انجمن کامپیوتر ایران

در این مقاله، با توسعه فیلتر ذره به حل مسئله مکانیابی و ردیابی اهداف چندگانه، بدون آستانه‌گذاری بر مشاهدات با توان نویز بالا، پرداخته شده است. در فیلتر ذره ترتیبی (Sequential Particle Filter (SPF)) معرفی شده، ابعاد بردار حالت به زیربردارهای مجزای مختص به هر هدف (منبع) تفکیک شده و با تغییر در نحوه نمونه‌برداری و وزندهی ذرات در مراحل اجرا، الگوریتم قویتری در برابر نویز طراحی شده است. در این رویکرد به تعبیری با اعمال فیلترینگ فضایی ذرات و اختصاص هر دسته از ذرات به منبع مشخص، امکان محاسبات دقیق‌تری برای معیار درست‌نمایی الگوریتم فراهم می‌شود. برای بررسی عملکرد روش پیشنهادی، شبیه‌سازی‌ها بر اساس مشاهدات با SNR پایین طراحی و محاسبات بر مبنای اصول رویکرد Track-Before-Detection، بدون آستانه‌گذاری بر مشاهدات، انجام شده است. الگوریتم فیلتر ذره ترتیبی معرفی شده در این مقاله، بر روی داده‌های شبیه‌سازی برای سه منبع متحرک، اعمال شده و نتایج نشان می‌دهد که این روش علاوه بر اینکه در SNRهای پایین عملکرد فیلتر ذره را بهبود بخشیده، با شکستن ابعاد بردار حالت، تاثیر مشهودی در افزایش سرعت محاسبات نیز می‌گذارد.

ایجاد آلگوریتم‌های امن رمزنگاری همیشه مورد توجه علوم مخابرات و کامپیوتر بوده است. امروزه آلگوریتم‌های رمزنگاری کوانتومی نسبت به نمونه‌های مشابه کلاسیکی خود از نظر ایجاد امنیت در اولویت قرار گرفته‌اند. رمز نگاری کوانتومی دارای زیرشاخه‌های متفاوتی است که یکی از آنها اشتراک رمز کوانتومی می‌باشد. در این مقاله با ارائه یک آلگوریتم جدید اشتراک رمز کوانتومی با استفاده از اتومات سلولی کوانتومی (QCA) توانستیم یک کلید کوانتومی بین n شرکت کننده به اشتراک بگذاریم، به طوریکه که هر t شرکت کننده از n شرکت کننده بتواند به کلید دسترسی پیدا کند. این پروتوکل نسبت به الگوریتم‌های مشابه کلاسیک خود، امنیت بالاتری دربرابر حمله بک شنودگر خارجی دارا می‌باشد.

ظهور مفهوم GPGPU همراه با CUDA و مدل‌های برنامه نویسی نظیر OpenCl، فرصت‌های جدیدی را برای کاهش تأخیر و توان مصرفیِ برنامه‌های کارایی محور فراهم می‌کند. GPU می‌تواند هزاران نخ پردازشی موازی را برای پنهان کردن تأخیر پرهزینه دسترسی به حافظه اجرا کند. با این حال، برای برخی از برنامه‌های حافظه محور، به احتمال زیاد در برخی فواصل زمانی تمام نخ‌های پردازشی یک هسته متوقف شده و منتظر تأمین داده توسط واحد حافظه هستند. در این پژوهش هدف ما بهبود تأخیر دسترسی به حافظه برای بسته‌های تولیدی توسط هسته‌های بحرانی در پردازنده‌های گرافیکی است. به منظور بهبود زمان غیربهینه هسته‌ها، ما بر روی شبکه میان ارتباطی بین هسته‌ها و حافظه پنهان سطح آخر تمرکز و بسته مربوط به هسته‌هایی که تعداد بیشتری نخ متوقف شده دارند را در ورود به شبکه و داوری در شبکه اولویت قرار می‌دهیم. به این ترتیب، بیشترین اولویت در داوری و تخصیص منابع به بسته‌های بحرانی‌تر اعطا می‌شود، بنابراین درخواست حافظه برای آنها سریعتر سرویس دهی شده و متوسط زمان توقف هسته کاهش و در نهایت کارایی پردازنده گرافیکی افزایش می‌یابد.

