دانشگاه کاشانمحاسبات نرم2322-37078220210523An approach to Improve Particle Swarm Optimization Algorithm Using CUDAروشی برای بهبود الگوریتم بهینه سازی اجتماع ذرات با استفاده از CUDA بر روی پردازنده گرافیکی22111144210.22052/8.2.2FAمحمد پویااکبرپورواحد سنندج،دانشگاه آزاد اسلامی،سنندج،ایرانکیهانخام فروشواحد سنندج،دانشگاه آزاد اسلامی،سنندج،ایرانوفامیهمیدانشکده کامپیوتر،واحد سنندج،دانشگاه آزاد واحد سنندجJournal Article20210523The time consumption in solving computationally heavy problems has always been a concern for computer programmers. Due to simplicity of its implementation, the PSO (Particle Swarm Optimization) is a suitable meta-heuristic algorithm for solving computationally heavy problems. However, despite the simplicity, the algorithm is inefficient for solving real computationally heavy problems but the presence of local interactions between particles has made this algorithm suitable for parallelization. On the other hand, by the invention of GPU (Graphical Processor Unit) and introducing the CUDA architecture as a GPU in the NVIDIA graphical processor, fundamental changes has been made in solving this type of problems. Despite all the research done in the field of implementing the algorithms through GPUs, some aspects of parallelization have not been addressed for suitable speedup and efficiency on NVIDIA GPUs. By considering the Geforce GT 525M, which is a relatively weak GPU, this paper tries to achieve the maximum speedup of the algorithm by implementing on this GPU. This experience led to reaching the acceptable efficiency on other GPUs. To reach the achievement, the multi-kernel model was used. The results show the speedup of 15.98 in solving the Rastrigin function.همواره زمان صرفشده برای حل مسائل سنگین محاسباتی، یکی از دغدغههای برنامهنویسان کامپیوتر بوده است. الگوریتم PSO، الگوریتمی فراابتکاری است که بهدلیل سادگی پیادهسازی، برای حل مسائل سنگین محاسباتی استفاده میشود ولی با وجود سادگی، این الگوریتم برای حل مسائل سنگین واقعی ناکارآمد است. از طرفی، وجود ویژگی تعاملات محلی ذرات در الگوریتم PSO، این الگوریتم را برای موازیسازی مناسب کرده است؛ از طرف دیگر، NVIDIA با اختراع پردازندهگرافیکی و معرفی معماری CUDA، تحولات بنیادی را در حل این نوع مسائل، از طریق پیادهسازی آن بر روی پردازندهگرافیکی ایجاد کرده است. با وجود تمام تحقیقات انجامگرفته در زمینه پیادهسازی، برخی از جنبههای تکنیکی موازیسازی بهمنظور پیادهسازی الگوریتم بهصورتی که تسریع و بازدهی مناسب بر روی تمام پردازندههای گرافیکی NVIDIA را داشته باشد، رعایت نشده است. در این مقاله سعی شده با انتخاب Geforce GT 525M که پردازندهگرافیکی نسبتاً ضعیفی است، جنبه مقیاسپذیری روش پیشنهادی رعایت شود؛ بهطوری که با رسیدن به بیشینه تسریع الگوریتم پیادهسازیشده بر روی این پردازنده، به بازدهی قابل قبول برای اجرا بر روی سایر پردازندههای گرافیکی رسید. برای نیل به این هدف، از مدل چندکرنلی ارائهشده استفاده شده است. نتایج حاصل از انجام آزمایشها رسیدن به بیشینه تسریع 15/98 برای حل تابع Rastrigin را نشان میدهد.https://scj.kashanu.ac.ir/article_111442_d31878ac8034256c3ff3ea74afcbd25f.pdfدانشگاه کاشانمحاسبات نرم2322-37078220210523Improvement of the Analytical Queries Response Time in Real-Time Data Warehouse using Materialized Views Concatenationبهبود زمان پاسخدهی پرسوجوهای تحلیلی در انباره دادهای برخط با استفاده از الحاق دیدهای ذخیرهشده223711144310.22052/8.2.22FAسید مجیدشفائیبابکوزیریسید مصطفیشفائیJournal Article20210523A real-time data warehouse is a collection of