انجمن کامپیوتر ایران

تصدیق هویت مبتنی بر گفتار از مزیت‌های کاربرپسند بودن، پیچیدگی محاسباتي کم و هزینه پياده‌سازي پایین برخوردار است. اما در عین حال محدودیت‌هایی را نیز به همراه دارد که از آن جمله می‌توان کاهش دقت این شيوه در محیط‌های دارای نویزهای متفاوت صوتی و عوارض كانال را برشمرد. روش i-vector PLDA روشی موفق در بهبود عملکرد سیستم‌های تصدیق هویت گوینده است. وزن‌دهی به بردارهای مدل و تست، با استفاده از ویژگی‌های آماری بردارهای ثبت‌نام گویندگان هدف، دقت امتیازدهی و در نتیجه کل سیستم تصدیق هویت را در شرایط آزمون با گفتار تمیز را ‌افزایش می‌دهد. در این مقاله تاثیر استفاده از بردارهای هویت موزون بر عملکرد سیستم در محیط‌های نویزی مورد ارزیابی قرار گرفته است. آزمایش‌ها با استفاده از دادگان TIMIT، بردار ویژگی MFCC و روش امتیازدهی PLDA انجام شده است. همچنین برای بهبود عملکرد سیستم در شرایط عدم تطبیق نویزی از آموزش چند-شرطی برای LDA و PLDA استفاده شده است. نتایج آزمون‌ها مبین آن است که استفاده از بردارهای موزون دقت سیستم تصدیق هویت گوینده در محیط‌های نویزی را نیز افزایش می‌دهد.

از مشکلات مهم در پیشبرد پروژه‌های دولت الکترونیک در ایران عدم وجود مدل‌های مرجع ملی از جمله مدل مرجع نرم‌افزار است. ارائه مدل مرجع نرم‌افزار برای ایران منجر به کاهش هزینه خرید یا تمدید مجوزهای نرم‌افزاری استفاده شده در دستگاه‌های دولتی می‌شود. همچنین این امر منجر به ایجاد مکانیزمی برای یافتن راه‌حل‌های نرم‌افزاری مناسب برای تأمین نیازهای کسب‌وکاری دستگاه‌ها می‌شود. سرانجام‌، این مدل پایه‌ای برای توسعه متوازن و هماهنگ لایه نرم‌افزار در معماری سازمانی دستگاه‌ها بوده و با ارائه یک دید سراسری به کل دولت و دستگاه‌های دولتی، سبد نرم‌افزارهای دولتی را بهتر می‌تواند مدیریت کند. در این مقاله‌، روش توسعه مدل مرجع نرم‌افزار ایران با نام INARM بررسی شده و عناصر اصلی این مدل به طور خلاصه معرفی شده است. در بخش سیستم این مدل‌، 11 گروه سیستم‌، ۷۴ سیستم و بیش از ۲۵۰ ماژول وجود دارد. بخش اجزای برنامه شامل ۴ گروه مؤلفه برنامه‌، ۳۶ مؤلفه برنامه و بیش از ۱۰۰ ماژول است. سرانجام‌، قسمت واسط‌ها حاوی ۱۶ واسط است.

ریسک‌ها بخش جدایی‌ناپذیر هر پروژه نرم‌افزاری هستند. ریسک‌های موجود در محیط‌ پروژه‌های توسعه نرم‌افزار نیاز است که به دقت شناسایی شوند تا منجر به شکست پروژه‌ها نشوند. شناسایی صحیح و نظارت بر این عوامل می‌تواند موفقیت پروژه‌های توسعه نرم‌افزار و کیفیت نرم‌افزار را تضمین نماید. با این حال در عمل، مدیریت ریسک در پروژه‌های توسعه نرم‌افزار هنوز مورد غفلت قرار می‌گیرد و عدم شناخت عوامل ریسک منجر‌ به افزایش احتمال رخداد آنها در محیط می‌گردد. هدف این مقاله شناسایی عوامل ریسک در محیط‌ پروژه‌های توسعه نرم‌افزار است. در این مقاله ابتدا یک مرور دقیق و نظاممند بر روی مقالات مرتبط با موضوع انجام شده است. در ادامه عوامل ریسک بر طبق رده‌بندی توسعه نرم‌افزار موسسه مهندسی نرم‌افزار طبقه‌بندی شده‌اند. نتایج نشان می‌دهند که مهم‌ترین عامل ریسک مربوط به عدم شناخت درست نیازمندی‌های مشتری می‌باشد. همچنین کمبود مهارت‌های فنی کارکنان سازمان مشتری نیز از مهم‌ترین عوامل ریسک به‌شمار می‌رود. با درنظر گرفتن نتایج این مطالعه می‌توان سطح شکست پروژه توسعه نرم‌افزار را کاهش داد.

