در محیط تجاری ناپایدار و نا مطمئن امروزی مدیران مالی و حسابداری بسبب تغییرات عوامل محیطی داخلی و خارجی همواره باید تصمیمات مهمی را اتخاذ نمایند که این تصمیمات در تعیین میزان کیفیت عملکرد مالی بسیار تأثیر گذارند.لذا لزوم یک راه و مسیر جدید که دانش یا تخصص را در یک محیط کامپیوتری وارد کرده و جا دهد کاملاً احساس می شود. لذا در این پایان نامه میخواهیم با طراحی و پیاده سازی سیستم خبره جهت کمک به تصمیم گیرهای مالی به مدیران کمک نمائیم. این سیستم با توجه به نسبتهای مالی و با کمک منطق فازی و نیز مقدار متوسط صنعت قادر به ارزیابی عملکرد مالی شرکتها میباشد. سیستم ex-eval-fin توسط زبان برنامه نویسی پرولوگ و روش قاعده گرا طراحی شده است.

امروزه محدودیت های تست و توسعه بر روی ربات های واقعی، محققان این عرصه را به توسعه بر روی بستر های نرم افزاری سوق داده است. شبیه سازهای رایانه ای به عنوان بستری مناسب برای توسعه سریع الگوریتم های هوش مصنوعی، بدون نیاز به ربات های فیزیکی از محبوبیت زیادی در میان دانشمندان این رشته برخوردار می باشند [1]. در این پایان نامه مسابقات شبیه سازی فوتبال دو بعدی بین ربات ها را به عنوان بستری برای انجام تحقیقات بر روی طراحی یک کنترل کننده تصمیم گیری رفتار های تیمی در فوتبال انتخاب نموده ایم. مبحث کنترل رفتار هماهنگ تیمی و آرایش بندی مناسب برای رویارویی با حریف از پیش شناخته نشده، یکی از چالش های بارز در محیط های رقابتی است. از آنجایی که در یک بازی فوتبال (به عنوان یک محیط رقابتی)، فضای حالات ممکن بسیار بزرگ است، استفاده از یک روش یکنواخت امکان پذیر نمی باشد و لذا طراحی استراتژی های قابل تغییر، رکن ضروری در دستیابی به موفقیت می باشد. از این رو هدف این پایان نامه طراحی یک کنترل کننده به نامex-tfc با استفاده از سیستم خبره برای تصمیم گیری آرایش بندی تیمی در ربات های فوتبالیست شبیه ساز دو بعدی می باشد. ex-tfc بر گرفته از کلمات (expert team formation controller) می باشد که با استفاده از مدل شناسایی شده ی حریف عمل می کند. بدین منظور روش های مختلف یادگیری ماشین برای مدل سازی آرایش بندی حریف به صورت کامل مورد بررسی قرار گرفته و در نهایت الگوریتم هایی برای تطبیق آرایش بندی حریف به مدل های از پیش تعیین شده، توسعه داده شده اند. این ساختار به تصمیم منسجم تر و با سرعت بالاتر و با هزینه ی محاسباتی پائین تری دست خواهد یافت. بدین صورت تصمیم گیری وابسته به یک بازی مشخص از یک تیم نخواهد بود و به راحتی قادر خواهد بود در مقابل تیم های مختلف رفتاری مناسب از خود ارائه دهند. تصمیم گیری سیستم ex-tfc بر اساس دانش فرد خبره در زمینه ی مربیگری فوتبال می باشد. برای تعریف مدل حریف، رویکرد های مختلفی ارائه گردیده است. به طور مثال می توان بازی های انفرادی و یا رفتار های دروازه بان هنگامی که بازیکن