انجمن کامپیوتر ایران

با گسترش اینترنت و افزایش استفاده از خرید آنلاین، تحلیل تعاملات کاربران با فروشگاه‌های آنلاین برای استخراج احساسات و الگوی رفتار آن‌ها مورد توجه پژوهشگران قرار گرفته است. تردید یکی از مواردی است که ممکن است کاربر در تعامل با یک فروشگاه آنلاین به آن دچار شود و در نتیجه از خرید خود صرف‌نظر کند. با شناسایی زودهنگام تردید مشتری می‌توان اقداماتی برای رفع تردید مشتری انجام داد و از رها کردن خرید توسط مشتری پیش‌گیری کرد و معیارهایی نظیر سودآوری فروشگاه و رضایت و وفاداری مشتریان را افزایش داد. در این پژوهش، مساله تشخیص تردید مشتریان فروشگاه آنلاین به صورت ضمنی و بدون مداخله مستقیم آنها درنظر گرفته شده است و برای شناسایی تردید مشتریان، تنها از تعاملات لمسی آنها با وب‌سایت استفاده می‌شود. برای این منظور، تعاملات لمسی مشتریان در وب‌سایت یک فروشگاه آنلاین به مدت شش ماه جمع‌آوری شد. سپس با استفاده از داده کاوی و یادگیری ماشین، مدل‌هایی برای پیش‌بینی تردید مشتریان استخراج شد. درخت تصمیم با صحت 034/85 درصد به‌عنوان مدل مناسب انتخاب شد و در وب‌سایت فروشگاه پیاده‌سازی شد. سپس مدل به صورت آنلاین و در تعامل با مشتریان نیز ارزیابی شد. نتایج نشان‌دهنده دقت بالای روش پیشنهادی برای تشخیص تردید مشتریان است.

الگوریتم پس انتشار خطا رایج‌ترین الگوریتم برای آموزش بانظارت و مستقیم شبکه‌های عصبی ضربه‌ای می‌باشد. هرچند به علت ماهیت گسسته این شبکه‌ها، اعمال این الگوریتم با محدودیت‌ها و چالش‌هایی همراه است. در این مقاله یک الگوریتم یادگیری جدید مبتنی بر کدگذاری زمانی تک ضربه‌ای ارائه شده است که در آن گرادیان‌های بازگشتی را حذف کرده و از یک تقریب خطی برای محاسبه مشتق تابع فعالیت نورون‌های ضربه‌ای استفاده می‌کنیم. به منظور حذف گرادیان‌های بازگشتی، تابع خطای هر لایه به صورت جداگانه محاسبه شده و سپس با اعمال الگوریتم کاهش گرادیان، پارامترهای آن لایه به روز رسانی می‌شوند. همچنین به منظور کاهش حجم محاسبات، مدل نورونی خطی تکه‌ای را پیشنهاد داده‌ایم و از یک روش کدگذاری زمانی استفاده کرده‌ایم به گونه‌ای که هر نورون حداکثر یک بار اجازه آتش دارد. الگوریتم پیشنهادی برای آموزش یک شبکه عصبی ضربه‌ای کانولوشنی استفاده شده است و با بررسی بر روی پایگاه داده MNIST نشان داده شده که این الگوریتم قابلیت پیاده‌سازی در ساختارهای عمیق شبکه‌های عصبی ضربه‌ای را دارد.

مدیریت بهره‌وری در محیط‌های هوشمند یکی از مسائل پر اهمیت و مورد توجه است؛ که با تلفیق با سایر چالش‌های پیش‌رو همانند «بهینه‌سازی مصرف انرژی»، این امر مهم‌تر از قبل می‌گردد. اطلاع از شرایط محیط‌های داخلی و خارجی، درجه اهمیت آنها و همچنین محدودیت‌های زیربخش‌های آن می‌تواند در کنترل و مدیریت آنها کمک شایانی نماید. در این مقاله سعی بر آن شده است پارامترها و شرایط محیطی با توجه به جایگاه و اولویت آنها رده‌بندی شود. سپس با توجه به شرایط پیش‌رو در بکارگیری بسترهای رصد، پردازش و تصمیم‌ساز IOT در محیط‌های متنوع دانشگاه، تلاش به هوشمندسازی آنها نموده است. تمرکز اصلی این پژوهش، در نظر گرفتن پارامترهای درگیر و تأثیرگذار و همچنین درجه اهمیت آنهاست؛ که علاوه بر مدیریت بهره‌وری و مصرف انرژی تجهیزات و حسگرهای آنها، بتوان در مدیریت کارایی و مصرف توانی قسمت‌های مختلف دانشگاه هوشمند بهره جست. برای مطالعه موردی، مصرف الکتریکی یک دانشکده، قبل و بعد از بکارگیری و استقرار این بستر مورد بررسی و مقایسه قرار گرفته و بهینگی و نتایج «بهینه‌سازی مصرف انرژی» حاصل، ارائه شده است.

