امروزه در بسیاری از مسائل یادگیری، برچسب¬زنی به تمامی داده¬ها، از نظر عملی و یا به لحاظ اقتصادی امکان¬پذیر نمی¬باشد؛ این امر منجر به ایجاد مسائلی می¬شود که در آنها تنها تعداد کمی از داده¬ها دارای برچسب و مابقی، فاقد برچسب می¬باشند. از اینرو در سال¬های اخیر، تلاش¬های فراوانی در جهت ایجاد و بهبود روش¬های یادگیری نیمه¬نظارتی صورت گرفته است. ما نیز در این مقاله به ارائه¬ی چارچوبی تجمیعی در یادگیری نیمه¬نظارتی می¬پردازیم که به صورت همزمان از نتایج چندین طبقه¬بند نیمه-نظارتی، بهره می¬گیرد. انتخاب مناسب طبقه¬بندهای مورد استفاده در چارچوب پیشنهادی، نقش بسیار مهمی در کارایی این روش ایفا می¬نماید. به همین منظور ما در این¬ مقاله دو الگوریتم نیمه¬نظارتی جدید با نام¬های EFM و MCO-Trainingکه صورتی بهبودیافته از طبقه¬بندهای نیمه¬نظارتی EM و Co-Training می¬باشند، به جهت قرارگیری در چارچوب موردنظر، ارائه می¬دهیم. آزمایشات صورت¬گرفته بر تعدادی از مجموعه داده¬های استاندارد، گویای برتری طبقه¬بندهای نیمه¬نظارتی بهبودیافته، نسبت به شکل سنتی خود و نیز برتری طبقه¬بند نیمه¬نظارتی تجمیعی نسبت به استفاده¬ی منفرد از طبقه¬بندهای نیمه¬نظارتی می¬باشد.

شبكه‌هاي عصبي خودسازمان‌ده دسته مهمي از شبكه‌هاي عصبي هستندکه با وجود توانايي بالا، مشکلاتي از جمله سرعت آموزش و اجراي پايين دارند. علت اين مسئله لزوم مقايسه ورودي با همه¬ي نورون¬هاي شبکه به منظور يافتن نورون برنده مي-باشد. هزينه محاسباتي اين شبكه¬ها با افزايش اندازه شبكه به صورت خطي افزايش مي¬يابد. از شبکه¬هاي خودسازمان¬ده سلسله-مراتبي مي¬توان براي افزايش سرعت در زمان آموزش و اجرا استفاده نمود در اين حالت، به دليل عدم مقايسه داده ورودي با کليه نورون‌هاي شبکه مي‌توان به سرعت يادگيري و بکارگيري بيشتري در شبکه دست يافت. بنابراين اگر شبکه¬اي با N نورون داشته-باشيم در حالت يک سطحي به N مقايسه نياز مي¬باشد ولي در شبکه¬اي با L سطح، تعدا مقايسات به کاهش مي¬يابد. اين امر خصوصاً در شبکه‌هاي بزرگي که قرار است با حجم زيادي داده آموزش داده شوند حائز اهميت است. در اين مقاله يک شبکه عصبي خودسازمان‌ده رشديابنده سلسله¬مراتبي جديد با هدف افزايش سرعت آموزش و بکارگيري معرفي شده است همچنين اين شبکه تعداد پارامترهاي کمتري نسبت به ساير شبکه¬هاي خودسازمان¬ده دارد. نتايج آزمايش‌هاي تجربي صورت گرفته نشان‌دهنده سرعت بالاي روش پيشنهادي (حدوداً 5برابر) در مقايسه با شبکه¬ي رشديابنده يک سطحي است. اين در حالي است که دقت شبکه تغيير چنداني نداشته است.

