لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

الگوریتم (Artificial Immune Recognition System) AIRS با استفاده از مجموعه داده های آموزشی و با الهام گرفتن از سیستم ایمنی بدن سعی در ساختن الگوهای نماینده (یا سلول های حافظه) دارد. در فاز عمومیت، به کمک الگوریتم K نزدیکترین همسایه (KNN) و با استفاده از الگوهای نماینده ساخته شده، طبقه بندی داده های ورودی جدید انجام می پذیرد. تحقیقات اخیر نشان داده است که کارایی این روش طبقه بندی تا حد زیادی به معیار فاصله مورد استفاده وابسته است؛ در این مقاله، نسخه ای از الگوریتمAIRS به نام(AD-AIRS) Adaptive Distance AIRS  ارائه می شود که از یک نوع معیار فاصله وفقی استفاده می کند. الگوریتم  AD-AIRSدر مقایسه با الگوریتمAIRS نه تنها از دقت بهتری برخوردار است بلکه تعداد الگوهای نماینده ساخته شده توسط آن کمتر از الگوریتم AIRS می باشد این مساله از این لحاظ حائز اهمیت است که باعث افزایش سرعت در فاز طبقه بندی می شود.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

شبیه سازی نقش بسزایی در مطالعه و تحقیقات شبکه های Ad hoc دارد. برای ایجاد یک محیط واقعی نیاز به یک مدل تحرک واقع گرایانه، عمومی و جامع بجای یک مدل تصادفی می باشد. مدلهای تحرک واقع گرایانه که تاکنون ارائه شده اند همگی روی مدلسازی محیط شبیه سازی شامل موانع و مسیرهای حرکت کار کرده اند و توجهی به الگوی حرکت نودها در معابر و مسیرهای حرکت نداشته اند (.Obstacle Model , Pathway Model, etc) با توجه به اینکه یک نود متحرک در شبکه های ad hoc معمولا یک انسان می باشد یا توسط یک انسان هدایت می شود، یک مدل تحرک واقع گرایانه باید بتواند تحرک واقعی وی را در یک محیط واقعی شامل موانع و مسیرهای حرکت شبیه سازی کند. در این مقاله یک مدل تحرک جدید ارائه داده ایم که حرکت یک نود هوشمند را در یک محیط واقعی شبیه سازی میکند. ما مدل جدید را با یک محیط شبیه سازی نمونه شبیه سازی کردیم و نتایج را با مدل تحر مانع مقایسه کردیم. نتایج نشان داد که نوع انتخاب مسیر نودها میتواند در کارایی شبکه های ad hoc نقش داشته باشد.

در این مقاله ما یک راه حل برای مشکل وجود گره های خودخواه در شبکه ad hoc ارائه داده ایم. یک مدل جدید بر پایه تئوری بازی ارائه شده تا بتوانیم رفتار تعاونی گره ها را بررسی کنیم. در این بازی، بازیکنان به صورت تصادفی انتخاب شده و بر اساس تصمیمی که می گیرند، منفعت دریافت می کنند. در مدل ارائه شده، از یک مکانیزم ارزیابی اعتماد استفاده شده است. هر گره برای اینکه در مورد ارسال یا عدم ارسال یک بسته تصمیم بگیرد از سطح اعتمادش در گره مبدا بسته و همین طور از اطلاعاتی در مورد حریف خود، استفاده می کند. ما در این کار از الگوریتم های ژنتیک برای تکامل دادن استراتژی گره های شرکت کننده در شبکه با هدف افزایش کارایی شبکه، استفاده کرده ایم، نتایج آزمایشات نشان می دهد که راه کار پیشنهادی در مجبور کردن گره های خودخواه به سوی رفتار تعاونی موثر بوده است.

نیاز به رعایت عدالت به مفهوم داشتن شانس مساوی کاربران برای ارایه پیشنهادات در حراج سیار، ضروری می باشد. به علت اینکه در شبکه های سیارad hoc ، ندهایی که در فاصله دورتری از فروشنده قرار دارند، فرصت کمتری برای ارایه پیشنهادات دارند و دیرتر در جریان وضعیت سیستم قرار می گیرند، مشکل عدم رعایت عدالت پیش می آید. در این مدل، با درنظر گرفتن حداکثر موازی سازی و دسته بندی ندها بر اساس موقعیت جغرافیایی و واگذاری مدیریت حراج هر ناحیه به برگزار کننده حراج محلی و درنظر گرفتن تاخیر هر مسیر، این نیاز برآورده می شود. کاربر سیار نیز، انتظار دارد بدون توجه به تعداد کاربران موجود در سیستم، پاسخ سریعی با کیفیت مشابه با شبکه های ثابت دریافت کند. پاسخ دهی سریع و مقیاس پذیری، از نیازهای ضروری در حراج سیار خواهد بود. تقسیم ندها به گروه ها باعث شده که سربار زمانی الگوریتم های مسیریابی کاهش یابد و سیستم قادر باشد تعداد زیادی مشتری را در کوتاهترین زمان سرویس دهد.

امروزه شبکه های سنسور بی سیم از نوع Ad Hoc به علت قابلیتهای زیادی که دارند، به سرعت در حال توسعه هستند. تعیین موقعیت سنسورها در این شبکه ها، یک موضوع مهم است. بیشتر الگوریتم های تعیین محل موجود از روش سه ضلعی یا چندضلعی، بر اساس محدوده اندازه گیری به دست آمده از تکنیک نشانگر قدرت سیگنال دریافتی (RSSI) و زمان ورودی (TOA) و اختلاف زمان ورودی (TDOA) استفاده می کنند. در این مقاله، با استفاده از شبکه های عصبی احتمالاتی (PNN) و استفاده از RSSI محل گره ها مشخص می شود. شبکه عصبی به گونه ای طراحی می شود که خروجی آن، احتمال تشابه موقعیت گره را نشان می دهد. نتایج نشان می دهد با استفاده از خروجی شبکه عصبی، برآورد خوبی از موقعیت گره ها بدست می آید.