رایانش نرم و فن آوری اطلاعات
سال:1401 | دوره:11 | شماره:2 |تعداد مقالات:7

یکی از مسایل مشهور در نظریه گراف، مسأله مسیر یا دور همیلتونی است. این مسأله برای گراف های عمومی و حتی برخی از کلاس های گراف از جمله گراف های توری عمومی NP-کامل است. در این مقاله، مسأله پیدا کردن مسیر همیلتونی بین دو رأس ‏معین s و t در گرافهای توری T-شکل با اندازه زوج، که حالت خاصی از گراف های توری است، بررسی می شود. این مسأله کاربردهای مختلفی از جمله در ربات های جاروکننده و پردازش موازی دارد. در این مقاله، ابتدا شرایط لازم برای اینکه مسیر و دور همیلتونی وجود داشته باشد بیان می شود، سپس یک الگوریتم زمان خطی بر حسب اندازه گراف برای حل مسأله مسیر و دور همیلتونی ارائه می شود.

در این مقاله به مکانیابی منابع فعال همزمان چندگانه سیگنال های EEG با بهره گیری از روشی جدید و مبتنی بر فیلتر ذره پرداخته می شود. در روش پیشنهادی که فیلتر ذره ترتیبی (Sequential Particle Filter (SPF)) نام دارد، مولفه های بردار حالت هر یک از منابع به طور مجزا و با در نظر گرفتن اثر دیگر منابع تخمین زده می شوند. این روش با ایجاد تغییر در نحوه بازنمونه برداری و وزن دهی ذرات، نوعی فیلتر فضایی را برای بازتولید ذرات در الگوریتم فیلتر ذره ایجاد می کند که روش SPF را قادر می سازد که نسبت به الگوریتم های متداول فیلتر ذره، مقاومت بیشتری در مقابل نویز داشته باشد. برای ارزیابی عملکرد روش پیشنهادی، دو دسته شبیه سازی با سیگنال های تک فرکانسی و سیگنال های EEG شبه واقعی طراحی شده و همچنین عملکرد روش پیشنهادی بر سیگنال های EEG واقعی نیز مورد بررسی و مقایسه با دیگر روش ها از جمله الگوریتم سنتی فیلتر ذره و sLORETA، قرار گرفته است. نتایج نشان داده که روش پیشنهادی، در مقادیر نویز بالا، نسبت به الگوریتم سنتی فیلتر ذره و شکل دهنده پرتو LCMV خطای مکانیابی را کاهش داده است. ضمن اینکه نتایج شبیه سازی ها نشان داد که با استفاده از این روش می توان تعداد منابع فعال همزمان بیشتری را نسبت به روش های مورد مقایسه مکانیابی کرد. همچنین این روش به دلیل شکستن ابعاد بردار حالت به چندین زیربردار، متناسب با تعداد منابع، سرعت بالاتری نسبت به روش های سنتی فیلتر ذره دارد.

بسیاری از مسائل بهینه سازی دنیای واقعی، مسائلی پیچیده با ابعاد بالا هستند که با افزایش ابعاد، فضای جواب به صورت نمایی افزایش می یابد. از این رو الگوریتم های دقیق که تمام فضای مسأله را برای یافتن جواب پیمایش می کنند، در زمان قابل قبولی نمی-توانند به جواب دست یابند و از الگوریتم های تقریبی برای حل این مسائل استفاده می شوند. از دسته این الگوریتم ها، می توان به الگوریتم های فراابتکاری اشاره کرد که نشان داده اند کارایی خوبی دارند. الگوریتم بهینه سازی گرگ خاکستری از جمله ی این الگوریتم ها است. اما ساختار الگوریتم، توانایی اکتشاف آن را برای حل مسائل پیچیده با ابعاد بالا محدود می کند و در اواسط اجرای الگوریتم ممکن است به دام بهینه های محلی گرفتار گردد. در این حالت به تدریج تنوع جمعیت کم می گردد و در برخی موارد قادر به فرار از این بهینه های محلی نیست و دچار همگرایی زودرس می گردد. از این رو، در این تحقیق، نسخه بهبود یافته ای از الگوریتم گرگ خاکستری به نام الگوریتم بهینه سازی گرگ خاکستری مبتنی بر شرایط ارائه می گردد، که با جداسازی مرحله اکتشاف از بهره برداری و فراهم آوردن امکان فرار از بهینه های محلی در هر تکرار، همچنین بهبود توازن بین اکتشاف و بهره برداری، راه حل های جدیدی ارائه می دهد که در صورت بهتر بودن جایگزین راه حل های قبلی می شوند. الگوریتم پیشنهادی با چند نسخه از الگوریتم های بهبود یافته گرگ خاکستری، همچنین الگوریتم های بهینه سازی ازدحام ذرات، کفتار خالدار، شاهین هریس، اسب وحشی، عقاب و کرکس آفریقایی که از جمله الگوریتم های فراابتکاری بسیار جدید هستند، برای یافتن نقاط بهینه در توابع بهینه سازی CEC2018 و پارامترهای مسأله مهندسی طراحی مخزن فشار مقایسه شده است. نتایج ارزیابی، حاکی از بهبود قابل توجه نتایج الگوریتم پیشنهادی نسبت به سایر الگوریتم های مورد مقایسه است.

