https://scj.kashanu.ac.ir/ محاسبات نرم fa daily 1 Fri, 22 May 2026 00:00:00 +0330 Fri, 22 May 2026 00:00:00 +0330 https://scj.kashanu.ac.ir/article_113810.html Software comprehension plays an important role during its improvement and maintenance process. Software modularization is a key activity for recovering the software architecture, which improves software understanding. Since the software modularization problem is NP-hard, meta-heuristics such as evolutionary algorithms (EAs) are usually used to solve it. EAs are problem-dependent, and they also require considerable space and time. Recently, the use of hyper-heuristic approaches growing to obtain more generality. This paper proposes an iterated local search (ILS) strengthened by a Q-learning-based hyper-heuristic for software modularization that overcomes the limitations of EAs.  In the proposed algorithm, two main components of ILS, i.e., perturbation and local search components, are intelligently selected using a Q-learning-based hyper-heuristic in each iteration. The performance of the proposed algorithm is evaluated on eleven real-world software systems of small and medium sizes. The results of the experiments demonstrate that the proposed ILS produces modularizations that have higher or equal quality compared to the quality of the modularizations obtained by selected algorithms. https://scj.kashanu.ac.ir/article_114251.html Cloud computing involves a variety of technologies, including networking and virtualization, to meet the new needs of users, but is vulnerable to many security threats. To provide the necessary level of security in cloud computing, decision-making on the type and number of security modules used by cloud service users and then paying the relevant fees is of particular importance. Game theory, with the ability to model the behavior of users and attackers of a supervisor and analyze the possible strategy and profitability of each, can suggest a suitable strategy for investing in the security modules of a virtual machine. In our previous work, we used game theory to analyze the decision to invest in one of the security modules for each of the actors. The purpose of this paper is to study the effect of the three parameters "different investment costs", "probability of success of the attack on the user" and "probability of success of the attack on the supervisor" and to make an appropriate decision in this situation. Based on the simulation results, it can be said that given the different values of the probability of a successful attack on a supervisor, a predetermined investment can lead to a proper Nash equilibrium. In general, at low costs or in the case of increasing the cost of investing in security, the user tends to constantly change his strategy and provide the desired security conditions. The results also show that as the probability of a successful attack on a user not investing in security increases, so does the security investment cost. https://scj.kashanu.ac.ir/article_112800.html محاسبات لبه‌ای به عنوان یک الگوی جدید با تمرکز بر رسیدگی و پردازش داده‌ها در نزدیکی منابع برای حل نیازهای اینترنت اشیاء و محلی‌سازی نیازهای محاسبات، افزایش توان برای زمان پاسخ اضطراری، افزایش مقیاس‌پذیری و کاهش هزینه انرژی و کنترل حریم خصوصی و محافظت از داده‌ها ارایه شده است. در استفاده از محاسبات لبه‌ای، یکی از چالش‌های اساسی کیفیت داده‌هایی است که از چندین منبع بدست می‌آید. منابع مختلف موجود در محیط گسترده و ناهمگن اینترنت اشیاء با درجه اعتبار متفاوت داده‌های ناسازگار و متعارض را از پدیده‌ای یکسان دریافت و ارسال ‌می‌کنند. این امر نیاز شدید به شناسایی و تصحیح داده‌های جمع‌آوری شده را ایجاد می‌کند. در این پژوهش رویکردی دومرحله‌ای برای شناسایی و تصحیح داده‌های هر منبع و سپس شناسایی تعارضات بین داده‌های منابع مختلف داده‌ای و همجوشی منابع و تصحیح نهایی داده‌ها ارائه شده است. در مرحله اول، شناسایی و اصلاح اطلاعات معیوب براساس فاصله اطمینان و داده‌های تخمینی اجرا می‌شود. مرحله دوم اندازه‌گیری تعارض و همجوشی داده‌ها ست که برای محاسبه میزان تضاد در منابع مختلف داده بر اساس اقدامات فازی و محاسبه درجه اعتبار هر منبع داده ایجاد شده است. رویکرد ارائه شده بر روی انواع تعارضات داده‌ای نتایج مناسبی را ارائه می‌کند. بر اساس نتایج شبیه‌سازی با معیارهای دقت، حساسیت، اختصاصیت و فیشر، رویکرد پیشنهادی کارایی مناسبی دارد و در تمام تعارضات دقت و حساسیت بیش از 75 درصد، اختصاصیت بیش