کمینه کردن تلفات خط و هزینه تولید ، از جمله مسائلی است که همواره در سیستم های قدرت از اهمیت بسزایی برخوردار است.در این مقاله به بهینه سازی شبکه و حل مساله پخش بار بهینه ( OPF ) برای شبکه استاندارد 118 باس IEEEE با روش های هوشمند پرداخته می شود. برای این منظور ، ابتدا از الگوریتم ژنتیک ( GA ) استفاده می گردد ؛ که علاوه بر عملگرهای متعارف، در آن از عملگر های ویژه مهاجر و نخبه گرایی نیز استفاده شده است. سپس الگوریتم کلونی مورچه ها به کار برده میشود؛ که در این قسمت نیز با استفاده از مدل جدید و کاراکتر رتبه بندی مورچه ها، مورچه های نخبه وزن بیشتری میگیرند. در نهایت پاسخی که از این دو روش به دست می آید با روش های کلاسیک مقایسه و مزیت های آن، مانند سرعت همگرایی ، کاهش تلفات خط و افزایش انعطاف پذیری مساله مطرح و بررسی میگردد.

روش رگرسيون از روش هاي عمده تشخيص تغيير درتصاوير سنجش از دور مي باشد. يکي از مراحل مهم اين روش،انتخاب آستانه مناسب جهت تصميم گيري در مورد وقوع يا عدم وقوع تغيير در يک نقطه است. از جمله روش هاي مشهور انتخاب آستانه تصاوير، روش بدنه محدب هيستوگرام مي باشد. در اين مقاله نشان داده خواهد شد که اين روش برای انتخاب آستانه رگرسيون قابل استفاده نيست. سپس روشي براي بهبود کارايي آن ارائه خواهد شد به گونه اي كه بدنه محدب را قابل استفاده در رگرسيون نمايد. اين روش به صورت تکراري عمل مي کند و سعي مي کند تا در هر مرحله با تقريب هيستوگرام با توابع گاوسي مناسب، نقطه اوج هاي لازم را براي روش بدنه محدب فراهم نمايد. در ادامه نشان داده خواهد شد که روش پيشنهادی کارايي مطلوب در محاسبه آستانه دارد. نقطه قوت ديگر روش پيشنهادی همگرايي آن است به گونهای که با هر مقدار اوليه در نهايت به سوي جواب مناسب براي آستانه، همگرا خواهد شد

کمینه کردن تلفات خط و هزینه تولید ، از جمله مسائلی است که همواره در سیستم های قدرت از اهمیت بسزایی برخوردار است.در این مقاله به بهینه سازی شبکه و حل مساله پخش بار بهینه ( OPF ) برای شبکه استاندارد 118 باس IEEEE با روش های هوشمند پرداخته می شود. برای این منظور ، ابتدا از الگوریتم ژنتیک ( GA ) استفاده می گردد ؛ که علاوه بر عملگرهای متعارف، در آن از عملگر های ویژه مهاجر و نخبه گرایی نیز استفاده شده است. سپس الگوریتم کلونی مورچه ها به کار برده میشود؛ که در این قسمت نیز با استفاده از مدل جدید و کاراکتر رتبه بندی مورچه ها، مورچه های نخبه وزن بیشتری میگیرند. در نهایت پاسخی که از این دو روش به دست می آید با روش های کلاسیک مقایسه و مزیت های آن، مانند سرعت همگرایی ، کاهش تلفات خط و افزایش انعطاف پذیری مساله مطرح و بررسی میگردد.

در اين مقاله، يك الگوريتم درهم سازي به نام مورد تحليل قرار مي گيرد. ديدگاه اصلي به كار گرفته شده در اين مقاله براي تحليل اين الگوريتم ويژگي مقاومت در برابر تلاقي، اوراکل تصادفي بودن و مقاومت در برابر پيش تصوير دوم تابع درهم ساز مي باشد. اگر بيت باشد، روند معرفي شده در اين مقاله n طول خروجي د رهم سازي براي پيدا كردن تلاقي در اين ساختار داراي پيچيدگی O((2n)3 ) است كه بسيار كمتر از مقدار مورد انتظار از حملة روز تولد يعني است. در اين مقاله نشان داده ميشود ساختار درهم ساز O2n/ 2  پيشنهادي در برابر حملة ژو ١ آسيب پذير است. نشان داده مي شود كه امكان تدارك حمله پيش تصوير با بار محاسباتي كمتر از مقدار مورد انتظار وجود دارد. همچنين نشان داده ميشود كه عملكرد الگوريتم مورد نظر بسيار با عملكرد يك اوراكل تصادفي فاصله دارد. در اين مقاله نشان 2 عمليات رمزنگاري n داده ميشود كه حمله كننده تنها با درخواست انتخابي با استفاده از رمز قطعه اي مورد استفاده در ساختار الگوريتم، قادر به توليد يك لغت نامه مشتمل بر تمامي مقادير درهم سازي با تابع متناظر با آنها خواهد بود.