سرطان سینه شایع‌ترین سرطان در بین زنان می‌باشد. بسياری از موارد سرطان سینه تا رسيدن به مرحله پيشرفته تشخيص داده نمی‌شود. اين نتيجه با آمار تأسف‌بار زنده ماندن افراد مبتلا به سرطان سینه ارتباط دارد و برای تشخيص سريع سرطان سینه نیازمند به ابزاری می‌باشد که انجام ماموگرافی اين نياز را برآورده كرده است. با این‌ وجود، شناسایی سرطان سینه در مراحل ابتدایی می‌تواند نقش مهمی در کاهش بیماری و نرخ مرگ‌ و میر داشته باشد. روش‌های مختلفی جهت تشخیص سرطان سینه از روی تصاویر ماموگرافی پیشنهاد شده‌اند؛ اما هیچ‌ کدام از این روش‌ها نتوانسته‌اند تشخیص دقیقی از دو کلاس طبیعی/غیر‌طبیعی و خوش‌خیم /بدخیم ارائه دهند. در این مقاله، روشی خودکار مبتنی بر تبدیل موجی برای تشخیص توده‌های سرطان سینه در تصاویر ماموگرافی پرداخته شده که می‌تواند با دقت بالایی طبقه‌بندی و تخمین برای کلاس‌های طبیعی/غیر‌طبیعی و خوش‌خیم/بدخیم نسبت به سایر روش‌ها را انجام دهد. روش پیشنهادی با استفاده از نرم‌افزار متلب و با در نظر گرفتن تصاویر ماموگرافی استاندارد از پایگاه داده mini-MIAS پیاده‌سازی شده است.

امروزه با توجه به تغییرات محیط و حرکت به سمت عصر دیجیتال، استفاده از چارچوب‌های مدیریت خدمات به تنهایی، پاسخ‌گوی نیازهای کسب‌ و کار و مشتریان نخواهد بود. ادغام رویکردهای سنتی در رویکردهای جدید، به تطبیق سازمان‌ها با نیازهای جدید و تغییرات محیط، کمک قابل توجهی می‌کند. در این مقاله، ابتدا مفاهیم پایه‌ی چارچوب ITIL به عنوان پرکاربردترین چارچوب مدیریت خدمات فناوری اطلاعات و چارچوب COBIT به عنوان پذیرفته‌ شده‌ترین چارچوب حاکمیت فناوری اطلاعات بررسی شده است. همچنین رویکرد VeriSM به عنوان راهکاری برای مدیریت خدمت در عصر دیجیتال معرفی شده است. یکی از مؤلفه‌های مدل VeriSM، حاکمیت است که از استاندارد ISO/IEC 38500 استفاده می‌کند. اصول این استاندارد، به این موضوع اشاره دارد که چه کاری باید انجام شود، در حالی‌که COBIT و ITIL راهنماهای بیشتری برای پیاده‌سازی در اختیار قرار می‌دهند. در ادامه مدلی ارائه می‌شود که از طریق بکارگیری ITIL و COBIT در کنار مؤلفه‌ی حاکمیت مدل VeriSM به حاکمیت مؤثر سازمان کمک می‌کند. در نهایت مدل پیشنهادی با استفاده از روش پرسش‌نامه توسط خبرگان صنعت و دانشگاه مورد ارزیابی و تایید قرار گرفت.

