انجمن کامپیوتر ایران

شبکه‌های بین خودرویی، نوع خاصی از شبکه‌های اقتضایی متحرک (MANETs) هستند؛ که ارتباط میان وسایل نقلیه و واحدهای کنار جاده‌ای را فراهم می‌کنند. از جمله مشخصه‌های این شبکه‌ها، تحرک سریع گره‌ها و تغییرات مکرر توپولوژی می‌باشد. که بهبود این چالش‌ها موجب ایجاد تکنیک‌های جدید گردیده است. خوشه‌بندی یکی از كارآمدترین رویکردهای موجود در جهت سازماندهی ارتباطات در شبکه به شمار می‌رود. و همچنین خوشه‌بندی با ایجاد یک ستون فقرات مجازی در سطح جاده، جابجایی داده‌ها را به صورت بهینه فراهم کرده و میزان استفاده از پهنای باند را بهبود بخشیده است. در این مقاله، به تشریح ساختاری جدید در جهت ادغام خوشه‌ها و انتخاب سرخوشه جدید، پرداخته شده است. که در صورت برقرار بودن شروط تعیین شده، ادغام صورت می‌گیرد. و همچنین در فرایند انتخاب سرخوشه جدید، گره‌ای که از نظر میزان سرعت نسبی و تعداد همسایگان مشترک در بین گره‌های همپوشانی شده شرایط بهتری را داشته باشد، به عنوان سرخوشه جدید معرفی می‌گردد. نتایج شبیه‌سازی توسط نرم‌افزار ++OMNET و دو ابزارSUMO و VIENS حاکی از آن است، که الگوریتم پیشنهادی در مقایسه با الگوریتم قدرتمند PMC، از عملکرد بهتری در میانگین مدت زمان سرخوشه ماندن، میانگین مدت زمان عضو بودن گره‌ها و تعداد تغییرات سرخوشه‌ها برخوردار است.

بازشناسی احساس از گفتار، یک زمینه‌ی فعال تحقیقاتی در حوزه پردازش گفتار محسوب می‌شود. اما علیرغم پیشرفت‌های گسترده‌ای که در حوزه‌ی یادگیری ماشین حاصل شده است، کارایی سیستم‌های بازشناسی احساس از گفتار چندان مطلوب نمی‌باشد. یکی از اصلی‌ترین دلایل آن کمبود دادگان احساسی خصوصا از نوع برچسب‌دار است. در این مقاله، با الهام از پژوهش‌های انجام شده در این حوزه به یکی از راه‌حل‌های فراگیر چند سال اخیر در رابطه با افزایش دادگان یعنی شبکه‌های مولد رقابتی پرداخته می‌شود. معماری در نظر گرفته شده یک شبکه‌ی مولد رقابتی چرخشی است که با استفاده از یک مجموعه داده‌ی بدون برچسب سعی می‌کند به تولید بردارهای ویژگی جدید که بازنمایی از یک احساس مورد نظر در مجموعه داده‌ی برچسب‌دار هستند بپردازد و به این شکل منجر به افزایش داده برای مجموعه داده‌ی برچسب‌دار می‌شود. این مدل بر روی دو مجموعه‌‌ی دادگان‌ IEMOCAP و ShEMO ارزیابی شده است. نتایج حاصل حاکی از آن است که استفاده از بردارهای ویژگی تولید شده توسط شبکه در کنار بردارهای ویژگی واقعی برای مجموعه‌‌ی دادگان‌ IEMOCAP و ShEMO، به ترتیب باعث بهبود بازخوانی به میزان ۱۴درصد و نه درصد با استفاده از دسته‌بند ANN و نه درصد و ده درصد با استفاده از دسته‌بند CNN می‌شود.

