انجمن کامپیوتر ایران

فرایند هم تراز سازی آنتولوژی ها به یافتن شباهت میان موجودیت های آنتولوژی ها می پردازد. دو آنتولوژی ممکن است در جنبه های متفاوتی مانند ساختار، معنا و ... با هم شباهت داشته باشند. بیشتر سیستم های هم ترازسازی آنتولوژی ها از چندین روش شباهت یابی به منظور استخراج همه ی موارد شباهت که در دو آنتولوژی ممکن است وجود داشته باشد، استفاده می کنند. بنابراین ، ما با یک مشکل عمده برای جمع آوری شباهت میان موجودیت ها مواجه هستیم. برخی از سیستم های هم ترازسازی آنتولوژی ها از وزن های تجربی و برخی دیگر از روش های یادگیری ماشین و الگوریتم های بهینه سازی برای یافتن وزن های مطلوب به منظور جمع آوری شباهت های مختلف استفاده می کنند. هر دو رویکرد دارای معایبی هستند. در این مقاله، مشکلات استراتژی های مختلف جمع آوری شباهت های موجود بیان می شود. سپس، یک استراتژی جدید پیشنهاد می شود که از اطلاعات ساختاری آنتولوژی ها برای دست آوردن وزن های ترکیب شباهت یاب ها، جهت فرایند جمع آوری شباهت ها استفاده می کند. عملکرد سیستم هم ترازسازی ارائه شده در این مقاله با دیگر سیستم های مشارکت داده شده در مسابقه 2009 OAEI مقایسه شده است.

در ساليان اخير تلاش زيادي در زمينه اشکال¬زدايي خودکار نرم¬افزار صورت گرفته است. اغلب راهکارهاي خودکارسازی فرآیند اِشکال¬زدایی، بدون توجه به دنباله‌های اجرایی برنامه‌ها، رفتار تعیین‌کننده‌های برنامه را به صورت جدا از یکدیگر در اجراهای موفق و ناموفق مقایسه می‌کنند. به همین دلیل قادر به تشخیص خطاهایی که در یک الگوی دنباله دار خاص، بروز پیدا می‌کنند، نمی‌باشند. برای رفع این مشکل در این مقاله، از روشی کارآمد جهت مقایسه دنباله‌های اجرایی برنامه استفاده می¬شود که علاوه بر مقیاس پذیری مناسب، زیرمسیر خطادار در برنامه را تشخیص می‌دهد. راه‌کار ارایه شده، با فراهم نمودن مسیر حاوی تعیین‌کننده‌های ناموفق ، به برنامه نویس در کشف محل دقیق خطا کمک زیادی می¬کند. در راه کار پیشنهادی از ضريب همبستگي Φ، برای حذف تعيين¬کننده¬هاي بي¬اثر بر نتيجه برنامه با دقت بسیار بالا استفاده شده است. روش ارايه شده در اين مقاله، بر روي مجموعه برنامه زيمنس ارزيابي شده است. نتایج این ارزیابی، دقت و کارآمدی راه‌کار پیشنهادی را نشان می‌دهد.

گرید روشی برای به اشتراک گذاشتن مجموعه‌های بزرگ و ناهمگون از منابع فراهم می‌کند. از جمله سرویس‌های مهم در گرید، سرویس جستجوی منابع می‌باشد. یکی از روش‌هایی که برای جستجوی منابع در گرید پیشنهاد شده است، روش (همتا به همتا) می‌باشد. استراتژی انتخاب همسایه بعدی برای هدایت پرس و جو، از مسایل اساسی این روش می‌باشد. در این مقاله مکانیزمی برای انتخاب همسایه بعدی با استفاده از الگوریتم کلونی مورچه‌ها پیشنهاد می‌شود. مکانیزم پیشنهادی در این مقاله می‌تواند در محیط‌هایی که چگونگی توزیع منابع بر روی گره‌های گرید ناشناخته می‌باشد مورد استفاده قرار می‌گیرد. عملکرد روش پیشنهادی به کمک شبیه‌سازی‌های کامپیوتری مورد ارزیابی قرار می‌گیرد.

