رشد روزافزون رایانه و اینترنت، بستر جدید و پرکاربردی برای ارائه خدمات شبکه ای فراهم نموده است. این امر میزان ارائه خدمات اداری، اجتماعی، مالی، آموزشی و تفریحی را بر روی شبکه و به ویژه اینترنت به طور چشمگیری افزایش داده است. گسترش استفاده از کاربردهای اینترنت، فرصتی برای سوءاستفاده از شبکه و اطلاعات آن برای مقاصد مجرمانه به وجود می آورد. براین اساس نفوذ در شبکه و دسترسی غیرمجاز به اطلاعات، به یکی از اصلی ترین نگرانی های کاربران شبکه ها و همچنین مدیران شبکه تبدیل شده است. سیستم های  تشخیص نفوذ شامل مجموعه ای از ابزارها و سازوکارها برای نظارت بر سیستم های رایانه ای و ترافیک شبکه می باشد. روش های مختلفی برای تشخیص نفوذ مورداستفاده قرار می گیرد، مانند تکنیک های آماری، روش های مبتنی بردانش و همچنین روش های یادگیری ماشین. در این مقاله، یک روش برای تشخیص نفوذ با استفاده از الگوریتم های یادگیری ماشین بررسی و پیشنهاد شده است. مدل پیشنهادی، یک روش چند کلاسه می باشد که علاوه بر تشخیص نفوذ، نوع حمله را نیز مشخص می نماید. این روش یک مدل ترکیبی بوده که در آن از ترکیب الگوریتم ­های بهینه سازی مرغ دریایی و تبادل حرارتی و الگوریتم جنگل تصادفی استفاده شده است. به منظور تحلیل در این پژوهش، مجموعه داده CICIDS-2017 به کاررفته است. روش پیشنهادی با چندین الگوریتم مختلف مقایسه شده و مقدار دقت در روش پیشنهادی برابر با 98/8 به دست آمده که نسبت به بسیاری از روش های یادگیری ماشین دارای مقدار بالاتری می باشد.

با گسترش شبکه های کامپیوتری و رشد روزافزون کاربردهای مبتنی بر اینترنت اشیاء (IoT)، شبکه های حسگر بی سیم (WSN)، و شبکه های پویا مانند MANET، مساله بهینه سازی مسیریابی به یکی از چالش های بنیادین در علوم رایانه و مهندسی شبکه تبدیل شده است. الگوریتم های سنتی همچون دایکسترا و بلمن-فورد اگرچه در محیط های پایدار کارایی نسبی دارند، اما به دلیل محدودیت در سازگاری با تغییرات دینامیک و چندهدفه بودن مسائل جدید، پاسخگوی نیازهای محیط های مدرن نیستند. در این راستا، هدف اصلی این مقاله، بررسی جامع نقش و کارایی الگوریتم فاخته (Cuckoo optimization algorithm - COA) به عنوان یک الگوریتم فراابتکاری نوین در بهینه سازی مسیریابی شبکه های کامپیوتری است. الگوریتم فاخته با الهام از رفتار تولیدمثل انگلی پرنده فاخته و سازوکار پرش های Lévy، به عنوان رویکردی ساده اما توانمند به ویژه برای حل مسائل غیرخطی، چندهدفه و پویا معرفی شده است. در این مقاله، ضمن تبیین ساختار، مراحل اجرایی و مزایا و معایب الگوریتم فاخته نسبت به روش های دیگر (مانند PSO، GA و ACO)، به مرور مطالعات میدانی و شبیه سازی های انجام شده در حوزه های WSN، MANET، SDN و IoT پرداخته شده است. نتایج پژوهش های گذشته نشان می دهد استفاده از COA سبب کاهش محسوس مصرف انرژی، بهبود نرخ تحویل بسته و افزایش طول عمر شبکه نسبت به الگوریتم های جایگزین شده است. همچنین، کاربردهای عملی COA در محیط های پویا و دارای تغییرات سریع توپولوژی، قابلیت ها و برتری های بیشتری نسبت به رقبای خود آشکار ساخته است. در ادامه، مقاله با تمرکز بر نتایج مقایسه ای میان COA و دیگر الگوریتم های فراابتکاری، نشان می دهد که الگوریتم فاخته به سبب سادگی ساختار، سرعت همگرایی بالا و توان جستجوی جامع تر، برای کاربردهای شبکه ای خصوصاً در سناریوهای داده محور و نوظهور، انتخاب مناسبی است. با این حال، چالش هایی نظیر نیاز به تنظیم بهینه پارامترها، تطبیق محدود با مسائل گسسته و عدم وجود استانداردسازی جامع نیز شناسایی شده است. بر همین اساس، پیشنهادهای پژوهشی آینده، بهره گیری از ترکیب COA با سایر الگوریتم ها، توسعه نسخه های یادگیری محور و به کارگیری آن در محیط های واقعی و بزرگ مقیاس را مورد تاکید قرار می دهد.

