در این پایان نامه با در نظرگرفتن ویژگی های اساسی شبکه های ویژه سیار از قبیل محدودیت انرژی و همچنین مستعد بودن آنها در برابر نفوذها، از پروتکل مسیریابی سلسله مراتبی cbrp استفاده نموده و به منظورتأمین امنیت و بهبود پروتکل cbrp با استفاده از راهکارهای نظریه بازی پروتکل جدیدی بنام scbrpدر این شبکه ها ارائه نموده ایم بطوریکه scbrp هم مکانیزم پیشگیری از نفوذ و همچنین قابلیت تحمل نفوذ (scbrp+pdg) را دارد در نهایت برای ارزیابی روش پیشنهادی(scbrp+pdg) ، آنرا با استفاده از نرم افزار شبیه سازی ns2 پیاده سازی کرده که نتایج بدست آمده نشانگرکارایی روش پیشنهادی می باشد.

در این پایان نامه ضمن شرح مفهوم بازیابی تصویر، مجموعه های فازی و روش محاسبه شباهت این مجموعه های فازی، یک روش فازی برای بازیابی تصویر ارائه میشود. سپس از طریق جایگزینی مجموعه های فازی با مجموعه های فازی شهودی، دقت و صحت سیستم موجود را بهبود خواهیم داد. یکی دیگر از بخش های موجود در این پایان نامه به حل مشکل اساسی سیستم های بازیابی تصویر اختصاص دارد. به دلیل حجم زیاد تصایر موجود در پایگاه های اطلاعاتی، یکی از چالش های بزرگ در این حوزه رفع مشکل زمان بر بودن این سیستم هاست. در این تحقیق برای سیستمی که در بخش اول دقت و صحت آن را بهبود داده ایم، یک مدل سخت افزاری ارائه می دهیم. در این مدل سخت افزاری سیستم بازیابی تصویر را در قالب یک سیستم توزیع شده و بوسیله یک سری عامل سخت افزاری و روی سخت افزارهای با قابلیت پیکربندی مجدد پیاده سازی می کنیم. این سیستم توزیع شده سخت افزاری جدید با دارا بودن قابلیت پردازش موازی، به طور چشمگیری سرعت سیستم را نسبت به مدل های قبلی بالا می برد. این افزایش سرعت پس از پیاده سازی های مختلف، بطور دقیق محاسبه و در فصل پایانی ذکر شده است.

کلید معامله در بازار تبادل ارز )فارکس( انتخاب ارز درست برای معامله در زمان درست بر مبنای پیش بینی دقیق نرخ های تبادل ارز آینده است. عوامل متعددی هستند که همواره بر روی تغییرات نرخ ارزها تاثیر می گذارند بنابراین برای یک تصمیم گیری مناسب جهت خرید و فروش ارز باید تمامی این عوامل را تا حد امکان در تصمیم گیری خود دخیل کرد. معامله گران بورس معمولاً بر اساس تجربه معامله می کنند و این عوامل را در تصمیم گیری خود دخالت می دهند اما با توجه به اینکه تصمیم گیری در بازار فارکس در لحظه صورت می گیرد پس احتمال خطا افزایش می یابد. انسان ها معمولاً در تصمیم گیری های خود احساس را دخیل می کنند، احساساتی مانند حرص و طمع، میل به کسب سود بیشتر و یک شبه ره صد ساله رفتن عوامل مخربی در تصمیم گیری معامله در بازار بورس هستند. معامله گران برای رفع این مشکل تصمیم به استفاده از روش های هوشمند برای پیش بینی بازار بورس گرفتند که از دخالت عوامل مخرب انسانی در تصمیم گیری های معاملات جلوگیری شود. در این پایان نامه سعی شده است علاوه بر تحلیل نمودارهای قیمت ارز بر حسب زمان با استفاده از حجم معاملات و ... و دو عامل مهم و موثر یعنی قیمت نفت و طلا، مجموع قیمت سهام یکصد شرکت بزرگ انگلیس را نیز در پیش بینی خود وارد کنیم. یکصد شرکت که حجم گسترده ای از معاملات را تحت سلطه خود دارند و بدون شک تأثیر بسزایی در تغییر نرخ تبادل ارز دارند. مدلی پیشنهادی برای پیش بینی بازار، شبکه عصبی مصنوعی می باشد. در پایان نیز نتایج بدست آمده مورد ارزیابی قرار می گیرند.