يکي از مهمترين مسائل در حوزه هاي مديريت پروژه و مسائل بهينه سازي، زمانبندي سيستم هاي توليد کارگاهي انعطاف پذير (FJSP) مي باشد. در اين مقاله ما زمانبندي سيستم هاي توليد کارگاهي انعطاف پذيررا با هدف مينيمم نمودن ماکزيمم زمان اتمام کارها (Cmax) مورد بررسي قرار خواهيم داد. اين مساله يک مساله NP-Hard محسوب مي گردد. دراين تحقيق يک الگوريتم ايمني مصنوعي بر پايه نگرش سلسله مراتبي براي حل مساله پيشنهاد شده است که در آن براي نمايش آنتي بادي ها از نمايشRandom Key استفاده مي گردد. به منظور نشان دادن کارايي الگوريتم پيشنهادي چندين نمونه از داده هاي موجود در اين مساله مورد استفاده قرار گرفته است. نتايج آزمايشات انجام شده نشان مي دهد که اين الگوريتم توانايي دستيابي به نقاط بهينه را براي داده هاي مختلف دارا است.

در سال¬هاي اخير حفظ حريم خصوصی در داده¬کاوي و انتشار داده¬ها به¬عنوان يک مبحث مهم تحقيقاتي مورد توجه محققين قرار گرفته است. مسأله مهم در اين مبحث، چگونگي برقراري تعادل بين حفظ حريم خصوصی و کيفيت داده¬ها مي¬باشد. اين مقاله به بررسي حفظ حريم خصوصی در يکي از روش¬هاي داده¬کاوي به نام کاوش سودمنديمي¬پردازد. الگوريتم¬هاي قبلي ارائه شده در اين زمينه اگرچه به خوبي توانسته¬اند حريم خصوصی را حفظ کنند، اما از لحاظ کيفيت داده¬هاي توليد شده از کارايي مناسبي برخوردار نيستند. الگوريتم¬هاي اکتشافي ارائه شده در اين مقاله علاوه بر اين¬که به خوبي حريم خصوصی را حفظ مي¬کنند، داده-هاي با کيفيت بهتري را نسبت به الگوريتم¬هاي پيشين توليد مي¬کنند. نتايج آزمايشات ارائه شده در اين مقاله نشان مي¬دهد که الگوريتم¬هاي ارائه شده از لحاظ کارايي نسبت به الگوريتم¬هاي پيشين از برتري چشم¬گيري برخوردار هستند.

دو الگوريتم اکتشافي براي حفظ حريم خصوصی در کاوش سودمندي

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.

ایجاد چندضلعی ساده تصادفی و شبه مثلث¬بندی یک چندضلعی از مسائل مطرح در هندسه محاسباتی محسوب می¬شوند. تولید چندضلعی تصادفی در زمینه بررسی صحت و درستی الگوریتم¬ها مورد استفاده قرار می¬گیرد. در این مقاله الگوریتمی جدید برای ایجاد یک چندضلعی ساده حلزونی از مجموعه نقاط تصادفیS در صفحه با استفاده از پوسته¬های محدب لایه¬ای ارائه شده است که به طور همزمان نیز شبه مثلث¬بندی روی آن انجام می¬شود. این الگوریتم ابداعی جدید دارای مرتبه زمانی O(nlogn) است، لذا جزو الگوریتم¬های بهینه به شمار می¬آید.

در سامانه‌های جامع اطلاعاتی سنتی، موقعیت سازمانی مسئول مجبور بود خود و در مقاطع زمانی مناسب (البته به تشخیص خود) به جستجو در اطلاعات حجیم ثبت شده بپردازد تا حفظ تعادل یا از بین رفتن آن‌را در هر جنبه از عملکرد سامانه بررسی نماید؛ در مقابل، در سامانه‌های ERP باید سطح مناسبی از هوشمندی پیش‌بینی شود تا در صورت از بین رفتن تعادل در هر جنبه از عملکرد سامانه، این موضوع به یک یا چند موقعیت سازمانی مشخص در ساختار سازمانی اطلاع داده شود. در این مقاله، بر اساس دیدگاه عامل¬گرا، یک معماری پیشنهاد می¬شود که با تکیه بر چندین عامل مستقل ولی همکار، به پیاده‌سازی اعلان هشدار هوشمند در سیستم¬های ERP کمک می¬نماید.

