انجمن کامپیوتر ایران

روش تجزیه WZ، یکی از روشهای مستقیم برای حل عددی دستگاه¬های معادلات خطی بویژه دستگاه¬های حاصل از زنجیره¬های مارکوف است.این روش می¬تواند سریعتر از روش تجزیه LU باشد.پیاده¬سازی¬های رایج روش تجزیه WZ برخلاف روش تجزیه LU که به عناصر ماتریس بصورت سطری دستیابی می¬کنند، به عناصر ماتریس هم بصورت سطری و هم بصورت ستونی دستیابی می-کنند.از آنجا که این پیاده¬سازی¬ها به موضوع محلیّت داده توجه لازم را نشان نداده¬اند، برای ماتریس¬های با ابعاد بزرگ با مشکل جدی در محلیت داده روبرو هستند. در این مقاله روش تجزیه WZ را به¬گونه¬ای تغییر داده¬ایم که تمام دسترسی¬ها به عناصر ماتریس سطری شوند. با اینکار شاهد بهبود فوق¬العاده در محلیّت داده بوده¬ایم.

حجم زیاد داده¬های وب معنایی و رشد سریع¬ آنها چالش محاسباتی عمده¬ای در استنتاج مقیاس¬پذیر و موثر بوجود آورده است. بیشتر آنتولوژی¬ها Aboxهای بزرگی دارند، یعنی ادعاها در مورد اجزاء و روابط بین آنها بسیار زیاد است. معمولا سه¬گانه¬هایی با گزاره-مفعول¬ یکسان در آنتولوژی¬ها وجود دارد. برای استنتاج روی این سه¬گانه¬ها می¬توان آنها را در یک دسته قرار داد. از این واقعیت به عنوان ایده اصلی برای کاهش تعداد سه‌گانه¬ها استفاده شده است. یک الگوریتم نموی برای خلاصه¬سازی Abox براساس این ایده طراحی و پیاده¬سازی شده است. ابتدا خلاصه¬سازی آنتولوژی به شکل افزایشی در حافظه اصلی انجام می¬شود. سپس فرآیند استنتاج روی Abox خلاصه¬شده انجام می¬شود. آزمایش روی داده¬های مصنوعی استاندارد و دنیای واقعی انجام شده است. نتایج ارزیابی¬ها نشان ¬دهنده صحت و دقت صد درصدی این رویکرد است و میزان خلاصه¬سازی صورت گرفته امیدوار کننده¬ است، این خلاصه‌سازی همچنین باعث کاهش چشمگیر زمان انجام فرآیند استنتاج می¬شود.

امروزه استفاده از سامانه¬های شناسایی از طریق فرکانس رادیویی یا سامانه¬های RFID روز به روز در حال گسترش است. این سامانه¬¬ها به طور گسترده برای شناسایی اشیا و افراد، به عنوان ابزاری جهت نظارت خودکار بر زنجیره‏های تولید، کنترل موجودی انبارها، و ... کاربرد دارند اما به دليل محدوديت در توان محاسباتي و حافظه در برابر تهديدات امنيتي مختلف ، آسيب‏پذيرند.پروتكل‏هاي احراز اصالت، راهکارهائی به منظور حفظ حريم خصوصي كاربران و حذف برخی آسيب‏پذيري‏هاي امنيتي هستند. در همین راستا پروتکل¬های احراز اصالت فراوانی در سطوح مختلف مطرح گردیده است. یکی از پروتکل¬هایی که در این زمینه مطرح شده است پروتکل ارائه شده توسط لو و یه در سال 2010 بود. با توجه به ضعفی که در طراحی خطی این پروتکل وجود داشت حمله جعل هویت برچسب بر روی آن صورت گرفت. در این مقاله با استفاده از ایده مزبور و با بدست آوردن کلید محرمانه مشترک بین برچسب و سرویس دهنده، حمله¬ی جعل هویت سرویس دهنده به عنوان یکی از موثرترین حملات، ارائه و جهت جلوگیری از حمله صورت گرفته پیشنهادی مطرح می¬شود.

