انجمن کامپیوتر ایران

ارزیابی طراحی جایگزین در مراحل اولیه طراحی مهندسی نقش مهمی را در تعیین موفقیت توسعه و ارائه یک محصول جدید ایفا می‌کند به طوری که به ‌‌‌‌‌‌‌‌میزان قابل توجه بر روی فعالیت‌های طراحی متعاقب تاثیر می‌گذارد. با این حال، روش‌های موجود در مورد ارزیابی طراحی جایگزین دارای ابهاماتی از سوی متخصصین بوده و دارای قضاوت‌های موضوعی و توصیفات کیفی است. جهت کاهش موضوع محوری و بهبود کارایی فرآیند ارزیابی، این تحقیق یک روش ارزیابی کمی را از طریق برآوردهای عملکردی داده‌ای پیشنهاد می‌کند. در این روش، اوزان و کارایی شاخص‌های عملکردی بر اساس ارزیابی کمی از قضاوت‌های متخصصین صورت گرفته و رتبه‌بندی فرآیندهای طراحی جایگزین با پیش‌بینی مقادیر عملکردی بر اساس داده‌های قبلی طراحی محصول حاصل می‌شود. به منظور تسهیل در رتبه‌بندی کمی مبتنی بر عملکرد فرآیند‌های جایگزین در مراحل اولیه طراحی که در آن هیچ گونه محاسبه عملکردی امکان پذیر نمی‌باشد، یک ماشین بردار پشتیبانی مبتنی بر بهینه‌سازی الگوریتم فاخته برای داده‌های مبتنی بر پیش‌بینی عملکرد اعمال می‌شود. رتبه‌بندی نهایی فرآیند‌های جایگزین با توجه به مقادیر پیش‌بینی شده شاخص‌های عملکردی متعدد به وسیله VIKOR حاصل می‌شود.

با پیشرفت روز افزون فناوری‌های جدید مانند اینترنت اشیاء، خدمات مفیدتر و سریعتری در زمینه‌های مختلف به دنیا عرضه شده است. سازمان‌ها برای بهره‌مندی و استفاده از این پیشرفت‌ها، نیاز به تغییرات اساسی در ساختار خود دارند. مهم ترین اصل در انجام در تغییرات با هدف بهره‌گیری از این فناوری‌های جدید، استفاده از یک معماری سازمانی مناسب و قابل انعطاف است. با استفاده از اینترنت اشیاء در سازمان‌ها، می‌توان شبکه‌ای از اشیاء فیزیکی متنوع را ایجاد کرد که این شبکه قادر به جمع‌آوری و مبادله داده‌ها است و همچنین ارتباطی مستقیم بین سیستم‌های کامپیوتری و دنیای فیزیکی را فراهم کرده است. اینترنت اشیاء در لایه شبکه، از پروتکل RPL برای مسیریابی استفاده می‌کند. یکی از ضعف‌های عمده و بزرگ پروتکل RPL، عدم پشتیبانی از توازن بار در شبکه است که این امر باعث به وجود آمدن ازدحام در شبکه و در نتیجه کاهش کارایی شبکه شده است. در این مقاله ضمن معرفی معماری اینترنت اشیاء، روشی برای برقراری توازن بار در پروتکل مسیریابی RPL ارائه شده است. در این روش معیاری بنام تعداد فرزندان در هنگام ساخت گراف DODAG محاسبه شده و با استفاده از ترکیبی از این معیار در کنار معیار تعداد انتقال مورد انتظار، تابع هدف جدیدی در جهت متوازن کردن شبکه ارائه شده است. جهت بررسی عملکرد روش پیشنهادی، این روش با تابع هدف استاندارد MRHOF مقایسه شده است. نتایج بررسی نشان داده که الگوریتم پیشنهادی توانسته است از لحاظ توازن بار، انرژی مصرفی و طول عمر شبکه عملکرد قابل قبولی را نسبت به تابع هدف مورد مقایسه، از خود نشان دهد.