recent and hierarchical data that is used for managers’ decision-making by creating online analytical queries. The volume of data collected from data sources and entered into the real-time data warehouse is constantly increasing. Moreover, as the volume of input data to the real time data warehouse increases, the interference between online loading operations and online analytical processing increases. These two stated challenges have become the most important issues regarding real time data warehouse. In this article, a method is presented to improve the analytical queries response time in the real time data warehouse architecture using materialized views concatenation. This process takes place by: (1) storing the results of performed queries in each real time section, (2) transferring the results to the next section when transferring data to the section. Each real time section contains data of its previous section, which have been transferred in several stages. As a result, the calculated results of the queries are also transmitted by transferring data, and consequently, for achieving desired outcome, the previously calculated results can be combined without the need to run the queries again. The proposed method has reduced both analytical queries response time and data entry interference caused by the simultaneous and long-term execution of queries. This study faces two challenges: (1) applying the proposed method to a small amount of data in the real time section and (2) the changes in the proposed method for applying to big data.یک انباره دادهای برخط مجموعهای از دادههای اخیر و دادههای سلسلهمراتبی است که برای اخذ تصمیمات، توسط مدیران از طریق ایجاد پرسوجوهای تحلیلی برخط مورد استفاده قرار میگیرد. دادههایی که از منابع دادهای واکشی میشوند و به انباره دادهای برخط وارد میشوند، روزبهروز در حال افزایش است و همچنین با افزایش حجم دادههای ورودی به انباره دادهای برخط تداخل بین عملیات بارگیری و پردازش تحلیلی برخط بیش از پیش افزایش پیدا میکند. این دو چالش به مهمترین مسائل در زمینه انبار دادهای برخط تبدیل شدهاند. در این مقاله، روشی برای بهبود زمان پاسخدهی پرسوجوهای تحلیلی در معماری انباره دادهای برخط با استفاده از الحاق دیدهای ذخیرهشده ارائه شده است. فرایند کار بدین صورت است که نتایج پرسوجوهای اجراشده در هر بخش برخط ذخیره میگردند و در هنگام انتقال داده به بخش بعدی، این نتایج از قبل محاسبهشده نیز منتقل میشوند. در هنگام انتقال داده، هر بخش برخط حاوی مجموع داده بخش قبلی خود در چندین مرحله از انتقال است. در نتیجه با انتقال داده، نتایج محاسبهشده پرسوجوها نیز منتقل میشوند و میتوان بدون نیاز به اجرای دوباره پرسوجوها، نتایج محاسبهشده قبلی را با هم الحاق کرد و به نتیجه دلخواه رسید. روش پیشنهادی منجر به کاهش زمان پاسخدهی به پرسوجوهای تحلیلی و کاهش تداخل ورود داده با اجرای همزمان و طولانیمدت پرسوجوها شده است. چالشی که این پژوهش با آن مواجه است، این است که روش پشنهادی بر روی حجم کمی از داده در بخش برخط، مورد استفاده قرار گیرد و همچنین چالش بعدی، شامل تغییرات مورد نیاز برای استفاده در داده بزرگ است.https://scj.kashanu.ac.ir/article_111443_7d577fbe898d27876c94598909b09ce3.pdfدانشگاه کاشانمحاسبات نرم2322-37078220210523Introducing a new meta-heuristic algorithm based on See-See Partridge Chicks Optimization to solve dynamic optimization problemsارائه یک الگوریتم فرا اکتشافی جدید مبتنی بر رفتار پرنده تیهو برای حل مسائل بهینه سازی پویا386511144410.22052/8.2.38FAمجیدمحمدپوردانشگاه آزاد اسلامی واحد یاسوجبهروزمینایی بیدگلیدانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت ایران، ایرانحمیدپرویندانشگاه آزاد اسلامی-فارس-نورآباد ممسنیJournal Article20210523The SSPCO (See-See Particle Chicks Optimization) is a type of swarm intelligence algorithm derived from the behavior of See-See Partridge. Although efficiency of this algorithm has been proven for solving static optimization problems, it has not yet been tested to solve dynamic optimization problems. Due to the nature of NP-Hard dynamic problems, this algorithm alone is not able to solve such optimization problems. Therefore, to enable the algorithm to optimally track the variable in these problems, it is necessary to be provided solutions with this algorithm so that can increase the performance of this algorithm for dynamic environments. In this paper, two solutions for combining SSPCO are presented: (1) the multi-swarm method and (2) memory with Gaussian density estimation. The problem with most multi-swarm methods is that as the population increases uncontrollably, the speed and efficiency of the algorithm gradually decreases. The multi-swarm methods presented in this paper is adapted to the problem space, and whenever there is a need to increase the population, a population is created adaptively, and this reduces the problems of previous methods. One of the issues that is being addressed to solve uncertainty problems is prediction of near future using data of the near past. In this article, to preserve past data a new memory called Gaussian density estimation memory is used. This memory fixes standard memory defects and improves the performance of the proposed algorithm. To evaluate the efficiency of the proposed method, the well-known moving peak benchmark function, which simulates behavior of dynamic problems, is used. The proposed algorithm is compared with the 10 most popular dynamic optimization algorithms. According to the experimental results, the proposed method reduces offline error to a great extent compared to other methods and the error produced by the proposed method is very small.الگوریتم SSPCO گونه ای از الگوریتم های هوش جمعی و برگرفتهشده از رفتار پرنده تیهو است. کارآیی این الگوریتم برای حل مسائل بهینهسازی ایستا به اثبات رسیده است؛ اما این کارآیی این الگوریتم تا به حال برای حل مسائل بهینه سازی پویا مورد آزمایش قرار نگرفته است. بهدلیل ماهیت NP-Hard بودن مسائل پویا، این الگوریتم بهتنهایی قادر به حل این گونه از مسائل بهینهسازی نمیباشد. بنابراین برای این که الگوریتم قادر به ردیابی بهینه متغیر در این مسائل باشد، باید راهکارهایی به همراه این الگوریتم ارائه داد که بتوانند عملکرد این الگوریتم را درمواجهه با محیط های پویا افزایش دهد. در این مقاله دو راه حل برای ترکیب با الگوریتم SSPCO ارائه شده است که عبارتند از، روش چندجمعیتی و حافظه با تخمین تراکم گوسی. مشکلی که در اکثر روش های چندجمعیتی وجود دارد این است که با افزایش کنترل نشده جمعیت، سرعت و راندمان الگوریتم به تدریج کاهش می یابد. روش چندجمعیتی ارائه شده در این مقاله به صورت تطبیقی با فضای مسئله می باشد، و هر زمان که نیاز به افزایش جمعیت باشد یک جمعیت به صورت تطبیقی ایجاد می شود و این موضوع باعث می شود که مشکل روش های قبلی کاهش یابد. یکی از مواردی که در حل مسائل غیرقطعی باید مشخص شود، استفاده از داده های گذشته نزدیک برای پیش بینی آینده نزدیک است. در این مقاله با توجه به این موضوع برای حفظ اطلاعات گذشته از یک نوع خاصی از حافظه استفاده شده است. در این روش از حافظه جدیدی به نام حافظه تخمین تراکم گوسی