انجمن کامپیوتر ایران

بسیاری از مسائل دنیای واقعیپویاهستند.برای حل یک مسئله بهینه¬سازی پویا نیاز به الگوریتمی داریم که علی رغم پیدا کردن بهینه در محیط، بتواند بهینه¬های در حال تغییر را دنبال کند.تاکنون الگوريتم‌هاي تکاملي مختلفي براي بهينه‌سازي در محيط‌هاي پويا پيشنهاد شده است. در یک محیط پویا پس از روی دادن تغییر در محیط، الگوریتم نياز به تنوع کافي جهت جستجوي دوباره محیط دارد، درعین حال استفاده از اطلاعات جستجوهای پیشین روند جستجو را سریع¬تر می¬کند. مشکل اصلی الگوريتم‌هاي تکاملي معمول در حل مسائل بهینه‏سازی پویا، همگرايي زودرس و کاهش تنوع جمعيتي در طول زمان است. بنابراین، در مواجه با مسائل بهینه¬سازی پویا نیاز به رویکردهایی است که تنوع را در طول زمان حفظ کنند. در این مقاله یک الگوریتم کلونی مورچه سلولی برای حل مسائل بهینه سازی پیوسته و پویا ارائه می¬شود . ايده¬ی اصلي الگوریتم براي حفظ تنوع ، تقسيم‌بندي فضاي جستجو با استفاده از اتوماتای سلولی است. جهت ارزیابی الگوریتم پیشنهادی، از تابع محک قله¬های متحرک استفاده می‏شود.

آنالیزهای سفالومتری نقش مهمی در تشخیص و طرح درمان‌های ارتودنسی دارند. با توجه به پیچیدگی آناتومی تصاویر سفالومتری، تشخیص نقاط سفالومتری مورد استفاده در آنالیزها توسط متخصص کاری زمانبر و همراه با خطاهای فردی بوده و تحقیقات بسیاری برای تشخیص اتوماتیک نقاط انجام شده است. در این مقاله راهکاری نوین به منظور افزایش سهولت، دقت و سرعت تشخیص این نقاط ارائه شده است. این راهکار نقاط را با تاکید بر تعریف آناتومی و چگونگی کاربرد آن‌ها در آنالیزها به سه دسته تقسیم کرده و برای هر دسته مکانیزمی متناسب و بهینه پیشنهاد داده است. این مکانیزم‌ها عبارتند از: تشخیص بر پایه ردیابی لبه‌ها برای نقاطی که طبق تعریف بر روی لبه‌های تصویر قرار دارند، تطبیق قالب وزن‌دار برای نقاطی که ساختار واضح و منحصر به فردی در اطراف خود دارند و تخمین بر اساس نیازمندی آنالیزهای سفالومتری که ایده‌ای کاملا نوین بوده و به‌جای تشخیص نقاط، مستقیما شاخص‌های مورد استفاده در آنالیزها را تخمین می‌زند. ایده مکانیزم سوم بر این اساس است که اگرچه متخصصین برای تعیین برخی شاخص‌ها نیازمند تعریف و مکان‌یابی نقاط می‌باشند اما در تشخیص اتوماتیک می‌توان مستقیما به تعریف شاخص‌ها پرداخت. راهکار ارائه شده روشی ترکیبی با دیدگاهی جدید و کاربردی بوده و نتایج حاصله در مقایسه با روش‌های پیشین حاکی از موفقیت این روش به ویژه در محیط‌های اجرایی می‌باشد.

در اين مقاله، الگوریتمی را برای بهینه سازی مکان یابی سرویس دهنده های تکرار ، ارائه کرده ایم که با استفاده از الگوریتم ژنتیک طراحی شده است. الگوریتم ما سعی دارد نسبت به الگوریتم های ارائه شده دیگر، زمان اجرا و همچنین کیفیت مکان یابی سرویس دهنده های تکرار را، تا حد امکان بهینه کند. این الگوریتم براساس تاخیر بین گره های داخل شبکه، میانگین فاصله بین گره ها را بدست می آورد و سرویس دهنده های تکرار را در محل هایی که فاصله بین گره ها کم است یا بعبارت دیگر تراکم گره ها بیشتر است قرار می دهد. یکی از الگوریتم های ارائه شده که نسبت به الگوریتم های ارائه شده دیگر زمان اجرای کمتری دارد الگوریتم HotZone است، که این الگوریتم نیز بر اساس تاخیر بین گره ها کار می کند. در این مقاله الگوریتم خود را با الگوریتم HotZone مورد ارزیابی و مقایسه قرار داده ایم و در نهایت بر اساس نتایج بدست آمده می بینیم که زمان اجرای الگوریتم ما نسبت به HotZone کمتر است و همچنین کیفیت مکان یابی آن نیز از HotZone بهتر است.

در این مقاله، یک آشکارساز فاز - فرکانس با توان و جیتر کم برای کاربردهای فرکانس بالا پیشنهاد می¬شود. این آشکارساز فاز – فرکانس از 40 ترانزیستور استفاده می¬کند. وجود خروجی سه حالته در این آشکارساز فاز – فرکانس و حذف حالت یک بودن هم-زمان خروجی¬ها، مشکل عدم تطبیق جریان در پمپ شارژ را رفع می¬کند. هم¬چنین به علت داشتن ناحیه مرده کوچک، باعث کاهش جیتر می¬شود. شبیه سازی¬ها توسط Hspice و درتکنولوژی 65 نانومتر انجام شده است. توان مصرفی این آشکارساز فاز در فرکانس 2 گیگاهرتز، 19 میکرووات است که به نسبت آشکارسازهای مشابه توان کمتری مصرف می¬کند.