با رشد سریع علم و فناوری اطلاعات، ارتباطات و اینترنت اشیا، مفهوم شهر هوشمند اخیرا توسط دولت‌های بسیاری برای بهبود محیط زندگی شهری بسیار مورد توجه قرار گرفته است و یکی از تکنولوژی‌هایی که بسیار مورد استفاده قرار می‌گیرد شبکه‌های موردی بین خودرویی است. امنیت و کارایی دو مقوله بسیار مهمی هستند که در اکثر کاربردهای مورد نظر برای شبکه‌های موردی بین خودرویی باید مد نظر قرار بگیرند. درحوزه امنیت، مسائلی نظیر محرمانگی، حفظ حریم خصوصی و احراز اصالت گره‌های شبکه مورد توجه است. برای دست‌یابی به عملکرد بهتر و کاهش پیچیدگی محاسباتی، طراحی یک طرح احراز اصالت کارامد که ضمن حفظ حریم شخصی گره، در برابر حملات مختلف امنیت لازم را داشته باشد یک چالش اساسی است و در سال‌های اخیر طرح‌های بسیاری به این منظور پیشنهاد شده است که ما در این مقاله یکی از جدیدترین طرح این حوزه یعنی طرح PW-CPPA-GKA را مورد بررسی قرار داده و نشان می‌دهیم که این طرح در مقابل حملاتی مانند بدست آوردن کلید گروهی، محاسبه کلید گروهی جدید و همچنین امکان اتصال‌پذیری آسیب پذیر است و در این طرح مبتنی بر کلید گروهی مهاجم می‌تواند کلید گروهی را بدست آورده و حریم خصوصی، امنیت پیشرو و قابلیت اتصال پذیری در شبکه نقص کرده و جعل هویت گره‌های مجاز در شبکه را انجام دهد.

رایانش مه یک مفهوم محاسباتی توزیع‌شده است که به‌عنوان یک لایه میانی بین مراکز داده ابر و دستگاه‌های اینترنت اشیا عمل می‌کند و یکی از اهداف آن کاهش زمان پاسخ درخواست‌های ارسال شده توسط کابران است. رایانش مه با چالش‌های فراوانی روبرو است که یکی از مهم‌ترین آنها زمان‌بندی وظایف می‌باشد. در این مقاله روشی کارا برای زمان‌بندی وظایف مهلت‌آگاه در رایانش مه پیشنهاد می‌شود. در روش پیشنهادی گره‌های مه به صورت کلونی درنظرگرفته شده‌اند و با همکاری یکدیگر به درخواست‌ها پاسخ می‌دهند. همکاری گره‌های مه بر اساس تخمین زمان اتمام کار صورت می‌پذیرد، به طوری که هر درخواست به گرهی در کلونی که کمترین تخمین زمان اتمام کار را داشته باشد، ارسال می‌شود. همچنین برای زمان‌بندی درخواست‌ها از الگوریتم بخت‌آزمایی استفاده شده و توزیع بلیت درخواست‌ها بر اساس مهلت زمانی آنها انجام می‌شود. بدین صورت که به درخواست‌هایی که مهلت زمانی کمتری برای اجرا دارند با دادن بلیت بخت‌آزمایی بیشتر، اولویت داده می‌شود. نتایج آزمایشات انجام گرفته نشان می‌دهد که ترکیب همکاری گره‌های مه و الگوریتم بخت‌آزمایی برای زمان‌بندی وظایف در رایانش مه، باعث کاهش زمان پاسخ و افزایش نرخ پذیرش درخواست‌های کاربران می‌شود.

