه‌سازی ، حفاظت از خود و خودترمیمی را دارد. هدف این مقاله ارائه معماری اتونومیک مبتنی بر سیاست و یادگیری برای شبکه‌های موردی سیار است تا به واسطه آن بتواند خود را با شرایط ویژه شبکه‌های موردی سیار تطبیق دهد. با توجه به ماهیت پویای شبکه‌های بی‌سیم موردی که در آن هر گره وظیفه مسیریابی را خود به تنهایی انجام می‌دهد، مدیریت این نوع از شبکه‌ها فرآیندی پیچیده و دشوار است. لذا به دلیل تحرک گره‌ها مهمترین چالش این نوع از شبکه‌ها در کنار محدودیت منابع رادیویی و انرژی گره‌ها، مسیریابی با حداقل مصرف منابع است. یافتن ارتباطات محلی با گره‌های همسایه با ثبت و حفظ همسایه‌ها می‌تواند علاوه بر سهولت فرآیند مسیریابی، مصرف انرژی گره‌ها را نیز بهبود بخشد. در این مقاله سعی شده با ارائه معماری اتونومیک، فرآیند شناسایی همسایه‌ها را با مدیریت پذیر نمودن، بهبود بخشیم. معماری پیشنهادی برروی پروتکل AODV به عنوان نمونه، پیاده‌سازی شده و در مواردی چون نرخ ارسال بسته‌ها، تاخیر نقطه به نقطه، تعداد بسته‌های Hello و نرخ بسته‌های کنترلی بهبود داشته است.

روش‌های مختلفی برای حل مسئله‌ی فروشنده دوره‌گرد ارائه شده است، از جمله راه حلی مبتنی بر الگوریتم ژنتیک، ولی در حالت کلی الگوریتم ژنتیک در حل مسئله‌های ترکیبی غالباً با همگرایی زودرس مواجه هستند، که ما در این مقاله با بررسی و معرفی روش‌ها و عملگرهای جدید به رفع این مشکل پرداخته‌ایم. ایده‌ی ما مبنی بر الگوریتم ژنتیک ترکیبی برای حل مسئله‌ی فروشنده دوره‌گرد می‌باشد. روند اجرای الگوریتم ما چنین است که روش‌های مختلفی که در هر مرحله از الگوریتم، اعم از ایجاد جمعیت اولیه با الگوریتم‌های نزدیک‌ترین همسایگی، حریصانه و ترکیب آن‌ها با الگوریتم ژنتیک و نیز استفاده از روش‌های اکتشافی برای عملگرهای ترکیب و ‌جهش مورد بررسی قرار گرفته است. با افزودن و ترکیب الگوریتم جداساز و تکامل این روش در دو جهت ساعتگرد و پاد ساعتگرد به الگوریتم ژنتیک سعی در بهبود جامعه داشته و در زمان‌های کاهش گوناگونی جمعیت، کروموزوم‌های مصنوعی با گوناگونی بالا ایجاد می‌گردند، برای افزایش سطح گوناگونی به سیستم وارد نموده‌ایم. در طی اجرای برنامه گوناگونی کروموزوم‌های موجود مورد بررسی قرار گرفته و کروموزوم‌های یکسان با کروموزوم‌های مصنوعی جایگزین می‌گردند. پیاده سازی‌ها، نتیجه‌ی بهبود الگوریتم ترکیبی بهینه شده را نسبت به الگوریتم‌های ژنتیک معمولی و ژنتیک ترکیبی اولیه و ثانویه نشان می‌دهد.

با فرا گیر شدن فناوری صدا بر بستر IP و استفاده از آن به علت هزینه پایین و قابلیتهای فراوان نسبت به سیستم های تلفن قدیمی ، چالشهای امنیتی جدیدی را نیز ایجاد کرده است. از آنجا که پروتکل ارتباطی 1SIP به عنوان پروتکل سیگنالینگ در تکنولوژي 2VOIP بسيار مورد استفاده است. امن سازي اين پروتکل تاثير زيادي در کاربرد بيشتر VOIP دارد . روش اصلي احراز هويت در پروتکل SIP روش HTTP-Digest مي باشد که در سطح امنيتي خوبي قرار ندارد. مساله اصلي تحقيق امن سازي ارتباطات ميان دو کاربر در شبکه اينترنت که از تکنولوژي VOIP استفاده ميکنند و هدف ارائه يک پروتکل امن با حفظ کارايي سيستم و دارا بودن کمترين سربار پردازشي به منظور حداقل تاخير در ارتباطات و ايجاد ارتباط بلادرنگ ميباشد.