استفاده شده است. این حافظه عیوب حافظه استاندارد را برطرف نموده و باعث بهبود کارآیی الگوریتم پیشنهادی می شود. برای آزمایش کارآیی روش پیشنهادی از تابع معروف محک قلههای متحرک که رفتاری شبیه به مسائل پویا را شبیهسازی میکند، استفاده شده است. الگوریتم پیشنهادی با 10 تا از مشهورترین الگوریتم های بهینه سازی پویا مقایسه گردیده است. همان گونه که از نتایج تجربی و آزمایش ها مشخص می باشد روش پیشنهادی توانسته خطای برون خطی را تا حدود بسیار زیادی نسبت به سایر روش کاهش دهد و خطای تولید شده برای روش پیشنهادی بسیار ناچیز است.https://scj.kashanu.ac.ir/article_111444_274b7b3def9606c0fcf17fa113b3a550.pdfدانشگاه کاشانمحاسبات نرم2322-37078220210523Using the Particle Swarm Optimization Algorithm to Generate the Minimum Test Suite in Covering Array with Uniform Strengthاستفاده از الگوریتم توده ذرات بهینه در تولید دنباله آزمون کمینه در آرایه پوشش با قوه ثابت667911144510.22052/8.2.66FAسجاداسفندیاریدانشگاه اراکوحیدرافعدانشگاه اراکJournal Article20210523Up to now, several useful algorithms have been proposed to generate covering array, which is one of the branches of combinatorial testing. The main challenge in generating such arrays is generation of the arrays with a minimum number of test cases (for efficiency) at a proper time (for performance), for large systems. Covering array generation strategies are often divided into two general categories: computational and meta-heuristic. Computational strategies usually benefit high performance but have poor results in terms of efficiency. On the other hand, meta-heuristic strategies enjoy good efficiency but suffer low performance. Among the available strategies, the DPSO strategy generates the best results in terms of efficiency, but it does not benefit high performance; in contrast the GS strategy benefits good performance but has not good efficiency. Generally, there is no strategy that is good in terms of both efficiency and performance. In this paper, we try to produce an appropriate test suite of high efficiency and performance using PSO. A simple and effective minimizer function has also been used to increase the efficiency. The evaluation results show that the proposed solution has desirable outcomes in terms of efficiency and performance.تاکنون، تعداد زیادی الگوریتم مفید برای تولید آرایه پوشش که یکی از شاخه های آزمون ترکیبی ست، ارایه شده است. اصلی ترین چالشدر تولید چنین آرایه هایی، تولید آرایه با تعداد نمونه آزمون کمینه (بهره وری) در زمان مناسب (کارایی)، برای سیستم های بزرگ است. استراتژی های تولید آرایه پوشش قالبا به دو دسته کلی محاسباتی و فرامکاشفه ای تقسیم می شوند. استراتژی های محاسباتی معمولا کارایی بالایی دارند اما از نظر بهره وری نتایج ضعیفی را تولید می کند و استراتژی های فرامکاشفه ای از بهره وری مناسب و کارایی ضعیفی برخوردار هستند. در بین استراتژی های در دسترس استراتژی DPSO از نظر بهره وری بهترین نتایج را دارد، اما کارایی مناسبی ندارد و استراتژی GS کارایی مناسبی را دارد اما بهره وری مناسبی ندارد. در حالت کلی استراتژی که کارایی و بهره وری را توامان داشته باشد، به چشم نمی خورد. در این مقاله ما سعی کردیم با استفاده از توده ذرات دنباله آزمون مناسب را از نظر بهره وری و کارایی، تولید کنیم. همچنین برای افزایش بهره وری از یک تابع کمینه ساز ساده و تاثیرگذار استفاده شده است. نتایج ارزیابی نشان می دهد که راهکار پیشنهادی از نظر کارایی و بهره وری نتایج مطلوب دارد.https://scj.kashanu.ac.ir/article_111445_9894c0e3997f85e559bbbd7552271d94.pdfدانشگاه کاشانمحاسبات نرم2322-37078220210523An