از 72 درصد و معیار فیشر بیش از 73 درصد را نشان می‌دهد. https://scj.kashanu.ac.ir/article_114258.html شناسایی ناهنجاری در سری‌های زمانی چند متغیره یکی از موضوع‌های فعال پژوهشی است که در حوزه‌های مختلفی کاربرد دارد. در حوزه تشخیص ناهنجاری، استفاده از متدهای مبتنی بر پنجره بسیار مرسوم است. این متدها تنها قابلیت تشخیص پنجره ناهنجار را دارند و قابلیت شناسایی نقطه ناهنجاری را ندارند حتی اگر تمام نقاط آن پنجره ناهنجار نباشند. این یک محدودیت اساسی در حوزه متدهای مبتنی بر پنجره است. برای حل این مشکل، ما یک مدل غیرنظارتی مبتنی بر پنجره لغزان برای شناسایی ناهنجاری‌های تجمعی در سری‌های زمانی چند متغیره پیشنهاد دادیم. مدل ما، یک مکانیزم پنجره لغزان را بر روی سری زمانی ورودی چندین بار اجرا می‌کند و سپس از یک تابع تجمیع برای تجمیع درجه‌های ناهنجاری تخصیص داده شده به پنجره‌ها استفاده می‌نماید. این مکانیزم، تشخیص زیردنباله‌های با ناهنجاری بیشتر را تسهیل می‌کند به نحوی که امکان تشخیص این زیردنباله‌ها حتی اگر دقیقا در یک پنجره قرار نداشته باشند نیز فراهم می‌شود. برای ارزیابی عملکرد مدل پیشنهادی از چندین مجموعه داده مصنوعی و واقعی نظیر مجموعه‌های SKAB و MSL استفاده شده است. نتایج به دست آمده برتری مدل پیشنهادی را تایید می‌کنند. برای مدل پیشنهادی شاخص درجهF برای مجموعه داده SKAB با مقدار 0.902 و برای مجموعه داده MSL با مقدار 0.620 به دست آمد که این نتایج در مقایسه با مقدار این شاخص برای سایر روش‌ها به میزان دو برابر بهتر است. https://scj.kashanu.ac.ir/article_114266.html A neurodevelopmental disorder recognized by insufficiency in social communication and repetitive behaviours is expressed as an autism spectrum disorder (ASD). One of the most useful tools for diagnosing autism is the use of electroencephalography (EEG) signals because these signals accurately represent the brain's function. The recorded EEG of each person contains a lot of information that is very difficult to study and check visually. The main goal of machine learning algorithms is to train the machine in such a way that it finally has a diagnosis close to that of the human brain. This paper evaluates the appropriate strategies for further exploitation of deep learning capabilities in the feature extraction block of autism diagnosis without using classical feature extraction methods. In this research, a convolutional neural network (CNN) structure is used to check the available data in order to extract features. Classification has been done with five machine learning classifiers, covering support vector machine (SVM), linear discriminant analysis (LDA), decision tree (DT), simple Bayes classification (GNB), and random forest (RF). The accuracy obtained from the use of classifiers with SVM methods is 100%, LDA 82%, DT 80.5%, GNB 100%, and RF 100%. The proposed idea of convolutional neural networks for feature extraction and classification with different machine learning methods has provided high-accuracy results that are equal to the other amazing methods for autism diagnosis. https://scj.kashanu.ac.ir/article_114424.html در این مقاله از مدل طبقه‌بندی مبتنی بر رویکرد گروهی برای رتبه‌بندی اعتباری مشتریان بانک استفاده شده است. روش پیشنهادی بر اساس طرح بگینگ برای دسته‌بند ماشین‌های بردار پشتیبان است. ابتدا مجموعه‌ی داده از طریق روش بوت استرپ به چندین زیر مجموعه تقسیم می شود و طبقه بندی کننده بر روی هر زیر مجموعه پیاده سازی می شود. مدل نهایی با رای گیری در بین همه طبقه بندی کننده ها ساخته می شود. روش پیشنهادی به لحاظ پیاده سازی مزیت‌های زیادی از جمله کاهش هزینه محاسباتی دارد. دو مجموعه داده اعتباری برای نشان دادن کارایی و کاربرد روش حاضر استفاده می شود. https://scj.kashanu.ac.ir/article_114425.html In this paper, by considering the notion of ideals in BL-algebras, we introduce some special ideals which are related to a subset of a BL-algebra and derive some new relations and results about them. We also define the concepts of ⊙-derivation for BL-algebras and obtain some related results. Finally, we investigate the connection between these functions and BL-algebras https://scj.kashanu.ac.ir/article_114426.html Attention deficit hyperactivity disorder is a neurodevelopmental disorder that typically begins in early childhood and poses significant challenges during school years. This disorder is characterized by impulsive behaviors, inattention, and difficulties with concentration. Early diagnosis and prompt treatment can effectively manage this condition. Accurate diagnosis of ADHD can