دانشگاه کاشان محاسبات نرم 2322-3707 12 2 2024 02 20 Designing a model for data stream classification using reinforcement learning and stochastic gradient descent طراحی مدلی برای طبقه‌بندی داده‌های جریانی با استفاده از یادگیری تقویتی و گرادیان کاهشی تصادفی 2 15 113852 10.22052/scj.2023.248781.1124 FA سمیرا فرزانه دانشکده مهندسی برق و کامپیوتر، دانشگاه کاشان، کاشان، ایران جواد سلیمی سرتختی دانشکده مهندسی برق و کامپیوتر، دانشگاه کاشان، کاشان، ایران Journal Article 2023 01 04 A large amount of research in the field of online learning has focused on the problem of overcoming catastrophic forgetting, and few research studies have focused on classifying the data stream with appropriate accuracy and running time. On the other hand, due to the volume and type of data stream, many traditional machine learning algorithms do not have the necessary efficiency when faced with it. Thus, in this paper, a novel model using reinforcement learning and the stochastic gradient descent algorithm is presented for the classification stream data with appropriate accuracy and running time. One of the important features of reinforcement learning is that the agent can adapt its behaviour gradually to the changes that occur and gradually add to its previous knowledge. In this research, because of the use of reinforcement learning and the definition of reward, the agent has a better performance in the environment. The proposed algorithm has been tested on various data, including the dataset of human activity recognition, and compared with several incremental algorithms in terms of accuracy and running time. According to the experimental results, the proposed algorithm has the best performance in terms of both accuracy and running time compared to other incremental algorithms. حجم وسیعی از تحقیقات در زمینه یادگیری برخط به مساله غلبه بر فراموشی فاجعه‌بار تمرکز کرده‌اند و تحقیقات اندکی در زمینه طبقه‌بندی داده‌های جریانی با صحت و زمان اجرای مناسب تمرکز کرده‌اند. از سوی دیگر، به دلیل حجم و نوع داده‌های جریانی بسیاری از الگوریتم‌های سنتی یادگیری ماشین به خودی خود کارایی لازم هنگام مواجه با آنها را ندارند. بنابراین، در این مقاله برای طبقه‌بندی داده‌های جریانی با صحت و زمان یادگیری مناسب یک مدل جدید با استفاده از یادگیری تقویتی و الگوریتم گرادیان کاهشی تصادفی ارائه شده است. یکی از قابلیت‌های مهم یادگیری تقویتی این است که عامل می‌تواند رفتار خود را به تدریج با تغییراتی که رخ می‌دهد سازگار کند و به صورت تدریجی بر دانش قبلی خود بیافزاید. در این پژوهش به دلیل استفاده از یادگیری تقویتی و تعریف پاداش، عامل عملکرد بهتری در محیط دارد. الگوریتم پیشنهادی بر روی داده‌های مختلف از جمله مجموعه داده جریانی تشخیص فعالیت‌های انسانی آزمایش شده و از لحاظ صحت و زمان اجرا با چندین الگوریتم افزایشی مقایسه شده است. طبق نتایج آزمایشگاهی الگوریتم پیشنهادی بهترین کارایی را هم از نظر صحت و هم از نظر زمان اجرا در مقایسه با سایر الگوریتم‌های افزایشی دارد. https://scj.kashanu.ac.ir/article_113852_f6c305bd4a91bd64378343e99ac00652.pdf

دانشگاه کاشان محاسبات نرم 2322-3707 12 2 2024 02 20 Extremal unicyclic graphs relative to the sum of the k-power degrees of the graphs گراف‌های تک دور فرینال نسب به مجموع توان k-ام درجات گراف‌ها 16 23 113802 10.22052/scj.2023.248230.1092 FA علی قلاوند گروه ریاضی کاربردی، دانشکده علوم ریاضی، دانشگاه فردوسی مشهد، مشهد، ایران مصطفی توکلی گروه ریاضی کاربردی، دانشکده علوم ریاضی، دانشگاه فردوسی مشهد، مشهد، ایران Journal Article 2022 08 29 ‎Let ‎G ‎be a ‎‎graph ‎and ‎d_G(v) ‎be ‎the ‎degree ‎of v ‎in ‎G‎. Then, the sum of the k-power degrees of ‎‎G ‎is ‎defined ‎as‎ ‎\Sigma_k(G) = \sum_{u \in V(G)}d_G(u)^k‎‎‎. ‎In this paper‎, ‎we obtain a relationship between Stirling number‎, ‎number of trees of subsets and the sum of the k-power degrees of the chemical graphs‎. ‎Also‎, ‎we characterize the extremal unicyclic graphs based on the sum of the k-power degrees of the graphs‎. فرض کنید G یک گراف و d_G (v) درجه راس v در گراف G باشد. در این صورت مجموع توان k-ام گراف G  به صورت ‎\Sigma_k(G) = \sum_{u \in V(G)}d_G(u)^k تعریف می‌شود. در این مقاله، یک رابطه بین عدد استرلینگ، تعداد درختان زیرمجموعه‌ها و مجموع توان k-ام درجات گراف‌های شیمیایی به دست خواهد آمد. همچنین گراف‌های تک دور فرینال براساس مجموع توان k-ام درجات گراف‌ها مشخص می‌شوند. https://scj.kashanu.ac.ir/article_113802_f123e1e2008e4f286e912a4483212f90.pdf

