چکیده ندارد.

با افزایش استفاده از سرویسهای وب در بسترهای توزیع شده نظیر اینترنت، بر اهمیت بهبود فرآیند کشف آن ها افزوده شده است و سرویسهای وب معنایی و روشهای همتایابی هیبریدی، سعی در بهبود هرچه بیشتر آن دارند. استفاده از تکنیکهای حوزههایی نظیر بازیابی اطلاعات، جزو روشهای معمول مورد استفاده در همتایابهای هیبریدی محسوب میگردد که محاسبه شباهت میان توصیف سرویسهای وب، مهم ترین بخش این روشها است. کارایی همتایابهایی که از معیارهای شباهت متنی برای این منظور استفاده کردهاند، تا حدود زیادی بر انتخاب این معیارها بستگی دارد زیرا که هر معیار شباهت، در دستهای از پرسوجوها، عملکرد بهتری از خود نشان میدهد. با توجه به اهمیت این موضوع، ایده اصلی ما، استفاده همزمان از چندین معیار شباهت در فرآیند کشف سرویسهای وب میباشد که برای این منظور به ارائه روشی برای استفاده از معیارهای شباهت چندگانه جهت محاسبه میزان شباهت بین پارامترهای ورودی/خروجی سرویسهای وب، پرداختیم. بدین ترتیب میتوان بهبودهای حاصل از عملکرد هر یک از معیارهای شباهت مختلف را تجمیع نمود و به نتایج کلی بهتری به ازای تمام مجموعه پرسوجوها رسید. در این روش از میانگینگیری مرتب شده وزندار یاگر برای تجمیع مقادیر شباهت حاصل از بهکارگیری معیارهای شباهت مختلف، استفاده کردهایم. همچنین با توجه به برخی از ویژگیهای سرویسهای وب، به معرفی دو معیار شباهت نامتقارن پرداختهایم که موجب حصول نتایج متفاوتی نسبت به معیارهای متقارن مشابه خود شدهاند. همچنین روشی جدید برای تجمیع نهایی شباهت حاصل از پارامترهای ورودی و خروجی سرویسهای وب ارائه نمودهایم. نتایج حاصل از بهکارگیری روش پیشنهادی نشان دهنده عملکرد مطلوب آن در حالت کلی، در مقایسه با نتایج حاصل از بهکارگیری مجزای معیارهای شباهت میباشد. همچنین این روش در مقایسه با دو همتایاب مطرح در این زمینه، عملکرد بهتری از خود نشان داده است.

مسئل? حفاظت از اقشار آسیب پذیر جامعه در مقابل موارد ناهنجار در صفحات وب، موجب احساس نیاز به پالایش صفحات وب شده است. یکی از جنبه های پالایش صفحات وب که امروزه بیش از پیش مورد توجه قرار گرفته است، طبقه بندی صفحات بر اساس میزان خشونت آمیز بودن آن ها است. طبقه بندی در واقع نسبت دادن یک صفحه به یک یا چند موضوع از پیش تعیین شده با استفاده از الگوهای آموزش داده شده می باشد. سیستم با استفاده از یک سری صفحات آموزشی که موضوع آن ها از قبل تعیین شده است، آموزش داده می شود تا بتواند اسناد جدید را به صورت صحیح طبقه بندی نماید. روش های مختلفی برای این کار وجود دارد که اغلب روش های آماری یا هوش مصنوعی می باشند. در این پایان نامه رویکرد همنشینی کلمات برای طبقه بندی صفحات وب فارسی پیشنهاد شده است. در واقع با استخراج میزان همنشینی کلمات خشونت آمیز با هم و با کلمات تعدیل کنند? خشونت ، متون فارسی به دو دسته خشونت آمیز و غیرخشونت آمیز طبقه بندی می شوند. به دلیل عدم وجود مجموع? داده استاندارد، صفحات وب به صورت دستی جمع آوری شده است. در روش ارائه شده، در فاز آموزش از 70 داد? آموزشی برچسب دار استفاده شده است. در این فاز با استفاده از داده ها، میزان همنشینی کلمات خشونت آمیز با هم و با کلمات تعدیل کنند? خشونت محاسبه شده و ماشین آماد? طبقه بندی صفحات جدید می شود. برای سنجش کیفیت کار نیز از 120 صفح? وب استفاده شده است و در نهایت الگوریتم طبقه بندی کننده توانسته است به دقت 175/97% دست پیدا کند.

