انجمن کامپیوتر ایران

در این مقاله یک مدل ترکیبی مبتنی بر الگوریتم رقابت استعماری بهبود یافته و اتوماتای یادگیر معرفی شده است. این الگوریتم بهبود یافته¬ی الگوریتم رقابت استعماری (ICA) است، که از ایده¬ی تکامل سیاسی- اجتماعی بشر الهام گرفته است. در الگوریتم اولیه تعدادی کشور استعمارگر همراه با کشورهای مستعمراتشان به جستجو برای یافتن نقطه¬ی بهینه عمومی برای حل مسئله بهینه¬سازی می¬پردازند. در این مقاله از تعدادی اتوماتای یادگیر برای تنظیم شعاع حرکت مستعمرات به سمت استعمارگرهایشان در فرآیند جستجوی الگوریتم ICA استفاده می¬نماید. در الگوریتم پیشنهادی به هر کشور یک اتوماتای یادگیر منسوب شده است که وظیفه¬ی برقراری تعادل بین جستجوی سراسری و جستجوی محلی را برعهده دارد، در نتیجه یک جستجوی هوشمندانه و هدفمندتر در الگوریتم رقابت استعماری انجام می¬شود. عملکرد الگوریتم با چهار تابع محک با نام¬های (Griewank, Rosenbrock, Schwefel, Rastrigin) مورد ارزیابی قرار گرفت. نتایج تجربی حاصل از اجرای الگوریتم رقابت استعماری بهبود یافته نشان دادند که کیفیت راه¬حل بهینه عمومی و سرعت همگرایی به نقطه بهینه در این الگوریتم در مقایسه با الگوریتم ICA استاندارد و ICA تطبیقی بهبود قابل توجهی یافته است.

انتخاب مجموعه ويژگي¬ها يکي از مهمترين مسائل در بحث شناسایی گفتار مي¬باشد. از اینرو، روش¬هاي مختلفي جهت استخراج و انتخاب زیرمجموعه¬ای موثر از ویژگی¬ها، مورد استفاده قرار مي¬گیرند. در این مقاله، نخست جهت افزایش دقت بازشناسی مصوت¬ها، با اعمال اولین سطح انتخاب ویژگی، یک "فوق مجموعه ویژگی" که حاصل ترکیبی هوشمند از گزیده¬ی مجموعه ویژگی¬های موجود است، ارائه می¬دهیم. سپس از آنجا که این ترکیب جدید، به دلیل دارا بودن تعداد زیادی ویژگی، سرعت بازشناسی را کاهش می¬دهد، از الگوریتم ژنتیک به عنوان سطح دوم انتخاب ویژگی استفاده می¬نماییم. در این سطح، زیرمجموعه¬ای مناسب از ویژگی¬های موجود در "فوق مجموعه ویژگی" انتخاب می¬شوند که مطابق با آزمایشات صورت گرفته، سرعت و دقت بازشناسی صحیح مصوت¬ها را به شکل مطلوبی افزایش می¬دهند.

مساله گالري هنر اين پرسش را مطرح مي کند که چه تعداد نگهبان براي ديدن هر نقطه از چندضلعي کافي است. مجموعه اي از نقاط را در چندضلعي ، مجموعه نگهبان همکار براي گوييم هر گاه مجموعه نگهبانان و گراف رؤيت پذيري مجموعه نگهبانان ، در متصل باشند. در اين مقاله مجموعه جديد را مطرح مي کنيم و به آن k-نگهبان همکار مي¬گوييم، درصورتيکه شرايط زير را داشته باشد: الف) براي هر نقطه در ، نقطه در وجود داشته باشد، بطوريکه از قابل رؤيت باشد. ب) مجموعه گراف رؤيت پذيري متصل باشد. ج) هر نقطه در ، حداقل توسط نقطه ديگر در قابل رؤيت باشد. در اين مقاله ابتدا الگوريتمي براي کاهش تعداد نگهبانان همکار معرفي کرده و نشان مي دهيم که اين الگوريتم براي چندضلعي هاي شانه اي دو سر، مجموعه نگهبانان همکار را به کاهش مي دهد. سپس ثابت مي کنيم که هر n ضلعي حداکثر به نگهبان از مجموعه k-نگهبان همکار نياز دارد.

