انجمن کامپیوتر ایران

در اين مقاله با توجه به موفقيت‌هاي روز افزون کاربردهاي الگوريتم PSO و ابداع الگوريتم‌هاي نوين ترکيبي PSO با ساير الگوريتم‌ها، الگوريتمي نوين ترکیبی مبتني بر الگوريتم PSO ارائه مي‌کنيم. با به کارگيري منطق فازي در بهبود نقاط ضعف الگوريتم PSO از جمله گرفتار شدن در نقاط بهينه محلي و همگرايي زودرس پيشتر اقداماتي صورت گرفته است. همچنين براي غلبه بر مشکل ناکارآمدي الگوريتم PSO در فضاي جستجو با ابعاد بالا، برخي از الگوريتم ها از جمله الگوریتم بهینه سازی هوش جمعی ذرات تعاونی، ارائه گرديده است. ما دراين مقاله، با ترکيب الگوريتم هوش جمعی ذرات فازی و هوش جمعی تعاونی، الگوريتم CFPSO-IW (Cooperative Particle Swarm Optimization with Fuzzy Inertia Weight) را مطرح مي‌نماييم و با ارائه اين الگوريتم سعي در بهبود نقايص الگوريتم PSO، از جمله همگرايي زودرس، گير افتادن در نقاط بهينه محلي و عملکرد بهتر در ابعاد بالا، مي‌نماييم.

امروزه واحد پیش‌بینی کننده پرش یکی از اجزای مهم در پردازنده‌های نهفته نسل جدید به حساب می‌آید. این واحد به منظور کاهش سربار مخاطرات کنترلی در خط لوله پردازنده‌های مدرن استفاده می‌شود. افزایش اندازه این واحد در پردازنده و استفاده از الگوریتم‌های پیچیده در آن باعث افزایش توان مصرفی این واحد می‌شود. میزان دقت این واحد سبب بهبود موازی سازی در سطح دستورات (ILP) و همچنین بهبود کارایی پردازنده می‌گردد. اگرچه استفاده از این واحد بهبود کارایی را به همراه دارد، ولی سبب افزایش توان مصرفی می‌شود. بررسی‌های انجام شده نشان می‌دهد که حدود 10% از مصرف توان پردازنده‌ها در سیستم‌های نهفته (Embedded)، مربوط به این واحد است. این موضوع به دلیل محدودیت منابع توان در این سیستم‌ها از اهمیت ویژه‌ای برخوردار است. حذف دسترسی‌های بی‌فایده به این واحد می‌تواند مصرف توان را به میزان قابل توجهی کاهش دهد. در این مقاله با حذف دسترسی‌های بیهوده برای پرش‌های خوش‌رفتار، توان مصرفی این واحد را کاهش داده‌ایم. روش ارائه شده بر اساس جدولی بنام ATBT کار می‌کند که وظیفه آن نگهداری اطلاعات مربوط به پرش خوش‌رفتار می‌باشد. با توجه به نتایج بدست آمده به کمک روش پیشنهادی میزان دسترسی ها به BTB حدودا 50% کاهش یافته است. کاهش تعداد دسترسی به BTB موجب کاهش 45% توانِ واحد پیش بینی کننده پرش و در نهایت کاهش 3% از توان کل پردازنده شده است.

