محاسبه وزن مواد بار کوره های ذوب، اغلب از راه موازنه جرم ساده عناصر آلیاژی در مواد ورودی و مذاب خروجی انجام می شود. اما در فرایندهای ذوب، پیچیدگی ها و پدیده های گوناگونی هست که اغلب در محاسبات موازنه جرم نادیده گرفته می شود و سبب عدم اطمینان در محاسبه بار کوره می گردد. خطای محاسبه، باعث اصلاح چندباره ذوب، تأخیر در تخلیه، افزایش هزینه و کاهش کیفیت مذاب می شود. در پژوهش حاضر تلاش بر این بوده که پیچیدگی ها و جنبه های مهم مساله ذوب، که اغلب نادیده گرفته شده، در کوره شناسایی و در یک مدل ریاضی مناسب درنظر گرفته شود. هدف پژوهش حاضر توسعه مدلی است، که نه تنها وزن مواد اولیه برای ترکیب شیمیایی ذوب هدف را بهینه سازی کند، بلکه هدررفت ناهمگن عناصر آلیاژی، ناخالصی های غیرفلزی مواد بار، و اصلاح ذوب اولیه در کوره را نیز درنظر بگیرد. این مقاله، یک مدل بهینه سازی استاندارد و یک الگوریتم حلقه ی تکرار برای موازنه جرم غیرخطی مساله ذوب ارایه می کند. یک مساله ذوب آلیاژ برنج با 7 عنصر آلیاژی و 8 نوع مواد بار در مقیاس صنعتی طرح و بررسی گردید، تا کارکرد مدل را مورد آزمایش قرار دهد. نتایج عددی مدل کسر وزنی مواد اولیه، و وزن و ترکیب شیمیایی ذوب اصلاح شده را با کمترین هزینه مواد نشان می دهد. تحلیل بهینه بودن جواب، تایید کرد که کمترین مقدار هزینه به دست آمده است. مدل استاندارد غیرخطی، ابزاری قابل اعتماد و سریع برای بهینه سازی هزینه و محاسبه بار کوره است که پتانسیل های قابل توجهی برای کاهش هزینه و تسهیل اتوماسیون صنعتی فرایند ذوب ایجاد می کند.

رشد سریع فناوری اینترنت اشیا منجر به ظهور انواع مختلفی از برنامه‌های کاربردی اینترنت اشیای حساس به تأخیر شده است. این برنامه‌ها به منابع محاسباتی قابل توجهی برای پردازش در زمان واقعی نیاز دارند که منجر به مصرف زیاد انرژی در دستگاه‌های اینترنت اشیا می‌شود. برای پرداختن به این مسئله، بارگیری وظایف با استفاده از محاسبات مه به‌عنوان یک راه‌حل جدید ظاهر شده است. بارگیری وظیفه با استفاده از محاسبات مه، باعث کاهش تأخیر و انعطاف‌پذیری دستگاه‌های اینترنت اشیا می‌گردد. در این پژوهش یک مدل ریاضی با هدف کاهش میزان تأخیر انتهابه‌انتها و مصرف انرژی برای بارگیری وظایف در شبکه اینترنت اشیا و مه که مبتنی بر زیرساخت شبکه‌های نرم‌افزارمحور می‌باشد، معرفی شده است. سپس نتایج حاصل از شبیه‌سازی مدل پیشنهادی بر اساس معیارهای تأخیر و انرژی مصرفی با دو الگوریتم فراابتکاری ژنتیک و سوسک‌های بال آتشین و همچنین مقاله پایه مقایسه شده است. پس از پیاده‌سازی سناریو و تجزیه و تحلیل، نتایج حاصل از شبیه‌سازی حاکی از آن است که مدل پیشنهادی با استفاده از الگوریتم‌های فراابتکاری توانسته است که به طور میانگین و تقریبی، تأخیر و انرژی مصرفی را به ترتیب 18 و 19 درصد کاهش دهد.