دانشگاه کاشان محاسبات نرم 2322-3707 12 2 2024 02 20 Fabric design-assisted system based on interactive genetic algorithm سامانه کمک طراحی پارچه بر اساس الگوریتم ژنتیک محاوره‌ای 24 35 113803 10.22052/scj.2023.246464.1072 FA سید محمود طباطبایی دانشکده هنر، دانشگاه علم و هنر، یزد، ایران. وجیهه مظفری دانشکده هنر، دانشگاه علم و هنر، یزد، ایران. عطیه کریم‌پور دانشکده هنر، دانشگاه علم و هنر، یزد، ایران. Journal Article 2022 06 06 Nowadays, with the development of digital technology, the role of computer applications is important in art, especially in fabric and cloth design. Note that in traditional methods, it is not possible to interact with the consumer until the end of the design process, and if the final design is not approved by them, all design steps must be repeated. Typical design software systems only work well for professionals and are difficult for non-professionals to work with; therefore, there is a need to use systems that can provide the interaction between the user and the system while maintaining design speed, which is essential in this field. In this research, a fabric design assistance system based on the interactive genetic algorithm has been developed. To design the fabric, patterns and colors available in Qashqai kilims, as well as the type of pattern arrangement in kilims, were used. The designs produced by the system are displayed to the user to estimate the level of fitness. According to the user's evaluation, weaker designs are discarded, and stronger designs are improved by passing through the system again, and finally, the desired design is created. The results show that the use of the proposed system in the fabric design industry enables designers, buyers, and even fabric manufacturers to apply their taste in the fabric design process. As inferred from the users' point of view, reducing the design process time, reducing related costs, and achieving multiple designs in the shortest possible time are the advantages of this system. امروزه با گسترش فناوری دیجیتال، جایگاه کاربرد رایانه در ایجاد خلاقیت هنری به خصوص طراحی پارچه و لباس دارای اهمیت بسزایی است. لازم به ذکر است که در شیوه‌های سنتی، امکان تعامل با مصرف‌کننده تا پایان فرآیند طراحی وجود ندارد و در صورت عدم تایید طرح نهایی توسط وی، کلیه مراحل طراحی می‌بایست مجدد تکرار شود. سیستم‌های نرم‌افزاری طراحی، فقط برای افراد حرفه‌ای خوب کار می‌کنند و کار با آن‌ها برای افراد غیرحرفه‌ای مشکل می‌باشد؛ بنابراین لزوم استفاده از سامانه‌هایی که بتوان با حفظ سرعت طراحی، از تعامل بین کاربر و سیستم نیز استفاده کند، در این حوزه ضروری می‌باشد. در این تحقیق، سامانه کمک طراحی پارچه بر اساس الگوریتم ژنتیک محاوره‌ای توسعه داده شده است. به منظور طراحی پارچه از نقش‌مایه‌ها و رنگ‌های موجود در گلیم‌های قشقایی و همچنین نوع چیدمان نقش‌مایه‌ها در گلیم استفاده شد. طرح‌های تولید شده توسط سامانه برای برآورد میزان برازندگی در معرض دید کاربر قرار می‌گیرد. بر طبق ارزیابـی کاربر، طرح‌های ضعیف‌تر کنار گذاشته شده و طرح‌های قوی‌تر با گذر مجدد از سـامانه، ارتقا یافته و درنهایت طرح مطلوب ایجاد می‌گردد. نتایج نشان داد که استفاده از سامانه ارائه شده در صنعت طراحی پارچه؛ طراحان، خریداران و حتی تولیدکنندگان پارچه را قادر می‌سازد در روند طراحی پارچه اعمال سلیقه نمایند. آنگونه که از نظر کاربران استنباط می‌شود، کاهش زمان فرآیند طراحی، کاهش هزینه‌های مربوط و نیز دستیابی به طرح‌های متعدد در حداقل زمان ممکن از مزایای این سامانه می‌باشد. https://scj.kashanu.ac.ir/article_113803_f8c2bb3d00b83273c54bd96bd40bffba.pdf