با پیشرفت تکنولوژی، سیستم‌های نهفته به صورت روزافزون پیچیده‌تر شده و با محدودیت‌های طراحی متعدد رو به رو می‌گردند. از این‌رو طراح‌های این سیستم‌ها باید از میان تعداد زیاد گزینه‌های طراحی، بهترین را جستجو کنند. نمونه این تصمیم‌ها، نحوه تخصیص منابع و زمان‌بندی بخش نرم‌افزاری به معماری سخت‌افزاری موجود با در نظر گرفتن اهداف مختلف طراحی است. استراتژی‌های بهینه‌سازی مختلفی برای غلبه بر این چالش توسعه یافته است اما اکثر این روش‌ها روی یکی از اهداف طراحی تمرکز کرده‌اند. در اين مقاله، یک روش زمانبندی وظیفه چندهدفه برای سیستم‏‌های نهفته ارائه می‌شود که با در نظر گرفتن یک معماری سخت افزاری روشی برای زمان‌بندی و نگاشت وظایف روی آن پیشنهاد می‌شود. در این روش، سه پارامتر زمان اجرای وظایف، انرژی مصرفی و قابلیت اطمینان، به عنوان سه هدف بهینه‌‏سازی طی یک الگوریتم بهینه‌سازی ترکیبی ژنتیک و گرگ خاکستری (GA/GW) بهینه می‌گردند. در این الگوریتم، ضمن استفاده از مزایای الگوریتم ژنتیک، از الگوریتم گرگ خاکستری برای جستجوی بهتر فضای جستجو و همگرایی سریع‌تر بهره برده‌ایم. نتایج نشان می‌دهند الگوریتم پیشنهادی در مقایسه با الگوریتم‌های قبلی به زمان‌بندی‌های بهتر از نظر اهداف بهینه‌سازی دست می‌یابد.

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.

در سال‌های اخیر استفاده از شبکه‌های عصبی عمیق در دستگاه‌های لبه در حوزه‌های مختلف مانند اتومبیل‌های خودران، اینترنت اشیاء و تلفن‌های همراه هوشمند مورد توجه زیادی قرار گرفته است. این شبکه‌ها برای ذخیره‌‌سازی نیازمند حافظه ذخیره‌سازی انبوه برای انجام محاسبات می‌باشند؛ در حالی که دستگاه‌های لبه دارای محدودیت حافظه و توان مصرفی می‌باشند. لذا یکی از مشکلات اصلی شبکه‌های عصبی عمیق، فضای ذخیره‌سازی عظیم می‌باشد که برای حل این مشکل تکنیک های فشرده‌سازی شبکه عصبی معرفی شدند. یکی از مهم‌ترین روشهای فشرده‌سازی شبکه عصبی، چندی‌سازی پارامتر های شبکه عصبی می‌باشد. در این مقاله تکنیک چندی‌سازی با استفاده از نواحی غیرهمپوشان با تعداد بیت متغیر معرفی می شود. در این روش نواحی مختلفی پارامترهای شبکه را براساس توزیع وزن نورون‌ها ایجاد می‌کنیم. هر کدام از این نواحی دارای تعداد بیت چندی‌سازی متغیری می‌باشند. استفاده از تکنیک پیشنهادی اندازه شبکه عصبی عمیق کاهش چشم‌گیری می‌یابد در حالی که دقت شبکه را تغییر نمی دهد. نتایج شبیه سازی نشان می دهد روش پیشنهادی با استفاده از مدل ResNet50 [1] بر روی مجموعه داده‌ی ImageNet [2] به دقت 74.78% دست یافته است، در حالی که اندازه مدل از 816 میلیون پارامتر به 96 میلیون پارامتر کاهش یافته است.

