انجمن کامپیوتر ایران

در سيستم‌هاي كاوشگر کلمات به طور متداول از يك واحد بازشناس گفتاري مبتني بر مدل مخفي ماركوف (HMM) براي تعيين كليدواژه‌هاي كانديد شده و محاسبه اندازه اطمينان آن‌ها استفاد ميشود. فرايند تصميم گيري براي قبول و يا رد كليدواژه‌هاي كانديد شده بر مبناي مقايسه مقدار به دست آمده از اندازه اطمينان با يك مقدار آستانه ثابت انجام مي‌گيرد. از اينرو محاسبه مطمئن اندازه اطمينان تاثير مستقيمي بر روي عملكرد اين سيستم ها دارد. از آنجا كه به طور متداول اندازه اطمينان از امتياز درست نمايي نرماليزه شده به دست آمده از مدل توليدي HMM براي هر كليد واژه محاسبه مي شود، در اين مقاله روشي معرفي مي‌شود كه در آن امتياز اطمينان بر اساس احتمال پسين وزن دار شده خروجي مدل تمايزي شبكه عصبي به دست خواهد آمد. روش وزن‌دهي پيشنهادي در اين مقاله بر مبناي صحت بازشناسي واجي به دست آمده از مدل بازشناس واجي مبتني بر شبكه عصبي است. نتايج به دست آمده نشان مي‌دهد كه استفاده از روش وزن‌دهي پيشنهادي منجر به بهبود 5/2 درصدي معيار FOM نسبت به روش غير وزن دار خود خواهد شد.

يکي از پرکاربردترين انواع پرس¬وجوها در موتور جستجو، اسامي افراد مي¬باشد که نزديک به 4/2% از پرس¬وجوها را به خود اختصاص مي¬دهد. از آن¬جا که شناسايي درست اسامي افراد در پرس¬و¬جو مي¬تواند نقش بسزاييدر بهبود نتايج حاصل از موتورجستجو داشته باشد، لازم است که اين نوع پرس¬وجوها تشخيص داده شوند. هدف از اين مقاله، ارائه الگوريتمي جهت تشخيص پرس¬وجوهاي اسامي افراد در زبان فارسي مي¬باشد. اين الگوريتم داراي دو مرحله آموزش و آزمون است. در مرحله آموزش، تعداد زيادياز نام افراد به عنوان پرس¬وجو به موتور جستجوي پارسي¬جو فرستاده شده و با استفاده از نتايج حاصل، مفاهيم اطراف پرس¬وجوها استخراج مي¬شوند. سپس از مفاهيم استخراج شده، مدلي احتمالي ساخته مي¬شود.در مرحله آزمون با استفاده از مدل احتمالي ساخته شده در مرحله آموزش، احتمال نام بودن هر پرس¬وجو با احتمالات بيزين مشخص مي¬گردد. سپس با تعيين حد آستانه¬¬ احتمال، نام بودن پرس¬وجو تعيين مي¬گردد.نتايج نشان داد که با استفاده از الگوريتم پيشنهادي، مي-توان به دقت 62% و فراخواني 66% رسيد.

در اين مقاله، الگوریتمی را برای بهینه سازی مکان یابی سرویس دهنده های تکرار ، ارائه کرده ایم که با استفاده از الگوریتم ژنتیک طراحی شده است. الگوریتم ما سعی دارد نسبت به الگوریتم های ارائه شده دیگر، زمان اجرا و همچنین کیفیت مکان یابی سرویس دهنده های تکرار را، تا حد امکان بهینه کند. این الگوریتم براساس تاخیر بین گره های داخل شبکه، میانگین فاصله بین گره ها را بدست می آورد و سرویس دهنده های تکرار را در محل هایی که فاصله بین گره ها کم است یا بعبارت دیگر تراکم گره ها بیشتر است قرار می دهد. یکی از الگوریتم های ارائه شده که نسبت به الگوریتم های ارائه شده دیگر زمان اجرای کمتری دارد الگوریتم HotZone است، که این الگوریتم نیز بر اساس تاخیر بین گره ها کار می کند. در این مقاله الگوریتم خود را با الگوریتم HotZone مورد ارزیابی و مقایسه قرار داده ایم و در نهایت بر اساس نتایج بدست آمده می بینیم که زمان اجرای الگوریتم ما نسبت به HotZone کمتر است و همچنین کیفیت مکان یابی آن نیز از HotZone بهتر است.

