دانلود مقالات کامپیوتر

در اين مقاله، يك الگوريتم تكاملي كوانتومي به نام NQEA پيشنهاد مي شود. در الگوريتم پيشنهادي، به منظور افزايش كارآيي از يك عملگر به روزرساني جديد استفاده مي شود. در اين عملگر، هنگام به روزرساني هر يك از افراد جمعيت از مشاركت بهترين جواب به دست آمده توسط آن فرد در نسل هاي قبلي و بهترين جواب به دست آمده توسط ساير افراد جمعيت در نسل جاري استفاده مي شود. همچنين، با اعمال محدوديت بر روي مقادير بيت هاي كوانتومي از همگرايي زودرس آنها جلوگيري به عمل مي آيد. ملكرد الگوريتم NQEA با عملكرد الگوريتم ژنتيك استاندارد CGA و الگوريتم هاي تكاملي كوانتومي VQEA و QEA مقايسه مي شود. با تحليل رفتار الگوريتم NQEA بر روي مساله OneMax مشخص مي شود كه اين الگوريتم بهينه سازي برخلاف الگوريتم QEA داراي مشكل همگرايي زودرس (ناشي از پديده سواري مجاني) نمي باشد. با ارزيابي كارآيي الگوريتم NQEA بر روي مساله بهينه سازي تركيبياتي شناخته شده NK-landscapes مشخص مي شود كه در اين الگوريتم بهينه سازي نسبت به الگوريتم هاي CGA،  QEA و VQEAتوازن بهتري ميان توانايي هاي كاوش و بهره برداري الگوريتم برقرار مي شود. همچنين، الگوريتم NQEA در مقايسه با الگوريتم هاي فوق از كارآيي و سرعت همگرايي بالاتري برخوردار است

در اين مقاله، يك الگوريتم تكاملي كوانتومي به نام NQEA پيشنهاد مي شود. در الگوريتم پيشنهادي، به منظور افزايش كارآيي از يك عملگر به روزرساني جديد استفاده مي شود. در اين عملگر، هنگام به روزرساني هر يك از افراد جمعيت از مشاركت بهترين جواب به دست آمده توسط آن فرد در نسل هاي قبلي و بهترين جواب به دست آمده توسط ساير افراد جمعيت در نسل جاري استفاده مي شود. همچنين، با اعمال محدوديت بر روي مقادير بيت هاي كوانتومي از همگرايي زودرس آنها جلوگيري به عمل مي آيد. ملكرد الگوريتم NQEA با عملكرد الگوريتم ژنتيك استاندارد CGA و الگوريتم هاي تكاملي كوانتومي VQEA و QEA مقايسه مي شود. با تحليل رفتار الگوريتم NQEA بر روي مساله OneMax مشخص مي شود كه اين الگوريتم بهينه سازي برخلاف الگوريتم QEA داراي مشكل همگرايي زودرس (ناشي از پديده سواري مجاني) نمي باشد. با ارزيابي كارآيي الگوريتم NQEA بر روي مساله بهينه سازي تركيبياتي شناخته شده NK-landscapes مشخص مي شود كه در اين الگوريتم بهينه سازي نسبت به الگوريتم هاي CGA،  QEA و VQEAتوازن بهتري ميان توانايي هاي كاوش و بهره برداري الگوريتم برقرار مي شود. همچنين، الگوريتم NQEA در مقايسه با الگوريتم هاي فوق از كارآيي و سرعت همگرايي بالاتري برخوردار است

خوشه بندي نرم افزار، بدليل تنوع وسيع و حجم زياد نرم افزارها و هم چنين ضرورت بهينه سازي، تحقيقات خاصي را طي سالهاي اخير به خود جلب كرده است. در اين مقاله، يك الگوريتم جديد با عنوان DCM genetic به صورت تركيبي از الگوريتم خوشه بندي مبتني بر افزارهاي همسايه و الگوريتم DCM ارايه مي شود. الگوريتم بدست آمده در دو فاز عمل مي كند: در فاز اول الگوريتم DCM را به گونه اي تغيير مي دهيم كه در آن فاكتور تعداد خوشه ها نيز مورد توجه قرار مي گيرد و سپس جهت توليد نسل اوليه از اين الگوريتم استفاده مي كنيم و در فاز دوم براي يافتن بهترين افزار از الگوريتم خوشه بندي مبتني بر افزارهاي همسايه استفاده مي كنيم كه از ميان جمعيت توليدي توسط الگوريتم DCM افزار با كيفيت بالا به عنوان نتيجه نهايي اعلام مي كند. نتايج بدست آمده از اعمال الگوريتم DCM genetic نشان مي دهد كه در مجموع بهينه تر از دو الگوريتم اوليه عمل مي كند