رایانش ابری امکان استفاده از روش‌های نوین در تخصیص منابع را به کاربران خود می‌دهد و این امکان، پیاده‌سازی و استقرار نرم‌افزارهای کاربردی در ابرها را دست‌خوش تغییر کرده است. سیستم مقیاس‌پذیری خودکار فعال، امکان تغییر مقیاس منابع مورد استفاده را به صورت پویا ایجاد می‌کند. کانتینرسازی، یک روش مجازی‌سازی سبک وزن سطح سیستم‌عامل است. استفاده از کانتینرها ریزدانگی تخصیص منابع را افزایش می‌دهد. به همین دلیل از زمان معرفی کانتینرها استفاده از آن‌ها در پیاده‌سازی نرم‌افزارهای کاربردی رو به افزایش است. استفاده از روش‌های مقیاس‌پذیری خودکار فعال، به ما کمک می‌کند تا تخصیص منابع در دسترس را با توجه به تقاضای کاربران و به صورت بهینه در اختیار آنها قرار دهیم. در این مقاله سیستم‌های مقیاس‌پذیری خودکار را معرفی می‌کنیم و روش‌های متنوع پیاده‌سازی آن‌ها را با رویکرد فعال بررسی می‌کنیم.

در تحلیل چهره یکی از مهم‌ترین عناصر شناسایی، تخمین زاویۀ سر است که میزان تمرکز فرد را نشان می‌دهد؛ لیکن یکی از موانع اصلی برای این تخمین، هزینة برچسب‌گذاری تصاویر است. یکی از راه‌حل‌های جبران کمبود برچسب‌ها، استفاده از روش‌های خودنظارتی است. روش‌های خودنظارتی می‌توانند از داده‌های بدون برچسب، ویژگی‌های مناسب را برای وظیفۀ اصلی استخراج کنند. این مقاله سعی دارد که تمایز استفاده از روش‌های یادگیری خودنظارتی برای تخمین زاویة سر را نشان دهد. به طور کلی دو رویکرد برای استفاده از روش‌های خودنظارتی وجود دارد: الف. پیش آموزش وزن‌های شبکه؛ب. استفاده به عنوان یک وظیفة کمکی در کنار یادگیری بانظارت. در این مقاله با طراحی معماری یادگیری چند وظیفه‌ای ترکیبی و مقایسة آن با روش خودنظارتی «چرخاندن» و «پازل کردن» سعی شده تأثیر استفاده از روش‌های خودنظارتی بررسی شود. نتایج نشان داد که استفاده از روش چرخاندن برای پیش آموزش وزن‌ها و پازل کردن به‌عنوان وظیفة خودنظارتیِ کمکی برای تخمین زاویة سر، بهترین عملکرد را داراست. در این حالت میانگین خطا در مقایسه با روش بانظارت 13 درصد کاهش می‌یابدکه قابل مقایسه با کارآمدترین روش‌ها است.

در این مقاله روشی جهت کاهش پیچیدگی محاسباتی استاندارد VVC براساس محتوای بصری با توجه به تاثیر ابزارهای کدکردن ویدئو در این استاندارد پیشنهاد شده است. به دلیل تاثیر زیاد عملیات تخمین و جبران حرکت در افزایش پیچیدگی محاسباتی کدگذار، در این مقاله محتواهای با حرکات زیاد انتخاب و ابزارهای مربوط به محاسبه تخمین و جبران حرکت مورد بررسی قرار گرفتند. در روش پیشنهادی این مقاله با جداسازی قسمت پیش‌زمینه از پس‌زمینه و بررسی ابزارهای کدکردن خاص استاندارد VVC فقط برای قسمت پیش‌زمینه، محاسبات لازم برای برآورد و تخمین حرکت را کاهش داده و ابزارهای کدکردن با محاسبات بالا، تنها برای بخش دارای حرکات زیاد ویدئوها یعنی پیش‌زمینه استفاده می‌شوند. نتایج شبیه‌سازی نشان می‌دهد که روش پیشنهادی می‌تواند تنها با کاهش ۱ درصدی کارایی فشرده‌سازی منجر به کاهش ۱۰ درصدی زمان انجام عملیات کدگذاری نسبت به روش مرجع استاندارد VVC شود.

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.