پیدا کردن کوتاه‌ترین مسیر برای مشاهده یک شیء یک مسأله پر‌کاربرد در هندسه محاسباتی است. از جمله کار‌بردهای آن می‌توان به وضعیتی که دیدن یا دیده شدن توسط شیء هدف اهمیت دارد اشاره کرد. به عنوان مثال هنگامی که بخواهیم با شی‌ء هدف ارتباط برقرار کنیم یا آن را بازرسی کنیم؛ با این شرط که نحوه ارتباط با شیء هدف به صورت خط دید باشد. نقطه مبدأ s را در یک ناحیه چندضلعی P با h-1 مانع در نظر بگیرید. می‌خواهیم با انجام پیش‌پردازش بر روی ورودی، کوتاه‌ترین مسیر از نقطه s به نقطه دلخواهی در P را پیدا کنیم؛ به طوری که پاره‌خط دلخواه l از آن نقطه قابل دیدن باشد. برای حل این مسأله در این مقاله ما دو راه حل ارائه کردیم. در راه حل نخست با صرف زمان پیش‌پردازش O(n4+ɛ) مسأله در زمان O(nh) قابل حل خواهد بود. در راه ‌حل پیشنهادی دوم با افزایش زمان پیش‌پردازش به O(n8) توانستیم مسأله را در زمان O(logn) حل کنیم.

همه‌گیری ناشی از کرونا ویروس جدید (کووید-19) بحرانی سراسری را به وجود آورده که تمام کشورهای جهان را درگیر کرده است. این بیماری به دلیل ناشناخته بودن، قدرت شیوع بسیار بالا و عدم قابلیت رهگیری مبتلایان به خطری جدی برای همگان تبدیل‌شده است که دولت‌ها را مجبور به اعمال انواع سیاست‌ها و پروتکل‌های پیشگیرانه در این حوزه نموده است. اولین قدم مشترک در تمام این سیاست‌ها، تشخیص بیماری است؛ تشخیص دقیق، سریع و کم‌هزینه امری است که بیشترین اهمیت را در مقابله با کووید-19 دارد. در سال‌های گذشته استفاده از هوش مصنوعی به‌عنوان یکی از روش‌های کمک تشخیصی، کمک شایانی در حوزه‌های مختلف علوم پزشکی داشته است. در همین راستا یادگیری عمیق در سال‌های اخیر بیش‌ازپیش مورد توجه پژوهشگران بوده و تاکنون معماری‌های گوناگونی برای آن ارائه شده است. با توجه به این موضوع استفاده از تکنیک‌های یادگیری عمیق در تشخیص دقیق بیماری کووید-19 می‌تواند راهگشا باشد. در این مقاله ضمن مقایسه و ارزیابی برخی معماری‌های یادگیری عمیق نظیر VGG19، InceptionV3، ResNet50 در تشخیص کووید-19 با استفاده از تصاویر سی‌تی‌اسکن ریه، یک مدل پیشنهادی بر اساس ترکیب دو معماری InceptionV3، ResNet50 ارائه شده است. یافته‌ها حاکی از آن است که مدل پیشنهادی نسبت به سایر روش‌ها دقت بالاتری دارد.

