انجمن کامپیوتر ایران

مسئله انتخاب بهينه سبدسهام يکي از مسائل غيرچندجمله اي (NP) است. در گذشته با استفاده از تکنيک هاي مطرح شده در الگوريت مهاي تکاملي، ژنتيک، تبريدتدريجي و شبکه عصبي اقدام به حل اين مسئله کرد هاند. اما تاکنون الگوريتم دقيقي براي حل آن ارائه نشده است. در اين مقاله روش جديدي پيشنهاد شده است که با ترکيب الگوريتم ژنتيک و تبريدتدريجي مسئله انتخاب بهينه سبدسهام را با دقت و سرعت بيشتري حل مي کند. در روش پيشنهادي درهرنسل فرزندان توليد شده توسط عملگرهاي ژنتيک بر پايه معيارهاي تبريدتدريجي بررسي و پذيرش مي شوند که سبب جلوگيري از همگرايي به بهينه محلي در نسل هاي ابتدايي ، کاهش ميزان جستجوهاي بي هدف در نسل هاي پاياني و افزايش سرعت همگرايي مي شود. براي بررسي صحت عملکرد، روش ارائه شده بر روي داده هاي ٤ بورس معتبر دنيا آزمايش شده است و با جبهه پرتو استاندارد مقايسه شده است. نتايج، بهبود سرعت و دقت همگرايي رسيدن به پاسخ را نشان مي دهد.

هدف از خوشه بندي متون تقسیم بندي مس تندات به یک یا چند خوشه بر اساس محتویات موجود در متن آن است که از ابزارهاي مهم در حوزه پردازش زبان هاي طبیعی به شمار می آید . خوشه بندي متون در ابزارهایی مانند موتورهاي جستجو و سیستم پاسخگویی به سوالات کاربرد هاي فراوانی دارد . روشهاي مختلفی براي خوشه بندي موضوعی متون وجود دارد که استفاده از مدل احتمالاتی بیزین یکی از متداولترین روش ها به شمار می آید. در این مقاله گزارشی از بکارگیري این روش در خوشه بندي متون فارسی ارائه میشود و سپس از ترکیب این روش با ایده نگهداري کلمات هماورد 1 کیفیت الگوریتم بهبود داده میشود. استفاده از این ایده بر روي 200,000 متن خبري از منابع خبرگزاري جمهوري اسلامی ایران (ایرنا ) توانسته است میزان دقت خوشهبندي در زبان فارسی را به 87 % افزایش دهد.

شبکه های سیار موردی تحرک بالایی دارند و به طور مدام مختل می شوند. نتیجه آن کاهش بازدهی ، توان عملیاتی و تأخیرهای در ارتباط نودهای پایانی می شود. برای کاهش عملیات مسیر یابی می توان از مسیریابی چند راهی استفاده نمود. برای فائق شدن برمشکلات مسیرهایی از پیش محاسبه شده مسیر یابی چند مسیری با تکنیک متراکم سازی مسیر وتطبیق پذیری براساس AOMDV پیشنهاد می شودکه مسیرهای ایجاد شده را بدون وارد آوردن مقدار پردازش کلی اضافی ، بهینه می کند. وبا روشی نو مسیرهای کوتاه تر را پیدا کرده.وکارآیی را بهبود می بخشد. در این پروسه یافتن چندین مسیرشکل می گیرد. و با ارسال بسته هایی که به صورت دوره ای از این مسیرها ارسال می شود نگهداری و به روزرسانی می شود. الگوریتم جدیدبهینه سازی مسیر نسبت دور ریزی بسته ها ، تأخیر انتها به انتها و اتلاف انرژی انتقال داده انتها به انتها را کاهش می دهد. شبیه سازی با GLOMOSIM اجرا و کارآیی الگوریتم جدید با AODV AOMDV, و MP-AOMDV مقایسه شده است . روش پیشنهاد شده باعث بدست آمدن کارایی مناسب، نسبت حمل بالا ، مقدار پردازش کلی کنترل پایین ، حمل انتها به انتها پایین و شمارش جهش میانگین پایین می شود.