الگوریتم های تکاملی به عنوان مجموعه ای از الگوریتم های بهینه سازی بسیار مورد توجه و بررسی قرار گرفته اند. یکی از مشکلاتی که در زمینه ی بهینه سازی توسط الگوریتم های تکاملی و به ویژه الگوریتم ژنتیک و بهینه سازی اجتماع ذرات مطرح است، مسئله ی همگرایی زودرس است. عملکرد الگوریتم های تکاملی وابسته به پارامترهای زیادی است که هر کدام بر کارایی آن تاثیر قابل توجهی دارند؛ و معمولاً این الگوریتم ها از فرآیند های تصادفی برای تنظیم پارامترهایشان استفاده می کنند. از طرف دیگر با توجه به خصوصیات سیستم های آشوبناک و اینکه ساختار شبه تصادفی ولی کاملاً قطعی دارند، می توانند جایگزین مطلوبی به جای فرآیندهای تصادفی در الگوریتم های تکاملی باشند. لذا در این پایان نامه سعی بر این است تا با استفاده از سیستم های آشوبناک برکارایی الگوریتم تکاملی افزوده شود. نتایج آزمایش ها حاکی از آن است روش پیشنهادی در مقایسه با الگوریتم های تکاملی متداول از عملکرد بهتری برخوردار است.

امنیت کامپیوترها و شبکه ها یک مسئله حیاتی در دنیای امروزی ما می باشد. یک روش برای حفاظت اطلاعات ذخیره شده در سیستم های پایگاه داده ای استفاده از سیستم تشخیص نفوذ می باشد. اخیراً محققان روی تکنیک های داده کاوی ای کار می کنند که تراکنش های بدخواه در سیستم های پایگاه داده ای را کشف می کنند. روش آن ها روی استنتاج وابستگی های داده بین اجزاء داده در پایگاه داده متمرکز است، اما الگوریتم هایی که این روش ها استفاده می کنند، چند محدودیت دارد. برای نمونه تنظیمات لازم برای کمینه پشتیبانی و سایر شرایط وابسته را به طور تجربی بدست می آورند که لزوماً منجر به وابستگی های داده قوی نمی شود. هم چنین استفاده از پشتیبانی کمینه به عنوان یک شرط اولیه برای کشف قوانین می تواند محدودکننده باشد چون معمولاً نمی توان یک آستانه پیشتیبانی کمینه را پیشگویی کرد که به تعداد قابل مدیریتی از قوانین منجر شود. محدودیت دیگر استفاده از پشتیبانی کمینه این است که معمولاً پشتیبانی بیانگر ارزش واقعی قانون ها نمی باشد. در این پایان نامه یک الگوریتم داده کاوی نوین به نام استنتاج بهینه قوانین وابستگی بین دسترسی ها به داده برای طراحی استنتاجگر وابستگی داده سیستم تشخیص نفوذ ارائه کرده ایم. الگوریتم ارائه شده بسیاری از محدودیت های الگوریتم های قبلی را از بین می برد. در نتیجه، روش پیشنهادی ما قادر به دنبال کردن بهتر تراکنش های نرمال و تشخیص کاراتر تراکنش های بدخواه نسبت به روش های موجود می باشد.

قه بندی چند برچسبی گسترش یافته روش های طبقه بندی سنتی است. که در آن هر نمونه می تواند به مجموعه ای از برچسب ها متعلق باشد. مثال هایی از داده های چند برچسبی در کاربرد های واقعی بسیار زیاد است که خود بیانگر اهمیت آن می باشد. به عنوان مثال یک فیلم می تواند به طور هم زمان هم به عنوان جنگی، هم جنایی و هم هیجان انگیز برچسب بخورد. از سوی دیگر مشاهده می شود که اکثر مجموعه های داده ای، در دنیای واقعی به صورت نامتوازن هستند. از این رو به بهبود روش طبقه بندی چند برچسبی، روی مجموعه داده های نامتوازن پرداخته خواهد شد. الگوریتم iblr_ml از ترکیب دو الگوریتم نزدیک ترین همسایه و رگرسیون منطقی ایجاد شده است. در این پایان نامه برای افزایش قدرت تحمل این الگوریتم، در مقابل داده های نامتوازن، این روش با الگوریتم های تجمعی کیسه ای و ترفیعی ترکیب گردیده. در نهایت برای ارزیابی روش پیشنهادی، بامجموعه داده های متفاوتی اجرا گردیده که نتایج بیانگرکارایی خوب روش پیشنهادی است. ایده دیگری که در این پایان نامه به آن پرداخته شده، ارائه اولین روش برای چند برچسبی کردن مجموعه داده تک برچسبی و به کار گیری آن برای مجموعه داده مرتبط با مخازن نفت می باشد. سپس بااستفاده از مجموعه داده چند برچسبی حاصله والگوریتم پیشنهادی،یک یادگیرنده جهت پیشنهاد بهترین روش ازدیاد برداشت از مخازن نفت جدید ایجادشده است. همچنین تلاش شد که برای بهبود کارایی الگوریتم iblr-ml، بخش دوم آن با الگوریتم ivm جایگزین گردد. نتایج حاصل از ارزیابی نشان می دهد که این الگوریتم نسبت به تمام الگوریتم هایی که در رده پایین تری از iblr-ml قرار گرفته اند کارایی بهتری دارد.