در این مقاله روشی برای شناسایی چهره در تصاویر رنگی روبرو با وجود تنها یک تصویر آموزشی از هر فرد ارائه شده است. تصاویر مورد نظر ابتدا به فضای رنگ YCbCr منتقل شده و با توجه به اینکه رنگ پوست دراین فضا یک خوشه را تشکیل می دهد، ناحیه صورت استخراج می‌شود. سپس با اعمال یک تبدیل پیشنهادی روی ناحیه مذکور و استفاده از پردازش¬های مورفولوژیکی، مکان چشم¬ها با دقت بسیار بالا تشخیص داده می‌شوند. با مشخص شدن مکان چشم¬ها، محدوده صورت استخراج می‌شود. با اعمال تبدیل کسینوسی گسسته بصورت بلوکی، بردار ویژگی هر تصویر جهت مقایسه و تشخیص شبیه ترین تصویر بدست می‌آید. این الگوریتم بر روی 200 تصویر چهره از پایگاه داده FERET آزمایش شده و نتایج بدست آمده نشان از دقت بالای الگوریتم طراحی شده دارد.

سیستم¬های همتابه¬همتا (Peer to Peer) به دلیل داشتن خصوصیاتی منحصر به فرد از قبیل مقیاس¬پذیری، استواری و هزینه¬ی پائین توسعه، در چند سال اخیر رشد قابل توجهی داشته¬اند.سیستم¬های همتابه¬همتا خود ممکن است پایگاهی یا ناپایگاهی باشند. یکی از مهم¬ترین مسائل مطرح در سیستم¬های پایگاهی همتابه¬همتا، مسئله¬ی پردازش پرسش است، بطوریکه یک بهبود جزئی در آن تاثیر قابل توجهی در کارایی سیستم خواهد داشت. یکی از راه¬های کاهش هزینه¬ی پردازش پرسش، خوشه¬بندی همتاهای با حیطه¬ی داده¬ای مشابه است. خوشه¬بندی همتاهایی با محتویات مشابه، باعث می¬شود پرسش¬های مطرح شده بتوانند مستقیماً به خوشه مربوطه راه یافته و در آنجا بطور موثری پاسخ داده شوند. در این مقاله روش جدیدی برای خوشه¬بندی همتاها در سیستم پایگاهی همتا¬به¬همتا ارائه می¬دهیم که در آن از الگوریتم خوشه¬بندی مبتنی بر رفتار مورچه¬ها استفاده شده است. آزمایشات انجام شده به منظور ارزیابی کارائی نشان می¬دهد که الگوریتم ارائه شده خوشه¬بندی همتاها را با دقت و کیفیت بالاتری نسبت به الگوریتم¬های ارائه شده انجام می¬دهد. علاوه¬براین الگوریتم ارائه شده به سرعت به حالت بهینه همگرا می¬شود و مقیاس¬پذیری بالائی در برابر افزایش اندازه مسأله دارد.

يكي از مسايلي كه در محيط پايگاه داده تحليلي مطرح است تشخيص تغييرات در منابع داده عملياتيميباشد. داده ها جهت بارگزاري در پايگاه داده تحليلي از منابع داده عملياتي استخراج ميشوند،به علت تغييرات منابع داده عملياتي در طي زمان نياز است فرايند به روز رساني پايگاه داده تحليلي در فاز نگهداري انجام شود واين تغييرات به پايگاه داده تحليليمنتقل شوند. از روشهاي موجود جهت تشخيص تغييرات در منابع داده عملياتي روش مقایسهتصاویر منابع داده عملیاتیاست. يكي از معايب اين روش انجام مقايسات زياد و زمانبر بين ركوردها جهت تشخيص تغييرات است. هدف از ارايه روش پیشنهادی این مقاله، بهبود زمان تشخيص تغيييرات داده از طريق كاهش تعداد مقايسات بين ركوردها، در روش مقایسه تصاویر ارايه شده توسط روسانا است. این روش، روشي معمول و بهبود يافته در مقایسه تصاویر ميباشد. آزمايشات انجام شده بر روي داده هاي آزمايشي نشان می¬دهد که روش پیشنهادی در این مقاله، منجر به20 درصد بهبوددر زمان تشخيص تغييرات در روش متداول All Signature که توسط روسانا ارايه شده است می¬شود.

