محیط های چندابری شامل منابع متنوع قابل ملاحظه ای هستند که هزینه های زمان بندی کاربردهای جریان کاری در چنین محیط هایی می تواند به طور چشم گیری کاهش یابد و همچنین محدودیت ارائه منابع توسط فراهم کنندگان تجاری ابر رفع شود. بر این اساس، این تحقیق به مسأله زمان بندی کاربردهای جریان کاری علمی در محیط چندابری تحت قید مهلت زمانی با هدف کمینه سازی هزینه می پردازد. در این مقاله با به کارگیری الگوریتم جستجوی فاخته که یکی از مشهورترین روش های جستجوی فراابتکاری می باشد، الگوریتمی برای مسأله زمان بندی کاربردهای جریان کاری در محیط چندابری ارائه شده است. الگوریتم فراابتکاری جستجوی فاخته قادر است در مدت زمانی کوتاه فضای جواب را جستجو نموده و جواب هایی را در همسایگی جواب بهینه سراسری بیابد که به آن نزدیک می باشد. نتایج به دست آمده نشان می دهند که راهکار پیشنهادی این تحقیق در مقایسه با دیگر راهکارهای فراابتکاری در موارد کاهش هزینه کارایی بهتری داشته و همچنین جواب های به دست آمده از الگوریتم فراابتکاری پیشنهادی، در حد مطلوبی نزدیک به جواب های بهینه سراسری به دست آمده از مدل ریاضی است.

شرکت های داروسازی به دلیل الزامات نظارتی داخلی، ملی و بین المللی و همچنین محدودیت های تحمیل شده توسط دولت ها در زمینه هایی نظیر تأمین مواد اولیه، توزیع، نرخ ارز، و شرایط تولید و نگهداری، با چالش های پیچیده ای در طراحی و مدیریت زنجیره تأمین خود روبه رو هستند. طراحی شبکه زنجیره تأمین سبز و حلقه بسته می تواند نقش کلیدی در کاهش هزینه ها، افزایش کارایی، و کاهش اثرات زیست محیطی این صنعت ایفا کند. در این مقاله، مدلی برای طراحی شبکه زنجیره تأمین سبز و حلقه بسته محصولات دارویی ارائه شده است که به بررسی مکان یابی بهینه مراکز تولید، توزیع، و بازیافت می پردازد. مدل پیشنهادی عوامل درون سازمانی مانند انتخاب مواد اولیه و فناوری های سبز و عوامل بیرونی نظیر مکان یابی بهینه و بهینه سازی سیستم حمل ونقل را در نظر می گیرد. هدف این مدل، کاهش هزینه های ثابت و جاری، کاهش انتشار آلاینده های زیست محیطی، و بهبود پایداری زنجیره تأمین است. برای حل مسئله، از مدل سازی ریاضی در نرم افزار GAMS و الگوریتم فرا ابتکاری جستجوی فاخته (CSA) در نرم افزار MATLAB استفاده شده است. این رویکرد با ارائه راه حل های بهینه و کارآمد برای مسائل پیچیده، نتایج قابل اتکایی به دست داده است. یافته های این پژوهش نشان می دهد که رویکرد پیشنهادی می تواند نقش مهمی در بهبود عملکرد و سبز سازی زنجیره تأمین دارو داشته باشد.

تخمین صحیح تلاش لازم برای توسعه نرم افزار، نقش مهمی در موفقیت این قبیل پروژه ها دارد. تاکنون پژوهشهای متعددی برای تخمین تلاش انجام شده است، لیکن بهبود دقت این محاسبه هنوز از چالشهای مطرح است. در این مقاله، راهکاری مبتنی بر الگوریتمهای فراابتکاری برای حل این چالش ارائه شده است. روش کار به این صورت است که ابتدا از الگوریتم جستجوی فاخته به منظور انتخاب صحیح ویژگیهای نرم افزاری مطرح در تخمین تلاش استفاده می شود. سپس جواب های به دست آمده با استفاده از الگوریتم بهینه سازی ازدحام ذرات بیشتر مورد واکاوی قرار می گیرد. ایده این کار آن است که اجرای متوالی الگوریتم های مذکور باعث جستجوی دقیق تر فضای مسأله شده و امکان دسترسی به بهینه سراسری، یعنی ویژگیهای بهینه را افزایش دهد. در نهایت، ویژگیهای انتخاب شده به عنوان پارامترهای ورودی مدل پسا معماری کوکومو2 مورد استفاده قرار گرفته و تلاش لازم، محاسبه می شود. راهکار پیشنهادی بر روی دو مجموعه داده کوکومو81 و کوکوموناسا مورد بررسی قرار گرفته و به منظور ارزیابی آن از دو معیار متوسط شدت خطای نسبی و درصد پیش بینی استفاده شده است. نتایج به دست آمده از آزمایش های این راهکار و مقایسه آن با پژوهشهای پیشین نشان می دهد که در کوکومو81، مقدار متوسط شدت خطای نسبی به اندازه 177/0 کاهش یافته و درصد پیش بینی به ترتیب در سه حالت 25، 30 و 40 درصد، به اندازه 87/7%، 04/8% و 66/8% افزایش یافته است. همچنین در کوکوموناسا، مقدار متوسط شدت خطای نسبی به اندازه 151/0 کاهش یافته و درصد پیش بینی به ترتیب در سه حالت 25، 30 و 40 درصد، به اندازه 55/7%، 98/7% و 11/8% افزایش یافته است.