Efficient Resource Allocation for Processing Healthcare Data in the Cloud Computing Environmentرویکرد تخصیص منبع کارا برای پردازش داده های حوزه سلامت در محیط رایانش ابری8010111144610.22052/8.2.80FAمصطفیقبائی ارانیدانشکده فنی مهندسی، دانشگاه آزاد اسلامی، واحد قم، قم، ایرانفاطمهمهدی باباییدانشکده فنی مهندسی، دانشگاه آزاد اسلامی، واحد محلاتJournal Article20210523Nowadays, processing large-media healthcare data in the cloud has become an effective way of satisfying the medical users' QoS (quality of service) demands. Providing healthcare for the community is a complex activity that relies heavily on information processing. Such processing can be very costly for organizations. However, processing healthcare data in cloud has become an effective solution to meet QoS demands of health users. In this paper, a fuzzy-based solution is presented for determining the optimal cloud using resource prediction technique. Besides, to make balance during the processing of tasks, based on fuzzy selector the virtual machine (VM) migration technique is used to migrate a VM from an overload server to an underload one. The proposed framework consists of two parts, local and global. To deliver the application to the global part, the local part must first be checked. If it is not suitable, the request will be delivered to the global part; indeed, the proposed framework works in a hierarchical manner. At first, a list of received requests is created and then using the proposed solution, the amount of available resources is estimated based on which the requested resources are allocated for processing. We used the Cloudsim toolkit to evaluate the proposed solution under various parameters and results have been compared with those of FAHP and ICA-K-Means algorithms. Compared to FAHP, the simulation results show that the proposed solution benefits from a 10% cost reduction and and a 12% reduction in cost compared to ICA-K-Means. Moreover, compared to FAHP and ICA-K-Means, the proposed method enjoys a reduction in number of rejected requests and an increase of 8% and 7% performance compared to the FAHP and ICA-K-Means, respectively.امروزه، پردازش دادههای مراقبتهای بهداشتی رسانههای بزرگ در ابر به راه حلی مؤثر برای برآورده کردن تقاضاهای کیفیت سرویس کاربران پزشکی تبدیل شده است. اما فراهم ساختن مراقبت های بهداشتی برای جامعه فعالیتی پیچیده است که شدیداً متکی بر پردازش اطلاعات است و پردازش داده های حوزه سلامت می تواند برای سازمان ها بسیار هزینه بر باشد. بر همین اساس امروزه، پردازش داده های حوزه سلامت رسانههای بزرگ در ابر به راه حلی مؤثر جهت مرتفع سازی تقاضاهای کیفیت سرویس کاربران حوزه بهداشت و سلامت تبدیل شده است. بر همین اساس در این مقاله، یک راهکار فازی برای تعیین ابر بهینه با استفاده از تکنیک پیش بینی منابع ارائه می شود. همچنین به منظور ایجاد توازن در حین پردازش وظایف از تکنیک مهاجرت ماشین مجازی مبتنی بر انتخابگر فازی جهت انتقال ماشین مجازی از یک سرور با بار زیاد به یک سرور کم بار استفاده می شود. ساختار معماری پیشنهادی شامل دو بخش محلی و سراسری است که برای تحویل درخواست به قسمت سراسری باید ابتدا قسمت محلی بررسی گردد، در صورت نداشتن شرایط، درخواست به قسمت سراسری تحویل داده می شود. در واقع معماری پیشنهادی به صورت سلسه مراتبی عمل می کند و در ابتدا لیست درخواست های رسیده ایجاد می گردد سپس با استفاده از راهکار پیشنهادی، میزان منابع موجود تخمین زده می شود و بر اساس آن، تخصیص منبع جهت پردازش انجام می گیرد. جهت ارزیابی از شبیه