یکی از مباحث مطرح در مدیریت زنجیره تأمین، تعیین قیمت فروش کالای تولیدی می‌باشد. مشتریان همواره به دنبال کالاهایی با قیمت پایین‌تر هستند و از طرفی تولیدکننده‌ای را در اولویت خرید قرار می‌دهند که کالای با کیفیت بالا و با قیمت مناسب ارائه کند. تولید محصول در محیط TAC-SCM که از جمله فضاهای موجود ایده‌آل برای تعریف و آزمون استراتژی‌های مختلف مطرح در مدیریت زنجیره تأمین می‌باشد با قطعات اولیه مشخصی انجام می‌گیرد، لذا کیفیت محصول نقشی در انتخاب مشتری نخواهد داشت و بحث انتخاب قیمت فروش محصول می‌تواند به عنوان چالشی برای شرکت‌کنندگان در اين مسابقات مطرح شود. با توجه به اینکه در این محیط، عامل‌ها در راستای بیشینه کردن موجودی حساب بانکی خود تلاش می‌کنند، معرفی و توسعه روشی جهت انتخاب قیمت فروش بهینه که دو ویژگی سودآوری و رقابتی را برآورده نماید، اهمیت ویژه‌ای خواهد داشت. در این مقاله، اتوماتای یادگیر جهت پیشنهاد قیمت به مشتری برای دریافت بیشترین تعداد سفارش به نسبت پیشنهادهای داده شده، بکار رفته است. تأکید روش پیشنهادی بر انتخاب قیمت فروش با توجه به بیشترین و کمترین قیمت سفارش روز قبل می‌باشد و نتایج بدست آمده، رقابتی بودن و سودآوری قیمت فروش و عملکرد قابل قبول روش پیشنهادی را نشان می‌دهد.

فراهم نمودن یک الگوریتم مسیریابی کارا، از نظر نرخ تحویل بسته‌‏ها، تأخیر انتها به انتهاي تحویل بسته‌‏ها از مبدأ به مقصد و انرژی مصرفی، برای شبکه‏‌های حسگر زیرآبی بسیار چالش‏زا است. چراکه این شبکه‏‌ها دارای ویژگی‏‌های منحصر به فردی نظیر استفاده از کانال‏‌های صوتی بجای کانال‏‌های رادیویی جهت مخابره و نیز همبندی (توپولوژی) بسیار پویا به دلیل حرکت حسگرها توسط جریان آب هستند. یکی از الگوریتم‏‌های بسیار مطرح در این زمینه، الگوریتم مبتنی بر عمق DBR است. این الگوریتم بسیار ساده است، ولی از نظر نرخ تحویل بسته‏‌ها، تأخیر انتها به انتها و انرژی مصرفی کارامد نیست. در این مقاله با اضافه کردن یک رویه شتاب به الگوریتم پایه DBR، سعی می‏‌شود کارایی این الگوریتم افزایش یابد. در رویه شتاب، از یک مکانیزم احتمالاتی ساده جهت تسریع در ارسال بسته‌‏ها و نیز افزایش چند-مسیری به سمت مقصد استفاده می‏‌شود. در الگوریتم DBR گره‏‌ها‏ ابتدا مدت زمانی بسته دریافتی را در بافر خود نگه‏ می‏دارند و سپس، در صورت لزوم، آن را به سمت مقصد هدایت می‏کنند،‌ اما در رويه شتاب الحاقی، هر گره دریافت کننده بسته، با احتمال بسته دریافتی را بلافاصله به سمت مقصد هدایت می‏‌کند و با احتمال 1 – Pf از روال معمول DBR پيروي مي‏كند. الگوریتم پیشنهادی توسط شبیه‏‌ساز JSIM پیاده‌‏سازی گردیده و با انجام یک‏سری آزمایش‏‌ها، کارایی آن با الگوریتم پایه DBR از نقطه نظرهای نرخ تحویل بسته‏‌ها، تأخیر انتها به انتها و انرژی مصرفی مقایسه گردیده است. نتیجه آزمایش‌‏ها حاکی از برتری الگوریتم پیشنهادی در مقایسه با الگوریتم DBR است.

تابع درهم‌سازی Skein، یکی از پنج تابع درهم‌ساز راه یافته به دور نهایی رقابت SHA3 می‌باشد. این تابع، از تابع معمانگاری قطعه‌ای Threefish به عنوان هسته‌ اصلی خود استفاده نموده است. در این مقاله، مشخصه‌های تفاضلی مناسب را به منظور حمله بر تابع درهم‎سازی Skein512 ارائه خواهیم نمود. برای یافتن این مشخصه‌ها، روش بهینه سازی الگوریتم ژنتیک مورد استفاده قرار می‌گیرد. مهمترین چالش در استفاده از این روش، بازنمایی مشخصه‌ها در قالب ژن‌ها می‌باشد. مشخصه‌های ارائه شده برای حملات 17، 22 و 23 دوری Skein512 به ترتیب دارای پیچیدگی 238، 2134 و 2189 می‌باشند.

