نشریه علوم رایانشی
سال ششم شماره 1 (پیاپی 20، بهار 1400)

نظریه ذهن به توانایی انسان در استنتاج حالت های ذهنی خود و دیگران گفته می شود. این توانایی در روابط اجتماعی و یادگیری فرد نقش اساسی ایفا می کند. مطالعه محاسباتی این توانایی می تواند پاسخی بر چالش های کنونی حوزه هوش مصنوعی ارایه کند. دیدگاه شبیه سازی-نظریه با بهره گیری از سازوکار نورون های آینه ای، در یادگیری فرد از طریق مشاهده رفتار دیگران اثرگذار است. بنابراین، تعبیه کردن نظریه ذهن در یک عامل هوشمند موجب می شود که آن عامل با مشاهده رفتارهای یک عامل خبره، به عملکردی مشابه او در تعامل با محیط اطراف خود دست یابد. در این مطالعه، عامل هوشمند را به مدلی از نورون های آینه ای مجهز می کنیم و آن را در محیط آونگ واژگون قرار می دهیم. خواهیم دید که این عامل هوشمند با مشاهده رفتار عامل خبره در محیط به درکی از اهداف و دانش عامل خبره دست می یابد که به کمک آن، آونگ واژگون را در حالت تعادل نگه می دارد.

شبکه‌های عصبی عمیق به‌طور گسترده در کاربردهای هوش مصنوعی استفاده می‌شوند. انتقالات زیاد داده‌ها و تعداد محاسبات فراوان از ویژگی‌های اجرای این شبکه‌هاست. شبکه‌های عصبی از چندین لایه تشکیل شده‌اند که هر لایه نسبت به دیگر لایه‌ها اندازه منحصربه‌فرد و متفاوتی دارد. معمولا ابعاد شتاب‌دهنده بر مبنای میانگینی از اندازه دسته‌ای از لایه‌ها، تعیین و ساخته می‌شود. هنگام اجرای برخی از لایه‌ها به دلیل عدم همپوشانی کامل ابعاد آن لایه با ابعاد پردازنده، تعدادی از منابع بی‌استفاده می‌مانند؛ یعنی با وجود نیاز به منابع محاسباتی بیشتر برای اجرای سریع‌تر محاسبات، اختلاف اندازه برخی لایه‌های شبکه عصبی با ابعاد شتاب‌دهنده، مانع دستیابی به حداکثر کارایی می‌شود. معماری پیشنهادی با استفاده از قابلیت بازپیکربندی امکان تغییر ابعاد پردازنده و نزدیک شدن به ابعاد لایه در حال اجرا را فراهم می‌کند. این معماری مشکل بی‌استفاده ماندن منابع را بهبود داده و در برخی موارد کاملا برطرف می‌کند. بهبود بهره‌وری، سرعت محاسبات مدل گوگل‌نت را به‌طور متوسط 41/27% افزایش داده و دفعات خواندن از حافظه داخلی را حدود 23% نسبت به معماری پایه کاهش داده است. بهبودها در حالی است که سربار سخت‌افزاری بسیار کم و قابل چشم‌پوشی به سیستم اعمال شده است.

