انجمن کامپیوتر ایران

در سال‌هاي اخير، ابعاد سلول‌هاي حافظه‌هاي امروزي مانند DRAM، SRAM و FLASH خيلي کوچک شده است. جريان نشتي بالا و همچنين حساسيت نسبت به خطاهاي نرم، مقياس‌پذيري اين حافظه‌ها را با مشکلات جدي مواجه کرده است. به همين دليل، حافظه‌هاي مقاومتي غير‌فرار در حال پيدايش، به عنوان يک جايگزين، بسيار مورد توجه پژوهشگران قرار گرفته‌اند. اين حافظه‌هاي نوظهور داراي ويژگي‌هاي مثبتي چون چگالي بالا، توان ايستاي تقريباً صفر و مقاوم بودن در برابرخطاهاي نرم مي‌باشند. اما همچنان تعداد دفعاتي که مي‌توان عمل نوشتن را به صورت مطمئن در اين حافظه‌ها انجام داد، مشکلي است که مانع از توسعه اين فناوري و جايگزيني کامل حافظه‌هاي سنتي مبتني بر فناوري CMOS شده است. به اين خطاي ناشي از نوشتن زياد بر روي اين حافظه‌ها، خطاي سخت مي‌گويند. در اين مقاله مکانيزمي براي مقابله با خطاي سخت و افزايش طول عمر حافظه مقاومتي تغيير فاز مطرح شده است. اين روش مبتني بر روش‌هاي تشخيص و تصحيح خطاست و اين کار را در دو سطح انجام مي‌دهد. در ابتدا اگر خطايي اتفاق افتاد، براي تصحيح آن از حافظه دم دستي کنار هر صفحه استفاده مي‌کند. اگر اين حافظه پر شده بود، از استخر بخش‌هاي تصحيح خطا که در انتهاي حافظه تعبيه شده است استفاده مي‌نمايد. نتايج حاصل از شبيه‌سازي نشان مي‌دهد که طول عمر حافظه به نسبت روش شناخته شده ECP-6، 1/2 برابر و در قياس با روش PAYG، 4/1 برابر شده است.

امروزه استفاده از شبکه‌هاي ارتباطي بي‌سيم در محيط‌هاي مختلف فراگير شده است. يکي از چالش‌هاي مهم اين شبکه‌ها، آسيب‌پذيري در برابر حملات شنودگر است. يکي از راهکارهاي مطرح شده براي کاهش اين آسيب‌پذيري، برقراري امنيت در لايه فيزيکي با استفاده از روش ارتباط مشارکتي است. در اين مقاله، امنيت و محرمانگي لايه فيزيکي شبکه مشارکتي با رله‌ي تقويت -و- ارسال بر روي کانال‌هاي با محوشدگي رايلي در حضور چندين شنودگر مورد بررسي قرار مي‌گيرد. بدين منظور روابط رياضي براي ارزيابي محرمانگي شبکه‌هاي مخابراتي بدست مي‌آوريم. اين روابط رياضي شامل رابطه‌ي ظرفيت محرمانگي غير صفر، رابطه‌ي احتمال قطع محرمانگي و رابطه‌ي ميانگين ظرفيت محرمانگي مي‌باشند. در ادامه با استفاده از نتايج عددي حاصل از روابط بدست آمده به ارزيابي کارايي امنيت ارسال و دريافت اطلاعات در شبکه مشارکتي پرداخته مي‌شود. همچنين صحت روابط بدست آمده با استفاده از شبيه‌سازي مونت-کارلو مورد راستي‌آزمايي قرار مي‌گيرد. در انتها، احتمال قطع محرمانگي در شبکه مشارکتي با احتمال قطع محرمانگي در شبکه ارسال بدون مشارکتي مقايسه مي‌شود. نتايج نشان مي‌دهد که شبکه مشارکتي با رله‌ي تقويت -و- ارسال، امنيت لايه فيزيکي بهتري را نسبت به شبکه ارسال مستقيم و بدون مشارکتي ايجاد مي‌کند.