ساز Cloudsim استفاده شده است و با توجه به پارامترهای مختلف، راهکار پیشنهادی با الگوریتم های FAHP و ICA-K-Means مورد مقایسه قرار گرفته است. نتایج حاصل از شبیهسازی نشان می دهد که راهکار پیشنهادی در مقایسه با الگوریتم FAHP به میزان 10درصد و نسبت به ICA-K-Means به میزان 12درصد کاهش هزینه بوجود آمده است. همچنین تعداد درخواست های رد شده نیز به همین صورت و به نسبت الگوریتم FAHP به میزان 8 درصد و نهایتا در مقایسه با ICA-K-Means به میزان 7درصد افزایش بهره وری منابع بوجود آمده است.https://scj.kashanu.ac.ir/article_111446_a561cb8231892cfa1fa0d59096e28d4c.pdfدانشگاه کاشانمحاسبات نرم2322-37078220210523An Energy Efficient Clustering Method using Bat Algorithm and Mobile Sink in Wireless Sensor Networksارائه یک روش خوشهبندی آگاه از انرژی با استفاده از الگوریتم خفاش و چاهک متحرک در شبکه حسگر بی سیم10211511144710.22052/8.2.102FAشایستهطباطبائیمجتمع آموزش عالی سراوانJournal Article20210523Wireless sensor networks (WSNs) consist of sensor nodes with limited energy. Energy efficiency is an important issue in WSNs as the sensor nodes are deployed in rugged and non-care areas and consume a lot of energy to send data to the central station or sink if they want to communicate directly with the sink. Recently, the IEEE 802.15.4 protocol is employed as a low-power, low-cost, and low rate communication standard for WSNs, which ensures real-time applications via Guaranteed Time Slot (GTS). Accordingly, in this paper, a new protocol energy efficient bat algorithm and a mobile sink are presented. It can choose the optimal route based on: (1) distance of a sensor node to sink, (2), bat loudness, and (3) energy level of its battery. Using the OPNET simulator version 11.5, the proposed method was simulated by bat and NODIC protocols, and IEEE 802.15.4 and the results were considered in terms of energy consumption, end to end delay, signal to noise ratio, the success probability of sending data to sink and rate of passing data. The results of the simulation showed the use of the above-mentioned parameters in the proposed method leads to the improvement of the network throughput against using the IEEE 802.15.4 protocol, Bat algorithm, and NODIC protocol.شبکه های حسگر بی سیم (WSN) از گره های حسگر با انرژی محدود تشکیل شده است. مصرف بهینه انرژی یک مسئله مهم برای این نوع از شبکه ها است، زیرا گره های حسگر در مناطق ناهموار و بی مراقبت مستقر می شوند و برای ارسال داده ها با ارتباط مستقیم به چاهک انرژی زیادی را صرف خواهند نمود. اخیراً پروتکل IEEE 802.15.4، به عنوان یک استاندارد ارتباطی برای شبکه های حسگر کم مصرف، با نرخ پایین و کم هزینه مورد استفاده قرار گرفته است که ازطریق روش برش زمانی تضمینی (Guaranteed Time Slot)، کاربردهای بلادرنگ را تضمین می کند بر این اساس در این مقاله، یک پروتکل جدید آگاه از انرژی با الگوریتم خفاش (Bat Algorithm) و چاهک متحرک ارائه شده است که قادر به انتخاب مسیر بهینه بر اساس معیار فاصله تا چاهک، شدت صوت و انرژی سطح باتری میباشد. روش پیشنهادی با پروتکل BAT، پروتکل NODIC و استاندارد IEEE802.15.4 در شبیه ساز OPNET ورژن 11.5 شبیه سازی شد و نتایج از نظر انرژی مصرفی، تأخیر انتها به انتها، نسبت سیگنال به نویز، احتمال موفقیت ارسال داده به چاهک و نرخ گذردهی باهم مقایسه شدند. نتایج حاصل از شبیه سازی نشان داد که استفاده از معیار های عنوان شده در الگوریتم پیشنهادی موجب بهبود عملکرد شبکه نسبت به پروتکل BAT، پروتکل NODIC و استاندارد IEEE802.15.4 می شود.https://scj.kashanu.ac.ir/article_111447_5bfbf42b0572634eeba4192a1e9513b9.pdf