پیشرفت و بهبود نسل بشر نمی‌تواند کاملا وابسته به تغییرات ژنتیک باشد. بلکه تعاملات انسانی، رفتار اجتماعی، و فاکتورهای دیگر نیز نقش اساسی در فرآیند بهینه‌سازی دارند. از آنجایی که تعاملات اجتماعی اجازه تطبیق و پیشرفت سریعتری نسبت به ژنتیک می‌دهند، یک الگوریتم بهینه‌سازی می‌تواند شامل فاکتورهای اجتماعی و افزاینده در سرعت همگرایی باشد. البته این مشخصه‌ها می‌توانند بعدها به صورت رمزهای ژنتیکی از نسلی به نسل دیگر انتقال یابند. چنین مشخصه‌هایی به فرهنگ و الگوریتم‌هایی که آنها را به کار می گیرند به الگوریتم‌های فرهنگی موسوم هستند. البته یکی از نواقص این نوع الگوریتم‌ها تشکیل یک فرهنگ و تبعیت همه اشخاص از همان فرهنگ می‌باشد که گهگاه موجب گیرافتادن درون بهینه‌های محلی، در طول روند تکامل می‌گردد. برای برطرف این نقص در این مقاله، روشی به نام رتبه‌بندی Pareto برای انتخاب رهبران و افزایش تنوع در نسل‌های این الگوریتم بکار گرفته شده است. نتایج حاصل، اشاره به افزایش سرعت همگرایی روش ترکیبی جدید نسبت به نوع استاندارد آن دارد.

در سال¬های اخیر فشار و تغییرات رقابتی بر محیط کسب و کار باعث افزایش اهمیت حوزه¬های رقابتی شده است.باید تلاش نمود تا حوزه¬های رقابتی و ابزارهای مناسب آن¬را در سازمان¬های کشور بکارگیری نمود. یکی از این ابزارها استفاده از رویکرد هوش رقابتیاست. امروزه سازمان¬هایی به مزیت رقابتیبیشتری دست خواهند یافت که از محدوده فعالیت¬های خود و دیگران ارزیابی درست¬تری داشته باشند. هوشمندی رقابتی اشاره به این دارد که اطلاعات مفید را از محیط رقابتی استخراج نماید و پس از تحلیل صحیح، استراتژی¬های کارساز را برای سازمان تولید و ترویج نماید. هوش رقابتی سازمان¬ها را توانا می¬سازد تا از رقبای خود پیشی گرفته و جایگاه ویژه¬ای در عرصه رقابت کسب نمایند. در این مقاله ابتدا به مفاهیم مربوط به هوش رقابتی و آمادگی سازمان پرداخته شده است، سپس عوامل کلیدی موفقیت پیشنهادی از دیدگاه سازمانی برایتعیین آمادگی سازمان¬در پذیرش هوش رقابتی ارائه شده است، و مطالعه موردی تحقیق حاضر در سازمان بانک ملی ایران صورت پذیرفته است. اطلاعات مورد نیاز برای ارزیابی ازطریق پرسشنامه و نرم¬افزار لیزرل مورد تجزیه و تحلیل قرار گرفته است.

امروزه کاربردهای چندرسانه‌ای روی شبکه‌ از یک سو و استفاده از شبکه‌های بی‌سیم به علت سادگی و دیگر مزایایی که دارد از سوی دیگر مورد توجه و استقبال زیادی قرار گرفته است. اما تامین کیفیت سرویس برای کاربردهای چندرسانه‌ای در این شبکه‌ها امری چالش‌برانگیز است. به منظور تامین کیفیت سرویس مورد نیاز کاربردهای چندرسانه‌ای، استاندارد IEEE 802.11e ارایه شد که به کمک مکانیسم دسترسی به کانال توزیع شده‌ی بهبود یافته (EDCA) تا حدی کیفیت سرویس فراهم می‌شد. اما به علت طبیعت متغیر و پویای کانال بی‌سیم نگاشت ثابت بسته‌ها به صف‌های اولویت‌دار متفاوتی که مکانیسم EDCA فراهم می‌کرد کیفیت سرویس ایده‌آل برای کاربردهای چندرسانه‌ای فراهم نمی‌شد؛ از این رو در این مقاله سعی شده با استفاده از مکانیسم بین‌لایه‌ای و بر بستر استاندارد 802.11e روشی برای نگاشت پویای بسته‌های ویدیویی و غیر ویدیویی به صف‌های مختلف ارایه شود. روش مورد بحث با توجه به شرایط غیر قطعی کانال، از یک سری قوانین فازی استفاده می‌کند. شبیه‌سازی‌ها نشان می‌دهد که روش ارایه شده در این مقاله کیفیت ویدیو دریافت شده در سمت گیرنده را بهبود می‌دهد.