در اين مقاله، برنامه‌ریزی کوتاه‌مدت تولید محصولات کارمزدی با استفاده از الگوریتم رقابت استعماری ارائه‌ شده است. با توجه به اینکه در فضای رقابتی امروز برنامه‌ریزی صحیح برای خطوط تولید از اهمیت بالایی در تعیین جایگاه شرکت‌ها و جلب رضایت مشتری برخوردار است، ارائه روش‌های به‌روز و هوشمند برای این مسئله بسیار حائز اهمیت است. با توجه به مفهوم برنامه‌ریزی تولید به‌عنوان چینش سفارش‌های تولید در محور زمان، این مسئله به‌عنوان یک مسئله جایگشت در نظر گرفته‌ شده است که در نهایت خروجی مسئله، ترتیب تولید سفارش‌های خواهد بود. نسخه گسسته الگوریتم رقابت استعماری به‌عنوان یکی از الگوریتم‌های تکاملی برای حل این مسئله در نظر گرفته‌ شده است. با در نظر گرفتن زمان لازم برای تولید هر کدام از سفارش‌های و همچنین مهلت تحویل محصولات و جریمه تأخیر به ازای هر روز تأخیر در هر سفارش، کمینه کردن جریمه کل به‌عنوان تابع هدف در نظر گرفته‌ شده است. ارزیابی‌ها نشان می‌دهد که الگوریتم پیشنهادی به‌خوبی توانسته است برنامه‌ریزی کوتاه‌مدت برای تولید محصولات کارمزدی که منجر به کمترین جریمه تأخیر شود را ارائه نماید.

در اين مقاله قصد داريم با ترکيب روش تکامل تفاضلي با درخت مدل خطي محلي، تعداد نرونهاي مدل اصلي را براي رسيدن به خطاي مشخصي کاهش دهيم و ساختار درخت مدل خطي محلي را بهينه کنيم. در واقع با استفاده از توانايي سيستم هاي عصبي- فازي و روشهاي تکاملي، سيستم همهمنظوره اي با حجم محاسبات کم و زمان اجراي پايين جهت تخمين توابع معرفي کرده، سپس کارايي آن را با الگوريتم اصلي مقايسه مي کنيم. نتايج نشان مي دهد سيستم معرفي شده داراي کارايي مناسب تري نسبت به الگوريتم اصلي و روشهای قبلی است.

معماري‌هاي مختلفي براي پياده‌سازي سخت‌افزاري ضرب پيمانه‌اي مونتگمري مورد استفاده در الگوريتم‌هاي رمزنگاري كليد‌عمومي همچون ECC، پيشنهاد شده كه هدف آنها بالا بردن كارايي بوده‌است. در اين مقاله طرح جديدي براي بخش محاسباتي ضرب‌پيمانه‌اي‌مونتگمري ارائه مي‌نمائيم كه براي سيستم رمز ECC در GF(2n) و GF(p)، مورد‌استفاده ‌قرار‌مي‌گيرد. معماري معرفي‌شده به‌صورت پايپ‌لاين قابل پياده‌سازي است. در طرح جديد علارغم اكثر معماري‌هاي شناخته‌شده، به‌جاي استفاده از CSA براي كاهش تاخير مسير بحراني از كدگذاري جديد كه كاهش حجم فضاي مصرفي را نيز به‌دنبال دارد، استفاده شده‌است. در اين مقاله با معرفي كدگذاري جديد اعداد، براي جلوگيري از انتشار رقم‌نقلي، به‌جاي استفاده از CSA در عمل جمع از جمع‌كننده‌جديدي استفاده‌شده‌است كه از CSA نيز مناسب‌تر است. در اين مقاله با تعميم چنين جمع‌كننده‌اي براي جمع اعداد علامت‌دار، علاوه‌بر افزايش سرعت پردازش تا 48% ، حجم فضاي‌مصرفي را نيز تا 54% در مقايسه با معماري‌هاي قبلي بهبود داده ‌است.