be achieved through the precise analysis of electroencephalography signals. This article proposes a brain modeling approach using a cellular neural network in various frequency bands to diagnose ADHD. Firstly, the inter-area connections in the brains of individuals with hyperactivity are estimated by assessing the spectral coherence function between channels. Subsequently, the intra-area connections are obtained using a cellular neural network. The results obtained indicate that the intra and inter-area connections in the central, frontal, and parietal regions of the brains of individuals with hyperactivity differ from those of normal individuals in the beta and gamma frequency bands. Consequently, it can be inferred that the presence of disparities in intra and inter-area connections between the brains of individuals with ADHD and normal individuals results in distinct brain functionality within these two groups. https://scj.kashanu.ac.ir/article_114444.html This work presents a complete all-graphene SRAM chip design. The SRAM requires analog and digital sub-circuits, each having different design criteria. On the other hand, the electrical parameters of a GNRFET device are strongly related to geometry. In this study, we built a complete graphene-based SRAM chip and then proposed a new approach to optimize the GNRFET’s physical design which fulfills SRAM requirements for HOLD, READ, and WRITE operations. The effect of geometric and process parameters such as chirality, channel length, and width are investigated on the characteristics of an SRAM cell based on GNRFET. Analysis of power consumption, delay, and SNM results, indicate that adjustable parameters of GNRFETs can have significant effects on SRAM cell performance, and our approach is very effective in parameter optimization. Using optimized GNRFETs, a full-circuit SRAM chip is designed and analyzed. The noise margin test of the SRAM cell shows 188mV HSNM, and 240mV WSNM, while standby and leakage currents were 5, and 20 times smaller. https://scj.kashanu.ac.ir/article_114563.html In this article, the behavior of event-based and rule-based systems is modeled using Hierarchical Fuzzy Petri nets (HFPN). In such systems, a large number of rules with fuzzy variables can lead to increase complexity in deducing behavior. So far, several FPN methods have been presented for these systems. In this paper, we present an HFPN leading to a reduction in the number of arcs, places and transitions \hl{as well as a reduction in the ML language code on Petri-net arcs and the increase of the code constructiveness}. Finally, we applied our method for modeling and reasoning a secure water treatment system against burst pipe attack.In this article, the behavior of event-based and rule-based systems is modeled using Hierarchical Fuzzy Petri nets (HFPN). In such systems, a large number of rules with fuzzy variables can lead to increase complexity in deducing behavior. So far, several FPN methods have been presented for these systems. In this paper, we present an HFPN leading to a reduction in the number of arcs, places and transitions \hl{as well as a reduction in the ML language code on Petri-net arcs and the increase of the code constructiveness}. Finally, we applied our method for modeling and reasoning a secure water treatment system against burst pipe attack. https://scj.kashanu.ac.ir/article_114671.html در دهه‌های اخیر، با پیشرفت فناوری اطلاعات و ارتباطات، نیاز به ساماندهی و بهینه‌سازی فرآیندهای اطلاعاتی و ارتباطی بین افراد و منابع مختلف، بیش از پیش اهمیت یافته است و یکی از روش‌های کارآمد در این زمینه، استفاده از سیستم‌های توصیه‌گر است. این سیستم‌ها می‌توانند به صورت برون‌خط و با آماده کردن لیستی از بهترین توصیه‌ها یا به صورت برخط و بلادرنگ در بهبود تجربه کاربری نقش مهمی را ایفا کنند. از جمله چالش‌های سیستم‌های توصیه‌گر، برقراری تعادل بین سرعت ارائه توصیه‌ها و کیفیت آن‌هاست. این مقاله، با ترکیب پردازش برون‌خط و برخط، به بررسی و ساخت الگوریتمی توصیه‌گر به نام Newpixie می‌پردازد که به دنبال ارائه توصیه‌هایی بر اساس علاقمندی‌های مشترک بین کاربران است؛ در Newpixie، از گرافی مقیاس‌پذیر و دوبخشی متشکل از پین‌ها و بوردها که شامل تعدادی از پین‌های مرتبط به هم در یک موضوع خاص هستند، استفاده می‌شود. در فاز برون‌خط این الگوریتم، با استفاده از قوانین وابستگی موجود در داده‌کاوی، ارتباطات قوی بین