امروزه شبکه‌های حسگر بی‌سیم به عنوان یک انقلاب در تمام جنبه‌های زندگی ما پدیدار شده‌اند . در اين شبكه‌ها پوشش ناحیه یا هدف خاص توسط گره‌های حسگر بی‌سیم انجام مي‌شود. عمل پوشش، اصلی‌ترین و پایه‌ای‌ترین هدف ایجاد و استقرار شبکه‌های حسگر بی‌سیم می‌باشد. در اين شبكه‌ها همواره امكان دارد برخي از گره‌هاي شبکه حسگر به دلایل مختلفي از قبيل خرابي، نويزهای موجود در محیط و نقص در توان مصرفی از کار بیفتند. اين مشکلات تاثير به سزایی در پوشش شبكه حسگر بی‌سیم خواهد داشت. روش ارائه شده در اين تحقيق از اطلاعات مربوط به تراکم گره‌ها به منظور تشخيص حفره‌هاي موجود در شبكه استفاده مي‌نمايد. همچنين اين روش علاوه بر تشخیص حفره‌ها سعي در ترميم آنها با استفاده از شعاع حسگری نيز دارد. همچنين در روش ارائه شده به كاهش بار محاسباتي گره‌ها و كاهش زمان پیدا کردن اولین حفره توجه شده است. همچنین تاثير روش ارائه شده در طول عمر شبکه نيز بررسي شده است. آزمايش‌هاي انجام شده نشان دهنده كارايي روش پيشنهادي است.

ایجاد آلگوریتم‌های امن رمزنگاری همیشه مورد توجه علوم مخابرات و کامپیوتر بوده است. امروزه آلگوریتم‌های رمزنگاری کوانتومی نسبت به نمونه‌های مشابه کلاسیکی خود از نظر ایجاد امنیت در اولویت قرار گرفته‌اند. رمزنگاری کوانتومی دارای زیرشاخه‌های متفاوتی است که یکی از آنها اشتراک رمز کوانتومی می‌باشد. در این مقاله با ارائه یک آلگوریتم جدید اشتراک رمز کوانتومی با استفاده از اتومات سلولی کوانتومی (QCA) توانستیم یک کلید کوانتومی بین n شرکت‌کننده به اشتراک بگذاریم، به‌طوریکه که هر t شرکت‌کننده از n شرکت‌کننده بتواند به کلید دسترسی پیدا کند. این پروتوکل نسبت به الگوریتم‌های مشابه کلاسیک خود، امنیت بالاتری در برابر حمله بک شنودگر خارجی دارا می‌باشد.

کنتراست مهمترین عامل تأثیر‌گذار روی کیفیت تصاویر می‌باشد. ضعف کنتراست تصویر بسیاری از فرآیندهای بینایی ماشین و پردازش تصویر را تحت تأثیر قرار می دهد. به منظور جبران ضعف یاد شده، در این پژوهش ارتقاء کیفیت کنتراست تصویر براساس یکنواخت سازی دو- هیستوگرام با تعیین نقطه بهینه جداسازی هیستوگرام مبتنی برآنتروپی پیشنهاد می‌شود. در فرآیند یکنواخت‌سازی دو- هیستوگرام با تعریف سطح فلات تلاش می‌شود تا ضمن بهبود کنتراست، میانگین سطح روشنایی تصویر حفظ ‌شود. در این روش ابتدا تابع هیستوگرام محاسبه و سپس با استفاده از نقطه بهینه جداسازی مبتنی بر آنتروپی به دو تابع مستقل تقسیم می‌شود. سپس اصلاح روشنایی با کمک سطح فلات تطبیقی روی توابع مجزا شده هیستوگرام محاسبه می‌شوند. همچنین جهت ارتقاء عملکرد الگوریتم روی لبه‌های تصویر از یک فیلتر هدایت شونده استفاده شده است. نتایج نشان می‌دهند که روش پیشنهادی در تقویت کنتراست تصاویر خصوصا در تصاویر نویزی عملکرد مطلوبی دارد.