امروزه مطالعه بر روی فضای اجتماعی و شبکه های اجتماعی و تحلیل و بررسی این شبکه ها رشد چشم گیری داشته است. در زندگی واقعی، افراد مستقل از یکدیگر نیستند. افراد در گروه های اجتماعی به هم وابسته شده اند. از جمله پرکاربردترین زمینه ها در مطالعه ی شبکه های اجتماعی، بحث شناسایی لینک می باشد که اخیراً بسیار مورد استقبال پژوهشگران داخلی و خارجی قرار گرفته است. پیش بینی لینک نه تنها می تواند در زمینه شبکه اجتماعی استفاده شود بلکه در زمینه هایی چون بیوانفورماتیک، برای کشف روابط متقابل بین پروتئین ها مورد استفاده قرار میگیرد. هدف اصلی شناسایی لینک، بررسی احتمال ایجاد یا حذف لینک بین اعضا در وضعیت آینده ی شبکه با استفاده از تحلیل وضعیت کنونی آن است. در این پژوهش با بهره گیری از معیارهای محلی شباهت مبتنی بر همسایه و معیار عمومی شباهت مبتنی بر مسیر که هر دو از ساختار گراف استفاده می کنند معیارهای شباهت جدیدی معرفی شده است. نتایج کار بر روی مجموعه داده های مورد بررسی برتری کار را نسبت به معیارهایی که تنها از مسیر و یا ازهمسایه بهره می جویند، نشان میدهد و مشاهده میشود که متد ارائه شده با ترکیب اطلاعات مسیر و همسایه ها میتواند بر اساس معیارهای precision و AUC با دقت بیشتری نسبت به روش های قبل لینک ها را پیش بینی کند.

مشاهدات بیولوژیکی بیان می دارد که فراموشی، جزء جداناپذیر از سیستم یادگیری انسان است. بنابراین فراموشی در الگوریتم های یادگیری لزوماً مخرب نبوده و می تواند سازنده نیز باشد. در پیاده سازی ها، به دلیل محدودیت فضا و تعداد نورون های شبکه، تعداد محدودی الگوی آموزشی قابل آموزش بوده و الگوهای بعدی با این الگوها تداخل مخرب پیدا خواهند کرد؛ درنتیجه، الگوریتم ها، برای یادگیری درازمدت، باید نوعی مکانیزم فراموشی داشته باشند تا فضای یادگیری (ذخیره سازی) برای الگوهای آموزشی جدید ایجاد گردد. بنابراین، برای موفقیت در حوزه یادگیری ماشین، نیازمند نوعی مکانیزم فراموشی مشابه عملکرد مغز انسان هستیم. فراموشی به صورت از دست رفتن اطلاعات از حافظه ها مدل می شود و لزوم وجود این مکانیزم، در آموزش آنلاین محسوس تر است چراکه شبکه باید دائماً وزن های خود را بروز کند. در این مقاله از روش یادگیری فعال که یکی از روش های پرکاربرد می باشد، بهره گرفته شده است. این روش بر مبنای پخش قطرات جوهر به ازای داده های آموزشی به مدل سازی سیستم می پردازد. در این روش، دامنه قطرات جوهر بر روی صفحات بدون تغییر مانده و هیچ گونه فراموشی صورت نمی پذیرد که مغایر با مشاهدات بیولوژیک است. در این مقاله مکانیزیم فراموشی به این الگوریتم اضافه شده و شبیه سازی ها نشان از افزایش قدرت محاسباتی مدل پیشنهادی در برخورد با مجموعه داده های متفاوت دارد.