در این کار از مزایای استفاده همزمان از رویکرد بیوریفاینری و بهینه سازی برای دست یابی به کارایی فرآیند کل مطلوب استفاده شد. ابتدا از فرآیند تغییر pH قلیایی کمک شده با التراسونیک و بهینه سازی آن به منظور کمک به بیشینه کردن درصد بازدهی استخراج و شاخص سفیدی پروتئین های عضله فانوس ماهی گونه B. pterotum استفاده شد. استراتژی بهینه انتخاب شده با مشخصات بدین شرح؛ نسبت حلال به جامد ml g-1 6، pH انحلال 5/11، توان التراسونیک W 310 ؛ و pH ترسیب 8/5 و با مطلوبیت 84/0؛ بازدهی 53 درصد و شاخص سفیدی 81/76 را ارائه کرد. از این پروتئین در ترکیب با کلاژن هیدرولیز شده در تهیه ژل های حرارتی استفاده شد. نتایج نشان داد ژل حاصل از پروتئین ایزوله نیروی شکست و تغییر شکل را به ترتیب در حدود 123 g و 12/10 میلی متر ارائه کرد. افزودن کلاژن هیدرولیز شده سبب بهبود نیروی شکست (تا سطح 2% وزنی/وزنی) و مقدار تغییر شکل (تا سطح 10% وزنی/وزنی) شد. کلاژن هیدرولیز شده همچنین تا حدودی بر ویژگی های رنگ و شاخص سفیدی و همچنین بر ظرفیت نگهداری آب در ژل ها اثر مثبت داشت. بنابراین می توان عنوان کرد با اتخاذ یک تکنیک جدید استخراج مثل التراسونیک در کنار فرآیند تغییر pH و متعاقبا بهینه سازی آن و همچنین استفاده از رویکرد بیوریفانری به منظور استفاده همزمان از پروتئین های عضله و بافت پیوندی موجود در زیست توده ماهی؛ می توان گامی مهم در جهت حرکت به سمت scale-up (صنعتی کردن مقیاس تولید)کردن فرآیند برداشت.

هدف اصلی این مقاله اتخاذ طرح بهینه بال هواپیما در رده هوانوردی عمومی، به منظور دست یابی به برد و وزن بهینه می باشد. بدین منظور از الگوریتم ژنتیک با مرتب سازی نامغلوب به عنوان ابراز بهینه سازی به جهت کاهش سه مولفه مهم طراحی هواپیما شامل: تصمیمات نیازمند مصالحه، زمان و هزینه استفاده شده است. تابع هزینه مسئله بهینه سازی، افزایش برد هواپیما و کاهش وزن بال می باشد، که توسط پنج تابع جریمه و محدود کردن بازه متغیر های تصمیم مقید شده است. تابع جریمه اول ضریب برآ را که باید با ضریب برآ مورد نیاز جهت تحمل وزن هواپیما در فاز کروز پرواز برابر باشد، مقید میکند. تابع جریمه دوم و سوم نسبت باریک شوندگی بال، نسبت بیشینه ضخامت نوک به ریشه بال، که باید بین صفر و یک باشد را مقید می کند. تابع جریمه چهارم، جمع قدر مطلق زاویه پیچش با زاویه نصب بال که باید بیشتر یا برابر با قدر مطلق زاویه حمله برآ صفر بال باشد را مقید می سازد. تابع جریمه پنجم اجازه تخطی نسبت برآ به پسا از حد بیشینه آن را نمی دهد. متغیر های تصمیم نیز شامل طول بال، وتر ریشه بال، وتر نوک بال، زاویه پیجش، زاویه نصب، زاویه حمله در برآ صفر ایرفویل، بیشیه ضخامت ریشه و نوک بال بوده است. در انتها طرح بهینه شکل بال ارائه شده و صحت سنجی آن صورت گرفته است. نتایج حاکی از آن است که نسبت به کارا ترین هواپیما هدف میزان 6/84 درصد بهبود در برد اما 2/87 درصد وزن بیشتر حاصل شده است.