شبکه‌های بین خودرویی فناوری‌های نوظهوری هستند که عملکردشان وابسته به در دسترس بودن اطلاعات دقیق و به‌روز وسایل نقلیه است. وسايل نقلیه‌اي که اطلاعات‌ غیرعادي منتشر می‌کنند مي‌توانند در عملکرد شبکه‌ی بین خودرویی اختلال ايجاد کنند. بنابراین تشخیص چنین بدرفتاری‌هایی برای حفظ امنیت شبکه‌ی بین خودرویی در برابر مهاجمان، حیاتی است. در اکثر طرح‌های تشخیص بدرفتاری گذشته توجه کمی به استفاده از ویژگی‌های نظریه‌ی جریان ترافیک شده است. توجه به این نظریه می‌تواند ابزاري قوی برای ارزیابی صحت اطلاعات زمینه‌ی منتشرشده در شبکه‌ی بین خودرویی فراهم کند. برای بهبود چالش‌های طرح‌های تشخیص بدرفتاری گذشته، ما استفاده از نظریه‌ی جریان ترافیک را برای تشخیص بدرفتاری‌های ناشی از ارسال اطلاعات غیرعادی در شبکه‌های بین خودرویی پیشنهاد می‌کنیم. در طرح پیشنهادی، علاوه بر واحد‌های کنار جاده‌ای، واحد‌های محاسباتی روی وسایل نقلیه نيز به‌عنوان منابع قابل‌اطمینان اطلاعات در نظر گرفته مي‌شوند که این موضوع به کاهش هزینه‌های ناشی از پیاده‌سازی سراسری واحدهای کنار جاده کمک می‌کند. نتایج ارزیابی این طرح در انواع شرایط ترافیکی و با تعداد مختلف گره‌های مخرب نشان‌دهنده‌ی کاهش نرخ هشدار‌های کاذب و بهبود دقت تشخیص است.

با توجه‌ به استقبال چشمگیر و حضور فعال کاربران در شبکه‌های اجتماعی، شناسایی رویدادها از شبکه‌های اجتماعی به یکی از مسائل بسیار مهم موجود در هر حوزه‌ای تبدیل شده است. در این مقاله به ارائه یک مدل برای استخراج ویژگی از داده‌های شبکه اجتماعی بر مبنای شبکه عصبی پیچشی و مبتنی بر رویکرد جانمایی کلمات پرداخته شده است. همین‌طور در این پژوهش یک مجموعه‌ داده فارسی در ۱۲ دسته‌بندی متنوع برای حل مسئله شناسایی رویدادها ارائه شده است. شاخص‌های ارزیابی و نتایج به دست آمده از این پژوهش و مقایسه آن‌ها با مدل پایه نشان می‌دهد که مدل پیاده‌سازی شده هم از لحاظ کارایی و هم از لحاظ زمان اجرا، عملکرد بسیار خوبی نسبت به مدل پایه داشته است.

یادگیری خود نظارتی در سال‌های اخیر توجه زیادی را به خود جلب کرده است، زیرا روشی کارآمد برای استخراج بازنمایی‌های غنی از انواع مختلف داده‌های بدون برچسب ارائه می‌کند و در عین حال از هزینه برچسب‌زنی مجموعه‌های داده در مقیاس بزرگ جلوگیری می‌کند. این امر با طراحی یک مسأله‌ی بهانه برای تشکیل شبه‌برچسب‌هایی با توجه به دامنه داده‌ها قابل دستیابی است. تا آنجا که ما می دانیم، علی‌رغم محبوبیت و استفاده گسترده آن‌ها در حوزه‌هایی مانند پردازش زبان طبیعی، تشخیص گفتار، و بینایی ماشین، هیچ مسأله‌ی بهانه‌ای برای داده‌های دست‌نوشته‌ برخط تعریف نشده است. با توجه به کاربردهای در حال رشد داده‌های دست‌نوشته برخط، در این مطالعه، ما Part Of Stroke Masking (POSM) را به‌عنوان یک مسأله‌ی بهانه‌ به منظور پیش‌آموزش مدل‌ها برای استخراج بازنمایی‌های مفیدی از داده‌ی دست‌نوشته برخط افراد پیشنهاد می‌کنیم. برای ارزیابی کیفیت بازنمایی‌های استخراج شده، مسأله‌ی شناسایی نویسنده به صورت مستقل از متن مورد مطالعه قرار گرفته است که در آن بهترین دقت حال حاضر در مقایسه با دیگر مقالات حاصل شده است.