الگوریتم ممتیک نمونه اي از الگوریتمهاي تکاملی است که براي حل یک مسأله بهینه سازي، با افزودن جستجوي محلی به یک الگوریتم ژنتیک، منجر به دستیابی به پاسخهاي بهتر در زمان کمتر میشود. برنامهریزي دروس دانشگاهی نیز از جمله مسایل بهینه سازي با فضاي جستجوي بسیار بزرگ است که به دلیل تأثیر عوامل متعدد، تحقیقات گسترده اي را به سوي خود معطوف داشته است. در این مقاله، با ارایه یک الگوریتم ممتیک ابتکاري، نشان داده شده است که میتوان براي دستیابی به پاسخ بهینه مسأله برنامهریزي دروس به CMAC دانشگاهی در زمان کوتاه تر، از مدل محاسباتی مخچه منظور به دست آوردن احتمال اجراي عملگر جهش، استفاده نمود. نتایج حاصل از مقایسه الگوریتم ممتیک ابتکاري با الگوریتم سنتی تأیید کننده این مطلب است.

روشهای بهسازی گفتار بمنظور كاهش نويز زمينه، بهبود كيفيت گفتار و حذف اثر كانال ارتباطی بكار مي روند . روشهای متعددی از قبيل روشهای اصلاح طيف فركانسی و روش های حذف نويز مبتنی بر موجک برای اين منظور مطرح شده اند . در روشهای حذف نويز مبتنی بر موجک، يکی از مسائل مطرح انتخاب پايه موجکی است که بتواند کارايی مطلوبی در حيطه بهسازی گفتار داشته باشد . يكی از روشهای اين انتخاب، اشتقاق پايه های موجک متعامد - يکه از يک سيگنال مفروض است كه کاربردهای مختلفی در حيطه تشخيص سيگنال، بهسازی تصاوير و تشخيص هدف دارد . در اين مقاله ضمن ارائة روابط دقيق رياضی، راهکاری برای يافتن پايه های موجک منطبق با سيگنال گفتار، به منظور استفاده از اين پايه ها براي بهسازی سيگنال گفتار نويزی ارائه شده است. به علاوه تأثير پارامترهای مختلفی از قبيل نوع نويز جمعشونده، روش آستانه گذاری، عمق درخت تجزية موجک، بر عملکرد فيلتر بانک موجک منطبق بررسي ميگردد. نتايج حاصل نشان داد که پايه موجک منطبق با گفتار، کارايی بيشتری در بهسازی سيگنالهای گفتار، نسبت به پايه های موجک متداول دارد . همچن ين ميزان نويز باقی مانده در سيگنال بهبود يافته، بدون آنکه اعوجاج محسوسی در سيگنال بهبود يافته حاصل شود، به صفر ميرسد.

در اين مقاله روشی جهت افزايش دقت سيستم های بازيابی تصوير مبتنی بر محتوا (Retrieva l CBIR: Content Based Image ) ارائه می شود. اين سيستم ها ابتدا به دسته بندي تصاوير پرداخته و سپس به بازيابي دسته اي از تصاوير كه مورد نظر كاربر است اقدام مي كنند. ما با انتخاب ويژگي هاي كيفي، به ارتقاء دقت دسته بندي مي پردازيم. در روش پيشنهادی قدرت دسته بندی هر ويژگی به کمک يک معيار آماری محاسبه شده و سپس به گزينش ويژگی هايي می پردازيم که قدرت دسته بندی بيشتری داشته باشند . نتايج آزمايشی نشان می دهند، تعداد کمی از اين ويژگی ها قادرند پيچيدگی محاسباتی را کاهش و دقت دسته بندی را افزايش دهند.