مهاجم نزدیک به دروازه می شود را مدل کرد و یا در سطحی بالاتر، رفتار هماهنگ تیمی را به عنوان مدلی از حریف تعریف نمود. سیستم ex-tfc آرایش بندی بازیکنان در سطح زمین را به عنوان یک مدل از حریف مورد بررسی قرار می دهد. در این گزارش، ابتدا در فصل ? به بررسی محیط شبیه سازی و تعاریف اولیه خواهیم پرداخت. در همین فصل نگاهی خواهیم داشت به روش های یادگیری ماشین که برای تشخیص آرایش بندی حریف در این پایان نامه مورد استفاده قرار گرفته اند. به طور دقیق تر روش های مبتنی بر شبکه های عصبی، الگوریتم k-نزدیک ترین همسایه و روش های مبتنی بر ماشین های بردار پشتیبان معرفی شده اند. در بخش پایانی همچنین مفهوم سیستم های خبره و اجزای تشکیل دهنده آن مورد بحث قرار گرفته اند. در فصل ? رویکرد ها و روش های معرفی شده توسط محققین در زمینه مدل سازی حریف، چه از منظر انفرادی و چه از منظر تیمی در بستر مسابقات شبیه ساز فوتبال به طور دقیق مورد بررسی قرار گرفته اند. لازم به ذکر است نتایج این بررسی به صورت مقاله ای تحت عنوان «an overview on opponent modeling in robocup soccer simulation 2d» در «robocup 2011: robot soccer world cup xv, 2011» منتشر گردیده است. در فصل سوم به بررسی روش های پیشنهادی در این پایان نامه تحت عنوان سیستم ex-tfc به عنوان کنترل کننده تصمیم گیری رفتار های تیمی پرداخته و روش محاسباتی و نحوه کنترل سیستم ex-tfc را مورد بررسی قرار داده ایم. سپس نتایج حاصل از آن را با روش های متداول بیان شده در فصل اول مقایسه نموده و نمونه ی پیاده سازی شده از سیستم را در انتهای فصل مشاهده خواهید نمود.

آتاماتای سلولی کوانتمی نقطه ای نوعی فناوری محاسباتی است که جهت ساخت مدارهایی در ابعاد نانو به کار برده می شود. این فناوری بر پایه سلول qca شکل گرفته است، سلولی متشکل از چهار حفره که به صورت مربعی در کنار یکدیگر قرار گرفته اند. این نسل جدید از کامپیوترها که مبتنی بر تکنولوژی آتوماتای کوانتومی سلولی نقطه ای می باشند، توان پردازشی بالایی در حد ترابایت دارد، اما مشکلاتی از قبیل دمای نقطه کار بسیار پایین در مسیر تولید آن ها وجود دارد، که اخیراً تلاش های زیادی در جهت بهبود این نقیصه صورت گرفته است. از طرف دیگر این سیستم ها مانند پلی میان کامپیوترهای معمولی و کامپیوترهای کوانتمی هستند که می توانند زمینه ساز گسترش کامپیوترهای کوانتمی باشند. کارهایی که در زمینه qca با استفاده از روش های هوشمند صورت گرفته را به چهار دسته تقسیم نموده ایم که عبارتند از: 1)تحلیل درجه اطمینان مدارها، 2) شبیه سازی مدارها، 3)بهینه سازی مدارها، 4)مشکلات طراحی فیزیکی در مدارها. شبیه سازی مدار qca در واقع تعیین خروجی های یک مدار با توجه به قطبیت ورودی های و شکل مدار است. روش های مختلف هوشمند و غیرهوشمندی بدین منظور تا کنون ارائه شده اند. نرم افزار qcadesigner