امروزه با گسترش وب و تعداد كاربران اينترنت، شناسايي صفحات مورد علاقه كاربران از چالش‌هاي مهم وب است. سیستم‌های پیشنهاددهنده‌ی وب در راستای پیش‌بینی رفتار آتی کاربران یک وب‌سایت و فراهم کردن محیطی منطبق با سلیقه و نیاز کاربر بدون درخواست صریح او، به بررسی و تحلیل اطلاعات رفتاری کاربر در تعامل با وب می‌پردازند. اخیرا سیستم‌های پیشنهاددهنده‌ی وب متفاوتی جهت پیش‌بینی صفحات درخواستی آینده کاربر با بهره‌گیری از کاوش استفاده از وب پیشنهاد شده‌اند، اما این سیستم‌ها دارای کیفیت مناسبی در ارائه‌ی پیشنهادها به کاربران در بعضی از وب‌سایت‌های خاص نیستند. در این مقاله یک رویکرد ترکیبی جدید مبتنی بر کاوش استفاده از وب جهت پیش‌بینی خودکار صفحات وب مطابق علایق کاربران پیشنهاد شده است. سیستم پیشنهادی از الگوریتم خوشه‌بندی فازی جهت دسته‌بندی نشست‌های مشابه کاربران استفاده می‌کند. سپس برای استخراج مدل توصیه، از قوانین انجمنی وزن‌دار که ارتباط بین صفحات را بیان می‌کنند، استفاده می‌شود. مدل کشف شده توسط ماژول توصیه‌ی برخط جهت تعیین توصیه‌های مناسب به کاربران، مورد استفاده قرار می‌گیرد. کیفیت سیستم پیشنهادی با استفاده از مجموعه داده‌ی NASA مورد ارزیابی قرار گرفته است. نتایج بدست آمده، بهبود در دقت توصیه‌ها را نسبت به سایر روش‌ها نشان می‌دهد.

سرطان سینه یکی از شایع‌ترین انواع سرطان در میان زنان می‌باشد. پیش‌بینی زودهنگام این بیماری می‌تواند کمک قابل توجهی در روند بهبود درمان ایجاد ‌نماید. بنابراین الگوریتم‌های متفاوت داده‌کاوی و یادگیری ماشین برای پیش‌بینی خوش‌خیمی یا بدخیمی تومورهای سرطان سینه مورد استفاده قرار گرفته‌اند. یکی از چالش‌ها در این حوزه، توزیع نامتوازن داده‌ها است، یعنی داده‌های کلاس تومورهای بدخیم (کلاس اقلیت) دارای تعدادی به مراتب کمتر از داده‌های کلاس دیگر (کلاس اکثریت) هستند. از طرفی الگوریتم‌های داده‌کاوی اغلب برای کار با داده‌های متوازن طراحی شده‌اند. این امر ممکن است منجر به برچسب‌گذاری نادرست داده‌های کلاس اقلیت ‌شود. برای برخورد با این مشکل، روش‌هایی برای برجسته‌سازی داده‌های کلاس اقلیت ارائه شده است. این روش‌ها عموماً از تکرار داده‌های کلاس اقلیت و یا حذف داده‌های کلاس اکثریت، در راستای توازن داده‌ها، استفاده می‌کنند. این مکانیزم‌ها علاوه بر اینکه ماهیت طبیعی داده‌ها را تغییر می‌دهد، امکان برچسب‌گذاری نادرست داده‌های کلاس اکثریت را نیز افزایش می‌دهد. در این مقاله روشی ارائه می‌شود که با استفاده از الگوریتم‌های طبقه‌بندی ترکیبی، بدون تکرار داده‌های کلاس اقلیت و یا حذف داده‌های کلاس اکثریت، به برچسب‌گذاری صحیح داده‌های کلاس اقلیت پرداخته شود. الگوریتم ارائه شده با استفاده از خوشه‌بندی داده‌ها به سه دسته پرت، خوش‌آموزش و بدآموزش، ابتدا به شناسایی داده‌های پرت می‌پردازد. سپس به دنبال راهکاری برای برخورد با داده‌های بدآموزش (که عمدتاً متعلق به کلاس اقلیت می‌باشند) می‌پردازد که با این روند خطای ایجاد شده برای داده‌های کلاس اقلیت به صورت چشمگیری کاهش می‌یابد.

