یکی از اساسی ترین چالش های کنونی محاسبات ابری و مرکز داده ها کاهش مصرف انرژی و کاهش گرمای تولیدی در دیسک ها است. پیش بینی مصرف انرژی می تواند در استفاده ی تأثیرگذار از دستگاه های ذخیره سازی برای محاسبات ابری ما را یاری نماید. از روش های مطرح در زمینه ی مصرف انرژی می توان به روش مدیریت دیسک براساس پیش بینی آینده اطلاعات (piswp) اشاره نمود. این مدل می تواند مصرف انرژی در سطح دیسک ها را تا حدود بسیار زیادی بهبود می دهد. در این مدل انرژی مصرفی در دیسک ها، با توزیع داده ها در دیسک های متعدد کاهش می یابد. روش پیشنهادی براساس piswp در عین کارایی بالا دارای ایراداتی است. عدم وجود تابع پیش بینی مناسب و استفاده از تعداد ویژگی کم برای پیش بینی وزن مقادیر از جمله ایرادات این روش می باشد. برای رفع این مشکلات، به دنبال روشی برای پیش بینی وضعیت دیسک ها در آینده خواهیم بود که به منعطف کردن تابع بپردازد و به صورت خود محور توانایی پیش بینی با توجه به داده را داشته باشد. بنابراین، تابع جدید با ترکیب شبکه ی عصبی و قوانین بیز طراحی و ویژگی های متعددی در تولید تابع اضافه شد تا در نهایت دقت تابع پیش بینی افزایش یابد. در نهایت با استفاده از داده های به دست آمده از مرکز داده ای یوتیوب به بررسی سطح بهبود مصرف انرژی پرداخته شده است. بر طبق نتایج، طرح پیشنهادی در این پایان نامه، باعث کاهش مصرف انرژی در سطح بسیار بالایی گردیده است.

None

امروزه امنیت در شبکه¬های کامپیوتری دارای اهمیت فراوانی است. اما از آنجایی که شبکه¬های صنعتی در مقایسه با شبکه¬های معمولی دارای تفاوت¬ها و ضروریات خاص خود هستند، همین تفاوت¬ها سبب تفاوت در اولویت¬بندی و روش¬های امن¬سازی در شبکه¬های صنعتی نسبت به شبکه¬های عادی می¬شود. از طرفی به دلیل اینکه کاربرد شبکه¬های صنعتی در کنترل فرآیندهای صنعتی است و این فرآیندها در صنایع حساس و زیرساختی کشورها همانند پالایشگاه¬ها، تاسیسات تولید و انتقال برق، سدهای ذخیره و نگهداری آب و نیروگاه-های هسته¬ای بکار می¬روند، طبیعی است که وجود ناامنی و امکان نفوذ در این شبکه¬ها سبب بروز خطرات و آسیب¬های جبران ناپذیری برای کشورها خواهد داشت، در نتیجه حفظ امنیت و امکان تشخیص نفوذ در شبکه¬های صنعتی دارای اهمیت به سزایی است. با در نظر گرفتن مطالب بیان شده، در این پروژه با بررسی کارهای اندک صورت گرفته در این حوزه، هدف ما ارائه الگوریتم جدید تشخیص نفوذی است که در آن به ویژگی¬های شبکه¬های صنعتی توجه گردد و علاوه بر این از روش¬های یادگیری و هوش مصنوعی نیز الهام گرفته شود. در الگوریتم ارائه شده در این پایان¬نامه علاوه بر مطالب بیان شده از دانش فرد خبره به عنوان کسی که اطلاعات و آگاهی لازم در خصوص شبکه¬ی صنعتی را دارد نیز بهره گرفته می¬شود که بکارگیری نقش فرد خبره در طراحی الگوریتم پیشنهادی برای نخستین بار در این حوزه صورت می¬گیرد. سیستم تشخیص نفوذ پیشنهادی برای تشخیص ناهنجاری¬های موجود در شبکه اقدام به ساخت گراف ارتباطی شبکه با توجه به ویژگی¬های پروتکل مدباس و دستگاه¬های بکار رفته در شبکه می¬نماید که این روش، در تعیین ترافیک نرمال شبکه برای اولین بار در سیستم¬های تشخیص نفوذ ارائه شده در شبکه¬های صنعتی، بکار رفته است. در این سیستم یک پایگاه داده حملات رایج در شبکه¬های مدباس نیز قرار داده شده است تا در صورت امکان، سیستم اقدام به تشخیص حمله¬ی ناشی از ناهنجاری تشخیص داده شده نماید. برای ارزیابی سیستم پیشنهادی در این پایان¬نامه با توجه به عدم وجود مجموعه داده در حوزه شبکه¬های صنعتی و لزوم ارائه ارزیابی عملکرد سیستم در گزارش پایانی، خود اقدام به تولید مجموعه داده و شبیه¬سازی محیط شبکه¬های صنعتی کردیم. سپس این مجموعه داده برای آزمایش روش پیشنهادی مورد استفاده قرار گرفت که نتایج آن نتایجی قابل قبول بوده و نتایج مربوطه در فصل نتیجه¬گیری قرار داده شده است. در مجموع در سیستم پیشنهادی در این پایان¬نامه از گراف ارتباطی برای مدل کردن ترافیک عادی شبکه و از نقش فرد خبره در فرآیند یادگیری سیستم بهره برده خواهد شد که هریک از آن¬ها برای اولین بار در سیستم تشخیص نفوذ شبکه¬های صنعتی بکار رفته است.