رشد سریع درخواست¬های محاسباتی و برنامه¬های خدمت¬گرا و همچنین گرایش آنها به مدل رایانش ابری، منجر به استقرار مراکز داده بسیاری با مقیاس وسیع شده است. از آنجایی که مراکز داده¬ای میزبان این برنامه¬ها، میزان بسیار زیادی انرژی الکتریکی مصرف می¬کنند و موجب افزایش هزینه¬های عملیاتی، انتشار گرما و گاز کربن در محیط می¬شوند. انتقال پویای ماشین¬های مجازی به عنوان یکی از راهکارهای کاهش انرژی، با استفاده از ایده مهاجرت پویا و خاموش کردن خدمت¬گذارهای بیکار، به ارائه-دهندگان سیستم¬های رایانش ابری این امکان را می¬دهد که مصرف انرژی را کاهش و بکارگیری منابع را تا حدودی بهبود دهند. در این مقاله روشی مبتنی بر مفهوم ضریب همبستگی برای جایگذاری ماشین¬های مجازی ماشین¬های مجازی مهاجرت یافته ارائه می¬شود، به نحوی که هر ماشین مجازی روی میزبانی قرار خواهد گرفت که دارای کمترین ضریب همبستگی از نظر بهره¬وری CPU با دیگر ماشین¬های مجازی روی این میزبان فیزیکی باشد، چرا که هر چه میزان همبستگی در مصرف منابع یا بهره¬وری CPUمیان ماشین¬های مجازی یک میزبان بیشتر باشد، احتمال این که آن میزبان سریع¬تر دچار سرریز بار شود، بالاتر است؛ بنابراین امکان بروز تخطی در میزان سطح توافق شده خدمت¬دهی به کاربر یا SLA (Service Level Agreement) نیز وجود دارد. روش پیشنهادی در این مقاله توسط شبیه¬ساز CloudSimارزیابی می¬شود. ارزیابی نشان می¬دهد که این روش نسبت به روش¬های ارائه شده تاکنون نتایج خوبی را در زمینه بهره¬وری مصرف انرژی و میزان تخطی در SLAدر مراکز داده در محیط¬های ابری ارائه می¬دهد.

روش تحلیل تمایز هسته، یک روش کاهش بعد غیرخطی مبتنی بر هسته است، که به عنوان یک استخراج کننده ویژگی به منظور دسته بندی نمونه داده¬ها به کار می¬رود. هدف این روش دستیابی به یک زیرفضای غیرخطی یا منیفولد کم بعد است، که نمونه¬های دسته¬های مختلف نگاشت شده در آن بیشترین تمایز را از یکدیگر داشته باشند. این هدف از طریق نگاشت تعریف شونده توسط تابع هسته تحقق پیدا می¬کند. در اغلب کارهای پیشین بر روی این مدل، تمرکز بر بهینه سازی پارامترهای تابع هسته برای بالا بردن کارایی دسته بندی با آن بوده است. در این مقاله نشان داده می¬شود که نوع تابع هسته نیز در کنار پارامترهای آن می¬تواند تأثیر به سزایی در کیفیت دسته بندی با این روش داشته باشد. بدین منظور توابع هسته مختلف ساده و ترکیبی همراه با یک فرآیند تنظیم پارامترها و وزنهای ترکیب این هسته¬ها بر روی چند مجموعه داده شناخته شده آزمایش شده و با چندین روش مرتبط مقایسه می¬شود. دستیابی به بهبود قابل توجه در دقت دسته بندی از این طریق مؤید اهمیت انتخاب نوع و پارامترهای هسته بطور همزمان در روش تحلیل تمایز هسته است.

مهندسی نرم‌افزار مدل‌رانده روشی در توسعه‌ی نرم‌افزار است که امکان تولید خودکار کد از روی مدل را فراهم می نماید. هدف از روش‌های مدل‌رانده، افزایش بهره‌وری افراد و کیفیت نرم‌افزار تولید شده می‌باشد. با توجه به گسترش روزافزون نرم‌افزارها، نیاز به تکنیک¬ها و ابزارهایی جهت وارسی و اعتبارسنجی برنامه‌ها بیش از پیش احساس می¬شود. یکی از این ابزارها،JPF است که جهت وارسي صوري برنامه¬هاي نوشته شده به زبان جاوا مورد استفاده قرار می¬گیرد. پیمانه‌ی JPF-Statechart امکان وارسی رفتار پویای سیستم، که به صورت کد جاوا و در قالبی مشخص تهیه شده است را فراهم می‌کند. با توجه به این واقعیت که تهیه این کد جاوا به صورت دستی در خلاف اهداف مهندسی نرم¬افزار مدل‌رانده است و مدل رفتاری سیستم اغلب به صورت نمودار حالت UML تهیه می‌شود، هدف ازاین مقاله، ارائه¬ی روشی بر اساس تبدیل مدل است به گونه‌ای که نمودار حالت UML را بتوان به صورت خودکار به قالب مورد نظر JPF تبدیل نمود و آن را مورد وارسی قرار داد. بدین منظور، برای مدل¬سازی نمودار حالت UML از افزونه¬یPapyrus، و برای تبدیل مدل UML به قالب مورد نظر، از تولیدکننده¬ی کدAcceleo استفاده شده است. در نهایت ابزاری در قالب یک افزونه¬ی اکلیپس تهیه شده است که کد مناسب را از روی مدل تولید می نماید. یک مطالعه موردی برای دستگاه خودپرداز برای ارزیابی روش و ابزار ارائه شده نیز انجام گردیده است.