پین‌ها استخراج شده و بصورت یال مجازی در گراف اعمال می‌شوند. در فاز برخط نیز با قدم‌زنی تصادفی سوگیرانه نسبت به پیوند قوی بین جفت آیتم‌های موجود در بوردها، توصیه‌هایی مناسب برای کاربران فراهم خواهد شد. نتایج این الگوریتم بر مبنای سه معیار ارزیابی، با روش پایه pixie مقایسه شده ‌است. آزمایش‌ها نشان داده ‌است که در الگوریتم Newpixie، سرعت ارائه توصیه‌‌ها تقریباً 17% ، کیفیت توصیه‌ها نیز تقریباً 34% و معیار ارزیابی recall@k در پیش‌بینی پیوند، تقریباً 20% نسبت به روش پایه pixie، بهبود یافته است. https://scj.kashanu.ac.ir/article_114872.html همه‌گیری COVID-19 بر چالش‌های مهمی که سیستم‌های مراقبت‌های بهداشتی در سراسر جهان با آن مواجه هستند، به‌ویژه در تامین تقاضای فزاینده برای منابعی مانند تخت‌های ICU، مراقبت‌های تخصصی و تجهیزات پزشکی تاکید کرده است. این کمبود منجر به تلفات جانی قابل توجهی شده است و نیاز فوری به تشخیص دقیق و به موقع برای بهینه سازی نتایج بیمار و کاهش هزینه های مراقبت های بهداشتی را برجسته می کند. در پاسخ به این چالش‌ها، تحقیقات ما بر توسعه یک سیستم یادگیری ماشینی متمرکز است که قادر به پیش‌بینی اینکه آیا بیماران به بستری شدن در ICU نیاز دارند یا می‌توانند از راه دور در خانه در طول دوره‌های اوج تقاضا مدیریت شوند، تمرکز دارد. با استفاده از یک رویکرد کاهش دو بعدی جدید که الگوریتم‌های تکاملی، کشف الگو و تکنیک‌های یادگیری ماشین را ترکیب می‌کند، هدف ما ساده‌سازی داده‌های جمع‌آوری‌شده توسط بیمار برای آموزش مدل‌های پیش‌بینی‌کننده است که قادر به پیش‌بینی نیازهای ICU و نیازهای مراقبت از راه دور هستند. با ارائه سیستم‌های مراقبت‌های بهداشتی با توانایی پیش‌بینی نیازهای بیمار در مراحل بحرانی همه‌گیری، مدل پیش‌بینی‌کننده ما به ارائه‌دهندگان مراقبت‌های بهداشتی قدرت می‌دهد تا منابع را به طور مؤثرتر تخصیص دهند، ارائه مراقبت‌های بهداشتی را بهینه کنند و تأثیر بحران‌های مراقبت‌های بهداشتی را کاهش دهند. نتایج ارزیابی تجربی ما پتانسیل امیدوارکننده رویکرد ما را در رسیدگی به چالش‌های مبرم ناشی از همه‌گیری COVID-19 و موارد اضطراری بهداشت عمومی مشابه نشان می‌دهد. https://scj.kashanu.ac.ir/article_114875.html امروزه با فراگیر شدن استفاده از اینترنت و توسعه شبکه‌های بی‌سیم که جریان‌های داده بزرگی را منتقل می‌کنند، اهمیت سنجش و کنترل کیفیت لینک‌های ارتباطی موجود در شبکه بی‌سیم بسیار مورد توجه قرار گرفته است. با پیش‌بینی کیفیت لینک می‌توان مصرف انرژی گره‌های موجود و پایداری کلی شبکه را بهبود بخشید. دسته‌ای از روش‌ها که برای پیش‌بینی کیفیت لینک‌های بی‌سیم، مورد استفاده قرار می‌گیرند، روش‌های یادگیری ماشین هستند. در این مقاله، کارکرد روش‌های تجمعی که یکی از انواع روش‌های یادگیری ماشین نظارت‌شده هستند که پیشتر کمتر در زمینه پیش‌بینی کیفیت لینک‌های بی‌سیم به آنها پرداخته شده است، مورد بررسی قرار گرفته است. همچنین بدلیل مزیت روش‌های بدون نظارت که بر روی مجموعه داده‌های بدون برچسب نیز قابل آموزش هستند، عملکرد روش k-میانگین، بررسی قرار گرفته است. نتایج نشان می‌دهد که الگوریتم‌های تجمیعی بخوبی می‌توانند کیفیت لینک‌های ارتباطی در شبکه بی‌سیم را پیش‌بینی کنند. از میان روش‌های تجمیعی، بهترین عملکرد را روش تقویت گرادیان با امتیاز F1، 95.79 دارد و روش k-میانگین نیز در معیار فراخوانی با مقدار 96.47، عملکرد بهتری نسبت به سایر روش‌ها داشته است. https://scj.kashanu.ac.ir/article_114927.html Abstract: A brain-computer interface is a hardware and software communication system through which the user will be able to control computers and external devices using only their brain activities.Signal processing algorithm is the most important part of a brain-computer interface and includes the steps of data acquisition, preprocessing or signal amplification, feature extraction and classification.The aim of this research is to design the signal processing algorithm of a brain-computer interface and also to improve its performance using noise reduction methods.Considering the importance of feature extraction and classification steps, we must choose appropriate methods in these steps.First, brain-computer system, signal processing algorithm and human nervous system and brain, electroencephalogram signal have been investigated. Then the pre-processing step and noise reduction techniques, the feature extraction step and the classification step and different classifiers with their applications and characteristics have been introduced. Finally, a new method based on channel selection using the placement of electrodes has been presented, which reduces noise and significantly increases the performance of the algorithm, and the use of this method increases the accuracy of the