امروزه به دلیل اینکه خدمات ارائه شده روی شبکه ها تنوع بسیار بالایی دارند شاهد افزایش کاربران و رشد بالای فیزیکی شبکه ها هستیم و ارائه کنندگان خدمات بدلیل افزایش کاربران مجبور هستند برای تامین نیاز آنها به طرف شبکه های خدمات غیرمتمرکز بروند اما این نوع شبکه ها دارای چالش ها و مشکلاتی هستند. اساسی ترین چالش در شبکه های خدمات غیرمتمرکز، کنترل آنها است و مهمترین عمل کنترلی، تواز ن بار در چنین سیستم هایی می باشد. الگوریتم های ارائه شده، پارامترهای مختلفی را باید مورد توجه قرار دهند تا از منابع کارآمدتر و عادلانه تر استفاده کنند. الگوریتم مناسب، باید منجر به کاهش مصرف منابع، افزایش مقیاس پذیری، حذف تنگناها، کاهش سربار، کاهش زمان انتقال بار اضافی از گره¬ای به گره دیگر، کاهش زمان پاسخگویی سیستم، افزایش توان عملیاتی و کارآیی سیستم شود. الگوریتم¬های ارائه¬شده در محیط¬های شبکه¬های توزیع¬شده و محاسبات ابری از لحاظ عملکرد دارای طبقه¬بندی هستند. تعداد بسیار کمی از آنها متمرکز و اغلب آنها توزیع شده عمل می کنند و همچنین الگوریتم هایی هم هستند که نیمه توزیع شده عمل می کنند الگوریتم های موجود در هر یک از طبقه بندی های متمرکز و توزیع شده دارای مزایا و معایبی هستند و به همین دلیل الگوریتم های نیمه توزیع شده سعی می کنند از مزایای الگوریتم های متمرکز و توزیع شده بیشترین استفاده را ببرند و تا جایی که ممکن است از معایب آنها اجتناب کنند. الگوریتم های نیمه توزیع شده بیشتر از ساختار خوشه بندی سلسله مراتبی استفاده می کنند که دارای تعدادی سطوح هستند و به دلیل اینکه تعداد سطوح اغلب بالا است ساختار ایجاد شده بیشتر شبیه به ساختار گراف درختی است. ایجاد ساختار گراف درختی در الگوریتم های نیمه توزیع شده باعث می شود تا این الگوریتم ها بیشتر به الگوریتم های متمرکز سوق پیدا کنند. بدین منظور هدف این پایان نامه، ارائه ی الگوریتم نیمه توزیع شده با خوشه بندی سلسله مراتبی دو سطحی است تا مشکل متمرکز شدن این الگوریتم¬ها را، که باعث کاهش تحمل پذیری خطا و افزایش زمان پاسخگویی سیستم می شود را رفع کند و از فواید الگوریتم های توزیع شده، که بارزترین آنها مقیاس پذیری و تحمل پذیری خطا است، بهره مند شود. ما در این پایان نامه الگوریتم های ارائه شده برای محیط های شبکه های خدمات توزیع شده را مورد بررسی قرار دادیم و یکی از الگوریتم های ایجاد ساختار سلسله مراتبی در شبکه های بدون ساختار را به نام الگوریتم mycoload انتخاب کردیم. دلیل انتخاب الگوریتم mycoload، برخورداری از ویژگی های خودسازمان ده بودن، الهام گرفته شده از طبیعت و در نظر گرفتن تمام شرایط محیطی شبکه های خدمات غیرمتمرکز است. الگوریتم فوق با ارائه ی پارامترها و راهکارهای جدید برای انتخاب سرگره ها و توازن بار، از لحاظ زمان همگرایی گره های شبکه، زمان پاسخ به درخواست ها و سربار اعمالی به شبکه بهبود داده شده است. نتایج بدست آمده از شبیه سازی های انجام شده در پایان نامه، میزان بهبود ویژگی های عنوان شده در الگوریتم بهبود یافته نسبت به الگوریتم mycoload را به وضوح به نمایش گذاشته است. الگوریتم بهبود یافته برای کنترل محیط های محاسبات ابری توزیع شده و سایر محیط های توزیع شده ی بدون ساختار و توپولوژی خاص با مقیاس بزرگ و پیچیده، ایده آل و کارآمد است.