دانشگاه کاشان محاسبات نرم 2322-3707 12 2 2024 02 20 A survey on the characteristics of communication technologies in smart homes and the challenges ahead مروری بر ویژگی‌های فناوری‌های ارتباطی در خانه‌های هوشمند و چالش‌های پیش‌رو 36 53 113808 10.22052/scj.2023.242846.0 FA الهام توکلی دانشکده آموزش‌های الکترونیکی، دانشگاه شیراز، شیراز، ایران. علیرضا کشاورزحداد دانشکده مهندسی برق و کامپیوتر، دانشگاه شیراز، شیراز، ایران. Journal Article 2021 04 10 Home intelligence is one of the most practical and thriving topics in today’s world, which allows people to adjust and control electronic equipment remotely, as well as program them to save energy. In recent years, many companies have introduced hardware and software systems as appliances and communication technologies for smart homes. These technologies differ from each other in various aspects such as implementation conditions, cost, scalability, security, etc., and due to their great diversity, it seems difficult to choose a suitable technology under given conditions. It is quite clear that the prerequisite for the proper design and implementation of a smart home is to know the features and limitations of these technologies in different conditions. This article reviews common communication technologies in smart homes based on the communication medium, i.e., wire, power lines, and wireless, and outlines the features and limitations of each technology, as well as the related research and challenges ahead to improve such technologies. Also, the highlighted points in the article can help the designers of smart home systems select and use the appropriate technology according to the conditions in a smart home.  هوشمندسازی خانه‌ها یکی از موضوعات کاربردی و پررونق در دنیای امروز است که به افراد امکان تنظیم و کنترل از راه دور تجهیزات الکترونیکی و همچنین امکان برنامه‌ریزی آنها جهت صرفه‌جویی در مصرف انرژی را می‌دهد. در سال‌های اخیر شرکت‎های مطرح سیستم‌های مختلف سخت‌افزاری و نرم‌افزاری برای تجهیزات خانگی هوشمند و همچنین فناوری‌های ارتباطی آنها عرضه کرده‎اند. این فناوری‌ها از جهات مختلفی نظیر شرایط پیاده‌سازی، هزینه، مقیاس‌پذیری، تکامل‌پذیری، امنیت و غیره با یکدیگر متفاوتند و به دلیل تنوع زیاد آنها، انتخاب یک فناوری درخور با توجه به نیازمندی و امکانات موجود دشوار به نظر می‌رسد. پر‎واضح است که لازمه طراحی و پیاده‌سازی صحیح و اصولی یک خانه هوشمند، شناخت ویژگی‌ها و محدودیت‌های این فناوری‌ها در شرایط مختلف است. این مقاله مروری به فناوری‌های متداول ارتباطی در خانه‌های هوشمند مبتنی بر سیم‌کشی‌ مجزا، خطوط برق ساختمان و ارتباطات بی‌سیم می‌پردازند و ویژگی‌ها و محدودیت‌های هر فناوری را بیان می‌کند، علاوه بر این به پژوهش‌های مرتبط و چالش‌های پیش‎رو جهت بهبود این فناوری‌ها می‌پردازد. نکات مطرح شده در مقاله به طراحان سیستم‌های هوشمند خانگی کمک می‌کند تا فناوری ارتباطی مناسبی را با توجه به شرایط موجود در خانه هوشمند انتخاب و استفاده نمایند. https://scj.kashanu.ac.ir/article_113808_0cb0797c094349722a7a1e3bb364176b.pdf

دانشگاه کاشان محاسبات نرم 2322-3707 12 2 2024 02 20 Improved deep neural network algorithm for COVID-19 detection in the Internet of Things الگوریتم شبکه عصبی عمیق بهبود یافته برای شناسایی بیماری کوید-19 در اینترنت اشیا 54 71 113843 10.22052/scj.2023.248686.1117 FA محمد موسوی دانشکده ریاضی و کامپیوتر، دانشگاه شهید باهنر کرمان، کرمان، ایران. سوده حسینی دانشکده ریاضی و کامپیوتر، دانشگاه شهید باهنر کرمان، کرمان، ایران. محمدرضا امیدی دانشکده ریاضی و کامپیوتر، دانشگاه شهید باهنر کرمان، کرمان، ایران. Journal Article 2022 12 12 In this paper, we propose an automatic detection system for COVID-19 cases