این مقاله، با بسط استفاده از شبکه حافظه کوتاه و ماندگار دوطرفه (biLSTM) یک معماری جدید برای مسائل کاربردی پیشنهاد می‌دهد. biLSTM، فرایند گذشته و آینده ویژگی‌ها را به‌طور کامل می‌تواند منعکس کند. سیستم پیشنهادی به مطالعه موردی قضایی اعمال‌ شده است. در سیستم تصمیم‌گیرنده پیشنهادی، برای تصمیم مؤثرتر بعد از biLSTM از دو رمزگذار و دانش خبرگان استفاده‌ شده است. در این روش با مشاهده اجزای پرونده، نوع مؤلفه‌ها بررسی می‌شود و کلیدی بودن مؤلفه در اصلاح وزن‌ها موردتوجه قرار می‌گیرد. در روش پیشنهادی، ابتدا biLSTM هم بر روی مؤلفه‌های پرونده و هم بر روی حکم که دو بخش تبرئه و محکوم است اعمال می‌شود. دقت عملکرد بر اساس تمرکز بر روی مؤلفه‌های مؤثرتر مشخص می‌شود. طراحی این معماری بر اساس اشتراک‌گذاری وزن‌ها در زمان آموزش توسط رمزگذارها می‌باشد. نتایج سیستم تصمیم‌گیرنده پیشنهادی در مورد مطالعاتی قضایی با روش‌های دیگر مقایسه شده‌اند که برتری روش پیشنهادی مشخص‌شده است. روش پیشنهادی با طراحی یک الگوی مناسب و به‌کارگیری اکثر عامل‌ها و شناخت تأثیرگذاری آن‌ها درگرفتن یک تصمیم درست در زمان کوتاه‌تر می‌تواند بسیار کمک‌کننده باشد و متعاقباً هزینه‌های تشکیل دادگاه‌های تجدیدنظر و اطاله دادرسی را کاهش می‌دهد و حس اعتماد جامعه به سیستم قضا را افزایش می‌دهد.

پیشنهاد اقلام مطابق سلیقه مشتریان همواره مورد اهمیت بوده است و از این رو سیستم‌های توصیه‌گر به منظور افزایش کیفیت خدمات و افزایش فروش مورد توجه واقع شده‌اند. در این مقاله با استفاده از خوشه‌بندی گراف و یافتن شباهت میان کاربران سیستم توصیه‌گری ارائه شده است که ابتدا اطلاعات کاربران و اقلام را در فضای گراف مدل‌سازی می‌کند و پس از خوشه‌بندی آنها با استفاده از آموزش یک شبکه عصبی پرسپترون به ارائه پیشنهاد به کاربران می‌پردازد. نتایج بدست آمده با استفاده از سیستم پیشنهادی بر روی دادگان Movielens نشان می‌دهد که مدل پیشنهادی توانسته است نتایج بهتری نسبت به پالایش مشارکتی به روش همسایگی با معیار پیرسون بدست بیاورد.

طول عمر بالا، غیرفرار بودن، توان نشتی نزدیک به صفر، سرعت خواندن و چگالی بالا از ویژگی‌های حافظه‌های با دسترسیِ تصادفیِ مغناطیسی است که می‏‌توانند در پردازش و ذخیره‎‏سازی داده‏‌ها در کاربردهای مختلف مورد استفاده قرار گیرند. در بسیاری از این کاربردها مانند پردازش تصویر و یادگیری ماشین به دلیل اینکه بی‏دقتی محاسباتی تا حدی جایز است، می‌توان طوری از محاسبه‌ی تقریبی بهره برد که با کم‌ترین میزان خطای محاسبه، منفعت زیادی را در توان، مساحت و تاخیر به دست آورد. کمپرسور یکی از مهم‏ترین اجزا در حاصل‏ضرب جزئی برای فشرده‌‏سازی عکس است. در این مقاله ابتدا یک کمپرسور 4:2 با گشتاور انتقالی چرخشی به کمک ناهمسان‌گردی مغناطیسی کنترل شده با ولتاژ پیاده‌‏سازی شده و سپس دو طرح نادقیق برای بکارگیری آن در محاسبات تقریبی پیشنهاد شده است. نتایج شبیه‏‌سازی در سطح مدار نشان می‏‌دهد که کمپرسور مغناطیسی پیاده‏‌سازی شده در توان 2 برابر و در تاخیر 8 برابر بهبود داشته است. همچنین کمپرسورهای تقریبی نیز نسبت به طرح دقیق آن در توان و تاخیر به ترتیب تا 3.8 و 1.4 برابر کاهش داشته‏‌اند. در سطح کاربرد نیز کمپرسور تقریبی پیشنهادی را برای تعدادی از بیت‏های کم‌‏ارزش‌‏تر در فشرده‌‏سازی تصویر بکار گرفتیم و مشاهده کردیم کیفیت خروجی قابل قبول است.