سیستم شهرت بتا روشی است که برای تلفیق نظرات و بازخوردهای گره‌های مختلف شبکه و رتبه بندی میزان شهرت گره‌ها طراحی شده است. سیستم شهرت بتا برای کاربردهای مختلف بسیار مناسب و قابل انعطاف و در عین حال ساده است. ما در این مقاله نشان می‌دهیم که از دیدگاه امنیتی، این سیستم در مقابل گره‌های بدخواه آسیب‌پذیر است. این آسیب‌پذیری به گونه‌ای است که اگر گره‌های بدخواه در تراکنش‌های خود با گره‌های دیگر رفتار مناسبی نشان دهند ولی در ارائه نظرات در رابطه با میزان شهرت گره‌ها (توصیه شهرت) از طریق تبانی با سایر گره‌های بدخواه مقادیر نادرست ارائه دهند؛ شهرت محاسبه شده به شدت از مقدار درست منحرف می‌شود. این حمله را حمله گره‌های تبانی‌گر خوش‌رفتار می‌نامیم. در این مقاله ضمن بررسی و تحلیل آسیب‌پذیری مذکور در سیستم شهرت بتا، اصلاحی برای رفع آن پیشنهاد شده که این آسیب‌پذیری را تا حد زیادی برطرف می‌نماید. روش پیشنهادی مبتنی بر کنترل پذیرش نظرات گره‌های توصیه‌کننده است. برای ارزیابی روش مطرح شده هر دو سیستم اصلی و اصلاح شده پیاده‌سازی و روی مدلی شبیه‌سازی شده از شبکه‌های حسگر بی‌سیم ارزیابی شده است. نتایج حاصل از شبیه‌سازی نشان‌دهنده مقاومت بالای سیستم شهرت بتای اصلاح شده در برابر حمله گره‌های تبانی‌گر خوش‌رفتار است.

خوشه¬بندی یکی از وظایف داده¬کاوی و شاخه¬های یادگیری بدون نظارت است و فرایند خودکاری است که در طی آن داده¬ها به دسته¬هایی که اعضای آن مشابه یکدیگر هستند، تقسیم می¬شوند. در این مقاله روشی جدید برای بهبود سرعت و عملگرد الگوریتم کلونی زنبورهای مصنوعی (ABC) معرفی شده است. همچنین از الگوریتم پیشنهادی برای خوشه¬بندی N شی در K خوشه استفاده شده است. در روش پیشنهادی، بجای انتخاب تصادفی عنصری از راه¬حل و تغییر آن برای تولید راه¬حل جدید که در الگوریتم ABC وجود داشت، با محاسبه فاصله اقلیدسی هر عنصر در راه¬حل و میانگین داده¬های متعلق به آن خوشه در آن بعد، از k اندیس کاندید در k مرکز خوشه، یک اندیس بصورت تصادفی برای تغییر و جایگزینی انتخاب شده¬است. به این ترتیب در الگوریتم ABC، استفاده از روش پیشنهادی جستجوی محلی و تولید نقاط جدید باعث شده¬است تا در هر تکرار، احتمال تولید راه¬حل¬های بهتر و تولید نقاطی با شایستگی بالاتر افزایش یابد که این امر نه تنها باعث افزایش سرعت الگوریتم در همگرایی به نقاط بهینه شده¬است بلکه منجر به تولید جواب¬هایی با میزان شایستگی بالاتر و در نهایت بالا رفتن دقت الگوریتم نیز شده¬است. این الگوریتم روی چندین مجموعه داده واقعی استاندارد آزمایش شده و با الگوریتم¬های فرامکاشفه¬ای معروف در خوشه¬بندی مانند ,GA ,TS ,SA ,ACO ABC و K-NM-PSO مقایسه شده است. نتایج عددی نشان می¬دهد که الگوریتم پیشنهادی نسبت به سایر الگوریتم¬های موجود عملکرد بهتری دارد و شبیه¬سازی¬ها نتایج بسیار امیدبخشی را برحسب کیفیت راه¬حل و زمان محاسباتی نشان می¬دهد.