در این مقاله با توجه به نقشی که عطار و باخ در بازآفرینی مفاهیم عمیق عرفانی در قالب داستانی سمبلیک، در ادبیات جهان ایفا کرده اند، سعی شده است تا نوع قرائت آن دو درباره جست و جوی کمال انسانی، با بررسی نمادهای به کار رفته در دو اثر رمزگونه شان، بیان، و شباهت ها و تفاوت های آنها در هنگام خوانش وقایع (متن) نشان داده شود. مهم ترین وجه اشتراک عطار و باخ در زمینه گذر از سطوح ظاهری واقعه در رسیدن به حقیقت است، که حاصل نگاه ویژه آن دو در ساحت دینی و فراتر رفتن از ساحت ظاهری عمل است. در این جستار به صورت تطبیقی به واکاوی نمادهای مشترک دو اثر و چرایی به کارگیری و چگونگی ادراک آنها خواهیم پرداخت. تصاویری که از همگونی های موجود یافته می شود، با وجود فاصله بسیار زمانی دو اثر، مفاهیم یکسانی را به مخاطب منتقل می کند که بر وجود نمادهای فطری و ذاتی بشر در چارچوب های فکری عطار و باخ دلالت دارد.

استفاده از توابع کسری، در غیاب اطلاعات افمریز مدار ماهواره و هندسه داخلی سنجنده، یکی از بهترین روش ها برای زمین مرجع سازی تصاویر ماهواره ای و استخراج اطلاعات مکانی از تصاویر ماهواره ای است. تعداد زیاد ترم ها و عدم تفسیرپذیری آنها، باعث شده تا تعدد نقاط کنترل مورد نیاز و ایجاد خطای پارامتر های اضافه، به عنوان مهم ترین ضعف های توابع کسری وابسته به زمین شناخته شوند. استفاده از الگوریتم های بهینه سازی، یکی از راهکار های مناسب رفع این ضعف ها است. به همین دلیل از الگوریتم های بهینه سازی مختلف، برای کشف ترکیب بهینه ترم های توابع کسری وابسته به زمین استفاده شده است. از آنجا که سازوکار هریک از این الگوریتم ها با یکدیگر متفاوت است، میزان کارایی و خصوصیات مختلف این الگوریتم ها در کشف ترکیب بهینه ترم های توابع کسری وابسته به زمین متفاوت است اما تفاوت های موجود به صورت جامع، مورد مقایسه و تحلیل قرار نگرفته است. در این مقاله، به منظور بررسی کامل و جامع توانایی های سه الگوریتم بهینه سازی ژنتیک، ژنتیک بهبودیافته و ازدحام ذرات بهبودیافته در کشف ترکیب بهینه ترم های توابع کسری از دیدگاه های مختلف از جمله دقت، سرعت، تعداد نقاط کنترل مورد نیاز و قابلیت اطمینان به نتایج بدست آمده، از 4 تصویر ماهواره ای متعلق به سنجنده های GeoEye-1، IKONOS-2، SPOT-3-1ª و SPOT-3-1B استفاده شده است. اختلاف دقت کمتر از 4/0 پیکسل در نتایج هر یک از الگوریتم های بهینه سازی، 10 تا 12 برابر بودن سرعت الگوریتم ژنتیک بهبودیافته نسبت به دو الگوریتم دیگر، به ترتیب برتری 25/45 و 27 درصدی درجه آزادی الگوریتم بهینه سازی ازدحام ذرات بهبودیافته نسبت به الگوریتم ژنتیک بهبودیافته و ژنتیک و پراکندگی نسبتا یکسان نتایج هر یک از الگوریتم ها در 10 بار اجرای برنامه، حاکی از آن است که دقت هر سه الگوریتم بهینه سازی نسبتا یکسان، سرعت الگوریتم ژنتیک بهبودیافته بیشتر، تعداد نقاط کنترل مورد نیاز الگوریتم ازدحام ذرات بهبودیافته کمتر از دو الگوریتم دیگر و قابلیت اطمینان به نتایج هر یک از الگوریتم های بهینه سازی به منظور کشف ترکیب بهینه ترم های توابع کسری وابسته به زمین، یکسان است.