انجمن کامپیوتر ایرانعلوم رایانش و فناوری اطلاعات2676-543820220221122الگوریتم زمان خطی برای پیدا کردن مسیر همیلتونی در گراف توری L-شکل با یک حفرهی مستطیلی با اندازه فرد170597FAمهران زالیقهیدانشگاه شاهد، تهران، ایران, دانشکده علوم پایه، دانشگاه شاهد، تهران، ایرانفاطمه کشاورز کوهجردیدانشکده علوم پایه، دانشگاه شاهد، تهران، ایرانJournal Article20230430مسیر همیلتونی در بسیاری از حوزهها از جمله ریاضیات و صنعت کاربردهای زیادی دارد. مسیر همیلتونی، مسیری در گراف است، به طوری که هر رأس دقیقا یکبار در آن ملاقات میشود. ثابت شده است که مسألهی پیدا کردن مسیر همیلتونی در گرافهای عمومی، انپی-کامل است. همچنین برای گرافهای توری عمومی نیز این مسأله در دستهی مسائل انپی-کامل قرار میگیرد. در این مقاله، این مسأله را برای زیر کلاس خاصی از گرافهای توری، به نام گراف توری L-شکل با یک حفره مستطیلی که اندازه کل گراف فرد است، حل کردهایم و شرایط لازم و همچنین الگوریتم ساخت مسیر را ارائه دادهایم. در نهایت نشان دادهایم که این الگوریتم در زمان خطی مسیر همیلتونی بین دو رأس معین s و t در این گرافها را به دست میآورد.انجمن کامپیوتر ایرانعلوم رایانش و فناوری اطلاعات2676-543820220221122تخمین زاویة سر در شناسایی چهرۀ انسان با استفاده از روش یادگیری خودنظارتی170598FAمهدی پورمیرزاییدانشکده مهندسی صنایع و سیستمها، دانشگاه تربیت مدرّس، تهران، ایرانغلامعلی منتظردانشکده مهندسی صنایع و سیستمها، دانشگاه تربیت مدرّس، تهران، ایرانسیدابراهیم موسویدانشکده مهندسی صنایع و سیستمها، دانشگاه تربیت مدرّس، تهران، ایرانJournal Article20230430یکی از عناصر مهم در تحلیل ژست افراد، تخمین زاویۀ سر است؛ لیکن یکی از موانع اصلی برای این تخمین، هزینة برچسبگذاری تصاویر است. برچسبگذاری زاویة سر افراد در تصاویر مختلف فرایندی هزینهبر، زمانگیر و نیازمند دانش تاحدی تخصصی است. از همین رو تصاویر برچسبدار برای مسئلة تخمین زاویة سر در مقایسه با بقیة مسائل بینایی رایانه محدود است. یکی از راهحلهای جبران کمبود برچسبها، استفاده از روشهای خودنظارتی است. روشهای خودنظارتی میتوانند از دادههای بدون برچسب (تصاویر چهرة افراد)، به طریق پیش آموزش دادن شبکههای عصبی ژرف، ویژگیهای مناسبی برای تخمین زاویة سر استخراج کنند. در کنار پیش آموزش دادن شبکههای ژرف به روش یادگیری خودنظارتی، میتوان از وظایف خودنظارتی به عنوان تابع هزینة کمکی در کنار وظیفة اصلی تخمین زاویة سر استفاده کرد. این مقاله سعی دارد که تمایز استفاده از روشهای یادگیری خودنظارتی برای تخمین زاویة سر را نشان دهد. همچنین نشان داده میشود که با طراحی معماری یادگیری چند وظیفهای از ترکیب توابع هزینة بانظارت و خود نظارتی، میانگین خطای تخمین زاویة سر تا 29 درصد نسبت به روش پایه بانظارت و معماری HopeNet کاهش مییابد. انجمن کامپیوتر ایرانعلوم رایانش و فناوری اطلاعات2676-543820220221122پنهاننگاری متقارن مبتنی بر استنتاج میدان متوسط170599FAبهناز عبدالهیگروه مهندسی کامپیوتر دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایراناحد هراتیگروه مهندسی کامپیوتر دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایرانامیرحسین طاهرینیاگروه مهندسی کامپیوتر دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایرانJournal Article20230430پنهاننگاری فرآیند مخفیسازی پیام محرمانه در رسانههای دیجیتال معمولی با هدف حفظ خصوصیات آماری رسانه مربوطه است. در این حوزه به رسانه اولیه پوشانه و به رسانه حاوی پیام حامل گفته میشود. بسیاری از محققین تلاش میکنندکه اعوجاج حاصل از جاسازی پیام در تصویر پوشانه را به حداقل برسانند؛ چراکه هرگونه اعوجاج یا تغییر در پوشانه ممکن است موجب بروز شک نسبت به وجود پیام در تصویر گردد. در این راستا، اغلب روشهای پنهاننگاری تصویراز رویکرد اعوجاج جمعشونده تبعیت کرده و تغییرات ناشی از جاسازی پیام را مستقل فرض میکنند. درحالیکه در تصاویر طبیعی بین پیکسلهای مجاور همبستگی متقابل زیادی وجود دارد؛ لذا هماهنگسازی تغییرات باعث کاهش تغییرات آماری تصویر پوشانه و کمتر شدن امکان شناسایی میگردد و در نتیجه محرمانگی و امنیت را بهبود میبخشد. بر این اساس، در روشهای غیر جمعشونده مؤلفههایی برای در نظر گرفتن همبستگی بین پیکسلها در نظر گرفته میشود. در طراحی روشهای غیر جمعشونده، یک چالش بزرگعدم سازگاری با الگوریتمهای جاسازی موجود است؛ زیرا این الگوریتمها برای رویکرد جمعشونده ارائه شدهاند و پیکسلهای تصویر را بهصورت جداگانه پردازش میکنند<span dir="LTR">.</span> در این مقاله، یک چارچوب پنهاننگاری متقارن غیر جمعشونده معرفی میگردد که کاملاً با الگوریتمهای جاسازی موجود سازگار است، درعینحال با استفاده از میدان تصادفی مارکوف همبستگی و تعاملات بین تغییرات پیکسلها را مدل میکند. در این چارچوب ما از استنتاج میدان متوسط جهت یافتن بهترین تقریب برای این مدل استفاده میکنیم که تعاملات همسایگی را بهعنوان یک اثر میانگین برآورده میکند. چارچوب پیشنهادی بر روی همه روشهای جمعشونده قابل اعمال است و به دلیل هماهنگسازی تغییرات،بهترین نقشه جاسازی با احتمال شناسایی کمتر را بهدست میآورد. آزمایشات بر روی مجموعه داده استاندارد انجام شده است ونتایج کارایی مناسب روش پیشنهادی را در برابر روشهای موجود نشان میدهد.انجمن کامپیوتر ایرانعلوم رایانش و فناوری اطلاعات2676-543820220221122بهکارگیری منطق فازی در پیشبینی شدت حوادث صنعت ساختوساز170600FAعلی رحیمزادگانگروه مهندسی عمران، دانشکده مهندسی، دانشگاه فردوسی، مشهد، ایرانمنصور قلعه نویگروه مهندسی عمران، دانشکده مهندسی، دانشگاه فردوسی، مشهد، ایران0000-0002-1667-7812علیاکبر سالاریانگروه مهندسی عمران، دانشکده مهندسی، دانشگاه فردوسی، مشهد، ایرانJournal Article20230430ایمنی، همواره یک دغدغهی جدی در کارگاههای ساختوساز میباشد. در این راستا، مطالعهی بیشتر شرایط ناایمن و حوادث پیشین میتواند به شناسایی خطرات آتی و اصلاح وضعیت موجود کمک نماید. هدف این پژوهش، مدلسازی شدت حوادث صنعت ساختوساز با منطق فازی میباشد. با کمک این مدل، میتوان شدت حوادث آینده را بر اساس اطلاعات