نشانگرهای زیستی در تشخیص زودهنگام انوع بیماری‌ها از جمله سرطان نقش عمده‌ای دارند. بر اساس تعریف سازمان بهداشت جهانی، هر ساختار یا فرآیندی در بدن که قابل اندازه‌گیری بوده و بر پیش‌بینی یا نتیجه بیماری اثرگذار باشد، به‌عنوان نشانگر زیستی شناخته می‌شود. امروزه شناسایی نشانگرهای زیستی با استفاده از ابزارهای بیوانفورماتیک امکان‌پذیر است. مسئله تشخیص نشانگرهای زیستی در حوزه بیوانفورماتیک بیشتر به‌عنوان یک مسئله انتخاب ویژگی مطرح است. الگوریتم‌های انتخاب ویژگی متعددی در زمینه شناسایی نشانگرهای زیستی مورد استفاده قرار می‌گیرد. اما این الگوریتم‌ها یا از دقت کافی برخوردار نیستند و یا دقت لازم را داشته اما از پیچیدگی محاسباتی بالایی برخوردارند. به همین دلیل الگوریتم‌هایی که دقت بیشتری داشته‌اند، تنها به‌دلیل زمانبر بودن کنار گذاشته می‌شوند. هدف اصلی در این پژوهش انتخاب الگوریتمی با دقت بالا در شناسایی نشانگرهای زیستی است که در نهایت با استفاده از شیوه‌های موازی‌سازی، سرعت آن را بهبود بخشیم. الگوریتم انتخابی با استفاده از روش‌های موازی‌سازی باز طراحی شده است و با استفاده از داده‌ای که مربوط به سرطان سینه می‌باشد، به ارزیابی روش پیشنهادی پرداخته‌ایم. در نهایت الگوریتم توانسته است با همان دقت الگوریتم اصلی، ولی با افزایش سرعتی در حدود یک و نیم برابر، خروجی مورد نظر را تولید می‌کند.

شبکه عصبی پیچشی (CNN) یکی از روش‌های عمیق یادگیری ماشین است که با توجه به کارایی بالای آن، امروزه استفاده از آن در استخراج ویژگی و دسته‌بندی تصاویر امر بسیار رایجی شده است. در این مقاله برای آشنایی بیشتر پژوهشگران با این حوزه و نوآوری‌های مرتبط با این شبکه، ساختار اصلی این شبکه و تعداد 10 معماری مهم و رایج آن مرور شده است. با مطالعه مقالات اصلی ارایه‌دهنده هر یک از معماری‌های شبکه پیچشی، نکات مهم و اصلی هر معماری که موجب بهبود عملکرد آن نسبت به موارد پیشین خود شده، جمع‌آوری و بررسی شده است. علاوه بر آن، مقایسه دقت معماری‌های مختلف این شبکه بخش دیگری از این مقاله مروری است. با توجه به حجم بالای مطالب در این حوزه و رشد سریع آن، نیاز به یک مرجع که همه مطالب ارایه شده تاکنون را در کنار هم مرور کرده باشد، انگیزه نوشتن این مقاله بوده است. مطالعه ساختارها و تکنیک‌های استفاده شده برای بهبود این شبکه می‌تواند به پژوهشگران در ایجاد ساختارهای بهینه‌تر و دقیق‌تر کمک کند.

در سال‌های اخیر معماری نوظهوری به نام شبکه‌های داده‌نام مطرح شده که الگوی نام محتوا را جایگزین الگوی میزبان‌محور پروتکل IP نموده است. شبکه‌های داده‌نام با ویژگی‌هایی مانند دارا بودن حافظه پنهان و ذخیره‌سازی درون‌‌شبکه‌ای و پشتیبانی از ارتباط نامتقارن توانسته است سازگاری با شبکه‌های متعددی ازجمله شبکه‌های خودرویی را نشان دهد. در این معماری راهبرد همه‌پخشی جهت ارسال درخواست در شبکه‌های خودروئی مناسب می‌باشد ولی به دلیل انتشار درخواست‌ها و افزایش ازدحام و تداخل عملکرد شبکه را کاهش می‌دهد. اگر از راهبرد بهترین مسیر نیز در توپولوژی شبکه خودروئی استفاده شود، اگر خودرو از محدوده مسیریاب بی‌سیم کنار جاده خارج شود دریافت بسته به شکست برخورد خواهد کرد. حال اگر مسیریاب‌های بالادست مسیریاب‌های کنار جاده‌ای به راهبرد همه‌پخشی مجهز شوند، دریافت بسته با شکست مواجه نمی‌شود و مسیریاب بی‌سیم بعدی داده مورد نظر را می‌تواند تحویل دهد که منجر به افزایش دریافت بسته‌های داده خواهد شد. در این تحقیق با استفاده از شبیه‌ساز ndnSIM سناریویی از نوع شبکه‌های خودروئی شبیه‌سازی نموده و راهبرد پیشنهادی کارایی شبکه‌های خودروئی را نسبت به راهبردهای موجود (همه‌پخشی و بهترین مسیر) بهبود ببخشد. نتایج شبیه‌سازی نشان می‌دهد که با افزایش سرعت خودروها، افزایش دریافت بسته‌های داده درخواست شده را تا 7 درصد بهبود دهیم. داده‌ها نیز با میانگین تاخیر و میانگین تعداد ارسال مجدد کمتری به ترتیب 3/3 درصد و 2 درصد همراه خواهد بود. در سناریوی دیگری با این که تعداد درخواست‌های تولید شده را افزایش دادیم با این حال تعداد دریافت داده درخواست شده حدودا 7 درصد افزایش نشان داده و درصد کاهش میانگین تاخیر دریافت داده و میانگین تعداد ارسال مجدد نیز به ترتیب 1/3 و 7/8 درصد می‌باشد.

