با توجه به روند رو به رشد خريد و فرو شهای اينترنتی در دنيای امروز، نياز رو زافزونی به وجود عاملهايی که بتوانند بطور خودمختار و بدون کمک انسان در اين بازارها داد و ستد نمايند، احساس میشود. اين احساس نياز نه تنها بخاطر حجم زياد اين فعاليتها، بلکه بخاطر نياز به دقت و سرعت در اين بازارها نيز اس ت. در اين مقاله سعی شده است تا با تکيه بر تکنيکهای هوش مصنوعی ، عامل معاملهگری برای انجام اينگونه داد و ستد ها طراحی گردد که توانائي فعاليت همزمان در چندين بازار پويا و مختلف را داشته باشد. اين عامل مطابق با معيارهای مسابقات معتبر TAC SCM که در سطح جهان برگزار میگردد، طراحی گرديده است تا بتواند در اين مسابقات نيز شرکت نماي د. از نکات مورد توجه بکارگيری معماري BDI در طراحی اين عامل است که يکی از نتايج آن راندمان بالای خط توليد م یباشد. براي پركردن ظرفيت خط توليد نيز از الگوريتم كوله پشتي استفاده گرديده است تا از ظرفيت موجود به بهترين نحو استفاده شود . نتايج حاصل از مسابقات انجام شده، نشان دهنده موفق بودن ايده های استفاده شده در ساخت اين عامل می - باشد.

تقريباً تمامي كساني كه از تلفن همراه استفاده م يكنند در هر روز چندين دقيقه از وقتشان را به دلايل مختلف، به تايپ كردن مت ن در تلفن همراه اختصاص مي دهند. به دليل محدوديتهايي كه از نظر اندازه براي تلفن همراه وجود دارد، تعداد كليدهاي اين وسيله از تعداد حروف الفبا كمتر است و سازندگان اين وسائل مجبورند برروي هر كليد بيش از يك حرف را قرار دهن د. اين امر باعث ميشود كاربران براي وار د كردن يك متن، تعداد كليدهاي بيشتري را فشار دهند . يكي از روشهاي متداول براي حل اين مشكل، استفاده از الگوريتمهاي پي شبيني براي حدس زدن حرف مورد نظر كاربر به هنگام فشردن هر كليد ميباشد. از عوامل مهم و تأثيرگذار در دقت الگوريتم پيشبيني، نحوه پراكنده شدن حروف (چينش) برروي صفحه كليد است. بدليل اينكه يافتن چينش بهينه، يك مسأله بغرنج به شمار ميآيد معمولاً از روشهاي مكاشفهاي براي حل اين مسأله استفاده ميشود. در اين مقاله از الگوريتم ژنتيك براي جستجوي چينش بهينه حروف فارسي برروي صفحه كليد تلفن همراه استفاده ك ردهاي م. نتايج بررسي ما نشان مي دهد استفاده از چينش هاي يافت شده توسط الگوريتم ژنتيك باعث ميشود خطاي الگوريتم پي شبيني براي حروف فارسي بيش از ۳۰ درصد كاهش يابد.

در اين مقاله به جای ساختارهای معمول متمرکز و يا سلسله مراتبی، ساختار تشخيص نفوذ کاملا توزيع شده مورد بررسی قرارگرفته است. در اين ساختار با استفاده از جزئی بنام عامل متحرک، اجزاءآناليز متمرکز حذف شده ان د . در اين زمينه سيستم هايی چون MA-IDS و Micael ،IDA ،AAFIDَ نيز برای کمک به توزيع شدگ ی ، در جمع آوری داد ه ازعامل های متحرک استفاده کرد ه اند ولی در آن ها آناليز داده های جمع آوری شده بصورت متمرکز میباشد. سيستم پيشنهادی MA-GrIDS با تکيه بر ساختار توزيع شده میتواند بر مشکلاتی چون محدوديت در قابليت اطمينان، توسعه پذيری و وجود نقطه شکست تا حد زيادی فايق آيد. پس از پياده سازی، از اين سيستم در تشخيص کر م های کامپيوتری به عنوان گونهای از حملات توزيع شده، استفاده شد و با انجام آزمايشات ، دو پارامتر تعداد سرکشی با توجه به تعداد بازر س های متحرک درهرزون و تأثير آن بر زمان تشخيص مورد بررسی قرارگرفت. هرچه که تعداد بازرس ی های موجود در هرزون بيشتر باشد، ميزان ترافيک شبکه افزايش پيدا م ی کند، اما زمان تشخيص نفوذ کاهش می يابد و بلعکس . باتوجه به اين مساله که اين دو پارامت ر (تعدادبازرسها وزمان تشخيص نفوذ) نسبت عکس با يکديگر دارند همچنين افزايش بيش از حد بازر س ها سبب ايجاد ترافيک و تداخل در کارشان م ی شود،حالتی را بايد پيداکرد که حاصلضرب اين دو پارامتر بهينه گردد.