موجود در حال حاضر پیشبینی کرد. ابتدا ورودیهای مدل با توابع عضویت مختلف، به چهار حالت متفاوت تقسیم میگردند. سپس با استفاده از جدول جستجوی فازی، پایگاه قواعد برای هرکدام از حالات ایجاد میشود. در گام بعد، سیستم استنتاج فازی بهمنظور انجام پیشبینی، پیادهسازی میگردد. در پایان، عملکرد بهترین مدل ارائه شده با چند روش یادگیری ماشین رایج، مقایسه میگردد. یافتهها نشان میدهد که برخلاف سایر روشها، متوازنسازی مجموعهداده تأثیر ناچیزی بر کاهش عملکرد روش فازی دارد و به برتری نتایج این روش منجر میشود. مقدار Accuracy و F1_score برای مدل فازی بهینه 83/43% و 79/69% به دست میآید که حداقل 19/92% و10/69% نسبت به الگوریتمهای دیگر بیشتر است. این برتری برای مقادیر مذکور حداکثر به 34/96% و 21/53% میرسد. توسعهی ابزاری برای پیشبینی نتیجهی حوادث، به متخصصان ایمنی کمک مینماید تا اقدامات لازم برای پیشگیری از خسارات محتمل را برنامهریزی کنند.انجمن کامپیوتر ایرانعلوم رایانش و فناوری اطلاعات2676-543820220221122ارزیابی رویکردهای مختلف هرس در میزان تحملپذیری اشکال در شبکههای عصبی عمیق170601FAستاره احصاییدانشکده مهندسی برق و کامپیوتر، دانشگاه شیراز، شیراز، ایرانمحسن راجیدانشکده مهندسی برق و کامپیوتر، دانشگاه شیراز، شیراز، ایران,بهنام قوامیدانشکده فنی و مهندسی، دانشگاه شهید باهنر کرمان، کرمانJournal Article20230430افزایش اندازه مدل و تعداد پارامترها در شبکههای عصبی عمیق، از یک سو موجب پیشرفتهای زیادی در عملکرد این شبکهها شده و از سوی دیگر باعث بروز چالشهایی از قبیل افزایش اندازه حافظه میگردد. در هرس مدل، با حذف برخی پارامترهای شبکه، ضمن حفظ دقت مدل، اندازه آن کاهش داده میشود. با بهکارگیری این شبکهها در سیستمهای حساس-از-منظر-ایمنی، تاثیر هرس مدل که به طور سنتی با هدف کاهش اندازه شبکه استفاده میشود، بر تحملپذیری اشکال شبکهها مورد سوال جدی قرار گرفته است. در این مقاله، به کمک آزمایشهای گسترده تزریق اشکال، تحلیل جامعی بر میزان تاثیر روشهای مختلف هرس بر تحملپذیری اشکال شبکههای عصبی عمیق ارائه میشود. مدل اشکال مورد مطالعه، خطاهای نرم واژگونی بیتی است که در حافظه ذخیرهساز وزنهای شبکه رخ میدهد و باعث تغییر مقدار وزنهای شبکه میگردد. باتوجه به نتایج بهدستآمده از آزمایشهای متنوع تزریق اشکال بر روی دو شبکه AlexNet و ResNet18 که به روشهای مختلف هرس شدهاند، میتوان نتیجه گرفت که به طور کلی، هرس کردن مدل باعث بهبود تحملپذیری اشکال میشود و میتوان از آن به منظور بهبود تحملپذیری شبکههای عصبی عمیق هم بهره گرفت. از میان روشهای مختلف هرس مدل، هرس وزنی بیشترین میزان بهبود تحملپذیری اشکال را دارد.