در سال‌های اخیر، توسعه سامانه‌های مبتنی برنشست افزایش فراوانی پیداکرده است. این سامانه‌ها توصیه خود را بر اساس توالی رفتاری کاربران در یک نشست انجام می‌دهند. روش‌های پیشرفته سعی دارند تا بر اساس این توالی‌ها، بازنمایی مناسبی برای نشست و آیتم‌ها به دست آوردند و از این بازنمایی‌ها در پیش‌بینی رفتار بعدی کاربر استفاده کنند. با این‌ وجود ارتباطات زمانی رفتارها درون نشست و همچنین اطلاعات زمینه‌ای رفتار کاربر در روش‌های موجود به‌صورت مستقیم مورد بررسی قرار نمی‌گیرد. ما در این تحقیق روش جدیدی با عنوان DeepScore، برای توصیه مبتنی بر نشست ارائه می‌دهیم که از یک‌سو برای استخراج بازنمایی‌های برداری آیتم‌ها از اطلاعات زمانی تعامل کاربر با آن‌ها بهره می‌گیرد و از سوی دیگر قادر است اطلاعات زمینه‌ای آیتم‌ها را برای انجام توصیه بهتر به کار گیرد و به‌علاوه در فرایند آموزش از لایه گذاری صفر که سربار پردازشی به سیستم تحمیل می‌کند پرهیز می‌شود. نتایج این تحقیق بر روی دادگان Yoochoose نشان‌دهنده بهبود عملکرد مدل پیشنهادی در مقابل سایر روش‌های پیشرفته بر روی دو معیار Recall و MRR است.

در اواخر سال ۲۰۱۹ در شهر ووهان چین بیماری حاد تنفسی به نام کرونا ویروس شایع شد. این بیماری به سرعت در شهرهای چین و کشورهای دیگر گسترش یافت و به گونه‌ای ادامه یافت که در ۳۰ ژانویه ۲۰۲۰ سازمان جهانی بهداشت WHO وضعیت اضطراری بین‌المللی را در ارتباط با این بیماری اعلام کرد. با توجه به همه‌گیری این ویروس تمام کشورهای در حال توسعه به دنبال تشخیص و درمان آن هستند. این بیماری یک بیماری تنفسی می‌باشد و روی حنجره تاثیر زیادی می‌گذارد و شخص بیمار را دچار سرفه‌های خشک می‌کند. بنابراین از روی صدای سرفه می‌توان شخص مبتلا به کوید ۱۹ را شناسایی کرد. در این مقاله، ما با استفاده از مدل‌ یادگیری مبتنی بر شبکه عصبی کانولوشن به عنوان یک روش مناسب و کم هزینه برای تشخیص کوید 19 استفاده کردیم. ما با استفاده از ضبط‌های صوتی حاوی صدای سرفه که از دستگاه تلفن همراه یا از طریق وب آماده شده‌اند به تشخیص کوید 19 می‌پردازیم و مجموعه‌ای از شبکه‌های عصبی کانولوشن که از صدای سرفه خام استفاده می‌کنند آموزش می‌دهیم. برای ارزیابی نتایج از دادگان covid19-sounds، public Dataset و virufy-cdf-coughvid استفاده کردیم. نتایج نشان می‌دهد که روش پیشنهادی عملکرد بهتری نسبت به روش‌های پایه دارد.

امروزه ابرهای محاسباتی در زندگی روزمره ما نقش پر رنگی را ایفا می‌نمایند. از آنجایی که بستر ارتباطی بین کاربران و ابر عمومی، شبکه اینترنت است، برقراری امنیت داده‌های ارسال شده و حفظ حریم خصوصی کاربران تبدیل به یک چالش بزرگ شده است. در این مقاله روشی برای قابلیت ردیابی کاربرانی ارائه شده است که با استفاده از کلید خصوصی و خصیصه‌های خود اقدام به رمزگشایی داده‌های موجود در سیستم می‌کنند. روش پیشنهادی عناصر خرابکاری که از این امکان سوء‌استفاده نموده و آن را در اختیار دیگران قرار می‌دهند و موجب نشت اطلاعاتی در سیستم می‌گردند را شناسایی می‌کند. همچنین روش پیشنهادی راه کاری برای امنیت سیاست‌های ارسال شده به همراه متن‌های رمز شده برای برقراری کامل ایمنی سیستم و جلوگیری از نقض حریم خصوصی مالکان داده‌ها ارائه می‌دهد. نتایج شبیه‌سازی برتری راه کار پیشنهادی در مقایسه با روش مقاله پایه از جهت میزان توانایی سیستم در یافتن عناصر خرابکار و میزان امنیت سیستم در جلوگیری از نقض حریم خصوصی کاربران را نشان می‌دهد.