در این مقاله، مدل بلوغ تعامل‌پذیری کشور به اختصار معرفی شده‌ است. عناصر اصلی مطرح در این مدل شامل سطوح بلوغ، ابعاد مورد بررسی، شاخص‌های ارزیابی و همچنین روش ارزیابی سطح بلوغ تعامل‌پذیری است. این مدل دارای ده سطح بلوغ به‌همراه شش بُعد جهت بررسی تعامل‌پذیری است. جهت بهبود کیفیت ارزیابی، ابعاد به شاخص‌هایی ملموس و قابل اندازه‌گیری در سازمان‌ها/سیستم‌های اطلاعاتی تجزیه شده است که هر یک از این شاخص‌ها در سطوح مختلف امتیازاتی را در زمینه تعامل‌پذیری به خود اختصاص می‌دهند. در نهایت با امتیازدهی به شاخص‌ها، امکان تعیین سطح بلوغ تعامل‌پذیری برای یک سازمان وجود خواهد داشت. بر مدل ارائه شده، نحوه ارزیابی تعامل‌پذیری از سه جنبه‌ی بلوغ تعامل‌پذیری بین دو سیستم اطلاعاتی/سازمان، بلوغ تعامل‌پذیری در یک سیستم اطلاعاتی و بلوغ تعامل‌پذیری در یک سازمان‌ بیان خواهد شد.

در شبکه حمل و نقل خودروهای شهری، چراغ‌های راهنمایی می‌توانند یک ابزار کارآمد برای کنترل جریان آمد و شد خوردروها، شمار خودروهای منتظر پشت چراغ راهنمایی و مدت زمان سفرهای درون شهری باشند. این مقاله بر روی بهینه‌سازی شبکه‌های حمل‌ و نقل شهری با استفاده از ‏هوش مصنوعی تمرکز دارد و برای دستیابی به زمانبندی بهینه چراغ راهنمایی، با بهره‌گیری از انواع الگوریتم‌های در حوزه یادگیری تقویتی، تقویتی عمیق و یادگیری عمیق، یک مدل ترافیکی ساخته شده است. منطق کنترل زمانی چراغ‌ها و جریان آمد و شد خودروها در مدل لحاظ گردیده است. برای دستیابی به افزایش سرعت محاسبات و بهینه نمودن سیستم، الگوریتم‌ها در فریمورک توزیع شده RAY پیاده‌سازی شده است. سه سناریو مختلف با الگوریتم‌های متفاوت Q-Learning، DQN و A3C با رویکرد سیستم‌های تکعاملی با شبیه‌سازی میکروسکوپیک یک تقاطع در نرم‌افزار SUMO مورد ارزیابی قرار گرفت. با تحلیل عملکرد سناریوها در نهایت سناریو سوم با بهره‌گیری از الگوریتم یادگیری عمیق A3C‏، منجر به کاهش 91.14% زمان انتظار نسبت به روش Q-Learning‏ و 29.32% کاهش زمان انتظار در مقایسه باروش ‏DQN‏ ‏گردید. براي مشاهده عملکرد الگوریتم برتر و بررسی انتقال‌پذیری در چارچوب یادگیري عمیق، مطالعه موردي یک تقاطع حقیقی در شهر یزد مورد آزمایش قرار گرفته است. تقاطع منتخب خیابان چمران با خیابان سلمان فارسی است.