based on the Internet of Things. In the proposed model, first, using Internet of Things technology, medical images are sent directly to the data collection after the suspicious person's visit through medical equipment equipped with Internet of Things, and then, in order to help radiologists to interpret medical images better, usage has been made of four pre-trained convolutional neural network models i.e. InceptionV3, InceptionResNetV2, VGG19 and ResNet152 as well as two datasets of chest radiology medical images and CT Scan in a 3-class classification for accurate prediction of cases suffering from COVID-19, healthy people, and diseased cases. Finally, the best result for CT-Scan images is related to InceptionResNetV2 architecture with an accuracy of 99.366%, and for radiology images related to the InceptionV3 architecture, it is 96.943%. The results show that this system leads to a reduction in daily visits to medical centers and thus reduces the pressure on the medical care system. It also helps rheology specialists to identify the disease as quickly as possible. در این مقاله یک سیستم تشخیص خودکار موارد مبتلا به کوید-19 مبتنی بر اینترنت اشیا پیشنهاد می‌شود. در مدل پیشنهادی ابتدا با استفاده از فن‌آوری اینترنت اشیا تصاویر پزشکی مستقیم پس از مراجعه فرد مشکوک از طریق تجهیزات پزشکی مجهز به اینترنت اشیا به مخزن داده ارسال می‌شود. سپس به منظور کمک به متخصصین رادیولوژی برای تفسیر هرچه بهتر تصاویر پزشکی از چهار مدل شبکه عصبی پیچشی از پیش آموزش دیده به نام‌های InceptionResNetV2، InceptionV3، VGG19 و ResNet152 و دو مجموعه داده تصاویر پزشکی رایولوژی قفسه سینه و CT Scan در یک طبقه‌بندی سه کلاسه برای پیش‌بینی دقیق موارد مبتلا به کوید-19، افراد سالم و موارد مبتلا بیماری استفاده می‌شود. درنهایت بهترین نتیجه به دست آمده برای تصاویر CT Scan متعلق به معماری InceptionResNetV2 با دقت 99.366% و برای تصاویر رادیولوژی مربوط به معماری‌ InceptionV3 با دقت 96.943% می‌باشد. نتایج نشان می‌دهد این سیستم منجر به کاهش مراجعه روزانه به مراکز درمانی و در نتیجه کاهش فشار بر سیستم مراقبت‌های درمانی می‌شود. همچنین به متخصصین رایولوژی و کادر درمان کمک می‌کند تا هرچه سریعتر بیماری شناسایی شود. https://scj.kashanu.ac.ir/article_113843_ad3fa0491fec1b4ec593d21bd6b5678d.pdf

دانشگاه کاشان محاسبات نرم 2322-3707 12 2 2024 02 20 Energy-aware evolutionary multi-objective refactoring for bad code smells correction of Android applications بازآرایی تکاملی چندهدفه آگاه از انرژی برای تصحیح نشانه‌های کد بد در کاربردهای اندرویدی 72 89 113924 10.22052/scj.2023.246479.1074 FA مائده زمزمه دانشکده مهندسی کامپیوتر، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران. 0000-0002-5273-7317 سعید صدیقیان کاشی دانشکده مهندسی کامپیوتر، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران. امین نیک‌انجام دانشکده مهندسی کامپیوتر، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران. Journal Article 2022 06 12 Among the topics in the field of software engineering, energy efficiency is an influential factor in software development and maintenance, especially for battery-limited devices. Although software refactoring can improve software quality, recent studies suggest that applying some refactoring operators may lead to conflicts with energy consumption and execution time of Android applications. In this paper, we analyze the impact of code refactoring for eight Android/Java bad code smells and anti-patterns. To conduct the studies and obtain the results, we use a testbed of five real and one synthetic Android applications. In the first step, we measure energy consumption, execution time and quality design of application before and after refactoring. The results show that in some cases, refactoring leads to a decrease in energy consumption and execution time, and in others, it increases energy consumption and application execution time. We then propose a novel refactoring recommendation approach based on evolutionary multi-objective optimization that accounts for energy consumption, execution time and refactoring effort for Android/Java anti-patterns.  