تاکنون تحقیقات زیادی در مورد ذخیره سازی و بازیابی اسنادxml انجام شده است. در روش سنتی اسناد xml به بانک های اطلاعاتی رابطه ای نگاشت می شوند. سپس می توان با پرس وجوهای رابطه ای، داده ها را بازیابی کرد. امروزه در بسیاری از کتابخانه های دیجیتال، اسناد xml در بانکهای اطلاعاتی ذاتا xml ذخیره می شوند. بانکهای اطلاعاتی ذاتا xml به این معنا است که اسناد به صورت اصلی در بانک ذخیره می شوند. نکته مهم در این نوع بانک ها ایندکس گذاری اسناد است. ایندکس گذاری اسناد باعث افزایش سرعت در اجرای پرس وجو ها می شود. روشهای زیادی برای ایندکس گذاری اسناد و بازیابی داده ها ارائه شده است. اما مشکلی که در اکثر انها وجود دارد، گره های بی فایده زیادی را مورد دستیابی قرار می دهند که باعث افزایش پاسخ به پرس وجو می شود. در این پایان نامه روشی ارائه شده است که در مقایسه با روش های مشابه تعداد گره های کمتری را مورد دستیابی قرار داده و با استفاده از روشهای شاخص گذاری، گره های بی فایده و تکراری را از پرسوجو حذف می کند. نتایج نشان می دهد روش پیشنهادی، نسبت به روشهای موجود، در زمان کمتری پرسوجوها را اجرا کرده و به جواب می رسد.

سیستمهای مشبک محاسباتی در اواخر 1990 به عنوان جایگزینی پیشنهادی برای ابر کامپیوترهای متداول پدیدار شدند تا به حل مسائل خاصی بپردازند که مستلزم محاسبات عددی انوبوه و دسترسی به حجم بیشتری از داده های توزیع یافته بودند. سیستم های مشبک درهمه جا گسترده شده اند، اغلب آنها سیستم های خاصی هستند که فقط برای گروه های خاصی از پژوهشگران در شاخه هایی مانند فیزیک انرژی های بالا، تحقیقات ژنتیکی و مانیتورینگ زمین لرزه قابل دسترسی هستند. اما در این راستا سیستم های خودمختار مشبک توانایی حل مسائل و مدیریت خودرا برعهده خواهند داشت. در این پایان نامه سیستم های مشبک محاسباتی و معماری c4isr مورد بررسی قرارخواهند گرفت، سپس معماری جدیدی به نام agc4isr برای این دسته از سیستم های مشبک محاسباتی ارائه و بصورت بررسی موردی زمانبندی در معماری ارائه شده مورد ارزیابی قرارخواهد گرفت.

اعداد تصادفی در علوم ریاضی، مهندسی و صنعتی کاربردهای گوناگون و متنوعی دارند، بعضًا برای حل مسائل عددی پیچیده از اعداد تصادفی استفاده میشود. بنا به اهمیت اعداد تصادفی هدف در این پایان نامه تولید اعداد تصادفی مناسب است. به صورت عملی یکی از راههای تولید اعداد تصادفی واقعی استفاده از فرآیندهای فیزیکی طبیعی است. برای جلوگیری از نتایج شبیه سازی اشتباه بوسیله تولید کننده .[ اعداد تصادفی نامناسب از تعدادی آزمون های آماری استفاده می شود[ 20 روشهای متنوعی برای ساخت مولدهای اعداد تصادفی ارائه شده است. در دو دهه اخیر محققان 1]. بسیاری علاقه زیادی برای ساخت مولد های تصادفی با استفاده از اتوماتاهای سلولی نشان دادهاند[ از محققین از الگوریتم ژنتیک برای بدست آوردن قوانین مناسب بر روی اتوماتای سلولی استفاده نمودند. در این میان روش "برنامهریزی سلولی" 1 مورد توجه بسیاری از پژوهشگران قرار گرفت به طوریکه با دادن تغییراتی در آن به راهحلها و روشهای جدیدی برای یافتن اعداد تصادفی دست مییابند و روش خود را با استفاده از تستهای مختلف آماری با برنامهریزی سلولی مقایسه میکنند. در این پایان نامه بر اساس ایده اتوماتای سلولی غیر یکنواخت یک بعدی با شعاع همسایگی یک با استفاده از الگوریتم ژنتیک، یک روش جدید برای پیدا کردن مجموعه قوانین کارا در تولید اعداد شبه تصادفی ارائه میشود. الگوریتم پیشنهاد شده را از این پس مولد اعداد شبه تصادفی با استفاده از الگوریتم مینامیم. به منظور مقایسه الگوریتم پیشنهادی با (prng gaca) ژنتیک مبتنی بر اتوماتای سلولی 2 استفاده میشود و نشان میدهد که الگوریتم “ent” الگوریتمهای قبلی از آزمون آماری نظیر تست پیشنهادی در مقایسه با الگوریتم برنامهریزی سلولی، در تعداد نسل کمتر و سرعت بالاتر به مجموعه قوانین مورد نظر همگرا میشود. بنابراین میتوان تمام روشهایی که در این سالهای اخیر بر اساس تکنیک برنامهریزی سلولی عمل میکردند را مبتنی بر روش ارائه شده پیاده سازی نمود.

داده کاوی به عمل استخراج اطلاعات سودمند و دانش پنهان از پایگاه داده گفته می شود. کاوش قوانین انجمنی یکی از مهم ترین تکنیک های داده کاوی است که به استخراج الگوهای تکرار شونده از لابلای مجموعه اقلام پایگاه داده های تراکنشی با حجم بالا می پردازد و ریشه اصلی آن به تجزیه و تحلیل تعاملات نقطه فروش برمی گردد. اکثر الگوریتم های مرسوم کاوش قوانین انجمنی بر روی داده های دودویی کار می کنند، در حالی که پایگاه داده های استفاده شده در اکثر موارد تجاری و علمی حاوی داده های کمی هستند. این تحقیق برای کار با داده های کمی، مفاهیم منطق فازی و الگوریتم های کلاسیک کاوش قوانین انجمنی را مجتمع می کند تا قوانین انجمنی فازی مفید استخراج کند. از طرفی الگوریتم های فعلی کاوش قوانین انجمنی به گذرهای زیادی از پایگاه داده نیاز دارند، به همین دلیل سربار ناشی از عملیات ورودی/خروجی در این الگوریتم ها بسیار بالا است. در الگوریتم پیشنهادی، کل پایگاه داده فقط یک بار مورد بررسی قرار می گیرد. در این گذر، تراکنش های پایگاه داده به خوشه هائی تقسیم می شوند، به نحوی که تراکنش های هر خوشه بیشترین شباهت را به یکدیگر داشته باشند. سپس به جای اعمال الگوریتم های کاوش قوانین انجمنی فازی بر روی کل داده ها، این الگوریتم ها به صورت جداگانه و موازی بر روی داده های هر خوشه اجرا خواهند شد. نتایج تحقیق بر روی داده های فروش فرآورده های نفتی نشان داد که الگوریتم پیشنهادی نه تنها باعث افت دقت و صحت قوانین کشف شده نمی شود بلکه زمان اجرای الگوریتم را نیز کاهش می دهد.