در طرحهاي اشتراک سر يک مقدار محرمانه بين افراد شرکتکننده به گونهاي توزيع ميشود که هر فرد به تنهايي قادر به کشف رمز نيست ولي هر زيرگروه مجاز قادر به اشتراکگذاري سهم خود و محاسبه مقدار محرمانه است. يکي از جديدترين مدلهاي ارائه شده براي اشترا ک سر، طرحي مبتن ي بر اتوماتاي سلولي با حافظه اس ت. در اين مقاله، حمله اي براي تقلب د ر طرح اشتراک سر مبتني بر اتوماتاي سلولي با حافظه ارائه شده ا ست. در اين حمل ه، افراد متقلب با به اشتراک گذاري مقدار نادرست سهم خود، قادر به محاسبه مقدار تقلب هستن د. افراد درس تکار از وقوع تقلب بياطلاعاند و مقدار نادرست سر را به جاي مقدار درست آن در نظر ميگيرند. در اين مقاله، چگونگي محاسبه مقدار تقلب در صورت حضور افراد متقلب ارائه و اثبات شده است. افراد متقلب با استفاده از اين مقدار قادر به بازسازي مقدار درست سر هستند.

در این مقاله، دو روش غیرخطی Kernel PCA و Kernel FDA جهت استخراج ویژگی ها در یک سیستم بازشناسی چهره مورد بررسی قرار گرفته و کارایی این دو روش با یکدیگر و با روش همبستگی و دو روش خطی PCA و FLDA مقایسه می شود . جهت مشاهده نتایج از دو مجموعه داد ة استاندارد YALE و AT&T استفاده شده است و روي هر مجموعه داده ، دو استراتژي متفاوت جهت آزمایش به کار رفته اس ت: یکی استراتژي آزمایش تصادفی و دیگري استراتژي همه به جز یکی . همچنین روش نزدیکترین همسایه جهت طبقه بندي چهره استفاده می شود.

خوشه بندي ترکیبی ، روشی جدید در خوشه بندي می باشد که از ترکیب نتایج روشهاي خوشه بندي مختلف بدست می آید. صحت ، درستی و پایداري از مشخصه هاي مهم یک سیستم خوشه بندي ترکیبی در مقایسه با روشهاي کلاسیک خوشه بندي می باشد. یکی از مشکلات این روش ، خوش هبندي بانکهاي اطلاعاتی بزرگ م یباشد که فرایند خوشه بندي را با کندي روبرو می کند. براي حل این مشکل ، استفاده از روشهاي خوشه بندي توزیع شده یکی از گزینه هاي مناسب می باشد. سه مرحله مهم در خوش هبندي توزیع شده عبارتند از : پخش نمودن بانک اطلاعاتی نمونه ها از بخش اصلی روي چندین مرکز فرعی و سپس اجراي الگوریتم خوشه بندي ترکیبی روي هر مرکز به طور مستقل. در مرحله آخر نیز ارسال نتایج از مراکز فرعی به روي مرکز اصلی و آنالیز نتایج براي یافتن خوشه هاي نهایی انجام می گیرد. در این مقاله روشهایی پیشنهاد شده است که با بهبود الگوریتم خوشه بندي ترکیبی در مراکز فرعی ، در نهایت باعث کاهش درصد خطاي الگوریتم و بالا رفتن سرعت خوشه بندي توزیع شده خواهد شد. نتایج بکارگیري الگوریتم خوشه بندي ترکیبی توزیعی ارائه شده بر روي چندین بانک اطلاعاتی متداول نشانگر آن است که روش ما از روشهاي بررسی شد هاي که براي خوشه بندي توزیعی استفاده می شود ، سرعت بهتري را داراست.