اين مقاله شامل طراحي دو مدار تمام جمع‌کننده تک‌بیتی کم‌توان با NOR، NAND و Majority-not خازني 3 ورودی بر پایه ساختار دینامیک چند خروجی می‌باشد. دو مدار جمع‌کننده پيشنهادي و تعدادی از مدارهای جمع‌کننده ديگر با تکنولوژي 0.18 μm شبيه‌سازي شده است. نتايج شبيه‌سازي بهبود قابل ملاحظه‌اي را از نظر توان مصرفی و حاصلضرب توان – تأخیر نشان مي‌دهد.

در اين مقاله سبک‌های معماری پیاده‌سازی مدیریت داده‌های کلیدی سازمان (MDM) با استفاده از معماری سرویس‌گرا مورد بررسی قرار می‌گیرد و پس از تحلیل آن‌ها سبک جدیدی با نام «هاب تراکنشی توزیع‌شده» معرفی می‌گردد که به سیستم‌های راهبر دامنه‌های داده موجود در سازمان اتکا می‌نماید و از ایجاد یک انباره مرکزی در سیستم MDM جلوگیری می‌کند. بر اساس سناریوهای حاصل از معرفی چارچوب‌های ارائه‌شده برای معماری MDM، برخی قابلیت‌های معماری استخراج و نسبت به انواع سبک‌ها (پیشنهادی و سه سبک قبلی) مقایسه شده است. نتایج نشان می‌دهد این سبک می‌تواند در ویژگی‌های کیفیتی معماری قابلیت عملکرد و قابلیت استفاده امتیاز خوبی به‌دست آورد. همچنین با استفاده از ارزیابی قابلیت‌های مختلف، سناریوهای استفاده از این سبک به دست آمده است.

با رشد روزافزون مستندات متنی در وب، انتخاب اطلاعات مطلوب در زمان محدود کار مشکلي است. با استفاده از ابزارهایی نظیر خلاصه‌سازها، می‌توان این حجم انبوه اطلاعات را با توليد خلاصه پیش‌نویس‌ مدیریت نمود. تا‌کنون رویکردهای متنوعی برای زبان‌های مختلف ارائه شده‌اند که قدمت برخی به شصت سال نیز میرسد. در این مقاله، روشی نوین برای خلاصه‌سازی متون خبری فارسی با دقتی بالاتر از سیستم‌های موجود معرفی شده است. اين خلاصه‌ساز با بهره‌گیری از دانش موجود در فارس‌نت، جملات را بر اساس میزان شباهت و ارتباط آنها به یکدیگر، خوشه‌بندی می‌نماید. سپس با استفاده از خوشه‌های حاصل، خلاصه نهایی به گونه‌ای تولید می‌گردد که جملات آن دارای کمترین میزان افزونگی و بیشترین ارتباط است. همچنین در صورت نیاز، با بهره‌گیری از خوشه‌های هم‌وقوع، ابهامات موجود در متن خلاصه نیز رفع می‌گردند.

حذف نویز از تصاویر دیجیتال یکی از مهم‌ترین مسائل مورد بحث در پردازش تصویر می‌باشد. تمرکز اصلی در این مقاله بر روی حذف نویز تصاویر سیاه و سفید می‌باشد. روشی را که برای این منظور مورد استفاده قرار می‌دهیم استفاده از الگوریتم تطبیق بلوک و فیلتر سه بعدی برای حذف نویز می‌باشد. در ادامه روشی برای بهبود الگوریتم حذف نویز تطبیق بلوک و فیلتر سه بعدی ارائه می‌شود. در این روش نشان داده می‌شود که با استفاده از الگوریتم sub pixel و تغییر ماهیت تطبیق بلوک می‌توان در سطوح مختلف نویز به عملکردی بهتر از روش تطبیق بلوک و فیلتر سه بعدی دست یافت. با توجه به سطح نویز اضافه شده به تصویر، علاوه بر بهبود نسبت پیک سیگنال به نویز، کیفیت تصویر نیز افزایش می‌یابد.