مسئله ی زمان بندی دروس دانشگاه یک مسئله¬ی بهینه سازی ترکیبی از دسته مسائل np- hard می باشد که هدف اصلی این مسئله، یافتن یک رهیافت برای تخصیص کلیه ی رویدادها به برش های زمانی و اتاق های ثابت می¬باشد، که البته باید همه ی محدودیت های سخت و نرم ذکر شده در مسئله برآورده شود. تعداد زیادی از روش های متنوع در حال حاضر برای حل این مسئله پیشنهاد شده اند. همچنین مطالعات زیادی از الگوریتم های تکاملی برای حل مسئله ی زمان بندی دروس دانشگاه استفاده کرده اند. هدف از این پایان¬نامه، ارائه¬ی راهکاری جدید برای حل مسئله ی زمان بندی دروس دانشگاه که تاکنون برای بهینه سازی این مسئله بکار گرفته نشده است، می باشد. در این راستا پس از بررسی روش های متعدد هوشمندانه در جهت حل مسئله ی ایجاد یک جدول زمان بندی دروس دانشگاهی، از الگوریتم جدید رقابت استعماری، به علت مزایایی که نسبت به دیگر روش های الهام گرفته شده از طبیعت دارد، از جمله سرعت همگرایی بالا، هوشمندانه تر بودن روش و توانایی بهینه سازی توابعی با تعداد متغیرهای خیلی زیاد، برای حل این مسئله استفاده کردیم. در راستای حل این مسئله این الگوریتم را بهبود دادیم، برای این منظور در ابتدای هر نسل از الگوریتم، قبل از عملگر جذب ابتدا استعمارگرها را به کمک الگوریتم جستجوی محلی بهبود دادیم. این ترکیب باعث بهبود کیفیت راه حل بدست آمده به نسبت الگوریتم رقابت استعماری به تنهایی شد. در این پژوهش، یک مسئله ی نمونه توسط الگوریتم رقابت استعماری با در نظر گرفتن پارامترهایی از جمله استفاده از الگوریتم جستجوی تابو درون عملگر جذب به منظور جلوگیری از نقض محدودیت های سخت، استفاده از ضریب تغییر 5/0در این عملگر و احتمال عمگر انقلاب 4/0 بر روی جمعیت 400 تایی و با تعداد نسل 400 تایی بر روی دو مجموعه داده ی کوچک و بزرگ با در نظر گرفتن محدودیت های نرم بیشتر و تابع برازندگی پیشنهادی پیاده سازی شد. مجموعه داده کوچک شامل داده های واقعی یک نیم سال تحصیلی از دانشکده ی برق و کامپیوتر دانشگاه تبریز با 52 رویداد برای برنامه ریزی شدن در 10 کلاس و 50 شکاف زمانی تک ساعته می باشد. مجموعه داده بزرگ نیز شامل داده های یک آموزشکده فنی با 112 رویداد برای برنامه ریزی شدن در 8 کلاس درسی و 50 شکاف زمانی تک ساعته می باشد. نتایج بدست آمده از این الگوریتم با چهار الگوریتم ga معمولی، ga ترکیبی، pso معمولی و pso ترکیبی مقایسه شد. نتایج بدست آمده نشان داد که الگوریتم رقابت استعماری با زمان محاسباتی کم تر، سریعتر از دیگر الگوریتم ها عمل می کند و جداول زمانی با کیفیت بهتری را از نظر میزان نقض محدویت های نرم مسئله، در مقایسه با الگوریتم ga معمولی و pso معمولی ارائه می کند. اما الگوریتم رقابت استعماری ترکیبی پیشنهادی در مقایسه با الگوریتم های ga معمولی، pso معمولی و ترکیبی و حتی الگوریتم ica معمولی، از نظر میزان نقض محدودیت های نرم مسئله توانست جدول زمانی با کیفیت بهتری ارائه دهد.

داده کاوی مجموعه ای از شیوه های عمدتا آماری وبدیع با هدف استخراج اطلاعات جدید از مجموعه داده های بزرگ وتبدیل آن به یک ساختار قابل فهم برای استفاده بیشتر است. طبقه بندی داده¬ها و پیش بینی فرایندها دو کاربرد عمده داده کاوی است.یکی از حوزه¬های کاربردی طبقه-بندی داده¬ها، دسته بندی صاحبان حساب¬های بانکی و پیش بینی بازپرداخت وام¬های بانکی است. باتوجه به اینکه اعطای تسهیلات و تخصیص منابع به افراد جزو وظایف اصلی بانک ها است، از مشکلات اصلی بانک ها، مدیریت منابع مالی موجود، مدیریت ریسک اعتباری، مدیریت وام های تخصیصی به افراد،پاسخگویی به افزایش درخواست های تسهیلات و محدودیت منابع مالی بانک ها می باشد.تجزیه و تحلیل داده های بانکی می تواند در تولید دانش لازم در مورد صاحبان حساب¬های بانک به مدیران بانک کمک کرده و در رفع این مشکلات سودمند باشد.بانک¬ها با ارائه مدل هاو کشف دانش نهفته در داده ها، مشتریان خود را می توانند توصیف کنند.بانک¬ها می توانند بر اساس پیش بینی اقدامات مختلفی مانند نگهداری مشتریان خوش حساب و جداکردن آن ها از مشتریان بدحساب را انجام دهند. بانک ها می توانند جهت تصمیم گیری در پرداخت تسهیلات به مشتریان از نتایج داده کاوی استفاده کنند.