در سال‌های اخیر، علاقه به ترکیب سرویس وب، با توجه به اهمیت آن در کاربردهای علمی افزایش‌یافته است. هنگامی‌که هیچ سرویسی به‌تنهایی برای برآوردن نیاز یک درخواست‌کننده سرویس توانایی ندارد، ترکیب سرویس، به‌منظور تحقق هدف درخواست‌کننده سرویس می‌تواند مفید باشد. بنابراین، مسئله چگونگی ترکیب موثر و کارآمد سرویس‌های وب، زمینه‌های تحقیقی بسیاری را به خود جلب کرده است. یکی از مسایل چالش‌برانگیز و دانش‌بنیان مهندسی نرم‌افزار، ترکیب سرویس با آگاهی از کیفیت سرویس است. استانداردهای کیفیت سرویس وب بر روی ویژگی‌هایی مانند زمان پاسخگویی، درجه اطمینان سرویس یا قابل‌اعتماد بودن، امنیت و غیره تمرکز نموده‌اند. بنابراین ترکیب سرویس وب آگاه از کیفیت، به‌عنوان یک مسئله بهینه‌سازی چندهدفه بررسی می‌شود. از طرفی، با افزایش تعداد سرویس‌ها، اندازه فضای ترکیب به‌سرعت رشد نموده و زمان اجرا و حافظه مصرفی فرآیند ترکیب افزایش می‌یابد. بنابراین کارایی الگوریتم ترکیب سرویس برای رفع این مشکل به یک مسئله چالش‌برانگیز تبدیل‌شده است. در تحقیق پیش رو، با استفاده از الگوریتم PCA، ویژگی‌های کیفیت سرویس ادغام می‌شوند و با این روش، داده‌های مفید کمتری از دست می‌رود و با انجام عملیات اعتبارسنجی و هرس در سطح سرویس، فضای حافظه کمتری مصرف می‌شود. همچنین، ترکیب سرویس که یک مسئله چند هدفه است، به مسئله ترکیب موثر و کارای تک‌هدفه تبدیل می‌شود. به‌علاوه ارزیابی این طرح پیشنهادی نشان می‌دهد که روش پیشنهادی در مقایسه با روش ترکیب سرویس با الگوریتم ترکیب جزیی، زمان پاسخ و فضای حافظه مصرفی را کاهش داده و کارایی ترکیب سرویس را بهبود می‌دهد.

