انجمن کامپیوتر ایران

امروزه مسئله زمان بندي كارها در سيست م هاي ناهمگن به دليل لزوم استفاده بهينه از ماشي نهاي محاسباتي موجود و همچنين صرف زمان كمتر براي اجراي الگوريتم هاي زمان بندي، از اهميت خاصي برخوردار است. در اين مقاله زمان بندي بار محاسباتي تقسي م پذير با درنظرگرفتن زمان بازگشت نتايج در يك سيستم ن اهمگن داراي شبكه ارتباطي درختي تك سطحي بررسي شده است. يكي از اهداف زما نبندي در اي نگونه سيستم ها، كمينه سازي زمان كل پاسخ است . تاكنون الگوريتمي معين با پيچيدگي زماني چند جمل ه اي كه بتواند در تمام حالت ها جواب بهينه را توليد كند، براي اين منظور ارائه نشده است. اين مسئله مانند مسائل تركيباتي، پيچيده به نظر مي رسد و راه حل هاي موجود براي آن، راه حل هاي ابتكاري است . در اين مقاله الگوريتم ژنتيك به عنوان يك راه حل مسئله پيشنهاد شده است . با انجام شبيه سازي و مقايسه نتايج مشاهده م يشود كه اين راه حل، در مقايسه با ساير رو شهاي موجود جواب هاي بهتري توليد مي كند . در ميان روش هاي موجود، الگوريتم ژنتيك پيشنهادي داراي كمترين ميانگين كل درصد خطاي نسبي است

اينترنت در طول عمر كوتاه خود به يكي از اركان زندگي بشر تبديل شده است. در كنار مزاياي فراواني كه اينترنت دارد، مطالب غير اخلاقي نيز در آن وجود دارد كه براي كودكان مناسب نم يباشد. تصاوير غير اخلاقي مهم ترين بخش اين مطالب را تشكيل مي دهند. در اين مقاله روشي براي تشخيص تصاوير غير اخلاقي بر اساس محتواي تصوير ارائه شده است. در اين روش ابتدا نواحي پوست موجود تصاوير مشخص مي شوند. سپس با استخراج مجموع هاي از ويژگي ها از روي نواحي تصوير و با استفاده از ماشين بردار پشتيبان (SVM) تصاوير غير اخلاقي از تصاوير سالم تشخيص داده مي شوند. دقت روش ارائه شده 85 درصد است. اين روش علاوه بر دقت بالا، داراي سرعت زيادي نيز م يباشد و هر تصوير را به طور متوسط در 2 ثانيه پردازش مي كند.

زمانبندي سیستم ها ي چند پردازنده اي بخش ی از مسئله تخصیص منابع است و هدف اصلی آن افزا یش سرعت اجرا در حجم کارهاي زیاد و حداقل کردن زمان اجراي یک مجموعه از کارها میباشد. در این مقاله الگوریتمی براي زمانبندي سیستمهاي چند پردازندهاي با هدف کمینه کردن هزینه انتساب بر پایه الگوریتم دسته جمعی ذرات ارائه شده است. روش استفاده شده در این مقاله ساده بوده و از خواص حرکت دسته جمعی ذرات استفاده میکند. نتایج آزمایشی نشان می - دهند که الگوریتم پیشنهادي از نظر هزینه انتساب نسبت به روشهاي مشابه از عملکرد بهتري برخوردار است.

یکی از مسائل مهم و چالش برانگیز در شبک ه هاي رویه اي نظیر به نظیر ، توازن بار در این نوع شبکه ها م یباشد. ما در این مقاله با هدف حفظ ویژگی هاي قبلی ارائه شده در شبکه ي رویه اي SkipTree" بهبودیافته آگاه به هم بندي"، قصد داریم ویژگی توازن بار را نیز با شرایط خاصی به آن اضافه کنیم. در این شبکه ي رویه اي جدید ، یک نوع توازن بار کنترل شده به شبکه قبلی افزوده می شود که در عین حفظ محلیت مسی ر و محلیت محتوا، توازن بار را نیز به همراه دارد . این شبکه ي رویه اي که در این مقاله معرفی می کنیم از نوع شبکه هاي رویه اي غیر مبتنی بر جداول دره م ساز توزیع شده است که برخلاف نوع مبتنی بر جداول درهم ساز توزیع شده به جاي توازن بار یکنواخت 4 در کل سیستم، توازن بار به صورت کنترل شده د ر زیرد امنه هاي شبکه انجام می شود و داده هاي محلی فقط در دامنه خودشان به طور یکنواخت توزیع شده و محلیت داد ه ها خدشه دار نمی شود.