در پردازش زبان طبیعی سعی بر این است که کامپیوتر توانایی استخراج معنی از منابع زبان طبیعی را داشته باشد. به دلیل پیچیدگی پردازش زبان طبیعی و برای سادگی برخورد با چالش های پیش روی آن از ابزارهای مختلف و تخصصی برای مواجهه با هر یک از مشکلات استفاده شود. برچسب گذار نحوی اجزای کلام یکی از ابزارهایی است که می تواند به فرایند پردازش زبان طبیعی کمک کند. وظیفه برچسب گذار مشخص کردن نقش دستوری کلمات در جملاتی است که به عنوان ورودی به کامپیوتر داده می شود. این ابزار پایه ای می تواند در مترجم های ماشینی، غلط یاب ها، خلاصه سازهای متون و سایر موارد استفاده شود. در این پایان نامه ابتدا به معرفی روش های تعیین نقش دستوری برای زبان فارسی می پردازیم. برچسب گذاری به صورت عمده به دو گونه مبتنی بر قانون و آماری تقسیم می شود. در این پایان نامه به بررسی روش های تعیین نقش دستوری در زبان فارسی می پردازیم. با توجه به مشکلات برچسب گذاری مبتنی بر قانون عمده پیاده سازی های انجام شده در زبان فارسی، با استفاده از روش های آماری بوده اند. روش های آماری مدل مارکوف، مبتنی بر حافظه و تخمین احتمال بیشینه پرکاربردترین روش های آماری برای زبان فارسی هستند که سعی شده با انعکاس نتایج، مقایسه ای را بین آن ها انجام دهیم. در پایان نتایج بررسی ها نشان می دهد الگوریتم مدل مارکوف بیشترین اقبال را چه ازنظر تعداد استفاده چه ازنظر درصد موفقیت برای زبان فارسی دارا است. نکته قابل توجه در کارهای پیشین تمرکز بیشتر آن ها بر روی تعیین نقش دستوری کلمات ناشناخته است. برای این کار روش¬های پیش¬پردازش متن، تحلیل¬گر ساخت¬واژی و حدس برچسب کلمات ناشناخته مورد استفاده قرار گرفته بود. دراین بین کمتر اثری را می توان یافت که ضمن ارائه الگوریتمی جدید به موفقیت قابل توجه دست پیداکرده باشد. ما برای ارائه الگوریتم جدید، مدل مخفی مارکوف را با توجه به بررسی کارهای گذشته به عنوان مبنای کار خود قراردادیم. سپس با ارائه روش های مختلف تلاش کردیم درنتیجه به دست آمده توسط این روش بهبود حاصل کنیم. یکی از رو¬ش¬ها بررسی انتقال های پرتکرار و انتقال ها با درصد خطای بالا برای وضع قوانین بهبود دهنده برای آن¬ها است. تغییر نسبت وزنی فاکتورهای اصلی مدل مارکوف به دنبال یافتن نسبت بهینه بین این فاکتورها روش دیگر مورد استفاده بود، که نشان داد نسبت یک¬به¬یک بهترین انتخاب است. بررسی تأثیر نقش کلمات بعدی به جای کلمات قبلی، بر روی تعیین نقش دستوری کلمات انجام گرفت، چرا که تأثیر برچسب¬های قبل و بعد بر روی تعیین نقش دستوری کلمات برای هر زبان قابل توجه است. نتیجه به دست آمده 96.89 درصد است. برچسب¬گذاری دو مرحله¬ای با استفاده از دسته¬بندی اولیه برچسب¬ها روشی است که می¬تواند کیفیت نتیجه را بهبود دهد هرچند نتیجه کمی آن از 95.91 درصد فراتر نرفت؛ اما نقطه قوت این پایان نامه اضافه کردن فاکتورهایی مانند p(t_(i-1) |t_i ) به مدل مارکوف و پیدا کردن نسبت بهینه بین آن ها با استفاده از روش های جستجوی مختلف ازجمله الگوریتم ژنتیک است. این روش توانست با موفقیت 97.06 درصدی نتیجه¬ای بهتر از روش¬های موجود ارائه دهد.