زمان بندي دروس یکی از مسائل مهم و زمان بر در هر محیط آموزشی اس ت. برنامه ریزي چیدمان دروس در جدول هفتگی، براساس معیارها و امکانات محیط، مشخصات دروس و ساعات حضور استادان صورت می گیرد. هدف زمان بندي دروس، ایجاد یک برنامۀ زمانی معتبر و قابل اجرا با حداقل تداخل می باشد. این مسأله از نظر پیچیدگی در دستۀ مسائل NP قرار می گیرد و براي حل آن به جاي الگوریتم هاي کلاسیک، از الگوریتم ژنتیک، جستجوي ممنوع، شبیه سازي تبریدي و رنگ آمیزي گراف استفاده می شود. در این مقال ه ضمن بیان مراحل بکارگیري الگوریتم ژنتیک به منظور زما ن بندي درو س، فنون مورد استفاده در رویکرد نو ینِ این پژوهش ارائه م یگردد. رویکرد مذکور شامل اصلاحاتی از قبیل تغییراتی در مدل اولیۀ مسأله در راستاي بهبود زمان اجرا و جلوگیري از پیمایش فضاي حالت ناممکن، روشی جدید در رمزگذاري و معرفی عملگرهاي هوشمند جهش و ترکیب به منظور انجام اصلاحات در نسل ها م ی باشد. در انتها، با اعمال 20 نمونه ورودي مختلف به برنامه اي که مخصوص این پژوهش طراحی گردید، تأثیر رو یکرد نوین در مقایسه با روش استاندارد، در رسیدن به جواب بهینه سنجیده م یشود و نشان داده می شود که رویکرد نوین به طور متوسط در زمان کوتاهتر به جوابهاي بهینه تري می رسد.

در اين مقاله ي ك مدار XOR/XNOR شش ترانز يستوري جد يد پيشنهاد شده است که داراي مشخصه هاي بهتر ي نسبت به طرح XOR/XNOR شش ترانز يستوري متداول م ي باشد . طبق نتا يج بدست آمده از ش ب يه سازي ها، در بستر تست منفرد اين برتر ي نما يان نشده و لي با توجه به اين مهم که اکثر موارد استفاده و کاربرد اين رده از مدارات در مداره ا ي محاسبا تي و شبک ه ها ي جمع با ساختارهاي گسترده و چند طبقه م ي باشد، لذا با بيان نتا يج شب يه سازي ها در ا ين بستر تست که نشا ن دهنده رقابت مدارات در محيطي نزد يک به واقع يت است، شاهد بهبود قابل توجه ي در فاکتورها ي ميانگين توان مصرفي، تاخير و کميت توان در تا خير مي باشيم. در ا ين مقاله با معر في فاکتور Delta که ب يان کننده چگو نگي بالانس خروج ي ها م ي باشد، به مقا يسه مدارات از نظر ميزان بالانس بودن دو خرو جي XOR و XNOR پرداخته ايم. بهبودي بيش از ۴۰ ٪، در مقدار متوسط (mean) م ي انگين توان مصرفي، در حدود ۱۸ ٪ در تاخير بيشينه مدار، بيش از ۴۹% Delta ، و بهبود ي بالاتر از ۴۵ ٪ در کميت توان در تاخير مدار پيشنهاد شده از جمله امتيازات طرح ياد شده م ي باشند. تمامي شبيه سازي ها با تكنولوژي 0.18 ميكرومتر، بر اساس مدل BSIM3v ، با نرم افزارها ي شبيه ساز HSPICE، انجام شده است.

خوشه بندي ترکيبي عبارتست از ترکيب نتايج چندين الگوريتم خوشه بندي براي به دست آوردن خوشه هايي با دقت بالاتر. خوشه بندي ترکيبي با چندين بار اجراي يک الگوريتم در حالت هاي مختلف می تواند نتايج بهتري چه از لحاظ استحکام و چه از لحاظ پايداري و انعطاف پذيري توليد کند. در اين مقاله، روشی برای خوشه بندی ترکيبی بر مبنای ايجاد فضای ويژگی جديد ارائه شده است. در اين روش از نتايج الگوريتم های خوشه بندی پايه جهت ايجاد ويژگی های جديد استفاده کرده ايم. نتايج الگوريتم های پايه با گراف کامل وزن دار مدل سازی شده اند. روشی حريصانه برای پيمايش گراف و ايجاد درخت، جهت تعيين مقادير ويژگی ها معرفی شده است. ويژگي های به دست آمده، خصوصيات بهتری نسبت به ويژگي های اصلی دارند، که نمون ههای هر خوشه را نسبت به يکديگر به خوبی متمايز م یسازد. در اين مقاله به بررسی روش ارائه شده بر روی چهار مجموعه داده Soybean و Thyroid ،Wine ،Iris پرداخته شده است. بررسی های تجربی نشان می دهند روش مذکور به سرعت همگراست و با افزايش تعداد تکرار الگوريتم پايه رفتار مناسبی از خود نشان می دهد.