امروزه پياده‌سازي سخت‌افزاري الگوريتم‌هاي هوش مصنوعي يکي از پرکاربردترين مباحث در مقالات و صنعت الکترونيک است. شبکه‌هاي عصبي مصنوعي به عنوان اصلي‌ترين و پرکاربردترين بخش الگوريتم‌هاي هوش مصنوعي جهت پياده‌سازي محاسبات عصب‌گون (Neuromorphic) يا الهام گرفته از فرآيندهاي زيستي (Bio-inspired) شناخته مي‌شوند. در اين شبکه‌ها که از دو قسمت اصلي نرون و سيناپس تشکيل شده‌اند الگوبرداري از ساختار مغز انسان انجام شده که در آن برخلاف سيستم‌هاي رايج کامپيوتري قسمت محاسبات و حافظه در هم تنيده شده و از يکديگر جدا نيستند. در مغز انسان حدود ۱۰۱۰ نرون و ۱۰۱۴ سيناپس وجود دارد و همانطور که مي‌دانيم سيناپس‌ها غالب ساختار مغز را تشکيل مي‌دهند. در اين مقاله، با استفاده از قطعات اسپينترونيک (Spintronic) روشي براي پياده‌سازي ضريب سيناپسي ارائه شده است که در آن ضرايب سيناپسي به صورت کوانتيزه شده پياده‌سازي مي‌گردند. با استفاده از يک ترانزيستور CMOS توانستيم ضرايب را از نظر آماري بهينه کنيم. روش ارائه شده بر مبناي تکنولوژي جديد اسپينترونيک است که نسبت به موارد مشابه ارائه شده در مقالات حدود ۲۲٪ کاهش توان دارد و در عين حال دقت شبکه‌هاي عصبي پياده‌سازي شده در حالت سخت‌افزاري کاهش فقط يک تا دو درصدي نسبت به حالت نرم‌افزاري دارند.

چند پخشي نقش مهمي را در برخي از كاربردهاي شبكه هاي سيار موردي ايفا مي كند نظير كاربردهاي اورژانسي، جستجو ونجات و ارتباطات نظامي. در چنين محيطهايي نودها گروههايي را تشكيل مي دهند تا بتوانند برخي عمليات شامل ارسال داده و صوت به صورت يك به چند و يا چند به چند انجام دهند. حركت نودها توپولوژي شبكه را به طور غير قابل پيش بيني تغيير مي دهد و همراه با محدوديت توان، چند پخشي در شبكه هاي سيار موردي را بسيار چالش برانگير نموده است. در این مقاله در مورد عملکرد دو پروتکل چندپخشی شبکه های سیار موردی MAODV و ODMRP بحث شده است. پروتکل MAODV بر اساس ساختار درخت عمل می کند ( Tree Based ) که در این حالت بین دو گره مختلف فقط یک مسیر منحصر به فرد وجود دارد و پروتکل ODMRP بر اساس ساختار مش عمل می کند ( Mesh Based ) که در این حالت بین دو گره مختلف مسیرهای متفاوتی وجود دارد. پروتکل MAODV یک درخت چندپخشی را براساس اطلاعات سخت افزاری پایه گذاری و نگهداری می کند در حالی که ODMRP شبکه ای را براساس اطلاعات نرم افزاری نگهداری می کند. نتایج بررسی های ما نشان می دهد که، در بیشتر سناریوها پروتکل ODMRP نرخ تحویل بسته بالاتری دارد نسبت به MAODV اما ضعف ان سربار ( Overhead ) بالاتر ان است نسبت به MAODV.