با گسترش اینترنت و افزایش استفاده از خرید آنلاین، تحلیل تعاملات کاربران با فروشگاه‌های آنلاین برای استخراج احساسات و الگوی رفتار آن‌ها مورد توجه پژوهشگران قرار گرفته است. تردید یکی از مواردی است که ممکن است کاربر در تعامل با یک فروشگاه آنلاین به آن دچار شود و در نتیجه از خرید خود صرف‌نظر کند. با شناسایی زودهنگام تردید مشتری می‌توان اقداماتی برای رفع تردید مشتری انجام داد و از رها کردن خرید توسط مشتری پیش‌گیری کرد و معیارهایی نظیر سودآوری فروشگاه و رضایت و وفاداری مشتریان را افزایش داد. در این پژوهش، مساله تشخیص تردید مشتریان فروشگاه آنلاین به صورت ضمنی و بدون مداخله مستقیم آنها درنظر گرفته شده است و برای شناسایی تردید مشتریان، تنها از تعاملات لمسی آنها با وب‌سایت استفاده می‌شود. برای این منظور، تعاملات لمسی مشتریان در وب‌سایت یک فروشگاه آنلاین به مدت شش ماه جمع‌آوری شد. سپس با استفاده از داده کاوی و یادگیری ماشین، مدل‌هایی برای پیش‌بینی تردید مشتریان استخراج شد. درخت تصمیم با صحت 034/85 درصد به‌عنوان مدل مناسب انتخاب شد و در وب‌سایت فروشگاه پیاده‌سازی شد. سپس مدل به صورت آنلاین و در تعامل با مشتریان نیز ارزیابی شد. نتایج نشان‌دهنده دقت بالای روش پیشنهادی برای تشخیص تردید مشتریان است.

الگوریتم پس انتشار خطا رایج‌ترین الگوریتم برای آموزش بانظارت و مستقیم شبکه‌های عصبی ضربه‌ای می‌باشد. هرچند به علت ماهیت گسسته این شبکه‌ها، اعمال این الگوریتم با محدودیت‌ها و چالش‌هایی همراه است. در این مقاله یک الگوریتم یادگیری جدید مبتنی بر کدگذاری زمانی تک ضربه‌ای ارائه شده است که در آن گرادیان‌های بازگشتی را حذف کرده و از یک تقریب خطی برای محاسبه مشتق تابع فعالیت نورون‌های ضربه‌ای استفاده می‌کنیم. به منظور حذف گرادیان‌های بازگشتی، تابع خطای هر لایه به صورت جداگانه محاسبه شده و سپس با اعمال الگوریتم کاهش گرادیان، پارامترهای آن لایه به روز رسانی می‌شوند. همچنین به منظور کاهش حجم محاسبات، مدل نورونی خطی تکه‌ای را پیشنهاد داده‌ایم و از یک روش کدگذاری زمانی استفاده کرده‌ایم به گونه‌ای که هر نورون حداکثر یک بار اجازه آتش دارد. الگوریتم پیشنهادی برای آموزش یک شبکه عصبی ضربه‌ای کانولوشنی استفاده شده است و با بررسی بر روی پایگاه داده MNIST نشان داده شده که این الگوریتم قابلیت پیاده‌سازی در ساختارهای عمیق شبکه‌های عصبی ضربه‌ای را دارد.

مدیریت بهره‌وری در محیط‌های هوشمند یکی از مسائل پر اهمیت و مورد توجه است؛ که با تلفیق با سایر چالش‌های پیش‌رو همانند «بهینه‌سازی مصرف انرژی»، این امر مهم‌تر از قبل می‌گردد. اطلاع از شرایط محیط‌های داخلی و خارجی، درجه اهمیت آنها و همچنین محدودیت‌های زیربخش‌های آن می‌تواند در کنترل و مدیریت آنها کمک شایانی نماید. در این مقاله سعی بر آن شده است پارامترها و شرایط محیطی با توجه به جایگاه و اولویت آنها رده‌بندی شود. سپس با توجه به شرایط پیش‌رو در بکارگیری بسترهای رصد، پردازش و تصمیم‌ساز IOT در محیط‌های متنوع دانشگاه، تلاش به هوشمندسازی آنها نموده است. تمرکز اصلی این پژوهش، در نظر گرفتن پارامترهای درگیر و تأثیرگذار و همچنین درجه اهمیت آنهاست؛ که علاوه بر مدیریت بهره‌وری و مصرف انرژی تجهیزات و حسگرهای آنها، بتوان در مدیریت کارایی و مصرف توانی قسمت‌های مختلف دانشگاه هوشمند بهره جست. برای مطالعه موردی، مصرف الکتریکی یک دانشکده، قبل و بعد از بکارگیری و استقرار این بستر مورد بررسی و مقایسه قرار گرفته و بهینگی و نتایج «بهینه‌سازی مصرف انرژی» حاصل، ارائه شده است.

