انجمن کامپیوتر ایران

اخيراً در سالهاي اخير علاقه رو به رشدي در حوزه هوش دسته جمعي درمسائل بهينه­يابي محيط­هاي پويا به دليل اهميت آن دردنياي واقعي ايجاد شده است. هوش دسته جمعي يک حوزه جديد از تحقيقات است که بروي مطالعه و مدلسازي رفتار اجتماعي حشراتي مثل مورچه­ها و زنبورها تمرکز دارد. کلوني زنبورها داراي اين قابليت مي­باشد که خود را به راحتي با محيط در حال تغيير وفق دهد به همين منظور مي­توان از الگوريتم­هاي زنبور براي بهينه يابي مسائل پويا استفاده کرد. از آنجا که برخي از مسائل دنياي واقعي تکرارپذير مي­باشند نياز به يک حافظه جهت نگهداري راه حل­هاي گذشته به منظورتقويت کارايي الگوريتم­ها براي مسائل بهينه­يابي پويا ضروري به نظر مي­رسد. در اين مقاله الگوريتم خوراک جويي زنبور با يک حافظه صريح ترکيب گرديده و برروي تابع محک قله­هاي در حال نوسان آزمايش شده و نتايج با الگوريتم­هاي تکاملي، الگوريتم­هاي تکاملي مبتني بر حافظه، روش­هاي چندجمعيتي و مهاجرهاي تصادفي مقايسه گرديده است. نتايج نشان مي­دهد وجود حافظه به دليل به کار­گيري راه حل­هاي گذشته در بهبود الگوريتم و کاهش خطا موثر مي­باشد و از روش­هاي ارائه شده قبلي بهتر است.

در طراحي بسياري از سيستم‏‏هاي تشخيص گفتار پيشين، از روش‏هاي يادگيري نظارتي جهت آموزش طبقه‏بندها استفاده شده است؛ که نيازمند مجموعه‏ي عظيمي از داده‏هاي برچسب‏دار مي‏باشد. همانطور که مي‏دانيم در بسياري از مسائل يادگيري کاربردي موجود در دنياي امروز، جمع‏آوري داده‏هاي برچسب‏دار امري بسيار مشکل، زمان‏بر و پرهزينه است. در حالي که حجم زيادي از داده‏هاي بدون برچسب به آساني در دسترس بوده ولي روش‏هاي موثر کمتري جهت استفاده از آنها وجود دارد. پردازش وآناليز گفتار، يکي از مهمترين مسائلي است که مشکل برچسب زدن داده‏هاي آموزشي در آن مطرح است. به طوري که براي برچسب زدن به يک ساعت گفتار، حدوداً به 400 ساعت زمان نياز داريم. به همين دليل ما در اين مقاله الگوريتم بهبود يافته MCo_Training1 را به منظور ساخت يک سيستم يادگيري نيمه‏نظارتي جهت شناسايي حروف مصوت ارائه مي‏دهيم که در آن حجم عظيمي ازداده‏‏هاي بدون برچسب، مورد استفاده قرار مي‏گيرند. نتايج بدست آمده نشان مي‏دهد که کارايي الگوريتم ارائه شده در مقايسه با روش‏هاي يادگيري نظارتي و الگوريتم استاندارد Co_Training بالا بوده و ميزان نرخ خطاي تشخيص به شکل قابل توجهي کاهش پيدا مي‏کند.

الگوريتم بهينه¬سازي بيز که در شاخه الگوريتم¬هاي تکاملي قرار مي¬گيرد، براي تخمين توزيع احتمال حاکم بر راه¬حل¬هاي منتخب، سعي در ساخت يک شبکه بيز دارد که بتواند اين توزيع را به خوبي تخمين بزند. سپس از اين شبکه براي توليد نسل بعد استفاده مي¬نمايد. نتايج به کارگيري اين الگوريتم حاکي از قدرت وي براي شناسايي روابط ميان متغيرهاي موجود در يک مساله بهينه-سازي مي¬باشد. در اين مقاله، روشي براي بهبود الگوريتم بهينه¬سازي بيز در محيط¬هاي پيوسته مطرح مي¬گردد که در آن راه¬حل-هاي انتخابي ابتدا با استفاده از يک الگوريتم خوشه¬بندي کارا، به چند خوشه تقسيم شده و سپس براي هر خوشه يک شبکه بيز توليد مي¬شود و نسل بعد با بهره¬گيري از شبکه¬هاي ساخته شده متولد مي¬شود؛ تعداد افراد توليد شده از هر شبکه بيز وابسته به تعداد راه¬حل¬هايي مي¬باشد که در خوشه مربوط به آن شبکه قرار گرفته است. نتايج آزمايشات نشان¬ دهنده¬ی برتري الگوريتم پيشنهادی بر الگوريتم استاندارد بهينه¬سازي بيز مي¬باشد.