انجمن کامپیوتر ایرانعلوم رایانش و فناوری اطلاعات2676-543820220221122یک الگوریتم خوشهبندی خودکارِ مبتنی بر ساختار هندسی دایره آپولونیوس و رابطه همسایگی متقابل دادهها170602FAمژگانالسادات مشیریاندانشکده فناوری اطلاعات و مهندسی کامپیوتر، دانشگاه شهید مدنی آذربایجان، تبریز، ایرانمهدی هاشم زادهدانشکده فناوری اطلاعات و مهندسی کامپیوتر دانشگاه شهید مدنی آذربایجان ، تبریز ایران0000-0003-0506-3513شهین پوربهرامیدانشکده فناوری اطلاعات و مهندسی کامپیوتر، دانشگاه شهید مدنی آذربایجان، تبریز، ایرانJournal Article20230430در بسیاری از مسائل یادگیری ماشین و دادهکاوی مانند طبقهبندی و خوشهبندی، از الگوریتمهای ساخت همسایگی برای مدلسازی روابط محلی بین نمونههای داده استفاده میشود. در یافتن ارتباط بین نقاط داده، تشخیص دقیق همسایگی نقاط بهطور انکارناپذیری برای کاوش دادهها مفید است. طی سالیان اخیر، برخی روشهای تشخیص همسایگی مبتنی بر ساختارهای هندسی ارائه شدهاند که به دلیل دقت بالا در مکانیابی نقاط همسایگی بسیار کارآمد بودهاند. با این حال اغلب این روشها برای تشکیل گروههای مشابه نیاز به بررسی همه نقاط همسایگی دارند. به همین دلیل اغلب هزینههای محاسباتی بالایی دارند. در این میان، ساختار دایره آپولونیوس در ارزیابی شباهتهای محلی در بین مشاهدات، عملکرد بهتری از خود نشان داده است و زمینه جدیدی از علم هندسه را در دادهکاوی گشوده است. ساختار آپولونیوس امکان معرفی دانش پنهان را از طریق معرفی معیارهای هندسه فراهم میکند و میتواند یک منطقه همسایگی پویا را برای نقاط داده تعریف کند. در این مقاله، با بهرهگیری از مزایای ساختار هندسی دایره آپولونیوس و ایده همسایگان متقابل دادهها، یک الگوریتم خوشهبندی خودکار ارائه میشود. از ویژگی همسایگی متقابل نقاط داده برای تشخیص سریع و بهینه همسایگی نقاط داده، شناسایی نواحی متراکم و کشف دادههای پرت (نویز) استفاده میشود. از ساختار هندسی دایره آپولونیوس نیز برای تعیین شعاع همسایگی نواحی متراکم (با چگالی داده بالا) استفاده میشود. طوریکه برای هریک از نواحی، یک شعاع همسایگی پویا و متناسب با نقاط داده مربوطه استخراج میشود. طی این دو فرایند، هم تعداد خوشههای بهینه و هم اعضا هر خوشه شناسایی میشود. بدین ترتیب یک روش خوشهبندی خودکار حاصل میشود که نیاز به تعیین تعداد خوشهها ندارد. آزمایشهای انجام شده بر روی مجموعه دادههای استاندارد و مقایسه نتایج با دیگر روشها، نشان از عملکرد مناسب روش پیشنهادی دارد.انجمن کامپیوتر ایرانعلوم رایانش و فناوری اطلاعات2676-543820220221122ارائه یک چارچوب ریاضی برای تحلیل ارزشمندی وفاداری مشتری در سیستمهای تجارت الکترونیک مبتنی بر مدل بنگاهتجاری و مشتری IBM170603FAعلی برقلامعدانشکده فنی و مهندسی، دانشگاه شاهد، تهران، ایراناحسان موسویخانقاهدانشکده فنی و مهندسی، دانشگاه شاهد، تهران، ایرانJournal Article20230430تغییر رویکرد کاربران به استفاده از سیستمهای تجارت الکترونیک در قیاس با سیستمهای تجارت سنتی، نیاز به بازنگری در مفاهیم حاکم بر سیستمهای تجاری سنتی نظیر وفاداری مشتری را ضروری میسازد. مفهوم وفاداری مشتری در سیستمهای تجارت الکترونیک به علت افزایش اندازه بازار و فراهمکنندگان خدمات و کالا دارای اولویت و اهمیت بالاتری نسبت به سیستمهای تجارت سنتی است. وجود مفهوم تغییرات و انعطافپذیری سیستم تجارت الکترونیک، باعث میشود تا علاوه بر شناخت پارامترهای مؤثر بر مفهوم وفاداری مشتری، نیاز