محاسبات نرم
سال:1402 | دوره:12 | شماره:2 |تعداد مقالات:10

حجم وسیعی از تحقیقات در زمینه یادگیری برخط به مساله غلبه بر فراموشی فاجعه بار تمرکز کرده اند و تحقیقات اندکی در زمینه طبقه بندی داده های جریانی با صحت و زمان اجرای مناسب تمرکز کرده اند. از سوی دیگر، به دلیل حجم و نوع داده های جریانی بسیاری از الگوریتم های سنتی یادگیری ماشین به خودی خود کارایی لازم هنگام مواجه با آنها را ندارند. بنابراین، در این مقاله برای طبقه بندی داده های جریانی با صحت و زمان یادگیری مناسب یک مدل جدید با استفاده از یادگیری تقویتی و الگوریتم گرادیان کاهشی تصادفی ارائه شده است. یکی از قابلیت های مهم یادگیری تقویتی این است که عامل می تواند رفتار خود را به تدریج با تغییراتی که رخ می دهد سازگار کند و به صورت تدریجی بر دانش قبلی خود بیافزاید. در این پژوهش به دلیل استفاده از یادگیری تقویتی و تعریف پاداش، عامل عملکرد بهتری در محیط دارد. الگوریتم پیشنهادی بر روی داده های مختلف از جمله مجموعه داده جریانی تشخیص فعالیت های انسانی آزمایش شده و از لحاظ صحت و زمان اجرا با چندین الگوریتم افزایشی مقایسه شده است. طبق نتایج آزمایشگاهی الگوریتم پیشنهادی بهترین کارایی را هم از نظر صحت و هم از نظر زمان اجرا در مقایسه با سایر الگوریتم های افزایشی دارد.

فرض کنید G یک گراف و d_G (v) درجه راس v در گراف G باشد. در این صورت مجموع توان k-ام گراف G  به صورت ‎\Sigma_k(G) = \sum_{u \in V(G)}d_G(u)^k تعریف می شود. در این مقاله، یک رابطه بین عدد استرلینگ، تعداد درختان زیرمجموعه ها و مجموع توان k-ام درجات گراف های شیمیایی به دست خواهد آمد. همچنین گراف های تک دور فرینال براساس مجموع توان k-ام درجات گراف ها مشخص می شوند.

امروزه با گسترش فناوری دیجیتال، جایگاه کاربرد رایانه در ایجاد خلاقیت هنری به خصوص طراحی پارچه و لباس دارای اهمیت بسزایی است. لازم به ذکر است که در شیوه های سنتی، امکان تعامل با مصرف کننده تا پایان فرآیند طراحی وجود ندارد و در صورت عدم تایید طرح نهایی توسط وی، کلیه مراحل طراحی می بایست مجدد تکرار شود. سیستم های نرم افزاری طراحی، فقط برای افراد حرفه ای خوب کار می کنند و کار با آن ها برای افراد غیرحرفه ای مشکل می باشد؛ بنابراین لزوم استفاده از سامانه هایی که بتوان با حفظ سرعت طراحی، از تعامل بین کاربر و سیستم نیز استفاده کند، در این حوزه ضروری می باشد. در این تحقیق، سامانه کمک طراحی پارچه بر اساس الگوریتم ژنتیک محاوره ای توسعه داده شده است. به منظور طراحی پارچه از نقش مایه ها و رنگ های موجود در گلیم های قشقایی و همچنین نوع چیدمان نقش مایه ها در گلیم استفاده شد. طرح های تولید شده توسط سامانه برای برآورد میزان برازندگی در معرض دید کاربر قرار می گیرد. بر طبق ارزیابـی کاربر، طرح های ضعیف تر کنار گذاشته شده و طرح های قوی تر با گذر مجدد از سـامانه، ارتقا یافته و درنهایت طرح مطلوب ایجاد می گردد. نتایج نشان داد که استفاده از سامانه ارائه شده در صنعت طراحی پارچه؛ طراحان، خریداران و حتی تولیدکنندگان پارچه را قادر می سازد در روند طراحی پارچه اعمال سلیقه نمایند. آنگونه که از نظر کاربران استنباط می شود، کاهش زمان فرآیند طراحی، کاهش هزینه های مربوط و نیز دستیابی به طرح های متعدد در حداقل زمان ممکن از مزایای این سامانه می باشد.