در اين مقاله يک روش جديد براي تخمين طيف فرکانسي سيگنال‌ها معرفي مي‌شود. اين روش بر اساس نمايش تنکi تابع خودبستگي سيگنال در يک پايه فرکانسي با اضافاتii ارائه مي شود. بدين وسيله اندازه پايه فرکانسي به نصف رسيده و در نتيجه حجم محاسبات به طور قابل ملاحظه‌اي کاهش مي‌يابد. نتايج شبيه‌سازي نشان مي‌دهد که کارآيي روش پيشنهادي نسبت به روش مرجع در مدت زمان بسيار کمتري، مشابه مي باشد

پروژه های فناوری اطلاعات به دلیل پیچیدگی زیاد ، در موارد متعددی به شکست می انجامند یا اینکه از زمان یا هزینه ی پیش بینی شده فراتر می روند . یکی از راه هایی که می توان با استفاده از آن جلوی شکست این پروژه ها را گرفت ، ارزیابی و ضعیت فعلی پروژه و بدست آوردن برآوردی از آینده ی پروژه است .در این مقاله قابلیتهای سامانه طراحی و ساخته شده "ساتاب" سامانه ی ارزیاب تحقق اهداف برنامه ای (شرایط پایان دهی) که با استفاده از مدل های تحلیل وضعیت به برآورد شرایط آتی یک پروژه در دست اجرا می پردازد ، توصیف شده است. این سامانه وضعیت فعلی را با آنچه که در ابتدای پروژه پیش بینی شده بود مقایسه شده و موارد عقب ماندگی از هزینه و زمان ، کارآیی زمان بندی و کارآیی هزینه ، بودجه ی تخمینی برای اتمام پروژه ، میزان کارآیی مالی پروژه و روند سودآوری آن را مشخص می کند. همچنین با استفاده از نظرات خبرگان در رابطه با معیارهای موفقیت و شکستی که در پروژه وجود دارد ، احتمالی برای موفقیت و شکست پروژه تعیین می کند و در نهایت به شناسایی خطرهای پروژه و ارائه ی راهکارهای بهبود طلب برای پروژه می پردازد . همچنین ارزیابی های پروژه در بازه های مختلف زمانی را باهم مقایسه می کند و بدین وسیله روند پایان دهی پروژه را نشان می دهد و در خاتمه یک گزارش تحلیلی نهایی رایانه ای شامل یک تصمیم توصیه ای در مورد توقف یا ادامه پروژه تا اتمام را تولید می کند.

در این مقاله روش جدیدی برای استخراج ویژگی از تصویر زیرکلمات چاپی فارسی با استفاده از تبدیل بسته­ی ویولت سیملت نوع 8، برای طراحی سیستم­های بازشناسی نوری نویسه ارائه شده است که برای چهار قلم زر، لوتوس، میترا و نازنین و سه اندازه­ی 12،14و16 ثابت است. با اعمال روش آنالیز اجزای اصلی ابعاد ویژگی­ها به 100×1 کاهش می­یابد تا ابعاد بزرگ بردار ویژگی باعث کندی سیستم نشود. برای مقایسه­ی نهائی، بردار ویژگی تصویر ورودی با بردار ویژگی تک تک تصاویر موجود در پایگاه داده مقایسه شده و از روی میزان شباهت دو کد، زیرکلمه بازشناسی می­شود. در این الگوریتم، برای بهبود نرخ بازشناسی می توان از کد نقاط زیرکلمه استفاده کرد. در این حالت جواب صحیح بدست می آید مگر در مواردی که کد نقطه­ی زیرکلمه­ی مجهول اشتباه شناخته شود. در مرحله­ی پس­پردازش با کد نقاط از یک مجموعه شامل 800 زیرکلمه با قلم­ها و اندازه­های مختلف 96% بدرستی بازشناسی شده­اند. نتایج بدست آمده بیان کننده­ی کارائی الگوریتم می­باشد.