با توجه به اینکه در سال¬های اخیر پردازنده¬های چند هسته¬ای و gpu های چند هسته¬ای به عنوان ابزار مقرون به صرفه¬ای برای استفاده در سیستم¬های مختلف مناسب بوده¬اند، امروزه کامپیوتر¬های رو میزی، لپ¬تاپ¬ها و ابر رایانه¬ها و محیط¬های ابری که شامل پردازنده¬های چند هسته¬ای cpu و gpu می¬باشند بسیار رایج هستند. در نتیجه ارائه¬ی سیستم عامل¬هایی برای محاسبات که بر روی cpu و gpu اجرا شوند مورد توجه بسیار زیادی است. هدف از ارائه¬ی این تحقیق نیز ارائه¬ی روشی جهت استفاده¬ی همزمان از قدرت پردازشی پردازنده¬های cpu و gpu است به طوری که بتوان از حداکثر توانایی سیستم در اختیار استفاده نمود. همانطور که وارد حوزه محاسبات gpu می¬شویم، برنامه های کاربردی ذاتا موازی به طور فزآینده¬ای از توانایی فراوان محاسبات موازی gpu برای رسیدن به کارایی و بازدهی بالاتر استفاده می¬کنند. برنامه¬های کاربردی که قبلا به علت زمان بالای اجرای آنها نامناسب بودند امروزه توسط محاسبات gpu قابل انجام هستند. در سال¬های اخیر تلاش¬های قابل توجهی در جهت موازی سازی الگوریتم¬ها و اجرای موازی فرایندهای محاسباتی انجام شده است و هر یک از شرکت¬های بزرگ و مشهور، اقداماتی در جهت موازی¬ کردن اجرای دستورات و الگوریتم¬ها انجام داده¬اند تا بتوانند زمان اجرای فرآیندهای محاسباتی را کاهش دهند که در این بین، شرکت nvidia پا را از مرزها فراتر گذاشته و راه-حلی برای اجرای موازی دستورات با بهره¬مندی از قدرت پردازش gpu ابداع نموده است. شرکت nvidia با ایجاد پلت فرم cuda(compute unified device architecture ) و طراحی gpu های جدید خود که قابلیت پردازش چندین هزار دستور در واحد زمان را دارد، راهکار جدیدی برای اجرای موازی الگوریتم¬ها را فراهم نموده است. gpu برای عملیات بسیار موازی طراحی شده در حالی که یک cpu برنامه¬ها را بصورت سریال انجام می¬دهد. به همین دلیل gpu ها واحد محاسبه¬گر موازی با ترانزیستورهای تعداد بالا را دارند در حالیکه cpu واحد پردازشگر کمتری نسبت به gpu را دارد. لذا با بهره¬گیری از قدرت پردازش gpu و cpu به طور همزمان می¬توان سرعت اجرا را بسیار بالا برد. در سال¬های اخیر پلت فرم cuda پیشرفت قابل توجهی در جهت پیاده¬سازی¬ها ایفا نموده که در این بین می¬توان به زمینه¬های پزشکی، نظامی و نجومی اشاره کرد. چالشی که در این راستا در این پژوهش انجام شده اجرای چند الگوریتم محاسباتی با بهره¬مندی از قدرت پردازش gpu و سپس cpu می¬باشد. در ادامه زمان¬های بدست آمده از اجرای gpu با زمان¬های بدست آمده از اجرای cpu مقایسه شده است. در این پژوهش ابتدا روشهای قبلی که از gpu برای فرآیندهای محاسباتی استفاده شده است را مرور کرده و سپس چند نمونه از الگویتم های محاسباتی را توسط قدرت پردازش gpu پیاده¬سازی و اجرا می¬نماییم.

سرمایه گذاری در تحول اقتصادی، نقش بسزایی دارد. اهمیت این عامل را می توان به وضوح در سیستم کشورهایی با نظام سرمایه داری مشاهده کرد. بدون شک بورس یکی از مناسب ترین مکان ها، برای جذب سرمایه های کوچک و استفاده از آن ها جهت رشد اقتصادی است. افراد با سرمایه گذاری انتظار دستیابی به سود سرمایه ی خود را دارند. بنابراین مهمترین امر در این زمینه خرید یک سهم به ارزش پایین و فروش آن به ارزش بالاتر است. بازار سهام دارای سیستم غیر خطی و آشوب گونه است که تحت تاثیر شرایط سیاسی، اقتصادی و روان شناسی است که این موضوع منجر به بوجود آمدن روش ها ی مختلف پیش بینی ارزش سهام مانند شبکه های عصبی، پیش بینی فازی و الگوریتم های ژنتیک شده است. این مطالعه روش نوآورانه ای برای پیش بینی ارزش سهام شامل ترکیبی ازالگوریتمهای lcs، rst و ga ارائه می دهد. این مطالعه برای بهبود پیش بینی ها و رفع مشکلات برخی از مدلهای قبلی ارائه می گردد که متشکل از کار های پیشین، مدل ترکیبی و راهکار پیشنهادی، کارایی مدل ارائه شده، نتیجه گیری و احتیاجات برای تحقیق های آینده را ارائه می کند. نتایج بدست آمده از شبیه سازی بیانگر این است که پیش بینی با این روش، با درصد خطای کمتری همراه است. برای کاهش این خطا بهبودهایی بر الگوریتم های قبلی در نظر گرفته شده است. با توجه به جستجوی تصادفی فضای جواب توسط الگوریتم ژنتیک و قابلیت lcs هم برای درون یابی مسائل پیچیده و هم کلاس بندی و فیلترینگ قوانین، این مدل در مقایسه با مدل های معمولی مانند رگرسیون چند متغیره، در مسایل پیچیده و با تعداد متغیر های بیشتر، به نتایج بهتری منجر می شود.

