انجمن کامپیوتر ایران

آتاماتاي يادگير ابزاری قوی است که در يك محيط تصادفی ناشناخته عمل كرده و به مرور زمان كارايي خود را از طريق يك فرايند يادگيري بهبود مي­دهد. آتاماتاهاي يادگير در حل مسائل بهينه سازي بسيار خوب عمل مي­كنند و يكي از ويژگي­هاي بارز آنها قابليت يادگيري مي­باشد. مساله بهینه سازی را می­توان یافتن نقطه تعادل یک بازی دانست که در آن هر بازیکن یک مقدار از بعد متناظر خود در فضای جستجو را انتخاب می­کند. در اين مقاله يك الگوريتم تركيبي تکاملی كه از تركيب آتاماتاي يادگير و مفاهیم نظریه بازیها حاصل مي­شود براي حل مسائل بهينه سازي پيشنهاد مي­گردد. آزمایش­های انجام شده کارایی این روش را به خوبی نشان می‌دهد.

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.

زنجيره¬هاي مارکوف زمان پيوسته¬ (CTMCs) براي تحليل کارايي سيستم¬هاي کامپيوتري و ارتباطي مورد استفاده قرار مي‌گيرند. با محاسبه احتمالات حالت پايدار CTMC، بسياري از معیارهای مفيد کارايي به دست می¬آیند. اما مدل¬هاي CTMC براي سيستم¬هاي واقعي بسيار بزرگ بوده و حل آنها زمان¬گیر بوده و از مشکل انفجار فضاي حالت رنج مي¬برند. در اين مقاله يک راه¬حل موازي براي حل حالت پايدار مدل¬های CTMC ارائه مي¬دهيم. در این راه حل مشکل انفجار فضاي حالت را با استفاده از موازي¬سازي روش¬هاي ضمني تخفيف داده‌ايم. زيرا اين روش¬ها قادرند يک نمايش فشرده از CTMC ساختاريافته بزرگ ارائه دهند. آنگاه با استفاده از ترکيب روش¬هاي مستقيم وتکراري حل دستگاه معادلات خطي، يک فن حل حالت پايدار موازي براي CTMC ارائه نموده‌ايم. جزئیات راه حل پیشنهادی و الگوریتم¬های مربوطه در این مقاله ارائه شده است.

يکي از مشکلات بررسي مدل¬ها، توليد فضاي حالت است. به دليل بزرگ بودن فضاي حالت معمولاً مشکل انفجار حالت پيش مي‌آيد. يکي از راهکارهاي حل اين مشکل، استفاده از نمودار تصميم دودويي است. در اين روش، فضاي حالت مدل به جاي نگهداري مجموعه¬اي، به صورت نمادين نگهداري مي‌شود. نگهداري فضاي حالت به صورت نمادين، ذخيره و پردازش فضاي حالت را به ذخيره و پردازش گراف¬ها کاهش مي‌دهد که از هزينه نگهداري و پردازش مجموعه¬ها به مراتب کمتر است. در اين مقاله الگوريتمي براي توليد فضاي حالت نمادين از توصيف سيستم‏هاي تصادفي گسسته رخداد بدست آمده از يک مدل ارائه شده است. استفاده از توصيف سيستم‏هاي تصادفي گسسته رخداد که يک توصيف صوري چندگانه است، اين امکان را مي‌دهد که روش¬هاي صوري سيستم¬هاي تصادفي گسسته رخداد ديگر مثل شبکه¬هاي پتري تصادفي يا شبکه¬هاي فعاليت تصادفي و غيره را به روش صوري SDES تبديل و فضاي حالت نمادين براي آنها توليد کرد. با استفاده از توليد نمادين فضاي حالت با کمک نمودار تصميم¬گيري دودويي مرتب کاهش¬يافته، فضاي حالت بسيار بزرگتري را مي¬توان توليد کرد. در نتيجه با استفاده از اين روش، مي‌توان مشکل انفجار حالت را تخفيف داد.

