کاوش عقیده مبحثی است که در سال های اخیر مورد توجه دانشگاه ها، دولت ها و سیاستمداران مختلف قرار گرفته است. هدف ما در این تحقیق این است که روش های کاوش عقیده را مورد بررسی عملی و کاربردی قرار داده و یکی از روش های موثر در این زمینه را معرفی نماییم. برای این کار از نرم افزار متلب و سایر نرم افزارهای مربوط به پرازش زبان طبیعی استفاده نمودیم و به نتایج مطلوبی دست یافتیم. کلمات کلیدی: دسته بندی ، ویژگی ، آنالیز احساسات ، علامت گذاری بخش های متن ، کلمات توقف

گسترش دانش و فنّاوری در طول این سال ها، موجب به وجود آمدن کسب وکارهای الکترونیکی متنوعی در فضای مجازی شده است، بدون راهنمایی و هدایت درست، ممکن است انتخاب هایی غلط و یا غیر بهینه از میان آن ها داشته باشیم. در این میان سیستم های توصیه گر تأثیر بسزایی در راهنمایی و هدایت کاربران در میان حجم عظیمی از انتخاب های ممکن، برای رسیدن به گزینه مفید و موردعلاقه را بر عهده دارند.

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.

ایجاد یک پروتکل مسیریابی مبتنی بر سیستم اعتماد به روش فازی در الگوریتم olsrکه این پروتکل پیشنهادی کارایی بهتری از لحاظ تعداد بسته های حذف شده، تعداد بسته های گم شده و همچنین نرخ گذردهی بسته نسبت به پروتکل مسیریابی olsr دارد.