پرس وجوهای مبهم و کوتاه ارسالی به موتور جستجوها، به بازیابی نتایج غیرمرتبط منجر می شود. روش های انطباق پرس وجو سعی می کنند تا پرس وجوها را ابهام زدایی کنند و پرس وجو را با نیازهای اطلاعاتی کاربر منطبق کنند. بسط پرس وجو یکی از روش های انطباق پرس وجو است که سعی دارد کلمات مرتبطی را به پرس¬وجو اضافه کند، که می توان کلمات بسط را به صورت محلی و سراسری انتخاب کرد. بسط پرس وجو معمولا کارایی سامانه های بازیابی اطلاعات را افزایش می¬دهد. بازخورد مرتبط (rf) و بازخورد شبه مرتبط (prf) روش های بسط پرس وجو هستند که به ترتیب از اطلاعات بازخورد کاربر و اسناد رتبه بالا در نتایج اولیه استفاده می کنند تا کلماتی مرتبط را به پرس وجو اضافه کنند. راه کارهای محلی برای بسط پرس وجو، از اسناد رتبه بالای نتایج اولیه در روش بازخورد شبه مرتبط استفاده می کنند، که به بهبود کارایی سامانه ی جستجو کمک می کند. راه کار خوشه بندی لی و کرافت سعی می کند تا از هم پوشانی خوشه های ساخته شده با الگوریتم knn، برای انتخاب اسناد مرتبط استفاده کند. راه کار پیشنهادی ما، از الگوریتم knn برای خوشه بندی اسناد نتایج اولیه استفاده می کند. برای رسیدن به خوشه های بهتر، از شباهت حساس به پرس وجو استفاده کرده¬ایم. اعضای خوشه ها رتبه بندی شده و خوشه ها نسبت به هم رتبه بندی می شوند تا بتوانیم اسناد بهتر را از خوشه های رتبه بالا انتخاب کنیم. اسناد مرتبط انتخاب شده با هم ترکیب می شوند و کلمات بسط از سند ترکیبی با تابع رتبه¬بندی tf-idf انتخاب می شوند. کلمات انتخاب شده به پرس وجو اضافه می شوند تا بازیابی با پرس وجو بسط-داده شده انجام گیرد. برای ارزیابی راه کار ارائه شده از مجموعه داده ی پزشکی med استفاده کرده ایم. نتایج آزمایشات نشان می دهد که راه کار پیشنهادی، کارایی را نسبت به بازیابی پایه vsm و بازخورد شبه مرتبط بهبود می دهد. کارایی با خوشه های ساخته شده با شباهت حساس به پرس وجو نسبت به شباهت مبتنی بر کلمه افزایش پیدا کرده است که نشان از موثر بودن شباهت حساس به پرس وجو در خوشه بندی اسناد نتایج اولیه دارد

شبیه سازی و مدلسازی، یکی از جنبه های بسیار مهم و گاها حیاتی، در بسیاری از زمینه های علمی و مهندسی هستند. شبیه سازی و بررسی سیستم های پیچیده معمولا کمک بزرگی را برای زندگی بهتر انسان ها فراهم آورده است. سیستم های پیچیده شامل دامنه ی بسیار بزرگی از مسائل است که از علوم مختلف برای پیشبرد اهداف آن مطالعات متنوعی صورت می گیرد. شبیه سازی کامپیوتری یکی از اهدافی است که در زمینه ی سیستم های پیچیده برای ارائه ی شبیه سازی های واقعی تر و کاراتر همیشه مطرح بوده است. روش های شبیه سازی مبتنی بر قانون یکی از مهم ترین رویکردها در شبیه سازی دسته ای است که به تعدد، تا به حال مورد استفاده قرار گرفته است. مطالعات جدید در این زمینه بیان داشته اند که شبیه سازی های مبتنی بر قانون دارای محدودیت هایی است که در مسائل بزرگ تر و پیچیده تر مشکلاتی را به همراه خواهد داشت. در پژوهش حاضر از روش یادگیری به جای استفاده از قوانین از پیش تعریف شده در شبیه سازی دسته ای استفاده شده است. با توجه به اینکه مفهوم یادگیری در ازدحام های دنیای واقعی نیز وجود دارد به نظر می رسد که استفاده از مفهوم یادگیری در شبیه سازی دسته ای باعث می شود شبیه سازی های واقعی تری داشته باشیم. همچنین با توجه به مشکلاتی که برای رویکردهای مبتنی بر قانون بیان شده است، سعی شده است تا با استفاده از ایده ی یادگیری در شبیه سازی دسته ای، قدمی در جهت رفع چالش ها برداشته شود. در پژوهش حاضر، پیاده سازی روش یادگیری تقویتی برای شبیه سازی تعدادی عامل در حوزه ی شبیه سازی دسته ای مورد مطالعه قرار گرفته است. در روش یادگیری تقویتی با یک رویکرد پاداش و تنبیه، عامل ها سعی می کنند تا رفتار درست و قوانین مختلف را یاد بگیرند. نتایج نشان داده اند که در یادگیری قوانین اصلی که مورد نظر بوده است (جدایی از برخورد با موانع و همسایگان، حرکت گروهی) عامل ها توانستند به یک کارایی مورد قبولی دست یابند. همچنین امکان پذیری استفاده از روش یادگیری در شبیه سازی، خود یک مزیت ذاتی نیز به شمار می رود.

