دانشگاه کاشان محاسبات نرم 2322-3707 13 2 2024 07 23 An agent-based hyper-heuristic for software systems modularization یک ابراکتشافی مبتنی بر عامل برای پیمانه‌بندی سامانه‌های نرم‌افزاری 2 21 114417 10.22052/scj.2024.248472.1109 FA محجوبه تاج گردان گروه علوم کامپیوتر، دانشکده ریاضی، آمار و علوم کامپیوتر، دانشگاه تبریز، تبریز، ایران. حبیب ایزدخواه گروه علوم کامپیوتر، دانشکده ریاضی، آمار و علوم کامپیوتر، دانشگاه تبریز، تبریز، ایران. شهریار لطفی گروه علوم کامپیوتر، دانشکده ریاضی، آمار و علوم کامپیوتر، دانشگاه تبریز، تبریز، ایران. Journal Article 2022 10 21 Modularization algorithms are used to recover the software architecture. These algorithms divide the source code of the software system into smaller and more understandable modules. Since software modularization is an NP-hard problem, search-based methods are usually used to solve it. In recent years, the use of hyper-heuristics with intelligent search approaches has increased to achieve a higher level of generality. In this paper, a general agent-based hyper-heuristic, using the concept of multi-agent systems, is presented for software modularization. In the proposed algorithm, agents with diversification and intensification search perspectives are used, and agents with the same perspective are placed in a coalition. In each step of the search, the most appropriate coalition is automatically selected using reinforcement learning, and its agents are executed in parallel. Also, in the design of some agents, to maintain diversity, the concept of chaos theory is used. To demonstrate the applicability of the proposed algorithm, eleven real-world software systems with small and medium sizes, along with ten folders of Mozilla Firefox with different functionalities and sizes are selected. The results of the experiments show that the proposed hyper-heuristic, in most cases, produces higher-quality modularizations in less time than the compared algorithms. The average numerical improvement of the proposed algorithm in terms of modularization quality and execution time on ten folders of Mozilla Firefox is 77.607 and 59.448%, respectively. الگوریتم‌های پیمانه‌بندی برای بازیابی معماری نرم‌افزار استفاده می‌شوند. این الگوریتم‌ها کد منبع سامانه نرم‌افزاری را به پیمانه‌های کوچک‌تر و قابل فهم‌تر تقسیم می‌کنند. از آنجایی که پیمانه‌بندی نرم‌افزار یک مساله چندجمله‌ای غیرقطعی‌سخت است، به طور معمول از روش‌های مبتنی بر جستجو برای حل آن استفاده می‌شود. در سال‌های اخیر، استفاده از ابراکتشافی‌ها با رویکردهای جستجوی هوشمند، برای دستیابی به سطح بالاتری از عمومیت رو به افزایش است. در این مقاله، یک ابراکتشافی عمومی مبتنی بر عامل، با استفاده از مفهوم سامانه‌های چندعاملی، برای پیمانه‌بندی نرم‌افزار ارائه می‌شود. در الگوریتم پیشنهادی، از عامل‌هایی با دیدگاه‌های جستجوی تقویتی و تنوعی استفاده می‌شود و عامل‌های دارای دیدگاه یکسان در یک اجتماع قرار می‌گیرند. در هر گام از جستجو، مناسب‌ترین اجتماع با استفاده از یادگیری تقویتی به طور خودکار انتخاب و عامل‌های آن به صورت موازی اجرا می‌شوند. همچنین، در طراحی برخی از عامل‌ها، برای حفظ تنوع، از مفهوم نظریه آشوب استفاده می‌شود. برای نشان‌ دادن قابلیت اجرای الگوریتم پیشنهادی یازده سامانه نرم‌افزاری دنیای واقعی با اندازه کوچک و متوسط و ده پوشه از موزیلا فایرفاکس با دامنه‌ها و قابلیت‌های متفاوت انتخاب شده‌اند. نتایج آزمایش‌ها نشان می‌دهند که ابراکتشافی پیشنهادی در بیشتر موارد پیمانه‌بندی‌هایی با کیفیت بالاتر را در زمان کمتری نسبت به الگوریتم‌های مقایسه شده تولید می‌کند. میانگین بهبود عددی الگوریتم پیشنهادی از نظر کیفیت پیمانه‌بندی و زمان اجرا روی ده پوشه از موزیلا فایرفاکس به ترتیب 77.607 و 59.448 درصد می‌باشد. پیمانه‌بندی نرم‌افزار بازیابی معماری ابراکتشافی سامانه‌های چندعاملی یادگیری تقویتی https://scj.kashanu.ac.ir/article_114417_122f38f7097107f5484eda2e0a1ddfcf.pdf
دانشگاه کاشان محاسبات نرم 2322-3707 13 2 2025 02 19 A review on object recognition models based on deep learning بررسی مدل‌های تشخیص شی مبتنی بر یادگیری عمیق 22 41 114418 10.22052/scj.2024.252945.1149 FA محسن نوروزی دانشکده کامپیوتر، دانشگاه صنعتی شاهرود، شاهرود، ایران. حمید حسن پور دانشکده کامپیوتر، دانشگاه صنعتی شاهرود، شاهرود، ایران. علی قنبری دانشکده کامپیوتر، دانشگاه علم و فناوری مازندران، بهشهر، ایران. Journal Article 2023 05 13 Object detection is responsible for classifying and locating objects in an image or video, which has gained popularity in recent years due to its wide applications. This paper reviews recent advances in deep learning-based object recognition. An overview of benchmark datasets and evaluation criteria used in recognition is also presented along with some of the main architectures used in the object recognition problem. Also, the modern lightweight classification models have been reviewed. Finally, the performance of these structures is compared based on multiple criteria. تشخیص شی وظیفه طبقه‌بندی و مکان‌یابی اشیا در یک تصویر یا ویدیو را بر عهده دارد که در سال‌های اخیر به دلیل کاربردهای گسترده آن شهرت یافته است. این مقاله پیشرفت‌های اخیر در بازشناسی شی مبتنی بر یادگیری عمیق را بررسی می‌کند. مرور کلی مجموعه داده‌های معیار و معیارهای ارزیابی مورد استفاده در شناسایی نیز همراه با برخی از معماری‌های اصلی مورد استفاده در مساله بازشناسی شی ارائه شده است. همچنین مدل‌های طبقه‌بندی سبک‌وزن مدرن مورد استفاده بررسی شده‌اند. در نهایت، عملکرد این ساختارها را بر روی معیارهای چندگانه مقایسه شده است. تشخیص شی و شناسایی شبکه‌های عصبی پیچشی‏ شبکه‌های سبک‌وزن یادگیری عمیق پردازش تصویر https://scj.kashanu.ac.ir/article_114418_1fc77240e6a19364a4587ce8f8065340.pdf