یک نرم افزار شبیه سازی دقیق است که شبیه سازی را با استفاده از روش های غیرهوشمند و زمانبر انجام می دهد. روش های شبکه بیزین و شبکه عصبی و الگوریتم ذوب فلزات، روش های هوشمندی هستند که در این زمینه ارائه شده اند. در این فصل به تفصیل این روش ها را توضیح خواهیم داد. در مبحث بهینه سازی مدارهای qca، از روش هوشمند الگوریتم ژنتیک به طور عمده استفاده شده است که در مقاله [3] این بهینه سازی در سطح تغییرات مکان و تعداد سلول های مدار صورت گرفته است. از آنجایی که هدف این پایان نامه، ارائه مدلی مبتنی بر روش های هوشمند، جهت بهبود ساختار مدارهای مبتنی بر آتوماتای کوانتومی سلولی می باشد، نتایج بدست آمده از مدل ارائه شده در این پایان نامه با نتایج حاصل از مقاله [3] مقایسه شده است. در بحث مدارهای qca از آنجا که مساحت سلول تاثیر بسزایی در سرعت و درنتیجه افزایش کارایی سلول دارد، ساخت مدارهایی که تعداد سلول های آنها تا حد ممکن کم باشد حائز اهمیت است. از آنجا که نمی توان با قرار دادن سلول ها کنار هم و بدون استفاده از روش های شبیه سازی مختلف خروجی یک مدار را پیش بینی کرد تنها راه پیش بینی دقیق خروجی مدارها، ساختن آن بر اساس مدارهای اولیه که در qca شناخته شده اند می باشد. نکته قابل توجه در این بخش این است که تمام مدارهای ممکن را می توان با استفاده از مدار پایه majority gate در qca ساخت. اما گاهی ساخت مدار به این روش به مداری با مساحت بسیار زیاد منتهی می شود. بنابراین یک روش پیشنهادی استفاده از روش های مکاشفه ای برای دست یابی به مدار مورد نظر با حداقل مساحت ممکن است. در روش اول که مدار qca از مدار پایه majority gate ساخته شود، تحقیقاتی وجود دارند که با اعمال روش های مکاشفه ای مانند الگوریتم ژنتیک، تعداد این مدار پایه را به حداقل ممکن رسانده و مدار مورد نظر را با آن می سازند. مدل جدید پیشنهادی، توجه خود را معطوف به بهبود ساختار مدار با استفاده از الگوریتم ژنتیک در سطح سلول می نماید. در الگوریتم ژنتیک کروموزوم ها، توپولوژی مدار(تعداد، مکان و clock سلول های عادی و تعداد، مکان، clock و قطبیت سلول های ثابت) را دربردارند و تابع مطلوبیت وابسته به تعداد خروجی های صحیح مدار و تعداد سلول های مدار می باشد. هدف رسیدن به مداری است که با کمترین حجم، خروجی های مورد انتظار را تولید نماید و همچنین مکان سلول ها به صورت اتوماتیک تولید شود. از آنجایی که هدف این پایان نامه بهبود ساختار مدارهای qca است، بدین منظور روشی دقیق و سریع جهت شبیه سازی مدارها نیاز می باشد. در شبیه سازی مدارها، دو روش شبکه بیزین و شبکه عصبی هاپفیلد دارای سرعت قابل قبولی می باشند. با استفاده از مدل پیشنهادی، مدارهای مولتی پلکسر، or چهار ورودی و xor بهینه را بدیت آورده و نتایج را با نتایج روش هایی که تا کنون در این زمینه ارائه شده است، مقایسه می نماییم.

