در سالهای اخیر بازشناسی احساس به عنوان روش جدیدی برای تعامل انسان با کامپیوتر مورد توجه و موضوع تحقیقات زیادی بوده است. احساس، در قالب حرکات چهره، لحن و متن گفتار، حرکات دست و بدن و علایم زیستی مانند ضربان قلب بروز می یابد. تحقیقات موجود در حیطه بازشناسی احساس را می توان به سه گروه عمده تقسیم کرد. گروه اول، یکی از منابع مانند گفتار یا حرکات چهره را برای بازشناسی احساس استفاده می کنند. گروه دوم، نتیجه بازشناسی احساس با چندین منبع را در سطح تصمیم با هم ترکیب می کنند. گروه سوم ویژگی های استخراج شده از منابع مختلف را برای تولید ویژگی های مختلط با هم ادغام می کنند و با استفاده از ویژگی های جدید احساس را باز می شناسند. ترکیب سطح تصمیم، ارتباط بین ویژگی ها منابع مختلف را در نظر نمی گیرد. مثلا خشم و ترس علایم مشابهی در چهره دارند اما ویژگی های گفتاری آنها متفاوت است. انتظار ما این است که طبقه بندی که بر اساس ویژگی های گفتاری و چهره ای کار می کند؛ بتواند به شکل بهتری این دو احساس را از هم متمایز کند. از سویی دیگر، بررسی های روانشناسی نشان داده اند که علایم احساس در گفتار و چهره به صورت کاملا همزمان ظاهر نمی شوند. مثلا گره کردن ابروها هنگام وقوع احساس خشم، ممکن است اندکی قبل یا بعد از بالا رفتن تن صدا مشاهده شود. این ناهمزمانی، ترکیب و ادغام ویژگی ها را دچار مشکل می کند. مدل پیشنهادی در این رساله همجوشی اطلاعات گفتار و حالات چهره را در دو سطح ویژگی و تصمیم در نظر می گیرد. در این مدل، ویژگی های صوتی و تصویری در قالب سریهای زمانی استخراج می شوند. به منظور همزمان سازی آنها، بافرهای فعالی برای نگهداری مقادیر ویژگی ها و همجوشی زمانی آنها استفاده می شود. در زمان هایی که مقادیر ویژگی مورد نظر وجود داشته باشند؛ بافر با این مقادیر به روز می شود. در لحظات بعد اگر تا مدت معینی مقدار ویژگی موجود نباشد؛ مقدار موجود در بافرها به عنوان مقدار فعلی ویژگی گزارش می شود. پس از انقضای این مدت، مقادیر بافرها با مقادیر پیش فرض خاصی جایگزین می شوند. با استفاده از این بافرها، ویژگی های مختلف صوتی و تصویری همپوشانی زمانی مناسبی با هم پیدا می کنند. برای طبقه بندی احساس بروز یافته، سه نوع طبقه بند مبتنی بر ویژگی های گفتار، ویژگی های چهره و ویژگی های ادغام شده آنها یادگیری می شوند. سطح دوم همجوشی اطلاعات در مدل پیشنهادی، نتایج این طبقه بندها و همچنین نتیجه نهایی لحظه قبل را به صورت خطی با هم ترکیب می کند. مدل پیشنهادی با استفاده از دو پایگاه داده صوتی تصویری احساس enterface05 ( زبان انگلیسی، 42 نفر) و tmu-emodb (زبان فارسی، 12 نفر) آزمایش شده است. نتایج این آزمایش ها نشان دهنده این است که دقت بازشناسی احساس با ادغام ویژگی های ناهمزمان و ترکیب طبقه بندهای مبتنی بر ویژگی های ناهمزمان مشابه هم بوده و در حدود 40% برای پایگاه اول و 65% برای پایگاه دوم می باشند. در حالی که پس از همزمان سازی و ادغام ویژگی ها، میانگین دقت به 70% و 75% به ترتیب بر روی این دو پایگاه بدست آمده است. همچنین نتایج بدست آمده نشان میدهند که دقت بازشناسی با استفاده از ترکیب سه نوع طبقه بند فوق، برای پایگاه اول با دقت بدست آمده از طبقه بند مبتنی بر ویژگی های همزمان شده، تفاوت چندانی ندارد اما برای پایگاه دوم، این تفاوت از نظر آماری معنی دار است. نتایج فوق بیانگر افزایش دقت بازشناسی احساس با بکار بردن بافرهای همزمان سازی و ترکیب سه نوع طبقه بند فوق می باشند.