شبکه‌های عصبی عمیق-Q (DQN) نمونه‌ای از یادگیری تقویتی عمیق مبتنی بر یادگیری Q هستند که در آن تابع Q نمایان‌گر ارزش تمامی کنش‌های یک کارگزار در تمامی حالت‌های یک محیط است. یادگیری این شبکه به دلیل نگاه خوش‌بینانه کارگزار در تخمین حالت‌های آتی سبب شده است تا کارگزار مبتنی بر DQN ناپایدار و به همراه بیش‌برازش باشد. راه‌حل پیشنهادی در این مقاله ارائه نمودن شبکه به‌روزرسان انتخابی عمیق است که در آن مشکل بیش‌برآورد ارزش تخمینی آینده بهبود یابد. در این رویکرد، نحوه به‌روزرسانی کارگزار در ابتدای یادگیری نگرش محتاطانه‌تری نسبت به تخمین ارزش‌ها دارد و با گذر زمان به رویکرد خوش‌بینانه یادگیری Q تغییر مسیر خواهد داد. این امر به آن جهت است که تخمین ارزش حالت‌های آتی در ابتدای یادگیری قابل اتکا نیست و استفاده از آن در محیط‌های با هزینه بالا روند یادگیری را ناپایدار می‌کند. نتایج حاصل برای دو محیط شبکه تنظیم‌کننده ژن و پاندول معکوس نشان می‌دهد که رهیافت پیشنهادی علاوه بر کاهش بیش‌برآورد تخمین ارزش، پاداش بیشتری را نسبت به DQN جمع‌آوری می‌نماید.

خودروهای هوشمند علاوه بر اینکه وسیله‌ای برای رفت و آمد هستند، به دنبال ایجاد احساس راحتی و وجود یک فضای شخصی برای رانندگان خود می‌باشند. کنترل این خودروها و استفاده از امکانات درون خودرو با واسط‌های کاربری متفاوتی نظیر کلیدهای کنترل، فرمان و پدال، کنترل صفحه لمسی و واسط کاربری مبتنی بر گفتار امکان‌پذیر است. در واسط‌های کاربری مبتنی بر گفتار، یکی از نکات قابل توجه، دقت تشخیص فرامین صوتی می‌باشد. در داخل ایران تنها یک پژوهش در حوزه تشخیص فرامین صوتی فارسی در خودروی هوشمند انجام شده است که ضمن ارائه یک مجموعه دادگان از فرامین صوتی فارسی در خودروی هوشمند، یک واسط کاربری مبتنی بر دو حالت گفتار و لمس را در شرایط واقعی و شبیه‌سازی شده مورد ارزیابی قرار داده است. واسط کاربری مبتنی بر گفتار مذکور موفق به تشخیص فرامین صوتی با ۸۲٪ دقت شده است که هنوز جای بهبود دارد. در پژوهش حاضر، تمرکز ما بر ارائه راهکاری مناسب جهت افزایش دقت تشخیص فرامین صوتی فارسی در خودروی هوشمند است. راهکار پیشنهادی، یک رویکرد پایانه به پایانه مبتنی بر ترکیب شبکه عصبی پیچشی با یکی از گونه‌های شبکه‌های عصبی بازگشتی مانند واحد بازگشتی دروازه‌دار، حافظه کوتاه مدت ماندگار یک طرفه و دو طرفه به همراه طبقه‌بند زمانی اتصال‌گرا می‌باشد. نتایج ارزیابی حاکی از آن است که راهکار پیشنهادی در حالتی که شبکه عصبی بازگشتی حافظه کوتاه مدت ماندگار دو طرفه بوده است، منجر به افزایش دقت تشخیص فرامین صوتی فارسی تا ۱۰۰ درصد شده است.

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.

در چند سال اخير اکثر سيستم‌هاي تجارت الکترونيکي از مذاکره خودکار براي امور خود استفاده مي‌کنند. مذاکرات خودکار چندموضوعه يکي از مهمترين و ارزشمندترين مکانيزم‌ها در سيستم‌هاي تجارت الکترونيک به شمار مي‌روند. يکي از مسائل مهمي که همواره در سيستم مذاکره خودکار چند موضوعه داراي اهميت است توافق بر روي يک موضوع پيشنهاد شده‌است. بدين منظور از تابع مطلوبيت که تنها مبتني بر وزن هر يک از موضوعات مي‌باشد، استفاده مي‌شود. در اين مقاله رويکرد متفاوتي مبتني بر واسط براي انتخاب يک توافق به کار گرفته شده است همچنين تابع مطلوبيتي پيشنهاد مي‌شود که نه تنها به وزن هر يک از موضوعات اهميت داده شده بلکه روابط وابستگي بين موضوعات را نيز در نظر گرفته است. اين مدل در محيط JADE پياده سازي شده و نشان ميدهد در مواردي که موضوعات مورد مذاکره به يکديگر وابسته هستند جواب بهتري را به طرفين برگردانده و رضايت بيشتری را برای طرفين برآورده میسازد.