بسیاری از مسائل مطرح د ر هوش مصنوعی را می توان بصورت یك مسأله ارضای محدودیت تعریف كرد و سپس با استفاده از الگوریتم هایی كه برای حل این مسائل ارائه شده اند جواب آنها را پیدا كرد . چون فضای حالات مسائل ارضای محدودیت خیلی وسیع است و زمان زیادی برای جستجوی آن لازم است تلاش های زیادی برای طراحی و ارائه الگوریتم های كارا برای حل اینگونه مسائل انجام می گیرد . در این مقاله یك الگوریتم تركیبی برای حل مسائل ارضای محدودیت ارائه می كنیم كه تركیبی از الگوریتم های كامل و ناكامل است . امتیاز این الگوریتم پیدا كردن جواب های جزئی صحیح در زمان كوتاه برای مسائلی می باشد كه یافتن جواب كامل برای آنها در زمان قا بل قبول امكانپذیر نمی پیاده سازی باشد. الگوریتم تركیبی را برای مسأله مشهور N-Queens كرده ایم و نتایج آن را با الگوریتم های موجود مقایسه كرده ایم.

از مهمترین مسائل مطرح در تولید سیستم های موبایل، حسگرهای بی سیم و سایر پردازنده های نهفته، میزان مصرف انرژی در تراشهی پردازنده و در حافظه ی نهان آن است این درحالی است که بسیاری از تلاشهایی که تاکنون برای غلبه بر اتلاف توان در این حافظه انجام شدهاند، منجر به کاهشکارایی آن گردیده اند. در این مقاله، با به کار بردن یکی از روشهای کاهش نشتی توان در حافظه ی نهان، در کناراعمال تغییر اندک در کاربری ساختارLSQ ، هم میزان مصرف انرژی پویا و ایستا در حافظه ی نهان کم شده است و هم کاهش کارایی ناشی از روش اول، توسط روش دوم جبران گردیده برای است. نتایج حاصل از آزمایشات روی شبیه ساز HotLeakage حافظه ی نهان داده، نشان دهنده کاهش ۴,۵ % زمان اجرا در کنار کاهش ۷۲,۵ % درصدی نشتی انرژی در این حافظه بوده اند.

الگوریتمهای ژنتیک در سالهای اخیر به عنوان روشهایی با توانایی بالا در یافتن جواب مسئله های بهینه سازی شناخته شده اند . یکی از این مسائل بهینه سازی مسئله خوشه بندی می باشد . خوشه بندی در حقیقت پردازشی است که یک مجموعه از داده های ورودی را دریافت کرده و آنها را به چندین زیر گروه تقسیم می کند یکی از روشهای متداول در این زمینه، روش خوشه بندی ترکیبی است . در مقاله حاضر یک روش خوشه بندی ترکیبی بر اساس الگوریتمهای ژنتیک ارایه شده است. مهمترین خصوصیت الگوریتم ارایه شده یافتن تعداد خوشه ها برای مجموعه داده ورودی می باشد. نتایج ارزیابی روش ارایه شده بر روی چندین مجموعه داده متداول نشانگر کارایی مناسب الگوریتم ارایه شده می باشد.

در این مقاله رویکرد الگوریتمی و دقیق به بررسی مسئله نرخ شاره بیشینه در شبکه های حسگر بی سیم پرداخته شده است و در این رویکرد با الگوبرداری از شار بیشینه نوعی از مسائل ریزی خطی به عنوان راه حل آن ارائه گردیده است. از آنجا که در شبکه های حسگر بی سیم محدودیت های بسیاری از لحاظ مصرف انرژی و همچنین تداخل در امواج وجود دارد، استفاده از آنتنهای جهت دار همواره گزینه مناسبی بوده و به همین دلیل در این مقاله با در نظر گرفتن شرایط خاص این شبکه ها ، راه حل جامع وکامل تری برای این مسئله ارائه گردیده است.

سیستمهای بهبود گفتار مبتنی بر موجک موفقیت خود را در عمل نشان دادهاند، که سیگنال صوتی میتواند در هر دو حوزه زمان و فرکانس با رزولوشن دلخواه تجزیه گردد. و با آستانه گذاری یا فیلتر کردن اجزا سیگنال بهبودیافته بازسازی میگردد. در مقاله حاضر، ابتدا یك سیستم تشخیص فریمهای واكدار /بی واك مبتنی بر آنتروپی زیرباندهای موجك معرفی میگردد. سپس، دو روش ارائه میگردد . در روش اول، برحسب واكدار/بیواك بودن فریمها تابع پایه موجك تغییر میكند و سپس با استفاده از فیلتر وینر عمل حذف نویز صورت می - گیرد. در روش دوم، با تنظیم میزان حذف نویز در فیلتر وینر برحسب واكدار/بیواك بودن فریمها، عمل كاهش نویز در زیرباندهای موجك صورت میگیرد. نتایج ارزیابیهای عملی و نظری بیانگر کارائی بهتر انتخاب پایه و تنظیم میزان حذف نویز بر حسب واكدار /بی واك بودن فریمها در حذف نویز و بهبود كیفیت گفتار میباشد.