به بازتعریف این متغیرها بر اساس فضای ایجادکننده و عوامل مؤثر تعریفکننده سیستم تجارت الکترونیک باشد. باتوجهبه اینکه سیستم تجارت الکترونیک، توسعه سیستم تجارت سنتی است، بنابراین میتوان مفهوم شاخصهای مؤثر بر وفاداری مشتری را از سیستم مذکور اخذ نمود و با درنظرگرفتن قیود ناشی از تکنولوژی و همچنین فضای مولد سیستم تجارت الکترونیک، اقدام به بازنگری در آنها نمود. بر اساس معادلات ریاضی بهدستآمده ناشی از تأثیرپذیری عوامل مؤثر بر مفهوم وفاداری مشتری بر فضای مولد سیستم تجارت الکترونیک، میتوان ارتباطات و تعاملات این عناصر با یکدیگر را در چارچوبی مشخص و معین نمود. این موضوع باعث میشود تا عوامل مؤثر بر مفهوم وفاداری مشتری از حالت انتزاعی خارج شده و با درنظرگرفتن ماهیت امر دادوستد صورت پذیرد. از سوی دیگر، تابع کارکردی مفهوم وفاداری در سیستمهای تجارت برایناساس در این مقاله ارائه شده است. چارچوب بهدستآمده، باعث میگردد تا بنگاههای تجاری بتوانند با تحلیل شاخصهای مؤثر بر مفهوم وفادار، اقدام به تغییر ساختارهای پاسخگویی خود بهمنظور افزایش وفادار مشتریان نمایند.انجمن کامپیوتر ایرانعلوم رایانش و فناوری اطلاعات2676-543820220221122ارائهی الگوریتمی موثر برای یادگیری قوانین بر پایهی خوشهبندی ترکیبی و محاسبات گرانولار170604FAفرناز ماهانگروه علوم کامپیوتر، دانشکده ریاضی، آمار و علوم کامپیوتر، دانشگاه تبریز، تبریز، ایرانصالح صلحیگروه علوم کامپیوتر، دانشکده ریاضی، آمار و علوم کامپیوتر، دانشگاه تبریز، تبریز، ایرانسیدمیثم روضهخوانیگروه علوم کامپیوتر، دانشکده ریاضی، آمار و علوم کامپیوتر، دانشگاه تبریز، تبریز، ایرانجعفر رزمآراگروه علوم کامپیوتر، دانشکده ریاضی، آمار و علوم کامپیوتر، دانشگاه تبریز، تبریز، ایرانJournal Article20230430یادگیری قوانین یکی از ابزارهای معروف در کاربردهای مختلف یادگیری ماشین و دادهکاوی است که در سیستمهای مبتنی بر قانون بهکار برده میشود. امروزه با حجم انبوهی از دادهها، اطلاعات و دانش مواجه هستیم که برای کنترل چنین مقدار وسیعی از دادهها، نیاز به هوشمندسازی و ارائهی الگوریتمی موثر وجود دارد. سیستمهای مبتنی بر قانون در مسائل مختلف طبقهبندی و پیشبینی بهکار برده میشوند. قوانین تصمیمگیری در سیستمهای مبتنی بر قانون بهصورت عبارتهای اگر-آنگاه بیان میشوند. چنین قوانینی قادر به بیان دانش ضمنی قابل فهم برای انسان از مجموعه دادههای حجیم هستند. یادگیری قوانین عبارت از اضافهکردن قانون، توسعه قانون و ایجاد تطبیقپذیری در قانون از روی دادهها است. در این مقاله الگوریتم جدید یادگیری قوانین با استفاده از روشهای خوشهبندی ترکیبی و محاسبات گرانولار ارائه شده است. در الگوریتم پیشنهادی ابتدا مجموعهدادهها با استفاده از پنج الگوریتم، خوشهبندی میشوند سپس از بین نتایج آنها بهصورت ترکیبی بهترین خوشه انتخاب میشود. در الگوریتم ترکیبی قبل از انتخاب بهترین خوشه، نمونه دادهها با استفاده از نظریه ناهمواری که زیر مجموعهای از محاسبات گرانولار است تبدیل به اطلاعات گرانولی میشوند. محاسبات گرانولار توانایی