استاندارد 802.15.4e به تازگی برای کنترل دسترسی شبکه‌های ارتباطی بیسیم در تجهیزات اتوماسیون صنعتی ارائه شده و با استقبال فراوانی از طرف کمپانی‌های سازنده مواجه گردیده است. این استاندارد با استفاده از کانال‌های چندگانه‌ی غیرهمپوشان، احتمال رخداد تصادم بین ایستگاه‌ها را کاهش می‌دهد که این امر به نوبه خود موجب افزایش پارامترهای متعدد کارایی شبکه می‌گردد. مکانیسم TSCH در این استاندارد، با تکیه بر روش FTDMA، هر گره را قادر می‌سازد تا ارسال بسته داده خود را در یک اسلات زمانی معین و بر روی یک کانال خاص زمانبندی کند. با این حال جزئیات نحوهی تخصیص کانال/اسلات در TSCH مشخص نشده است. در بسیاری کاربردهای صنعتی، مانیتورینگ برخی تجهيزات اهميت بالاتري نسبت به سایرین دارد و به همین دلیل ترافيك ارسالي از حسگرهاي مرتبط با این تجهیزات از اولویت بيشتري برخوردار است. از طرف دیگر روش‌های زمانبندی متمرکز نیز به دلیل پویایی قابل توجه در این شبکه‌ها کارآمدی لازم را ندارد. بر همین اساس، در این مقاله یک الگوریتم زمانبندی اسلات/کانال توزیع شده ارائه می‌دهیم که در تخصیص سلول به جریان‌های ترافیکی، اولویت ترافیک مذکور را نیز مد نظر قرار میدهد. نتایج شبیه‌سازی نشان می‌دهد که روش پیشنهادی، در مقایسه با روش‌های پیشین، ترافیک با اولویت بالاتر را با تاخیر کمتری به مقصد رسانده و سایر جنبه‌های کارایی شبکه مانند نرخ تحویل بسته را نیز در حد قابل قبولی بهبود می‌بخشد.

سرویس‌های شبکه‌ اجتماعی مکان‌مبنا علیرغم کاربردهای فراوان، ممکن است حریم مکانی کاربران را به خطر بیندازند. یکی از امکاناتی که در این سرویس‌ها وجود دارد این است که کاربران، می‌توانند اطلاعات دلخواه خود را برچسب‌‌گذاری کنند. خطر، هنگامی ممکن است رخ ‌دهد که کاربران، اطلاعات هم‌مکانی خود با کاربران دیگر را اعلام می‌کنند. حتی در صورتی که اطلاعات مکان کاربر به صورت مبهم شده باشد، به کمک حمله استنتاج می‌توان حریم مکانی وی را از مقداری که به عنوان حریم مکانی کمینه خود انتخاب کرده است تنزل داد. ما در این تحقیق، روشی ارائه می‌کنیم که توسط آن، سرور مکان‌مبنا با تغییر مساحت و موقعیت محدوده مبهم شده مکان برخی کاربران، حریم مکانی همه کاربران را حفظ می‌کند.