پیدا کردن کوتاه‌ترین مسیر برای مشاهده یک شیء یک مسأله پر‌کاربرد در هندسه محاسباتی است. از جمله کار‌بردهای آن می‌توان به وضعیتی که دیدن یا دیده شدن توسط شیء هدف اهمیت دارد اشاره کرد. به عنوان مثال هنگامی که بخواهیم با شی‌ء هدف ارتباط برقرار کنیم یا آن را بازرسی کنیم؛ با این شرط که نحوه ارتباط با شیء هدف به صورت خط دید باشد. نقطه مبدأ s را در یک ناحیه چندضلعی P با h-1 مانع در نظر بگیرید. می‌خواهیم با انجام پیش‌پردازش بر روی ورودی، کوتاه‌ترین مسیر از نقطه s به نقطه دلخواهی در P را پیدا کنیم؛ به طوری که پاره‌خط دلخواه l از آن نقطه قابل دیدن باشد. برای حل این مسأله در این مقاله ما دو راه حل ارائه کردیم. در راه حل نخست با صرف زمان پیش‌پردازش O(n4+ɛ) مسأله در زمان O(nh) قابل حل خواهد بود. در راه ‌حل پیشنهادی دوم با افزایش زمان پیش‌پردازش به O(n8) توانستیم مسأله را در زمان O(logn) حل کنیم.

همه‌گیری ناشی از کرونا ویروس جدید (کووید-19) بحرانی سراسری را به وجود آورده که تمام کشورهای جهان را درگیر کرده است. این بیماری به دلیل ناشناخته بودن، قدرت شیوع بسیار بالا و عدم قابلیت رهگیری مبتلایان به خطری جدی برای همگان تبدیل‌شده است که دولت‌ها را مجبور به اعمال انواع سیاست‌ها و پروتکل‌های پیشگیرانه در این حوزه نموده است. اولین قدم مشترک در تمام این سیاست‌ها، تشخیص بیماری است؛ تشخیص دقیق، سریع و کم‌هزینه امری است که بیشترین اهمیت را در مقابله با کووید-19 دارد. در سال‌های گذشته استفاده از هوش مصنوعی به‌عنوان یکی از روش‌های کمک تشخیصی، کمک شایانی در حوزه‌های مختلف علوم پزشکی داشته است. در همین راستا یادگیری عمیق در سال‌های اخیر بیش‌ازپیش مورد توجه پژوهشگران بوده و تاکنون معماری‌های گوناگونی برای آن ارائه شده است. با توجه به این موضوع استفاده از تکنیک‌های یادگیری عمیق در تشخیص دقیق بیماری کووید-19 می‌تواند راهگشا باشد. در این مقاله ضمن مقایسه و ارزیابی برخی معماری‌های یادگیری عمیق نظیر VGG19، InceptionV3، ResNet50 در تشخیص کووید-19 با استفاده از تصاویر سی‌تی‌اسکن ریه، یک مدل پیشنهادی بر اساس ترکیب دو معماری InceptionV3، ResNet50 ارائه شده است. یافته‌ها حاکی از آن است که مدل پیشنهادی نسبت به سایر روش‌ها دقت بالاتری دارد.

شبکه‌های بین خودرویی فناوری‌های نوظهوری هستند که عملکردشان وابسته به در دسترس بودن اطلاعات دقیق و به‌روز وسایل نقلیه است. وسايل نقلیه‌اي که اطلاعات‌ غیرعادي منتشر می‌کنند مي‌توانند در عملکرد شبکه‌ی بین خودرویی اختلال ايجاد کنند. بنابراین تشخیص چنین بدرفتاری‌هایی برای حفظ امنیت شبکه‌ی بین خودرویی در برابر مهاجمان، حیاتی است. در اکثر طرح‌های تشخیص بدرفتاری گذشته توجه کمی به استفاده از ویژگی‌های نظریه‌ی جریان ترافیک شده است. توجه به این نظریه می‌تواند ابزاري قوی برای ارزیابی صحت اطلاعات زمینه‌ی منتشرشده در شبکه‌ی بین خودرویی فراهم کند. برای بهبود چالش‌های طرح‌های تشخیص بدرفتاری گذشته، ما استفاده از نظریه‌ی جریان ترافیک را برای تشخیص بدرفتاری‌های ناشی از ارسال اطلاعات غیرعادی در شبکه‌های بین خودرویی پیشنهاد می‌کنیم. در طرح پیشنهادی، علاوه بر واحد‌های کنار جاده‌ای، واحد‌های محاسباتی روی وسایل نقلیه نيز به‌عنوان منابع قابل‌اطمینان اطلاعات در نظر گرفته مي‌شوند که این موضوع به کاهش هزینه‌های ناشی از پیاده‌سازی سراسری واحدهای کنار جاده کمک می‌کند. نتایج ارزیابی این طرح در انواع شرایط ترافیکی و با تعداد مختلف گره‌های مخرب نشان‌دهنده‌ی کاهش نرخ هشدار‌های کاذب و بهبود دقت تشخیص است.

