نشریه علوم رایانشی
سال هفتم شماره 4 (پیاپی 27، زمستان 1401)

امروزه با پیشرفت فناوری و رشد چشم گیر شبکه های اجتماعی برخط، بسیاری از مردم جهت اطلاع از آخرین اخبار روز به این دسته از رسانه ها رجوع می کنند. این شبکه ها با تسهیل در ایجاد و انتشار پیام ها، امکان پخش شایعات را افزایش داده و در نتیجه اخبار حاصل از آن ها، از اعتبار کمتری نسبت به رسانه های سنتی برخوردار شده است. تشخیص خودکار شایعات از میان پیام های منتشر شده در شبکه های اجتماعی برخط، نیازی است که در سال های اخیر مطرح شده و بسیاری از دانشمندان در تلاش بوده اند تا راه حلی برای آن ارایه دهند. بنابراین ارایه روش هایی برای تشخیص شایعات، بیشتر از گذشته مورد توجه قرار گرفته است. در این مقاله، روشی برای تشخیص شایعات فارسی در شبکه اجتماعی توییتر ارایه می شود. روش ارایه شده ابتدا کل پیام های مجموعه داده را پردازش و پیام های مشابه را خوشه بندی می کند و برچسب اکثریت پیام ها در هر خوشه را به عنوان برچسب آن خوشه در نظر می گیرد. سپس یکسری ویژگی از این خوشه ها استخراج می شود. در این مقاله، برای اولین بار ویژگی های مربوط به زمان در این مسیله استفاده شده است. با استفاده از این خوشه های برچسب خورده و ویژگی های استخراج شده یک مدل درخت تصمیم آموزش داده می شود. مدل حاصل نهایتا قابلیت این را دارد که شایعه بودن خوشه پیام های منتشر شده در شبکه اجتماعی توییتر را تشخیص دهد. ارزیابی های انجام شده نشان می دهد که این مدل قادر است شایعه بودن خوشه پیام های شامل پنج پیام یا بیشتر را با دقت و فراخوانی 847/0 و 866/0 تشخیص دهد.

همگامی، پدیده فیزیکی شگفت انگیزی است که میان مجموعه ای از گره های شبکه که دینامیک فردی دارند رخ می دهد. از آنجا که این پدیده در بسیاری از سامانه های مختلف از زیست شناسی گرفته تا مهندسی و حتی رفتار جمعی انسان مشاهده می شود، توجه زیادی را از وجوه مختلف به خود جلب کرده است. دینامیک این شبکه ها اغلب با مدل کوراموتو صورت بندی می شود که در عین سادگی، کارآمدی قابل قبولی دارد. پژوهش های بسیاری درباره نقش عوامل مختلف (از جمله ساختار شبکه، قدرت جفت شدگی و بسامدهای ذاتی نوسانگرهای روی هر گره) بر میزان همگامی گره ها و نیز مهندسی هرکدام از عامل ها به منظور افزایش (یا کاهش) همگامی در شبکه انجام شده است. یکی از روش های تغییر ساختار شبکه به «سیم کشی مجدد » معروف است. این روش نوعی بازآرایی پیوندهای شبکه است و در آن با سازوکار های مختلف، برخی از پیوندهای شبکه قطع می شوند و برخی از گره هایی که قبلا پیوندی نداشتند متصل می شوند. ما در پژوهش حاضر سازوکاری برای بهبود همگامی در شبکه های کوراموتو با نوسانگرهای غیرهمگون ارایه می کنیم که در آن هر تصمیم درباره حذف یا افزودن پیوندها براساس ویژگی های محلی و نیز سرتاسری شبکه اتخاذ می شود، و بر پایه شواهد عددی نشان می دهیم که این روش به ازای مقدارهای کم قدرت جفت شدگی نتیجه های بهتری از روش های پیشین به دست می دهد.

رایانش ابری، یک مدل محاسباتی مبتنی بر شبکه است که به منظور عرضه، مصرف و ارایه خدماتی نظیر زیرساخت، نرم افزار و منابع رایانشی از طریق شبکه ایجاد شده است. مسیله زمان بندی مجموعه کارها در این سیستم ها به مسیله ای مهم و پیچیده تبدیل شده است و حل این مسیله می تواند عملکرد و تعامل گره ها در این سیستم توزیع شده را بهبود ببخشد. الگوریتم های زمان بندی، با در نظر گرفتن کیفیت خدمات اقدام به تخصیص کارها به منابع می کنند و هدف از زمان بندی در این سیستم ها به حداکثر رساندن بازدهی سیستم با اختصاص دادن کارهای صحیح به ماشین های صحیح، به حداقل رساندن زمان اجرا و به حداکثر رساندن استفاده از منابع است. هدف از انجام این پژوهش ارایه رویکردی برای استفاده بهینه از منابع است. از آنجایی که در کارهای پیشین در خصوص زمان بندی وظایف، دسته بندی وظایف و منابع در برخی موارد توزیع دقیق آن ها را بر روی منابع تضمین نمی کنند، در این مقاله پس از دسته بندی وظایف و منابع به کمک برخی ویژگی های آن ها و با کمک یک شبکه عصبی به دنبال یافتن بهترین ماشین برای وظیفه انتخاب شده در سیستم می گردیم. لایه های موجود در شبکه عصبی و مرحله های یادگیری و در نهایت استفاده از مدل آموزش دیده به ما در انتخاب منبع مناسب موجود برای وظیفه انتخاب شده کمک می کند و این موضوع می تواند بازدهی سیستم را بهبود ببخشد. نتایج حاصل از ارزیابی راه حل ارایه شده حاکی از زمان اتمام وظایف کوتاه تر الگوریتم پیشنهادی نسبت به الگوریتم های تصادفی، اولین برازش و Tetris است به طوری که میانگین زمان اتمام وظایف حداقل 10 واحد زمانی نسبت به الگوریتم اولین برازش و Tetris و همچنین تقریبا 1 واحد زمانی از الگوریتم انتخاب تصادفی بهتر است.