For this purpose, we use Nondominated Sorting Genetic Algorithm-II (NSGA-II) with three objectives: 1) energy consumption, 2) execution time, and 3) refactoring effort. The obtained results show that this approach can generate refactoring recommendations with a median precision of 65% and 76% for improving energy and execution time, respectively, while the median of removed antipatterns in testbed applications is 42%. در میان مباحث حوزه مهندسی نرم‌افزار، بهره‌وری انرژی از عوامل موثر در دو مرحله توسعه و نگهداری نرم‌افزار، به مخصوص در دستگاه‌های با انرژی محدود است. انجام بازآرایی نرم‌افزار، اگرچه بهبود کیفی نرم‌افزار را به دنبال دارد، اما برخی از پژوهش‌های اخیر تصریح دارد که اعمال عملگرهای بازآرایی ممکن است به مصرف انرژی بیشتر و یا افزایش زمان اجرای برنامه‌های کاربردی اندرویدی منجر شود. در این مقاله، تاثیر بازآرایی و حذف هشت نشانه کد بد و پادالگوی اندرویدی/ جاوایی را بر زمان اجرا، مصرف انرژی و معیارهای کیفی کد بررسی می‌کنیم. برای انجام بررسی‌ها و دریافت نتایج از پنج برنامه کاربردی اندرویدی متن‌باز و یک برنامه کاربردی اندرویدی توسعه داده شده، استفاده کردیم. در گام نخست، تغییرهای میزان مصرف انرژی، زمان اجرای برنامه کاربردی و معیارهای کیفی کد را پیش و پس از انجام بازآرایی محاسبه کردیم. نتایج نشان می‌دهد اعمال بازآرایی در برخی موارد منجر به کاهش مصرف انرژی و زمان اجرا و در برخی دیگر، افزایش مصرف انرژی و زمان اجرای برنامه کاربردی را رقم زده است. در گام دوم برای ارائه پیشنهاد مجموعه‌ای از عملگرهای بازآرایی از میان عملگرهای بازآرایی تشخیص داده شده و ممکن، راهکاری تازه، با استفاده از راهکار بهینه‌سازی تکاملی چندهدفه ارائه شده است. بر همین اساس، الگوریتم ژنتیک چندهدفه با مرتب‌سازی غیرمغلوب (NSGA-II) را با در نظرگرفتن سه هدف بهبود زمان اجرا، مصرف انرژی و میزان تلاش انجام شده برای بازآرایی، به کار بردیم. خروجی این رویکرد توانسته است میزان زمان اجرا و مصرف انرژی را با دقت میانه 76% و 65% بهبود دهد و به طور میانه 42% پادالگوها و نشانه‌های کد بد تشخیص‌داده شده در برنامه‌های کاربردی اندرویدی را برطرف سازد. https://scj.kashanu.ac.ir/article_113924_5eaf8f1aae3477237b08869210cf8eaf.pdf

دانشگاه کاشان محاسبات نرم 2322-3707 12 2 2024 02 20 A Novel Resource Allocation Approach for Real-Time Workloads in SDN-Based Fog Environments روشی جدید جهت تخصیص منابع به جریان‌های کاری بی‌درنگ در محیط‌های مه مبتنی بر شبکه‌های نرم‌افزار محور 90 105 113917 10.22052/scj.2023.248726.1121 FA محمد صادق زاده گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه بوعلی سینا، همدان، ایران رضا محمدی گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه بوعلی سینا، همدان، ایران محمدی نصیری گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه بوعلی سینا، همدان، ایران سکینه سهرابی گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه بوعلی سینا، همدان، ایران Journal Article 2022 12 23 Fog computing is increasingly used as a platform for processing Internet of Things applications. Thus, this architecture extends cloud computing services to the edge of the network, where processing may be cheaper and faster. One of the main challenges in providing Quality of Service (QoS) requirements, such as delay and energy consumption in the fog environment, is to pay attention to the energy limitation and low computational capacity of fog nodes, which makes it difficult to assign tasks to fog nodes. This paper first presents a mathematical model for resource allocation with the aim of reducing delay and energy while considering QoS criteria. Then, a combined genetic and grey wolf algorithm is introduced to solve the model. Note that the