داده های ریزآرایه نقش مؤثری در طبقه بندی و تشخیص انواع بافت های سرطانی ایفا می کنند. با این حال در پژوهش های مرتبط با سرطان، تعداد نسبتاً کم نمونه ها در مقایسه با تعداد بسیار زیاد ژن ها، باعث ایجاد مشکلاتی از قبیل کاهش کارایی طبقه بندها، افزایش هزینه های محاسباتی و پیچیدگی در طبقه بندی سلول های سرطانی خواهد شد. یک راهکار مناسب جهت افزایش کارایی طبقه بندها، حذف ژن ها ی نامربوط و انتخاب نمونه های مناسب برای آموزش طبقه بندها است. در این مقاله یک مدل ترکیبی بر پایه الگوریتم بهینه سازی جستجوی فاخته چندهدفه و خوشه بندی فازی برای طبقه بندی داده های ریزآرایه پیشنهاد شده است. در این مطالعه از نسخه دودویی الگوریتم جستجوی فاخته چندهدفه به منظور انتخاب ویژگی های مرتبط با بیماری و از نسخه پیوسته آن برای انتخاب تعداد نمونه های مناسب برای آموزش طبقه بندها استفاده شده است. به منظور تسریع در فرایند بهینه سازی و جلوگیری از گیرافتادن الگوریتم در بهینه های محلی، راهکار های ابتکاری جدیدی نیز به الگوریتم اضافه شده اند. برای بررسی عملکرد مدل پیشنهادی، شبیه سازی های متعددی بر روی شش مجموعه داده سرطانی انجام گرفته و نتایج آن با دیگر مقالات مقایسه شده است. نتایج به دست آمده نشان می دهند در بسیاری از موارد مدل پیشنهادی قادر است در مقایسه با سایر روش ها، با انتخاب مجموعه کوچک تری از ژن ها ی متمایز، منجر به افزایش کارایی طبقه بندها شود.

استقرار کاربرد های اینترنت اشیا در زیرساخت مه به عنوان مکمل ابر به طور مؤثری باعث صرفه جویی در استفاده از منابع محاسباتی در زیرساخت ابر می شود. تلاش های تحقیقاتی اخیر در حال بررسی چگونگی بهره برداری بهتر از قابلیت های مه برای اجرا و پشتیبانی از کاربردهای اینترنت اشیا است. استقرار ناکارامد مؤلفه های کاربرد ها در مه منجر به اتلاف منابع، پهنای باند و افزایش مصرف انرژی می شود. همچنین توزیع مؤلفه های یک کاربرد روی تعداد حداقل ممکن از گره های مه به منظور کاهش مصرف انرژی منجر به کاهش سطح قابلیت اطمینان خدمات می شود. در این مقاله یک الگوریتم فراابتکاری ترکیبی بر مبنای الگوریتم جستجوی فاخته برای استقرار ایستای مؤلفه های کاربرد روی زیرساخت مه با هدف مصالحه بین مصرف بهینه انرژی و کاهش اثر نقطه تکی شکست و تقویت قابلیت اطمینان کاربرد در برابر خرابی ارائه می شود. نتایج شبیه سازی نشان می دهد که روش ارائه شده در این مقاله، مصرف انرژی در شبکه مه را کاهش داده و نیازمندی های کیفیت خدمات کاربرد اینترنت اشیا را با قابلیت اطمینان بالا تأمین می کند.

این مقاله به دنبال ارایه یک مدل جدید برای مساله مکان یابی تدافعی چندهدفه (MDLP) با هزینه ساخت و با در نظر گرفتن ظرفیت متفاوت برای امکانات در یک شبکه می باشد. در MDLP جدید، جهت جلوگیری از دستیابی مهاجم به سایت های استراتژیک (هسته)، مدافع امکانات گوناگون را در رأس های شبکه مکان یابی می کند. در این راستا، یک مساله برنامه ریزی صحیح مختلط برای پیدا کردن جواب های استکلبرگ فرمول بندی شده است که مدافع و مهاجم به ترتیب تصمیم گیرنده های سطح بالا و پایین هستند. در این مطالعه، هدف استراتژی تدافعی، بیشینه سازی فاصله بین هسته ها و مهاجم است که هدفش رسیدن به نزدیک ترین رأس ممکن به هسته ها است. از طرفی ازآنجایی که مساله ارایه شده یک مساله NP– سخت است، برای یافتن یک جواب رضایت بخش، روش فازی تعاملی بر اساس الگوریتم جستجوی فاخته معرفی می شود. کاربرد روش با حل دو نمونه تصادفی از MDLP نشان داده می شود.