در اين مقاله، يک الگوريتم تقريبي براي ساده‌سازي سرزمين مطرح شده است. هدف مسئله ساده‌سازي اين است که، تعدادي از نقاط يک سرزمين حذف شود به نحوي که خطاي سرزمين پس از ساده‌سازي، بيشتر از ميزان تعيين‌شده، نباشد. خطاي ساده‌سازي به دو صورت تعريف مي‌شود، يکي اينکه پس از ساده‌سازي،m نقطه با حداقل خطا در سرزمين وجود داشته باشد يا اينکه، حداکثر خطا پس از ساده‌سازي به ازاي کمترين تعداد نقاط، ϵ باشد. اين مسئله در حوزه‌ي مسائل ان‌پي - سخت قرار دارد. در اين راستا، ما يک الگوريتم تقريبي براي ساده‌سازي سرزمين بيان کرده‌ايم که، يک سرزمين با n نقطه در فضاي سه بعدي و حداکثر خطاي ϵ>0 را دريافت مي‌کند و در خروجي يک سرزمين ساده‌شده با سايز O(k log⁡k ) در زمان O(n^7 ) حاصل مي‌شود، که k سايز بهينه‌ي سرزمين ساده‌شده به ازاي تقريب - ϵ مي‌باشد.

در سال¬هاي اخير حفظ حريم خصوصی در داده¬کاوي و انتشار داده¬ها به¬عنوان يک مبحث مهم تحقيقاتي مورد توجه محققين قرار گرفته است. مسأله مهم در اين مبحث، چگونگي برقراري تعادل بين حفظ حريم خصوصی و کيفيت داده¬ها مي¬باشد. اين مقاله به بررسي حفظ حريم خصوصی در يکي از روش¬هاي داده¬کاوي به نام کاوش سودمنديمي¬پردازد. الگوريتم¬هاي قبلي ارائه شده در اين زمينه اگرچه به خوبي توانسته¬اند حريم خصوصی را حفظ کنند، اما از لحاظ کيفيت داده¬هاي توليد شده از کارايي مناسبي برخوردار نيستند. الگوريتم¬هاي اکتشافي ارائه شده در اين مقاله علاوه بر اين¬که به خوبي حريم خصوصی را حفظ مي¬کنند، داده-هاي با کيفيت بهتري را نسبت به الگوريتم¬هاي پيشين توليد مي¬کنند. نتايج آزمايشات ارائه شده در اين مقاله نشان مي¬دهد که الگوريتم¬هاي ارائه شده از لحاظ کارايي نسبت به الگوريتم¬هاي پيشين از برتري چشم¬گيري برخوردار هستند.

مهندسي هوش يکي از کمبودهاي موجود براي توسعه عاملهاي هوشمند با استفاده از روشهاي مهندسي است. منظور از مهندسي هوش، پيروي از روشي سيستماتيک براي توليد هوش عاملهاست. يکي از مسايل موجود در اين زمينه، وجود تعاريف مختلف (بر اساس ديدگاههاي متفاوت) براي هوش است. درنتيجه، مجموعه مشخصي از ويژگيهاي هوش محاسباتي ارائه نشدهاندکه بتوانند مبناي تعيين نيازمنديهاي نرم‌افزار هوشمند قرار گيرند. در اين مقاله, يک ديدگاه مهندسي نرم افزاري از قابليت هوشمندي عاملهاي نرم افزاري ارائه شده است. بدين منظور با بررسي و تحليل بيش از 70 تعريف مختلف براي هوش (تعاريف عام، تعاريف در روانشناسي و هوش مصنوعي) 33 ويژگي مشترک آنها استخراج و با حذف ويژگيهاي غيرمحاسباتي، مجموعه اي از ويژگيهاي هوش محاسباتي ارائه شده است. بدين منظور،در اين مقاله براي مهندسي نمودن فرآيند تعيين ويژگيهاي هوش محاسباتي، روشي کمي براي رتبه بندي آنها ارائه شده است. بدين ترتيب که با درنظر گرفتن تکرار ويژگيهاي مشترک در تعاريف مختلف و وزن دهي بر اساس اهميت هر دسته در هوش محاسباتي، مجموعه ويژگيها رتبه‌بندي شده اند. در اين مجموعه، ويژگيهاي يادگيري، قابليت انطباق با محيط يا شرايط جديد، هدف گرايي، قابليت حل مساله، اکتساب و ذخيره سازي دانش و استدلال، به ترتيب داراي بالاترين رتبه هستند.

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.

هدف اصلی این مقاله ارائه سیستمی خودکار برای شناسایی، ردیابی و تعیین مسیر هر بازیکن و نیز تعیین تیم آندر تصاویر ویدیویی مسابقات فوتبال می‌باشد. تجزیه و تحلیل سیستم ابتدا شامل جداسازی چمن از دیگر اشیاء میدان بازی مبتنی بر هیستوگرام اصلاح شده و شناسایی بازیکنان با اعمال فیلتر میانه و عملگر مورفولوژی باز کردن است. پس از جداسازی ناحیه چمن، مشخص نمودن تیم بازیکنان بر اساس هیستوگرام باز تصویر شده انجام شده است. ردیابی بازیکنان نیز با استفاده از روش کلیشه همبستگی تطبیقی انجام شده است. در نهایت موقعیت و مسیر هر بازیکن با روش تبدیل هندسی آفین بر روی نشانه‌های خطی استخراج شده از میدان بازی محاسبه شده است. نتایج آزمایش‌ها نشان می‌دهند سیستم ارائه شده روشی مناسب را برای تجزیه و تحلیل تصاویر ویدیویی مسابقات فوتبال ارائه می‌دهد.