با پیشرفت علم و افزایش روزافزون حجم اطلاعات، استفاده از سیستم‌های توصیه‌گر در همه زمینه‌ها کاربرد پیدا کرده است. اکثر این سیستم‌ها از یک معیار رتبه‌بندی در پیش‌بینی‌هایشان استفاده می‌کنند. با این حال، استفاده از سیستم‌های توصیه‌گر چند معیاره موجب ارائه پیش‌بینی‌های دقیق‌تری می‌شوند. از چالش‌های اصلی در سیستم‌های توصیه‌گر، پراکندگی ماتریس کاربر-مورد و یا همان وجود داده‌های گمشده است که این مسأله در سیستم‌های توصیه‌گر چند معیاره که هر کاربر باید معیارهای متفاوتی را در مورد یک مورد (کالا، خدمات) ثبت نماید، بسیار مشهودتر است. در این مقاله، الگوریتمی برای مدیریت داده‌های گمشده در سیستم‌های توصیه‌گر چندمعیاره با استفاده از یادگیری عمیق ارائه می‌شود. الگوریتم ارائه شده قادر است برای کاربرانی که به تازگی وارد سیستم شده‌اند و سابقه‌ای از علاقه‌مندی آن‌ها در دسترس نیست، توصیه‌های مناسبی ارائه دهد. همچنین رتبه‌بندی‌های ارائه شده برای معیارهای مختلف را به نحوی ترکیب کند که رتبه‌بندی کلی به بهترین نحو پیش‌بینی شده و بهترین توصیه‌ها به کاربران، مطابق با علایقشان پیشنهاد شود. نتایج بدست آمده حاکی از کارایی روش پیشنهادی برای مدیریت داده‌های گمشده در سیستم‌های توصیه‌گر چندمعیاره است.

امروزه مدل‌های تصمیم‌سازی چندمعیاره کاربردهای بیشماری در تمامی زمینه‌های علمی، به ویژه در علوم کامپیوتر به خود اختصاص داده‌اند. یکی از معماری‌هایی که امروزه مورد توجه محققان قرار گرفته است، معماری میکروسرویس می‌باشد. معماری میکروسرویس یک روش متمایز جهت توسعه سیستم‌های نرم‌افزاری است که سعی در ساخت مولفه‌های تک وظیفه با رابط‌ها و عملکردهای مستقل و مشخص دارد. مسئله مدیریت منابع در معماری‌های میکروسرویس‌ها، یکی از چالش‌های مهم حال حاضر بوده و مطالعات زیادی در این زمینه توسط محققان انجام شده است. در این مقاله، به منظور مدیریت بهینه منابع و تخصیص کارای آنها به هر یک از میکروسرویس‌های موجود در معماری، از راهکارهای تصمیم‌سازی چندمعیاری استفاده شده است. با استفاده از راهکار پیشنهادی، می‌توان ضمن تخصیص بهینه منابع بر اساس ارزیابی ترکیبی پارامترهای کیفیت سرویس در میکروسرویس‌ها، به یک سازوکار تخصیص کارا در منابع دست پیدا نمود. روش پیشنهادی ضمن افزایش کارایی در فرآيند میکروسرویس‌ها، باعث افزایش تعادل بار در معماری کل سیستم می‌شود. همچنین استفاده از رویکرد پیشنهادی، امکان مدیریت منابع در شبکه را قابل کنترل‌تر خواهد کرد.