دستیابی به یک الگوریتم مسیریابی با مصرف بهینه انرژی، نرخ دسترس‌پذیری بالا و همچنین توزیع بار متعادل از مهم‌ترین چالش‌های موجود در شبکه‌های حسگر بی‌سیم می‌باشند. بدین منظور در این مقاله روشی بهینه جهت دستیابی به این اهداف در شبکه‌های حسگر بی‌سیم، ارایه شده که از دو الگوریتم بهینه‌سازی جهش قورباغه و حرکات عنکبوت‌های اجتماعی عنک که ناظر بر رفتار نوع خاصی از عنکبوت با رفتار غیرانفرادی می‌باشد بهره می برد. در روش ارایه شده، از الگوریتم بهینه‌سازی جهش قورباغه برای خوشه‌بندی گره‌های بی‌سیم و پیدا کردن سرخوشه مناسب استفاده شده است. همچنین از ایده شدت ارتعاش عنکبوت‌ها در الگوریتم بهینه‌سازی عنکبوت‌های اجتماعی، برای بهینه‌سازی فرآیند مسیریابی مبتنی بر AODV بین سرخوشه‌ها استفاده خواهد شد. روش پیشنهادی با سناریوهای متعددی از یک شبکه حسگر بی‌سیم پیاده‌سازی و نتایج آن ارایه شده است. برای مقایسه نتایج شبیه‌سازی از روشی که از AODV چند مسیره (AOMDV) برای مسیریابی بین سرخوشه‌ها استفاده می‌کند و همچنین روش موجود در یک مرجع معتبر دیگر به نام (FBR) در زمینه مسیریابی متوازن بین سرخوشه‌ها استفاده شده است. نتایج به‌دست آمده نشان داده که روش پیشنهادی به میزان 45.2% در معیار تعداد گره‌های حسگر زنده برتری داشته است. همچنین این روش موفق به کاهش انحراف معیار بار ترافیکی و انرژی مصرفی گره‌های حسگر به میزان 0.1 و 300 ژول شده است. انرژی مصرفی کل گره‌ها نیز در این روش به میزان 300 ژول کاهش داشته است. همچنین زمان اجرای الگوریتم جهت ارسال بسته‌های داده از مبدا به مقصد تنها به میزان 200 میکروثانیه بیشتر از زمان به‌دست آمده از الگوریتم AOMDV بوده است.

امروزه به علت رشد تولید اطلاعات در جهان، استفاده از سیستم‌های توزیع‌شده مقیاس‌بزرگ همه‌گیر شده و کاربردهای فراوانی نه‌ تنها در علوم کامپیوتر بلکه در علوم دیگر نظیر اقلیم‌شناسی، پزشکی و زیست‌شناسی پیدا کرده است. این‌گونه سیستم‌ها به علت طبیعت پویا و پیچیده‌ای که دارند همواره دچار خرابی‌های مختلف می‌گردند. راهبرد بیشتر این سیستم‌ها در هنگام مواجه شدن با خرابی این است که برنامه را مجددا بر روی بخش دیگری از سیستم اجرا نمایند که این روش موجب هدر رفتن منابع، زمان و انرژی می‌شود؛ بنابراین وجود یک سیستم واکنشی پیشگیرانه که خرابی را قبل از وقوع آن پیش‌بینی و متوقف کند بسیار مفید به نظر می‌رسد. در این مقاله تلاش شده است تا بخشی از پژوهش‌هایی که در چند سال گذشته به جهت پیش‌بینی خرابی در سیستم‌های توزیع‌شده مقیاس بزرگ انجام گرفته است مرور و دسته‌بندی شود. تمرکز اصلی مقاله روی مطالعاتی می‌باشد که با استفاده از فایل‌های ثبت وقایع، به پیش‌بینی خرابی برنامه‌ها یا منابع (سخت‌افزار و نرم‌افزار) در یک سیستم توزیع‌شده (شامل خوشه‌های کامپیوتری و سیستم‌های مشبک) در دنیای واقعی پرداخته است. به‌طور کلی، بررسی این مطالعات نشان می‌دهد که پیش‌بینی برخط (به علت استفاده از ویژگی‌های بیشتر) نتایج بهتری دارد. اما، پیش‌بینی غیر برخط منابع بیشتری را حفظ می‌کند. به همین جهت، پیش‌بینی ترکیبی بهترین گزینه به نظر می‌رسد. همچنین در سال‌های اخیر، مطالعه بر روی داده‌های ثبت وقایع مرتبط با سیستم‌های زیرساخت ابری (مانند خوشه‌های گوگل) محبوبیت بیشتری داشته است.