system. https://scj.kashanu.ac.ir/article_115032.html در این مقاله، یک روش عددی بر مبنای موجک‌های لژاندر برای حل معادلات انتگرال فازی ولترا-هامرشتاین تأخیری غیرخطی ارائه می‌دهیم. مدل ریاضی یک مسئله همه‌گیری، حالت خاصی از این دسته از معادلات انتگرال فازی است و این موضوع اهمیت این معادلات را دوچندان می‌نماید. در این مقاله ﭘﺲ ﺍﺯ ﺑﻴﺎﻥ ﺗﻌﺎﺭﻳﻒ ﻣﻘﺪﻣﺎﺗﻲ ﻣﺮﺗﺒﻂ ﺑﺎ ﻣﻌﺎﺩﻻﺕ ﻓﺎﺯﻱ ﻭ ﻧﻴﺰ ﻭﻳﮋﮔﻲ‌ﻫﺎﻱ ﺍﻭﻟﻴﻪ ﻣﻮﺟﻚ‌های لژاندر، ﻓﺮﻡ ﭘﺎﺭﺍﻣﺘﺮﻱ ﻣﻌﺎﺩﻻﺕ انتگرال فازی ولترا-هامرشتاین تأخیری غیرخطی، ﻛﻪ ﺩﺭ ﻭﺍﻗﻊ ﺩﺳﺘﮕﺎﻫﻲ ﺍﺯ ﻣﻌﺎﺩﻻﺕ ﺍﻧﺘﮕﺮﺍﻝ ولترای تاخیری غیرﺧﻄﻲ ﺩﺭ ﺣﺎﻟﺖ ﻏﻴﺮﻓﺎﺯﻱ ﺍﺳﺖ ﺭﺍ ﻣﻌﺮﻓﻲ ﻣﻲ‌ﻧﻤﺎﻳﻴﻢ. سپس با استفاده از موجک‌های لژاندر به همراه روش هم‌مکانی و قاعده انتگرال‌گیری گاوس-لژاندر، معادله انتگرال را به یک دستگاه معادلات جبری تبدیل و آن را حل می‌کنیم. علاوه بر آن، آنالیز هم‌گرایی روش را مورد بررسی قرار می‌دهیم. دقت روش با چندین مثال عددی نشان داده می‌شود و نتایج حاصل با نتایج به دست آمده از روش موجک‌های برنولی و ‎-Bاسپلاین مقایسه می‌شود. این مقایسه‌ها دقت و کارآمدی روش ارائه شده را تایید می‌کنند. https://scj.kashanu.ac.ir/article_115033.html مروزه تحلیل رفتار کاربران در شبکه‌های اجتماعی برای درک ویژگی‌های روانشناختی اهمیت فزاینده‌ای یافته است. باتوجه‌به حضور همزمان کاربران در شبکه‌های اجتماعی متنوع، ساختاردهی داده‌های استخراج ‌شده از این پلتفرم‌ها در قالب یک شبکه‌ی چندگانه می‌توانند اطلاعات ارزشمندی را ارائه دهند. با این حال، رویکردهای مرسوم به دلیل اتکا بر روابط صریح که اغلب خصوصی هستند و همچنین استفاده از داده‌های تک‌منبعی، دارای محدودیت می‌باشند. بنابراین، در این مقاله یک چارچوب نوین دو مرحله‌ای برای پیش‌بینی تیپ شخصیتی کاربران ارائه شده است که نوآوری اصلی آن، استفاده از شبکه‌ی روابط ضمنی استخراج ‌شده از داده‌های چندمنبعه و چندحالته شامل متن، تصویر و اطلاعات مکانی به جای تکیه بر روابط صریح دوستی کاربران است. در مرحله‌ی اول، ابتدا با استفاده از یک رویکرد تکاملی چندهدفه (MOEA/D-TS) ساختار جوامع در شبکه‌ی چندگانه شناسایی شده و سپس با استفاده از یک روش پیش‌بینی پیوند (CLPES)، شبکه روابط ضمنی میان کاربران استخراج می‌گردد. در مرحله‌ی دوم، از شبکه‌ی حاصل‌‌ به عنوان یک منبع اطلاعاتی در یک چارچوب مبتنی‌بر روش‌های یادگیری ماشین به‌منظور پیش‌بینی تیپ شخصیتی کاربران بهره‌گیری می‌شود. ارزیابی‌ها برتری قابل توجه چارچوب پیشنهادی را نشان می‌دهد به‌طوری که مدل نهایی با استفاده از جنگل تصادفی و همجوشی هر سه منبع داده، به میانگین امتیاز Macro-F1 برابر با 0.673 دست یافت که نشان‌دهنده بهبود عملکردی به طور میانگین به میزان ۲۳ درصد نسبت به مدل‌های تک‌منبعه است. این یافته، ارزش راهبرد تحلیل روابط ضمنی و همجوشی داده‌های چندمنبعه را برای درک عمیق‌تر شخصیت کاربران تأیید می‌کند https://scj.kashanu.ac.ir/article_115127.html Cancer remains a major challenge in modern medicine, and effective treatment requires accurate modeling of its complex processes. Various approaches have been developed to model cancer progression and treatment, including cellular automata, differential equations, and agent-based models. Differential equations are widely used for cancer growth and treatment response, but they often oversimplify biological complexities and face challenges in parameter estimation. Cellular automata help simulate cancer at the cellular level, though they may not fully capture biological mechanisms. Agent-based models, while insightful, demand significant computational resources. Game theory has emerged as a valuable tool for understanding strategic interactions between cancer cells and their environment, offering insights into tumor evolution and treatment resistance. By modeling cancer progression as an evolutionary competition among cell types, game theory-based models can predict cancer dynamics and help design treatment strategies that lead to better patient outcomes. This approach enhances the understanding of cancer progression and offers potential for creating more effective therapies by integrating experimental findings with mathematical modeling. https://scj.kashanu.ac.ir/article_115167.html در این مقاله، الگوریتمی مبتنی بر جستجوی ممنوعه برای یافتن مجموعه مولد متریک l-کلیک در گراف‌های همبند ارائه می‌شود. هدف از این الگوریتم، کمینه‌سازی اندازه مجموعه‌ای از رئوس است که می‌تواند کلیک‌های l-تایی را در گراف به صورت یکتا شناسایی کند. این مسئله که تعمیمی از بعد متریک کلاسیک است، به دلیل پیچیدگی محاسباتی از نوع NP-سخت ، نیازمند استفاده از روش‌های بهینه‌سازی ابتکاری است. الگوریتم پیشنهادی با استفاده از یک لیست ممنوعه و ایجاد مجموعه‌های همسایگی به جستجوی مجموعه بهینه پرداخته و به کمک یک تابع