استفاده از انواع ربات ها در دنیای امروزی امری غیر قابل اجتناب می نماید، چنانکه امروزه ربات ها در انجام بسیاری از کارها جایگزین انسان ها شده اند. ربات ها جایگزین مناسبی برای انسان در انجام کارهای تکراری و خطرناک و یا استفاده در محیط های غیر قابل دسترس به وسیله ی انسان هستند. در این میان ساخت ربات هایی که توانایی پیمایش سطوح ناهموار را دارند، همواره از جذابیت خاصی در بین متخصصان علم رباتیک برخوردار بوده است. ربات های چرخ دار علی رغم مصرف سوخت کمتر و سرعت بیشتر نسبت به همتایان پادار خود در سطوح هموار ، قابلیت پیمایش سطوح با ناهمواری بالا و عبور از موانع را ندارند. این در حالیست که ربات های پادار به دلیل برخورداری از ویژگی های سینماتیکی خاص و پایداری بهتر، با قرار دادن کنترل شده ی پاهای خود می توانند در سطوح ناهموار کارامد تر باشند. ربات ها چه یک کاوشگر فضایی بسیار پیچیده و یا یک ربات فوتبایست بسیار ساده باشند، همگی برای داشتن عملکردی موفق، نیاز به الگوریتم های کنترلی پایدار دارند. ربات های واقعی در محیط هایی قرار خواهند گرفت که نیمه مشاهده پذیر، تصادفی، پویا، پیوسته، چند عاملی و ترتیبی هستند. همین مسائل باعث می شوند که استفاده از روش های سنتی مثل برنامه نویسی مستقیم به منظور کنترل ربات ها، جز در موارد معدود مورد استفاده قرار نگیرند. در واقع ما امروزه نیاز به ربات هایی داریم که قادر به یادگیری مهارت های جدید باشند و در مواجهه با موقعیت های جدیدی هم که قبلا با آن ها روبرو نشده اند عملکرد موفقی از خود نشان دهند. رباتی که در این پایان نامه به طور خاص مورد بررسی قرار گرفته است، رباتی چهارپاست که قادر به پیمایش سطوح ناهموار، از جمله سطوحی که ربات قبلا با آن ها مواجه نشده است، باشد. یکی از عمده ترین مسائل مطرح در حرکت ربات های پادار بر روی سطوح ناهموار، انتخاب محل مناسب گام هاست. به عبارتی محل گام های ربات باید به گونه ای انتخاب شوند که خطر لغزش ربات بر روی سطح کمینه و پیشروی به سمت هدف بیشینه شود، منجر به تصادم ربات با محیط اطرافش نشود و همچنین در محدوده ی سینماتیک ربات قرار داشته باشد. ژوهشگران حوزه ی رباتیک از دو دیدگاه مکانیک و کنترل کننده ی ربات سعی در بهبود حرکت ربات های پادار بر روی سطوح ناهموار دارند. گروه اول با توجه به مورد کاربرد ربات، از طراحی مکانیکی متناسب با آن نوع کاربرد استفاده می کنند. برای مثال تعداد پاها، نوع طراحی پاها، ساق ها و بسیاری از موارد دیگر را به گونه ای در نظر می گیرند که ربات قادر به انجام وظایف در نظر گرفته شده برای آن باشد. گروه دوم پژوهشگران که بر روی کنترل کننده ی ربات ها متمرکز شده اند، از راهکارهای مختلفی هم چون cpgها و راهکارهای مبتنی بر یادگیری ماشین و بهینه سازی استفاده نموده اند. هدف از این پایان نامه، ارائه ی راه کاری برای انتخاب مناسب گام های ربات چهارپا بر روی سطوح ناهموار با بهره گیری از روش های یادگیری ماشین و بهینه سازی است، طوری که باعث کاهش تعداد تصادم های ربات با محیط و واژگونی آن شود. برای این منظور، ابتدا الگوهای سطح در دو اندازه ی متفاوت از توضیحات خبره برای انتخاب گام بهینه استخراج می شوند. سپس از یک کلاس بند دودویی خطی برای یادگیری یک زیرمجموعه از کل مجموعه الگوهای سطح استخراج شده از این توضیحات استفاده می شود. این الگوهای یاد گرفته شده به همراه یک مجموعه از ویژگی های دیگر، بردار ویژگی را تشکیل می دهند که از آن برای تقریب تابع ارزش الگوریتم یادگیری تقویتی استفاده می شود. به این ترتیب با به دست آمدن تقریبی