پروتکل ODMRP (On Demand Multicast Routing Protocol) یکی از پروتکلهای مسیریابی چندپخشی در شبکه های ad hoc است که بدلیل ساده بودن، مقاوم بودن در مقابل تحرک گرهها و داشتن نرخ تحویل بسته ی بالا به یکی از پراستفاده¬-ترین پروتکل های مسیر یابی چند پخشی در این شبکه ها تبدیل شده است، اما یکی از مشکلاتی که این پروتکل از آن رنج می¬برد، این است که برای کشف مسیرها بین فرستنده ها و گیرنده ها، بسته های درخواست مسیر توسط تمام منابع در شبکه بصورت سیل آسا پخش می شوند و این عمل (پخش سیل آسای بسته های درخواست مسیر) به منظور بازسازی مسیرها بصورت دوره¬ای تکرارمی شود، در نتیجه پیامهای کنترلی زیادی در شبکه ایجاد و رد و بدل می شوند. سربار کنترلی ایجاد شده، مخصوصا زمانی که تعداد فرستنده ها زیاد باشد به شدت افزایش یافته و باعث مصرف پهنای باند، ایجاد ترافیک و برخورد بسته¬ها شده، در نتیجه نرخ تحویل بسته را پایین آورده و باعث افزایش تاخیر انتها به انتها در دریافت بسته ها می شود. در این مقاله روشی را برای کاهش سربار کنترلی پروتکل ODMRP ارائه داده ایم. در روش پیشنهادی از تصدیق های غیرفعال داده ای(Data Passive Acknowledgement) استفاده کرده ایم و بعضی از گرهها را از پخش بسته های درخواست مسیر منع کرده ایم. بدین وسیله دامنه پخش سیل آسای بسته های درخواست مسیر محدود شده و سربار کنترلی کاهش یافته است. روش پیشنهادی با استفاده از نرم افزار GLOMOSIM در سناریوهای مختلف شبیه سازی شد و نتایج حاصل از شبیه سازی نشان داد که در اثر محدود شدن دامنه پخش سیل آسای بسته های درخواست مسیر، سربار کنترلی کاهش یافته و در نتیجه ی آن برخورد و تراکم بسته ها و تاخیر انتها به انتها هم کاهش یافته و نرخ تحویل بسته بهبود یافته است.

خلاصه سازی خودکار چند سندی، روشی برای ارائه فشرده مطالبی است که در ارتباط با یک موضوع بوده ولی جهت دید آنها متفاوت از یکدیگر می باشند. خلاصه خوب، باید بیانگر زمینه کلی بوده و ضمن بیان دیدگاههای مختلف موجود در متن از خوانایی و پیوستگی بالایی برخوردار باشد. در این مقاله با بهره¬گیری شکل جدیدی از روش استخراج روابط معنایی موجود در متن (LSA یا LSI) و تکنیک برچسب زنی معنایی نقش لغات(SRL)، روشی جدید برای خلاصه¬سازی چند سندی شده است. در ابتدا با استفاده از ماتریس کلمه- سند به جای ماتریس کلمه- جمله و با بهره گیری از LSA، جملات مهم مرتبط با زمینه استخراج می شود. در گام بعدی با استفاده از تکنیک SRL و با استفاده از WordNet شباهت معنایی جملات استخراج شده و در نهایت جملات شبیه به هم حذف می شوند. نتایج آزمایش¬ها برروی داده¬های DUC2007 حاکی از افزایش چشمگیر دقت در قیاس با روش¬های قبلی مبتنی بر LSAو سیستم¬های موجود در DUC2007 می باشد.

تخمين فعاليت¬هاي صوتي عبارت است از فرآيند دسته¬بندي سيگنال گفتار به قسمت¬هاي گفتار و غيرگفتار. با توجه به کاربرد گسترده‌ي چنين الگوريتم‌هايي در شاخه‌هاي مختلف پردازش گفتار، ارائه‌ي روش‌هايي که باعث بهبود اين فرآيند شوند، همواره مد نظر پژوهشگران بوده است. در اين مقاله با استفاده از روش يادگيري ميدان تصادفي شرطي و ويژگي‌هاي انرژي و اندازه‌ي همواري طيف، مدلي برای تشخيص و جداسازي قسمت‌هاي گفتاري و غيرگفتاري سيگنال صوت، ارائه شده است. برای به دست آوردن مقادير بهينه‌ي پارامترهاي روش يادگيري ميدان تصادفي شرطي از مجموعه‌ي دادگان صوتي Aurora استفاده شده و با در نظر گرفتن اين مقادير بهينه و با استفاده از دادگان Timit مدل نهايي ساخته شد و کارآيي آن روي دادگان بدون نويز 78/90% برآورد شده است. مهمترين مزيت استفاده از روش يادگيري ميدان تصادفي شرطي، حجم کم دادگان مورد نياز برای ساخت مدل است. مقايسه‌ي اين روش و روش ماشين بردار پشتيبان روي حجم يکساني از دادگان آموزشي و آزمايشي نشان مي‌دهد که ميدان تصادفي شرطي 22/14% بهتر از روش ماشين بردار پشتيبان عمل کرده و در مقابل نويز نيز پايدارتر است.