در سال¬های اخیر با معرفی محاسبات ابری و قابلیت آن در ارائه منابع نامحدود در بسیاری از زمینه¬ها به عنوان راه¬حلی جدید در نظر گرفته شد. یکی از این زمینه¬ها محاسبات علمی است. حل بعضی از مسائل علمی به دلیل نیاز به منابع پردازشی بالا زمان¬گیر، هزینه¬بر و عملا غیرممکن است. به منظور بررسی بیشتر قابلیت بکارگیری منابع ابر در حل مسائل علمی، تعدادی مسئله علمی انتخاب و برروی ابر پیاده¬سازی شدند. به¬منظور اجرای این مسائل برروی ابر می¬بایست آنها را به یک چارچوب¬ تبدیل نمود تا امکان موازی¬سازی کارها و اداره شکست ماشین¬ها به صورت خودکار فراهم شود. در نتیجه این مقاله با انتخاب چارچوب MapReduce، قابلیت محاسبات ابری را از طریق بررسی قابلیت این چارچوب در حل مسائل مورد بررسی قرار داد. نتایج سرعت این الگوریتم¬ها نشان داد که این چارچوب برای حل مسائلی که بتوان کارها را به شکل کاملا مستقلی از هم انجام داد بسیار مناسب است. اما در الگوریتم¬های تکرارشونده که در هر تکرار الگوریتم باید یک کار MapReduce جدید ایجاد شود، این چارچوب سرعتی در حد الگوریتم¬های کاملا موازی ندارد اما سرعت به¬خوبی افزایش یافته و قابل¬قبول است. همچنین MapReuce مقیاس¬پذیری خوبی نشان می¬دهد. در کل می¬توان گفت محاسبات ابری یک راه¬حل ارزشمند است.

امروزه با افزایش چشمگیر منابع و مستندات متنی، تکیه بر روش¬های بازیابی اطلاعات پاسخگوی نیاز کاربران و محققان نیست. به همین دلیل توجه به روش¬ها و الگوریتم¬های خلاصه¬ساز متن در سال¬های اخیر رشد قابل توجهی یافته است. در بین روش¬های مختلف خلاصه¬ساز متن، روش¬های مبتنی بر هوش جمعی، جایگاه ویژه¬ای داشته و توانایی خوبی در حل مسائل به خصوص مسایلی با فضای گسترده جستجو دارند. در این مقاله ضمن ارائه روش دسته ماهی¬های مصنوعی و نسخه بهبود یافته آن برای حل مسأله خلاصه¬سازی، مقایسه¬ای نیز بین روش¬های ذکر شده با روش بهینه سازی گروه ذرات انجام می¬دهیم تا مزیت روش دسته ماهی بهبودیافته را نسبت به سایر روش¬ها مشاهده کنیم.

