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.

امروزه با توجه به حجم وسیع داده ها، مسئله کاهش نمونه حائز اهمیت است. همچنین عدم وجود توازن در توزیع داده ها بین کلاسهای مختلف یک چالش جدی در دادهکاوی است. در روش پیشنهادی، مسئله کاهش نمونه بهعنوان مسئلهی چندهدفه در نظر گرفته شده است که توانسته است با درنظر گرفتن دو معیار متضاد صحت طبقهبندی و نرخ کاهش نمونهها و همچنین توجه به معیارهای مربوط به دادههای نامتوازن عملکرد خوبی داشته باشد. ایجاد و حفظ توازن در انواع مختلف توزیع داده مهمترین هدف روش پیشنهادی است. مسئله چندهدفه طراحی شده با استفاده از الگوریتم بهینهسازی ازدحام ذرات آشوبی حل شده است. سطح تصمیم مبتنی بر فاصله در روش پیشنهادی، وظیفه تشخیص حفظ و یا حذف نمونههای آزمایشی را دارد. نتایج آزمایشات نشاندهندهی برتری روش پیشنهادی از نظر دقت و صحت طبقهبندی و نرخ کاهش دادهها نسبت به روش های مرز دانش است. نتایج آزمایشات نشاندهندهی برتری روش پیشنهادی از نظر دقت و صحت طبقهبندی و نرخ کاهش دادهها نسبت به روش های مرز دانش است.

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.

موقعیت یابی دقیق و سریع در اینترنت اشیاء یک نیاز اساسی در گسترش استفاده از برنامه های کاربردی برای این شبکه ها می باشد. به دلیل محدود بودن توان محاسباتی گره های حسگر و محدود بودن ظرفیت انرژی این گره ها، کاهش پیچیدگی محاسباتی و همچنین کاهش سربار ارتباطی در الگوریتم های موقعیت یابی برای این شبکه ها، اهمیت حیاتی دارد. در این مقاله، الگوریتمی مبتنی بر بهینه سازی ازدحام ذرات (PSO) به منظور موقعیت یابی دقیق و سریع گره های حسگر در اینترنت اشیاء ارایه می شود. به طور کلی قرار گرفتن در نقاط بهینه محلی و نرخ همگرایی آهسته، دو ضعف اساسی الگوریتم PSO استاندارد می باشد. در الگوریتم پیشنهاد شده با بکارگیری نظریه آشوب، از قرار گرفتن در نقاط بهینه محلی جلوگیری شده و همگرایی کلی الگوریتم بهبود می یابد. به علاوه با بهره گرفتن از مشتقات مرتبه کسری، نرخ همگرایی ذرات به سمت جواب بهینه تسریع می یابد. ارزیابی کارایی الگوریتم با اجرای آن بر روی توابع آزمون خاص انجام می شود. نتایج شبیه سازی بهبود کارایی الگوریتم پیشنهادی در موقعیت یابی گره های حسگر در اینترنت اشیاء را نشان می دهند.

اینترنت اشیاء، یک فناوری جدید است که این فناوری از طریق اینترنت با اشیاء پیرامون خود ارتباط برقرار می کند و باهدف سنجش و کنترل از راه دور استفاده می گردد. در زمینه امنیت شبکه اینترنت اشیاء (IoT)، شناسایی دقیق انواع حملات به این شبکه ها که توسط میزبان های زامبی تحت کنترل مهاجم راه اندازی می شوند، اهمیت زیادی دارد. برای کاهش این تهدیدات، به روش های جدیدی نیاز است تا حملاتی که دستگاه های IoT را به خطر انداخته است، در کم ترین زمان ممکن شناسایی و از زیان های ناشی از حملات جلوگیری کنند. در این مقاله، یک شبکه عصبی جدید جهت بهبود تشخیص نفوذ به شبکه اینترنت اشیاء بر اساس شبکه عصبی کانولوشنال ALEXNET و الگوریتم بهینه سازی میگوی آشوبی به نام (MONANET) پیشنهاد شده است. در شبکه ی MONANET به منظور بهبود دقت در تشخیص نفوذ به شبکه ی IOT و عدم نیاز به تنظیم دستی پارامترها، فراپارامترهای شبکه عصبی با استفاده از الگوریتم میگوی آشوبی به صورت پویا انتخاب می شوند. مقدار تابع تلفات مجموعه اعتبارسنجی که از اولین آموزش مدل شبکه عصبی با استفاده از مجموعه داده Danmini doorbell به دست می آید، به عنوان مقدار تناسب CKH در نظر گرفته می شود. عملکرد جامع شبکه ی پیشنهادی و الگوریتم های GRU، ANN، SVM،LSTM ،FNN ،R-CNN وAPSO-CNN در پنج شاخص ارزیابی و در 12 اجرای مستقل مقایسه شده اند. نتایج به دست آمده نشان دهنده بهبود تشخیص نفوذ به شبکه اینترنت اشیاء است. الگوریتم پیشنهادی توانسته است بادقت 89.99 % حملات به شبکه اینترنت اشیاء را تشخیص دهد. نتایج تجربی برتری روش پیشنهادی را نسبت به سایر روش های مرز دانش از نظر بهبود دقت طبقه بندی نشان می دهد.

