Face recognition from digital images is used for surveillance and authentication in cities, organizations, and personal devices. Internet of Things (IoT)-powered face recognition systems use multiple sensors and one or more servers to process data. All sensor data from initial methods was sent to the central server for processing, raising concerns about sensitive data disclosure. The main concern was that all data from all sectors that could contain confidential information was placed in a central server. Federated learning can solve this problem by using several local model training servers for each region and a central aggregation server to form a global model in IoT networks. This article presents a novel approach to optimize data transfer and convergence time in federated learning for a face recognition task using Non-dominated Sorting Genetic Algorithm II (NSGA II). The aim of the study is to balance the trade-off between training time and model accuracy in a federated learning environment. The results demonstrate the effectiveness of the proposed approach in reducing data transfer and convergence time, leading to improved performance in face recognition accuracy. This research provides insights for researchers and practitioners to enhance the efficiency of federated learning in real-world applications.

پالایش خاک های آلوده به فلزات سنگین با روشهای فیزیکی و شیمیایی مرسوم، مستلزم داشتن دانش فنی پیچیده و صرف هزینه های زیاد است. پالایش سبز از روش های نوینی است که در آن، از گیاهان برای زدودن آلودگی ها از خاک، آب، رسوبات و نیوار استفاده می شود. این روش در مقایسه با دیگر روشها، کم هزینه، ساده و دوستدار زیست بوم بوده و انجام آن نسبتا آسان است. مدل سازی پالایش سبز برای شناخت فرآیندهای حاکم بر آن و مدیریت خاک های آلوده اهمیت فراوان دارد. هدف از این پژوهش، مدل سازی پالایش سبز خاک های آلوده به نیکل بود. بدین منظور، با استفاده از توابع کاهش عملکرد نسبی و غلظت نسبی نیکل در گیاه به عنوان تابعی از غلظت این آلاینده در خاک، مدلی برای کمی کردن مقدار پالایش سبز این آلاینده از خاک اشتقاق یافت. سپس به منظور آزمون مدل پیشنهادی، خاک با سطوح مختلفی از نیکل آلوده شد. پس از پر کردن گلدانها با خاک آلوده و ایجاد تعادل شیمیایی بین آلاینده و خاک، بذر شاهی (Lepidum sativum) در آنها کشت شد. گیاهان در سه بازه زمانی برداشت شدند. نیکل نمونه های خاک و گیاه به ترتیب با روش اکسیداسیون تر و اکسیداسیون با اسید نیتریک 4 مولار عصاره گیری و با دستگاه های جذب اتمی و پرتو سنجی نشری پلاسمایی جفت شده القایی اندازه گیری شد. سپس، کارآیی مدل پیشنهادی با استفاده از داده های آزمایشگاهی آزمون شد. نتایج نشان داد عملکرد نسبی به عنوان تابعی از غلظت نیکل کل در خاک، از مدل غیرخطی پیروی می کند. با افزایش غلظت نیکل کل در خاک، مقدار جذب این آلاینده توسط شاهی به طور نمایی افزایش یافت. از این رو، مدل نمایی که برای کمی کردن مقدار جذب آلاینده نیکل توسط شاهی پیشنهاد شده بود سازگاری بالایی (R2>0.93) بر داده های اندازه گیری شده داشت. همچنین نتایج بدست آمده، کارآیی بالایی مدل کلان پیشنهادی حاصل از ترکیب تابع غیرخطی عملکرد نسبی و مدل نمایی مقدار جذب نیکل به وسیله شاهی را در برآورد مقدار پالایش سبز نیکل از خاک (R2>0.93) نشان داد.

کیفیت محصولات و خدمات مهم ترین جنبه رضایت مشتری است. گسترش عملکرد کیفی (QFD) به عنوان ابزار مهمی در ترجمه صدای مشتری و لحاظ کردن آن در اولویت بندی الزامات فنی تولید به شمار می رود. سطح رضایت مشتریان در QFD به میزان برآورده شدن نیازهای آنها بستگی دارد. با توجه به محدودیت های موجود، میزان برآورده شدن این نیازها متفاوت است. مقاله حاضر با هدف حداکثرکردن رضایت مشتریان براساس محدودیت های موجود، از یک مدل برنامه ریزی خطی فازی استفاده کرده است. ابتدا از روش دلفی فازی نیازهای مشتریان اولویت بندی شدند، سپس با توجه به روابط موجود در QFD که هدف آنها در نهایت برآورده کردن نیازهای مشتریان است، مساله به صورت یک مدل برنامه ریزی خطی تبدیل می شود. در این تحقیق پس از توسعه مدل QFD، مدل پیشنهادی در قالب مطالعه موردی در صنعت ساختمان به کار می رود. پس از اجرای مدل، درصد اجرای بهینه هر یک از الزامات فنی تولید مشخص می شود.