In this paper, a novel manner for unrestrained pose-invariant face recognition was proposed. Also, a novel and efficient method was proposed to reconstruct the 3D models of a human face from a single 2D face image with variety in facial expression using the Deformable Generic Elastic Model (D-GEM). Three generic models were em-ployed for modeling facial expression in the Generic Elastic Model (GEM) framework and a mixture of these three models by using computing distance around face lips. Par-ticularly, present method was tested on an available 2D face databases without facial expression images and a new synthesized sequences pose from gallery images and com-pared present synthesized results with target face images by performing face recognition using the rank-one recognition rate with the smallest cosine distance. Promising results were acquired for handling pose changes based on the proposed method compared to the GEM approach

با پیشرفت سریع تکنولوژی کامپیوتری، پایگاه داده‌هایی با صدها و هزاران ویژگی در زمینه‌های شناسایی الگو، داده‌کاوی، یادگیری ماشین و غیره به وجود آمده است. به طوری که پردازش مجموعه داده‌های بزرگ، یک کار چالش‌برانگیز شده است، بنابراین با انتخاب بهترین مجموعه ویژگی، می‌توان به دقت قابل قبولی در پردازش پایگاه داده و همچنین در کاوش روابط معنا¬دار بین ویژگی‌ها رسید. در این مقاله یک مدل ترکیبی جدید ارائه شده است که الگوریتم ازدحام ذرات را با الگوریتم ماشین بردار پشتیبان برای بهبود دقت طبقه‌بندی و انتخاب مجموعه ویژگی بهینه ترکیب می‌کند. این مکانیزم بهینه‌سازی، با ترکیب الگوریتم ازدحام ذرات گسسته و الگوریتم ازدحام ذرات پیوسته به‌طور همزمان زیرمجموعه ویژگی‌های بهینه را انتخاب و پارامترهای ماشین بردار پشتیبان را تنظیم می‌کند. در این الگوریتم از دو روش جستجوی محلی برای تنظیم پارامترها و بهبود زیرمجموعه ویژگی استفاده شده است. عملکرد روش پیشنهادی بر روی مجموعه داده‌های مختلف ارزیابی شد و نتایج حاصله نشان‌دهنده کارایی روش مزبور در داده‌های با ابعاد معمولی و ابعاد بالا در مقایسه با نسخه‌های دیگر می‌باشد.

رتینوپاتی دیابتی یکی از دلایل شایع نابینایی در جهان محسوب می‌شود. انجام معاینات دوره‌ای و تشخیص به موقع بیماری می‌تواند مانع از بروز نابینایی در فرد شود. معاینات دوره‌ای شامل تصویربرداری از ته چشم و تحلیل تصاویر توسط افراد متخصص برای مشاهده تغییرات سریع در الگوی عروق خونی و بروز ضایعات مختلف می‌باشد. این روش معاینه بسیار زمانبر، پرهزینه و نیازمند افراد متخصص می‌باشد. بنابراین طراحی سیستمی خودکار برای جداکردن تصاویر سالم از تصاویر بیمار و تشخیص رتینوپاتی دیابتی ضروری بنظر می‌رسد. در این مقاله روشی خودکار برای غربالگری رتینوپاتی دیابتی ارائه شده است که مبتنی بر اطلاعات ساختاری و مورفولوژیکی تصویر می‌باشد. با توجه به اینکه اجزای سالم و بیمار در تصاویر شبکیه از لحاظ ساختاری و مورفولوژیکی با یکدیگر متفاوت هستند، می‌توان با استفاده از تبدیلات مناسب و با بکارگیری الگوریتم تفکیک محتوای تصویر، تصاویر شبکیه را به اجزاء سالم و بیمار جدا کرد. پس از جداسازی ضایعات از عروق، رتینوپاتی دیابتی با استخراج ویژگی‌های ناهمگنی، آنتروپی و انحراف از معیار تشخیص داده می‌شود. به منظور ارزیابی الگوریتم پیشنهادی از بانک استاندارد تصاویر شبکیه MESSIDOR و طبقه‌بند ماشین بردار پشتیبان و شبکیه عصبی استفاده شده است. نتایج حاصل از ارزیابی نشان می‌دهد که الگوریتم پیشنهادی توانسته است به مقدار sensitivity برابر با 99.13% و مقدار specificity برابر با 94.59% دست یابد.