مساله TSP از نقطه نظر بهينه سازي از اهميت ويژه اي برخوردار است و از آنجايي كه حل اين گونه مسايل در ابعاد بالا در روش هاي تحليلي و دقيق ساير مشكل و زمانبر و گاه غير ممكن است، بايد به دنبال ارايه الگوريتم هاي اكتشافي و فرااكتشافي باشيم. در اين مقاله يك الگوريتم فرااكتشافي مبتني بر كلونينگ (تكثير غير جنسي) كه ملهم از مكانيسم انتخاب مثبت / منفي و كلونال سيستم ايمني طبيعي است ارايه مي شود. انتخاب كلونال (غير جنسي) مكانيسمي است كه توسط سيستم ايمني طبيعي استفاده مي شود تا سلول هايي كه آنتي ژن ها را شناسايي مي كنند را تكثير كند. سلول هاي تكثير شده در معرض پروسه بلوغ آفينيتي قرار مي گيرند تا آفينيتي شان را براي آنتي ژن هاي انتخاب شده بهبود بخشند. ين الگوريتم ذاتا موازي است و اين استراتژي كلونال شرايط حريصانه اي را به كار مي گيرد كه به يك رويكرد تطبيقي منجر مي شود. شبيه سازي ها نشان مي دهد كه اين رويكرد راه حل هاي خوبي براي مساله فروشنده دوره گرد توليد مي كند و عمدتا سرعت همگرايي و كيفيت جواب ها را در مقايسه با رويكرد بهينه سازي مبتني بر مورچه و الگوريتم ژنتيك بصورت قابل توجهي بهبود مي دهد

مجموعه اي از عمليات كه تجربه وب را براي كاربر خاص يا مجموعه اي از كاربران سامان دهي مي كند و پيشنهادات پويا بر اساس الگوهاي رفتاري كاربران ارايه مي دهد، شخصي سازي وب ناميده مي شود. اخيرا پيش بيني نيازهاي آتي كاربران بر اساس تكنيك هاي داده كاوي، در زمينه شخصي سازي صفحات وب توجه زيادي به خود جلب كرده است. در اين مقاله ما قوانين انجمني معمول را با انتساب وزن به آيتم هاي موجود در نشت هاي كاربران براي نمايش ميزان علايق آنها به آيتم ها توسعه داده و قوانين انجني جديدي بر اساس آيتم هاي وزن دار توليد كرده و آن را قوانين انجمني وزن دار ناميديم. پس از ايجاد قوانين انجمني وزن دار جديد، الگوريتمي كه با استفاده از اطلاعات پيمايش كاربران و قوانين انجمني وزن دار توليد شده، به پيشنهاد صفحات به كاربران مي پردازد، ارايه شده است. الگوريتم ارايه شده مشكل كاهش دقت الگوريتم ها با افزايش تعداد صفحات پيشنهادي را در حد قابل توجهي بهبود مي دهد. نتايج شبيه سازي الگوريتم در داده هاي واقعي كارايي بالاي الگوريتم پيشنهادي را نشان مي دهد

شبكه هاي بيزي به عنوان يك دسته بندي كننده در كاربرد هاي مختلف يادگيري ماشين مورد استفاده قرار گرفته اند. يكي از مسايل مهم در شبكه هاي بيزي، آموزش شبكه هاي بيزي بهينه بر اساس مثال هاي آموزشي در دسترس مي باشد. آموزش شبكه هاي بيزي شامل آموزش مقادير احتمالي موجود در جداول احتمال شرطي و نيز آموزش ساختار شبكه مي باشد. در اين مقاله يك روش مرحله به مرحله مبتني بر اتوماتاهاي يادگير براي آموزش جداول احتمال شرطي شبكه هاي بيزي پيشنهاد مي گردد. نتايج آزمايش ها نشان مي دهند كه الگوريتم پيشنهادي با تعداد مثال هاي آموزشي كمتري داراي دقت دسته بندي مشابه با الگوريتم هاي كلاسيك مانند برآورد امكان بيشينه مي باشد