گرید محاسباتی بعنوان الگوی جدیدی برای نسل بعدی بسترهای محاسباتی؛ توانایی به اشتراک گذاری، تجمیع و انتخاب منابعِ توزیع شده را فراهم می کند. گرید در حوزه های مهندسی، علمی و اقتصاد برای حل مسائلِ با مقیاس بزرگ مورد استفاده قرار گرفته است و با پیشرفت فن آوری، پروتکل ها و بسترهای آن؛ بی تردید در آینده استفاده از آن فراگیرتر خواهد شد. منابعِ به اشتراک گذاشته شده در گرید، عموماً ناهمگن بوده و بصورت جغرافیایی توزیع شده هستند. دسترس پذیری و سطح بهره برداری هر منبع وابستگی بسیاری به کاربر، زمان، اولویت ها و اهدافِ سیستم دارد. لذا مدیریت منابع و تخصیص کارها به منابع در چنین محیطی دارای پیچیدگی های بسیاری است. در این پایان نامه، به ارائه ی دو روش تخصیصِ منبع در گرید با استفاده از راهکارهای مبتنی بر عامل می پردازیم. تعامل و ارتباط میان عامل ها در هر یک از این دو روش موجب بهبود میزان بهره برداری از منابع توسط موازنه ی بارِ کاری می شود. روش اول که در سطح فرا-زمان بند قرار می گیرد، با استفاده از روش مناقصه، تخصیص کارها به سایت های مختلف را انجام می دهد. در روش دوم، عامل زمان بند که در سطح زمان بندهای محلی قرار می گیرد، با استفاده از یادگیری تقویتی و با تکیه بر اطلاعاتِ محلی از منابعِ تحت کنترل، تخصیص کارها به منابع را برعهده دارد. علاوه بر افزایش سطح بهره برداری از منابع، ویژگی دیگر این دو روش، عدم نیاز به محاسباتِ سنگین برای تصمیم گیری و در نتیجه پاسخ گویی سریع است. هر دو روش، تصمیم گیری برای تخصیص منابع را بدون استفاده از تخمین زمان ِ اجرای کارها انجام می دهند و پارامترهای تصمیم گیری آن ها مبتنی بر سطح بهره برداری سیستم و قابلیت های منابع است. ساختار این دو روش، براساس معماری دوسطحی زمان بندها در گریدهای محاسباتی است و در نتیجه می توان آن ها را در محیط های مبتنی بر پلتفرم globus مورد استفاده قرار داد. نتایج سیستم مناقصه گذاری نشان دهنده ی عملکرد مناسب آن در موازنه ی بار و هم چنین خاصیتِ توزیع پذیری آن است. عضویتِ پویای عامل های واسطه در عامل های مناقصه گذار موجب می شود که تنها با در اختیار داشتن 25% از اطلاعات مناقصه ها، عملکرد بهتری نسبت به سیاست متمرکز llf از خود نشان دهند. در روش زمان بندی محلی با استفاده از یادگیری تقویتی نیز نتایج نشان می دهد که در صورت انتخاب مناسب الگوریتم یادگیری و صرفِ زمانِ کافی برای تجربه در محیط، می توان از یادگیری تقویتی در زمان بندی محلی استفاده کرد.

گرید محاسباتی بعنوان الگوی جدید نسل بعدی بسترهای محاسباتی توانایی به اشتراک گذاری، تجمیع و انتخاب منابع ناهمگن و توزیع شده را در حوزه های مهندسی، علمی و تجاری برای حل مسائل با مقیاس بزرگ فراهم می کند. صاحبان هر یک از این منابع سیاست های دسترسی، مدل های هزینه، دسترس پذیری و بارکاری مختلف دارند. محیط گرید ایده آل دسترسی به این منابع را به صورت شفاف فراهم می سازد. در چنین محیطی، مدیریت منابع وظیفه ای پیچیده می باشد. سیستم مدیریت منبع به بررسی سیاست ها و اهداف تأمین کنندگان و کاربران منابع می پردازد، در حالی که تنوع منابع و ناهمگنی سیستم های مدیریت محلی بر این پیچیدگی می افزاید. درحالی که گرید به سمت تجاری شدن پیش می رود و دارندگان منابع با انگیزه های مالی منابع خود را در اختیار دیگران قرار می دهند، رویکردهای اقتصادی می توانند مبنایی عادلانه برای مدیریت این منابع ناهمگن و غیرمتمرکز فراهم آورند. از طرفی در محیط های رقابتی همچون گریدهای اقتصادی موجودیت های سیستم تمایل ندارند که موجودیت های دیگر از اطلاعات خصوصی و اهداف آنها اطلاع یابند. در این راستا توافقات سطح سرویس (sla) از طریق مذاکره بین کاربران و تأمین کنندگان منابع با درنظرگرفتن سیاست های مختلف آنها و فراهم کردن انتزاع ساده ای از هر یک از منابع گرید، می توانند به این مسائل بپردازند. در واقع sla این امکان را به وجود می آورد که طرفین مذاکره، در عین حال که از اهداف و ترجیحات هم بی خبرند، درک یکسانی از نیازمندی های یکدیگر داشته باشند. این پایان نامه به بررسی مسائل مطرح در زمانبندی وظایف در گریدهای اقتصادی از جمله نیازمندی های کیفیت سرویس کاربران در تخصیص تک سایتی و چند سایتی (تخصیص همزمان) منابع می پردازد. در این راستا دو الگوریتم جدید مبتنی بر مذاکره ی sla مطرح گردید. نتایج حاصل از شبیه سازی ها حاکی از مناسب بودن این روش ها در گرید از نظر پارامترهای کارایی مختلف همچون نرخ ایجاد توافقات، سربار ارتباطاتی و حفظ محدودیت های کیفیت سرویس همچون بودجه و مهلت می باشد. محیط شبیه سازی با استفاده از ابزارکار رویداد-گسسته ی gridsim و زبان جاوا مدلسازی شده-است.