سرطان سینه یکی از رایج¬ترین بیماری¬ها در سال¬های اخیر به شمار می¬آید. تشخیص سرطان در مراحل ابتدایی، می¬تواند تاثیر بسزایی در درمان این بیماری داشته باشد؛ بطوریکه اخیراً تلاش¬های فراوانی جهت تشخیص زودهنگام آن صورت گرفته است. اکثر روش¬های موجود در مواجهه با تصاویر واقعی با ابعاد بالا عملکرد ضعیفی دارند و باید از یک متخصص در کنار آنها بهره گرفت. در اين مقاله، روشی نوین جهت تشخیص زودهنگام سرطان سینه در تصاویر ماموگرافی ارائه شده است. با توجه به توانایی تبدیل موجک در تجزیۀ تصویر و تفکیک جزئیات می¬توان از آن برای آشکارسازیعلائم این نوع سرطان، در ماموگرام¬ها استفاده کرد.استخراج ویژگیدر این روش با استفاده از تبدیل موجک دو بعدی انجام می¬شود؛ بطوریکه این ویژگی¬ها جهت تشخیص وجود علائم سرطان در تصاویر، مورد استفاده قرار می¬گیرند. پس از مرحلۀ استخراج ویژگی، طبقه¬بندی توسط ماشین بردار پشتیبان صورت می¬پذیرد.در ارزیابی¬های صورت گرفته، از تصاویر واقعی با ابعاد بزرگ به عنوان داده¬های ورودی استفاده شده است و نتایج نشان می¬دهد که روش استخراج ویژگی پیشنهادی، می¬تواند تأثیر چشمگیری در بهبود عملکرد سیستم¬تشخیص داشته باشد.

اخیرا فرمت ویدئوهای چند بعدی مبتنی بر عمق تصویر(MVD ) برای رندر صحنه های تلویزیون سه بعدی (3DTV) و تلویزیونهای با دید آزاد(FTV ) معرفی شده است. داشتن یک یا چندین نما،اطلاعات عمق آنها و همچنین تکنیکهای رندر بر اساس تصویر، توانایی ساختن نماهای میانی را به ما می دهند. بنابراین، فرمت MVD حجم بالایی از داده را تولید می کند که برای ذخیره سازی ویا انتقال نیاز به فشرده سازی دارد. این مقاله یک روش کدینگ پیشگویانه برای فشرده سازی عمق تصویر ویدئوهای چند بعدی مبتنی بر عمق تصویر بر اساس استاندارد H.264/MVC معرفی می کند. ساختار پیش بینی پیشنهاد شده از ترکیب دوساختار، تصاویر B سلسله مراتبی و پیش بینی inter-view بدست آمده است. تصاویر B سلسله مراتبی برای پیش بینی تصاویر غیر کلیدی و تصاویر کلیدی توسط روش inter-view پیش بینی شده‌اند. نتایج آزمایشات نشان می دهد که روش پیشنهادی بطور میانگین 88/44 درصد نرخ بیت را کاهش می دهد در حالی که کاهش PSNR برابر با 64/1 دسیبل برای چهار داده آزمایشی است.

در شبکه¬های بیسیم مش که از باتری به¬عنوان منبع انرژی استفاده می¬کنند، مسیریابی مسئله مهمی است. اگر ترافیک به¬طور مناسب روی مسیریاب¬ها توزیع نشود، باتری بعضی از گره¬ها ممکن است زودتر از بقیه تمام شود. در نتیجه طول عمر شبکه کاهش می¬یابد. لایه مک شبکه مش بیسیم را ایده آل فرض کردیم و همچنین طول عمر شبکه را زمانی¬که باتری اولین گره در شبکه تمام شود، تعریف کردیم. در این مقاله، الگوریتم جدیدی برای توزیع ترافیک با هدف افزایش طول عمر شبکه پیشنهاد دادیم. در این الگوریتم از متریک جدیدی برای محاسبه هزینه هر مسیر استفاده شده است. الگوریتم پیشنهادی به¬صورت دوره-ای بر هزینه مسیرها نظارت دارد و ترافیک هر مسیر را بر طبق نرخ مصرف انرژی تغییر می¬دهد. الگوریتم پیشنهادی را پیاده-سازی کردیم و نتایج به¬دست آمده برای طول عمر شبکه نشان دهنده آن است که کارایی بهتری از دیگر الگوریتم¬های مسیریابی معروف مانند الگوریتم حداقل انرژی کل (MTE) دارد. همچنین نتایج را با حالت بهینه مقایسه کردیم و مشاهده کردیم که نتایج حاصل از الگوریتم نزدیک به حالت بهینه است.