هوشمندسازی خانه ها یکی از موضوعات کاربردی و پررونق در دنیای امروز است که به افراد امکان تنظیم و کنترل از راه دور تجهیزات الکترونیکی و همچنین امکان برنامه ریزی آنها جهت صرفه جویی در مصرف انرژی را می دهد. در سال های اخیر شرکت‎های مطرح سیستم های مختلف سخت افزاری و نرم افزاری برای تجهیزات خانگی هوشمند و همچنین فناوری های ارتباطی آنها عرضه کرده‎اند. این فناوری ها از جهات مختلفی نظیر شرایط پیاده سازی، هزینه، مقیاس پذیری، تکامل پذیری، امنیت و غیره با یکدیگر متفاوتند و به دلیل تنوع زیاد آنها، انتخاب یک فناوری درخور با توجه به نیازمندی و امکانات موجود دشوار به نظر می رسد. پر‎واضح است که لازمه طراحی و پیاده سازی صحیح و اصولی یک خانه هوشمند، شناخت ویژگی ها و محدودیت های این فناوری ها در شرایط مختلف است. این مقاله مروری به فناوری های متداول ارتباطی در خانه های هوشمند مبتنی بر سیم کشی مجزا، خطوط برق ساختمان و ارتباطات بی سیم می پردازند و ویژگی ها و محدودیت های هر فناوری را بیان می کند، علاوه بر این به پژوهش های مرتبط و چالش های پیش‎رو جهت بهبود این فناوری ها می پردازد. نکات مطرح شده در مقاله به طراحان سیستم های هوشمند خانگی کمک می کند تا فناوری ارتباطی مناسبی را با توجه به شرایط موجود در خانه هوشمند انتخاب و استفاده نمایند.

در این مقاله یک سیستم تشخیص خودکار موارد مبتلا به کوید-19 مبتنی بر اینترنت اشیا پیشنهاد می شود. در مدل پیشنهادی ابتدا با استفاده از فن آوری اینترنت اشیا تصاویر پزشکی مستقیم پس از مراجعه فرد مشکوک از طریق تجهیزات پزشکی مجهز به اینترنت اشیا به مخزن داده ارسال می شود. سپس به منظور کمک به متخصصین رادیولوژی برای تفسیر هرچه بهتر تصاویر پزشکی از چهار مدل شبکه عصبی پیچشی از پیش آموزش دیده به نام های InceptionResNetV2، InceptionV3، VGG19 و ResNet152 و دو مجموعه داده تصاویر پزشکی رایولوژی قفسه سینه و CT Scan در یک طبقه بندی سه کلاسه برای پیش بینی دقیق موارد مبتلا به کوید-19، افراد سالم و موارد مبتلا بیماری استفاده می شود. درنهایت بهترین نتیجه به دست آمده برای تصاویر CT Scan متعلق به معماری InceptionResNetV2 با دقت 99.366% و برای تصاویر رادیولوژی مربوط به معماری InceptionV3 با دقت 96.943% می باشد. نتایج نشان می دهد این سیستم منجر به کاهش مراجعه روزانه به مراکز درمانی و در نتیجه کاهش فشار بر سیستم مراقبت های درمانی می شود. همچنین به متخصصین رایولوژی و کادر درمان کمک می کند تا هرچه سریعتر بیماری شناسایی شود.