تبديل ويژگي¬ها يک روش متداول در بازشناسی الگو است که مي تواند منجر به افزايش دقت رده بندي يا کاهش بار محاسباتي گردد. در اين مقاله يک روش تبديل ويژگی مبتنی بر ماکزيمم اطلاعات متقابل معرفی و ارائه می¬شود که اطلاعات متقابل ميان ويژگي¬ها و کلاسها را ماکزيمم مي¬کند. تبديل حاضر با يک روش تکراري و بر اساس افزايش گراديان نقطه¬ای تخمين زده مي¬شود. نتايج آزمايشات انجام گرفته روي دادگان UCI و دادگان TIMIT نشاندهنده عملکرد بهتر روش پيشنهادي نسبت به ديگر روشها است. در بين دادگان¬های UCI در دادگان Glass افزايش دقت 7.94 درصدی، نسبت به بهترين حالت تبديلات ديگر بدست آورده شده و در دادگان TIMIT اين افزايش 0.07 درصد مي¬باشد.

مسائل اساسي سيستم مديريت زباله¬هاي جامد شهري در مديريت شهري، نياز به پيش¬بيني دقيق توليد زباله دارند. اما به دليل طبيعت ناهمگون و تأثير عوامل متنوع و خارج از کنترل بر توليد زباله، همواره با مشکلات زيادي همراه بوده¬است. در اين تحقيق دو مدل سيستم استنتاج فازي-عصبي تطبيقي (ANFIS) و شبكه عصبي مصنوعي (ANN) كه تبديل موجك بر روي ورودي¬هاي آنها اعمال شده است، در پيش¬بيني توليد زباله هفتگي شهر مشهد براي پيچيدگي سيستم مديريت زباله¬هاي جامد شهري استفاده شده است. همچنين اين مدلها بدون اعمال تبديل موجك بر روي ورودي¬هاي آنها نيز در نظر گرفته شده¬اند. براي اين چهار مدل (ANN، ANFIS، WT-ANN و WT-ANFIS)، آزمايشات بر روي دو مجموعه داده ديگر (ecoli و pima) نيز انجام شد و نتايج بر اساس معيارهاس سنجش ضريب تبيين (R2)، ميانگين خطاي مطلق، جذر ميانگين مربعات خطا و ميانگين قدر مطلق خطاي نسبي با هم مقايسه شدند. نتايج بدست آمده از آزمايشات انجام شده در اين تحقيق بيانگر تاثير مثبت انجام پيش-پردازش تبديل موجك بر روي ورودي¬هاي هر سه مجموعه داده آزمايش شده است. همچنين مدلWT-ANFIS براي مجموعه داده¬هاي اصلي و مجموعه داده¬هاي آزمايش شده ديگر پيش¬بيني دقيق¬تري را حاصل شد.

در اين مقاله يک الگوريتم تعاملي براي استخراج (چينش ) ناحية مورد نظر کاربر در يک تصوير ارائه مي¬شود. کاربر با تعداد کمي خط، ناحية پيش زمينه و پس زمينه را علامتگذاري مي¬کند. ناحية غيرعلامتگذاري شده از تصوير ورودي به عنوان يک فيلد تصادفي مارکوف مدلسازي شده و فرمول تابع انرژي آن توسط حاصلجمع انرژي محلي پيکسل¬هاي غيرعلامتگذاري شده محاسبه مي¬شود. پارامتر تاري با ايجاد يک آتوماتاي سلولي بر روي تصوير که هر سلول آن، با مينيمم کردن انرژي محلي بصورت تکرار شونده تا رسيدن به همگرايي، به کار خود ادامه مي¬دهد، تخمين زده مي¬شود. حالت اولية آتوماتاي سلولي بوسيلة خطوط مشخص شده توسط کاربر تعيين مي¬شود و حالت هر سلول مي¬تواند با ورودي اضافي کاربر در طول پردازش تغيير داده شود. بدين معني که، مي¬توان ورودي کاربر را به عنوان راهنماي پردازش و بدون اجراي دوبارة الگوريتم اضافه نمود. آزمايشات انجام شده بر روي تصاوير طبيعي پيچيده نشان مي¬دهد که با علامتگذاري اولية نسبتاً کمي از کاربر، نتايج قابل قبولي بدست مي-آيد.