در اين نوشتار، روشی در خصوص نهان نگاری اطلاعات در مدلهای سهبعدی مثلثی معرفی میگردد. ايده اصلی اين روش افزودن مثلثهايي به مدل اس ت؛ به نحوی که اين افزايش بتواند اطلاعات مورد نظر برای گنجاندن را نمايندگی کند. روش ساخت مثلثها نيز بر اساس انتخاب مجموعهای از مثل ثها بر حسب مساحت آ نها و انتخاب يکی از ميان ههای مثلث بر حسب رشته پيا می که هدف اصلی، گنجاندن آن در مدل است ؛ استوار م یباشد. میدانيم که ميانه مثلث در برابر تغيير مقياس يکنواخت و انتقال مقاوم است . همچنين برای مقاومت در برابر چرخش، ترتيب خاصی را در انتخاب ميانه و مثلثی که به مدل افزوده میشود، درنظر گرفتهايم. افزون بر اين موارد، گنجاندن بر حسب ترتيب خاصی از مثل ثها صورت م یگيرد تا در استخراج از همين ترتيب استفاده گردد. در آزمو ن- های صورت گرفته مشخص گرديد که روش پيشنهادی در برابر مجموعه حملههای چرخش، تغيير مقياس و انتقا ل، که به حمله مشابهت نيز موسوم است، مقاوم میباشد.

در این مقال ه مدلی براي شبی ه سازي تجارت الکترونیک به منظور یافتن راه ح ل هایی بهینه در فرایند تصمی م گیري عامل ه اي نرم افزاري براي انجام بهترین خرید اینترنتی، ارائه می شود. این مدل، ترکیبی از الگوریتم هاي موجود در مکانیسم بازار و قواعد رفتاري-روان شناختی است که به صورت توزیعی و در یک سیستم چند عامله پیاده سازي می شوند. از آن جمله می توان به ظهور ایده فاکتور اضطراب د ر کنار فاکتور توان براي فروشندگان و خریداران اشاره نمو د. پس از ارائه نتایج پیاده سازي نر م افزاري محیط شبیه سازي، تحلیل هایی براي پیش بینی سود عامل ها در فرایند مذاکره ذکر می شود. در نهایت، به منظور بیشینه سازي سود مشتریان در بازارهاي مختلفی چون بازار رقابتی، حراجی و گیج، پیشنهادهایی جهت تنظیم پارامترهاي اولیه آنها ارائه می شود.

دانستن مدل تحرك يك شبكة موردي سيار مي تواند در ارزيابي كارايي آن تأثير بسزايي داشته باشد . پژوهشهاي زيادي براي به دست آوردن مدل هاي مختلف تحرك گر ه ها 4 در شبكههاي موردي سيار انجام شده است. پژوهشهاي ديگري نيز براي ارزيابي كارايي شبكه هاي موردي سيار بر اساس مد ل هاي تحرك شكل گرفته اند. اما اكثر پژوهشهاي اخير فرض را بر اين نهاد ه اند كه مدل تحرك ش بكه مشخص است و بر اساس اين فرض اوليه به ارزيابي كارايي شبكه پرداخته اند. با توجه به اينكه در كاربردهاي واقعي هميشه مدل تحرك شبكه در دست نم ي باشد و يا ممكن است كه مدل تحرك شبكه با گذشت زمان تغيير كند، لذا نياز به ارائه روشي براي تشخيص يا تخمين 5 مدل تحرك شبكه حس مي شود. در اين مقاله روشي ارائه شده است كه ميتواند مدل تحركيك شبكة موردي سيار را با استفاده از الگوريتمهاي يادگيري ماشين تخمين بزند تا بر اساس آن ارزيابي كارايي شبكه صورت گيرد.