در اين مقاله، با استفاده از مدل بلوک تصادفی و پذیرش مدل قطبی شدن عقاید توسط یادگیری از بازخورد‌های اجتماعی تاثیر انجمن‌ها بر روی فرایند دوقطبی شدن عقاید در جامعه بررسی شده‌است. با توجه به اهمّیت قطبی شدن جامعه و تاثیری که بر روی عملکرد جوامع و تبیین تضادهای قومیتی دارد. با استفاده از مدل بلوک تصادفی نشان داده ‌شده‌است که علاوه بر تاثیر انجمنی بودن شبکه‌های اجتماعی با توجه به افزایش اتاق‌های اکو بر روی قطبی شدن عقاید در جامعه، مساله حائز اهمیت دیگر اندازه این انجمن‌هاست. افزایش تعداد انجمن‌ها همیشه احتمال دو‎قطبی را افزایش نمی‌دهد بلکه از یک آستانه‌ای به بعد با افزایش تعداد انجمن‌ها و کاهش اندازه آن احتمال دوقطبی شدن عقاید در جامعه کاهش می‌یابد قدرت انجمن‌های کوچک برای تبدیل جامعه به دوقطبی کافی نبوده و شکاف بین انجمن‌های بزرگ و تبدیل آن‌ها به انجمن‌های کوچکتر امکان کاهش احتمال دوقطبی را به همراه دارد.

با افزایش نفوذ نرم‌افزارهای مخرب به دستگاه‌های هوشمند، تشخیص بدافزار به یکی از چالش‌های مهم در حوزه امنیت اینترنت اشیا تبدیل شده است. تا کنون روش‌های متعددی در این زمینه ارائه شده که در این میان، روش‌های مبتنی بر الگوریتم‌های یادگیری عمیق بدلیل توانایی استخراج خودکار بازنمایی‌های پیچیده از داده‌ها، از عملکرد مناسب‌تری برخوردارند. از آنجایی که هایپرپارامترها نقش مهمی در موفقیت شبکه عصبی عمیق دارند، تنظیم و بهینه‌سازی آن‌ها از اهمیت ویژه‌ای برخوردار است. از این رو در این پژوهش، پیکربندی‌های مختلف از یک طبقه‌بند مبتنی بر شبکه عصبی کانولوشنی یک بعدی (1D-CNN) طراحی شده و پس از بهینه‌سازی هایپرپارامترها، از آن جهت تشخیص جریان‌های مخرب شبکه استفاده شده است. شبکه عصبی کانولوشنی یک بعدی کمک می‌کند تا طبقه‌بند سبک وزن با حداقل تعداد لایه‌ها را داشته باشیم. جهت آموزش طبقه‌بند CNN پیشنهادی، از مجموعه داده UNSW-NB15 استفاده شده است. یافته‌ها نشان می‌دهد که مدل ارائه شده در مقایسه با مدل‌های مشابه از دقت قابل قبول و بالاتری (99.97 %) برخوردار است.

مسأله بازشناسی رشته ارقام دست‌نویس به دليل اهميت کاربرد آن طی سال‌های اخیر به یک موضوع تحقیقاتی جذاب در حوزه تحقیقات دانشگاهی و صنعت تبدیل شده‌ است. این مسأله را می‌توان حالت محدود‌تر مسأله بازشناسی متن دست‌نوشته دانست چرا که ليست واژگان آن تنها محدود به ارقام است. با این حال این مسأله چالش‌های متفاوتی نسبت به بازشناسی متن دست ‌نوشته دارد. در این مسأله معمولا بکارگيری مدل زبانی به منظور بهبود دقت بازشناسی چندان موثر و کارا نيست. در این مقاله، یک مدل انتها-به-انتها که تماماً مبتنی بر لایه‌های پیچشی است برای حل این مسأله پیشنهاد داده شده است. همچنین در این مدل پیشنهادی از معماری لایه پیچشی دروازه‌ای بهره برده‌ایم. برای ارزیابی مدل پیشنهادی، به لحاظ منصفانه بودن مقایسه نتایج ما با نتایج ارائه شده توسط پژوهش‌های پیشین، از مجموعه دادگان‌ ORAND CAR_A و ORAND CAR_B و معیارهای ارزیابی که در مسابقه ICFHR 2014 معرفی‌ شده‌اند، استفاده کرده‌ایم. است. دقت نتایج حاصل از اجرای مدل پیشنهادی بر روی دادگان‌های ORAND CAR_A و ORAND CAR_B به ترتیب برابر 94.53% و 94.94% است.