پیشرفت چشمگیر تکنولوژی¬های دسترسی اینترنت در طی چند سال اخیر و پیرو آن ایجاد امکان دسترسی کاربران با ظرفیّت¬های پر سرعت به اینترنت، انگیزه توسعه کاربردهای جریان¬سازی ویدیو در اینترنت را افزایش داده است. سیستم¬هاي نظیر به نظیر یکی از بسترهاي کارا براي جریان سازي ویدیو هستند، با این وجود سیستم هاي جریان سازي ویدیو نظیر به نظیر زنده با چالش هاي مختلفی مثل ناهمگونی پهناي باند، خروج گره ها، و ازدحام در شبکه مواجه هستند. با وجود اینکه تاکنون پروتکل هاي جریان سازي مبتنی بر درخت و توري مختلفی ارائه شده است، هنوز هم معایبی مثل بی عدالتی در خدمت قابلیت اطمینان پایین در پروتکل هاي درختی، و تأخیر بالاي پخش و پیچیدگی زیاد در پروتکل هاي توري وجود دارند. در این مقاله یک طرح Push-Pull برای جریان سازی زنده نظیر به نظیر ارائه شده است. در این پروتکل سعی شده است تا با استفاده از یک ساختار توری مبتنی بر Pull و سپس ساختار درخت مبتنی بر Push عدالت و قابلیت اطمینان همراه با تأخیرکم پخش بدست آید. بدین صورت که تمام انواع فریم های ویدیو روی ساختار درخت ارسال و برای بازیابی فریم ها ارسال نشده از ساختار توری استفاده می شود. در نهایت کارایی با استفاده از شبیه ساز OMNeT++ تحلیل شده است. نتایج شبیه سازي بهبود مناسب در تأخیر انتها به انتها و اعوجاج با تأخیرکم در ارسال ویدیو را نشان می دهد.

اخیرا یک روش فراابتکاری با نام الگوریتم جستجوی گرانشی با الهام از قانون گرانش و قوانین حرکت برای حل مسائل بهینه-سازی پیوسته معرفی شده است. در این مقاله، از الگوریتم جستجوی گرانشی برای حل مسئله فروشنده دوره¬گرد که یکی از سخت¬ترین مسائل بهینه¬سازی ترکیبیاتی است، استفاده شده است. برای این منظور، از مفاهیم عملگر جابجایی و دنباله جابجایی برای بازتعریف عملگرهای الگوریتم جستجوی گرانشی و از یک فرایند بهبود دهنده تور نیز برای تسریع همگرایی الگوریتم پیشنهادی استفاده شده است. نتایج پیاده¬سازی الگوریتم پیشنهادی و مقایسات انجام شده با یک نسخه گسسته از الگوریتم بهینه¬ساز جمعیت ذرات، کارایی تقریبا مناسب این الگوریتم را در حل مسئله فروشنده دوره¬گرد نشان می¬دهد.

روش¬های کلاسیک خوشه¬بندی در برخورد با خوشه¬های نا¬محدب کارایی لازم را ندارند و عموما منجر به نتایج ضعیفی می¬شوند. در این حالت خوشه¬بندی طیفی روشی قدرتمند برای دسته¬بندی داده¬ها محسوب می¬شود. این تکنیک با تبدیل فضای ورودی، فضای جدیدی با قابلیت توصیف مناسب¬تر از داده¬ها را در اختیار ما قرار می دهد. در این مقاله، فضایی جدید برای خوشه¬بندی طیفی معرفی می¬شود که مبتنی بر توصیف زیر¬خوشه¬های موجود در مجموعه¬داده می¬باشد. این فضا در برابر داده¬های نویزی مقاوم است و در مقایسه با روشNJW به عنوان یکی از پر¬کاربرد¬ترین الگوریتم¬های خوشه¬بندی طیفی، منجر به نتایجی به¬مراتب موفقیت¬آمیز¬تر می¬شود.