سیستم شناسایی خودکار آتش، سیستمی است که آتش را هنگام وقوع و یا حتی قبل از وقوع شناسایی و آژیر هشدار را به صدا در می آورد. شناسایی آتش را می توان به دو دسته شناسایی آتش جنگل و شناسایی آتش در مناطق مسکونی و تجاری تقسیم نمود. شناسایی خودکار آتش بدلیل نقش مهمی که در کاهش صدمات جانی و خسارات مالی ایفا می کند از اهمیت خاصی برخوردار است. با توجه به اینکه برای شناسایی آتش در هر دو محیط باز و بسته باید از حسگرهای ترکیبی استفاده نمود که بسیار هزینه بر هستند؛ کارهای محققین معمولا بر روی شناسایی آتش در یکی از دو محیط باز یا بسته متمرکز می شوند. از این رو هدف این پایان نامه ارائه سیستمی مبتنی بر دانش جهت شناسایی آتش در کلیه محیط ها می-باشد. با توجه به بررسی های انجام شده بر روی کارهای محققین از سال 2000 به بعد، مدل پیشنهادی در این پایان نامه از دو فناوری الگوریتم های ژنتیک و شبکه های عصبی برای شناسایی آتش در مناطق باز و از فناوری های یادگیری ماشین برای شناسایی آتش در مناطق مسکونی و تجاری استفاده می کند. برای تست کارایی شناسایی آتش در محیط باز از مجموعه داده آتش جنگل های کانادا و در مناطق مسکونی از مجموعه داده های آتش در سایت nist استفاده شده است. نتایج حاصل از شبیه سازی روش ترکیبی پیشنهادی gann در محیط matlab با سایر روش های موجود مقایسه و مشخص گردید که روش پیشنهادی قادر است با میانگین مربع خطای 0.00562 و بدون اینکه از دقت شناسایی آن کاسته شود، تعداد ویژگی ها را کاهش دهد. همچنین سیستم پیشنهادی قادر است که جهت بهبود شناسایی آتش در مناطق مسکونی، روش های دسته بندی مختلفی را با توجه به عوامل شناساگر دریافتی از محیط با استفاده از نرم افزار weka شبیه سازی نموده و برای شناسایی آتش در محیط های بسته بهترین روش را اخذ و اجرا نماید. بررسی این نتایج نشان می دهد که روش دسته بندی شبکه های بیزین از سرعت و دقت خوبی برای شناسایی آتش در محیط بسته برخوردار است.

سیستم‏های توصیه‏گر سیستم‏هایی هستند که سعی دارند بر اساس عملکرد، سلیقه‏های شخصی، رفتارهای کاربر و بسته به زمینه‏ای که در آن مورد استفاده قرار گرفته‏اند، به هر کاربر پیشنهادهایی را ارائه دهند که با تمایلات شخصی وی تطابق داشته و وی را در فرایند تصمیم‏گیری یاری نمایند. با رشد روز افزون تجارت در دنیای وب، آموزش الکترونیکی، افزایش ارتباط و اشتراک کاربران با یکدیگر و پیدایش شبکه‏های اجتماعی، لزوم طراحی و پیاده‏سازی چنین سیستم‏هایی غیر قابل انکار است. به این منظور الگوریتم‏های متعددی مورد استفاده قرار گرفته‏اند که اکثریت آنها بر پایه دو الگوریتم مبتنی بر پالایش مشارکتی و پالایش مبتنی بر محتوا هستند. هدف این پایان‏نامه، طراحی سیستم توصیه‏گری است که با استفاده از الگوریتم‏های داده کاوی، از جمله خوشه‏بندی و الگوریتم‏های تکاملی و بر اساس الگوریتم‏های پالایشی پایه ذکر شده، دقت، سرعت و کیفیت اینگونه سیستم‏ها را بهبود بخشد. روند کلی به این صورت است که ابتدا داده‏های استانداردی که در کارهای پیشین نیز مورد استفاده بوده‏اند، پردازش شده و اطلاعات مفید و فیلدهای معتبر آنها استخراج می‏شوند. حال با استفاده از الگوریتم‏های ذکر شده و نظرات افراد خبره برای کاربران و آیتم‏ها، علایق و تشابهات را یافته و پیشنهادات را بر اساس میزان نزدیکی آنها به علایق کاربر ارائه می‏دهیم. سپس بازخورد کاربر در مورد پیشنهادات ارائه شده، دریافت می‏شود که بر مبنای آن می‏توان رفتار سیستم را ارزیابی کرد. در این پایان‏نامه از الگوریتم تکاملی گربه به دو منظور استفاده شده است. در روش اول، از این الگوریتم جهت پیدا کردن مجموعه‏ای از کاربران با بیشترین شباهت به یکدیگر، از بین تمامی کاربران استفاده می‏شود. در روش دوم، از الگوریتم گربه‏ها برای خوشه‏بندی کاربران بر اساس شباهت آنها به یکدیگر استفاده شده است تا از خروجی آن در فازهای بعدی الگوریتم، برای یافتن کاربران مشابه و ارائه پیشنهادات بکار گرفته شود. مشاهدات ما از نتایج بدست آمده به کمک روش اول، نشان دهنده افزایش دقت و در روش دوم، افزایش سرعت در این سیستم‏ها است.