دو درس «ساختمان داده‌ها و الگوریتم‌ها» و «طراحی و تحلیل الگوریتم‌ها» را می‌توان محوری‌ترین دروس در برنامه درسی دوره کارشناسی رشته‌های مهندسی رایانه و علوم رایانه دانست. با وجود نقش برجسته این دو درس در آموزش تفکر الگوریتمی به دانشجویان، به نظر می‌رسد که نحوه ارائه این دو درس در دانشگاه‌های ایران نیازمند بازنگری باشد. ما در این مقاله، به ذکر دو اشکال برجسته که بر نحوه ارائه این دو درس وارد است می‌پردازیم و آنگاه راهکارهایی را برای ارائه یکپارچه و روشمند این دو درس پیشنهاد می‌کنیم. ما هم مبنای اشکالات خود را و هم مبنای راهکار‌های پیشنهادی خود را شیوه آموزش الگوریتم‌ها در کتاب‌های درسی معتبری که در سال‌های اخیر به عنوان مراجع درسی و با هدف آموزش الگوریتم‌ها نوشته‌اند گذاشته‌ایم.آنچه در این متن به عنوان دو اشکال اساسی در ارائه دو درس مذکور مطرح شده‌اند عبارتند از تفکیک ساختمان‌داده‌ها از الگوریتم‌ها و نادیده گرفتن فنون طراحی الگوریتم ها. ما این دو اشکال را تبیین خواهیم کرد و آنگاه خواهیم گفت که چگونه مدرسان می‌توانند ساختمان داده‌ها را در متن طراحی الگوریتم ها معرفی کنند و اینکه چگونه می‌توانند الگوریتم ها را بر مبنای فنون طراحی دسته‌بندی و معرفی کنند.

چند پخشي نقش مهمي را در برخي از كاربردهاي شبكه هاي سيار موردي ايفا مي كند نظير كاربردهاي اورژانسي، جستجو ونجات و ارتباطات نظامي. در چنين محيطهايي نودها گروههايي را تشكيل مي دهند تا بتوانند برخي عمليات شامل ارسال داده و صوت به صورت يك به چند و يا چند به چند انجام دهند. حركت نودها توپولوژي شبكه را به طور غير قابل پيش بيني تغيير مي دهد و همراه با محدوديت توان، چند پخشي در شبكه هاي سيار موردي را بسيار چالش برانگير نموده است. در این مقاله در مورد عملکرد دو پروتکل چندپخشی شبکه های سیار موردی MAODV و ODMRP بحث شده است. پروتکل MAODV بر اساس ساختار درخت عمل می کند ( Tree Based ) که در این حالت بین دو گره مختلف فقط یک مسیر منحصر به فرد وجود دارد و پروتکل ODMRP بر اساس ساختار مش عمل می کند ( Mesh Based ) که در این حالت بین دو گره مختلف مسیرهای متفاوتی وجود دارد. پروتکل MAODV یک درخت چندپخشی را براساس اطلاعات سخت افزاری پایه گذاری و نگهداری می کند در حالی که ODMRP شبکه ای را براساس اطلاعات نرم افزاری نگهداری می کند. نتایج بررسی های ما نشان می دهد که، در بیشتر سناریوها پروتکل ODMRP نرخ تحویل بسته بالاتری دارد نسبت به MAODV اما ضعف ان سربار ( Overhead ) بالاتر ان است نسبت به MAODV.