پوشيده نگاري دانش برقراري ارتباط پنهاني است و هدف آن برقراري يك ارتباط امن و پنهان سازي بستر تبادل داده بين فرستنده و گيرنده مي باشد. در اين مقاله يك روش جديد پوشيده نگاري بر اساس كدگذاري پيشگويانه براي تصاوير JPEG ارايه شده است. در روش پيشنهادي اطلاعات از طريق چندي سازي مقادير خطاي پيشگويي توسط روش چندي سازي نمايه پيمانه اي در تصوير JPEG پنهان مي شوند. همچنين يك رويه مكمل براي مقاوم سازي روش پيشنهادي در برابر حملات ارايه شده است. براي ارزيابي كارايي روش پيشنهادي، آزمايش هاي متعددي بر روي تصاوير سطح خاكستري با خصوصيات متفاوت بافتي انجام گرفته و با نتايج حاصل از دو الگوريتم شناخته شده پوشيده نگاري مقايسه شده است. نتايج نشان مي دهند كه روش پيشنهادي قادر به برقراري تعادل بين معيارهاي مطرح در پوشيده نگاري يعني نا محسوس بودن پنهان سازي، نرخ فشرده سازي، ظرفيت پنهان سازي و مقاومت در رابر حمله مي باشد و نسبت به ساير روش هاي پنهان سازي برتري دارد

در اين مقاله جهت حذف نويز ضربه اي يك روش دو مرحله اي به صورت شناسايي نقاط نويزي و جايگزيني نقاط نويزي ارايه شده است كه در مرحله اول نقاط نويزي با استفاده از يك شبكه عصبي پيشرو با انتشار معكوس شناسايي شده و در مرحله دوم با اطلاع از نقاط نويزي، مقدار جديد توسط يك اتوماتاي سلولي دو بعدي جايگزين مي گردد. استفاده از اتوماتاي سلولي ضمن سادگي، استحكام و توازي باعث حفظ جزييات مهم تصوير و اكتساب نتايج مطلوبي مي شود. روش پيشنهادي بر روي تصاوير معروف آزمايشي سطح خاكستري اعمال گرديده و كارايي روش پيشنهادي با روش هاي مختلفي مورد مقايسه قرار گرفته است.

شبكه ارتباطات جهاني، در سال هاي اخير روند سريع و رو به رشدي را طي مي كند و تعداد صفحات وب نيز به طور روزافزون در حال افزايش است. در طي اين سال ها همواره طراحي يك سيستم جستجوي مناسب با توانايي پاسخگويي مطلوب به نيازهاي كاربران، يكي از چالش هاي موجود در تكنولوژي هاي بازيابي اطلاعاتي مي باشد. در اين مقاله مساله پيمايش وب براي پيدا كردن صفحات خاص به صورت جستجوي متمركز بررسي شده است، و به هدف تسريع در پيمايش وب، روش جديدي با استفاده از يادگيري تقويتي پيشنهاد شده است. نتايج آزمايشات با توجه به محيط شبيه سازي برتري نسبي روش پيشنهادي را نشان مي دهد

تاثيرات همشنوايي دقت انتقال سيگنال ها را در طول اتصالات كاهش مي دهد كه بايستي مورد توجه قرار گيرند. چون استفاده از آزماينده هاي خارجي جهت انجام يك آزمايش با سرعت عملكردي تراشه براي تاثيرات همشنوايي پر هزينه است، خود آزمون توكار يك روش بسيار مناسبي براي انجام چنين آزمايشي است. زيرا در اين روش نيازي به آزماينده هاي خارجي با سرعت خيلي بالا نيست. در اين مقاله، ما اتصالات بين سويچ ها در شبكه -بر- تراشه را در يك روش كاملا موازي مورد آزمايش قرار داده ايم. در اين روش كه مبتني بر خود آزمون توكار است، با بكارگيري مجدد بافرهاي FIFO هر يك از سويچ ها، آزمايش كليه اتصالات بين سويچها بصورت كاملا موازي انجام مي پذيرد، كه نتنها زمان كاربرد آزمايش، بلكه سربار مساحتي در سراسر شبكه كاهش يافته است

برنامه نويسي ژنتيك (GP) يك نوع الگوريتم تكاملي مي باشد كه براي توليد برنامه ها به صورت خودكار طراحي شده و در حل مسايل مختلف از جمله دسته بندي داده ها استفاده شده است. روش GP با توليد درخت هايي متشكل از عملگرهاي حسابي و مقادير ثابت عمل دسته بندي را انجام مي دهد. درخت هاي توليد شده، داده هاي چند بعدي را به فضاي يك بعدي نگاشت مي كنند. لذا براي دسته بندي لازم است كه فضاي خروجي درخت ها براي كلاس هاي مختلف بر چسب گذاري شود. يك روش متداول براي اين كار تقسيم فضاي خروجي به صورت ايستا بين كلاس ها و ساختن درخت بهينه دسته بند با استفاده از تكامل مي باشد. براي بهبود اين روش، در اين مقاله فضاي خروجي بر اساس ميانگين و انحراف معيار داده ها بين كلاس ها به صورت پويا تقسيم شده و از معيار آنتروپي شانون و آنتروپي فازي براي تعيين شايستگي درخت ها استفاده مي شود. روش جديد بر روي تعدادي از مجموعه داده هاي استاندارد آزمايش شده است. نتايج نشان مي دهد كه روش پيشنهادي در مقايسه با برنامه نويسي استاندارد دسته بند دقيق تري را توليد مي كند