کاربرد پروتکل S-MAC در شبکه های بی سیم و کشف وقایع نادر و عکس العمل سریع است. این پروتکل شبکه ها را بصورت لایه های هم مرکز در اطراف سینک تقسیم کرده و برای گره ها از آدرس دهی تصادفی استفاده کرده و به کمک بسته های کنترل MAC ، گره میانی بعدب برای مسیر یابی و ارسال بسته ها را میابد. با ایجاد وضعیت های مختلف گره ، مانند خواب یا بیدار بودن و کاهش ارسال اطلاعات و ایجاد همزمان سازی می توان مصرف انرژی ناشی از استعمال بلا استفاده را کاهش داد. با مقایسه و ارزیابی و شبیه سازی پروتکل های پیشنهادی و S-MAC می توان کارایی و بهینه شدن مصرف انرژی را برای کشف و گزارش رویدادها ، ناشی از تغییر در پروتکل S-MAC مشاهده کرد.

تعیین موقعیت اشیای متحرك در فضای سه بعدی یكی از اهداف كاربردی سیستم های مبتنی بر بینایی ماشین همچون رباتیك، صنایع نظامی و یا گرافیك كامپیوت ری است . در این مقاله به معرفی رویكردی خواهیم پرداخت كه درآن با استفاده از یك مدل هندسی مناسب از روش تصویر برداری استریو، موقعیت سه بعدی اشیای متحرك تعیین م ی گردد . در روش پیشنهادی برخلاف رویكردهای متداول، نیازی به در دست داشتن چندین نقطه با مختصات معلوم در صحنه جهت محاسبه پارامترهای بیرونی دوربین نیست . در نتیجه می توان بدون هیچ محدودیتی آنرا در هر صحنه ای مورد استفاده قرار داد . لذا تنها پارامترهای درونی دوربین در مرحله كالیبراسیون محاسبه می شوند كه این موضوع بطور چشمگیری سبب ساده سازی روابط شده - است. آزمایشهای انجام شده برای داده های تست عملكرد بالایی را نشان می دهد و نتایج آن برای صحنه های واقعی نیز با موفقیت همراه بودهاست.

الگوریتم (system Artificial Immune Recognition) با استفاده از مجموعه داده های آموزشی و با الهام گرفتن از سیستم ایمنی بدن سعی در ساختن الگوهای نماینده ( یا سلول های حافظه ) دارد. در فاز عمومیت، به کمک الگوریتم k نزدیکترین همسایه (KNN) و با استفاده از الگوهای نماینده ی ساخته شده، طبقه بندی داده های ورودی جدید انجام می پذیرد . تحقیقات اخیر نشان داده است که کارایی این روش طبقه بندی تا حد زیادی به معیار فاصله مورد استفاده وابسته است؛ در این مقاله، نسخه ای از الگوریتم AIRS به نام (AD-AIRS)Adaptive Distance AIRS ارائه می شود که از یک نوع معیار فاصله وفقی استفاده می کند . الگوریتم AD-AIRS در مقایسه با الگوریتم AIRS نه تنها از دقت بهتری برخوردار است بلکه تعداد الگوهای نماینده ساخته شده توسط آن کمتر از الگوریتم AIRS می باشد این مسئله از این لحاظ حائز اهمیت است که باعث افزایش سرعت در فاز طبقه بندی می شود.

در مسائل بازیابی اطلاعات مبتنی بر بازخورد کاربر، یکی از مشکلات اصلی، کمبود تعداد نمونه های آموزشی است. دلیل این امر، عدم امکان دریافت تعداد نمونه های زیاد برچسب خورده توسط کاربر است. برای رفع این مشکل، ما در این مقاله، از روشی برای برچسب گذاری صوری متون استفاده میکنیم. با این کار از مزیت تعداد نمونه های آموزشی بیشتر، با نیاز کمتر به بازخورد کاربر، بهره مند خواهیم شد. برای دخیل کردن عدم دقت ذاتی موجود در برچسب های صوری، از مفاهیم فازی استفاده کرده و برای دسته بندی نمونه ها جهت بازیابی، از SVM که یک روش قدرتمند دسته بندی داده ها محسوب می شود استفاده کرده ایم. در ضمن جهت بهبود کارایی ، برای انتخاب نمونه های کاندید برای برچسب گذاری صوری، از روش خاصی استفاده شده است. این الگوریتم برای اولین بار در حوزه بازیابی متون مورد استفاده قرار گرفته و نتایج آزمایشات نشان می دهد که این روش،نسبت به SVM با یادگیری فعال و مبتنی بر بازخورد کاربر، نتایج بسیار بهتری ارائه می کند.