دانشگاه کاشان محاسبات نرم 2322-3707 13 2 2025 02 19 Recognition of handwritten digit using convolutional neural network تشخیص ارقام دست‌نویس انگلیسی با استفاده از شبکه عصبی کانولوشن 42 55 114415 10.22052/scj.2024.243236.1021 FA مهسا بهرامیان دانشکده ریاضی و علوم کامپیوتر، دانشگاه دامغان، دامغان، ایران. آرش عظیم زاده ایرانی دانشکده ریاضی و علوم کامپیوتر، دانشگاه دامغان، دامغان، ایران. رضا پورقلی دانشکده ریاضی و علوم کامپیوتر، دانشگاه دامغان، دامغان، ایران. احمد علیاری بروجنی دانشکده ریاضی و علوم کامپیوتر، دانشگاه دامغان، دامغان، ایران. Journal Article 2021 10 25 Humans perceive and understand the surrounding world through their eyes and brains. Computer vision endeavors to equip computers with the ability to see and process images akin to human vision. Our objective is to develop a model capable of accurately identifying handwritten English digits from their images. This will be achieved through the utilization of Convolutional Neural Network principles and the MNIST dataset. In this work, the primary aim is to grasp and implement Convolutional Neural Network concepts effectively. While the focus is on creating a model for digit recognition, the potential expansion to letters and individual handwriting is considered. The outcomes of our experiments exhibit a notable enhancement compared to prior works, with an accuracy of 99.30%, signifying the success of the proposed method in recognizing handwritten digits in the MNIST dataset. انسان‌ها می‌توانند با استفاده از چشم‌ها و مغز خودشان جهان اطراف خود را ببینند و حس کنند. بینایی رایانه بر روی توانایی کامپیوترها برای دیدن و پردازش تصاویر به همان روشی که انسان‌ها استفاده می‌کنند، کار می‌کند. هدف از کار ما ایجاد مدلی است که بتواند ارقام دست‌نویس انگلیسی را از تصویر اصلی با دقت زیاد شناسایی کند. هدف ما این است که با استفاده از مفاهیم شبکه عصبی کانولوشن (Convolutional Neural Network) و مجموعه داده MNIST، این کار را انجام دهیم. در این کار، هدف ما یادگیری و بکارگیری عملی مفاهیم شبکه‌های عصبی کانولوشن است. اگرچه هدف ما ایجاد مدلی است که بتواند ارقام دست‌‌نویس را تشخیص دهد، اما می‌توانیم آن را برای حروف و دست خط یک شخص دیگر نیز گسترش دهیم. در این کار توانستیم در آزمایش‌های خود به بهبود قابل قبولی نسبت به کارهای انجام شده قبلی برسیم که به دست آوردن دقت 99.30% نشان‌دهنده موفقیت روش پیشنهادی برای تشخیص ارقام دست‌نویس مجموعه داده MNIST می‌باشد. تشخیص ارقام دست‌نویس شبکه عصبی کانولوشن مجموعه داده MNIST بینایی ماشین پردازش تصویر https://scj.kashanu.ac.ir/article_114415_02b34e66f36262bbc0ae5cf2fdbdd581.pdf
دانشگاه کاشان محاسبات نرم 2322-3707 13 2 2025 02 19 Development of city councils evolution algorithm for multi-objective optimization problems توسعه الگوریتم تکامل شوراهای شهر برای حل مسائل بهینه‌سازی چندهدفه 56 77 114255 10.22052/scj.2024.253070.1154 FA مهدیه غفار علیشاهی دانشکده فناوری اطلاعات و مهندسی کامپیوتر، دانشگاه شهید مدنی آ‌ذربایجان، تبریز، ایران. عین اله پیرا دانشکده فناوری اطلاعات و مهندسی کامپیوتر، دانشگاه شهید مدنی آ‌ذربایجان، تبریز، ایران. علیرضا روحی دانشکده فناوری اطلاعات و مهندسی کامپیوتر، دانشگاه شهید مدنی آ‌ذربایجان، تبریز، ایران. Journal Article 2023 06 07 The advancement of technology and the emergence of multi-objective optimization problems in various scientific domains have led to the research and presentation of new meta-heuristic algorithms to solve such problems. Although these algorithms have been able to find a relatively good approximation of the optimal Pareto front, a complete optimization has not been carried out yet. In this paper, to increase the optimality of the generated Pareto front, we present a multi-objective version of the City Council Evolution (CCE) algorithm called the Multi-Objective City Council Evolution (MOCCE) algorithm. In the proposed algorithm, an archive with a fixed size is considered for storing and retrieving optimal Pareto solutions. This archive is used to define the hierarchical structure of city councils and to simulate its evolution in multi-objective search spaces. The efficiency of the MOCCE algorithm has been evaluated on 18 well-known multi-objective test functions known as UF and IMOP and compared with the results of Multi-Objective Ant Lion Optimizer (MOALO), Multi-Objective Slime Mould Algorithm (MOSMA) and Multi-Objective Artificial Hummingbird Algorithm (MOAHA). According to the results of the Friedman mean rank test, in all UF test functions, the MOCCE algorithm achieves the first rank among the compared algorithms in terms of Generational Distance (GD), Inverted Generational Distance (IGD), and Maximum Spread (MS) criteria. Also, this algorithm ranks first in all IMOP test functions in terms of the GD criterion and takes the second rank in terms of IGD and MS criteria. پیشرفت فناوری و ظهور مسائل بهینه‌سازی چندهدفه در شاخه‌های علوم مختلف باعث تحقیق و ارائه الگوریتم‌های فراابتکاری جدید برای حل چنین مسائلی شده‌اند. اگرچه این الگوریتم‌ها تا حدودی توانسته‌اند تقریب به نسبت خوبی از جبهه بهینه پرِتو را پیدا کنند ولی هنوز بهینه‌سازی به‌طور کامل انجام نشده است. در این مقاله، برای افزایش میزان بهینگی جبهه پرِتو تولید شده، نسخه چندهدفه‌ای از الگوریتم تکامل شوراهای شهر (CCE) با نام الگوریتم تکامل شوراهای شهر چندهدفه (MOCCE) ارائه می‌شود. در الگوریتم ارائه شده، یک آرشیو با اندازه ثابت برای ذخیره و بازیابی راه‌حل‌های بهینه پرِتو در نظر گرفته می‌شود. از این آرشیو برای تعریف ساختار هرم‌گونه شوراهای شهرها و شبیه‌سازی تکامل آن در فضاهای جستجوی چندهدفه استفاده می‌شود. کارایی الگوریتم MOCCE روی 18 تابع آزمون چندهدفه شناخته شده موسوم به UF و IMOP مورد ارزیابی قرار گرفته و با نتایج الگوریتم‌های بهینه‌سازی شیر مورچه چندهدفه (MOALO)، کپک مخاطی چندهدفه (MOSMA) و مرغ مگس‌خوار مصنوعی چندهدفه (MOAHA) مقایسه شده‌اند. مطابق با نتایج آزمون میانگین رتبه فریدمن، در همه توابع آزمون UF، الگوریتم MOCCE اولین رتبه را در بین الگوریتم‌های مقایسه شده از لحاظ معیارهای فاصله نسلی (GD)، فاصله نسلی معکوس (IGD) و بیشینه گستردگی (MS) کسب می‌کند. همچنین، این الگوریتم اولین رتبه را در همه توابع آزمون IMOP از لحاظ معیار GD و دومین رتبه را از لحاظ معیارهای IGD و MS به خود اختصاص می‌دهد. الگوریتم‌های فراابتکاری بهینه‌سازی چندهدفه تکامل شورای شهر جبهه پرِتو https://scj.kashanu.ac.ir/article_114255_304724ecc2d7bcb566e6837770b68a74.pdf
دانشگاه کاشان محاسبات نرم 2322-3707 13 2 2025 02 19 Detecting the first moment of truth in online shopping using data preprocessing methods and ensemble classifiers تشخیص اولین لحظه حقیقت در خرید برخط با استفاده از روش‌های پیش‌پردازش داده‌ها و طبقه‌بندهای تلفیقی 78 93 114256 10.22052/scj.2024.253114.1156 FA محسن امیرافضلی دانشکده فنی و مهندسی، دانشگاه اراک، اراک، ایران. حسین غفاریان دانشکده فنی و مهندسی، دانشگاه اراک، اراک، ایران. Journal Article 2023 06 15 In this article, we present a strategy with the aim of increasing the accuracy of early detection of buyers from customers browsing in an online store. Nowadays, people tend to explore online to find the items they need and buy through online transactions. However, the number of actual buyers is still very low compared to the total number of visitors to these sites. Behavioral analysis, prediction and early identification of visitors who intend to buy from the online store provide the basis for providing more suitable customized content for them. From a managerial point of view, this time is called the First Moment of Truth (FMoT). The main advantage of this precedent is reducing the risk of losing users with high purchase probability and increasing the conversion rate. Due to the consistency of the prediction and diagnosis framework in data mining, the focus of this article is on the optimal use of pre-processing methods, with the aim of improving the quality of input data to classification algorithms. For this reason, in the proposed strategy, we use a set of algorithms for converting nominal content into numerical, normalization, outlier data detection, feature selection and balancing. Then, we give the modified data to a set of different classification algorithms, including the C4.5 decision tree and multi-layer perceptron, and combined classification algorithms of random forest, bagging, and gradient boosting. The evaluation of the results shows that the highest amount of accuracy obtained in this research by using ensemble classifiers has reached 94.42%, which compared with the best results of previous works, the accuracy of diagnosis has increased. این مقاله اقدام به ارائه یک استراتژی، با هدف افزایش دقت تشخیص زودهنگام خریداران از مشتریان در حال گشت و گذار در یک فروشگاه برخط، نموده است. این روزها مردم تمایل به کاوش برخط برای پیدا کردن اقلام مورد نیاز خود و خرید از طریق تراکنش‌های برخط دارند. با این حال، تعداد خریداران واقعی هنوز در مقایسه با تعداد کل بازدیدکنندگان از این وبگاه‌ها بسیار کم است. تحلیل رفتاری، پیش‌بینی و شناسایی زودهنگام بازدیدکنندگانی که قصد خرید از فروشگاه برخط را دارند، زمینه ارائه محتوای سفارشی مناسب‌تر برای آنها را فراهم می‌آورد. از دیدگاه مدیریتی به این زمان به اصطلاح اولین لحظه حقیقت گفته می‌شود. مزیت اصلی این پیش‌بینی کاهش خطر از دست دادن کاربران با احتمال خرید بالا و افزایش نرخ تبدیل می‌باشد. به دلیل ثابت بودن چارچوب پیش‌بینی و تشخیص در داده‌کاوی، تمرکز این مقاله بر استفاده بهینه از روش‌های پیش‌پردازش، با هدف بهبود کیفیت داده‌های ورودی به الگوریتم‌های طبقه‌بندی می‌باشد. به همین دلیل، در استراتژی پیشنهادی، مجموعه‌ای از الگوریتم‌های تبدیل محتوای اسمی به عددی، نرمال‌سازی، تشخیص داده‌های پرت، انتخاب ویژگی و متوازن‌سازی بکار گرفته شده است. سپس داده‌های اصلاح شده به مجموعه‌ای از الگوریتم‌های طبقه‌بندهای مختلف، شامل درخت تصمیم C4.5 و پرسپترون چند لایه و الگوریتم‌های طبقه‌بندی تلفیقی جنگل تصادفی، Bagging و Gradient Boosting داده شده است. ارزیابی نتایج نشان می‌دهد که بیشترین مقدار دقت به دست آمده در این پژوهش با استفاده از طبقه‌بندهای تلفیقی به 94.42% رسیده است که در مقام مقایسه با بهترین نتایج کارهای پیشین، دقت تشخیص افزایش داشته است. خرید برخط اولین لحظه حقیقت داده‌کاوی پیش‌پردازش طبقه‌بند تلفیقی https://scj.kashanu.ac.ir/article_114256_9d92f212f3819a680eb1f676af8606e6.pdf
