نشریه علوم رایانشی
سال سوم شماره 4 (پیاپی 11، زمستان 1397)

الگوریتم بهینه سازی ذرات از جمله روش های فراابتکاری است که به صورت گسترده در حل مسائل بهینه سازی به کار گرفته می شود. الگوریتم بهینه سازی ذرات از رفتار پرندگان در پرواز الگوبرداری شده است و به عنوان یک روش فراابتکاری با همگرایی و دقت مناسب شناخته شده است. یکی از چالش های مهم الگوریتم های فراابتکاری از جمله الگوریتم بهینه سازی ذرات زمان اجرای آن در حل مسائل بهینه سازی پیچیده است و در این مسائل به علت تعداد ابعاد مسئله و پیچیدگی تابع هدف زمان یافتن جواب بهینه توسط روش های فراابتکاری و از جمله الگوریتم ذرات قابل توجه است. این مشکل زمانی بیشتر می شود که برای توابع هدف پیچیده نیاز است اندازه جمعیت به قدر کافی بزرگ در نظر گرفته شود تا فضای مسئله پیمایش مناسب شده و نقاط بهینه محاسبه شوند و این مستلزم محاسبات بیشتر بوده و زمان اجرای الگوریتم را افزایش می دهد. ماهیت الگوریتم های نظیر بهینه سازی ذرات موازی است زیرا اعضای جمعیت تا حدود زیادی به صورت مستقل فضای جستجوی مسئله را مورد پیمایش قرار می دهند. در این پژوهش یک روش موازی سازی جدید برای تسریع محاسبات الگوریتم بهینه سازی ذرات ارایه شده است که از ریزهسته های پردازنده گرافیکی و در چارچوب کودا استفاده می نمایند. روش پیشنهادی یک اشاره گر یا آرایه از جمعیت اولیه را از حافظه اصلی به حافظه سراسری منتقل نموده تا زمان انتقال کمینه شود و از طرفی از یک هسته (هسته) برای به روزرسانی سرعت و موقعیت ذرات استفاده می نمایند تا سوئیچ های بین ریسه ها به حداقل ممکن کاهش و کارایی الگوریتم موازی افزایش یابد. نتایج ارزیابی ما بر روی مجموعه ای از توابع ارزیابی نشان می دهد حداکثر شتاب به دست آمده در روش پیشنهادی و با پردازنده گرافیکی Geforce 710M در حدود 26 برابر پردازنده اصلی است.

اینترنت اشیاء یک بن انگاره (پارادایم) به سرعت در حال رشد است که ارتباطات بین انسان با دستگاه (H2D) و دستگاه با دستگاه (D2D) را با استفاده از فناوری ها و پروتکل های بی سیم فراهم می سازد. با توجه به نیازمندی های مختلف، تاکنون فناوری های بی سیم متعددی برای برقراری ارتباطات شبکه ای در حوزه اینترنت اشیاء به وجود آمده است. بررسی و مقایسه فناوری های بی سیم (مانند NB-IoT، LoRa WAN، Sigfox، Zigbee، Z-Wave، EnOcean و Bluetooth Low Energy) از نظر معیارهایی همچون برد محیطی، نرخ ارسال، مصرف انرژی، فرکانس و مقیاس پذیری یک چالش اساسی و بحث برانگیز است. در این مقاله، ما ابتدا مطالعه ای جامع روی مشخصات و پارامترهای کلیدی هر یک از فناوری های بی سیم رایج انجام می دهیم و در ادامه، آن ها را از جنبه های مختلف با هم مقایسه می کنیم. در نهایت نیز، با توجه به کاربردهای چند سال اخیر در حوزه اینترنت اشیاء، پروتکل ها و فناوری های رایج تر و مقبول تر برای هر کاربرد را معرفی می کنیم. نتیجه این مطالعه و بررسی به مهندسان و توسعه دهندگان کمک می کند تا به شناخت و درک مطلوبی از فناوری های مختلف اینترنت اشیاء دست پیدا کرده و بتوانند مناسب ترین فناوری بی سیم را برای کاربردهای مورد نظر انتخاب نمایند.