شبکه های ویژه سیار بدون هیچ زیرساختار ثابتی در هر محیطی که احتیاج باشد، بر پا می شوند. در سال های اخیر با پیشرفت تکنولوژی بی سیم، این شبکه ها بطور گسترده ای به کار گرفته شده اند. در این شبکه ها گره ها به صورت موقت شکل می گیرند و می توانند آزادانه حرکت کنند و هر گره علاوه بر میزبان نقش مسیریاب را هم بازی می کند. شبکه های ویژه سیار ویژگی ها و مزایایی نظیر بی سیم بودن رسانه انتقال، مسیریابی چند گامی، هزینه کم استقرار شبکه، پیکربندی پویا و غیره دارند. در این شبکه ها به دلیل فقدان زیرساخت ثابت، نبودن مدیریت مرکزی و امنیت فیزیکی ضعیف گره ها، فرآیند کشف و نگهداری مسیر در معرض انواع مختلفی از حمله ها قرار دارد. همچنین به دلیل محدود بودن انرژی گره ها، روش مسیریابی پیشنهادی در این شبکه ها باید از انرژی موجود به بهترین نحو ممکن استفاده کند. از این رو الگوریتم های مسیریابی الهام گرفته از طبیعت مانند الگوریتم زنبورعسل برای بهبود مصرف انرژی پا به عرصه ظهور گذاشتند. اما الگوریتم زنبور عسل در برابر حملات مختلف مسیریابی، آسیب پذیر می باشد. در این پایان نامه با استفاده از روش هایی مبتنی بر نظریه مجموعه های فازی و امضای دیجیتال، الگوریتمی برای بهبود امنیت الگوریتم beeadhoc که از اصول جستجوی زنبور عسل در طبیعت الهام گرفته شده است، ارائه نموده ایم. سرانجام الگوریتم پیشنهادی (fbeeadhoc) را با استفاده از نرم افزار متلب شبیه سازی کرده و با روش های دیگر مقایسه نمودیم که نتایج به دست آمده نشان می دهد این الگوریتم توانایی مقابله با حملات مطرح شده را دارد.

امروزه با تولید حجم وسیعی از داده های خام، بی شک کشف الگوهای پنهان و سودمند داده ها کاری بسیار ارزشمند خواهد بود. برای استخراج این الگوهای پنهان نیاز به مشخص کردن تعداد رخدادهای همزمان اقلام داده ای با یکدیگر است.دو نوع الگوریتم تولید کلید کاندید و رشد الگو برای نیل به این هدف ارائه شده اند. مشکل الگوریتمهای روش اول هزینه بالای تولید کاندیدها و پویش های متعدد تراکنش هاست. کارایی الگوریتمهای نوع دوم بدلیل عدم تولید کلید کاندید در پایگاه های داده ای بزرگ، نسبت به روش اول بسیار محسوس است. درروش پیشنهادی ارائه شده در این تحقیق از ساختار داده آرایه برای نگهداری الگوی متناوب استفاده شده است که علاوه بر فشرده سازی و صرفه جویی در حافظه، باعث تسریع فرایند کاوش نیز می شود. همچنین در روش پیشنهادی برای پیمایش شاخه های درخت از ماتریس دوبعدی استفاده شده است که باعث بهبود در سرعت اجرای الگوریتم، در پایگاه های داده ای با تراکنش های متوسط تا بزرگ شده است.این پایان نامه در شش فصل بشرح ذیل تدوین شده است. در فصل دوم مفهوم داده کاوی و کشف دانش در پایگاه داده ها مورد بررسی قرار گرفته است. فصل سوم که با عنوان بررسی روش های کاوش مجموعه قلم داده های متناوب است، روش های یافتن مجموعه قلم داده های متناوب به طور مختصر مورد بررسی قرارگرفته اند. از میان آن ها سه روش با جزئیات بیشتری مورد بررسی قرارگرفته اند؛ چرا که روش پیشنهادی ما بر اساس اصول کلی این سه روش شکل گرفته است. در فصل چهارم که عنوان آن. روش پیشنهادی است جزئیات روش پیشنهادی بیان شده است و مراحل این روش کاملا مورد بررسی قرار گرفته است. در فصل پنجم که عنوان آن نتایج تجربی است ابتدا مشخصات پایگاه های تراکنش مورد استفاده در آزمایشات تجربی مورد بررسی قرارگرفته است و در ادامه جزئیات آزمایشات انجام شده و نتایج اجرای الگوریتم پیشنهادی بر روی هر یک از پایگاه های تراکنش به صورت نمودارهایی مورد ارزیابی قرارگرفته است. در فصل ششم که عنوان آن نتیجه گیری و کارهای آینده است به دستاوردهای پروژه و زمینه های کاری آینده آن اشاره می شود.