ارزیابی، تعداد رئوس با کد متریک یکسان را به حداقل می‌رساند. نتایج به‌دست‌آمده نشان می‌دهد که این روش می‌تواند کارایی بالایی در شناسایی ساختارهای گروهی در شبکه‌های پیچیده داشته باشد و در حوزه‌هایی نظیر تحلیل شبکه و داده‌کاوی کاربرد دارد. در این مقاله، کاربردی از مجموعه‌های مولد متریک در خدمات تحویل کالا که یک نوع خدمات تکمیلی به شمار می‌آید نیز ارائه می‌کنیم. https://scj.kashanu.ac.ir/article_115168.html این مطالعه با استفاده از رویکرد کیفی، تجارب دانش‌آموزان و معلمان را در کلاس‌های درس تفکر جبری سنتی با رویکردهای بحث سازه‌گرایی کلاسی که در تدریس در مدرسه تجربی اجرا می‌شود، مقایسه کرد. تحلیل محتوا از منظر کیفی، همراه با سازه‌گرایی اجتماعی و نظریه‌های تفکر جبری موقعیت‌یافته، برای تفسیر تفکر جبری و رشد دانش‌آموزان مورد استفاده قرار گرفت. نتایج تحقیق حاکی از تفاوت‌هایی در گروه دانش‌آموزانی بود که در معرض محیط تفکر جبری ساخت‌گرا بودند، به‌ویژه در مهارت‌های مستقل. با این حال، این مطالعه چندین چالش مانند مدیریت زمان، درک مکالمات همکلاسی ها، نوشتن برای انتقال افکار آنها و افزایش حجم کار برای دانش آموزان را نیز برجسته کرد. کلاس‌های بحث محتوایی مبتنی بر معادلات ساختاری فازی از روش‌های نوآورانه برای ایجاد دانش جدید استفاده می‌کردند و فرصت‌های بیشتری را برای دانش‌آموزان فراهم می‌کردند تا ایده‌های خود را توسعه دهند. این محیط همچنین شکل اجتماعی/جمعی/تطبیقی ​​تری از دانش را با ارزیابی مستمر اطلاعات ارائه شده توسط دانش آموزان برای اطلاع از شیوه های تدریس پرورش داد. به طور کلی، یافته‌ها نشان می‌دهد که دانش‌آموزانی که در رویکردهای بحث نوآورانه و محتوای مبتنی بر معادلات ساختاری فازی شرکت کرده‌اند، به دلیل مشارکت فعال در طول آموزش، تجربیات تفکر جبری غنی‌تری داشتند. https://scj.kashanu.ac.ir/article_115169.html با پیشرفت سریع فناوری وسایل نقلیه خودران و متصل (CAV)، دقت موقعیت‏یابی به یکی از الزامات حیاتی سامانه‌های ناوبری تبدیل شده است. سامانه‌های موقعیت‌یابی مانند سامانه ناوبری ماهواره‌ای جهانی و سامانه ناوبری اینرسی در محیط‌های شهری با چالش‌هایی مانند مسدود شدن سیگنال‌های سامانه ناوبری ماهواره‌ای جهانی و تجمع خطای زمانی در سامانه ناوبری اینرسی مواجه هستند. فیلتر کالمن استاندارد و روش‌های تطبیقی مانند فیلتر کالمن تطبیقی و فیلتر کالمن تطبیقی مبتنی بر نوآوری قادر به کاهش تأثیر داده‌های ناهنجار و جلوگیری از واگرایی فیلتر در شرایط اختلال سیگنال سامانه ناوبری جهانی نیستند. این مقاله یک روش بهبودیافته به نام فیلتر کالمن تطبیقی مبتنی بر نوآوری بهینه‌شده با الگوریتم ژنتیک پیشنهاد می‌دهد که شامل دو مرحله است: (۱) استفاده از فیلتر کالمن تطبیقی مبتنی بر نوآوری برای به‌روزرسانی تطبیقی ماتریس کوواریانس نویز اندازه‌گیری به‌صورت برخط و تشخیص داده‌های ناهنجار با آزمون کای‌دو ؛ (۲) بهینه‌سازی دقیق‌تر ماتریس کوواریانس نویز اندازه‌گیری با الگوریتم ژنتیک. این روش قادر است تأثیر داده‌های ناهنجار را کاهش دهد و پایداری فیلتر را در برابر تغییرات نویز محیطی افزایش دهد. نتایج شبیه‌سازی نشان می‌دهد که روش فیلتر کالمن تطبیقی مبتنی بر نوآوری بهینه‌شده با الگوریتم ژنتیک نسبت به فیلتر کالمن استاندارد، فیلتر کالمن تطبیقی و فیلتر کالمن تطبیقی مبتنی بر نوآوری عملکرد بهتری در کاهش خطای موقعیت‌یابی و حفظ پایداری فیلتر در شرایط چالش‌برانگیز محیط‌های شهری ارائه می‌دهد. این بهبود نشان‌دهنده توانایی فیلتر کالمن تطبیقی مبتنی بر نوآوری بهینه‌شده با الگوریتم ژنتیک در افزایش دقت موقعیت‌یابی و حفظ پایداری فیلتر در سامانه‌های ناوبری تلفیقی است. https://scj.kashanu.ac.ir/article_115344.html دقت طبقه‌بندی مجموعه داده‌ها به شدت به ویژگی‌های آنها بستگی دارد. وجود ویژگی‌های نامربوط و اضافی در یک مجموعه داده می‌تواند منجر به کاهش دقت طبقه‌بندی شود. شناسایی و حذف چنین ویژگی‌هایی هدف اصلی مسئله انتخاب ویژگی است که گامی مهم در چرخه حیات علم داده محسوب می‌شود. هدف از انتخاب ویژگی ، کاهش تعداد ویژگی‌های انتخاب شده (SF) و در عین حال بهبود دقت طبقه‌بندی با انتخاب زیرمجموعه‌ای از ویژگی‌های بهینه است. انتخاب ویژگی یک مسئله چالش‌برانگیز و از نظر محاسباتی پرهزینه است که در دسته مسائل NP-complete قرار می‌گیرد، بنابراین برای حل آن به الگوریتم‌های محاسباتی کارآمد نیاز است.