در این پژوهش به بررسی روش های بهینه سازی مسال? بالانس دینامیکی مکانیزم پیچید? لنگ و لغزنده پرداخته می شود. این روش ها زیرمجموعه ای از الگوریتم های تکاملی محسوب می شوند. الگوریتم های تکاملی، روش های بهینه سازی تصادفی هستند که بر روی یک جمعیت یا مجموعه ای از جواب ها کار می کنند و در نهایت با توجه به تابع برازش و همچنین عملیات مختص مربوط به نوع الگوریتم، به جواب بهینه دست می یابند. بالانس دینامیکی این مکانیزم، مساله ای غیرخطی بوده و از پیچیدگی بسیار بالایی برخوردار است. به همین دلیل، برای بهینه سازی آن از الگوریتم های فرامکاشفه ای همچون الگوریتم پرندگان (pso)، کلونی زنبور عسل مصنوعی (abc)، رقابت استعماری (ica)، جستجوی ممنوع (ts)، تبرید شبیه سازی شده (sa)، ترکیب جستجوی ممنوع و تبرید شبیه سازی شده (hsats) و ترکیب ژنتیک و پرندگان (hgapso) استفاده می شود. از آن جایی که هدف از بهینه سازی این مساله، کمینه کردن میزان نیروها و ممان های ارتعاشی است، لذا یک مدل بهینه سازی با هدف کمینه کردن مقدار هزین? تابع هدف بکار گرفته شده است. در این مکانیزم بالانس دینامیکی با افزودن جرم های بالانس کننده انجام می گیرد و تعیین مقدار بهین? جرم ها و زاوی? قرارگیری آن ها منجر به حذف نیروهای نابالانسی می شود. همچنین قیودی برای این جرم ها در نظر گرفته می شود که برای هر راه حل محاسبه می شوند و نباید تحت هیچ شرایطی نقض گردند. بهینه سازی بالانس این مکانیزم تاکنون به غیر از الگوریتم ژنتیک با هیچ الگوریتم دیگری انجام نگرفته است؛ بنابراین این پژوهش در این حوزه به عنوان اولین تحقیق با الگوریتم های فرامکاشفه ای مذکور محسوب می گردد. پیاده سازی و مقایس? نتایج، نشان از برتری قابل توجه الگوریتم پرندگان (pso) دارد به این معنا که این الگوریتم نسبت به الگوریتم ژنتیک علاوه بر این که 99/0 برابر هزینه تابع هدف کمتری بدست می آورد، بلکه 32/3 برابر زمان کمتری نیز برای رسیدن به جواب بهینه صرف می کند. همچنین اعتبارسنجی نتایج بهینه سازی برای اندازه گیری بالانس و مقایس? سیگنال سرعت و شتاب مکانیزم مورد توجه و آزمایش تجربی می باشد.

خوشه بندی قرار دادن داده ها در گروه هایی است، که اعضای هر گروه از زاویه ی خاصی شبیه یکدیگرند، بطوریکه شباهت درون هر خوشه حداکثر و شباهت بین داده های درون خوشه های متفاوت، حداقل باشد خوشه بندی فرآیند یادگیری . بدون ناظر است که از قبل هیچ دانشی درباره برچسب داده ها ندارد. روش های زیادی برای خوشه بندی وجود دارد که می توان آنها را به روش های افرازبندی و سلسله مراتبی تقسیم کرد. در این پایان نامه از الگوریتم فراابتکاری جدیدی به نام الگوریتم جنگل که از طبیعت جنگل الهام گرفته شده، برای خوشه بندی استفاده شده است.در این الگوریتم، برای رهایی از بهینه های محلی، تغییراتی در قسمت دانه پراکنی محلی انجام شد و نتایج خوبی بدست آمد. برای ارزیابی، روش ارائه شده را روی دو سری مجموعه داده مورد آزمایش قرار دادیم. سری اول شامل داده های استاندارد و سری دوم شامل مجموعه داده های حقیقی استخراج شده جهت عیب یابی سیستم های دوار مکانیکی، است. همچنین از روش های شناخته شده ای نظیر روش های ga، pso، aco، cas_c و k-means برای مقایسه نتایج بدست آمده استفاده شده است. این الگوریتم برای داده های استاندارد کمترین مقدار مجموع مجذور فاصله درون خوشه ها را بدست آورد. این مقدار در داده iris برابر 96.6557 با انحراف معیار 0.001، در wine برابر 16292.4100 با انحراف معیار 5.3474 و در داده های glass برابر 210.5340 با انحراف معیار 1.8029 است که در مقایسه با دیگر روش ها، روش فوق نتیجه مطلوبی را تولید می کند. همچنین در این روش فاصله درون خوشه ها کاهش و فاصله بیرون خوشه ها افزایش پیدا کرده است. علاوه بر این روش فوق درصد خطای خوشه بندی پایین تری نسبت به دیگر روش ها دارد.