بسیاری از الگوریتم‌های ردگیری از ویژگی رنگ استفاده می‌کنند. بار محاسباتی کم و استقلال نسبت به چرخش و تغییر شکل شیء از مزایای ردگیری با استفاده از رنگ است. در شرایط حضور چند شیء با رنگ مشابه و تغییرات زیاد نور محیط، الگوریتم‌های بر پایه‌ی ویژگی رنگ دچار شکست می‌شود. الگوریتم تخمین‌گر انتقال میانگین از جمله الگوریتم‌های بر پایه‌ی ویژگی رنگ است. در این مقاله به کمک ترکیب ویژگی‌های رنگ و لبه‌ی شیء متحرک و با استفاده از الگوریتم تخمین‌گر انتقال میانگین، معایب این الگوریتم نسبت به حضور چند شیء مشابه و تغییرات نور محیط بهبود یافته است. در روش ارائه شده، ابتدا هیستوگرام ویژگی‌های رنگ و لبه‌ی شیء متحرک استخراج می‌شود. سپس برای هر ویژگی، الگوریتم تخمین‌گر انتقال میانگین اجرا می‌گردد. برای ترکیب خروجی‌های این الگوریتم به ضرایب مناسبی نیاز داریم. ما با استفاده از ضریب bhattacharya و ارائه‌ی روابط مناسب، ضرایب وزنی مورد نیاز هر ویژگی را استخراج نمودیم. موقعیت نهایی هدف از مجموع وزن‌دار خروجی رنگ و لبه‌ی الگوریتم تخمین‌گر انتقال میانگین به دست می‌آید. نتایج نشان می‌دهد که روش پیشنهاد شده نسبت به الگوریتم تخمین‌گر انتقال میانگین اولیه، در صحنه‌ای با حضور چند شیء با رنگ مشابه و در محیطی با تغییرات نوری زیاد، دارای عملکرد بهتری است.

در اين تحقيق، روشي کارا براي بازيابي تصاوير ارائه شده که در آن، بر اساس آموزش، نتايج طي فرآيندي ترکيبي، بصورت مرتب شده به کاربر ارائه مي‌شود. در روش پيشنهادي، از اطلاعات متني موجود در کنار تصاوير براي استخراج ويژگي‌هاي معنايي و از محتواي تصاوير به منظور استخراج ويژگي‌هاي بصري و‌ آموزش مدل مرتب ‌سازي استفاده مي‌شود. مدل مرتب ‌سازي تابعي است که تصاوير پرس‌وجو و مجموعه‌داده را بعنوان ورودي دريافت کرده و نتايج را بصورت مرتب بر روي خروجي مي‌فرستد. در اين مقاله، ماژول بصري، ورودي‌اش را از ماژول متني دريافت نموده و خروجي آن، به منظور توليد و بهبود نتايج نهايي، با نتايج ماژول متني ترکيب مي‌شود. از آنجا که معيار کارايي مورد استفاده، به ازاي هر پرس‌وجو محاسبه مي‌شود، در روش پيشنهادي از فرآيندِ آموزشي تکراري استفاده شده که در آن، معيار کارايي هر پرس‌وجو، در تمامي مراحل فرآيند تأثير گذار است. نتايج بدست آمده از اعمال روش ارائه شده بر روي مجموعه داده ImageCLEF، نشان دهنده کارايي بالاي اين روش در مقايسه با ساير تحقيقات قبلي انجام شده است.

سيستم¬هاي¬ توصيه¬گر روشي را براي ايجاد پيشنهادات شخصي¬سازي شده از روي اطلاعات موجود ارائه مي¬دهند که مي¬توانند نقش مهمي را در سيستم¬هايي نظير تجارت الکترونيک و شبکه¬هاي اجتماعي ايفا نمايند. يکي از الگوريتم¬هايي که براي ايجاد پيشنهاد در اين سيستم¬ها استفاده مي¬شود، الگوريتم فيلترينگ همکارگونه ¬ مي¬باشد. اين مقاله به بررسي گونه¬اي از اين الگوريتم¬ها به نام الگوريتم مبتني بر حافظه مي¬پردازد و کارآيي و کيفيت آن را در سيستم¬هاي توصيه¬گر مورد ارزيابي قرار مي¬دهد.