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.

در دهه¬های اخیر توانایی فنی بشر برای تولید و جمع آوری داده به سرعت افزایش یافته¬است. این رشد انفجاری در داده¬های ذخیره¬ شده، نیاز مبرم ابزارهای خودکارسازی را ایجاد کرده¬است، تا به صورت هوشمند به انسان یاری رساند تا این حجم عظیم داده را به دانش مفید و مورد نیاز خود تبدیل کند. به این فرآیند داده¬کاوی اطلاق می شود. یکی از زمینه¬هایی که می توان از این دانش به نحو مؤثری بهره¬گرفت، داده¬های پزشکی است. در این مقاله بر آن هستیم تا به کشف عوامل مؤثر در بروز انواع سرطان و تعیین نحوه¬ی درمان سرطان بپردازیم. بدین¬منظور از پایگاه داده سرطان بیمارستان نمازی شیراز در سال¬های 86-82 استفاده¬نمودیم. با اعمال الگوریتم¬های خوشه¬بندی و کشف قوانین وابستگی بر روی مجموعه داده¬ها به نتایج مفید و جالبی دست یافتیم.

واژگان¬شناختی می¬تواند در محدوده وسيعی از قلمروها از قبيل وب¬معنايي و پردازش زبان طبيعی به منظور ايجاد فهمی مشترک از يک دامنه مورد استفاده قرار گيرد. يکی از کاربردهای واژگان¬شناختی در زمينه شخصی¬سازی وب است. شخصی¬سازی وب عبارتست از هر عملی که اطلاعات و سرويس¬های فراهم شده توسط يک وب¬سايت را با نيازهای کاربران سازگار کند. برای اين کار دانش کسب شده از تحليل رفتار پيگيری کاربر و علايق فردی او در ترکيب با محتوا و ساختار وب¬سايت بکار گرفته می¬شود. بنابراين دانش دامنه وب¬سايت و مدلی که بيانگر علايق کاربر باشد, عناصری کليدی در فرايند شخصی¬سازی می¬باشند. اين مدلها را می¬توان با ساختارهايی از جمله بردار کلمات کليدی/ مفاهيم نمايش داد, يا می¬توان از واژگان¬شناختی برای نمايش آنها استفاده کرد. در اين مقاله ابتدا ساخت يک واژگان¬شناختی از دانش دامنه وب سايت را گزارش می¬کنيم و سپس با نگاشت ثبت¬های وب¬سرور به اين واژگان¬شناختي, واژگان¬شناختی مدل کاربر را ارائه می¬دهيم. اما برای استخراج مفاهيم و روابط معنايی در واژگان¬شناختی مذکور, از ويکيپديا که يک منبع غنی اطلاعاتی است استفاده کرده¬ايم. حاصل کار يک واژگان¬شناختی از علايق کاربر است که نسبت به واژگان¬شناختی¬های پيشين از نظر روابط معنايی غنی¬تر است و می¬تواند در ارائه توصيه¬های بهتر بکار رود. صحت و کيفيت سيستم با استفاده از مدل¬های تحليل و طراحی در مهندسی نرم¬افزار بررسی گرديده است.