در اين تحقيق استفاده از كانتورهاي IRAD به عنوان ويژگي هاي مستقل از زاويه، براي تخمين زاويه ي چهره در تصاوير سه بعدي پيشنهاد شده است. با استفاده از اين كانتورها و يك روش دقيق در تخمين موقعيت بيني به سيستمي براي تخمين زاويه ي چهره در تصاوير سه بعدي دست يافت هايم. اين سيستم نياز به هيچ نوع داد هي آموزشي ندارد و بدليل استفاده از داد ههاي عمق چهره نسبت به تغيير شدت روشهايي محيط مقاوم مي باشد. نتايج پياده سازي اين روش بر روي پايگاه داده ي FRAV3D نشان مي دهد كه روش پيشنهادي در تخمين زاويه داراي دقتي بين درصد 99%- 97% با خطاي 9 درجه در سه محور مختصات مي باشد.

در اين پژوهش ميزان اهميت زيرباندهاي مختلف سيگنال گفتار در بازشناسي گوينده سنجيده شده و بر اساس اين ميزان اهميت، يك ويژگي جديد براي بازشناسي گوينده از همجوشي اطلاعات زيرباندهاي مختلف سيگنال گفتار بدست آمده است. براي اين منظور نمونه هاي آموزشي و آزمايشي گفتار به كمك درخت تجزيه تبديل ويولت بسته اي، به 16 زير باند تقسيم شده و هريك از اين زير باندها بطور مستقل براي بازشناسي گوينده مورد استفاده قرار گرفت . با توجه به ميزان دقت بازشناسي گوينده بدست آمده براي هر زير باند، اين زير باندها به 4 رتبه اهميت براي بازشناسي گوينده رتبه بندي شدند . سپس بر اساس رتبه هر زير باند تعداد معناداري از ضرايب بردار ويژگي حاصل از همجوشي به زيرباند مربوطه اختصاص يافت. در انتها اين بردار ويژگي در يك سيستم بازشناسي گوينده مورد استفاده قرار گرفت . نتايج حاصل حاكي از موفقيت اين ويژگي در تمايز گويندگان مختلف مي باشد بطوريكه توانسته است 94 درصد / براي تصديق هويت 490 نمونه از 35 گوينده به دقت بازشناسي 5 دست يابد.

در اين مقاله دو الگور يتم جد يد براي جداساز ي كور منابع صوتي از تك مخلوطهاي خطي و آني پيشنهاد ميشود. در اين الگوريتمها نه تنها فقط از يك مخلوط استفاده شده بلكه از ه يچگونه اطلاعات قبلي در مورد منابع اصلي استفاده نميشود. از آنجاييكه الگوريتمهاي تجز يه اجز اي مستقل (ICA) در حالت فرو مع ين كه تعداد مشاهد ات كمتر از تعداد منابع اصل ي است، ق ادر به جداساز ي كور منابع نيستند، الگوريتمهايي پيشنهاد ميشوند كه قادرند از تك مخلوط مشاهده شده تعداد مشاهدات ب يشتر يا برابر با تعداد منابع بدست آورده و الگور يتم تجزيه اجز اي مستقل را قادر به جداساز ي تك مخلوط ه اي آني گردا نند. الگوريتم پيشنهادي نخست مبتن ي بر روش تجز ي ه وجوه تجربي (EMD) است و الگور يتم دوم مبتن ي بر روش تجز ي ه ز يرباندها است. در اين مقاله با استفاده از آزمايشات، توانايي الگوريتمهاي پيشنهادي را در جداساز ي تك مخلوطها ي آ ني نشان داده و عملكرد ا ين دو الگوريتم را با هم مقايسه ميكنيم.