امروزه کیفیت و اطمینان‌پذیری برنامه‌های کاربردی وب به دلیل استفاده گسترده آنها توسط کاربران باید از جنبه‌های گوناگونی مانند امنیتی و کارکردی مورد ارزیابی و آزمون قرار بگیرد. استخراج رفتار برنامه‌های کاربردی وب در ارزیابی کیفیت آنها بسیار مهم است. استخراج رفتار به صورت دستی دشوار و هزینه‌بر است. همچنین روش‌های خودکار برای استخراج رفتار به دلیل بزرگ بودن فضای حالت برنامه‌های کاربردی وب و زمان محدود قادر به پوشش کامل رفتار آنها نیستند. بنابراین روش‌های خودکار برای استخراج رفتار برنامه‌های کاربردی وب با چالش پوشش مناسب کارکردهای این برنامه‌ها در فضای حالت بسیار بزرگ آنها و در زمان محدود روبرو هستند. این پژوهش یک روش بر پایه یادگیری تقویتی برای استخراج رفتار برنامه‌های کاربردی وب ارائه می‌دهد. به بیانی دیگر روش پیشنهادی بر پایه یادگیری تقویتی به تعامل با برنامه کاربردی وب می‌پردازد. در این تعامل، رفتار برنامه کاربردی وب به تدریج، استخراج و کارکردهای آن پوشش داده می‌شود. اثربخشی روش پیشنهادی بر روی چندین برنامه کاربردی وب مورد بررسی قرار گرفته است. نتایج ارزیابی نشان می‌دهد که روش پیشنهادی در استخراج رفتار برنامه‌های کاربردی وب موفق است و به پوشش بیشتری از کارکردهای برنامه‌های کاربردی وب در استخراج رفتار آنها می‌رسد.

با پيشرفت تکنولوژي، طراحي و ساخت مدارهاي بسيار مجتمع در ابعاد نانو با چالش‏هاي زيادي روبه‏رو شده است. بررسي پارامتر تحمل‏پذيري در برابر اشکال‏هاي زماني، گامي موثر در طراحي مدارات قابل اطمينان و با بازده بالا در تکنولوژي نانو مي‏باشد. اين مقاله چگونگي تاثير تغييرات زماني را ، بر روي مدارات ناهمگام شبه غير حساس به تاخير(QDI) مبتني بر الگو، بررسي مي کند. در اين مقاله دو الگوي شناخته شده که بطور گسترده اي در طراحي مدارات ناهمگام مبتني بر الگو کاربرد دارند، در نظر گرفته شده و تحمل‏پذيري و قابليت پايداري اين دو الگو در برابر تغييرات زماني مورد بررسي قرار گرفته است. ساختارهاي متعددي از اين الگوها در زبان توصيف سخت افزار پياده سازي شده اند. شبيه سازي گسترده مونت کارلو، انتخاب يکي از اين الگوها را به عنوان مدار تحمل‏پذيرتر تحت تغييرات زياد زماني پيشنهاد مي‏دهد. به عبارت ديگر، هنگام طراحي مدارات ناهمگام QDI در ابعاد نانو، مي‏توان با توجه به مطالعات انجام گرفته، بين کارآيی مدار و پايداري آن در برابر تغييرپذيری زماني موازنه مناسبي برقرار نمود.

در رويکردهاي حاشيه‌نويسي موجود اغلب از ويژگي‌ مبتني بر نواحي تصوير استفاده مي‌شود. اين نواحي معمولاً به صورت مستطيل‌هاي يکسان و يا اشکال شئ مانندي هستند، که با کمک الگوريتم‌هاي قطعه بندي توليد مي‌شوند. قطعه‏بندي تصوير فرايندي پرهزينه و زمانبر است. بعلاوه، نتايج الگوريتم‌هاي قطعه‌بندي موجود با خطاي بسيار همراه است و تاثيرات مخربي بر کارايي حاشيه‌نويسي دارد. از سوي ديگر، نواحي مستطيلي به تنهايي انتخاب مناسبي براي کار حاشيه‌نويسي تصوير نيستند، زيرا در مقابل تبديلات و تغييرات متداول روي تصوير مقاوم نمي‌باشند. در اين مقاله، يک رويکرد حاشيه‌نويسي مبتني بر اطلاعات برجستگي‌هاي تصوير پيشنهاد شده است. نواحي برجسته تصوير در مقابل تغييرات متداول روي تصوير مقاومند و استخراج آنها هزينه‌بر و همراباخطا نيست. در رويکرد پيشنهاد شده اطلاعات بلوک‌ها و نواحي برجسته تصوير ترکيب شده است. آزمايشات نشان مي‌دهند، که رويکرد پيشنهادي از دقت و کارايي خوبي در حاشيه‌نويسي تصوير برخوردار است.