الگوریتم بهینه‌سازی خرگوش‌های مصنوعی (ARO) یک تکنیک بهینه‌سازی الهام گرفته از طبیعت است که از رفتارهای منحصر به فرد و هوشمند جستجوی غذا در خرگوش‌ها را تقلید می‌کند. این مقاله یک روش انتخاب ویژگی جدید مبتنی بر الگوریتم فراابتکاری ARO، به نام بهینه‌سازی خرگوش‌های مصنوعی حافظه‌دار (MARO)، برای بهبود عملکرد الگوریتم پایه در حل مسائل انتخاب ویژگی ارائه می‌دهد. روش MARO پیشنهادی بر روی یک مجموعه داده معیار استاندارد آزمایش شده و با چهار الگوریتم انتخاب ویژگی پیشرفته مقایسه شده است. نتایج، اثربخشی ایده و برتری الگوریتم پیشنهادی را در جستجوی زیرمجموعه‌ای بهینه از ویژگی‌ها نشان می‌دهد. https://scj.kashanu.ac.ir/article_115345.html بیماری‌های قلبی یکی از عوامل مهم تهدید کننده سلامت جامعه می‌باشند. شناخت دقیق و زودهنگام این بیماری‌ها، امکان مداخله و درمان بهینه را بهبود می‌بخشد و می‌تواند قابلیت افزایش بقا و کاهش ناتوانی را ارتقا دهد. در سال‌های اخیر، با پیشرفت فناوری و روند توسعه سیستم‌های الکترونیکی پزشکی، استفاده از سیگنال‌های ECG به عنوان روشی غیرمخرب و غیرتهاجمی برای تشخیص بیماری‌های قلبی افزایش یافته است. در این مقاله جهت تشخیص خودکار بیماری قلبی از روی سیگنال‌های ECG، از ترکیب شبکه عصبی کانولوشنی (CNN) و منطق فازی استفاده شده است. هدف از ترکیب شبکه عصبی کانولوشنی و منطق فازی این است که سیستم بتواند با عدم قطعیت‌های شناختی بیشتر شبیه به انسان برخورد کند و امکان پردازش اطلاعات نامشخص و نادرست را داشته باشد. مدل پیشنهادی روی مجموعه داده‌های آریتمی MIT-BIH مورد آزمایش قرار گرفته و بر اساس نتایج حاصل از پیاده‌سازی‌ها، مدل پیشنهادی از دقت بالاتری نسبت به روش‌های پایه برای تشخیص بیماری قلبی برخوردار بود. https://scj.kashanu.ac.ir/article_115346.html Machine reading comprehension (MRC) is a long-standing topic in natural language processing (NLP). The MRC task aims to answer a question based on the given context. Recently studies focus on multi-hop MRC which is a more challenging extension of MRC, which to answer a question some disjoint pieces of information across the context are required. Due to the complexity and importance of multi-hop MRC, a large number of studies have been focused on this topic in recent years, therefore, it is necessary and worth reviewing the related literature. This study aims to investigate recent advances in the multi-hop MRC approaches based on 34 studies from 2018 to 2024. In this regard, first, the multi-hop MRC problem definition will be introduced, then 34 models will be reviewed in detail with a strong focus on their multi-hop aspects. They also will be categorized based on their main techniques. Finally, a fine-grain comprehensive comparison of the models and techniques will be presented. https://scj.kashanu.ac.ir/article_115347.html ارزیابی کیفیت فعالیت (AQA)، حوزه‌ای مهم و در حال رشد در بینایی ماشین، بر توسعه روش‌های خودکار و عینی برای سنجش میزان درستی اجرای فعالیت‌ها و سطح مهارت در ویدئوها تمرکز دارد. کاربردهای متنوع آن در زمینه‌های ورزشی، مراقبت‌های پزشکی، تولیدات صنعتی و سایر سناریوهای نوظهور، توجه پژوهشگران را به خود جلب کرده است. با وجود پیشرفت‌های چشمگیر، نیاز به یک مرور جامع و نظام‌مند برای یکپارچه‌سازی دانش پراکنده و تعیین اولویت‌های پژوهشی آتی همچنان وجود دارد. در این مرور نظام‌مند، با بهره‌گیری از روش‌شناسی استاندارد کیچنهام ، تعداد 100 مقاله مرتبط برای تحلیل نهایی گزینش و بررسی شده است. حوزه AQA از پژوهش‌های پایه به سمت رویکردهای ریزدانه ، چندوجهی ، تعمیم‌پذیر و چند وظیفه‌ای تکامل یافته است. علاوه بر این، روندهای نوین پژوهشی مانند یادگیری مداوم، یادگیری خودنظارتی و سامانه‌های هوش مصنوعی قابل توضیح ، به ویژه رویکردهای عصبی-نمادین، نقشی محوری در ارائه بازخورد شفاف و کاربردی ایفا می‌کنند. این مرور نگاهی جامع به جنبه‌های گوناگون این حوزه شامل بررسی سیستماتیک روش‌ها، مجموعه‌داده‌های معیار، معیارهای ارزیابی عملکرد، چالش‌های موجود و مسیرهای تحقیقاتی آینده ارائه می‌دهد. هدف اصلی آن فراهم‌سازی مرجعی ارزشمند برای پژوهشگران تازه‌وارد و متخصصان باتجربه جهت تسهیل مطالعات بعدی و هدایت پیشرفت‌های آتی است. https://scj.kashanu.ac.ir/article_115348.html با گسترش کاربردهای هوش مصنوعی به‌ویژه یادگیری ماشین در حوزه پزشکی، امکان ارتقای دقت و اثربخشی در تشخیص و درمان بیماری‌ها فراهم شده است. یکی از کاربردهای مهم آن، بهبود تشخیص پاسخ بیماران به درمان همزمان‌سازی مجدد قلبی است؛ روشی درمانی برای بیماران مبتلا به نارسایی قلبی که در آن با تحریک هماهنگ بطن‌ها عملکرد قلب بهبود می‌یابد. یکی از چالش‌های مهم در این زمینه، عدم‌تعادل کلاس‌ها میان بیماران پاسخ‌دهنده و غیرپاسخ‌دهنده به درمان است که دقت مدل‌های طبقه‌بندی را کاهش می‌دهد.در این پژوهش، روشی ترکیبی مبتنی بر بیش‌نمونه‌برداری مصنوعی تعمیم‌یافته از کلاس اقلیت و یادگیری گروهی پیشنهاد شده است. برای ارتقای کیفیت نمونه‌های مصنوعی، از الگوریتم جستجوی کلاغ به‌عنوان یک روش فراابتکاری استفاده شده و برای کاهش بُعد و انتخاب ویژگی‌های مؤثر از الگوریتم ژنتیک بهره گرفته شده است. در مرحله طبقه‌بندی، دو مدل یادگیری گروهی شامل گرادیان تقویت‌شده و جنگل تصادفی به کار گرفته شدند. مجموعه داده مورد استفاده شامل 60 ویژگی اولیه بود که با استفاده از الگوریتم ژنتیک به ۴۱ ویژگی منتخب بهینه‌شده کاهش یافت. معیار بهینگی، حداکثرسازی دقت مدل در شناسایی بیماران غیرپاسخ‌دهنده بود. نتایج ارزیابی مدل‌ها نشان داد روش پیشنهادی با این ۴۱ ویژگی منتخب، میانگین هارمونیک برابر با ۸۹.