ما در ا ين مقاله فرمال يسم جد يدي را برا ي تحل يل نحو ي زبان طب يعي معرف ي م ي كنيم كه حاصل افزودن پاراد ايمهاي همسان سازي به گرامرهاي پ يوندي م ي باشد. در ادامه نشان خوا ه يم د اد كه علاوه بر آنچه گرامره ا ي پيوندي فراهم كرده اند، اي ن فرما لي سم مز اي اي متعددي نيز دارد . از م يان آنها م ي توان به توان بيشتر و پ يچيدگي كمتر د يكشنري اشاره كرد . همچنين توان توص يفي دانش در اي ن فرماليسم سازما ن يافته تر وقابل استفاده تر است. اين فرماليسم همچنين چارچوبي را براي آناليز تكواژشناختي (هم استفاده و هم طراحي) و يا هر مكانيزم پيش تحليل ديگري مهيا مي كند. ما بر ا ين مبنا س يستمي را طراح ي كرده ا يم و ب يشتر مثالها ي ما در اين مطالعه از زبان فار س ي و استخراج شده از ه م ين س يستم است . سيستم حاصل نسبت به آنچه قبلا و بر اساس گرامرهاي پيوندي انجام شده بود كاراتر و ساد هتر مي باشد.

در اين مقاله موضوع تركيب تماماً نامتمركز داده براي رهگيري هدف با مدل غيرخطي حركت بيان ميشو د. در حل مسأله از روش تخمين نامتمركز بر مبناي فيلتر اطلاعات توسعه يافته استفاده م يشو د. دراين راستا آلگوريتم Neighbor-Information- Selection جهت ا نتخاب حسگرها پيشنهاد شده است كه در آن انتخاب حسگرها بر اساس نزديكي آنها به هدف و ميزان اطلاعاتشان م يباشد. نتايج شبي هسازي آلگوريتم مذكور در مقايسه با آلگوريتم اخير DEIF نشان ميدهد كه بازاي محاسبات و مصرف انرژي كمتر پاسخ قابل مقايسه حاصل ميشود.

در اين مقاله ، كمينه سازي بزرگترين زمان اتمام كار، در مساله jobshop مورد بررسي قرار ميگي رد. به منظور حل مساله از الگوريتم به ينه ساز ي الكترومغناط يسم استفاده شده اس ت . در مرحله بعد با توسعه الگو ر يتم پا ي ه، از الگور يتم الكترومغناطي سم موازي استفاده شده اس ت . پيچيدگي زما ني هر دو روش محاسبه و مق ا يسه شده است . در الگور يتم الكترومغناط يسم مواز ي روشها ي برقراري ارتباط بين جمعيتهاي مختلف نيز بررسي شده است. در مسائل مختلف به منظور برر س ي پاسخ نها يي الگو ر يتم مقدار آنرا با كران پا يين مساله مورد نظر مقايسه ميكنند، در نت يجه يافتن يك كران پا يين مناسب به منظور برر س ي پاسخ امر ي ح ياتي است . دو كران پا يين جد يد يكي بر پا يه كار و د يگر ي بر پ ا ي ه ماشين، براي مساله ارائه شده 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.

هدف ما در این مقاله، طراحی و تحلیل مکانیزم هاي هماهنگی براي نسخه هاي مختلف مساله زمان بندي خودخواهانه می باشد. ما در اینجا فرض می کنیم که فعالیت ها خودخواه هستند و بنابراین بر روي ماشینی می روند که نارضایتی شخصی آن ها را کمینه کند . در یک مکانیزم هماهنگی، نارضایتی هر فعالیت تنها به مجموعه فعالیت هایی که روي همان ماشین زمان بندي شده اند بستگی دارد. ما در اینجا به ویژگی هایی از راه حل عمومی که بر اساس استراتژي هاي خودخواهانه فعالیت ها در یک تعادل نشَ بوجود می آیند علاقه مند هستیم. در اینجا به طور خاص کمینه کردن میانگین زمان اتمام فعالیت ها هدف قرار گرفته است. در این مقاله، ما چهار دسته متفاوت از مسائل زمان بندي بر روي چند ماشین موازي را در نظر گرفته، سه مکانیزم هماهنگی را براي آن ها بررسی کرده و حدود بالا و پایینی را براي آن ها کردهایم.