امروزه، در بيشتر موارد انجام آزمايش‌ها در جوامع انساني كاري غيرعملي و يا غيراخلاقي است و مواردي همچون صحنه‌نبرد، آزمايش مدل‌ها،تئوري‌ها و سناريوهاي ارائه‌شده، مستلزم هزينه‌هاي جاني و مالي زيادي خواهد بود. از اينرو توسعه محيط‌هاي شبيه‌سازي، رويكرد رايج براي بررسي سناريوهاي مختلف است. شبيه‌سازي، به پژوهشگران امكان‌مي‌دهد تا مدل‌ها و تئوري‌هاي خود را با پارامترهاي مختلف و از زواياي متفاوت، بررسي و ارزيابي‌كنند. رويكرد شبيه‌سازي نرم‌افزاري، جايگزين مناسب و در برخي موارد، تنها راه ممكن براي بررسي سناريوها در صحنه‌نبرد است. در اين رويكرد، صحنه نبرد در قالب يك سيستم چندعاملي شبيه‌سازي و بررسي‌مي‌شود كه نرم‌افزارهاي اين حوزه را شبيه‌ساز عامل‌پايه(ABD) مي‌نامند. در اين مقاله، معماري براي شبيه‌ساز صحنه نبرد مبتني بر سه مفهوم اصلي عامل، شبكه و فرايند شناختي طراحي‌شده‌است. اين سه مفهوم منطبق بر چارچوب مفهومي كاپرا است كه براساس رويكردهاي نوين شناختي ارائه‌شده‌است. معماري پيشنهادي به صورت يك نرم‌افزار شبيه‌ساز با استفاده از زبانMATLAB، پياده‌سازي‌شده و قابليت‌هاي تشخيص استراتژي با توجه به پراكندگي عامل‌ها در صحنه نبرد و رفتار انطباقي عامل‌ها در حركت، توسط اين نرم‌افزار مورد بررسي و ارزيابي قرار‌گرفته‌است. نتايج اين شبيه‌سازي، مي‌تواند پيش از اعمال استراتژي‌ها در دنياي واقعي، مورداستفاده‌قرارگيرد.

در اين مقاله، روش جديدي در بهينه¬سازي چند هدفه مبتني بر الگوريتم جستجوي گرانشي به نام الگوريتم جستجوي گرانشي چند هدفه (MOGSA) ارائه مي¬شود. روش MOGSA از «بهينگي پَرِتو» براي شناسايي موقعيت¬هاي «غير غالب» و از يک «مخزنِ بيروني» براي نگهداري اين موقعيت¬ها استفاده مي¬کند. براي اطمينان از صحت عملکرد روش ارائه شده در مواجه با مسائل بهينه¬سازي چند هدفه، آن را بوسيله چندين تابع استاندارد معتبر مورد آزمايش قرار مي¬دهيم. نتايج نهايي نشان از رقابت تنگاتنگ روش پيشنهادي با ديگر الگوريتم¬هاي بهينه¬سازي چند هدفه رايج دارد، از اينرو مي¬توان ادعا کرد روش MOGSA بستر جديدي از تحقيقات را فرا روي محققين قرار داده است.

شناسايي رابطه تقابل در گفتمان به توانائي توليد و درک گفتمان کمک مي¬کند و در سيستم¬هاي متعددي مانند خلاصه¬ساز، تفسير و... کاربرد دارد. اين رابطه در يک گفتمان مي¬تواند به کمک نقش¬نماهاي خاص رابطه تقابل مانند "اما" و "ولي" شناسايي شود؛ اما در بعضي موارد اين نقش¬نماها حذف مي¬شوند و شناسايي رابطه را با مشکل مواجه مي¬کنند. به همين علت به منظور شناسايي اين رابطه، از ويژگي¬هاي زمان فعل¬ها، جفت کلمات، وجود يا عدم وجود شناسه¬هاي اعداد در دو قسمت متني اطراف نقش¬نما، فعل¬ها و کلمات منفي در يک طرف نقش¬نما و در طرف ديگر و عبارات دو و سه کلمه¬اي پرکاربرد در رابطه تقابل، استفاده شد. در اين مقاله پس از گردآوري 5000 نمونه رابطه تقابل و 5000 نمونه ساير روابط از مجموعه داده پژوهشکده هوشمند علائم، براي هر نمونه بردار ويژگي تشکيل داده شد. و در نهايت براي دسته-بندي و تشخيص رابطه تقابل از ماشين بردار پشتيبان (SVM) استفاده شد. ميزان صحت دسته¬بند 84.95 در بهترين حالت است.