با افزایش روزافزون اطلاعات و حجم بالای مطالب موجود در فضای مجازی دیگر تکنیک های بازیابی اطلاعات جوابگوی نیاز کاربران نمی باشد. لزوم استفاده از روش هایی که بتواند خلاصه ای از اطلاعات مفید را در اختیار کاربران قرار دهد افزایش می یابد. خلاصه ساز چند سنده از جمله سیستم هایی می باشد که با ورود چند سند با موضوع یکسان به عنوان ورودی خلاصه ای از مهمترین اطلاعات مورد نظر را در اختیار کاربر قرار می دهد. افزونگی اطلاعات یکی از چالش های مهم در خلاصه سازی چند سنده می باشد. منظور از افزونگی اطلاعات تکرار مفاهیم یکسان در موضوع مشخص می باشد. با این توضیح که با افزونگی اطلاعات فرصت قرارگیری جملات مفید در خلاصه با توجه به حجم محدود آن از دست می رود. لذا لزوم دستیابی به سیستم شباهت یابی که بتواند از تکرار جملات مشابه در خلاصه جلوگیری کند افزایش می یابد. روش شباهت یابی پیشنهادی در این پایان نامه که برای زبان فارسی طراحی گردیده بر پایه معنا و نحو می باشد که بعد از پیش پردازش و ریشه یابی و استخراج کلمات صورت می گیرد. در روش شباهت یابی بر پایه معنا از یک بردار یکتا که از کلمات دو جمله تشکیل شده بهره می بریم. سپس با استفاده از فارس نت که شامل کلمات، مترادفات و روابط موجود بین مترادفات کلمات می باشد برای دستیابی به شباهت دو کلمه و کامل کردن درایه های بردار یکتا برای هر جمله استفاده می کنیم. همچنین در روش شباهت یابی بر پایه معنا از برچسب گذار ادات سخن برای ارزش گذاری به نقش های مختلف کلمات (اسم، فعل و صفت) بهره می بریم. در روش شباهت یابی بر پایه نحو از ترتیب کلمات بهره برده ایم که به جایگاه قرارگیری کلمات با توجه به شباهت معنایی بین آن ها در جمله توجه می نماید. در نهایت با ضریبی که به شباهت معنا و نحو با توجه به اهمیت آن ها اختصاص داده می شود شباهت دو جمله محاسبه می گردد. برای ارزیابی سیستم شباهت یاب از یک خلاصه ساز چند سنده بهره برده ایم. در این سیستم خلاصه ساز، از روش خوشه بندی average link و گزینشگری استفاده نموده ایم که شبیه ترین جمله در هر خوشه را انتخاب می کند. با بررسی آزمایش های به دست آمده و مقایسه روش پیشنهادی با روش شباهت یابی که در سیستم mead استفاده شده بود با بهبود 7 درصدی در کاهش افزونگی مواجه شدیم.

با توجه به نیاز هر روزه انسان به کامپیوتر که روز به روز بیشتر نیز می شود، نیاز به برقراری ارتباط آسان با کامپیوتر بیش از هر موقعی احساس می گردد. یکی از روش های آسان سازی ارتباطات، گفتگو با کامپیوتر و فهم سخنان انسانی توسط کامپیوتر می باشد که باعث ایجاد شاخه پردازش زبان طبیعی گردید. یکی از زمینه های پرکاربرد پردازش زبان طبیعی سیستم های پرسش و پاسخ می باشند که شامل دسته بندی های متفاوتی از نقطه نظرات مختلف هستند. شرایط خاصی از سیستم های پرسش و پاسخ را اصطلاحاً رابط زبان طبیعی به پایگاه داده می گویند، هدف اینگونه سیستم ها پاسخگویی به سوالات زبان طبیعی مطرح شده از پایگاه داده می باشد که نیاز انسان به داشتن دانش نرم افزاری برای ارتباط با پایگاه داده را برطرف می نماید. در این پایان نامه قصد بر این است که با معرفی معماری در زمینه رابط زبان طبیعی به پایگاه داده بتوانیم به سوالات پرسیده شده به زبان فارسی در مورد اطلاعات هواپیمایی پاسخ دهیم. منبع پاسخگویی ما در این سیستم یک پایگاه داده رابطه ای است که شبیه سازی پایگاه داده اطلاعات پروازی می باشد. معماری مورد استفاده در این پایان نامه معماری الگویابی می باشد که از روش بهبود یافته این معماری که آنرا نشان یابی نامیده اند استفاده می نمائیم. در روش نشان یابی ما ابتدا با یافتن توکن ها و کلمات کلیدی که مشخص کننده نوع و داده های یک فیلد جدولی از پایگاه داده روبرو هستیم، پس از یافتن توکن ها و کلمات کلیدی با توجه به ترکیبی که تشکیل می دهند چارچوب پرسش را تشخیص داده و با جایگذاری توکن ها در قالب پرس و جو و اجرای آن بر روی پایگاه داده، جواب خروجی پایگاه داده را دریافت کرده و سپس با استفاده از پاسخ دریافتی از پایگاه داده و توکن های استخراجی از پرسش، قالب پاسخ را جایگذاری نموده و پاسخ به زبان طبیعی را به کاربر نمایش می دهیم.