دانشگاه کاشان محاسبات نرم 2322-3707 13 2 2025 02 19 Comparing the performance of artificial intelligence methods in predicting students academic progress مقایسه عملکرد روش‌های هوش مصنوعی در پیش‌بینی پیشرفت تحصیلی دانش‌آموزان 94 109 114257 10.22052/scj.2024.253154.1161 FA ملیحه نیک سیرت گروه علوم کامپیوتر، دانشکده مهندسی کامپیوتر و صنایع، دانشگاه صنعتی بیرجند، بیرجند، ایران. جواد طیبی گروه علوم کامپیوتر، دانشکده مهندسی کامپیوتر و صنایع، دانشگاه صنعتی بیرجند، بیرجند، ایران. محمد مهدی ایزدخواه گروه علوم کامپیوتر، دانشکده مهندسی کامپیوتر و صنایع، دانشگاه صنعتی بیرجند، بیرجند، ایران. Journal Article 2023 06 26 Nowadays, artificial intelligence methods can extract the knowledge hidden in the educational datasets by discovering the relationship between different features. This knowledge can help educational systems in making better decisions and having more advanced plans to improve the academic performance of students. The aim of this study is to identify the factors affecting the academic progress of students and to use a technique that can predict the academic progress of students with the highest percentage of accuracy. Accordingly, artificial intelligence methods including Support Vector Machine (SVM), K-Nearest Neighbor (KNN), Decision Tree (DT), and Random Forest (RF) have been applied. Finally, the validation of the models was investigated using the metrics of accuracy, precision, sensitivity, specificity, classification error rate, and a composite metric. The results show that the Support Vector Machine model had the best performance in predicting the academic progress of students compared to other models. امروزه، روش‌های هوش مصنوعی می‌تواند از طریق کشف ارتباط بین متغیرهای مختلف، دانش نهفته در مجموعه داده‌های آموزشی و تربیتی دانش‌آموزان را استخراج نماید. این دانش می‌تواند سیستم‌های آموزشی را در تصمیم‌گیری بهتر و داشتن طرح‌های پیشرفته‌تری در جهت بهبود عملکرد تحصیلی دانش‌آموزان کمک کند. شناسایی عوامل تاثیرگذار بر پیشرفت تحصیلی دانش‌آموزان و استفاده از روشی که با بیشترین درصد درستی بتواند پیشرفت تحصیلی دانش‌آموزان را پیش‌بینی کند، هدف پژوهش حاضر است. در این پژوهش روش‌های ماشین بردار پشتیان، K-نزدیک‌ترین همسایه، درخت تصمیم و جنگل تصادفی به منظور پیش‌بینی پیشرفت تحصیلی بکار گرفته شده است. در نهایت اعتباریابی مدل‌ها با استفاده از معیارهای دقت، صحت، حساسیت، تشخیص‌پذیری، میزان خطای طبقه‌بندی و معیار ترکیبی مورد بررسی قرار گرفته است. یافته‌های پژوهش نشان می‌دهد که مدل ماشین بردار پشتیبان نسبت به سایر مدل‌ها بهترین عملکرد را در سنجش پیشرفت تحصیلی دانش‌آموزان داشته است. پیشرفت تحصیلی هوش مصنوعی ماشین بردار پشتیبان K-نزدیک‌ترین همسایه درخت‌های تصمیم جنگل تصادفی اعتباریابی https://scj.kashanu.ac.ir/article_114257_0d9304e5a3498633d87634b3acc9d643.pdf
دانشگاه کاشان محاسبات نرم 2322-3707 13 2 2025 02 19 The application of DEA for the sake of assessing and evaluating the performance of researchers at research institutes: Case study of a research center کاربرد روش تحلیل پوششی داده‌ها (DEA) برای سنجش و ارزیابی عملکرد پژوهشگران سازمان‌های تحقیقاتی: مطالعه موردی یک مرکز تحقیقاتی 110 127 114420 10.22052/scj.2024.253495.1182 FA مهدی جباری دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی قم، قم، ایران. رضا حسنوی دانشکده مهندسی صنایع، دانشگاه صنعتی مالک اشتر، تهران، ایران. محمد محمدی دانشکده مهندسی صنایع، دانشگاه صنعتی مالک اشتر، تهران، ایران. پیمان اخوان دانشکده فنی و مهندسی، دانشگاه صنعتی قم، قم، ایران. Journal Article 2023 08 28 The purpose of this study is to provide a structured method for evaluating the performance of researchers in research organizations using Data Envelopment Analysis (DEA) based on exact and objective indexes. To do so, after preparing a questionnaire through a literature review and interviews with experts, the data collected from the researchers of a research center was analyzed, and the input index and output indexes affecting the efficiency of researchers were interpreted according to DEA. Based on the proposed method, researchers receive inputs from research organizations and provide outputs to such centers, which are used to measure the performance and efficiency of researchers to protect such evaluations against human errors that might affect the evaluation results. The proposed method was applied to 56 researchers with four input indexes and 10 output indexes. The output index revealed that the score for the efficiency of 11 researchers was 1, and the rest of researchers' score was less than 1, where their performance was compared with the first 11 researchers. Comparing our method which is extracted from the study of literature with other methods revealed that our method is