۰۷٪ و دقت طبقه غیرپاسخ‌دهنده به درمان برابر با ۹۳.۵۹٪ را به‌دست آورده است. یافته‌های این پژوهش نشان می‌دهد که ترکیب روش‌های بهینه‌سازی، بیش‌نمونه‌برداری و یادگیری گروهی می‌تواند به‌طور مؤثری دقت تشخیص بیماران غیرپاسخ‌دهنده به درمان همزمان‌سازی مجدد قلبی را افزایش داده و به تصمیم‌گیری‌های درمانی مبتنی بر داده کمک کند. https://scj.kashanu.ac.ir/article_115356.html تخمین شرایط مرزی نامعلوم در مسائل معکوس معادلات دیفرانسیل جزئی پارابولیک (IPDEs) مانند معادله فیشر، به دلیل ماهیت بدوضع بودن و حساسیت بالا به نویز، همواره با چالش‌های جدی مواجه بوده است. روش‌های متداول اغلب نیازمند فرضیات اولیه یا تخمین‌های ابتدایی هستند که این امر، کارایی و دقت آن‌ها را محدود می‌سازد. در این مقاله، یک چارچوب عددی ترکیبی و قدرتمند ارائه شده است که با ادغام طرح تفاضلات محدود تمام ضمنی و الگوریتم فراابتکاری بدون پارامتر پرنده منشی (SBOA)، مسئله معکوس معادله فیشر را بدون نیاز به دانش قبلی از تابع مرزی نامعلوم حل می‌کند. الگوریتم SBOA با الهام از پویایی شکار-شکارچی پرنده منشی، با کمینه‌سازی مؤثر اختلاف بین پاسخ عددی و داده‌های مشاهده‌ای همراه با نویز، شرایط مرزی نامعلوم را با دقت بسیار بالا بازیابی می‌نماید. نتایج عددی به‌دست‌آمده بر روی مسائل آزمون استاندارد، نشان‌دهنده دقت چشمگیر روش پیشنهادی با خطای نسبی تا 0.07 درصد و برتری آن نسبت به نه الگوریتم فراابتکاری پیشرفته دیگر از لحاظ دقت و سرعت همگرایی است. این الگوریتم همچنین پایداری بالایی را در برابر اندازه شبکه و سطوح مختلف نویز نشان می‌دهد و معمولاً پاسخ‌ها را در مدت زمان کوتاهی با سخت‌افزار رایانه‌ای معمولی به‌دست می‌آورد. این نتایج، اثربخشی و قابلیت اطمینان چارچوب مبتنی بر SBOA را به‌عنوان ابزاری قدرتمند و مقیاس‌پذیر برای حل مسائل معکوس پیچیده در علوم و مهندسی محاسباتی تأیید می‌کند. https://scj.kashanu.ac.ir/article_115429.html چکیده: در این پژوهش، نسخه‌ای باینری از الگوریتم الهام‌گرفته از رشد پیچک (IVY) با هدف حل مسأله کوله‌پشتی صفر و یک طراحی و ارزیابی شده است. مسأله کوله‌پشتی یکی از مسائل کلاسیک بهینه‌سازی ترکیبیاتی است که در حوزه‌های مختلفی از جمله تخصیص منابع، زمان‌بندی و برنامه‌ریزی پروژه کاربرد دارد. حل این مسأله با توجه به پیچیدگی نمایی فضای جستجو، نیازمند استفاده از الگوریتم‌های مؤثر و کارآمد است. نسخه BiIVY با ترکیب مکانیزم رشد جهت‌دار، تابع جریمه و الگوریتم ترمیم ویژه، قابلیت یافتن پاسخ‌های بهینه با تعداد تکرار کمتر نسبت به الگوریتم‌های مرسوم را فراهم می‌کند. پارامترهای الگوریتم با توجه به منابع پیشین و آزمون‌های آزمایشی تعیین شده‌اند. کارایی BiIVY روی ۲۵ مجموعه داده استاندارد L1–L25 ارزیابی شده و با الگوریتم‌های دودویی گرده‌افشانی گل (BFPA) و الگوریتم سینوسی-کسینوسی دودویی (BSCA) مقایسه گردیده است. نتایج آزمون میانگین رتبه فریدمن نشان می‌دهد که BiIVY در اکثر موارد از لحاظ کل سود و تعداد تکرار عملکرد بهتری دارد و توانسته پاسخ‌های بهینه یا نزدیک به بهینه را با تعداد تکرار کمتر ارائه دهد، که اثربخشی و توانایی الگوریتم پیشنهادی را در حل مسائل ترکیبیاتی پیچیده نشان می‌دهد. https://scj.kashanu.ac.ir/article_115430.html مشکل طبقه‌بندی داده‌های با برچسب کم را می‌توان با استفاده از دانش کسب شده از دامنه دیگر و انطباق آن با دامنه هدف برطرف کرد. با این حال، بیشتر این روش‌ها در محیط‌های دارای نویز، پایداری و مقاومت خود را از دست می‌دهند. این مقاله با هدف مدلسازی ابهام در مسائل طبقه‌بندی دودوئی و غیرقابل تمایز بودن داده‌ها در فرآیند انطباق دامنه ارائه شده است. در مدل دوقلوی پیشنهادی برای هر کدام از داده‌های منبع و هدف دو طبقه‌بندی‌کننده ماشین بردار پشتیبان ربع کره درنظر گرفته شده و دو ربع کره به گونه‌ای آموزش می‌بینند که به‌جای حل یک مسأله برنامه‌ریزی درجه دوم (QPP)، دو معادله خطی حل شوند. در نتیجه، پیچیدگی زمانی مدل کاهش یابد. همچنین با استفاده از نظریه مجموعه‌های فازی راف در وزن‌دهی، نمونه‌های با اطمینان بالا در انطباق دامنه و طبقه‌بندی تاثیر بیشتری خواهند داشت ضمن آن‌که کلاس‌های اقلیت که معمولاً در داده‌ها کمتر حضور دارند، در فرآیند ساخت مدل نادیده گرفته نشوند. از نقاط قوت مدل پیشنهادی این است که پس از ساخت و آموزش طبقه‌بندی‌کننده‌های دامنه منبع، دسترسی به داده‌های منبع دیگر لازم نیست و تنها وجود پارامترهای ربع کره‌های دامنه منبع کفایت می‌کند. کارایی مدل پیشنهادی در مقایسه با روش‌های رقیب، در پانزده وظیفه برگرفته شده از دو مجموعه‌داده معیار ارزیابی شده است. نتایج آزمایش‌ها نشان می‌دهد که مدل پیشنهادی از نظر دقت طبقه‌بندی و زمان محاسباتی عملکرد برتری دارد. علاوه بر این، تحلیل نویز نشان می‌دهد که مدل پیشنهادی از پایداری بالایی در برابر نویز برخوردار است.