در اين مقاله، ما از روش غیرپارامتریک برای تشخیص اشیا و تجزیه‌ تصاویر شامل انواع ساختمان‌ها استفاده می‌کنیم. هدف ما این است که یک تصویر را به ناحیه‌های ساختمان، درب، زمین، آسمان و اشیای دیگر (مانند ماشین، انسان، درخت و ...) تجزیه کنیم. در روش غیرپارامتریک، ابتدا تصاویر مشابه تصویر تست از مجموعه تصاویر آموزشی برچسب‌گذاری ‌شده بازیابی می‌شوند. سپس انتقال برچسب از ابرپیکسل‌های تصاویر بازیابی‌شده به ابرپیکسل‌های مشابه در تصویر تست انجام می‌شود. همچنین از مدل مفهومی میدان تصادفی مارکوف برای افزایش دقت برچسب‌گذاری ابرپیکسل‌ها استفاده می‌گردد. در نهایت، با استفاده از خط، رنگ و بافت، دقت تشخیص درب را افزایش می‌دهیم. در این روش، پس از استخراج خطوط و حذف خطوط اضافی، ناحیه‌‌ی بین خطوط عمودی را تشکیل می‎دهیم و از محدودیت‌های زمینه‌ای مانند اختلاف رنگی و بافتی ناحیه‌ی‌درب نسبت به اطراف و همچنین وجود درب بر روی ساختمان و نزدیک به زمین برای تشخیص درب استفاده می‌کنیم. ما 3۰۹۳ تصویر از ۴۰ نوع ساختمان از مجموعه تصاویر LabelMe و Sun شامل آسمان‌خراش، فروشگاه، منزل، آپارتمان، کلیسا، مسجد، هتل، کتابخانه، بیمارستان و ... جمع‌آوری کرده‌ایم و نتایج قابل قبولی به دست آورده‌ایم.

با گسترش فناوری اطلاعات و تعاملات برخط، شاهد رشد چشم‌گیر اجتماعات مجازی و انجمن‌های الکترونیکی هستیم. فراوانی و توسعه انجمن‌های مجازی در عین ایجاد مزیت‌های بسیار زیاد، ما را با چالش‌های امنیتی متعددی از جمله فعالیت عوامل فریبکار و مخرب، مواجه کرده است. یکی از راه‌حل‌های کاهش چنین مسائلی بکارگیری مکانیزم‌های شهرت است که وظیفه تجمیع سوابق موجودیت‌های درون انجمن‌ها و عمومی کردن شهرت را برعهده دارند، با اینحال گردآوری و استفاده از بازخوردها و اطلاعات موجودیت‌های داخلی تک‌تک انجمن‌ها همیشه به تنهایی کافی نیست و همین امر ما را به ارائه روش‌هایی با قابلیت بکارگیری سایر منابع اطلاعاتی سوق می‌دهد. در این مقاله یک مکانیزم توزیع شده برای مدیریت شهرت در محیط انجمن‌های مجازی ارائه شده که قابلیت استفاده از بازخوردهای انجمن‌های مختلف را به عنوان منابع اضافه اطلاعات، فراهم می‌نماید. این مکانیزم برای جمع‌آوری و تجمیع اطلاعات شهرت بین انجمنی از عامل‌های واسط یا مراکز میانی گردآوری اطلاعات استفاده می‌کند و مدل محاسباتی آن بر پایه میزان اعتماد انجمن‌ها به یکدیگر می‌باشد. ارزیابی‌های صورت گرفته نشان می‌دهد که مکانیزم پیشنهادی، دقت محاسبات شهرت رابه نسبت سایر روش‌های مشابه افزایش داده است.

مسئله پوشش در شبکه‌های حسگر جهت‌دار با توجه به ویژگی‌های خاص حسگرهای بکار رفته در آن مانند زاویه دید، کارکرد جهتی و خط دید، از اهمیت خاصی برخوردار است. یکی از مدل‌های پوشش در شبکه‌های حسگر جهت‌دار، مدل پوشش بیشینه زمانی است که در این نوع پوشش از گره‌های حسگر جهت‌دار گردان استفاده می‌شود. این حسگرها دارای این قابلیت هستند که جهت‌گیری خود را تغییر داده و بعد از یک دوره زمانی جهت‌گیری‌های خود را تکرار نمایند؛ اما مسئله مهم در پوشش بیشینه زمانی، انتخاب جهت‌گیری اولیه برای این حسگرها است. ثابت می‌شود که پیچیدگی انتخاب جهت‌گیری اولیه برای این مسئله از نوع غیر چندجمله‌ای سخت است. ما در این مقاله ابتدا مدل پوشش بیشینه زمانی خود را بیان می‌کنیم. سپس مسئله انتخاب جهت‌گیری اولیه در پوشش بیشینه زمانی را به صورت یک مسئله برنامه‌ریزی خطی صحیح (ILP) فرمول‌بندی می‌کنیم و در ادامه این مدل را با مدل پوشش بیشینه اهداف، مقایسه کرده و برترهای پوشش بیشینه زمانی را نشان خواهیم داد. نتایج حاصل از شبیه‌سازی‌ها نشان می‌دهد که مکانیسم پیشنهادی می‌تواند پوشش زمانی مطلوب را نسبت به الگوریتم‌های موجود فراهم آورد.