both extensive and intensive and it has homogeneity to cover the performance of researchers. هدف از این تحقیق ارائه یک روش ساختاریافته برای ارزیابی عملکرد پژوهشگران در سازمان‌های تحقیقاتی با استفاده از تحلیل پوششی داده‌ها بر اساس شاخص‌های عینی، دقیق و روشن است. جهت انجام این کار پس از تهیه پرسشنامه از طریق مطالعه ادبیات و مصاحبه با نخبگان، داده‌های جمع‌آوری شده از محققان یک مرکز تحقیقاتی، مورد تجزیه‌وتحلیل قرار گرفته و شاخص‌های ورودی و خروجی موثر بر کارایی پژوهشگران با کمک روش تحلیل پوششی داده‌ها معین شده است. بر اساس روش پیشنهادی، پژوهشگران با دریافت ورودی از مراکز و سازمان‌های تحقیقاتی، خروجی‌هایی را در اختیار چنین سازمان‌ها و مراکزی قرار می‌دهند که با استفاده از آنها عملکرد و کارایی پژوهشگران اندازه‌گیری می‌شود تا از چنین ارزیابی‌هایی در برابر اشتباهات انسانی محافظت شود که ممکن است نتایج ارزیابی را تغییر دهد. روش پیشنهادی در یک مرکز تحقیقاتی بر روی 56 محقق با 4 شاخص ورودی و 10 شاخص خروجی، اجرا و نتایج نشان می‌دهد که نمره کارایی 11 محقق 1 بوده و سایر محققان نمرات کمتر از 1 داشتند و کارایی آنها در مقایسه با 11 نفر اول اندازه‌گیری شد. ویژگی بارز تحقیق در مقایسه با سایر کاوشگرها جامعیت و یکپارچگی این روش برای ارزیابی عملکرد این‌گونه محققین است زیرا از کلیه شاخص‌های موجود در ادبیات در این روش استفاده شده است. سنجش و ارزشیابی عملکرد پژوهشگران مراکز تحقیقاتی تحلیل پوششی داده ها https://scj.kashanu.ac.ir/article_114420_15adfc9c8c4cc6dbe54c814c4d643c4c.pdf
دانشگاه کاشان محاسبات نرم 2322-3707 13 2 2025 02 19 Link prediction in scientific networks using machine learning and weighted graphs پیش‌بینی پیوند در شبکه‌های علمی با استفاده از یادگیری ماشین و گراف‌های وزن‌دار 128 153 114265 10.22052/scj.2024.253476.1181 FA سید مهدی وحیدی پور دانشکده مهندسی برق و کامپیوتر، دانشگاه کاشان، کاشان، ایران. علیرضا محمدی دانشکده مهندسی برق و کامپیوتر، دانشگاه کاشان، کاشان، ایران. Journal Article 2023 08 28 With the acceleration of the science development, article publication, and the increase of scientific fields, finding suitable research partners, sources and fields for researchers and relevant institutions is becoming more and more difficult. By choosing these cases correctly, you can get the most efficiency from the cost and time spent on research. To solve this problem, a scientific network can be created by forming a network including articles, scientists, and other scientific entities and the connections between them, and predicting the connections that will be formed in the future using link prediction. In this paper, a framework based on machine learning is presented for link prediction in scientific networks. In this framework, by weighting the network based on time and content, calculating embedded structural and textual features, performing feature selection and extraction, and finally negative sampling using clustering, a machine learning model is trained for link prediction. Each of the steps of this framework was tested separately and all together, and the results showed that the proposed weighting method for the network of references and authors' collaboration increases the accuracy of the weighted similarity criteria and, as a result, increases the accuracy of the entire algorithm. Also, negative sampling using clustering makes the machine learning algorithm better trained. The textual features of scientific data such as the title and abstract of articles also play an effective role in predicting future links. با سرعت گرفتن رشد علم و انتشار مقالات و افزایش زمینه‌های علمی، یافتن همکار پژوهشی مناسب، یافتن منابع تحقیق و زمینه تحقیق برای محققان و نهادهای مربوطه، روز به روز سخت‌تر می‌شود. با انتخاب درست این موارد، می‌توان بیشترین بازدهی را از هزینه و زمان صرف شده برای پژوهش کسب کرد. برای حل این مساله می‌توان با ایجاد شبکه‌ای شامل مقالات، دانشمندان و سایر موجودیت‌های علمی و ارتباطات بین آنها، یک شبکه‌ علمی ایجاد کرد و با استفاده از پیش‌بینی پیوند ارتباطاتی که در آینده شکل می‌گیرد را پیش‌بینی کرد. در این مقاله چارچوبی مبتنی بر یادگیری ماشین برای پیش‌بینی پیوند در شبکه‌های علمی ارائه شده است. در این چارچوب با وزن‌دهی شبکه بر اساس زمان و محتوا، محاسبه‌ ویژگی‌های ساختاری و متنی جاسازی شده و انتخاب و استخراج ویژگی انجام می‌شود. در نهایت نمونه‌گیری منفی با استفاده از خوشه‌بندی تولید می‌شود تا یک مدل یادگیری ماشین برای پیش‌بینی پیوند آموزش داده ‌شود. هر یک از مراحل این چارچوب به صورت جدا و همه با هم آزمایش شدند و نتایج نشان داد روش وزن‌دهی پیشنهاد شده برای شبکه ارجاعات و همکاری نویسندگان باعث افزایش دقت معیارهای شباهت وزن‌دار و در نتیجه افزایش دقت کل الگوریتم می‌شود. همچنین نمونه‌گیری منفی با استفاده از خوشه‌بندی باعث بهتر آموزش داده شدن الگوریتم یادگیری ماشین می‌شود. ویژگی‌های متنی داده‌های علمی مانند عنوان و چکیده مقالات نیز نقش موثری در پیش‌بینی پیوندهای آینده دارند. پیش‌بینی پیوند شبکه ارجاعات شبکه همکاری نویسندگان یادگیری ماشین https://scj.kashanu.ac.ir/article_114265_3603213e7b85f6aafe497b1f479a6de7.pdf