استخراجِ قوانين وابستگي در داده‌کاوي را مي‌توان به عنوان يك مسئله چندهدفه در نظر گرفت. اغلبِ روش‌هاي قبلي، قوانينِ پررخداد و با تعداد صفات زياد را از پايگاه داده كشف مي‌کنند که براي کاربر، جذاب و قابل فهم نمي‌باشند و اين قوانين را طي گذراندن دو مرحله مجزا از هم بدست مي‌آورند. علاوه براين، در بيشتر داده‌ها صفات عددي وجود دارد. اكثرِ اين روش‌ها قادر به کاوشِ اينگونه قوانين نيستند. در نتيجه گسسته کردن مقادير فيلدهاي عددي قبل از کاوش ضروري مي‌باشد که با از دست رفتن اطلاعات مفيد مواجه مي‌شويم. در اين مقاله با بهبود دادنِ الگوريتم جستجوي گرانشي، يک روش مناسب براي استخراج قوانين وابستگي عددي ارائه مي‌کنيم. در واقع يک الگوريتم جستجوي گرانشي بهبود يافته بر اساس مفهوم مقادير سخت مطرح مي‌کنيم. اين مقادير با بازه‌هاي بالا و پايين تعريف شده‌اند که رنجي از مقادير را مشخص مي‌کنند. روش پيشنهاد شده بدون نياز به گسسته¬سازي فيلدهاي عددي و استفاده از مقادير آستانه حداقل پشتيبان و اطمينان، مناسب‌ترين فواصل عددي را در يک اجرا کشف مي‌کند. نتايج حاصل از راهکار ارائه شده، حاکي از کارامد بودن اين روش است.

در این مقاله، راهکاری نوین برای مکان¬یابی خطاهای معنایی موجود در نرم‌افزارها به صورت خودکار ارائه شده است. اغلب روش-های موجود، علل اصلی خطا را با مقایسه رفتار برنامه در اجراهای موفق و ناموفق، کشف می¬کنند. مشکل اصلی در این راهکارها این¬است که نقاطی گسسته از برنامه را به عنوان علل اصلی خطا اعلام می¬کنند و در نتیجه یافتن علت اصلی خطا نیاز به جستجو و تحلیل دستی حجم زیادی از کد دارد. برای حل این مشکل، در این مقاله استفاده از روش¬های کاوش گراف بر روی مجموعه گراف¬های حاصل از اجراهای برنامه، پیشنهاد می¬گردد. با نمایش هر اجرای برنامه در قالب یک گراف وزن¬دار، زیرگراف¬های متمایزکننده بین گراف¬های اجرایی موفق و ناموفق می¬تواند به عنوان عوامل خطا به برنامه نویس معرفی شوند. برتری اصلی راهکار پیشنهادی نسبت به روش¬های موجود این¬است که عوامل اصلی خطا در قالب زیرگراف¬های اجرایی و به صورت دنباله¬ای از خطوط برنامه که منجر به شکست نرم¬افزار شده¬اند به برنامه¬نویس اعلام می¬شوند و بنابراین به بررسی دستی حجم بسیار کمتری از کد برای فهم و رفع خطا نیاز است. تحلیل راهکار پیشنهادی بر روی مجموعه آزمون مشهور زیمنس در زمینه ارزیابی و مقایسه روش¬های مکان¬یابی خطاهای معنایی، موفقیت روش پیشنهادی را در کشف دقیق‌تر خطاها در این نرم¬افزار نشان میدهد.

پیشرفتهای جدید در تکنولوژی شبکه های بی سیم و ارتباطات سلولی(Cell Connection) امکان استفاده از سیستم های محاسبات سیار(Mobile Computing) را فراهم نموده است. نکته قابل توجه در محاسبات سیار، حرکت برخی از واحدهای موجود در محدوده سلول است. این حرکت برای انجام محاسبات سیار که نیاز به دریافت اطلاعات از بانک اطلاعاتی دارند مشکل آفرین است. حرکت سیستم حین اجرای تراکنش منجر به قطع ارتباط سیستم سیار با شبکه بی سیم کارگزارمی شود و این قطع ارتباط منجر به سقوط تراکنش در حال اجرا شده و سیستم سیار مجبور به اجرای مجدد تراکنش از ابتدا می شود . یکی از روشهای جلوگیری از سقوط تراکنش استفاده از Cache در ميزبانهاي متحرك است. معمولاً در Cache اطلاعات مورد نياز فعلي تراكنش در حال اجرا نگهداري مي‌شود. هدف ما در این مقاله استفاده از تئوری فازي برای پیش بینی اطلاعات مورد نیار واحد متحرک و ارسال آنها به واحد مورد نظر، جهت استقرار در Cache می باشد. در این کار فقط بر روی اطلاعات ارسالی به سیستم متحرک متمرکز شده¬ایم تا نرخ توفيق در Cache افزايش يافته و از ارسال درخواست به كارگزار جلوگيري شود.