combination of these two algorithms leads to finding an optimal solution efficiently. Although the implementation of the proposed algorithms has processing costs and computational delay, due to the improvement of QoS criteria, this cost can be ignored. The results show that the combination and simultaneous use of the positive points of the two algorithms improves execution time and completion time of the last task, as well as energy consumption by 18.30%, 15.14%, and 10.21%, respectively, compared to the semi-greedy method. محاسبات مه به طور فزاینده‌ای به عنوان یک بستر برای پردازش برنامه‌های اینترنت اشیا استفاده می‌شود. در نتیجه، این معماری خدمات رایانش ابری را به لبه شبکه می‌آورد، جایی که پردازش ممکن است ارزان‌تر و سریع‌تر انجام شود. یکی از چالش‌های اساسی در زمینه تامین کیفیت خدمات سطح سرویس مانند تاخیر و مصرف انرژی در محیط مه توجه به محدودیت انرژی و ظرفیت کم سرورهای مه می‌باشد که تصمیم‌گیری اختصاص وظایف به گره‌های مه را دشوار می‌کند. این مقاله ابتدا یک مدل ریاضی برای تخصیص منابع ارائه می‌دهد که هدف آن به حداقل رساندن تاخیر و انرژی در شرایطی است که معیارهای کیفیت خدمات سطح سرویس در نظر گرفته می‌شود. سپس به ارائه الگوریتم ترکیبی ژنتیک و گرگ خاکستری جهت حل مدل ریاضی پرداخته می‌شود. باید توجه داشت که ترکیب این دو الگوریتم باعث ارائه جواب‌های متنوع و در نهایت بهینه می‌شود. لازم به ذکر است که اجرای الگوریتم‌های مذکور دارای هزینه پردازشی و تاخیر محاسباتی می‌باشد ولی با توجه به بهبود معیارهای کیفیت سطح سرویس می‌توان از این هزینه چشم‌پوشی کرد. نتایج حاصل شده حاکی از آن است که ترکیب و استفاده همزمان از نقاط مثبت دو الگوریتم، معیارهای زمان اجرا و زمان اتمام آخرین کار و همچنین مصرف انرژی را به ترتیب به میزان 18.30% و 15.14% و 10.21% به نسبت روش نیمه حریصانه بهبود می‌دهد. https://scj.kashanu.ac.ir/article_113917_0c1ef2118f0be07eff3b90bf698c4d27.pdf

دانشگاه کاشان محاسبات نرم 2322-3707 12 2 2024 02 20 Taxonomy and comprehensive review of optimization techniques of load balancing software-defined networks طبقه‌بندی و بررسی جامع روش‌های بهینه‌سازی تعادل بار شبکه‌های نرم‌افزار محور 106 129 113878 10.22052/scj.2023.252610.1134 FA سمیه ایمان‌پور دانشکده مهندسی کامپیوتر، دانشگاه اصفهان، اصفهان، ایران احمدرضا منتظرالقائم دانشکده مهندسی کامپیوتر، دانشگاه اصفهان، اصفهان، ایران 0000-0003-4968-2375 Journal Article 2023 03 05 The network traffic is increasing daily; consequently, software-defined network technology is employed to manage the network, as this technology provides an overview of the network and enables advanced management. In software-defined networks, load balancing is also necessary to improve performance. Many approaches have been proposed for load balancing in software-defined networks. These approaches can be the taxonomy; however, the taxonomies presented so far are not exact. In this article, a detailed taxonomy for load balancing of software-defined networks is provided. Then, the approaches that use optimization algorithms based on artificial intelligence to address the load balancing challenge in software-defined networks are discussed. Finally, the methods for predicting the load balance in software-defined networks and how this contributes to reducing energy consumption are presented. ترافیک شبکه‌ها روزبه‌روز در حال افزایش است؛ به همین دلیل برای مدیریت شبکه‌ها از فناوری شبکه‌های نرم‌افزار محور استفاده می‌شود؛ زیرا این فناوری یک نمای کلی از شبکه ارائه داده و مدیریت پیشرفته را امکان‌پذیر می‌کند. در ضمن برای بهبود عملکرد در شبکه‌های نرم‌افزار محور به تعادل بار نیز نیاز است. برای ایجاد تعادل بار در شبکه‌های نرم‌افزار محور رویکردهای بسیاری پیشنهاد شده است. این رویکردها می‌توانند طبقه‌بندی باشند؛ با این حال طبقه‌بندی‌های ارائه شده تاکنون دقیق نیستند. در این مقاله، طبقه‌بندی دقیقی برای تعادل بار شبکه‌های نرم‌افزار محور ارائه شده و در ادامه رویکردهایی که از الگوریتم‌های بهینه‌سازی مبتنی بر هوش مصنوعی برای حل مساله تعادل بار استفاده کرده‌اند، مورد تجزیه و تحلیل قرار گرفته‌اند. در نهایت روش‌های پیش‌بینی تعادل بار در شبکه‌های نرم‌افزار محور شرح داده شده و چگونگی کمک آنها به کاهش مصرف انرژی مورد بررسی قرار گرفته است. https://scj.kashanu.ac.ir/article_113878_e52d0f7aa50087e8b078fa72ddb731ac.pdf