این مقاله حاصل پژوهشی، با هدف مطالعه راهبردهای تخفیف گذاری به کمک داده کاوی است. برای این منظور پس از مرور ادبیات این حوزه و مطالعه تعدادی از کارهای پیشین، جنبه های پرکاربرد شناسایی شدند. بر مبنای آن ها سوالاتی مطرح گردید تا با پاسخ گویی به آن ها اثربخشی تخفیف ها ارزیابی شود. با این هدف، به کمک سکوی تحلیل داده نایم جریان کار مورد نیاز برای استخراج داده های لازم (با مجموعه های داده ای شرکت فروشگاه های رفاه) طراحی و به کمک نرم افزار تبلو و بسته های گرافیکی R داده های استخراج شده مصور شدند. بر مبنای تحلیل های توصیفی، فرض های آماری معرفی و به کمک آزمون های فرض، صحت آن ها ارزیابی شد. تحلیل ها نشان داد که تخفیف ها بر میزان فروش مقطعی نشان های تجاری و گروه های جزئی محصولات اثر مثبت ضعیف می گذارند. همچنین، مشاهده شد که با افزایش تخفیف، مشتریان خرید کالاهای گران قیمت تر را به خرید تعداد بیشتری از کالاهای ارزان قیمت ترجیح می دهند. مطالعات بر روی اثرپذیری یک نشان تجاری از تخفیف های رقبای خود، نشان داد که نشان تجاری مذکور تحت تاثیر تخفیف رقبای خود قرار نگرفته و مشتریان وفادار این نشان، همچنان نشان محبوب خود را خریداری کرده اند. خوشه بندی مشتریان با الگوریتم k، میانگین سه خوشه مشتریان طلایی، نقره ای و برنزی را ایجاد کردند. مشتریان طلایی وفادار و مطمئن هستند و یک جریان نقدی ثابتی را به سمت شرکت روانه می کنند. مشتریان نقره ای جریان نقدی مطمئن ولی کمتری را تولید می کنند. این دسته دارای این ظرفیت هستند که در آینده ای نزدیک به دسته طلایی صعود کنند. مشتریان برنزی که پرجمعیت ترین خوشه نیز محسوب می شوند، نتوانسته اند ارتباط ثابت و مطمئنی را با شرکت برقرار کنند. بهتر است که شرکت روی این دسته سرمایه گذاری کند و این مشتریان بالقوه را به مشتریان بالفعل تبدیل کند.

استفاده مناسب از نیروها در صحنه نبرد به ویژه در نبردهای زمینی با مشکلات خاصی از جمله عدم ارتباط فرمانده با تک تک نیروهای صحنه نبرد به دلیل نیاز به حمل تجهیزات اضافی مانند بیسیم ها یا تجهیزات مشابه دیگر، عدم امکان دریافت اطلاعات از وضعیت حیاتی نیروهای مستقر در مکان های مختلف، عدم امکان دریافت موقعیت دقیق نیروها در صحنه نبرد، عدم امکان کنترل لحظه به لحظه تجهیزات و سلاح های همراه هر کدام از نیروها و عدم تعادل قدرت نیروها در بخش های مختلف صحنه نبرد مواجه است. استفاده از تجهیزات الکترونیکی به ویژه شبکه های حسگر بیسیم می تواند با توجه به محیط غیرقابل دسترس صحنه نبرد، نقش بسزایی در مدیریت درست توان نیروها و تجهیزات داشته باشد. اطلاع از محل استقرار، نوع تجهیزات، میزان مهمات باقیمانده، وضعیت سلامت و... هر کدام از نیروهای مستقر در صحنه نبرد می تواند کنترل و مدیریت بهتر توان نیروها توسط فرماندهان را در پی داشته باشد. الگوریتم های بهینه سازی فراابتکاری روش هایی هستند که می توانند با تغییرات کم برای مسائل مخلتف بهینه سازی به کار روند. الگوریتم های فراابتکاری به طور قابل ملاحظه ای توانایی یافتن جواب های با کیفیت بالا را برای مسائل بهینه سازی سخت افزایش می دهد که ویژگی مشترک این الگوریتم ها استفاده ازسازوکار های خروج از بهینه محلی است. برای بهینه سازی و توزیع متوازن نیروها در صحنه نبرد می توان از روش های مختلفی استفاده کرد که در این پژوهش از قابلیت های الگوریتم های فراابتکاری برای بهینه سازی بهره گرفته شده است.