یکی از مسائل مهم دنیای امروز استخراج دانش از پایگاه‌داده‌های بسیار بزرگ است.داده‌کاوی این امکان را فراهم کردهاست که بتوان به‌صورت خودکار اطلاعات مفیدی را از پایگاه داده‌های بسیار بزرگ استخراج نمود. یکی از روش‌های بسیار مهم در داده‌کاوی، کاوش قوانین انجمنی می‌باشد. در سال‌های اخیر مبحث حفظ حریم خصوصی در داده‌کاوی و به‌خصوص کاوش قوانین انجمنی به شدت مورد توجه محققین قرار گرفته است. یکی از روش‌های کاوش قوانین انجمنی، کاوش سودمندی می‌باشد. مبحث حفظ حریم خصوصی در کاوش سودمندی اخیراً در محافل علمی مطرح گردیده است و تاکنون دو الگوریتم اکتشافی برای آن ارائه شده است. اگرچه این الگوریتم‌های اکتشافی به خوبی می‌توانند حریم خصوصی داده‌ها را حفظ کنند اما داده‌های تولید شده توسط این الگوریتم‌ها از کیفیت مناسبی برخوردار نیستند. مسأله یافتن راه‌حل بهینه برای پاک‌سازی پایگاه‌داده از مجموعه-آیتم¬های حساس، یک مسأله برنامه‌ریزی غیرخطی عدد صحیحمی‌باشد. در این مقاله مدل ساده شده‌ای از مسأله پاک‌سازی پایگاه‌داده ارائه شده است که یک مسأله برنامه‌ریزی خطی عدد صحیح می‌باشد و می‌توان آن را با استفادهاز روش‌های عددی حل نمود.نتايج آزمايشات ارائه شده در اين مقاله نشان مي¬دهد که مدل¬ارائه شده به طور چشم‌گیری از الگوريتم¬هاي پيشين بهتر عمل می¬کند.

Fuzzy c-means يک موضوع مطالعاتي مهم در خوشه¬بندي داده¬ها در تکنولوژي داده کاوي است که کاربردهاي عملي در زمينه-هاي مختلف دارد. بزرگترين عيب اين الگوريتم خوشه¬بندي فازي، حساسيت آن به مقداردهي اوليه به تعداد خوشه¬ها و مراکز اوليه خوشه¬ها است. انتخاب نا¬مناسب مراکز اوليه خوشه¬ها در اين الگوريتم منجر به مينيمم محلي مي¬شود. اين مقاله نسخه¬اي بهبود يافته از الگوريتم FCM با رويکرد رفع برخي از مشکلات اين الگوريتم، ازجمله حساسيت به شرايط اوليه ارائه مي¬کند. الگوريتم پيشنهادي مي¬تواند راه¬حل¬هاي بهينه سراسري، از طريق يک قانون ساده و جديد براي انتخاب مناسب مراکز اوليه خوشه بدست آورد. روش پيشنهادي در مقايسه با الگوريتم FCM متداول دقت بالاتري دارد، براي مقايسه دو روش از داده¬هاي دو مجموعه داده حقيقي استفاده شده است.