در این مقاله، یک آشکارساز فاز - فرکانس با توان و جیتر کم برای کاربردهای فرکانس بالا پیشنهاد می¬شود. این آشکارساز فاز – فرکانس از 40 ترانزیستور استفاده می¬کند. وجود خروجی سه حالته در این آشکارساز فاز – فرکانس و حذف حالت یک بودن هم-زمان خروجی¬ها، مشکل عدم تطبیق جریان در پمپ شارژ را رفع می¬کند. هم¬چنین به علت داشتن ناحیه مرده کوچک، باعث کاهش جیتر می¬شود. شبیه سازی¬ها توسط Hspice و درتکنولوژی 65 نانومتر انجام شده است. توان مصرفی این آشکارساز فاز در فرکانس 2 گیگاهرتز، 19 میکرووات است که به نسبت آشکارسازهای مشابه توان کمتری مصرف می¬کند.

در سال‌هاي اخير استفاده از سيستم‌هاي فوق سريع براساس شبكه مانند سيستم‌هاي خوشه‌اي و گريد به طور چشمگيري افزايش يافته است. يكي از مفاهيم مهم در اين سيستم‌ها توازن بار است. توازن بار با هدف كاهش زمان اتمام فرايند و افزايش بكارگيري منابع انجام مي‌گيرد. در اين مقاله الگوريتمي جهت توازن بار در سيستم‌هاي گريد پيشنهاد شده است كه بر مبناي الگوريتم‌ جستجوي هارموني مي‌باشد. اين الگوريتم كه جستجوي هارموني تطبيق‌پذير و پويا (DAHS) ناميده شده است به طور متمركز و پويا به توزيع بار بين منابع مي‌پردازد. مشخصه‌هاي DAHS به صورت تطبيق‌پذير تعريف شده‌اند تا مشكلات ناشي از انتخاب مقدار اوليه برطرف گردد. براي ايجاد توازن بار بهتر بعد از ايجاد هر هارموني ميزان بار موجود در هر منبع بررسي مي‌گردد به طوری که اگر منبعی دارای اضافه بار است وظیفه جدیدی به آن اختصاص نیابد. جهت بررسی کارایی این روش شبیه‌سازی‌های لازم در شبيه‌ساز Gridsim صورت گرفته و نشان داده شده است که بهره‌برداري از منابع در روش DAHS بيشتر از 92% َو انحراف معيار بار كمتر از 06/0% است. همچنين Makespan روش پیشنهادی به طور ميانگين 10% كمتر از روش ژنتيك مورد مقايسه است.

با گسترش روزافزون صنعت تجارت الکترونیک و به تبع آن مواجهه با حجم رو به رشد کالاهای عرضه شده، سیستم¬های پیشنهاد دهنده نقش حیاتی را در کمک به خریدار برای هرچه سریع¬تر نزدیک شدن به هدف خود، ایفا می¬کنند.در صنعت تجارت الکترونیک، با طیف وسیعی از خریداران از کشورهای مختلف، با فرهنگ¬های متفاوت روبرو هستیم.بر اساس مطالعات، مصرف-کنندگان با فرهنگ¬های متفاوت، دارای رفتارهای متفاوتی در هنگام خرید بوده و نسبت به خرید محصولات نامتناسب با فرهنگ خود بی میل هستند. درنتیجه فرهنگ ملی در تعیین رفتار مشتری بسیار مؤثر است.بر همین اساس در این مقاله با استفاده از ابعاد فرهنگی کشور شخص خریدار به عنوان معیاری برای تشخیص نیاز خرید کاربر، در کنار معیارهای تأثیرگذار دیگر، بهره جسته¬ایم. برای این منظور از ابعاد فرهنگی هافستد که به صورت گسترده در مطالعات و کاربردهای بازاریابی به کار برده می¬شود استفاده کرده¬ایم و سیستم پیشنهاد دهنده¬ای را طراحی کرده¬ایم که بر اساس ابعاد فرهنگی کشور شخص خریدار پیشنهادات خود را ارائه می¬دهد. با توجه به نتایج آزمایشات انجام شده با استفاده از این سیستم بر روی داده¬های واقعی و مقایسه¬ با سیستم-های پیشنهاد دهنده رایج، می¬بینیم که سیستم پیشنهاد دهنده مبتنی بر فرهنگ بسیار کاراتر عمل می¬کند.