دانشگاه کاشان محاسبات نرم 2322-3707 12 2 2024 02 20 Buying and selling strategy in the Iranian stock market using machine learning models, with feature selection using the Cuckoo Search algorithm استراتژی خرید و فروش در بازار بورس ایران با استفاده از مدل‌های یادگیری ماشین همراه با انتخاب ویژگی به کمک الگوریتم جستجوی فاخته 130 145 113873 10.22052/scj.2023.252793.1144 FA عرفان صابری دانشکده برق و کامپیوتر، دانشگا علم و فناوری مازندران، بهشهر، ایران الناز رادمند دانشکده برق و کامپیوتر، دانشگا علم و فناوری مازندران، بهشهر، ایران جمشید پیرگزی دانشکده برق و کامپیوتر، دانشگا علم و فناوری مازندران، بهشهر، ایران 0000-0002-2461-1143 علی کرمانی دانشکده برق و کامپیوتر، دانشگا علم و فناوری مازندران، بهشهر، ایران Journal Article 2023 04 24 In Iran, the stock market is facing different conditions compared to the rest of the world. One of the most important challenges in this market is the lack of transparency in market information and information on trading companies. Also, the lack of appropriate and complete historical data for use in forecasting algorithms is another important challenge. In stock price forecasting, due to the dynamic interactions of the stock market and price changes in short periods of time, the use of artificial intelligence is used as a powerful tool in price forecasting and decisions related to buying and selling stocks. In this paper, a method based on machine learning, including five steps (including data labeling, feature extraction, feature selection, classification, and signal presentation), is presented. For this purpose, various technical characteristics have been extracted from the price data, and the data has been labeled using the threshold labeling method. Then, various machine learning models are trained on this data and provide buy and sell signals at the output. To improve the performance of the machine learning model, feature selection has been done using the Cuckoo Search algorithm. In order to evaluate the proposed method, several years of Iranian stock market data and various indices have been used. The results of the evaluation show the effectiveness of the proposed method. در کشور ایران، بازار بورس با شرایط متفاوتی نسبت به بازارهای بورس جهان روبه‌رو است. یکی از مهمترین چالش‌های این بازار، عدم شفافیت در اطلاعات بازار و اطلاعات شرکت‌های معامله‌کننده است. همچنین، عدم وجود داده‌های تاریخی مناسب و کامل برای استفاده در الگوریتم‌های پیش‌بینی، از دیگر چالش‌های مهم است. در پیش‌بینی قیمت سهام، با توجه به تعاملات پویای بورس و تغییر قیمت‌ها در بازه‌های زمانی کوتاه، استفاده از هوش مصنوعی به عنوان یک ابزار قدرتمند در پیش‌بینی قیمت‌ها و تصمیم‌گیری‌های مربوط به خرید و فروش سهام مورد استفاده قرار می‌گیرد. در این مقاله، روشی مبتنی بر یادگیری ماشین شامل 5 مرحله برچسب گذاری داده‌ها، استخراج ویژگی، انتخاب ویژگی، طبقه‌بندی و ارائه سیگنال ارائه شده است. برای این منظور ابتدا استخراج ویژگی‌های مختلف تکنیکالی از داده‌های قیمتی صورت گرفته است و با استفاده از روش برچسب‌گذاری آستانه‌ای، داده‌ها برچسب‌گذاری شده‌اند. سپس مدل‌های یادگیری ماشین مختلف بر روی این داده‌ها آموزش دیده و در خروجی سیگنال خرید و فروش را ارائه می‌دهند. برای بهبود عملکرد مدل یادگیری ماشین، انتخاب ویژگی با استفاده از الگوریتم جستجوی فاخته انجام شده است. به منظور ارزیابی روش پیشنهادی از داده های چند ساله بورس ایران و از شاخص‌های مختلف استفاده شده است. نتایج حاصل از ارزیابی نشان‌دهنده کارایی روش پیشنهادی می‌باشد. https://scj.kashanu.ac.ir/article_113873_34239ea6cf8674e87ed9eb6e04cdf7ee.pdf