در اين مقاله يک طبق ه بندي کننده با ساختار ترکي بي ارائه شده که در آن از مدل مخفي مارکو ف (HMM) و بردارهاي پشتيبان ماشين (SVM) بصورت سريال به منظور بهبود طبقه بندي استفاده شده است. در اين ترکيب از مزاياي هر دو طبق هبندي کننده فوق استفاده شده، زيرا HMM توان ايي کار کردن با داد ه هاي ديناميک و سلسله مراتبي را داشت ه در حاليکه SVM عموميت بهتري مخصوصاً بر اي کلاسهاي با تعداد داد ههاي محدود دار د. در مرحله اول از طبقه بندي کننده HMM استفاده شده و بر اي حل مسأله عدم قط عيت آ ن، در مرحله بعد SVM به کار گرفته شده اس ت. همچنين بر اي بالا بردن کارا يي طبقه بندي کننده SVM از نسخه وزن دار شده آن استفاده شده که وزن دا د ها را بر اساس HMM ت عيين م يکند. روش ارائه شده در اين تحقيق بررو ي پايگاه داده هاي Cancer و Diabetes, Glass, Iris اعمال شده که نتايج حاکي از برتري اين روش ترکيبي برهر دو روش HMM و نسخه وزن دار شده SVM ميباشد.

مشکل بزر گی که امروزه در بار ه تصميم گيری ماشينی وجود دارد کارايی نامناسب سيستمهای تصمي مگيری کنونی است. يافت ههای علم ی اخير نشاندهنده اين مطلب است که عواطف، نق شی اسا سی در تصمي م گيری، ادراک و يادگير ی با زی م یکنند. در اين ميان، استرس جايگاه خاص ی داشته و بر عملکرد ذهن و کارا يی فيزي کی و ذهنی تاثيری بسزا دارد. تحقيقات نشان داده اند که فرآيند تصميم گيری تحت شرايط اضطرار با تصميم گيری در شرايط عادی و تجاری کاملا متفاوت است . در شرايط عادی تصمي مگيرنده گزينه های متفاوت را در نظر گرفته، نقاط قوت و ضعف هر يک را به دقت بررسی کرده و سپس تصميم م یگيرد. اما در شرايط اضطرار به علت محدوديت زمانی ناچار است در همان اولين قدم بهترين روش را انتخاب کند که اين انتخاب بر اساس تجرب هی وی و مطابق با شرايط موجود انجام می شود. بنابراين با کسب تجربه و بازيابی آن در شرايط اضطرار م ی توان کارايی سيستم را بالا برد و در چنين شرايطی تصميمی درست اتخاذ کر د. در اين مقاله به معرفي مدلی عاطفی برای تصميم گيری خواهيم پرداخ ت. در اين ساختار که از الحاق بخش تصميم گيری اضطراری به سيستم قبلی به دست می آيد، سيستم تا زمان بروز استرس به روند عادی تصمي مگيری خود ادامه می دهد اما به هنگام رخ دادن استرس بر اساس شرايط موجود، سيستم وارد بخش تصميم گيری اضطراری شده و بر اساس تجرب ه ی پيشين خود از وضعيت جاری، دست به همان کاری م ی زند که پيش از اين در آن تجربه انجام داده است. نتايج بدست آمده از تست اين مدل بر روی محيط شبي ه سازی نجات، نشان داده که بدون شک اين روش در مقايسه با روش پيشين کارايی بالاتری داشته و به طور ٢ امتياز بهبود يافته اند. همچنين در اين مدل در صورت بروز مشکل، سيستم قابليت تحمل خطا را داشته و کارايی را / متوسط نتايج کسب شده ٦ در حد مشخصی حفظ خواهد کرد.

سیستم اعداد مانده اي یک سیستم عددي نامتعارف است که محاسبات موازي، انتشار محدود رقم نقلی، توان مصرفی کم و ارتباطات امن را پش تیبانی م ی کند. در کاربردهایی که در یک محدوده از اعداد، اعمال جمع، تفریق و ضرب تکرار م یشوند کاربر د بسیار ي دارد. از مهمترین مسائل مطرح در این سیستم، افزایش سرعت محاسبات و افزایش سرعت تبدیل به این سیستم عددي می باشد. در این مقاله جهت افزا یش سرعت عم لیات، س یستم اعداد ماند ه اي چند سط حی استفاده می شود. سپس روش ج دی دي بر اي تبد یل اعداد به سیستم اعداد ماند ه اي ارائه خواهد شد که بطور مستقیم عدد موجود در سیستم وزنی را به سطح آخر تبدیل می کند. نتایج مقایسه نشان می دهد که سیستم چند سط حی ارائه شده نسبت به س یستم اعداد مانده اي تک سطحی داراي سرعت عملیات داخلی و سرعت تبدیل بیشتري بوده و همچنین نسبت به سیستم اعداد مانده اي چند سطحی موجود سرعت تبدیل را بهبود می بخشد.