یکی از مهم ترین مراحل تولید یک نرم افزار جهت افزایش قابلیت اطمینان، مرحله ی آزمون آن است. به طور کلی، مرحله ی آزمون نرم افزار حدود 40 تا 70 درصد تلاش، زمان و هزینه را به خود اختصاص می دهد. عدم دقت در این مرحله ممکن است منجر به خسارات جبران ناپذیر و یا حتی شکست نرم افزار گردد. یکی از راه های آزمون نرم افزار در روش جعبه ی سفید، تولید خودکار داده ی آزمون است. این فرآیند به سه دسته ی اصلی روش تصادفی، روش مبتنی بر هدف و روش مبتنی بر مسیر طبقه بندي می شوند. تولید خودکار داده ی آزمون مبتنی بر مسیر که قوی ترین روش در بین روش های جعبه ی سفید است در سه مرحله ی اساسی ساخت گراف کنترل روند، انتخاب مسیر و تولید داده ی آزمون صورت می پذیرد. در این مقاله ابزاری جهت تولید خودکار داده های آزمون مبتنی بر مسیر با استفاده از اجرای نمادین ارائه شده است. یکی از مهم ترین مشکلات مرحله ی انتخاب مسیر، وجود مسیرهای اجرا نشدنی می باشد. در روش پیشنهادی جهت کشف این مسیرها از تکنیک برچسب گذاری دستورات انشعاب و ساختارهای تکرار استفاده شده است. این روش علاوه بر بهبود 60 درصدی زمان اجرا، ابزاری کاملاً خودکار را نیز تولید نموده است.

در روش¬های امروزی توسعه نرم¬افزار و متدولوژی¬هایی مانندRUP ، ابتدا نمودار توالی برای سناریوهای سیستم ترسیم شده و از طریق همکاری مولفه¬ها ، هر مولفه به صورت جداگانه طراحی می¬شود و نهایتاً رفتار مولفه به صورت دستی با یک نمودار مبتنی بر حالت ، مانند نمودار حالت، طراحی می¬شود. به نظر می¬رسد که یکی از مسئله¬های مهم و حیاتی در مهندسی نرم¬افزار، خودکار-سازی این بخش، یعنی ترجمه خودکار نمودارهای توالی به نمودارهای مبتنی بر حالت است. در این مقاله، یک روش صوری برای ترجمه نمودارهای مبتنی بر سناریو به نمودارهای مبتنی بر حالت ارائه می¬شود که به این ترتیب و با داشتن نمودارهای حالت می-توانیم به سوی تولید خودکار کد سیستم¬ها، گام برداریم.