طبقه¬بند بیز ساده یکی از کاراترین الگوریتم¬های طبقه¬بندی است. سادگی و دقت این روش زمانیکه پیش فرض عدم وابستگی مشخصه¬ها نقض ¬شود افت پیدا می¬کند. در این مقاله روشی مبتنی بر درخت تصمیم¬گیری برای رفع مشکل بیز ساده در مجموعه-هایی با مشخصه¬های وابسته ارائه می¬شود. در روش ارائه شده (Information Gain - Naïve Bayes) مشخصه¬هایی که در سطح اول درخت تصمیم¬گیری دارای کمترین قدرت تفکیک باشند با توجه به تعداد کل مشخصه¬ها حذف شده و مشخصه¬های باقیمانده به بیز ساده داده می¬شود. انجام فرایند پیش پردازش مشخصه¬ها براساس روش IG-NB منجر به بهبود عملکرد الگوریتم بیز ساده در دامنه¬هایی با مشخصه¬های وابسته به هم می¬شود. علاوه براین روش IG-NB در این پژوهش، به دلیل حذف مشخصه های کم اهمیت، سرعت محاسبه الگوریتم را برای مشخصه¬های باقی مانده افزایش می¬دهد. روش IG-NB روی شش مجموعه از مجموعه داده¬های UCI تست شده و نتایج بدست آمده نشانگر کارایی قابل قبول روش می ¬باشد.

توليد چند¬ضلعی ساده تصادفی از جمله مسائل مطرح در هندسه محاسباتی می¬باشد. این مساله در بررسی صحت عملکرد الگوریتم¬ها و نیز در زمینه¬های مختلف گرافيک کامپيوتری نظیر خلق تصاویر پدیده¬های طبیعی تصادفی (مانند پدیده ابر¬ و سطح زمین)، به¬طور گسترده¬ای مورد استفاده قرار می¬گیرد. در این مقاله یک الگوریتم جدید برای تولید چندضلعی ساده تصادفی از یک مجموعه¬ نقاط تصادفی واقع بر صفحه ارائه شده است. در این الگوریتم ابتدا لایه¬های محدب نقاط تولید می¬شوند و سپس با¬¬ استفاده از این لایه¬ها و برخی خواص موجود در آن¬ها، یک چند¬ضلعی از نقاط تولید می¬گردد. پیچیدگی زمانی این الگوريتم از مرتبه Ο(nlogn) می¬باشد که نشان می¬دهد این الگوریتم از نظر زمانی در وضعیت بهینه قرار دارد. از آنجا که زمان اجرا در برخی از کاربرد¬های بلادرنگ نظیر بازی¬های رایانه¬ای از اهمیت بالایی برخوردار است، این الگوریتم می¬تواند در این¬گونه موارد بسیار مفید واقع شود.

مديريت ريسک در تمام دوره حيات نرم‏افزار نقش پررنگي در موفقيت پروژه¬ها ايفا مي¬کند. يکي از ضعف¬هايي که در مديريت ريسک¬ها سبب کاهش توجه مهندسين نرم¬افزار و متعاقباً کاهش نظارت بر ريسک¬ها مي‏شود، عدم وجود معيارهاي قابل اندازه-گيري است. ريسک¬هاي نرم‏افزاري نيز مانند هر عرصه ديگري که نيازمند ارزيابي هستند، بايد بر اساس کميت¬هاي عددي بيان شوند. در اين مقاله با مروري کلي بر مديريت ريسک¬ها و مطالعه طبقه‏بندي¬هاي موجود، همچنين با در نظر گرفتن متريک¬هايي که در کارهاي مشابه مطرح شده، متريک‏هايي ارائه مي¬شود. اين متريک¬ها با توجه به شناسايي معماري و روش¬هاي توسعه نرم¬افزار و هم چنين مشاهدات و تجارب بدست آمده از چند شرکت نرم¬افزاري در ايران ارائه مي¬شوند. جهت سهولت امر مديريت و همچين بکار بستن اين متريک¬ها در دنياي واقعي، يک طبقه¬بندي منطقي و ويژه بر روي آنها انجام مي¬شود. به کمک طبقه بندي ارائه شده، ¬مي¬توان مسئولين نظارت و کنترل متريک‏ها را در هر مرحله شناسايي کرده و در زمان صحيح مديريت ريسک را به درستي بکار بست.

کاهش دو معیاره مجموعه آزمون‌ با تحلیل خوشه‌ای الگوهای اجرایی