دانشگاه کاشان محاسبات نرم 2322-3707 13 2 2024 01 17 Parameter estimation of a linear regression model by extending least square method based on quantum computing تخمین پارامترهای یک مدل رگرسیون خطی با توسعه روش حداقل مربعات خطا بر اساس محاسبات کوانتومی 154 169 114261 10.22052/scj.2024.253276.1169 FA مهدی رمضانی گروه ریاضی، دانشکده ریاضی، دانشگاه تفرش، تفرش، ایران صادق کلانتری گروه کنترل، دانشکده مهندسی برق، دانشگاه تفرش، تفرش، ایران علی مددی گروه کنترل، دانشکده مهندسی برق، دانشگاه تفرش، تفرش، ایران Journal Article 2023 07 18 The least square error method, despite its simplicity, yields acceptable results in system identification. The process of parameter estimation in system identification leads to solving the linear equation Ax=b. The important point is that the normal method of solving the above problem has a computational complexity of O(n<sup>3</sup>) for a n×n matrix. In solving this problem, the computational complexity increases with the increase of n (the size of the data matrix). On the other hand, availability of more samples leads to better modeling of the system. In the practical problems of system identification, when the number of input data is large, the computational complexity increases greatly. In this article, the goal is to present the developed quantum algorithm for solving the problem of least square error identification. In this article, two classical-quantum and all-quantum methods are presented. Unlike conventional HHL methods, the proposed methods in this article are able to calculate unbiased parameters with non-Hermitian matrices, and color noise. The proposed classical-quantum method has a computational complexity of of O(n<sup>2</sup> log n) and the all-quantum method has an order of O(polylog n) in relation to the size of the data matrix. The results and comparisons show that the methods proposed in the article have less complexity and limitations than classical methods (with O(n<sup>3</sup>) complexity). روش حداقل مربعات خطا با وجود سادگی دارای نتایج قابل قبولی در شناسایی سیستم‌ها می‌باشد.  فرآیند تخمین پارامترها در شناسایی سیستم منجر به حل معادله خطی Ax=b می‌شود. نکته حائز اهمیت این است که روش عادی حل مساله فوق دارای پیچیدگی محاسباتی از مرتبه O(n<sup>3</sup>) برای یک ماتریس n×n می‌باشد. در حل این مساله، پیچیدگی محاسباتی با افزایش n (اندازه ماتریس داده) افزایش می‌یابد. از طرفی تعداد نمونه‌های بیشتر سبب مدل‌سازی بهتر سیستم می‌گردد. در مسائل عملی شناسایی سیستم، هنگامی که تعداد داده‌های ورودی زیاد است، بار محاسباتی به شدت افزایش می‌یابد. در این مقاله هدف این است که الگوریتم کوانتومی توسعه یافته‌ای برای حل مساله شناسایی حداقل مربعات خطا ارائه نماییم. در این مقاله دو روش کلاسیک-کوانتومی و تمام کوانتومی ارائه می‌گردد. روش‌های ارائه شده در این مقاله قادر هستند برخلاف روش مرسوم HHL با ماتریس‌های غیرهرمیتی، بدحال و با وجود نویز رنگی، پارامترهای بدون بایاس را محاسبه نمایند. روش پیشنهادی کلاسیک-کوانتومی، دارای پیچیدگی محاسباتی از مرتبه O(n<sup>2</sup>  log n) و روش تمام کوانتومی از مرتبه O(polylog n) نسبت به اندازه ماتریس داده می‌باشند. نتایج و مقایسه‌های انجام شده نشان می‌دهند که روش‌های پیشنهادی مقاله نسبت به روش‌های کلاسیک (با پیچیدگی O(n<sup>3</sup>)) دارای پیچیدگی و محدودیت کمتری می‌باشند. شناسایی سیستم حداقل مربعات خطا محاسبات کوانتومی پیچیدگی محاسباتی الگوریتم کوانتومی https://scj.kashanu.ac.ir/article_114261_23205d7fc585e4d075fd8b9d003739c6.pdf
دانشگاه کاشان محاسبات نرم 2322-3707 13 2 2025 02 19 Improve methods of infeasible path detection by SMT solvers in software testing using reinforcement learning استفاده از یادگیری تقویتی جهت افزایش سرعت حل‌کننده‌های SMT با هدف تشخیص سریع‌تر مسیرهای غیر‌قابل اجرا در نرم‌افزار 170 199 114443 10.22052/scj.2024.253499.1186 FA مجید فیضی دانشکده مهندسی کامپیوتر، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران. محمد مهدی اثنی عشری دانشکده مهندسی کامپیوتر، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران. Journal Article 2023 09 11 Software testing is an important and necessary matter in the development process of any software. Nowadays, an important part of software testing is performed automatically. In automated software testing, there may be obstacles that make the test difficult. One of these obstacles is the infeasible paths in the control flow graph obtained from the source code of the software under test. Infeasible paths are paths that cannot be traversed by any input. The existence of such paths can cause problems in various fields such as test data generation, security and etc., leading to a waste of resources. In order to prevent the mentioned problems, detection of infeasible paths can be very critical. But recognizing these paths in large software can be a time-consuming task due to the large amount of codes and the high number of paths in the control flow graph. In this article, a method is proposed that can increase the infeasible paths detection speed by applying reinforcement learning algorithms. In this method, the speed of the Z3 SMT solver has been increased by using the DQN agent. Z3 is a tool used to check the satisfiability of formulas constructed from the conditions in the control flow graph for detecting infeasible