فهرست مطالب

فناوری اطلاعات در طراحی مهندسی - سال سیزدهم شماره 1 (بهار و تابستان 1399)

مجله فناوری اطلاعات در طراحی مهندسی
سال سیزدهم شماره 1 (بهار و تابستان 1399)

  • تاریخ انتشار: 1400/06/20
  • تعداد عناوین: 5
|
  • محمد مهدی حسینی*، زهرا سهرابی صفحه 1

    تشخیص زودهنگام بیماری سرطان کمک شایانی میتوان به روند درمان مبتالیان به این بیماری نماید. بنابریان ارایه روش های اتوماتیک جهت تشخیص زود هنگام این بیماری میتواند کمک شایانی برای درمان بیماران نماید. در این مقاله یک روش خودکار جهت یادگیری الگوهای تشخیصی پاتولوژیستها، برای تشخیص سلولهای خونی سرطانی پیشنهاد شده است. روش ارایه شده یک روش ترکیبی کارآمد بر پایه الگوریتمهای شبکه عصبی و خوشه بندی فازی جهت تشخیص سرطان خون نوع ALL است. در این روش ابتدا از الگوریتم FCM جهت بخشبندی تصاویر و استخراج ویژگی استفاده شد. سپس به کمک الگوریتم ژنتیک ویژگیهای مناسب انتخاب شدند و در نهایت جهت تعیین سرطانی بودن تصاویر سلولها با استفاده از شبکه عصبی به دسته بندی تصاویر پرداخته شد. نتایج شبیهسازی روش پیشنهادی براساس معیارهای ارزیابی دقت ، حساسیت، میانگین هارمونیک دقت -حساسیت و ضریب همبستگی Mcc به ترتیب بطور متوسط برابر 69.16 ،%16.16 ،%2.16 %و 1.11 %حاصل گردید که حاکی از برتری روش پیشنهادی در تشخیص سرطان، نسبت به دیگر روش ها بود.

    کلیدواژگان: سرطان خون، خوشه بندی فازی، لوسمی لنفوسیتی حاد، دسته بندی
  • لیلا برادران، فرهاد سلیمانیان قره چپق*، جعفر شهام فر صفحه 2

    پزشکی دقیق یکی از انواع مدلهای نوین پزشکی است که در صدد ارایه روش درمان متناسب با ویژگی های بیمار میباشد. برای ارایه روش درمانی یا پیشگرانه مناسب بیمار، ابتدا بیماران به زیرگروه هایی با بیشترین تشابه، تقسیم میشوند. دستیابی به پزشکی دقیق، نیازمند خوشهبندی صحیح و دقیق اطالعات بیمار است، لذا استفاده از روش های دادهکاوی که کارایی چشم گیری در خوشه بندی دارند انتخابی هوشمندانه به نظر میرسد. داده های حوزه سالمت، چند-وجهی و چند-بعدی با روابط پیچیده هستند و برای کاوش آنها نیاز به ساختاری داریم که قابلیت مدیریت چنین داده هایی را داشته باشد. ساختار ذاتی تنسورها باعث توانایی آنها در مواجهه با داده های چند-وجهی با ابعاد زیاد میگردد. در این مقاله مدلی مبتنی بر تنسور، در راستای خوشه بندی دقیق بیماران ارایه شده است. برای دستیابی به مدل نهایی فرایندی سیستماتیک معرفی گردیده که روند کامل انتقال داده های ورودی خام به محیط تنسور را شامل میشود. در این فرایند وجوه اصلی داده شناسایی شده و پس از پیش پردازش ابعاد تنسور نهایی را تشکیل میدهند. سپس تنسور تجزیه شده و خوشه ها استخراج میگردند. در راستای ارزیابی مدل پیشنهادی، سه منبع داده واقعی توسط مدل خوشه بندی شده و با نتایج حاصل از سه روش دادهکاوی مقایسه شده اند. دقت و صحت خوشه بندی توسط مدل پیشنهادی به ترتیب 21 %و 33 %بیشتر از سایر روش ها بوده و زمان کاوش نیز علیرغم هزینه سربار آماده سازی داده، 1 %کاهش داشته است. همچنین اساس منطقی تنسور باعث میشود نتایج قابل اطمینانتر باشند و سریع بودن مدلهای مبتنی بر تنسور باعث تحمل حجم بالای داده های پزشکی میشود.

    کلیدواژگان: داده کاوی، تنسور کاوی، داده های پزشکی، پزشکی دقیق، تجزیه تنسور
  • محمد مصدری*، احمد جعفریان، ساسان قره پاشا صفحه 3