دو الگوريتم اکتشافي براي حفظ حريم خصوصی در کاوش سودمندي

هدف از این مقاله ارائه روشی برای تشخیص خودکار خطاهای موجود در سیستم‌های نرم‌افزاری با حداکثر دقت ممکن و حداقل نیاز به بررسی دستی کد برنامه است. راه کارهایی که تاکنون برای رسیدن به این هدف، ارائه شده‌اند سعی دارند با مقایسه اطلاعات زمان اجرای برنامهها در اجراهای موفق و ناموفق و در نقاط خاصی از برنامه که تعیینکننده نام دارند، نقاط مظنون به خطا را به برنامه نویس معرفی کنند. اما مشکل اصلی این است که تحلیل اطلاعات زمان اجرا در نقاط تعیینکننده بدون در نظر گرفتن وابستگیهای موجود بین تعیینکنندهها، منجر به عدم توانایی این روشها در کشف برخی از انواع خطاها خواهد شد. برای رفع این مشکلات در این مقاله راه کاری نوین بر مبنای تحلیل رفتارهای زمان اجرای برنامه ها در قالب مسیرهای اجرایی و با در نظر گرفتن تعاملات بین تعیینکنندهها، ارائه شدهاست. بدین منظور از یک روش تحلیل خوشهبندی به منظور تشخیص نزدیکترین اجراهای موفق و ناموفق جهت تعیین محل خطا، استفاده شدهاست. ارزیابی راهکار پیشنهادی بر روی مجموعهای از برنامه های واقعی، موفقیت روش پیشنهادی را در کشف دقیقتر خطاها نسبت به روش‌های پیشین نشان میدهد.

راستی¬آزمایی نرم¬افزارهای زمان¬واقعی با دو مسئله مواجه است: (1) چگونه قوانین راستی¬آزمایی تولید کنیم و (2) چگونه آنها را برای راستی-آزمایی توصیف مسئله به کار ببریم. ما در این مقاله روشی را ارائه می¬دهیم تا به وسیله آن به حل این دو مسئله برای سیستم¬هایی که با ماشین حالت زماندار توصیف می¬شوند، بپردازیم. در قدم اول، گزاره¬های منطقی زمان واقعی را از توصیف¬ مسئله به دست می¬آوریم. در قدم دوم، قیود ایمنی را از گراف حالات ماشین حالت زماندار توصیف مسئله به دست می¬آوریم و در قدم سوم این قیود را به گزاره¬های منطقی زمان واقعی تبدیل می¬کنیم. این گزاره¬ها که قیود ایمنی را نشان می¬دهند برای راستی¬آزمایی گزاره¬های حاصل از توصیف که در قدم اول به دست آمده¬اند، به کار گرفته می¬شوند. برای نشان¬دادن عملی¬بودن روش¬مان، مسئله سیستم زمان¬واقعی تقاطع جاده و راه¬آهن را مطرح می¬کنیم و روش¬مان را برای آن به کار می¬بریم.

در اين مقاله برای زمان‌بندي بار محاسباتي تقسيم‌پذير با درنظرگرفتن توأم بازگشت نتايج و محدودیت حافظه، یک مدل ریاضی و حل آن، ارائه شده است. يكي از اهداف زمان‌بندي در اين‌گونه سيستم‌ها، كمينه‌سازي زمان كل پاسخ است. تاكنون الگوريتمی معين با پيچيدگي زماني چند جمله‌اي كه بتواند در تمام حالت‌ها جواب بهينه را توليد كند، براي این منظور ارائه نشده است. اين مساله مانند مسائل تركيباتي، پيچيده به نظر مي‌رسد و راه حل‌هاي موجود برای آن، راه حل‌هاي ابتكاري است. در اين مقاله، مدل پیشنهادی با استفاده از روش توابع پرکننده و انشعاب و تحدید، حل شده است. با انجام شبيه‌سازي و مقايسه نتايج مشاهده مي‌شود كه این راه حل‌ها‌، در مقایسه با ساير روش‌هاي موجود جواب‌هاي بهتري توليد مي‌كنند. در ميان روش‌هاي موجود، الگوريتم‌ پيشنهادي از ميانگين كل درصد خطاي نسبي كمتري برخوردار است.