امروزه حجم بسیار زیادی از کالا و خدمات و حجم زیادی از اطلاعات مرتبط با آنها در فضای وب و اینترنت وجود دارد. این یکی از مصادیق مشکل سرباری اطلاعات است که در تجارت الکترونیک نیز نمود پیدا کرده و غالبا مانع از انتخاب بهترین گزینه ها می شود. برای مواجهه با این مشکل، کسب و کارهایی که از تجارت الکترونیک بهره می بردند، به استفاده از سیستم های توصیه گر –به عنوان یکی از راه حل های موجود- روی آورده اند. در این تحقیق به فرآیند توصیه، به عنوان یک مسئله تصمیم گیری چند معیاره نگریسته شده و استفاده از روش promethee ii -به عنوان یک روش پرکاربرد در میان روشهای تصمیم گیری چند معیاره که مزایای منحصر به فردی برای سیستم های توصیه گر فراهم می آورد- در سیستم های توصیه گر مورد بررسی قرار گرفته است. غالب سیستم های توصیه گر به توصیه یک نوع کالا، آن هم از انواع با تواتر خرید بالا پرداخته اند؛ در این تحقیق تلاش شده تا از اقلام گوناگون و با تواتر خرید پایین برای توصیه استفاده شود. یکی از مسائلی که ذهن طراحان سیستم را همواره به خود مشغول می دارد، کاهش پیچیدگی محاسباتی الگوریتم ها و در نتیجه کاهش زمان پاسخگویی سیستم، تا حد ممکن است. در این تحقیق دو رویکرد -یکی مستقیما برای کاهش پیچیدگی الگوریتم promethee ii و دیگری با هدف کاهش زمان پاسخگویی آن- ارائه شده است. ahp یکی از روش های تصمیم گیری چند معیاره است که در این تحقیق به منظور مقایسه عملکرد promethee ii با روش های مشابه (مانند electree, topsis, ahp از آن استفاده شده است. در ادبیات موضوع یکی از نقاط ضعف استفاده از روش ahp در مقایسه با روش های مشابه، فاز مقایسه دو به دوی آن است. از آنجایی که فاز مقایسه دو به دو در روش مذکور نیازمند دخالت مستقیم کاربر می باشد، تعداد زیاد گزینه ها علاوه بر افزایش زمان پاسخگویی، با خطای انسانی بیشتری نیز همراه خواهد بود. از طرفی در برخی کاربردها همانند سیستم های توصیه گر یا حتی برخی سیستم های تصمیم یار نمی توان انتظار تراکنش های طولانی و با دقت بالا با سیستم را از کاربران آنها داشت. در این تحقیق از نحوه عملکردii promethee در فاز مشابه، ایده گرفته شده و برای مقایسه دو به دوی خودکار در ahp راهکار ارائه شده است. عملکرد سیستم طراحی شده با داده های واقعی و بر اساس معیارهای ارزیابی سیستمهای توصیه گر مورد ارزیابی قرار گرفته و دقت و زمان پاسخگویی سیستم با روش مشابه مقایسه شده است. نتایج آزمایشات حکایت از صحت و دقت قابل رقابت خروجی سیستم داشته و نیز به عنوان یک گام نخست برای تحقیقات آتی، عملی بودن استفاده از promethee ii در سیستم های توصیه گر و توصیه دسته های متفاوت کالا با تواتر خرید پایین را نشان می دهد.