پردازش دادههایی که بهصورت نادقیق و مبهم هستند را دارند و همچنین بدون نیاز به اطلاعات اضافی از طرف کاربر موجب کاهش افزونگی در دادهها میشوند. پس از خوشهبندی، قوانین تصمیمگیری استخراج شده و با استفاده از الگوریتم خوشهبندی فازی <span dir="LTR">c</span>_میانگین با روش حداقل مربعات خطا، عمل یادگیری انجام میگیرد. نتایج حاصل از الگوریتم، نشان دهنده افزایش دقت یادگیری، توانایی پردازش داده ها با مقادیر پیوسته و گسسته، مقادیر غیر قطعی، پردازش داده های نویزی و کاهش میزان خطا در مقایسه با دیگر روش ها بوده است<span dir="LTR">.</span>انجمن کامپیوتر ایرانعلوم رایانش و فناوری اطلاعات2676-543820220221122مروری بر معیارهای محک آزمون و ارزیابی سامانههای پردازشی فوقسریع به همراه نصب، پیکربندی و تحلیل معیارهای منتخب و مطالعه موردی در سامانه پردازشی فوقسریع نمونه170605FAاحسان آریانیانپژوهشگاه ارتباطات و فناوری اطلاعات، تهران، ایرانزهرا معزکریمیپژوهشگاه ارتباطات و فناوری اطلاعات، تهران، ایرانJournal Article20230430در این مقاله به بررسی معیارهای محک رایج برای آزمون و ارزیابی سامانههای پردازشی فوقسریع پرداخته شده است. بدین منظور، با مرور معیارهای مختلف رتبهبندی سامانههای پردازشی فوقسریع، روشهای آزمون و ارزیابی معیارهای منتخب برای منابع پردازشی، حافظه، شبکه و دیسک معرفی و نحوه راهاندازی، پیکربندی اولیه و اجرای هر یک شرح داده میشود. همچنین با راهاندازی یک سامانه آزمایشی، خروجی هر یک از معیارها به تفکیک ارائه و تحلیل میشود. در انتها، به منظور نشان دادن کاربردپذیری و داشتن درک صحیحی از مقدار خروجی معیارها در عمل، تحلیل نتایج حاصل از معیارها برای یک سامانه پردازشی فوقسریع واقعی ارائه میگردد. از آنجا که معیارهای در نظر گرفته شده در این مقاله از معتبرین معیارهای ارزیابی بوده و نیز دستورات آمادهسازی محیط و نصب و اجرای معیارها با جزئیات کامل ارائه شده است، از محتویات این مقاله میتوان برای انتخاب معیار، و نصب و راهاندازی آن برای آزمون و ارزیابی سامانههای پردازشی فوقسریع در ابعاد واقعی و به صورت عملیاتی استفاده نمود. انجمن کامپیوتر ایرانعلوم رایانش و فناوری اطلاعات2676-543820220221122ارزیابی ناهمگنی فرآیند ادغام شبکههای پیچیده و اجتماعی در مدل باراباشی-آلبرت براساس روش ترکیبی تاپسیس-انتروپی وزندار170606FAمحمدمهدی عمادیکوچکدانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایرانفرشاد صفاییدانشکده مهندسی و علوم کامپیوتر، دانشگاه شهید بهشتی، تهران، ایرانمیدیا رشادیدانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایرانJournal Article20230430یکی از موفقترین مدلهای رشد در شبکههای پیچیده و اجتماعی، مدل باراباشی-آلبرت (BA) است که رشد و اتصال ترجیحی خطی (LPA) را بهعنوان دو عنصر سازندة اصلیِ یک شبکه خود-سازمانده در ساختار مقیاس-آزاد (SF) پیشنهاد کرده است. این عوامل ناظر به این واقعیتاند که پدیدة رشد در اغلب شبکهها حاصل از افزودن گرههای جدیدی است که به شکل ترجیحی به گرههایی با درجه بالا در شبکه