امروزه ربات های متحرک خودمختار (خودگردان) که بدون دخالت انسان قادر به حرکت در محیط و انجام وظایف اشان به صورت امن می باشند، کاربردهای متنوعی در ابعاد وسیع دارند. یکی از مهم ترین نیازهای این ربات¬ها برای انجام اثربخش و کارای وظایف اشان طرح¬ریزی مسیر است. طرح¬ریزی مسیر ربات متحرک خودمختار عبارت است از یافتن کوتاهترین مسیر ممکن از یک نقطه شروع تا یک نقطه هدف دلخواه، به طوری که این مسیر کوتاه، امن و بدون برخورد با موانع باشد. از اینرو توانایی یافتن مسیر بهینه یکی از مهم ترین ویژگی های ربات¬های خودمختار است که باید در فضای باز و بدون دخالت انسان وظایفشان را انجام دهند. این ربات¬ها باید به صورت مستقل از نقطه شروع به سمت نقطه هدف حرکت کنند. برای رسیدن به این مقصود، ربات باید مجموعه ای از محدودیت های معین (عدم برخورد با موانع متحرک و ثابت در محیط) را ارضا کند. در این بین الگوریتم¬های مبتنی بر جمعیت مانند بهینه¬سازی اجتماع ذرات، بهینه¬سازی کلونی مورچه¬ها و دیگر الگوریتم های تکاملی با توجه به توانایی بالا در حل مسئله های بهینه¬سازی، برای حل این مسئله بسیار مورد توجه قرار گرفته¬اند. یکی از جدیدترین الگوریتم¬های بهینه¬سازی که توانایی بالایی در یافتن پاسخ بهینه در کمترین زمان ممکن را دارد، الگوریتم بهینه¬سازی فاخته است. از این رو هدف این رساله یافتن مسیر بهینه برای ربات متحرک خودمختار در محیطی پویا با بکارگیری الگوریتم بهینه¬سازی فاخته می باشد.

با گسترش حجم اسناد و اطلاعات متنی نیاز به سیستم هایی که قادر به تولید خلاصه خودکار از متون بوده به نحوی که اطلاعات کلیدی موجود در آن را پوشش دهد و جایگزینی برای مطالعه متن اصلی شود، بیش ازپیش مورد تأکید قرارگرفته است. خلاصه سازی خودکار متن یکی از زمینه های کاری پردازش زبان های طبیعی است و وظیفه ی آن ارائه یک نسخه کوتاه شده از یک (یا چند) سند بوده به نحوی که حاوی اطلاعات مهم موجود در آن باشد. دسته بندی اصلی که برای سیستم های خلاصه ساز ارائه می شود دو دسته ی استخراجی و چکیده ای است. اکثر تحقیقات صورت گرفته در زمینه ی خلاصه سازی متن بر روی زبان انگلیسی صورت گرفته است با این وجود در سال های اخیر تحقیقاتی در این زمینه بر روی زبان فارسی نیز صورت گرفته است. هدف این پایا ن نامه ارائه سیستمی جهت خلاصه سازی متون در زبان فارسی است. سیستم پیشنهادی از نوع عمومی و تک سندی بوده و از روش های استخراجی برای خلاصه سازی متون استفاده می نماید. در خلاصه ساز پیشنهادی از الگوریتم کاهش ابعاد عامل بندی غیرمنفی ماتریس((nmf استفاده شده و روش جدیدی برای امتیازدهی به عبارات موجود در متن درنظر گرفته شده است. این وزن دهی شامل فرکانس تکرار عبارت درون جمله، فرکانس تکرار عبارت در کل متن و نیز محاسبه معیار هم جواری برای هر عبارت است. ارزیابی سیستم پیشنهادی بر اساس خلاصه های تولیدشده توسط عامل انسانی از پایگاه داده ی همشهری ارائه شده است.

چکیده ندارد.