یادگیری ماشین با رویکرد با ناظر امروزه پایهی بسیاری از فعالیت‌های مختلف در حوزه پردازش زبان طبیعی است. اگرچه این روش‌ها به موفقیت‌هایی دست یافته‌اند اما در مقابل نیازمند فراهم شدن حجم زیادی از داده آموزشی توسط یک تفسیر کننده مانند انسان است، که گاها هزینه‌های بالایی را در بر خواهد داشت. علاوه بر این در بیشتر روش‌های یادگیری با ناظر ترتیب انتخاب نمونه‌های آموزشی بر اساس تصادف صورت می‌گیرد، در مقابل برای برطرف کردن مشکلات مذکور یادگیری فعال مطرح می‌شود که در آن به شکلی تکرار شونده نمونه‌هایی با بیشترین اثر مطلوب بر فرآیند آموزش انتخاب می‌شوند. نتایج آزمایشات نشان می‌دهد در آموزش یک مدل برچسب‌زنی دنباله فارسی بر اساس پیکره متنی زبان فارسی تنها با استفاده از 9.36% از کل داده‌های آموزشی به دقت برچسب زنی تا 96.28% رسید و این در حالی است که دقت برچسب زنی با بکارگیری کل نمونه‌ها 96.45% می‌باشد.

تشخیص زبان به صورت خودکار، در واقع مسأله تشخیص زبان، برای یک نمونه گفتار صحبت شده توسط سخنگوی نامعلوم است. در دهه گذشته، روش¬های متعددی برای تشخیص خودکار زبان پیشنهاد شده است. این روش¬ها، بر پایه استخراج ویژگی¬های خاص هر زبان، شامل مجموعه آواشناسی، واج آرایی و علم عروضی و بدیعی بودند. در این مقاله روش جدیدی پیشنهاد شده است که مستقل از اطلاعات زبان¬شناسی بوده و از تبدیل موجک برای استخراج خواص صوتی سیگنال گفتار استفاده می¬کند. انتخاب ویژگی¬های لازم جهت دسته¬بندی زبان، از میان ضرایب تبدیل موجک، بر اساس کاهش ابعاد فضای ضرایب، بر مبنای الگوریتم گسسته سازی چند بازه¬ای و سپس اعمال الگوریتم رتبه بندی ویژگی ها انجام می¬شود. روش پیشنهادی علاوه بر آنکه درصد تشخیص را برای نمونه¬های زبانی دو به دو 10 ثانیه¬ای و 45 ثانیه¬ای بهبود داده است، قادر به تشخیص نوع زبان از میان 5 زبان گوناگون نیز می¬باشد.

ایجاد چندضلعی ساده تصادفی و شبه مثلث¬بندی یک چندضلعی از مسائل مطرح در هندسه محاسباتی محسوب می¬شوند. تولید چندضلعی تصادفی در زمینه بررسی صحت و درستی الگوریتم¬ها مورد استفاده قرار می¬گیرد. در این مقاله الگوریتمی جدید برای ایجاد یک چندضلعی ساده حلزونی از مجموعه نقاط تصادفیS در صفحه با استفاده از پوسته¬های محدب لایه¬ای ارائه شده است که به طور همزمان نیز شبه مثلث¬بندی روی آن انجام می¬شود. این الگوریتم ابداعی جدید دارای مرتبه زمانی O(nlogn) است، لذا جزو الگوریتم¬های بهینه به شمار می¬آید.