تشخیص هویت از طریق اثرانگشت به دلیل دقت بالا و سادگی، متداول ترین روش شناسایی افراد بر اساس تکنولوژی بیومتریک است. عملکرد یک سیستم تأیید اثر انگشت تا حد زیادی به کیفیت تصویر اثر انگشت ورودی بستگی دارد. و استخراج ویژگی از تصویر کم کیفیت در یک سیستم شناسایی همیشه با چالش مواجه بوده است.در این مقاله ما از تبدیل فوریه زمانی کوتاه (STFT) برای حذف نویزهای تصویر و رسیدن به یک تصویر با کیفیت بالایی که بتواند جهت و موقعیت نقاط منفرد را با دقت بالاتری بدست آورد استفاده کرده ایم. همچنین یک روش نوین برای استخراج ویژگی از تصویر اثر انگشت با استفاده از گشتاورهای زرنیک ارائه دادیم. در این روش یک بردار ویژگی با طول ثابت ازهر سلول در ناحیه ROI با مرکزیت نقطه مرجع تصویر اثر انگشت، استخراج می کنیم. در این سیستم از مدل شبکه عصبی MLP برای کلاس بندی استفاده شده است. در نهایت با انجام آزمایش بر روی تصاویر پایگاه داده استاندارد، نشان داده می شود که روش پیشنهادی دارای نرخ شناسایی 96.78%و میانگین خطای 3.02 % می باشد که در مقایسه با روش‌های مقایسه‌ای عملکرد بهتری دارد.

امروزه سیستم‌های مدیریت اعتماد به طور گسترده‌ای به منظور تضمین امنیت در حوزه‏های مختلف علوم کامپیوتر بکار می‌روند. رویکرد مدیریت اعتماد به افراد یک جامعه کمک میکند تا قابل اعتمادترین عامل را برای تعامل انتخاب کنند و به این طریق کارایی سیستم مورد نظر بهبود می‏یابد. با این وجود سیستم‏های مدیریت اعتماد خود در معرض تهدیدها و حمله‌های بالقوه مختلفی هستند. یک دسته از این حمله‌ها، حمله‌های توصیههای غیرمنصفانه میباشد که در سال‏های اخیر توجه محققان را به خود جلب کرده‏ است و تلاش‏هایی برای شناسایی و مقابله با این حمله‌‌ها صورت گرفته است. در این مقاله، انواع مختلف حمله‌های توصیه‌های غیرمنصفانه در برابر سیستم‌های اعتماد شرح داده می شود؛ و سپس سیستم مدیریت اعتماد جدیدی بنام URRTمعرفی می‏شود که با اعمال راهبرد‌هایی از جمله باورپذیری، پویایی و شکنندگی در برابر این حمله‌ها مقاوم است. سیستم پیشنهادی پنج نوع توصیه ‌غیرمنصفانه شامل توصیه مثبت، توصیه منفی، توصیه تبانی، توصیه دوره‌ای و توصیه تصادفی را مورد توجه قرار می‌دهد. نتایج آزمایش‏های مختلف، برتری سیستم پیشنهادی را از نظر کارایی و دقت تخمین اعتماد نسبت به چند سیستم مدیریت اعتماد معروف شامل FCTRUST، ARREP وRATM نشان می‏دهد.

امروزه تجارت الکترونیک، سعی در گسترش مخاطبان خود و بالا بردن کیفیت سرویس‌های ارائه‌شده به کاربران نهایی دارد. بررسی نیازمندی‌های کاربران سیار که با رشد فن‌آوری‌های ارتباطی در حال افزایشاند و گنجاندن ویژگی‌های آگاه از متن در ارائه سرویس‌ها، جهت بهبود کارایی دیالوگ‌های بین کاربران و سیستم‌ها، دو موضوع مهم برای رسیدن به این اهداف است. ترکیب پویای سرویس‌ با آگاهی از متن رهیافتی است که پوشش‌دهنده هر دو موضوع مذکور می‌باشد. در این مقاله، مدلی مبتنی بر عامل، با امکان ترکیب و انطباق آگاه از متن سرویس‌ها به صورت توأمان، به همراه کنترل کیفیت سرویس، مطرح شده است. در این مدل از عامل جهت حداقل سازی دخالت کاربر و خودکارسازی کامل ترکیب سرویس و از پردازش گر متن در هر یک از سرویس‌ها جهت انطباق آگاه از متن و در عامل برای ترکیب آگاه از متن استفاده می‌شود. با استفاده از مؤلفه‌ی QoS در بخش عامل، کنترل کیفیت سرویس صورت می‌گیرد. برتری‌های این مدل را در مقایسه با مدل‌های مشابه می‌توان کنترل کیفیت سرویس، در نظر گرفتن پویایی در متن کاربر و تلفیق ترکیب و انطباق سرویس‌ها با آگاهی از متن به صورت توأمان دانست.