مدیریت جریان داده های ورودی و استفاده از عملگر الحاق، در ایجاد پایگاه دادة تحلیلی نیمه آنی از اهمیّت زیادی برخوردار می باشد. برای اینکه بتوان تغییرات رخ داده در سمت منابع داده را به قالب مورد نیاز در پایگاه دادة تحلیلی تبدیل نمود، باید از عملگر الحاق استفاده کرد. جریان دادة ورودی با رابطة موجود بر روی دیسک، الحاق شده و تغییر شکل می یابد و یا در بعضی موارد، فیلدهایی به آن افزوده می شود. الگوریتم های مختلفی برای پیاده سازی الحاق وجود دارند که یکی از آنها الگوریتم Semi-Stream Cache Join (S.S.C.J) نام دارد. این الگوریتم در فضای محدودی اجرا می شود؛ لذا نمی تواند تمام رابطة R را وارد حافظه نماید. باید در هر دور اجرا، پارتیشنی ازآن را، برای الحاق انتخاب نموده و وارد حافظه نماید. الگوریتم، برای انتخاب پارتیشن مذکور از شناسة جریان داده های ورودی که درون صف قرارداده می شوند؛ استفاده می کند. در این روش، پارتیشن مذکور بطور بهینه انتخاب نمی شود. در الگوریتم پیشنهادی این مقاله، روشی ارائه می شود که در هربار اجرا، پارتیشنی را انتخاب می کند که شامل بیشترین رکورد برای الحاق می باشد. برای مقایسه کارایی الگوریتم، آزمایش هایی انجام شده است. نتایج بدست آمده، نشان می دهد که الگوریتم پیشنهادی نرخ سرویس بهتری نسبت به سایر الگوریتم ها دارد.

روش ردگیری پویای جریان اطلاعات یکی از قوی‎ترین تکنیک‎های تحلیل نرم‎افزار است که برای ردگیری داده‎های مورد علاقه در هنگام اجرای برنامه برای استفاده می‎شود. با این وجود ردگیری پویای جریان اطلاعات به دلیل سربار زمانی عظیم، وجود نتایج کاذب و پیچیدگی پیاده‎سازی غیر عملی است. برای مقابله با این مسائل، در این مقاله یک چارچوب پویای ردگیری اطلاعات ارائه شده است که به تحلیل‎گر نرم‎افزار کمک می‎کند تا بتواند فرآیند ردگیری پویای جریان اطلاعات را با دقت، سرعت و سهولت بیشتر با استفاده از تکنیک ابزارمندی پویای باینری در سطح برنامه انجام دهد. چارچوب ارائه شده باید قادر باشد جریان اطلاعات را شناسایی کند، مقادیر آلودگی را ذخیره نماید و بر ورودی/خروجی نرم‎افزار هدف نظارت نماید. در این مقاله ما PCDIFT را ارائه کرده‎ایم؛ یک چارچوب ردگیری جریان اطلاعات جامع و شتابدار باینری که می‎تواند بدون در اختیار داشتن کد منبع یا هرگونه وابستگی به سخت‎افزار خاص جریان اطلاعات نرم‎افزار هدف را سریع و دقیق ردگیری نماید. این چارچوب دوهسته‎ای از ردگیری جریان ضمنی اطلاعات، که در نظر نگرفتن آن مهمترین دلیل نتایج کاذب منفی در فرآیند ردگیری جریان اطلاعات است، پشتیبانی کرده و با ارائه‎ی روش‎هایی برای کاهش نتایج کاذب و افزایش سرعت، ردگیری جریان ضمنی اطلاعات را عملا ممکن می‎سازد. ما یک ابزار ردگیری جریان اطلاعات نیز براساس چارچوب ارائه شده ایجاد کردیم تا میزان سادگی، سرعت و دقت کار با چارچوب ارائه شده را نشان دهیم. نتایج ارزیابی ما براساس SPEC2000 و برخی نرم‎افزارهای معروف ارائه شده‎ است که نشان‎گر 2.9 برابر سربار برای ردگیری جریان صریح اطلاعات و 9.6 برابر سربار برای ردگیری جریان صریح و ضمنی اطلاعات است.