پروتکل ODMRP (On Demand Multicast Routing Protocol) یکی از پروتکلهای مسیریابی چندپخشی در شبکه های ad hoc است که بدلیل ساده بودن، مقاوم بودن در مقابل تحرک گرهها و داشتن نرخ تحویل بسته ی بالا به یکی از پراستفاده¬-ترین پروتکل های مسیر یابی چند پخشی در این شبکه ها تبدیل شده است، اما یکی از مشکلاتی که این پروتکل از آن رنج می¬برد، این است که برای کشف مسیرها بین فرستنده ها و گیرنده ها، بسته های درخواست مسیر توسط تمام منابع در شبکه بصورت سیل آسا پخش می شوند و این عمل (پخش سیل آسای بسته های درخواست مسیر) به منظور بازسازی مسیرها بصورت دوره¬ای تکرارمی شود، در نتیجه پیامهای کنترلی زیادی در شبکه ایجاد و رد و بدل می شوند. سربار کنترلی ایجاد شده، مخصوصا زمانی که تعداد فرستنده ها زیاد باشد به شدت افزایش یافته و باعث مصرف پهنای باند، ایجاد ترافیک و برخورد بسته¬ها شده، در نتیجه نرخ تحویل بسته را پایین آورده و باعث افزایش تاخیر انتها به انتها در دریافت بسته ها می شود. در این مقاله روشی را برای کاهش سربار کنترلی پروتکل ODMRP ارائه داده ایم. در روش پیشنهادی از تصدیق های غیرفعال داده ای(Data Passive Acknowledgement) استفاده کرده ایم و بعضی از گرهها را از پخش بسته های درخواست مسیر منع کرده ایم. بدین وسیله دامنه پخش سیل آسای بسته های درخواست مسیر محدود شده و سربار کنترلی کاهش یافته است. روش پیشنهادی با استفاده از نرم افزار GLOMOSIM در سناریوهای مختلف شبیه سازی شد و نتایج حاصل از شبیه سازی نشان داد که در اثر محدود شدن دامنه پخش سیل آسای بسته های درخواست مسیر، سربار کنترلی کاهش یافته و در نتیجه ی آن برخورد و تراکم بسته ها و تاخیر انتها به انتها هم کاهش یافته و نرخ تحویل بسته بهبود یافته است.

خلاصه سازی خودکار چند سندی، روشی برای ارائه فشرده مطالبی است که در ارتباط با یک موضوع بوده ولی جهت دید آنها متفاوت از یکدیگر می باشند. خلاصه خوب، باید بیانگر زمینه کلی بوده و ضمن بیان دیدگاههای مختلف موجود در متن از خوانایی و پیوستگی بالایی برخوردار باشد. در این مقاله با بهره¬گیری شکل جدیدی از روش استخراج روابط معنایی موجود در متن (LSA یا LSI) و تکنیک برچسب زنی معنایی نقش لغات(SRL)، روشی جدید برای خلاصه¬سازی چند سندی شده است. در ابتدا با استفاده از ماتریس کلمه- سند به جای ماتریس کلمه- جمله و با بهره گیری از LSA، جملات مهم مرتبط با زمینه استخراج می شود. در گام بعدی با استفاده از تکنیک SRL و با استفاده از WordNet شباهت معنایی جملات استخراج شده و در نهایت جملات شبیه به هم حذف می شوند. نتایج آزمایش¬ها برروی داده¬های DUC2007 حاکی از افزایش چشمگیر دقت در قیاس با روش¬های قبلی مبتنی بر LSAو سیستم¬های موجود در DUC2007 می باشد.

تخمين فعاليت¬هاي صوتي عبارت است از فرآيند دسته¬بندي سيگنال گفتار به قسمت¬هاي گفتار و غيرگفتار. با توجه به کاربرد گسترده‌ي چنين الگوريتم‌هايي در شاخه‌هاي مختلف پردازش گفتار، ارائه‌ي روش‌هايي که باعث بهبود اين فرآيند شوند، همواره مد نظر پژوهشگران بوده است. در اين مقاله با استفاده از روش يادگيري ميدان تصادفي شرطي و ويژگي‌هاي انرژي و اندازه‌ي همواري طيف، مدلي برای تشخيص و جداسازي قسمت‌هاي گفتاري و غيرگفتاري سيگنال صوت، ارائه شده است. برای به دست آوردن مقادير بهينه‌ي پارامترهاي روش يادگيري ميدان تصادفي شرطي از مجموعه‌ي دادگان صوتي Aurora استفاده شده و با در نظر گرفتن اين مقادير بهينه و با استفاده از دادگان Timit مدل نهايي ساخته شد و کارآيي آن روي دادگان بدون نويز 78/90% برآورد شده است. مهمترين مزيت استفاده از روش يادگيري ميدان تصادفي شرطي، حجم کم دادگان مورد نياز برای ساخت مدل است. مقايسه‌ي اين روش و روش ماشين بردار پشتيبان روي حجم يکساني از دادگان آموزشي و آزمايشي نشان مي‌دهد که ميدان تصادفي شرطي 22/14% بهتر از روش ماشين بردار پشتيبان عمل کرده و در مقابل نويز نيز پايدارتر است.