شناسایی افراد مناسب برای واکسیناسیون با استفاده از علوم شبکه در سال‏های اخیر مورد توجه محققان قرار گرفته است. متداول‏ترین روش‏ها برای ایمن‏سازی شبکه بر پایه‏ی معیارهای مرکزیت شبکه مانند درجه و مرکزیت میانی بنا شده‏اند که اهمیت گره مورد نظر را به صورت کلی در سراسر شبکه‏ی مورد نظر می‏سنجند. در این مقاله روشی سلسله مراتبی برای اولویت دهی واکسیناسیون گره‏ها ارائه می‏کنیم که ابتدا گروه‏های موجود در شبکه را شناسایی و به هرگروه بنا به نقشی که در شبکه دارد امتیازی نسبت می‏دهد. سپس نقش هر گره را به صورت محلی در گروهی که متعلق به آن است مورد بررسی قرار می‏دهد و در مرحله‏ی آخر به نقش گره در انتقال بیماری بین گروه‏های مختلف خواهد پرداخت. نتایج به دست آمده بر حسب بزرگ‏ترین مولفه متصل نشان می‏دهد که این روش امتیازبندی در شبکه‏های جهان کوچک و شبکه‏های دارای ساختار اجتماعی بهتر از درجه و به خوبی معیار مرکزیت میانی عمل می‏کند در حالی که پیچیدگی زمانی آن نسبت به مرکزیت میانی کم‏تر است.

شبکه‌های موردی سیار بی‌سیم، به‌دلیل نداشتن زیرساخت و متحرک بودن گره‌ها، با مشکلات مدیریت توپولوژی و کنترل شبکه مواجه هستند. از این‌رو توسعه‌ی زیرساخت برای شبکه‌های موردیِ سیار پراهمیت می‌شود. در این مقاله روش نوینی برای ایجاد زیرساخت مبتنی بر ایستگاه‌های پایه پرنده (UAV) ارائه می‌گردد که درآن با همکاری بین ایستگاه‌های پایه پرنده ناحیه سرویس‌دهی شبکه برای پوشش‌دهی کامل گره‌های متحرک زمینی گسترش می‌یابد. این زیرساخت، چندگامی بودن پروتکل‌های مسیریابی شبکه‌های موردی را که مسبب مشکلات ارتباطی فراوانی است به پروتکل مسیریابی تک‌گامی تبدیل می‌کند. بنابراین، شبکه را قادر می‌سازد به تغییرات توپولوژی شبکه‌های موردی به سرعت پاسخ داده و مسیریابی میسر گردد. در این مقاله، ایستگاه‌های پایه پرنده وظیفه دارند گره‌های متحرک زمینی را تا پایان ماموریت یا رسیدن به مقصد، تحت پوشش و سرویس‌دهی خود قرار دهند. این امر به‌صورت یک مسئله بهینه‌سازی چندهدفه با اهداف استفاده از حداقل تعداد ایستگاه‌های پایه پرنده، حداکثر پوشش‌دهی گره‌های متحرک و استفاده‌ی حداکثری از سرویس‌دهی محلی هر ایستگاهِ پایه مطرح و از طریق یک الگوریتم هوشمند حل می‌گردد. در میانِ الگوریتم‌های هوشمند بهینه‌سازی چندهدفه از الگوریتم تکاملی NSGA-II و برای شبیه‌سازی روش پیشنهادی از نرم‌افزار MobiSim و MATLAB استفاده شده است. مقایسه نتایج شبیه‌سازی نشان می‌دهد که الگوریتم تکاملی NSGA-II بهتر از الگوریتم MOPSO و روش Fixed(Grid-Based) عمل می‌کند.