در اين مقاله، نسخه بهبود يافته اي از الگوريتم بهينه ساز جمعيت مورچگان باينري با ترکيب روشهاي کلاسيک براي مساله انتخاب ويژگي ارائه شده است. در روش پيشنهادي با استفاده از اطلاعات بدست آمده از روشهاي انتخاب پيش رو و حذف پس رو ترم بينايي در الگوريتم مورچگان باينري تقويت مي شود. روش پيشنهادي در مساله انتخاب ويژگي در طبقه¬بندي معنايي تصوير و بازشناسي ارقام دستنويس فارسي آزموده شده و نتايج حاصل از آزمايشها ارائه شده است. همچنين، براي ارزيابي کارايي روش پيشنهادي، نتايج آزمايشها با روشهاي الگوريتم بهينه ساز جمعيت مورچگان باينري و الگوريتم وراثتي باينري مقايسه شده است. نتايج بيانگر کارايي مناسب الگوريتم پيشنهادي است.

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.

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.

چارت سازماني، يكي از نمودارهاي مهمي است كه معرف سلسله مراتب پست¬ها در يك سازمان است و ابزارهاي متعددي به صورت خودكار آن را توليد مي¬كنند. در اين مقاله، بهينه¬سازي مصرف كاغذ براي اين ابزارها، در قالبي رسمي بيان شده و با توجه به آنكه اين مسئله از پيچيدگي محاسباتي رده NP-Complete است، الگوريتمي تقريبي با ضريب تقريب ثابت براي آن ارائه مي كنيم. در اين الگوريتم از تكنيك برنامه¬ريزي غير خطي و برنامه¬ريزي پويا استفاده شده است.

پروتکل IPSec برخلاف قابليتها و انعطاف پذيری بالا و کاربرد گسترده دارای محدوديتهای امنيتی است که در برخی موارد استفاده از آن را با چالش همراه کرده است. گستردگی زياد، پيچيدگی بالا و همپوشانی کارکرد بين برخی از بخشهای آن مانند AH و ESP در احراز اصالت موجب شده تا از کارايی آن کاسته گردد. در IPSec از رمزنگاری متقارن در پروتکل ESP استفاده شده اما فرآيند احراز اصالت در هر دو پروتکل AH و ESP انجام می گيرد. پروتکل IPSec بعلت اجرای پروسه احراز اصالت پس از رمزنگاری و ساختن کدهای MAC از روی Ciphertext، در برابر حمله جعل کليد رمزگشايی آسيب پذير و قابل شکست است. در پژوهش انجام شده با ضعفهای IPSec و شناسايی بخشهای همپوشانی، طرح اصلاح شده ای از اين پروتکل ارائه شده که در آن با جابجايی روند پياده سازی احراز اصالت، آسيب پذيری در برابر حمله جعل کليد رمز جبران شده و با استفاده از تکنيکهايی چون فشرده سازی بسته IPSec از افزايش زمان اجرای فرآيند جلوگيری شده است که نتايج بدست آمده نشاندهنده بهبود اين پروتکل در برابر اين حمله است.

امروزه رشد تعداد كاربران و حجم جابه‌جايي داده‌ها در شبكه‌هاي سلولي بطور چشم‌گيري افزايش يافته است. از اين رو اپراتورهاي تلفن همراه با پيچيده‌گي‌هاي بيشتري براي مديريت و انجام عمليات بر روي شبكه خود مواجه هستند. پيش‌بيني اطلاعات مكاني كاربران در اين نوع شبكه‌ها از اهميت بالايي برخوردار است، چراكه چنين اطلاعاتي يكي از موارد مهم در "كنترل ايجاد تماس‌" محسوب مي‌شود. همچنين مدل پيشنهادي مي‌تواند به سيستم مديريت شبكه از لحاظ بهينه‌سازي و كاهش تراكم كمك نمايد. ما در مدل پيشنهادي الگوريتم زنجيره ماركوف را توسعه داده و با استفاده از ايجاد زنجيره‌اي از مسير گذشته و كنوني كاربر مسير بعدي وي را پيش‌بيني مي‌نماييم. به منظور بهينه‌سازي و كاهش حجم اطلاعات، مسيرهاي پيش‌بيني شده را بر اساس نزديكترين ميزان تشابه در مقدار پيش بيني بدست آمده، در يكديگر را ادغام مي‌كنيم. در پايان، نتايج حاصل از پياده‌سازي مدل پيشنهادي و ارزيابي خواهيم پرداخت.