در طرح هاي برنامه نويسي چند نگارشي مبتني بر تنوع نرم افزار و راي گيري، مفاهيم درستي و توافق اكثريت با يكديگر متفاوتند. به عبارت بهتر اين روش ها نمي توانند هيچ تفاوتي ميان توافق روي خروجي هاي نادرست يا درست قايل شوند و با كوچكتر شدن دامنه خروجي، احتمال توافق نادرست افزايش مي يابد. هدف اين مقاله ارايه طرحي براي بهبود الگوريتم راي گيري اكثريت با فضاي خروجي دودويي در فنون برنامه نويسي چند نگارشي در محيط هاي بدخواهانه و در شرايطي است كه بيش از نيمي از گره ها ممكن است به مصالحه درآيند. كاربرد اين طرح در سيستم ها و نرم افزارهاي تحمل پذير نفوذ است.

در اين مقاله يك الگوريتم مبتني براتوماتاهاي يادگير براي يافتن درخت پوشاي مينيمم با كمترين هزينه مورد انتظار در گراف هاي تصادفي ارايه شده است. فرض بر اين است كه تابع توزيع وزن يالها از قبل شناخته شده نيست و فقط به نمونه هاي توزيع يال ها دسترسي داريم. هدف يافتن چنين درختي با حداقل تعداد نمونه گيري از يالهاي گراف مي باشد. در الگوريتم پيشنهادي در هر تكرار اتوماتاي يادگيريالي از گراف را براي نمونه گيري نامزد مي كند و سپس بر اساس تحليل آماري مشخص مي شود كه آيا از آن يال بايد نمونه گرفته شود يا نه. به منظور ارزيابي الگوريتم پيشنهادي، تعداد نمونه هاي گرفته شده توسط الگوريتم پيشنهادي با تعداد نمونه هاي مورد نياز به روش نمونه گيري استاندارد مقايسه شده است. نتايج آزمايشي نشان داده كه تعداد نمونه هاي گرفته شده توسط الگوريتم پيشنهادي به مراتب كمتر از تعداد نمونه هاي گرفته شده به روش نمونه گيري استاندارد مي باشد.

در اين مقاله روشي براي پنهان شكني يكي از روش هاي پنهان نگاري برمبناي اختلاف مقادير پيكسل ها ارايه شده است و نشان داده شده است عليرغم ادعاي ارايه كنندگان روش مزبور مبني بر امن بودن روش فوق اين روش قابل شكست بوده است. اين روش پنهان نگاري نيز مانند ديگر روش هاي پنهان نگاري برمبناي اختلاف مقادير پيكسل ها، جاسازي را در مقدار تفاوت پيكسلهاي بلاك هاي دوتايي انجام مي دهد. بنابراين هيستوگرام تفاوت پيكسل ها در تصوير حاصل از اين روش داراي توزيعي متفاوت از تصاوير نرمال است. براي تشخيص و تمايز اين دو گروه از تصاوير، تعدادي پارامتر از هيستوگرام تفاوت تصوير استخراج شده است كه در اثر جاسازي به طور محسوسي تغييرمي كنند. يك شبكه عصبي پرسپترون چند لايه براي رده بندي اين تصاوير با استفاده از پارامترهاي استخراج شده پيشنهاد شده است. در پياده سازي انجام شده شبكه پيشنهادي با دقت 98.6% موفق به رده بندي تصاوير مجموعه تست شده است.

مدل هاي خظي ARMA و GARCH داراي كاربردهاي زيادي در زمينه پيش بيني سري هاي زماني مي باشند. همچنين مطالعات و تحقيقات اخير در زمينه كاربردهاي شبكه GRNN براي پيش بيني سري هاي زماني نشان مي دهد كه اين شبكه داراي كارايي مناسبي براي مدل نمودن سري هاي خطي و غيرخطي مي باشد. در اين مقاله مدل جديد تركيبي مدل هاي مذكور، با نام مدل ARMA-GARCH-GRNN معرفي مي شود. در مدل پيشنهادي، ايتدا تطلاعات آماري سري زماني توسط مدل ARMA-GARCH استخراج مي گردد و سپس از شبكه GRNN براي مدل كردن رابطه غيرخطي مشاهدات سري زماني استفاده مي شود. در نهايت كارايي مدل جديد نسبت به مدل هايARMA-GARCH  و GRNN مقايسه مي شود.