در این مقاله یک روش تشخیص جنسیت جدید با دقت دسته‌بندی و قابلیت اعتماد بالا ارایه شده است. در این روش از نوعی استخراج مشخصه بر اساس عملگر آنالیز بافت الگوی باینری محلی استفاده شده است. این تکنیک قادر است بدون تحمیل عوارض جانبی از جمله افزایش بیش از حد حالت‌های ممکن و محاسبات زیاد، با توسعه فضای همسایگی اطراف نقاط در هنگام استخراج اطلاعات، باعث بدست آمدن اطلاعات دقیق‌تری در مورد ساختارهای موجود در تصویر شود. این روش به علت سرعت بالای استخراج مشخصه، قابلیت به کارگیری در سیستم‌های بلادرنگ تشخیص جنسیت اشخاص را دارا است. نتایج بدست آمده از پیاده‌سازی روش پیشنهادی نشان‌دهنده دقت بالای این روش و برابر97.43% است

معماري سرويس گرا با امكان سازي ايجاد چابكي و انعطاف پذيري لازم در سازمان ها، تحولي شگرف و نوين را در عرصه مهندسي نرم افزار فراهم آورده است كه دراين ميان ، استاندارد BPEL راه را براي ساخت پيمانه هاي جديد براساس تركيبي از سرويس ها، هموار نموده است. اگرچه تلاش هاي زيادي براي اثبات درستي عمليات پذيري سرويس هاي تركيبي براساس روش هاي رسمي انجام گرديده ، پيش بيني ويژگي هاي غيرعملياتي نظير كارآيي، قابليت اطمينان و دسترس پذيري كمتر مورد كنكاش قرار گرفته است. نوآوري ما ابداع يك رويكرد تحليلي مبتني بر شبكه پتري تصادفي و تئوري صف مي باشد كه كارآيي يك گردش كاري را محاسبه مي نمايد. اين مدل براي انواع فرآيندهاي پايه اي توالي ، شرط ، توازي و حلقه مورد آزمون قرار گرفته كه بدليل حجم زياد محاسبات، براي يك نمونه فرآيند تركيبي محاسبات انجام و ارائه شده است. به منظور تصديق مدل، نمونه فرآيند تركيبي همزمان در نرم افزار Arena مدلسازي و نتايج، مقايسه گرديده كه باتوجه به ميزان انحراف اندك نتايج ، صحت مدل تاييد مي گردد. لذا این رویکرد ، قابلیت بکارگیری جهت محاسبه و تخمین کارآیی ، قابلیت اطمینان ، در دسترس بودن و ديگر ويژگي¬هاي غيرعملياتي را داشته و در صورت اجرا در زمان قبل از اجرا جهت سرویس های BPEL ، زمینه اطمینان دهی اجرای تعهدات را به سرویس گیرندگان از سوی سرویس دهندگان فراهم می آورد.

توپولوژي تصادفي شبكه‌هاي حسگر بي‌سيم، تشخيص مكان حسگرها را به يكي از مهمترين چالشهاي فراروي توسعه كاربرد اين نوع از شبكه‌ها تبدیل نموده است. از میان راه حل‌های ارائه شده اخیر، الگوریتم اکتشافی مبتنی بر تکنیک Simulated Annealing بدلیل نتایج مطلوبی که به همراه داشته بیش از سایر روش‌ها مورد توجه قرار دارد. با وجود دقت بالای این روش در شبکه‌های پرتراکم، ضعف اصلی این الگوریتم افزایش زمان فرایند مکان‌یابی متناسب با افزایش سایز شبکه است و این در حالی است که در شبکه‌های کم‌تراکم نیز دقت الگوریتم افت محسوسی می‌یابد. هدف از این مقاله ارائه راه‌کاری در جهت افزایش کارایی این الگوریتم است. در الگوریتم پیشنهادی به جای تخمین کاملا تصادفی روش SA، ابتدا با بکارگیری روش trilateration تخمین نسبتاً مناسبی از مکان حسگرها بدست می‌آید و به این ترتیب حجم محاسبات در آغاز اجرای الگوریتم به شدت کاهش یافته و زودتر به نتیجه نهایی خواهیم رسید. علاوه بر این با تغییر تابع هزینه در فاز اول، مشکل قرارگیری حسگرهای شبکه در موقعیت وارونه (Flip) تا حدود زیادی برطرف شده‌ و در نتیجه خطای الگوریتم کاهش می‌یابد‌. نتایج ارزیابی‌ها بیانگر افزایش تقریبا دو برابری میانگین سرعت است که این افزایش به خصوص در شبکه های پرتراکم محسوس‌تر خواهد بود. این افزایش سرعت در حالی است که الگوریتم پیشنهادی خطای مکان‌یابی را نیز به حدود نصف کاهش داده است.