از تابع ارزش، محل گام بهینه در هر مرحله قابل محاسبه خواهد بود. در نهایت از سینماتیک معکوس برای قرار دادن گام مورد نظر در محل تعیین شده استفاده می شود. به منظور ارزیابی، شبیه سازی هایی انجام گرفته و عملکرد روش پیشنهادی با دو روش دیگر مورد مقایسه قرار گرفته است. در یکی از این دو روش، از الگوهای سطح و توضیحات خبره به منظور یادگیری یک تابع رتبه بندی گام استفاده شده است. در این روش گامها بر اساس این تابع رتبه بندی یاد گرفته شده انتخاب می شوند. در روش دیگر، تابع ارزش یادگیری تقویتی بر اساس ویژگی های ساده ی خطی تقریب زده می شود و گام های ربات بر اساس این تابع ارزش یادگیری شده و پاداش دریافتی انتخاب می شوند. علت استفاده از این دو روش به منظور مقایسه در واقع به این علت است که روش پیشنهادی این پایان نامه با الهامگیری از این دو روش ارائه شده است. بر اساس نتایج شبیه سازی، روش پیشنهادی نسبت به دو روش دیگر از جهت میانگین تعداد تصادم ها در هر گام و نرخ موفقیت ربات، عملکرد بهتری از خود نشان می دهد.

امروزه با توجه به رشد محاسبات سرویسگرا، پاسخگویی به درخواستهای پیچیده کاربران با انتخاب یک سرویس منفرد یا ترکیب چند سرویس منفرد )و یا مرکب( با هم و تولید یک سرویس مرکب انجام میپذیرد. از آنجایی که سرویسهای وب فراوانی عملکررد یکسانی دارند، معیارهای کیفیت خدمات ) qos ( مانند زمان پاسخ و دسترسیپذیری اهمیت فراوانی در متمایز کردن این سرویسها از هم دارند. بنابراین میتوان سرویسهای مناسب را با در نظر گرفتن معیارهای qos آنها طوری انتخاب کرد که اولا محردودیت هرای کیفی کاربر برآورده شود و ثانیا از لحاظ کیفیت کلی، کاراترین سرویس مرکب ممکن تولید شود و این همان تعریف مسئله "انتخراب سرویس مبتنی بر qos " است. مقیاسپذیری، با افزایش تعداد وظایف موجود در درخواسرت کراربر و همچنرین برا افرزایش تعرداد سرویسهای نامزد، مهمترین معیارهای ارزیابی یک راهکار انتخاب سرویس مبتنی بر qos است. راهکار پیشنهادی با طراحی تابع مکاشفه محلی سازگار با مسئله انتخاب سرویس، جستجوی محلی مبتنی بر الگوریتم شبیهسازی ذوب فلزات و تغییر استراتژی انتقال خاک به تکرارهای بعدی الگوریتم قطررات هوشرمند آب ) iwd (، بررای حرم مسراله انتخراب سرویس مبتنی بر qos طراحی شده است. نتایج آزمایشات حاکی از آن است که راهکار پیشنهادی به طور قابم توجهی مقیاسپذیرتر از راهکارهای دیگر است.

شبکه های اجتماعی، بویژه شبکه های اجتماعی آنلاین (osns) محبوبیت بزرگی در سال های اخیر کسب کرده-اند و در طی این سالها یکی از مهم ترین پدیده های علوم اجتماعی و کامپیوتر به شمار می روند. دراین پایان نامه به منظور بررسی عوامل موثر داده کاوی در شبکه های اجتماعی از چهار مدل داده کاوی (شامل رگرسیون لجستیکی، درخت تصمیم، شبکه ی عصبی و مدل های جنگل تصادفی)

امروزه با گسترش روز افزون صفحات وب ، ارائه سیستم های توصیه گر مناسب برای بیان پیشنهادات مناسب به کاربران از میان سیل انبوهی از اطلاعات مورد توجه بسیاری از محققان قرار گرفته است. سیستم های توصیه گر از جمله ابزار های تجارت الکترونیک هستند . سیستم های توصیه گر برای اهداف متفاوتی می تواند از جمله پیشنهاد فیلم، کتاب، لطیفه و غیره مورد استفاده قرار گیرد. روش های مختلفی برای ارائه سیستم های توصیه گر توسط محققان پیشنهاد شده است که از آن میان می توان به روش فاکتور سازی ماتریس و به کارگیری روش های خوشه بندی اشاره کرد. ما در این پایان نامه در نظر داریم تا یک روش ترکیبی از فاکتور سازی ماتریس و روش های خوشه بندی را به کار گیریم.