Grid is an environment that makes it possible to share resources that are managed by diverse, independent and administrative geographically distributed organizations. The main objective of grid is to enable users to solve problems using the available geographically distributed resources. Grid resource discovery is a challenging issue because characteristics of resources are heterogeneous, dynamic, various and autonomous. In this paper we propose a mobile agent approach based on peer to peer model for the resource discovery problem that presents essential characteristics for efficient, self-configuring and fault-tolerant resource discovery and is able to handle range queries. For this reason, we encode resources’ range attributes to bitmap index and compare with query attributes in order to know whether resource satisfies query or not. Moreover, we employ a Distributed Ant Colony System (ACS) algorithm to route requests into Grid and locate the required resources. The innovation in this paper is to support range queries and to eliminate centralized control and provide node autonomy.

In present study, in order to improve the performance and reduce the amount of power which is dissipated in heterogeneous multicore processors, the ability of detecting the program execution phases is investigated. The program’s execution intervals have been classified in different phases based on their throughput and the utilization of the cores. The results of implementing the phase detection technique are investigated on a single core processor and also on a multi-core processor. To minimize the profiling overhead, an algorithm for the dynamic adjustment of the profiling intervals is presented. It is based on the behavior of the program and reduces the profiling overhead more than three fold. The results are obtained from executing multiprocessor benchmarks on a given processor. In order to show the program phases clearly, throughput and utilization of execution intervals are presented on a scatter plot. The results are presented for both fixed and variable intervals.

Performance of wavelet thresholding methods for speech enhancement is dependent on estimating an exact threshold value in the wavelet sub-bands. In this paper, we propose a new method for more exact estimating the threshold value. We proposed to determine the threshold value based on the symmetric Kullback-Leibler divergence between the probability distributions of noisy speech and noise wavelet coefficients. In the next step, we improved this value using segmental SNR. We used some of TIMIT utterances to assess the performance of the proposed threshold. The algorithm is evaluated using the PESQ score and the SNR improvement. In average, we obtain 2db SNR improvement and a PESQ score increase up to 0.7 in comparison to the conventional wavelet thresholding approaches.

Long-term forecasting of load demand is necessary for the correct operation of electric utilities. There is an on-going attention toward putting new approaches to the task. Recently, Neurofuzzy modeling has played a successful role in various applications over nonlinear time series prediction. This paper presents a neurofuzzy model for long-term load forecasting. This model is identified through Locally Linear Model Tree (LoLiMoT) learning algorithm. The model is compared to a multilayer perceptron and hierarchical hybrid neural model (HHNM). The models are trained and assessed on load data extracted from a North- American electric utility.

This paper presents a new segmentation method for color images. It relies on soft and hard segmentation processes. In the soft segmentation process, a cellular learning automata analyzes the input image and closes together the pixels that are enclosed in each region to generate a soft segmented image. Adjacency and texture information are encountered in the soft segmentation stage. Soft segmented image is then fed to the hard segmentation process to generate the final segmentation result. As the proposed method is based on CLA it can adapt to its environment after some iterations. This adaptive behavior leads to a semi content-based segmentation process that performs well even in presence of noise. Experimental results show the effectiveness of the proposed segmentation method.

Object tracking is one of the major subjects in machine vision and plays a main role in detection of major events in indoor soccer matches. In this paper, a novel approach for tracking the ball and players is proposed. In this method, the ground lines are segmented and eliminated using a fast and effective method. Then, the remaining non-field pixels are considered and labeled as players and the ball. A fast level set contour is used to track players and the ball. The proposed method can track players and the ball in presence of occlusion. Experiments show that the proposed method is robust to occlusion and different field colors.

In this paper, we introduce a refinement approach to develop probabilistic programs formally. To achieve this goal, we first present a way to specify probabilistic programs in a Z-based notation. We then use an existing method of translating Z into a refinement calculus to transform our Z-style specifications of probabilistic programs into specification statements of the refinement calculus. We finally add new laws to the refinement calculus helping us to refine the resulting specification statements into probabilistic choice constructs of a probabilistic imperative language. In this way, we will provide a completely formal way for developing probabilistic programs.