در شبکه¬هاي حسگر بي¬سيم، پوشش و کیفیت تشخیص یکی از جنبه¬های کیفیت سرویس می¬باشد و مسئله آرایش مناسب گره¬ها از آن جهت که سطح بهتری از پوشش را فراهم می¬سازد، برای ما حائز اهمیت می¬باشد.با توجه به اینکه تشخیص¬ گره-های حسگر آمیخته با خطا می¬باشد، از مدل تشخیص احتمالی برای آرایش گره¬های حسگر، استفاده می¬نماییم که واقعی¬تر است. در این مسئله محیط به شکل گرید می¬باشد و احتمال تشخیص برای تک¬تک نقاط گرید باید بالاتر از حد آستانه مورد انتظار باشد. همچنين فرض مي¬كنيم كه سطح پوشش مورد نیاز در نقاط مختلف، متفاوت می¬باشد. راه¬حل پيشنهادي به صورت يك مسئله بهينه¬سازي چند هدفه ارائه شده است كه مي¬كوشد تا در نقاط مختلف به سطح پوشش مورد انتظار دست يابيم و در عين حال تعداد گره¬هاي حسگر به كار رفته در محيط را كاهش دهيم. مسئله آرايش گره¬هاي حسگر يك مسئله NP-hardمي¬باشد. اندازه فضاي راه¬حل محدود و در عين حال بسيار گسترده (2^(n^2 )) مي¬باشد.مي¬توان از طريق روش¬هايي مانند برنامه¬ريزي خطي به جواب بهينه دست يافت، ولي كاربرد اين روش¬ها در چنين فضاي گسترده¬اي، عملا غير ممكن مي¬باشد. براي غلبه بر پيچيدگي زماني از الگوريتم رقابت استعماري گسسته دودويي به منظور آرايش گره¬هاي حسگر در محيط حسي استفاده مي¬نماييم. شبیه¬سازی¬ها نشان می¬دهد که الگوریتم پیشنهادی در مقایسه با الگوریتم¬های ارائه شده در کارهای مرتبط از کارایی بهتری برخوردار بوده و با تعداد گره¬های حسگر کمتری در زمانی مناسب به سطح پوشش مورد نظر دست می¬یابد.

با افزایش استفاده از سیستم‏های CRM، نیاز به انعطاف و افزایش قدرت پاسخگویی در آن‏ها بیش از پیش احساس می‏شود. دست‏یابی به خودتطبیقی در سیستم‏های CRM راه حل‏ مناسبی به مشکلاتی از این دست می‏باشد. این مقاله بر استفاده از تکنیک‏های مبتنی بر قانون برای ارائه مدلی به منظور دستیابی به خودتطبیقی در سیستم‏های CRM تمرکز دارد. در این مدل سیستم قادر خواهد بود تا با بازپیکربندی خود در مقابل تغییرات در سیاست‏های CRM، تغییرات در خواسته‏های کاربر و یا تغییرات در سکویی که نرم‏افزار CRM بر روی آن اجرا می‏شود، به خودتطبیقی دست یابد. در مدل پیشنهادی بخش خودتطبیقی از بخش عملیات کاری سیستم مجزا بوده و ارتباط میان این دو قسمت از طریق یک مبدل زبان طبیعی و یک بارگذار مولفه برقرار خواهد شد. در این تحقیق به منظور در نظرگرفتن تمام جنبه‏های یک سیستم مدیریت ارتباط با مشتری، CRM به صورت مجموعه افراد، فناوری و استراتژی‏ها در نظر گرفته شده‏ است.

الگوریتم رقابت استعماری یکی از جدیدترین الگوریتم¬های تکاملی در حوزه¬ی بهینه¬سازی است. این الگوریتم با الهام گیری از پدیده¬ی سیاسی- اجتماعی استعمار در جوامع بشری ارایه شده است. در این مقاله با استناد به پدیده فروپاشی آنی یک امپراطوری در تاریخ بشری، الگوریتم جدیدی با نام ICACI بر مبنای الگوریتم ICA یا همان رقابت استعماری معرفی می¬شود. در الگوریتم رقابت استعماری در فاز رقابت بین امپراطوری¬ها، امپراطوری ضعیف¬تر به مرور و در هر دور اجرا با از دست دادن یکی از مستعمرات خود (ضعیف¬ترین مستعمره) ضعیف¬تر شده و در نهایت خود نیز از دور رقابت خارج می¬شود. اما در الگوریتم ICACI با در نظر گرفتن شرایطی امکان فروپاشی آنی و ناگهانی امپراطوری ضعیف¬تر به وجود می¬آید. در نهایت، نتایج حاصل از پیاده-سازی و اجرای الگوریتم ICACI روی چند تابع محک متداول و مقایسه آن¬ها با نتایج الگوریتم¬های ICA، PSO، GA و DE عملکرد وکارایی الگوریتم پیشنهادی را نشان می¬دهد.