امروزه ایجاد یک محیط امن بانکداری در بسترهای ابری که مورد تایید کارشناسان بانکی و متخصصان امنیت فناوری اطلاعات باشد، بیش از پیش اهمیت پیدا کرده است. با وجود مزایا و فرصت های بسیار فناوری رایانش ابری، ریسک های متعددی وجود دارند که بانک ها باید قبل از مهاجرت به سمت محیط ابری، با آن ها آشنایی داشته باشند. هدف از انجام این پژوهش شناسایی و ارزیابی ریسک های رایانش ابری در بانک ها بود که در این راستا ریسک های موجود در پیاده سازی رایانش ابری و معیارهای مناسب برای ارزیابی آن ها با مرور مطالعات پیشین شناسایی شد و توسط خبرگان حوزه بانکداری و سیستم های اطلاعاتی غربال گردید؛ سپس اولویت بندی ریسک های پیاده سازی رایانش ابری در بانک کشاورزی با استفاده از تکنیک فرایند سلسله مراتبی فازی انجام شد که نتایج به دست آمده نشان داد ریسک امنیت داده بیشترین اهمیت و ریسک های مالی، دسترسی پذیری، تجهیزات، نیروی انسانی و مکان داده ها به ترتیب دارای اولویت های بعدی هستند.

محیط ابری می تواند به عنوان یک زیرساخت و یا تامین کننده سرویس برای میزبان های دیگر مورد استفاده قرار گیرد. یکی از مشکلات بنیادین محیط ابری غیرقطعی بودن و تاخیر تخصیص منبع در زمانی که سیستم تصمیم به اجرای وظایف بهنگام دارد می باشد. در سیستم های بهنگام وظایف باید در یک بازه زمانی مشخص و دقیق اجرا و پایان یابند. در غیر این صورت سیستم بهنگام با شکست روبرو می شود. در این پژوهش برای حل این مشکل کلیدی در محیط ابری یک افزونه به همراه مدل پیش بینی تطبیق پذیر ارائه شده است که با استفاده از خوشه بندی وظایف و اعمال مدیریت مستقل بر روی هر خوشه، سیستم را قابل پیش بینی می نماید. همچنین در این افزونه همزمان با به کارگیری اشتراک سیکل زمانی می خواهیم اشتراک گذاری منابع بین کاربران را به عنوان دومین هدف دنبال نماییم. در نهایت انتظار می رود که این افزونه بتواند وظایف بهنگام را در مهلت زمانی مشخص بدون هیچ خطایی به پایان برساند. نتایج این مقاله نشان می دهد افزونه بهنگام ایجاد شده توانسته به اهداف مطرح شده در این تحقیق دست یابد.

شناسایی هویت از روی نحوه راه رفتن، از این نظر که در روش های از راه دور نیز قابل محاسبه است، یکی از ویژگی های زیست سنجی (بیومتریک) مهم به حساب می آید. تحقیقات گسترده ای در این زمینه صورت گرفته و روش های متعددی ارائه شده است. اما تعداد کمی از این تحقیقات بر استفاده از تکنیک های شناسایی اشیاء توسط مغز تمرکز کرده اند. در این مقاله، مدلی برای شناسایی اشیاء بر مبنای ساختار سلسله مراتبی و پیچیده ویژوال کرتکس مغز، ارائه شده است. مدل ارائه شده که آن را مدل سلسله مراتبی فازی- اسپایکی می نامیم، بر سازوکار تولید پاسخ نورون ها در ویژوال کرتکس و ماهیت فازیشان تمرکز دارد. یکی از نوآوری ها در این مدل، پیشنهاد یک لایه دسته بند فازی مشابه سیستم استنتاج عصبی-فازی تطبیق پذیر است. برای ارزیابی مدل ارائه شده، از مجموعه داده های تردمیل A و B استفاده شده است. این دو مجموعه داده به ترتیب چالش های تغییر سرعت راه رفتن و تغییر نوع پوشش را زیر ذره بین قرار می دهند. معیارهای ارزیابی به کار گرفته شده در این مقاله نرخ شناسایی (به طور خاص در رتبه 1 و رتبه 5) و منحنی CMC می باشد. در نهایت، نتایج به دست آمده بر روی مجموعه داده A و B با استفاده از مدل پیشنهاد شده، با نتایج روش های دیگر مقایسه شده است. این مقایسه نشان می دهد مدل HFS تقریبا نسبت به تمامی روش ها به نرخ شناسایی بهتری در رتبه 1 و رتبه 5 دست می یابد.