در سال های اخیر، کشاورزی دقیق یکی از حوزه های موردتوجه در روباتیک بوده است که در آن مسایل زیادی با استفاده از قابلیت های پهپادها و روبات های خودران زمینی حل شده اند. در طراحی مسیر حرکت پهپادها برای انجام وظایف موجود در این زمینه با محدودیت های مختلفی روبرو هستیم که یکی از آن ها محدودیت انرژی و دیگری تغییر ارتفاع نقاط مختلف محیط است. ما در این مقاله با توجه به این دو محدودیت مهم، مسیله پوشش محیط های کشاورزی با ارتفاعات متفاوت توسط یک پهپاد و یک روبات خودران زمینی را بررسی کرده ایم. با وجود قید انرژی، می توان از روبات های زمینی خودران جهت شارژ مجدد پهپادها استفاده کرد. هدف ما رویت تمامی نقاط محیط توسط پهپاد در کمترین زمان می باشد. ما این مسیله را به مسیله فروشنده دوره گرد تعمیم یافته کاهش داده و نشان داده ایم که چگونه با داشتن جواب مسیله دوم می توان مسیر بهینه ای برای پهپاد به دست آورد. در واقع، با ساخت گرافی جدید به عنوان ورودی مسیله فروشنده دوره گرد تعمیم یافته و کاهش یال های آن گراف توسط تعریف دو همسایگی، زمان اجرای الگوریتم های ارایه شده را بهبود بخشیدیم و با طراحی چندین آزمایش، نتایج کار خود را پیاده سازی و تحلیل نمودیم.

محاسبه مه، تکامل محاسبات ابری است که به ارایه راه حل هایی برای چالش های رایانش ابری مانند تاخیر، آگاهی از موقعیت مکانی و پشتیبانی از تحرک در زمان واقعی کمک می کند. هدف از بهینه سازی یافتن مقادیر متغیرهایی است که مقدار یک تابع داده شده را به حداکثر یا حداقل می رسانند. بسیاری از مسایل بهینه سازی توسط برنامه نویسی غیرخطی عدد صحیح مختلط (MINLP) مدل سازی می شود. ما مدلی را طراحی کردیم که یک مسیله بهینه سازی برنامه نویسی غیرخطی عدد صحیح مختلط در محاسبات مه است. مدل ما دو هدف دارد: افزایش عملکرد هزینه و همچنین کاهش مصرف انرژی. سپس مسیله خود را با GEKKO که یک مجموعه بهینه سازی با پایتون است، حل کردیم. در مرحله بعدی، با استفاده از NSGA-II، R-NSGA-II، NSGA-III، R-NSGA-III و U-NSGA-III مدل را با Pymoo حل نمودیم. Pymoo یک چارچوب بهینه سازی چندهدفه در پایتون است. سرانجام، از روش TOPSIS برای مقایسه الگوریتم ها با شاخص های مختلف (مقادیر زمان اجرا و توابع هدف) استفاده کردیم.

در نقشه برداری ثبتی تهیه نقشه با توجه به حساسیت حقوقی و مالی نقشه های کاداستر امری بسیار پر هزینه و زمان بر می باشد. از طرفی رقومی کردن نقشه های کاغذی قدیمی و تولید یا بروزرسانی نقشه های کاداستر از عکس های هوایی کاری پرچالش در این حوزه است که نیازمند به کارگیری دقت کارشناسان خبره است. امروزه با پیشرفت علوم رایانه ای در زمینه پردازش تصویر، فناوری هایی در زمینه هوش مصنوعی امکان یادگیری ماشین با استفاده از الگوریتم هایی نظیر شبکه های عصبی هم آمیخت را برای ما فراهم آورده اند که در این مقاله با مروری بر تعاریف این دو حوزه، اقداماتی که در سراسر جهان با استفاده از هوش مصنوعی در زمینه تولید نقشه های کاداستر صورت گرفته است را بررسی می کنیم. در پایان نیز ضمن مقایسه عملکرد ماشین و انسان در این زمینه، پیشنهاداتی برای استفاده بهتر از فناوری های هوش مصنوعی در نقشه برداری کاداستر ارایه خواهیم نمود.