هدف این پژوهش، ارائه مدل های تحلیلی کارآمد برای محاسبه نیروهای آیرودینامیکی وارد بر بال ها و دُم یک ربات پرنده بال زن می باشد. برای دستیابی به این هدف، ابتدا مدل آیرودینامیکی بال ها برپایه تئوری نوارهای موازی و در نظر گرفتن اثرات انعطاف پذیری بال ها ارائه می شود. سپس، مدل آیرودینامیکی دُم با در نظر گرفتن اثرات اختلاف فشار روی سطوح دُم، گردابه های لبه ای و اصطکاک هوا معرفی می شود. سپس، پارامتر بهینه انعطاف پذیری بال ها با استفاده از الگوریتم ژنتیک تعیین می گردد. سرانجام، به منظور صحت سنجی، نتایج حاصل از مدل های پیشنهادی با مدل های ارائه شده در مطالعات گذشته و داده های آزمایشگاهی مقایسه می گردد. نتایج شبیه سازی نشان می دهد نیروهای آیرودینامیکی محاسبه شده توسط راهکارهای پیشنهادی در قیاس با مدل های قبلی به داده های آزمایشگاهی نزدیک تر است.

در سال های اخیر پیشرفت بسیار سریع فنّاوری در حوزة پهپادها (پرنده های هدایت پذیر از دور)، در کنار مزایای خود، تهدیدات جدی را در سطوح مختلف اجتماعی و امنیتی به همراه داشته است. از جملة این مشکلات، می توان به بحث پروازهای غیرمجاز در مناطق حفاظت شده و امنیتی اشاره کرد. لذا تشخیص به موقع این دستگاه ها در جهت انجام سریع اقدامات مربوطه، ضروری است. در همین راستا، در این پژوهش با بهره گیری از الگوریتم YOLOv5l که جزء جدیدترین نسخه الگوریتم های یک مرحله ای بینایی رایانه ای است، دو مدل با بهینه سازهای SGD و Adam جهت تشخیص به موقع پهپادها توسعه داده شده است. برای توسعة مدل های حاضر در این پژوهش، از یک مجموعه داده شامل 10046 عدد عکس از انواع و حالات مختلف پهپادها استفاده شده است. پردازش مدل ها به کمک بستر گوگل کولب انجام شده است که به صورت رایگان یک سیستم پردازشی قدرتمند را در اختیار توسعه دهندگان قرار می دهد. ارزیابی مدل ها بر روی چهار مجموعه آزمون 1000 عددی شامل مجموعه آزمون معمولی، کم حجم، حالت شب، خاکستری مقیاس و همچنین یک مجموعه آزمون شامل 100 عدد عکس از چندین پهپاد صورت گرفته است. طبق نتایج، مدل توسعه داده شده با بهینه ساز Adam نسبت به مدل توسعه داده شده با بهینه ساز SGD عملکرد بهتری داشته است.

درخت مدل خطی محلی یا LOLIMOT که در آن از نوعی مدل فازی عصبی خطی محلی استفاده شده است، الگوریتمی بر اساس استراتژی تقسیم و حل می باشد که در آن حل مساله پیچیده از طریق تقسیم مساله به تعدادی زیر مساله کوچک تر (و از این رو ساده تر) صورت می پذیرد. بنابراین مشخصات این مدل فازی - عصبی (زیرمساله های کوچک تر شده) به مقدار زیادی به ساختار الگوریتم به کار برده شده جهت تقسیم بندی وابسته می باشد. الگوریتم LOLIMOT برای رسیدن به خروجی با خطای کمتر فضای مساله را به تعدادی مدل خطی محلی یا LLM تقسیم می نماید و پس از پیدا کردن بدترین LLM) LLM با خطای بیشتر) با تقسیم آن به دو LLM الگوریتم را ادامه می دهد. در این الگوریتم در هر تکرار از آن بدترین LLM با نرخ تقسیم 1/2 در جهت های متعامد بر فضای ورودی تقسیم می شود. در این مقاله به کمک الگوریتم بهینه سازی حدی به بهینه سازی نرخ تقسیم می پردازیم، نتایج پیاده سازی حاکی از آن است که کارایی نسخه جدید الگوریتم LOLIMOT از نظر شاخص میانگین مربعات خطا بهتر از الگوریتم اولیه است.