بهينه‏سازي پرس¬و¬جو در پايگاه داده¬هاي رابطه¬اي يك فرآيند پرهزينه مي‏باشد و تعداد جايگشت‏هاي مختلف عمليات پيوند براي يك پرس¬و¬جو، به‏ صورت نمائي با افزايش تعداد جداول سهيم در پرس¬و¬جو رشد مي‏كنند. تكنيكهاي فعلي بهينه‏سازي پرس¬و¬جو براي پشتيباني در حالاتي که تعداد جدول‏هاي پايگاه داده و تعداد سطرهاي هر جدول زياد باشند، نامناسب هستند از طرفي رمز موفقيت يك سيستم پايگاه داده كارا بودن مدل پرس‏و‏جوي آن مي‏باشد. لذا در اين مقاله روشي براي بهينه¬سازي اجراي پرس¬و-جو‏¬ها با تعداد جداول بالا پيشنهاد گرديده است. با توجه به افزايش روز افزون اهميت کاهش زمان اجراي طرح شبه بهينه در عمليات پيوند با تعداد جدولهاي بالا و حداقل سازي زمان اجراي الگوريتم در جهت يافتن طرح شبه بهينه و قرار نگرفتن طرح در بهينه‏هاي محلي، استفاده از الگوريتم¬هاي اکتشافي و کاراي نوين مورد توجه زيادي قرار گرفته است. بدين منظور دراين مقاله الگوريتم تعميم يافته بهينه‏سازي گسسته ذرات پيشنهاد گرديده و کارايي آن از طريق مقايسه با برخي الگوريتم¬هاي پيشين و با در نظر گرفتن چهار معيار زمان اجراي الگوريتم، زمان اجراي طرح، خطا و انحراف معيار، بررسي شده و نتايج حاصله نشان دهنده برتري اين روش خصوصا در تعداد بالاي جداول نسبت به الگوريتم هاي پيشين مي¬باشد.

روش مجموع ساده وزین (SAW) یکی از ساده ترین تکنیک های جبرانی تصمیم گیری چند معیاره است. این روش برای حل مسائل تصمیم گیری چند معیاره به کار برده می شود. از طرفی دیگر داده کاوی یکی از 10 علم رو به رشد دنیا است و یکی از مهمترین الگوریتم های داده کاوی، الگوریتم های مبتنی بر مدل های پیشگویی است که برای پیش بینی آینده به کار برده می شوند. اکثر این الگوریتم ها پیچیده و زمان بر می باشند. در این مقاله روشی نوینی برای طبقه بندی داده ها به کمک روش SAW با استفاده از امتیاز فیشر به خصیصه ها معرفی شده است که مزیت اصلی آن سادگی است. همچنین از توابع فازی برای بهبود دقت این روش استفاده کرده ایم. بر اساس آزمایش های انجام شده بر روی دو پایگاه اطلاعاتی استاندارد و نتایج بدست آمده حاکی از دقت بالای روش نسبت به اکثر الگوریتم های طبقه بندی است.

همگام¬سازی گره¬ها جهت خواب و بیداری، سربار انجام این¬کار و همچنین تصادم فریم¬ها و مصرف انرژی جهت ارسال(های) مجدد از جمله چالش¬هایی است که در لایه دسترسی به رسانه (MAC) شبکه¬های حسگر بی¬سیم مطرح است. در این مقاله ما روشی وفقی و ناهمگام، مبتنی بر استفاده از چند فرکانس در لایه MAC را برای صرفه¬جویی در انرژی و افزایش گذردهی شبکه¬حسگر پیشنهاد کرده¬ایم. این روش با تاکید بر کاربردهای جمع¬آوری داده از گره¬های حسگر پخش شده در محیط بنا نهاده شده¬است. شبیه¬سازی¬های انجام شده نشان می¬دهد که پروتکل پیشنهادی باعث کاهش مصرف انرژی گره¬ها و افزایش طول عمر شبکه خواهد شد همچنین گذردهی شبکه را نیز افزایش می¬دهد.

در این مقاله یک فیلتر جدید فازی - عصبی برای حذف نویزهای ضربه‌ای تصویر ارائه شده است. این فیلتر از دو بخش تشکیل شده است. بخش اول به کمک یک معیار تصمیم‌گیری پیکسلهای نویزی را مشخص می‌نماید و در بخش دوم از پیکسل‌های سالم تصویر و به کمک شبکه فازی – عصبی ANFIS که با این پیکسل‌ها آموزش دیده است، پیکسل‌های نویزی تصویر بازسازی می‌شوند. از مزایای این فیلتر حذف نویزهای ضربه ای با چگالی بالا است. این کار با حفظ جزئیات تصویر و لبه ها انجام می‌پذیرد. برای نشان دادن کارآیی فیلتر ارائه شده نتایج بدست آمده از پیاده‌سازی با فیلترهای مشابه مقایسه گردید و به کمک معیارهای عددی، کارآیی بهتر این فیلتر به اثبات رسید.