paths. In fact, in this paper, the techniques provided by Z3 are learned using reinforcement learning, and then by selecting and applying these techniques based on the learning performed, the solving speed increases. As the speed of the Z3 tool increases, the speed of all algorithms and methods that use this tool to detect infeasible paths in control flow graphs will also increase. Also, the Z3 tool is applicable in any field where problems can be reduced to the satisfiability of a formula, and improving its performance in those fields can also be effective. The proposed method in this article has been tested on QF_NRA and QF_NIA logics. In the experiments, it is shown that using the proposed method, the speed of the Z3 solver can be increased up to 4.7 times. Furthermore, in the conducted experiments using this method, the speed of Z3 increased by an average of 1.954 times in QF_NRA logic and 1.687 times in QF_NIA logic. آزمون نرم‌افزار یک موضوع مهم و لازم در فرآیند توسعه هر نرم‌افزاری می‌باشد. امروزه بخش عمده‌ای از آزمون نرم‌افزار به شیوه خودکار انجام می‌شود. در آزمون خودکار نرم‌افزار موانعی می‌توانند وجود داشته باشند که آزمون را با مشکل مواجه کنند. از این موانع، می‌توان به وجود مسیرهای غیرقابل اجرا در گراف جریان کنترلی حاصل از کدهای نرم‌افزار تحت آزمون اشاره کرد. مسیرهای غیرقابل اجرا، مسیرهایی هستند که با هیچ ورودی نمی‌توان از آنها عبور کرد. وجود چنین مسیرهایی، می‌تواند در حوزه‌های مختلف، مانند تولید داده آزمون، امنیت و مانند آن مشکلاتی را به وجود آورد و باعث هدر رفت منابع شود. برای پیشگیری از مشکلات ذکر شده، تشخیص مسیرهای غیرقابل اجرا بسیار مهم می‌باشد. اما تشخیص این مسیرها در نرم‌افزارهای بزرگ، به دلیل حجم زیاد کدها و زیاد بودن تعداد مسیرها در گراف جریان کنترلی، می‌تواند کاری زمانبر باشد. در روش ارائه شده در این مقاله، سرعت تشخیص مسیرهای غیرقابل اجرا با بکارگیری الگوریتم‌های یادگیری تقویتی بهبود داده شده است. در این روش سرعت حل‌کننده SMT به نام Z3 با بهره‌گیری از عامل DQN، افزایش داده می‌شود. Z3 ابزاری است که برای بررسی قابل حل بودن فرمول‌های ساخته شده از شرط‌های موجود در گراف جریان کنترلی در تشخیص مسیر‌های غیرقابل اجرا استفاده می‌شود. در واقع در این مقاله تاکتیک‌‌های ارائه شده توسط Z3 با استفاده از یادگیری تقویتی یاد گرفته شده و سپس با انتخاب و اعمال تاکتیک‌های Z3 براساس یادگیری انجام شده، سرعت حل Z3 افزایش می‌یابد. با افزایش سرعت Z3، سرعت تمامی روش‌ها و الگوریتم‌هایی که از این ابزار برای تشخیص مسیرهای غیرقابل اجرا استفاده می‌کنند نیز افزایش خواهد یافت. همچنین ابزار Z3 در هر حوزهای که بتوان مسائل را به مساله بررسی صدق‌پذیری یک فرمول کاهش داد نیز کاربرد دارد و بهبود عملکرد آن در چنین حوزه‌هایی نیز می‌تواند موثر باشد. روش ارائه شده در این مقاله در منطق‌های QF_NRA و QF_NIA آزمایش شده است. در آزمایش‌های انجام شده، نشان داده شده است که با استفاده از روش پیشنهادی، سرعت Z3 را می‌توان تا 4.7 برابر افزایش داد. همچنین در آزمایش‌های انجام شده با استفاده از این روش، سرعت Z3 در منطق QF_NRA، به طور میانگین 1.954 برابر و در منطق QF_NIA، به طور میانگین 1.687 برابر افزایش یافته است. آزمون خودکار نرم‌افزار مسیرهای غیرقابل اجرا حل‌کننده SMT حل‌کننده Z3 یادگیری تقویتی DQN https://scj.kashanu.ac.ir/article_114443_0f7f6581d8163cf11ad7bd785591b2c0.pdf
دانشگاه کاشان محاسبات نرم 2322-3707 13 2 2025 02 19 Overview of fruit and vegetables quality assessment surveys using soft computing مروری بر ارزیابی کیفیت‌سنجی میوه و سبزیجات با استفاده از محاسبات نرم 200 215 114416 10.22052/scj.2024.248418.1103 FA محمد ابونجمی گروه مهندسی فنی کشاورزی، دانشکده فناوری کشاورزی ابوریحان، دانشگاه تهران، تهران، ایران. زهره مصطفائی گروه مهندسی فنی کشاورزی، دانشکده فناوری کشاورزی ابوریحان، دانشگاه تهران، تهران، ایران. Journal Article 2022 10 10 Demand for quality products has been increasing for decades and is now increasing. Quality control ensures increased product production using an automated, cost-effective and non-destructive method. In the last few years, significant results have been achieved in various agricultural and food sectors. These achievements have been integrated using machine learning techniques and image analysis. Furthermore, despite various machine learning applications, this research focuses on the combination of machine learning statistical technologies and machine vision systems in agriculture. In this study, two types of machine learning techniques, supervised and unsupervised learning, are used. Diverse software solutions based on image processing techniques such as artificial neural networks, genetic algorithms, deep learning, and fuzzy logic have been used for the automatic detection and classification of fruits into different grades. These techniques help analyze data and provide optimal solutions to improve process performance. By using optimization and simulation methods, the amount of wasted raw materials and production costs can be greatly reduced. Also, algorithms can be created to evaluate the quality of food products and prevent quality disruption. Finally, the details of different product grading methods are reviewed using the mentioned algorithms, considering