سری های زمانی فازی اخیرا توجه بسیاری از محققین را به خود جلب نموده است چرا که برخورد مناسبی با ابهامات و داده های غیر کامل می تواند داشته باشد. یکی از روش های جدید در پیشبینی سری های زمانی، استفاده از الگوریتم ژنتیک، پیشنهاد شده توسط Chen می باشد که تا کنون کمترین خطا را در پیش بینی ها گزارش نموده است. مهمترین نقطه ضعف این روش در دید نگارندگان عدم بکار گیری مکانیزمی در برخود با عدم قطعیت های موجود در این روش می باشد. در مدل پیشنهادی نگارندگان، سری های زمانی فازی وزن دار به عنوان مکانیزم برخورد با عدم قطعیت با مدل Chen ترکیب شده و از میزان خطای محاسبات کاسته شده است. همچنین مدل پیشنهادی برای داده های بازار ارز(فارکس)نیز امتحان شده است و کارایی این روش برای پیشبینی نرخ نوسانات ارز نشان داده شده است.

در این مقاله، شیوه ای جهت انتخاب ویژگی ها و کاهش ابعاد، با استفاده از یادگیری تقویتی ارائه می شود. به این منظور از یک سیستم چند عامله استفاده شده که در آن عامل های یادگیرنده می کوشند تا با مواجهه با مساله وهمکاری با یکدیگر به یک هدف مشترک، که بدست آوردن مجموعه ای از بهترین ویژگی ها میباشند، برسند. یادگیری عامل ها به واسطه بررسی میزان تاثیر گروهی از ویژگی ها ، بر اساس بیشترین جداپذیری که در بین داده ها ایجاد می کنند، با سعی و خطا خواهد بود. این جدا پذیری مبتنی بر روش جداپذیری فیشر و استفاده از ضریب همبستگی در جهت بیشینه کردن حداقل فاصله کلاسها می باشد.

برای سیستم های بازشناسی گفتار پیوسته معمولا استفاده از واحد آوایی سه واجی جهت نیل به عملکرد بهتر غیر قابل اجتناب است. مشکل واحدهای آوایی سه واجی تعداد بالای آنها و در نتیجه نیاز به دادگان آموزشی بسیار بزرگ برای آموزش تعداد زیاد حالت های مدل می باشد.برای حل این مشکل و اختصاص داده کافی برای آموزش هر حالت از مدل مخفی مارکوف، روش مرسوم استفاده از متد گره زدن حالت ها است.در این مقاله، مراحل گره زدن حالت های سه واجی ها در روند آموزش یک سیستم بازشناسی گفتار پیوسته فارسی طراحی و اجرا شده است و بر اساس نتایج و عملکرد سیستم بازشناسی، تعداد بهینه حالت های گره زده شده (زنون ها) و پارامترهایی مانند تعداد گوسی های هر حالت برای مجموعه دادگان های فارس دات بزرگ و کوچک گزارش شده است. میزان کاهش خطا در سیستم بازشناسی گفتار فارسی پس از به کارگیری سه واجی ها حدود 11% بوده است.

در این مقاله روش جدیدی برای خوشه بندی کلمات به منظور ساخت مدل زبانی n-gram برای زبان فارسی ارائه شده است که در آن مشکل پیچیدگی روش های خودکار و سرگشتگی بالای روش های دستی به حداقل رسیده است. در این روش هر کلمه با یک بردار ویژگی نمایش داده می شود که این بردار معرف آمار مقوله های نحوی مربوط به آن کلمه است. سپس بردارهای حاصل با استفاده از الگوریتم k-means خوشه بنده می شوند. پیاده سازی و آزمایش های مربوط بر روی پیکره متنی زبان فارسی که شامل حدود 10 میلیون کلمه می باشد، صورت گرفته است. نتایج بیانگر کاهش 34 درصدی در سرگشتگی و کاهش 16 درصدی در نرخ خطای بازشناسی نسبت به روش های دستی مبتنی بر مقوله های نحوی است.