در میان مباحث حوزه مهندسی نرم افزار، بهره وری انرژی از عوامل موثر در دو مرحله توسعه و نگهداری نرم افزار، به مخصوص در دستگاه های با انرژی محدود است. انجام بازآرایی نرم افزار، اگرچه بهبود کیفی نرم افزار را به دنبال دارد، اما برخی از پژوهش های اخیر تصریح دارد که اعمال عملگرهای بازآرایی ممکن است به مصرف انرژی بیشتر و یا افزایش زمان اجرای برنامه های کاربردی اندرویدی منجر شود. در این مقاله، تاثیر بازآرایی و حذف هشت نشانه کد بد و پادالگوی اندرویدی/ جاوایی را بر زمان اجرا، مصرف انرژی و معیارهای کیفی کد بررسی می کنیم. برای انجام بررسی ها و دریافت نتایج از پنج برنامه کاربردی اندرویدی متن باز و یک برنامه کاربردی اندرویدی توسعه داده شده، استفاده کردیم. در گام نخست، تغییرهای میزان مصرف انرژی، زمان اجرای برنامه کاربردی و معیارهای کیفی کد را پیش و پس از انجام بازآرایی محاسبه کردیم. نتایج نشان می دهد اعمال بازآرایی در برخی موارد منجر به کاهش مصرف انرژی و زمان اجرا و در برخی دیگر، افزایش مصرف انرژی و زمان اجرای برنامه کاربردی را رقم زده است. در گام دوم برای ارائه پیشنهاد مجموعه ای از عملگرهای بازآرایی از میان عملگرهای بازآرایی تشخیص داده شده و ممکن، راهکاری تازه، با استفاده از راهکار بهینه سازی تکاملی چندهدفه ارائه شده است. بر همین اساس، الگوریتم ژنتیک چندهدفه با مرتب سازی غیرمغلوب (NSGA-II) را با در نظرگرفتن سه هدف بهبود زمان اجرا، مصرف انرژی و میزان تلاش انجام شده برای بازآرایی، به کار بردیم. خروجی این رویکرد توانسته است میزان زمان اجرا و مصرف انرژی را با دقت میانه 76% و 65% بهبود دهد و به طور میانه 42% پادالگوها و نشانه های کد بد تشخیص داده شده در برنامه های کاربردی اندرویدی را برطرف سازد.

محاسبات مه به طور فزاینده ای به عنوان یک بستر برای پردازش برنامه های اینترنت اشیا استفاده می شود. در نتیجه، این معماری خدمات رایانش ابری را به لبه شبکه می آورد، جایی که پردازش ممکن است ارزان تر و سریع تر انجام شود. یکی از چالش های اساسی در زمینه تامین کیفیت خدمات سطح سرویس مانند تاخیر و مصرف انرژی در محیط مه توجه به محدودیت انرژی و ظرفیت کم سرورهای مه می باشد که تصمیم گیری اختصاص وظایف به گره های مه را دشوار می کند. این مقاله ابتدا یک مدل ریاضی برای تخصیص منابع ارائه می دهد که هدف آن به حداقل رساندن تاخیر و انرژی در شرایطی است که معیارهای کیفیت خدمات سطح سرویس در نظر گرفته می شود. سپس به ارائه الگوریتم ترکیبی ژنتیک و گرگ خاکستری جهت حل مدل ریاضی پرداخته می شود. باید توجه داشت که ترکیب این دو الگوریتم باعث ارائه جواب های متنوع و در نهایت بهینه می شود. لازم به ذکر است که اجرای الگوریتم های مذکور دارای هزینه پردازشی و تاخیر محاسباتی می باشد ولی با توجه به بهبود معیارهای کیفیت سطح سرویس می توان از این هزینه چشم پوشی کرد. نتایج حاصل شده حاکی از آن است که ترکیب و استفاده همزمان از نقاط مثبت دو الگوریتم، معیارهای زمان اجرا و زمان اتمام آخرین کار و همچنین مصرف انرژی را به ترتیب به میزان 18.30% و 15.14% و 10.21% به نسبت روش نیمه حریصانه بهبود می دهد.

ترافیک شبکه ها روزبه روز در حال افزایش است؛ به همین دلیل برای مدیریت شبکه ها از فناوری شبکه های نرم افزار محور استفاده می شود؛ زیرا این فناوری یک نمای کلی از شبکه ارائه داده و مدیریت پیشرفته را امکان پذیر می کند. در ضمن برای بهبود عملکرد در شبکه های نرم افزار محور به تعادل بار نیز نیاز است. برای ایجاد تعادل بار در شبکه های نرم افزار محور رویکردهای بسیاری پیشنهاد شده است. این رویکردها می توانند طبقه بندی باشند؛ با این حال طبقه بندی های ارائه شده تاکنون دقیق نیستند. در این مقاله، طبقه بندی دقیقی برای تعادل بار شبکه های نرم افزار محور ارائه شده و در ادامه رویکردهایی که از الگوریتم های بهینه سازی مبتنی بر هوش مصنوعی برای حل مساله تعادل بار استفاده کرده اند، مورد تجزیه و تحلیل قرار گرفته اند. در نهایت روش های پیش بینی تعادل بار در شبکه های نرم افزار محور شرح داده شده و چگونگی کمک آنها به کاهش مصرف انرژی مورد بررسی قرار گرفته است.