the advantages and disadvantages of each in the quality assessment of agricultural products. تقاضا برای محصولات باکیفیت از دهه‌های گذشته در حال افزایش بوده و هم اکنون نیز روند آن به صورت تصاعدی ادامه دارد. ارزیابی کیفیت، افزایش تولید محصولات را با استفاده از روش‌های خودکار، مقرون به صرفه و غیرمخرب تضمین می‌کند. در چند سال گذشته نتایج قابل توجهی در ارزیابی کیفیت در بخش‌های مختلف کشاورزی و غذایی به دست آمده است. این دستاوردها با استفاده از تکنیک‌های یادگیری ماشین و تحلیل تصاویر، به صورت یکپارچه‌ای یکسان شده‌اند. علاوه بر این، با وجود برنامه‌های مختلف یادگیری ماشین، این پژوهش بر روی ترکیب تکنولوژی‌های آماری ماشین‌های یادگیری و سیستم‌های بینایی ماشین در کشاورزی تمرکز کرده است. در این پژوهش، دو نوع تکنیک یادگیری ماشین، یادگیری نظارت شده و بدون نظارت، در کشاورزی استفاده شده‌اند. راه‌حل‌های نرم‌افزاری متنوعی مبتنی بر تکنیک‌های پردازش تصاویر مانند شبکه‌های عصبی مصنوعی، الگوریتم ژنتیک، یادگیری عمیق و منطق فازی برای تشخیص خودکار و طبقه‌بندی میوه‌ها درجات مختلف مورد استفاده قرار گرفته‌اند. این تکنیک‌ها به تجزیه و تحلیل داده‌ها و ارائه راه‌حل‌های بهینه برای بهبود عملکرد فرآیندها کمک می‌کنند. با استفاده از روش‌های بهینه‌سازی و شبیه‌سازی، می‌توان تا حد زیادی میزان مواد اولیه تلف شده و هزینه‌های تولید را کاهش داد. همچنین می‌توان الگوریتم‌هایی برای ارزیابی کیفیت محصولات غذایی ایجاد کرد و از اختلال در کیفیت جلوگیری کرد. در نهایت، جزئیات روش‌های مختلف درجه‌بندی محصول با استفاده از الگوریتم‌های ذکر شده و با در نظر گرفتن مزایا و معایب هر کدام در ارزیابی کیفیت محصولات باغی و کشاورزی مورد بررسی قرار می‌گیرد. محاسبات نرم محصولات غذایی و کشاورزی کیفیت‌سنجی یادگیری ماشین پردازش تصویر https://scj.kashanu.ac.ir/article_114416_74e28cc401bdde4c2a75fe3f1232e70d.pdf
دانشگاه کاشان محاسبات نرم 2322-3707 13 2 2025 02 19 Physics-informed data-driven reduced order model of the convection-diffusion equation using dynamic decomposition مدل رتبه‌کاسته داده محور و مبتنی بر فیزیک برای معادله نفوذ-جابجایی با بهره‌گیری از روش تجزیه مود دینامیکی 216 232 114421 10.22052/scj.2024.253634.1190 FA محمدکاظم مؤیدی مرکز مطالعات هوافضا، دانشگاه قم، قم، ایران. آزمایشگاه پژوهشی اتمسفر زمین و علوم فضایی، گروه مهندسی مکانیک، دانشگاه قم، قم، ایران. زهره خاکزاری آزمایشگاه پژوهشی اتمسفر زمین و علوم فضایی، گروه مهندسی مکانیک، دانشگاه قم، قم، ایران. Journal Article 2023 10 01 In the numerical analysis of fluid mechanics problems, especially in high resolution simulation, the reduction of computational costs has always been of great importance. The use of reduced-order models, which increase the speed of computation by reducing the constraints of the original model, is a suitable surrogate model for the original governing equation. In this research, using dynamic mode decomposition and based on principles of dynamical systems, the governing equation has been converted into a reduced order model. The results show that if the Reynolds number increases and the effects of the viscous term in the governing equation are reduced, the necessary dissipation in the representative model to stabilize the numerical solution decreases. Also, due to the incompleteness of the modal space and removing the effects of some modes, the instability will be enhanced. Therefore, by using an artificial dissipation term based on eddy viscosity concept, an attempt was made to increase the stability of the reduced order model. A stabilized reduced-order model, which is learned using a snapshots ensemble obtained for a specified Reynolds number, is used to simulate the problem for different Reynolds numbers. Comparison between the results obtained by reduced-order model with the exact solution shows the ability and high accuracy of the model to predict the problem dynamics. در تحلیل‌های عددی مسائل مکانیک سیالات، به ویژه در شبیه‌سازی مستقیم، کاهش هزینه‎های محاسباتی همواره از اهمیت بالایی برخوردار بوده است. استفاده از مدل‌های رتبه‌کاسته، که با کاستن از قیود مدل به سرعت آن افزوده خواهد شد، جایگزین مناسبی برای مدل‌های اصلی به ویژه در مسائل پیچیده می‎باشد. در این پژوهش با استفاده از روش تجزیه مود دینامیکی و با بهره‌گیری از مفاهیم پایه‌ای سیستم‌های دینامیکی، معادله حاکم به فرم یک مدل رتبه‌کاسته تبدیل شده است. نتایج نشان می‌دهند در صورت افزایش عدد رینولدز و کاهش اثرات ناشی از ترم لزج موجود در معادله حاکم، استهلاک لازم در سیستم دینامیکی برای پایدارسازی حل عددی کاهش می‌یابد. همچنین به دلیل کامل نبودن فضای مودال مفروض و حذف اثر مودها، این ناپایداری بیشتر نمایان خواهد شد. بنابراین با استفاده از یک ترم اتلاف مصنوعی مبتنی بر لزجت گردابه‌ای سعی شده ناپایداری سیستم افزایش پیدا ‌کند.‌ مدل رتبه‌کاسته اصلاح شده با دسته نمایه‌ای حاصل از یک مقدار عدد رینولدز مشخص ایجاد و برای مدل‌سازی مساله مورد نظر به ازای اعداد رینولدز مختلف مورد استفاده قرار گرفته است. مقایسه نتایج حاصل از مدل رتبه‌کاسته با شبیه‌‌سازی‌های حاصل از حل دقیق، توانایی و دقت بالای مدل رتبه‎کاسته، برای پیش‎بینی دینامیک میدان را نشان می‌دهد. روش تجزیه مود دینامیکی مدل رتبه کاسته الگوی لزجت گردابه‌ای عدد رینولدز مدل جایگزین https://scj.kashanu.ac.ir/article_114421_e7524a8856ad43b47919de03026bde12.pdf