در سال‌های اخیر تحقیقات زیادی در تحلیل حالت چهره انجام‌شده است. با توسعه بینایی ماشین و هوش مصنوعی، شناسایی حالت چهره یک تکنیک کلیدی از پیشرفت فعل و انفعالات کامپیوتر- بشر است و کاربردهایی درزمینه تعامل طبیعی میان انسان و کامپیوتر ، بینایی ماشین و معالجه طبی روحی و... دارد. در این مقاله، ما روش جدیدی برای تشخیص حالت‌های چهره که مبتنی بر کشف تفاوت‌های حالت‌های چهره است طراحی کرده‌ایم و یک الگوی منحصربه‌فرد برای هر حالت اختصاص داده‌ایم. این سیستم شناسایی، به‌صورت محلی و با آنالیز کردن تصویر از طریق یک پنجره همسایگی روی تصویر، تخمین زده می‌شود. استخراج ویژگی به‌صورت ویژگی‌های دودویی محلی می‌باشد و با استفاده از تغییرات نقطه‌ای بین پنجره‌ها، نقاط چهره یک حرکت جهت‌دار برای هر حالت چهره به خود می‌گیرد. با ایجاد یک سیستم رتبه دهی اقدام به حذف نقاط اضافی حرکتی می‌کنیم، کلاس‌بندی صورت گرفته بر اساس نزدیک‌ترین همسایه صورت می‌گیرد. در پایان مقاله نتایج آزمایشات در خصوص مجموع داده‌های Cohn-Kanade نشان می‌دهد که الگوریتم موردنظر ما نسبت به‌روش‌های پیشین بهتر عمل می‌کند و قابلیت اطمینان بالاتری دارد.

با توجه به ساختار رقابت کامل حاکم در صنعت طیور ایران، به‌کارگیری سیستم‌های تصمیم‌یار برای پشتیبانی تصمیم‌گیرنده در تصمیمات حیاتی از اهمیت فوق‌العاده‌ای برخوردار است. در این تحقیق، یک سیستم تصمیم‌یار طراحی شده که قادر است شرکت‌های زنجیره‌ای یکپارچه تولید گوشت مرغ را جهت اتخاذ تصمیم درست مبنی بر فروش جوجه‌های یک‌روزه یا پرورش آنها و فروش بصورت مرغ پشتیبانی نماید. برای طراحی این سیستم لازم است که شود حاصل از اتخاذ هر یک از گزینه‌ها محاسبه شود. برای این منظور قیمت‌های تمام‌شده هر گزینه با توجه به هزینه‌های خوراک، واکسن، دارو، خدمات فنی، استهلاک و غیره مدل‌سازی و محاسبه می‌شود. برای محاسبه قیمت‌های بازار نیز از رویکرد سری زمانی همراه با بکارگیری شبکه عصبی استفاده می‌شود. این سیستم قابلیت این را دارد که سود حاصل را برای زمان‌های مختلف محاسبه کند و تحلیل‌هایی در حوزه سناریو‌های "چه می‌شود اگر" و جستجوی هدف و نیز تحلیل حسایست روی پارامترهای اصلی مساله ارائه دهد تا کاربر را در انتخاب استراتژی و گزینه صحیح یاری رساند.

این مقا‌له بر مبنای رویکرد ابرابتکاری به مسأله انتخاب ویژگی می‌پردازد. انتخاب ویژگی‌های ضروری و مؤثر از مسائل مهم در بازشناسی الگو است. در روش پیشنهادی، الگوریتم فرا‌ابتکاری جستجوی گرانشی را با چندین جستجوگر محلی ترکیب شده است. کارایی روش پیشنهادی روی پایگاه داده‌های استاندارد با معيار نرخ طبقه‌بندی درست بررسی شده است. نتایج آزمايش‌ها و مقايسه با الگوریتم‌های ممتیک و الگوریتم جستجوی گرانشی باینری کارایی مناسب الگوریتم پیشنهادی را تاييد مي‌کند.