اتصال مییابند. رسانههای اجتماعی در یکپارچهسازی روابط عمومی کمک شایان توجهی کرده و فنآوریها و روشهای راهبردی را بیش از پیش گسترش دادهاند که این امر ناشی از پدیدة مهم ادغام رسانهها و شبکههای جدید در یکدیگر بوده است. ویژگی ادغام در شبکهها به رشد و گسترش آنها کمک میکند و بدین ترتیب، شبکههای مختلف از منظر تحقیق و توسعه، سرمایهگذاری، منابع انسانی، خدمات پس از فروش و خدمات مشتری در یکدیگر ادغام و یکپارچهسازی میشوند. همچنین، تبیین شباهتها/عدم شباهتها میان مدلهای مختلف گراف و مطالعة ناهمگنی (نامنتظمی) گرافها، یکی از مسایل پژوهشی بنیادی در مطالعة شبکههای پیچیده و اجتماعی محسوب میشود. مدل BA، مدل مولدی است که مکانیزمهایی را جهت ورود و افزودن گرهها در شبکه پیشنهاد داده است. در این مقاله، یک روش نوین و کارآمد جهت ادغام دو شبکه مقیاس-آزاد مبتنی بر مدل BA ارائه شده است. تکنیک پیشنهادی براساس ترکیب روش ترجیح براساس مشابهت به راهحل ایدآل (TOPSIS) با انتروپی وزندار است که به اختصار EWM-TOPSIS نام دارد. این تکنیک با روش رتبهبندی مبتی بر انتروپی کوانتومی مقایسه و برتری آن با نتایج برآمده از آزمونهای شبیهسازی نشان داده شده است. افزون براین، پدیده ناهمگنی در گرافِ یکپارچة ناشی از فرآیند ادغام، به کمک مهمترین شاخصهای ناهمگنی، اندازهگیری و سنجش شده است. الگوریتم ادغام پیشنهادی میتواند بازتابی از سناریوهای دنیای واقعی در فرآیند یکپارچهسازی شبکههای پیچیده و اجتماعی باشد و محوریت اصلی آن نیز بر حفظ ویژگیهای اصلی گرافهای مدل BA استوار است. نتایج تجربیِ آزمونهای شبیهسازی نشان میدهند که روش ادغام پیشنهادی در مقایسه با سایر روشها و همراه با شاخصهای ناهمگنی میتواند با دقت و صحت مناسبی بهمنظور تبیینِ مشخصات شبکههای مقیاس-آزاد مدل BA مورد استفاده قرار بگیرد.انجمن کامپیوتر ایرانعلوم رایانش و فناوری اطلاعات2676-543820220221122تخمین کانال و آشکارسازی سیگنال در سیستمهای مبتنی بر OFDM با رویکرد یادگیری ماشین170607FAفاطمه صباحی بیدگلیدانشکده مهندسی برق و کامپیوتر، دانشگاه تهران، تهران، ایرانامیرمسعود ربیعیدانشکده مهندسی برق و کامپیوتر، دانشگاه تهران، تهران، ایرانJournal Article20230430در سالهای اخیر، با گسترش روزافزون شبکههای مخابرات داده میزان تقاضا برای استفاده از طیف فرکانسی بیسیم نیز افزایش یافته است. با توجه به محدودیت طیف فرکانسی، پاسخگویی به این حجم از تقاضا، نیازمند افزایش بهرهوری طیفی است. یکی از روشهای بهبود بهرهوری طیفی، استفاده از فناوریOFDM برای رسیدن به ظرفیت بیشتر و بالا بردن نرخ ارسال و دریافت داده است. چالش اساسی در کانالهای بیسیم، ماهیت فرکانسگزینی و تغییرپذیری این کانالها با زمان است. این مسأله غالباً باعث میشود که تخمین کانال، فرآیندی پیچیده و همراه با خطا باشد که خود منجر به افزایش احتمال خطا در آَشکارسازی دادهها میشود. در نتیجه، تخمین کارآمد ضرایب کانال در سیستمهای مخابرات بیسیم، همواره مورد توجه پژوهشگران این حوزه بوده است. در این مقاله، نخست تعدادی از روشهای شناختهشدهی