فشرده سازي داده بدلیل کاهش حجم داده تاثیر زیادي بر روي سرعت انتقال اطلاعات و نیز کاهش هزینه هاي نگهداري اطلاعات دارد. فشرده سازي داده را می توان به دو دسته فشرده سازي بااتلاف و بدون اتلاف تقسیم نمود. در فشرده سازي بااتلاف بخشی از داده ها از دست می رود. از این روش برای فشرده سازي داده هایی که انسان با آن ها سر و کار دارند، استفاده می شود مانند تصویر، ویدئو و صدا دیجیتال. اما در فشرده سازي بدون اتلاف، داده بازسازي شده با داده اصلی کاملا یکسان است. فشرده سازي بدون اتلاف داده بر اساس سه روش اصلی انجام می شود؛ روش هاي آماري، روش هاي مبتنی بر دیکشنري و روش هاي مبتنی بر پیش بینی. ما در این مقاله روش فشرده سازي بدون اتلاف داده مبتنی بر دیکشنري را انتخاب نموده ایم. در روش فشرده سازي مبتنی بر دیکشنري، یک لیست از عبارات یکتا در متن نگهداري شده و از طریق آن عبارات تکراري در متن کد می شوند. سه الگوریتم مختلف و ساختار داده متفاوت را براي این روش پیشنهاد داده ایم و نهایتا الگوریتم هاي پیشنهادي، پیاده سازي شده و با یکی از محبوب ترین روش هاي فشرده سازي مبتنی بر دیکشنري بنام LZW مقایسه شده اند. نتایج عملی روي مجموعه داده هایCalgary نشان داد که روش هاي پیشنهادي نرخ فشرده سازي را بهبود می بخشند.

Games are played by players with different strategies; a game could be frustrating or disappointing, if the level of difficulty does not match the player’s skills. In this paper we use Non-Player Characters (NPCs) to build a Self-Organizing System (SOS) for adjusting the level of difficulty in games. To this end, we apply Artificial Neural Network and Interactive Evolutionary Algorithms, and focus on player’s hidden responses. Our results demonstrate that the proposed SOS can adapt itself with different level of skills

در برنامه‌ريزي آينده يك سيستم قدرت، پيش‌بيني بار از اهميت ويژ ه‌اي برخوردار بوده و بايد ميزان خطاي آن تا حد امكان كاهش يابد. دقت نتايج اين پيش‌بيني بر هزينه توليد و همچنين ميزان خاموشي در سيستم قدرت تأثيرگذار مي باشد. در ایران بدلیل وجود دو تقویم شمسی و قمری در موارد خاصی همچون روزهای بین تعطیل، تعطیلی‌های پیاپی بار مصرفی متفاوت دارند به همین دلیل، توزیع بار اغلب دارای خطای زیاد خواهد بود. با توجه به حساس بودن پیش‌بینی بار استفاده از ابزاری مانند سری‌زمانی برای افزایش دقت و بهبود خطا مناسب است. انتخاب مناسب بردار ورودی برای سری زمانی از اهمیت بالایی برخوردار است، در این مقاله مدلی برای پیش‌بینی بار کوتاه مدت به کمک سری زمانی و آموزش شبکه عصبی توسط بیزین ارائه شد. این مدل پیشنهادی در مقایسه با سایر روش‌های مختلف تجزیه و تحلیل سری‌های زمانی از جمله AR، ARMA ، ARIMA ،GARCH دقت پيش‌بيني را تا حد زيادي بهبود بخشد.

در اين مقاله، یک الگوریتم افزایشی بر مبنای فاکتورگیری نامنفی ماتریس به‌منظور حاشیه‌نویسی چندبرچسبی تصویر به صورت نیمه‌نظارتی پیشنهاد شده است. الگوریتم پیشنهادی، با استفاده از روش فاکتورگیری افزایشی نامنفی ماتریس به-جای روش عادی فاکتورگیری نامنفی ماتریس، می‌تواند یک زیرفضای مبتنی بر بخش را به صورت خطی در یک شمای برخط یاد بگیرد. این روش افزایشی قابلیت کاهش بُعد فاکتورگیری نامنفی ماتریس را بدون افزایش بار محاسباتی حفظ کرده و همچنین پیچیدگی مکانی را بدون مقیم کردن داده‌ی ورودی جدید در حافظه، ثابت نگه می‌دارد؛ بنابراین می‌توان به کمک این روش مجموعه داده‌های بزرگ را نیز حاشیه‌نویسی کرد. نتایج آزمایشات بر روی سه مجموعه داده‌ی استاندارد نشان می‌دهد که روش پیشنهادی دقت حاشیه‌نویسی را بهبود بخشیده و مهم‌تر از آن پیچیدگی زمانی را مستقل از تعداد نمونه‌ها کاهش داده است.