رایانش مه یک الگوی محاسباتی توزیع شده است که با گسترش سرویس های ابر به لبه شبکه امکان پاسخگویی به کاربردهای حساس به تاخیر و بلادرنگ را فراهم می سازد. یکی از مسائل مطرح در رایانش مه چگونگی تخصیص منابع محدود گره های مه به درخواست-های کاربران به شیوه ای کارا و عادلانه است. وجود منابع محدود، نیازمندی های متفاوت درخواست های کاربران و لزوم تخصیص به موقع منابع در کاربردهای حساس به تاخیر، تخصیص و زمانبندی منابع را به مسأله ای چالش برانگیز تبدیل کرده است. در این مقاله روشی کارا برای جایابی و زمانبندی وظایف مهلت آگاه در رایانش مه پیشنهاد می شود. در روش پیشنهادی، جایابی وظایف با همکاری گره های مه و بر اساس تخمین زمان اتمام کار یک درخواست در گره های مه مختلف انجام می شود. زمانبندی وظایف مهلت آگاه نیز با استفاده از الگوریتم بخت آزمایی و بر مبنای اولویت دهی به وظایف بر اساس مهلت زمانی آن ها انجام می شود. نتایج آزمایشات انجام گرفته نشان می دهد که ترکیب همکاری گره های مه برای جایابی وظایف و الگوریتم بخت آزمایی برای زمانبندی وظایف، باعث کاهش زمان پاسخ و افزایش نرخ پذیرش درخواست های کاربر می شود. بر طبق نتایج حاصل از شبیه سازی های انجام گرفته، نرخ پذیرش و زمان پاسخ روش پیشنهادی در مقایسه با روش پایه که از الگوریتم خدمت به ترتیب ورود برای زمانبندی درخواست ها استفاده می-کند به ترتیب 12. 72 درصد و 37. 97 میلی ثانیه بهبود داشته است. همچنین روش پیشنهادی در مقایسه با روش های موجود که از کنترل کننده مرکزی برای هماهنگی گره های مه بهره می برند، نرخ پذیرش درخواست ها را 2. 57 درصد افزایش و زمان پاسخ را 20. 42 میلی ثانیه کاهش داده است.

سیستم های مجوز بخش مهمی از سیستم های امنیتی محسوب می شوند که وظیفه حفاظت از منابع را به عهده دارند. با افزایش کاربران در سازمان ها، مدیریت زیرساخت های صدور مجوز به طور فزاینده ای زمان بر و مستعد خطا شده و پیکربندی نادرست سیاست ها، اثربخشی این سیستم ها را کاهش داده است. محققان، روش های کنترل دسترسی پویا را به عنوان راه کاری مؤثری برای صدور مجوز در این سیستم ها توصیه می کنند. از آنجا که منابع تصمیم گیری در این روش ها، سیاست های تعریف شده و سوابق کاربران است، برای کاربران تازه وارد محدودیت خاصی در نظر گرفته نمی شود و این روش ها با مشکل شروع سرد روبرو هستند. در این مقاله برای رفع این محدودیت از مفاهیم اعتماد و I-sharing استفاده شده و روش جدیدی برای بهبود چارچوب مجوز خودتطبیق (SAAF) به نام ISAAF ارائه شده است. ISAAF چارچوبی برای کنترل خودتطبیق سیستم های مجوز با استفاده از مدل مرجع خودمختار MAPE-K است که اعتماد کاربران تازه وارد را با استفاده از خصوصیات کاربرانی که با آن ها ویژگی های مشترک دارند تخمین می زند. گروه های I-sharingکه دربرگیرنده کاربران مشابه هستند، با توجه به نقش و ویژگی های هویتی کاربران و با استفاده از خوشه بندی K-means تشکیل می شوند. بهره گیری از مفاهیم اعتماد و I-Sharing و گروه بندی کاربران با استفاده از نقش و ویژگی های هویتی آن ها، برای اولین بار در این مقاله پیشنهاد شده و نتایج تجربی حاکی از آن است که روش پیشنهادی در مقایسه با روش های مشابه نتایج بهتری از حیث صحت یافتن کاربران مخرب و کاهش زمان فعالیت آن ها در سیستم تولید می کند. مزیت دیگر این روش پیاده سازی عناصر حلقه MAPE-K و کاربران با استفاده از عامل ها است که موجب استقلال و انعطاف پذیری بیشتر سیستم می شود. در مقایسه با SAAF، ISAAF به طور میانگین، زمان یافتن کاربران مخرب را 55 درصد کاهش داده و دقت شناسایی کاربران مخرب را نیز بیش از 7 درصد بهبود بخشیده است.