    محاسبات ابری یک سرویس محاسباتی بوده که از طریق بستر اینترنت میتوان به آن دسترسی داشت. منابع محاسباتی به اشتراک گذاری شده در رایانش ابری برای استفاده از طریق اینترنت در اختیار کاربران برای استفاده، قرار میگیرد. استفاده از تکنولوژی مجازیسازی در منابع محاسباتی این امکان را در رایانش ابری فراهم می آورد که از منابع به صورت مناسب استفاده شود. یکی از مهمترین موضوعات مورد چالش در تکنولوژی مجازیسازی، جایگذاری بهینه ماشینهای مجازی بر روی ماشینهای فیزیکی در مراکز داده ابری میباشد. جایگذاری بهینه ماشینهای مجازی بر روی ماشینهای فیزیکی در مراکز داده ابری باعث مدیریت مصرف منابع شده و از اتلاف آن جلوگیری میکند. در این مقاله، ما یک راهکار جدید را با استفاده از ترکیب الگوریتم فرا ابتکاری جمعیت سالپ چند جمعیتی به صورت گسسته و الگوریتم تپه نوردی برای جایگذاری بهینه ارایه داده ایم. اولین هدف از الگوریتم پیشنهادی، کاهش مصرف انرژی در مراکز داده ابری به وسیله کاهش ماشینهای فیزیکی فعال میباشد. دومین هدف، کاهش اتلاف منابع و مدیریت آن به وسیله جایگذاری بهینه ماشینهای مجازی بر روی ماشینهای فیزیکی در مراکز داده ابری میباشد. با استفاده از این روش، از افزایش مهاجرت ماشینهای مجازی بر روی ماشینهای فیزیکی جلوگیری میشود. در نهایت، الگوریتم پیشنهادی با الگوریتم های کار شده در این زمینه از جمله GA ،ACO ،FF ،GSA و FCFS مقایسه میشود.

    کلیدواژگان: الگوریتم جمعیت سالپ، الگوریتم تپه‎نوردی، رایانش ابری، مجازی‎سازی، چند جمعیتی
  • عبدالرضا حاتم لو*، محمد علیزاده چناقلو صفحه 4

    الگوریتم جستجوی کالغ یکی از الگوریتمهای فرا ابتکاری مبتنی بر رفتار کالغها در طبیعت بوده که برای حل مسایل بهینه سازی ارایه شده است. این الگوریتم مبتنی بر جمعیت است و با ایده اینکه کالغها مواد غذایی اضافی خود را پنهان کرده و در صورت نیاز آن را دوباره پیدا و مصرف میکنند، طراحی و پیاده سازی شده است. تمام الگوریتم های فرا ابتکاری ازجمله الگوریتم جستجوی کالغ ممکن است دارای مشکالتی مانند همگرایی زودرس و همگرایی دیررس و گیر افتادن در بهینه محلی باشند که برای حل این مشکالت از ترکیب روش های دیگر بهره میبرند. برای این منظور در این مقاله یک الگوریتم جستجوی کالغ بهبودیافته مبتنی بر یادگیری معکوس ارایه شده است. در روش پیشنهادی از روش مبتنی بر معکوس برای افزایش سرعت همگرایی و دقت الگوریتم جستجوی کالغ در دو مرحله استفاده شده است. عملکرد الگوریتم پیشنهادی با استفاده از 02 تابع محک با سایر الگوریتم ها مقایسه گردیده است. نتایج شبیه سازی نشان میدهد که روش پیشنهادی در مقایسه با الگوریتم جستجوی کالغ استاندارد و سایر الگوریتم های فرا ابتکاری پایه از لحاظ معیارهای بهترین جواب، بدترین جواب، میانگین و انحراف معیار جوابها بهتر عمل کرده است.

    کلیدواژگان: الگوریتم جستجوی کلاغ بهبودیافته، یادگیری معکوس، مسائل بهینه سازی
  • آزاده آروین مهر، مهدی یعقوبی*، مهرداد جلالی صفحه 5

    مبنای اصلی الگوریتم جستجوی کالغ CSA پنهان کردن غذا است. این الگوریتم همگرایی کمی دارد و در بهینه های محلی گیر میکند. الگوریتم جستجوی گرانشی GSA  یک الگوریتم جدید بهبود یافته ابتکاری مبتنی بر قانون جاذبه و تعامالت جرم است و توانایی خوبی در بهینه سراسری دارد، اما سرعت جستجوی آن کند است و در تکرارهای آخر رنج میبرد.دراین تحقیق، بهبود روش الگوریتم کالغ در دو مرحله صورت گرفته است: در مرحله اول با یک سیستم فازی پارامترهای CSA تنظیم شده است و در مرحله دوم از الگوریتم گرانشی استفاده شده است. الگوریتم جستجوی کالغ با فازی FCSA  اصلاح ومقادیر خروجی آن به عنوان جمعیت اولیه به GSA داده میشود و خروجی این دو، مقادیر اولیه شبکه عصبی رو به جلو FNNs  را مقداردهی میکند. دراین مقاله، GSAو FCSAGSA برای  FNNs  به کارگرفته میشوند و دقت حاصل از FNNs با PSO،GSA و PSOGSA بررسی میشود و نتایج نشان میدهدکه روش پیشنهادی عملکرد بهتری نسبت به PSO،GSA و PSOGSA برای آموزش FNNs از لحاظ سرعت همگرایی و اجتناب ازبهینه محلی دارد.با شبیه سازی نشان میدهیمکه یک FNNs آموزش دیده باFCSAGSA خطای کمتری نسبت به FNNs آموزش دیده با GSA دارد.

    کلیدواژگان: الگوریتم جستجوی گرانشی، الگوریتم جستجوی کالغ، بهینهسازی، شبکه های عصبی، شبکه عصبی رو به جلو