در اين مقاله، ما یک مدل را در جهت اندازه‌گیری میزان شباهت دو جمله در ترجمه ماشینی مبتنی بر مثال ارائه کرده‌ایم. در مدل ارائه شده از الگوریتم ژنتیک و یک تابع برازندگی جدید که مبتنی بر بار معنایی منطبق شده بین دو جمله می‌باشد استفاده گردیده است. ما فعل‌ها را به عنوان قلب یک جمله در نظر گرفته‌ایم چون بخش اساسی یک جمله بشمار می‌آیند و مقادیر زیادی از بار معنایی جمله را حمل می‌کنند. بنابراین ما در تابع برازندگی ارائه شده توجه بیشتر خود را بر روی افعال جمله قرار داده‌ایم. این نکته قابل توجه است که مدل ارائه شده دارای وابستگی زیادی به بخش گفتاری و مترادف-های کلمات استخراج شده از وردنت و همچنین ترتیب کلمات دارد. نتایج بدست آمده از آزمایشات انجام شده بر روی دو پیکره (مجموعه مثال) نشان می‌دهد که الگوریتم ارائه شده، کیفت تطابق جملات را در ترجمه ماشینی مبتنی بر مثال بهبود بخشیده است و ما به میانگین دقت 79.5 درصد در آزمایشات انجام شده یر روی پیکره‌ها رسیده‌ایم.

افزایش فرکانس کاری و توان مصرفی بالای پردازنده‌‌های مدرن باعث ایجاد دمای بسیار بالایی در سطح تراشه ‌می‌شود. این دمای بالا برروی قابلیت اطمینان سیستم، هزینه‌‌ی خنک ‌کنندگی و عمر قطعه‌‌ی سخت ‌افزاری تاثیر منفی می‌‌گذارد. برای رفع بحران دمایی، تکنیک‌‌های مدیریت حرارتی پویا (در زمان اجرا) و ایستا (در زمان طراحی و کامپایل) ارائه شده‌‌اند. در تکنیک‌های پویا که در زمان اجرا سعی در رفع بحران دمایی می‌‌کنند، یکی از اساسی ترین نیازمندی‌‌ها، دستیابی به دمای هسته است. برای بدست آوردن دمای هسته می‌‌توان از حسگرهای حرارتی روی تراشه استفاده کرد و نیز می ‌توان از شمارنده‌‌های کارایی بهره برد. استفاده از حسگرها برای بدست آوردن دما ممکن است ایده آل بنظربرسد، اما محدودیت ‌هایی دارد از جمله: محدودیت زمانی یک ثانیه‌‌ای خواندن مقادیر حسگرها و هزینه‌‌ی پیاده ‌سازی بالای این حسگرها. دراین مطالعه سعی می‌‌کنیم روش‌‌های جدیدی برای «تخمین دمای هسته در یک ثانیه بعد با استفاده از شمارنده‌‌های کارایی» ارائه کنیم. براساس نتایج بدست‌ آمده توانسته‌ایم میانگین قدرمطلق خطا را 76% بهبود دهیم.