در اين مقاله، يک مدل محاسباتی مبتنی بر معناشناخت صوری همراه با منطق فازی برای تعيين اعتماد ارائه شده است. اين مدل برای ارزيابی اعتماد در شبکه‌های بزرگ و پيچيده که چندين مسير مختلف بين اعتمادکننده و اعتمادشونده وجود دارد مناسب است. روش‌های ارائه شده در کارهای پيشين محدود به شبکه‌های ساده بوده و برای پياده‌سازی در اين نوع شبکه‌ها کارآمد نيستند. در مدل پيشنهادی از عملگرهای ساده‌تری استفاده شده است که علاوه بر سربار محاسباتی کمتر، نتيجه حاصل از آن دارای دقت بهتر و کارايی بالاتر است. مدل پيشنهادی در يک قالب مناسب صوری ارائه شده و روی يک شبکه نمونه آزموده شده است، که نشان می‌دهد ميزان عدم قطعيت در سيستم محدودتر شده و کارايی محاسباتی آن نيز بالاتر است.

زنجيره¬هاي مارکوف زمان پيوسته¬ (CTMCs) براي تحليل کارايي سيستم¬هاي کامپيوتري و ارتباطي مورد استفاده قرار مي‌گيرند. با محاسبه احتمالات حالت پايدار CTMC، بسياري از معیارهای مفيد کارايي به دست می¬آیند. اما مدل¬هاي CTMC براي سيستم¬هاي واقعي بسيار بزرگ بوده و حل آنها زمان¬گیر بوده و از مشکل انفجار فضاي حالت رنج مي¬برند. در اين مقاله يک راه¬حل موازي براي حل حالت پايدار مدل¬های CTMC ارائه مي¬دهيم. در این راه حل مشکل انفجار فضاي حالت را با استفاده از موازي¬سازي روش¬هاي ضمني تخفيف داده‌ايم. زيرا اين روش¬ها قادرند يک نمايش فشرده از CTMC ساختاريافته بزرگ ارائه دهند. آنگاه با استفاده از ترکيب روش¬هاي مستقيم وتکراري حل دستگاه معادلات خطي، يک فن حل حالت پايدار موازي براي CTMC ارائه نموده‌ايم. جزئیات راه حل پیشنهادی و الگوریتم¬های مربوطه در این مقاله ارائه شده است.

مهندسي هوش يکي از کمبودهاي موجود براي توسعه عاملهاي هوشمند با استفاده از روشهاي مهندسي است. منظور از مهندسي هوش، پيروي از روشي سيستماتيک براي توليد هوش عاملهاست. يکي از مسايل موجود در اين زمينه، وجود تعاريف مختلف (بر اساس ديدگاههاي متفاوت) براي هوش است. درنتيجه، مجموعه مشخصي از ويژگيهاي هوش محاسباتي ارائه نشدهاندکه بتوانند مبناي تعيين نيازمنديهاي نرم‌افزار هوشمند قرار گيرند. در اين مقاله, يک ديدگاه مهندسي نرم افزاري از قابليت هوشمندي عاملهاي نرم افزاري ارائه شده است. بدين منظور با بررسي و تحليل بيش از 70 تعريف مختلف براي هوش (تعاريف عام، تعاريف در روانشناسي و هوش مصنوعي) 33 ويژگي مشترک آنها استخراج و با حذف ويژگيهاي غيرمحاسباتي، مجموعه اي از ويژگيهاي هوش محاسباتي ارائه شده است. بدين منظور،در اين مقاله براي مهندسي نمودن فرآيند تعيين ويژگيهاي هوش محاسباتي، روشي کمي براي رتبه بندي آنها ارائه شده است. بدين ترتيب که با درنظر گرفتن تکرار ويژگيهاي مشترک در تعاريف مختلف و وزن دهي بر اساس اهميت هر دسته در هوش محاسباتي، مجموعه ويژگيها رتبه‌بندي شده اند. در اين مجموعه، ويژگيهاي يادگيري، قابليت انطباق با محيط يا شرايط جديد، هدف گرايي، قابليت حل مساله، اکتساب و ذخيره سازي دانش و استدلال، به ترتيب داراي بالاترين رتبه هستند.