خوشه بندی یکی از شاخه های یادگیری بدون نظارت می باشد .منظور از خوشه، مجموعه ای از داده هاست که به علت شباهت زیادی که به هم دارند در یک دسته قرار می گیرند. الگوریتم های تکاملی برای مسائل بهینه سازی به کار برده می شوند. الگوریتم های تکاملی شامل الگوریتم هایی جهت جستجو است که در آنها عمل جستجو از چندین نقطه در فضای پیچیده و بزرگ شروع می شود. الگوریتم های تکامل پذیر، روش های بر مبنای جستجوی تصادفی اند که از مدل سازی تکامل زیست شناسی طبیعی الگوبرداری شده اند. در این پایان نامه از ترکیب روش های خوشه بندی فازی و الگوریتم تکاملی جهت حل مسئله خوشه بندی استفاده شده است. یکی از روش های خوشه بندی مقاوم، خوشه بندی c میانگین فازی امکانی است که با الگوریتم رقابت استعماری برای بهبود کارایی خوشه بندی ترکیبی مورد استفاده قرار گرفته است. کمینه شدن تابع برازندگی در خوشه بندی c میانگین فازی امکانی، باعث می شود مراکز خوشه در موقعیت مناسب تر و به دور از تأثیر داده های دور افتاده باشد. در عین حال استفاده از الگوریتم رقابت استعماری (مرتب کردن امپریالیست و سپس اولویت دادن به استعمارگر و تخصیص مستعمرات به آنها) باعث افزایش کارایی الگوریتم پیشنهادی و همگرایی سریع برای یافتن پاسخ نزدیک به بهینه می شود. نتایج شبیه سازی نشان می دهد که مزیت روش پیشنهادی برای پایگاه داده های با حجم بزرگ، کاهش تأثیر داده‎های دور افتاده بر مراکز خوشه، توسط خوشه بندی c میانگین فازی امکانی و گریز از نقطه مینیمم محلی با استفاده از الگوریتم رقابت استعماری می باشد.

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.

در این رساله، برای نخستین بار، منطق فازی در عرصه ی رباتیک فریب کارانه به کار رفته است و در بررسی شرایط نظامیِ تعقیب و گریز، منطق فازی و نظریه ی بازی ها در کنار الهاماتی از طبیعت در نظر گرفته شده اند تا پدیده ی فریب، از منظر رباتیک مورد بررسی قرار گیرد. در این رساله، پدیده ی فریب رباتیک در قالب یک بازی ناهمکارانه با اطلاعات ناکامل بین بازیکنان عاقل مدل سازی می گردد که در آن با استفاده از آرایش محیط با سیگنال های فریب، باور ربات تحت فریب توسط ربات فریب کار دست کاری می گردد. با در نظر گرفتن بازی های سیگنالی به عنوان زیر مجموعه ای از بازی های با اطلاعات ناکامل، سرانجام فریب رباتیک در یک بازی فازی سیگنالی مد نظر قرار می گیرد که در آن سیگنال های فریب کارانه ی فرستنده (استراتژی های ربات فریب کار) و نیز واکنش های گیرنده (استراتژی های ربات تحت فریب) همگی بر اساس سیستم استنتاج فازی خواهند بود. همچنین با استفاده از سیگنال های الهام گرفته شده از طبیعت در روند فریب، بستر مناسب تری برای مخابره ی اطلاعات نادرست و آلوده به خطا، فراهم شده است. ربات ها این قابلیت را دارند که در روند تعامل فریب کارانه، مفاهیمی را از یکدیگر «یاد بگیرند» و در نهایت بعد از یک دیرکرد کوتاه در فرایند یادگیری، هر ربات استراتژی خود را تغییر خواهد داد تا بتواند خود را با شرایط جدیدی که در اثر تغییر در استراتژی حریف به وجود آمده است، وفق دهد.