تخمین کانالهای بیسیم را معرفی میکنیم. سپس با بیان برخی مشکلات این روشها، روشهای جدیدی را برای تخمین کانال مورد بررسی قرار میدهیم که بر مبنای یادگیری ماشین کار میکنند. در ادامه روش پیشنهادی خود را ارائه میدهیم که این روش میتواند چند نمونه از نقصهای روشهای قبلی را برطرف کند، در پایان روش پیشنهادی را با برخی از روشهای موجود در ادبیات مسأله، میزان پیچیدگی الگوریتم و نرخ خطای بیت آشکارسازی سمبلها مقایسه نموده و کارایی آنها را در سناریوهای مختلف بررسی میکنیم. انجمن کامپیوتر ایرانعلوم رایانش و فناوری اطلاعات2676-543820220221122ارائه معماری یک شتابدهنده الگوریتم ژنتیک پرسرعت، عاممنظوره و مقیاسپذیر170608FAمحمد امینمسیبیدانشکده مهندسی و علوم کامپیوتر، دانشگاه شهید بهشتی، تهران، ایرانحمیدرضا مهدیانیدانشکده مهندسی و علوم کامپیوتر، دانشگاه شهید بهشتی، تهران، ایرانJournal Article20230430الگوریتم ژنتیک کاربرد فراوانی در حل مسائل بهینهسازی با فضای جستجوی گسترده، پیچیده و غیر خطی دارد. مهمترین خصوصیت ذاتی این الگوریتم، نیاز به انجام عملیات ساده و تکراری برای تعداد زیادی ژنوم و در نسلهای فراوان است که امکان بالقوه اجرای موازی عملیات و پیادهسازی سختافزاری الگوریتم را مهیا می سازد. مهمترین چالش پیاده سازی سخت افزاری یک پردازنده عاممنظوره الگوریتم ژنتیک، به بخش محاسبه مقدار برازندگی ژنومها بر میگردد که برای هر مساله به صورت اختصاصی تعریف میشود و امکان پیادهسازی آن بهصورت عاممنظوره و با راندنمان بالا وجود ندارد. در این مقاله، با بهره گیری از طراحی توأمان سخت افزار-نرم افزار، به توسعه معماری یک پردازنده عام منظوره و در عین حال پرسرعت الگوریتم ژنتیک پرداخته شده است. در معماری پیشنهادی، واحد محاسبه مقدار برازندگی از بخشهای سختافزاری پردازنده خارج شده، امکان پیاده سازی آن در خارج از هسته و با بهرهگیری از هر تعداد موتور محاسباتی و با خصوصیات متناسب با هر کاربرد فراهم شده است. با اینکار، ضمن حفظ عام منظوره بودن معماری هسته پردازنده، امکان پیاده سازی پرسرعت آن فراهم شده است. از طرف دیگر ، انتقال بخش محاسبه مقدار برازندگی که معمولا پرمحاسبهتر و کندتر از بخشهای دیگر است به خارج از تراشه، موجب کندی بیشتر این بخش و بی نتیجه کردن سرعت بالای بخشهای داخل هسته خواهد شد. برای رفع این مشکل و افزایش متناسب سرعت محاسبه مقادیر برازندگی در هنگام حل مسائل مختلف متناسب با سرعت هسته، هسته معماری پیشنهادی به نوعی طراحی شده است که امکان ارسال و دریافت موازی و همزمان ژنومها به تعداد دلخواهی از واحدهای محاسبه مقدار برازندگی به صورت ناهمگام را دارا است. نکته قابل توجه دیگر این است که در معماری پیشنهادی لزومی به یکدست بودن واحدهای محاسبه مقدار برازندگی نیست، و هسته پردازنده، قابلیت تعامل با واحدهای ناهمگون از لحاظ سرعت و ساختار را نیز دارا است. عملکرد معماری پیشنهادی در مقایسه با کارهای قبلی در حل مسئله فروشنده دورهگرد به ازای پارامترهای مختلف از ۳۳٪ تا ۷۱٪ برای زمان اجرا و تعداد کلاک هر نسل بهبود داشته است.