در این مقاله برآنیم که سیستمی برای جداسازی خودکار افعال عبارتی انگلیسی اصطلاحی از ترکیبی طراحی و پیاده-سازی کنیم . به این منظور، ابتدا با کمک یک متن دوزبانه انگلیسی— فارسی، تعدادی خصیصه برای جداسازی تعریف می¬کنیم. به نوعی انسان¬ها نیز از این خصیصه¬ها برای تشخیص ترکیبی یا اصطلاحی بودن افعال عبارتی استفاده می¬کنند. به کمک تمام خصیصه¬ها دقت 72.6% را در تشخیص بدست آوردیم که پس از انتخاب خصیصه¬های برتر به 79.4% دقت رسیدیم.

در این مقاله، راهکاری نوین برای مکان¬یابی خطاهای معنایی موجود در نرم‌افزارها به صورت خودکار ارائه شده است. اغلب روش-های موجود، علل اصلی خطا را با مقایسه رفتار برنامه در اجراهای موفق و ناموفق، کشف می¬کنند. مشکل اصلی در این راهکارها این¬است که نقاطی گسسته از برنامه را به عنوان علل اصلی خطا اعلام می¬کنند و در نتیجه یافتن علت اصلی خطا نیاز به جستجو و تحلیل دستی حجم زیادی از کد دارد. برای حل این مشکل، در این مقاله استفاده از روش¬های کاوش گراف بر روی مجموعه گراف¬های حاصل از اجراهای برنامه، پیشنهاد می¬گردد. با نمایش هر اجرای برنامه در قالب یک گراف وزن¬دار، زیرگراف¬های متمایزکننده بین گراف¬های اجرایی موفق و ناموفق می¬تواند به عنوان عوامل خطا به برنامه نویس معرفی شوند. برتری اصلی راهکار پیشنهادی نسبت به روش¬های موجود این¬است که عوامل اصلی خطا در قالب زیرگراف¬های اجرایی و به صورت دنباله¬ای از خطوط برنامه که منجر به شکست نرم¬افزار شده¬اند به برنامه¬نویس اعلام می¬شوند و بنابراین به بررسی دستی حجم بسیار کمتری از کد برای فهم و رفع خطا نیاز است. تحلیل راهکار پیشنهادی بر روی مجموعه آزمون مشهور زیمنس در زمینه ارزیابی و مقایسه روش¬های مکان¬یابی خطاهای معنایی، موفقیت روش پیشنهادی را در کشف دقیق‌تر خطاها در این نرم¬افزار نشان میدهد.

مهندسي نرم افزار از تعدادي فرآيند تشکيل شده است از جمله طراحي، پياده سازي و تغيير نرم افزار که همه اين فرآيند‌ها در جهت توليد و توسعه نرم افزار و همچنين دسترسي به يک نرم افزار کارآمد و با کيفيت و قابل نگهداشت انجام مي‌شود. نامتغيرها به برنامه نويس کمک مي‌کند بيشتر مراحل مهندسي نرم افزار را راحتر انجام دهد. نامتغير خصوصيات هميشه درست با ضريب اطمينان مشخص هستند. از آنجايي که بعضي از نامتغيرها طي شرايطي در مسير اجراي برنامه ايجاد مي‌شوند، ايجاد نامتغيرهاي شرطي مي‌تواند بسيار مفيدتر و کمک کننده باشد. براي توليد اين نوع از نامتغيرها مي‌توان از تکنيک‌هاي داده کاوي مثل کشف قوانين انجمني و يا استفاده از درخت تصميم براي بدست آوردن نامتغيرهاي شرطي استفاده کرد.