زمانبندی وظایف یکی از مهمترین چالش‌های سیستم‌های رایانش ابری است. به دلیل محدودیت‌ها و ناهمگن بودن منابع، مسأله زمانبندی جزء مسائل NP-Complete می‌باشد. یک روش زمانبندی مناسب، در کاهش زمان اجرای وظایف و بهره‌وری منابع بسیار تاثیرگذار است. تاکنون از روش‌های بسیاری مانند Min-Min، Max-Min و الگوریتم‌های فرامکاشفه‌ای مانند GA و PSO برای زمانبندی وظایف در محیط ابر استفاده شده است. در الگوریتم‌های مختلف ارائه شده برای زمانبندی وظایف در محیط ابر در بیشتر موارد، خصوصیات منابع مانند پهنای باند، به عنوان پارامتر موثر در تولید جواب نهایی در نظر گرفته نشده‌ است. در این مقاله برای دستیابی به یک توازن بار مناسب و افزایش بهره‌وری منابع، از تابع هزینه جدیدی برای محاسبه زمان اجرای وظایف بر روی منابع موجود در محیط ابر استفاده می‌کنیم. در این تابع هزینه، پارامتر پهنای باند منابع نیز به عنوان معیار موثر در تولید جواب نهایی در نظر گرفته می‌شود. برای دستیابی به پاسخ بهینه نیز، نسخه بهبود یافته الگوریتم رقابت استعماری جهت نگاشت مجموعه وظایف به منابع موجود در محیط ابر ارائه گردیده است. هدف این الگوریتم استفاده از توانایی‌های الگوریتم رقابت استعماری با توجه به سرعت مناسب آن در یافتن پاسخ بهینه است. همچنین به منظور افزایش قابلیت پویش و جلوگیری از همگرایی سریع الگوریتم به بهینه محلی از فرآیندی مشابه با بازترکیب یکنواخت در بخش سیاست جذب(همگونسازی) استفاده شده است. نتایج پیاده‌سازی مسأله و مقایسه آن با الگوریتم‌های ژنتیک و PSO، نشان‌دهنده دستیابی به زمانبندی بهتر وظایف می‌باشد.

این مقاله دربردارنده‌ی نتایج تحقیقات و اندازه‌گیری عملی خدمات ارائه‌شده‌ی شرکت تحویل محتوای آکامای است که توسط نویسندگان مقاله عرضه می‌شود. این شرکت در حوزه‌ی تحویل محتوا پیشتاز بوده و بالاترین سهم را در بازار دارد. اندازه‌گیری‌های انجام شده با هدف درک کارایی از نقطه نظر کاربران ایرانی صورت گرفته است. آزمایشات در تابستان 92 انجام شده و دوره‌ی اندازه‌گیری شامل اندازه‌گیری‌های روزانه در فواصل زمانی دو ساعته بوده است. از آنجایی‌که برخی کاربران با استفاده از آدرس IP غیر ایرانی (استفاده از VPN) اقدام به دریافت محتوا می‌نمایند، اندازه‌گیری‌ها در دو حالت بدون VPN و با استفاده از VPN نیزانجام شده است. نتایج حاصل از اندازه‌گیری بسیار جالب و قابل تامل می‌باشد مثلاً بهترین زمان دریافت فایل در بازه‌ی زمانی 10 صبح تا 12 ظهر به زمان استاندارد ایران برآورد شده است. نتیجه‌ی جالب دیگر بالا بودن زمان پاسخ در طول ساعات شبانه‌روز است که مؤید غیر بهینه عمل کردن مولفه‌ی "مسیریابی درخواست‌ها" در آکامای است. امید است چنان‌چه سرویس تحویل متحوا در ایران برقرار گردد، نتایج این پژوهش به مهندسی کارایی آن کمک موثر نماید.

شبکه‌های حسگر بی سیم از تعداد زیادی گره‌ی حسگر تشکیل شده است که می‌توانند اطلاعات محیطی را جمع آوری کرده و بعد از پردازش اولیه، آنها را برای تجزیه و تحلیل دقیق به ایستگاه پایه ارسال کنند. یکی از مشکلات این شبکه‌ها، طول عمر آن است. روش‌های مختلفی برای حل آن ارائه شده است که مهم ترین آن خوشه بندی گره‌ها می‌باشد. در این مقاله روشی پیشنهاد شده است که بر پایه خوشه بندی مبتنی بر انرژی (EBC) است. در روش پیشنهاد شده تعداد سر خوشه‌ها بر مبنای گره‌های زنده و معیار انتخاب سر خوشه‌ها بر اساس انرژی باقیمانده‌ی گره‌ها می‌باشد. نتایج شبیه سازی نشان می‌دهد که روش EBC انرژی کمتری برای انتقال اطلاعات مصرف می‌کند و هم چنین طول عمر شبکه را افزایش می‌دهد.