دراين تحقيق ابتدا با يادگيري تقويتي عامل را در يك محيط دو بعدي شبيه سازي فوتبال،آموزش داديم.سپس به منظور كاهش چالش هاي موجود در الگوريتم هاي يادگيري تقويتي و بالا بردن سرعت يادگيري، الگوريتمي پيشنهاد داديم. در اين الگوريتم از تركيب سيستم استنتاج فازي و يادگيري تقويتي استفاده شده است. در آخر با مقايسه نتايج بدست آمده از سه تكنيك تيم UvA يادگيري تقويتي و الگوريتم پيشنهادي مي توان بهبود عملكرد بازيكن شوت زننده را در الگوريتم پيشنهادي نشان داد.

The dynamic nature of mobile nodes in mobile adhoc networks (MANETs), causes their association and disassociation to and from clusters perturb the stability of network and problem becomes worse if nodes are clusterheads (CH). Therefore cluster maintenance schemes are needed to handle new admissions and releases of node in the clusters. In this paper, we introduce a novel cluster maintenance algorithm which selects a new clusterhead from a trusty area that is defined previously based on some maintenance optimization rules. The election process is done before the current clusterhead leaves the cluster. So the routes which include this clusterhead as a middle node are less probable to break and will be more stable. Number of nodes belonging to a cluster is restricted in the proposed algorithm. In order to prevent of overusing of clusterheads' battery power, the CH selection process is invoked whenever the battery power of current CH goes below some threshold.

The traffic congestion problem in urban areas is worsening since traditional traffic signal control systems cannot provide efficient traffic control. Therefore, dynamic traffic signal control in Intelligent Transportation System (ITS) recently has received increasing attention. This study devised an adaptive and cooperative multi-agent fuzzy system for a decentralized traffic signal control. To achieve this goal we have worked on a model, which has three levels of control. Every intersection is controlled by its own traffic situation, its neighboring intersections recommendations and a knowledge base, which provides the traffic pattern of each intersection in any particular day of the week and hour of the day. The proposed architecture comprises a knowledge base, prediction module and a traffic observer that provide data to real traffic data preparation module, then a decision-making layer takes decision to how long should the intersection green light be extended. The proposed architecture can achieve dynamic traffic signal control. We have also developed a NetLogobased traffic simulator to serve as the agents’ world. Our approach is tested with traffic control of a large connected junction and the result obtained is promising; The average delay time can be reduced by 21.76% compared to the conventional fixed sequence traffic signal and 14.77% compared to the vehicle actuated traffic signal control strategy.

One of the important requirements for operational planning of electrical utilities is the prediction of hourly load up to several days, known as Short Term Load Forecasting (STLF). Considering the effect of its accuracy on system security and also economical aspects, there is an on-going attention toward putting new approaches to the task. Recently, Neuro Fuzzy modeling has played a successful role in various applications over nonlinear time series prediction. This paper presents a neuro-fuzzy model for the application of short-term load forecasting. This model is identified through Locally Liner Model Tree (LoLiMoT) learning algorithm. The model is compared to a multilayer perceptron and Kohonen Classification and Intervention Analysis. The models are trained and assessed on load data extracted from EUNITE network competition.

Portfolio optimization under classic mean-variance framework of Markowitz must be revised as variance fails to be a good risk measure. This is especially true when the asset returns are not normal. In this paper, we utilize Value at Risk (VaR) as the risk measure and Historical Simulation (HS) is used to obtain an acceptable estimate of the VaR. Also, a well known multi-objective evolutionary approach is used to address the inherent bi-objective problem; In fact, NSGA-II is incorporated here. This method is tested on a set of past return data of 12 assets on Tehran Stock Exchange (TSE). A comparison of the obtained results, shows that the proposed method offers high quality solutions and a wide range of risk return trade-offs.

A watermarking method in DCT domain is modified to achieve better imperceptibility. Particle Swarm Optimization (PSO) is used to find the best DCT coefficients for embedding the watermark sequence and the Structural Similarity Index is used as the fitness function in order to have a watermarked image with the best possible quality.

A model of episodic memory is derived to propose algorithms of text categorization with semantic space models. Performances of two algorithms are contrasted using textual material of the text-mining context ‘DEFT09’. Results confirm that the episodic memory metaphor provides a convenient framework to propose efficient algorithm for text categorization. One algorithm has already been tested with LSA. The present paper extends these algorithms to another model of Word Vector named Random Indexing.