دانشگاه کاشان محاسبات نرم 2322-3707 12 2 2024 02 20 Optimization of vehicle routing based on the combination of ant colony and particle swarm algorithms with the heuristic function of the cosine of angles بهینه‌سازی مسیریابی وسایل نقلیه مبتنی بر ترکیب الگوریتم‌های کلونی مورچه و ازدحام ذرات با تابع ابتکاری کسینوس زوایا 146 164 113851 10.22052/scj.2023.248702.1118 FA حمیدرضا شفیعی گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه اراک، اراک، ایران. وحید رافع گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه اراک، اراک، ایران. مریم امیری گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه اراک، اراک، ایران. Journal Article 2022 12 17 The congestion of roads is a very important factor in urban traffic. A lot of research has tried to solve these problems using meta-heuristic algorithms. In these algorithms, firstly, routing is done randomly over large areas. This will increase the search time. In addition, these algorithms only consider the physical distance between the vehicles. Since environmental factors such as traffic are very effective in routing, these factors should be considered in routing. In this paper, to solve the problems, a dynamic path programming method based on the combination of the ant colony algorithm and particle swarm optimization, along with a cosine function of angle, has been proposed. This method takes into account various factors of roads, such as the length of the urban road and the incoming and outgoing traffic at intersections. In the method, the points that are aligned with the navigation path towards the final destination are given more chances. The results of applying the proposed model on the valid data of the TSPLIB library, which is based on the physical distance between cars, show that the search time of the proposed method has decreased by 40.74% on average compared to the results of ten other methods used for evaluation. The highest and lowest rates of decrease are 98.01% and 6.02%, respectively. The test of dynamic route planning under road traffic on some intersections of Beijing city also shows that the proposed method only causes congestion of about 1.57%. وضعیت شلوغی جاده‌ها عامل بسیار مهمی در ترافیک شهری است. برای حل این مشکل پژوهش‌های زیادی انجام شده است که عمده راهکارهای ارائه شده بر مبنای الگوریتم‌های فراابتکاری می‌باشند. در بسیاری از این الگوریتم‌ها در ابتدای کار مسیریابی به صورت تصادفی و در محدوده‌ای بزرگ انجام می‌شود که خود موجب افزایش زمان جستجو می‌گردد. همچنین در تحلیل‌های صورت گرفته بر مبنای این الگوریتم‌ها تنها فاصله فیزیکی بین خودروها در نظر گرفته شده است. با توجه به اینکه عوامل محیطی نظیر ترافیک، در مسیریابی بسیار موثر هستند، باید تاثیر این عوامل را در مسیریابی در نظر گرفت. بدین منظور برای حل مشکلات مطرح شده، در این مقاله یک روش برنامه‌ریزی مسیر پویا مبتنی بر ترکیب الگوریتم‌های کلونی مورچگان و ازدحام ذرات با اعمال تابع ابتکاری کسینوس زوایا پیشنهاد شده است. این روش عوامل مختلف وضعیت جاده‌ها از جمله طول جاده شهری و ترافیک ورودی و خروجی تقاطع‌ها را در مسیریابی وسایل نقلیه در نظر می‌گیرد و در مسیریابی برای نقاطی که هم‌راستای مسیر پیمایش به سمت مقصد نهایی باشد، شانس بیشتری قائل می‌شود. نتایج حاصل از اعمال مدل پیشنهادی بر روی‌ داده‌های کتابخانه معتبر TSPLIB که مبتنی بر فاصله فیزیکی بین خودروها است، نشان می‌دهد که زمان جستجوی روش پیشنهادی نسبت به سایر روش‌ها (ده ارزیابی انجام شده) بطور متوسط 40.74 درصد کاهش داشته است. بیشترین و کمترین میزان کاهش به ترتیب 98.1 و 6.02 درصد می‌باشد. همچنین آزمایش برنامه‌ریزی مسیر پویا تحت ترافیک جاده‌ها بر روی برخی از تقاطع‌های شهر پکن نشان می‌دهد که روش پیشنهادی به صورت میانگین 1.57 درصد تراکم و ازدحام ایجاد می‌کند. https://scj.kashanu.ac.ir/article_113851_2520e61b7dbdb09a0538ccdd36d2a1e3.pdf