گریدهای محاسباتی امکان دسترسی فراگیر به منابع محاسباتی پویا و ناهمگن عظیمی را که در موقعیت های جغرافیایی مختلف قرار گرفته اند و از لحاظ اجرايي داراي مالكیت جداگانه‌اي می باشند، فراهم می آورد. از جمله برنامه‌های کاربردی که برای اجرا بر روی گرید مناسبند BoTها (Bag-of-Tasks) هستند. BoT شامل وظایف مستقلی است که هریک می توانند به طور جداگانه و موازی بر روی منابع مختلف اجرا شوند. کاربران گرید ممکن است برای کل وظایفBoT نیازمندی‌های کیفیت سرویس مانند مهلت و بودجه داشته باشند. از سویی صاحبان منابع در محیط‌های سودمندی تمایلی به افشای اطلاعات خصوصی منابع خود - همچون میزان بار محلی، ظرفیت منابع و استراتژیهای زمانبندی - ندارند. هدف مقاله حاضر ارائه یک الگوریتم زمانبندی برای BoT با اعمال محدودیت‌های مهلت و بودجه و بدون نیاز به افشای اطلاعات تامین‌کنندگان منابع است. الگوریتم ارائه شده مبتنی بر مذاکره - در راستای عدم افشای اطلاعات خصوصی و تامین محدودیت بودجه- و تخصیص همزمان منابع (Co-allocation) - برای افزایش سرعت اجرا و تامین نیازمندی مهلت زمانی- می‌باشد. شبیه سازی در محیط GridSim انجام و کارایی روش با الگوریتم DBC، که اطلاعات کاملی ازتمامی منابع دارد، ارزیابی و مقایسه شده است. رویکرد ارائه شده علاوه بر رفع ایرادات وارد بر الگوریتم های موجود، نتایجی مشابه الگوریتم DBC دارد.

‏در یادگیری تقویتی از آنجایی که کل پاداش دریافتی عامل در طول زندگی نه در پایان آن اهمیت دارد، یافتن روش‌هایی که بتواند مقدار پشیمانی را کاهش و سرعت همگرایی به سیاست بهینه را افزایش دهد، حائز اهمیت است. اگر عامل مدل محیط را از قبل بداند با کاوش در آن مانند روش‌های برنامه‌ریزی پویا، می‌تواند سیاست بهینه را بدون تقبل خسارتی بیاید، ولی در مسائلی که در این زمینه با آن روبه رو هستیم این فرض تقریبا غیرممکن است و عامل باید با کسب تجربه از محیط، یادگیری خود را بهبود بخشد. ما در این پژوهش توسط الگوریتم یادگیری مبتنی بر مدل تخمینی‏، از تجربه‌های عامل برای تخمین مدل محیط استفاده می‌کنیم و این مدل که رفته رفته به دقت آن افزوده می‌شود جهت تصمیم‌گیری بهتر در حین زندگی عامل به کار گرفته می‌شود. سیاست تصمیم‌گیری عامل را در دو حالت ε-greedy‏وgreedy‏ براساس مقدار خوش‌بینانه ارزش‌های تخمینی قرار دادیم. نتایج نشان دادند که ‎‏الگوریتم مبتنی بر مدل تخمینی با سیاست ε-greedy علاوه بر این‌ که ‏سرعت یادگیری بیشتری در مقایسه با سیاست greedy براساس مقدار خوش‌بینانه ارزش‌های تخمینی دارد‏، زمان اجرای آن نیز به شدت کمتر است‏. همچنین در مقایسه با یادگیری ‎TD‎(‎λ)هم سریع‌تر است.