در سالهای اخیر تحقیقات گسترده ای در زمینه محاسبات کوانتومی و ورود نظریه کوانتوم در حیطه محاسبات و علوم کامپیوتری انجام گرفته است. چشم انداز این تحقیقات خبر از حضور کامپیوترهای کوانتومی در آینده ای نه چندان دور با توان محاسباتی و ذخیره سازی بالا با استفاده از پدیده های مکانیک کوانتومی می دهد. این مسأله سبب بروز بحث هایی جدی پیرامون شکست الگوریتمهای رمزنگاری موجود در مقابل کامپیوترهای کوانتومی شده است. این موضوع ما را نیازمند به الگوریتمهای رمزنگاری جدیدی می کند که در مقابل کامپیوترهای کوانتومی مقاوم باشند و بتوان از آنها به عنوان جایگزین الگوریتمهای رمزنگاری امروزی استفاده کرد. دراین تحقیق پس از بررسی روشهای رمزنگاری موجود و روشهای رمزنگاری کوانتومی، چهار چوبی جهت رمزنگاری اطلاعات با استفاده از توزیع کلید کوانتومی و الگوریتم one time pad پیشنهاد شده است.

تصمیم گیری بر اساس نظر چندین کارشناس یا خبره یک عمل متداول در تمدن بشری می باشد که از یک رفتار ذاتی بشر الهام گرفته است و به عنوان پایه و اساس جامعه ی دموکراتیک در نظر گرفته شده است. در طول چند دهه ی گذشته، محققان هوش محاسباتی و یادگیری ماشین چنین روش تصمیم گیری را به روش های تصمیم گیری موجود اضافه کردند و آن را سیستم یادگیری جمعی نامیدند. سیستم یادگیری جمعی به بهبود کارایی و استحکام مسایل طبقه بندی مشهور می باشد. یک مثال آشکار در این زمینه دوربین های دیجیتال مدرن می باشد که به فناوری تشخیص چهره، مجهز هستند. همان طور که می دانید، تشخیص چهره به وسیله رایانه یکی از مهم ترین چالش ها در این حوزه بوده است. این چالش تا حد زیادی با استفاده از الگوریتم های یادگیری جمعی بهبود یافته است. بنابراین، در این پایان نامه، ما این سیستم ها را باهدف افزایش دقت مسائل طبقه بندی بهبود دادیم. طبق آخرین تحقیقات، انتخاب زیرمجموعه ی از طبقه بندهای آموزش دیده ممکن است بهتر از همه ی طبقه بندهای در دسترس باشد. در این پایان نامه، ابتدا یک رویکرد انتخاب گروه ثابت بر مبنای الگوریتم ژنتیک چندهدفه پیشنهاد دادیم و آن را ses-nsgaii نامیدیم که بهترین طبقه بندها و ترکیب کننده ی آن ها را توسط بهینه سازی همزمان دقت و تنوع انتخاب می کند. سپس، دومین رویکرد پیشنهادی این پایان-نامه بهبود des-p با استفاده از رویکرد پیشنهادی اول می باشد. دومین رویکرد پیشنهادی را des-p بهینه شده (odes-p) نامیدیم. سرانجام، با الهام از انتخاب گروه پویا، نمونه برداری افزایشی تصادفی، چرخ گردان و الگوریتم ژنتیک، ما روش انتخاب گروه پویا را پیشنهاد دادیم که بهترین طبقه بند ها و ترکیب کننده ی آن ها روی همه ی نمونه های آزمایشی با استفاده از الگوریتم ژنتیک انتخاب می کند و این روش des-rwga نامیده شد که بر روی داده های تشخیص خطای نرم افزار مورد بررسی و تحلیل قرار گرفت. به منظور مقایسه ی سه روش پیشنهادی با روش های دیگر، ما همه ی روش ها را روی مجموعه داده های مشهور پیاده-سازی کرده ایم. نتایج تحلیل های آماری نشان داد که روش های پیشنهادی رتبه ی بالاتری نسبت به روش های دیگر دارند و در نتیجه عملکرد آن ها در طبقه بندی بهتر است.

دسته بندی یکی از گونه های داده کاوی می باشد که هدف آن تقسیم نمونه ها بر اساس خصوصیت هایشان به دو یا چند گروه است. پس از معرفی منطق فازی توسط زاده درسال 1973، که در مقابل منطق قطعی قرار می گیرد، از این منطق در زمینه های گوناگونی استفاده شد. از جمله مسائلی که برای حل آن از منطق فازی بهره جسته شده است، دسته بندی است. همچنین در حل مسائل دسته بندی، تا کنون از انواع الگوریتم های فرا ابتکاری به وفور استفاده شده است تا کارایی را بهبود ببخشند. در این پایان نامه تمرکز خود را بر روی حل مسئله دسته بندی سوالات با استفاده از منطق فازی و الگوریتم های فرا ابتکاری قرار می دهیم. ابتدا مروری بر دو مورد از الگوریتم های فرا ابتکاری مورد استفاده خواهیم داشت و پس از آن به اختصار منطق فازی را مرور می کنیم. آنگاه، نحوه کار یک نمونه از سیستم های خبره دسته بند فازی – وراثتی را تشریح کرده و نتایج را بررسی می نماییم. در ادامه، یک سیستم خبره فازی – استعماری پیشنهاد می دهیم و با پیاده سازی آن و ارزیابی به کمک معیار های آماری نشان می دهیم که عملکرد آن از نمونه قبلی خود بهتر است. در سیستم خبره پیشنهادی ما، از یک سیستم مولد مدل فازی پیشنهادی ویژه استفاده می شود که از روی خروجی الگوریتم رقابت استعماری، به صورت پویا، به تولید توابع عضویت و قوانین فازی می پردازد. و آنگاه سیستم استنتاج فازی پیشنهادی، با استفاده از خروجی سیستم مولد مدل فازی، دسته بندی را انجام می دهد. برای سیستم خبره پیشنهادی ما، یک تابع قدرت برای استفاده در الگوریتم رقابت استعماری نیز پیشنهاد می گردد و در نهایت، با نشان دادن عملکرد بهتر تابع پیشنهادی ما، تاثیر انتخاب یک تابع هدف مناسب در عملکرد الگوریتم های فرا ابتکاری نیز تایید خواهد شد.