در کشور ایران، بازار بورس با شرایط متفاوتی نسبت به بازارهای بورس جهان روبه رو است. یکی از مهمترین چالش های این بازار، عدم شفافیت در اطلاعات بازار و اطلاعات شرکت های معامله کننده است. همچنین، عدم وجود داده های تاریخی مناسب و کامل برای استفاده در الگوریتم های پیش بینی، از دیگر چالش های مهم است. در پیش بینی قیمت سهام، با توجه به تعاملات پویای بورس و تغییر قیمت ها در بازه های زمانی کوتاه، استفاده از هوش مصنوعی به عنوان یک ابزار قدرتمند در پیش بینی قیمت ها و تصمیم گیری های مربوط به خرید و فروش سهام مورد استفاده قرار می گیرد. در این مقاله، روشی مبتنی بر یادگیری ماشین شامل 5 مرحله برچسب گذاری داده ها، استخراج ویژگی، انتخاب ویژگی، طبقه بندی و ارائه سیگنال ارائه شده است. برای این منظور ابتدا استخراج ویژگی های مختلف تکنیکالی از داده های قیمتی صورت گرفته است و با استفاده از روش برچسب گذاری آستانه ای، داده ها برچسب گذاری شده اند. سپس مدل های یادگیری ماشین مختلف بر روی این داده ها آموزش دیده و در خروجی سیگنال خرید و فروش را ارائه می دهند. برای بهبود عملکرد مدل یادگیری ماشین، انتخاب ویژگی با استفاده از الگوریتم جستجوی فاخته انجام شده است. به منظور ارزیابی روش پیشنهادی از داده های چند ساله بورس ایران و از شاخص های مختلف استفاده شده است. نتایج حاصل از ارزیابی نشان دهنده کارایی روش پیشنهادی می باشد.

وضعیت شلوغی جاده ها عامل بسیار مهمی در ترافیک شهری است. برای حل این مشکل پژوهش های زیادی انجام شده است که عمده راهکارهای ارائه شده بر مبنای الگوریتم های فراابتکاری می باشند. در بسیاری از این الگوریتم ها در ابتدای کار مسیریابی به صورت تصادفی و در محدوده ای بزرگ انجام می شود که خود موجب افزایش زمان جستجو می گردد. همچنین در تحلیل های صورت گرفته بر مبنای این الگوریتم ها تنها فاصله فیزیکی بین خودروها در نظر گرفته شده است. با توجه به اینکه عوامل محیطی نظیر ترافیک، در مسیریابی بسیار موثر هستند، باید تاثیر این عوامل را در مسیریابی در نظر گرفت. بدین منظور برای حل مشکلات مطرح شده، در این مقاله یک روش برنامه ریزی مسیر پویا مبتنی بر ترکیب الگوریتم های کلونی مورچگان و ازدحام ذرات با اعمال تابع ابتکاری کسینوس زوایا پیشنهاد شده است. این روش عوامل مختلف وضعیت جاده ها از جمله طول جاده شهری و ترافیک ورودی و خروجی تقاطع ها را در مسیریابی وسایل نقلیه در نظر می گیرد و در مسیریابی برای نقاطی که هم راستای مسیر پیمایش به سمت مقصد نهایی باشد، شانس بیشتری قائل می شود. نتایج حاصل از اعمال مدل پیشنهادی بر روی داده های کتابخانه معتبر TSPLIB که مبتنی بر فاصله فیزیکی بین خودروها است، نشان می دهد که زمان جستجوی روش پیشنهادی نسبت به سایر روش ها (ده ارزیابی انجام شده) بطور متوسط 40.74 درصد کاهش داشته است. بیشترین و کمترین میزان کاهش به ترتیب 98.1 و 6.02 درصد می باشد. همچنین آزمایش برنامه ریزی مسیر پویا تحت ترافیک جاده ها بر روی برخی از تقاطع های شهر پکن نشان می دهد که روش پیشنهادی به صورت میانگین 1.57 درصد تراکم و ازدحام ایجاد می کند.