یکی از مهم ترین دستگاه های رمزنگاری که در امور مخابراتی و دفاعی کاربردهای فراوانی دارد، سامانه رمزجریانی است. طراحی این نوع سامانه های رمزنگاری بر پایه تولید جریان کلیدی می باشد که توسط یک تابع مولد اعداد شبه تصادفی ساخته می شود. در این مقاله، ابتدا یک مولد اعداد شبه تصادفی براساس نگاشت آشوب معرفی شده، سپس با کمک آزمون های ضریب همبستگی، نیکویی برازش و آزمون های NIST، کیفیت مناسب تابع مولد پیشنهادی از نظر استقلال مناسب، یکنواختی بالای دادها و به اندازه کافی تصادفی بودن اعداد تولید شده توسط تابع مولد اعداد شبه تصادفی پیشنهادی، جهت کاربرد های رمزنگاری به خوبی نشان داده شده است. در ادامه با پیاده سازی این تابع مولد، یک الگوریتم رمزجریانی خود هم زمانی طراحی و شبیه سازی گردید. در پایان، کیفیت متن رمز شده توسط الگوریتم رمز پیشنهادی، با سه روش مختلف ارزیابی شده و با متن رمز شده، توسط چند الگوریتم رمزنگاری دیگر مورد مقایسه قرار گرفت.

بحران کم آبی و سهم بالای بخش کشاورزی در استفاده از منابع آبی، منجر شده است که همواره مطالعات بسیاری جهت بهبود مصرف آب در بخش کشاورزی انجام شود که تعداد قابل ملاحظه ای از این مطالعات به اجرای الگوی کشت بهینه، جهت استفاده مناسب از منابع آبی تاکید کرده اند. اما دراین میان به تاثیر و نقش معیارهای انتخابی در تعیین الگوی کشت و تاثیر آن بر کارایی استفاده از منابع آبی کمتر توجه شده است. برای تعیین الگوی کشت در هر منطقه معیارهای بسیاری وجود دارد که انتخاب هر سری از معیارها، منجر به نتایج متفاوت می گردد. به همین دلیل بررسی و مطالعه جهت انتخاب مناسب معیارهای الگوی کشت که منجر به استفاده بهینه از منابع آبی در بخش کشاورزی شود، امری ضروری می باشد. در این راستا در مقاله حاضر با تکیه بر توسعه پایدار، معیارهای مختلف الگوی کشت مورد ارزیابی قرار گرفته و در نتیجه یازده معیار به عنوان معیارهای اصلی انتخاب شده و برای دو محصول پسته و گل محمدی در حوضه "کویر درانجیر" اولویت بندی و بررسی می شوند. این اولویت بندی در قالب یک مساله بهینه سازی با تابع هدفی مبتنی بر توسعه پایدار پیشنهاد و جستجو می شود. حل این مساله از طریق روش های الگوریتم ژنتیک تصادفی و آشوبناک (تنت، هنون و لجستیک) مورد مطالعه قرار داده می شود. نتایج عددی حل این مساله نشان از قابلیت بهتر الگوریتم ژنتیک آشوبی تنت نسبت به دیگر روش های مزبور دارد. همچنین تحلیل نتایج عددی حاصله از حل این مساله بهینه سازی، بیان گر دسته بندی معیارها به ترتیب دسته معیارهای زیست محیطی، اقتصادی، و اجتماعی می باشد.

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.