در سيستم¬هاي محاسباتي مشبک علاوه بر موارد مهمي چون به اشتراک¬گذاري و يکپارچه¬سازي منابع بحث کشف منبع نيز از اهميت خاصي برخوردار است. یکی از روشهاي جديدي که در اين زمينه وجود دارد. روش غيرمتمرکز کشف منبع مبتني بر عامل است که از جستجوي معنايي پشتيباني مي¬کند. در روش کشف منبع به صورت معنايي هرعامل منبع با عامل¬هاي منابع همسايه¬اش براساس دانش محلي تعامل مي¬کند و به صورت پويا زنجيره¬اي از منابع براي کامل¬کردن يک وظیفه خاص تشکيل مي¬شود. زمانبندي وظايف در محيط مشبک از جمله مباحث چالش¬برانگيز در اين محيط است. معمولا زمانبندي در مشبک براي کاهش زمان اتمام وظیفه و يا براي کاهش هزينه اجرا به کار برده می¬شود و نسبت اهميت کاهش زمان اتمام به هزينه اجرايي وظیفه توسط کاربر مشخص مي¬گردد. يک الگوريتم زمانبندي هزينه بايد با توجه به قيمت و توانمندي منابع مشبک، عمل تخصيص منابع به وظیفه¬هاي ناهمگون را طوري انجام ¬دهد که اجراي وظیفه¬ها با مقدار مساوي يا کمتر از بودجه تعيين شده، پايان يابد. در اين نوشتار يک روش جديد کشف زنجیره¬ای از منابع به صورت معنايي مطرح مي¬شود که هزينه منبع یکی از پارامترهای اصلی انتخاب منبع بوده و يک روش نامتمرکز و مبتني¬بر¬عامل است و در پايان نيز نتايج حاصل از شبيه¬سازي ارائه مي¬گردد.

شناسايي حالتهاي چهره و به دنبال آن تشخيص عواطف کاربر نقش مهمي در اثربخشي و افزايش کارايي استفاده از فنّاوريهاي نوين رايانه‌اي دارد و امروزه بخش مهمي از حوزة علم تعامل انسان- رايانه را شکل داده است. درک عواطف به روشهاي مختلفي صورت مي‌گيرد که شناسايي حالتهاي چهره از دقيق‌ترين روشهاي آن است. هدف از اين مقاله ارائه روشي نوين براي شناسايي حالتهاي چهره با استفاده از دوربين وبي متصل به يک رايانه است. براي تشخيص حالتهاي مختلف ابتدا خصيصه‌هاي کليدي استخراج و سپس از رويکرد دسته‌بندي براساس حداقل فاصله براي شناسايي حالتها استفاده شده است. مجموعه‌هاي فازي شهودي با در نظر گرفتن دو درجة «عضويت» و «عدم عضويت» روش مناسبي را براي مواجهه با فضاي عدم قطعيت حاکم بر مسئله پيشنهاد مي‌کند. رويکرد دسته‌بندي استفاده شده در اين مسئله مبتني بر حداقل فاصله بين دو مجموعة فازي شهودي است. نتايج اين پژوهش عملکرد بهتر مجموعه‌هاي فازي شهودي را نسبت به مجموعه‌هاي فازي معمولي در تشخيص حالتهاي چهره نشان مي‌دهد.

مسأله تست مدارهای دیجیتال و آزمایش صحت کارکرد آنها خصوصا در مدارهای مجتمع با اندازه بسیار وسیع (VLSI) از اهمیت بسیاری برخوردار است. در این مقاله طول تست مربوط به نمونه‌های ضد تصادفی برای N بار تشخیص اشکالات موجود در مدارهای VLSI تحلیل گردیده و با کمک تکنولوژی خود آزمایشی داخلی(BIST) مورد ارزیابی و اندازه‌گیری قرار‌گرفته است. سپس این شیوه تست روی مدار سنجش ISCAS85 C432 شبیه‌سازی شده و نتایج آن با محاسبات انجام گرفته مقایسه شده است.

تبدیل حوضچه یک ابزار شناخته شده برای ناحیه‌بندی تصویر است. این تبدیل در ناحیه بندی تصاویری که شامل بافت نباشند کارایی نسبتاً خوبی دارد. اما در ناحیه‌بندی تصاویر منظره که اغلب شامل مقداری بافت نیز هستند کارایی خوبی ندارد و منجر به تولید نواحی اضافی می‌شود. در این مقاله روشی برای ناحیه بندی تصاویر منظره با استفاده از تبدیل حوضچه پیشنهاد شده است. در این روش تبدیل حوضچه روی تصویری اعمال می شود که از روی تصویر اصلی بدست آمده و درآن مرز اشیاء نسبت به تصویر اصلی برجسته شده‌اند. به منظور برحسته‌سازی مرز اشیاء، مقادیر گرادیان شدت روشنایی تصویر در سه مقیاس مختلف بدست آمده و بعد از اعمال آستانه جمع وزن‌دار آنها محاسبه شده است. برای محاسبه‌ی مقادیر گرادیان شدت روشنایی یک مدل فرضی از کورتکس اولیه‌ی بینایی ارائه شده است. نتایج پیاده‌سازی نشان دهنده‌ی کارایی موثر روش پیشنهادی در ناحیه‌بندی تصاویر منظره است.