پیدا کردن زیر مجموعه ای از ویژگی ها از یک مجموعه داده بزرگ، مسئله ای است که در بسیاری از زمینه های مطالعاتی پیش می آید. از آنجایی که افزایش تعداد ویژگی ها هزینه محاسباتی یک سیستم را افزایش می دهد، طراحی و پیاده سازی سیستم ها با کمترین تعداد ویژگی ضروری به نظر می رسد. از طرف دیگر توجه به این موضوع بسیار مهم است که، باید زیر مجموعه موثری از ویژگی ها انتخاب شود که کارآیی قابل قبولی برای سیستم ایجاد کند. برای تشخیص اینکه کدام زیر مجموعه ویژگی موثرتر است، یک راه حل بررسی تمام زیر مجموعه های ممکن است که بررسی همه زیر مجموعه ها جزء مسائل سخت و دارای پیچیدگی محاسباتی بالاست. این موضوع ما را به سمتی هدایت می کند که از الگوریتم های فرا ابتکاری، برای پیدا کردن زیرمجموعه ای بهینه از ویژگی ها استفاده کنیم. الگوریتم های فرا ابتکاری دارای پارامترهایی است که بر کارایی آن اثر می گذارند؛ و معمولاً برای تنظیم این پارامترها از فرآیند های تصادفی استفاده می شود. با توجه به خصوصیت سیستم های آشوبناک که ظاهراً تصادفی و غیر قابل پیش بینی هستند، با اینحال ساختار قطعی دارند، می توانند جایگزین مطلوبی به جای فرآیند های تصادفی در این الگوریتم ها باشند. در این پایان نامه از رویکرد فرا ابتکاری جهت پیدا کردن ویژگی های موثر برای طبقه بندی استفاده شده است. در روش پیشنهادی، از الگوریتم بهینه سازی ازدحام ذرات باینری و نظریه آشوب استفاده شده است. نتایج حاصل از اعمال الگوریتم پیشنهادی بر روی مجموعه داده های گرفته شده از uci نشان می دهد که الگوریتم پیشنهادی در مقایسه با دیگر روش های فراابتکاری مطرح موجود برای انتخاب زیر مجموعه ویژگی، از عملکرد خوبی برخوردار است.

در سال های اخیر با پیشرفت تکنولوژی بی سیم، شبکه های ویژه سیار به طور گسترده ای به کار گرفته شده اند. این شبکه ها بدون هیچ زیرساختار ثابتی در هر محیطی که نیاز باشد تشکیل می شوند. شبکه های ویژه سیار ویژگی ها و مزایایی نظیر بی سیم بودن رسانه انتقال، مسیریابی چندگامی، هزینه کم استقرار شبکه، پیکربندی پویا و ... دارند. در این شبکه ها گره ها به صورت موقت شکل می گیرند، می توانند آزادانه حرکت کنند و هر گره دارای انرژی محدود است که توسط باتری تأمین می شود. به دلیل محدودیت انرژی، یکسری گره های بدرفتار در ساختار شبکه وجود دارند که می خواهند انرژی خود را حفظ کنند. امنیت یکی از مسائل بسیار مهم و چالش برانگیز در مبحث شبکه است. بنابراین اکثر محققان به دنبال ارائه ی روشی برای شناسایی گره های بدرفتار هستند تا امنیت شبکه را حفظ کنند. وجود این گره ها و عملکرد بد آنها، امنیت شبکه را به خطر می اندازد . یک دسته از گره های بدرفتار، گره های خودخواه می باشند. در این پایان نامه برای شناسایی گره های خودخواه از روش های در نظر گرفتن ارزش درستی برای هر گره و نظریه مجموعه های فازی کمک گرفته ایم. سرانجام پروتکل پیشنهادی (fsdaodv)را با استفاده از نرم افزار متلب شبیه سازی کرده و با روش های دیگر مقایسه نمودیم که نتایج بدست آمده نشان می دهد این پروتکل در مقایسه با کارهای موجود دیگر از عملکرد خوبی برخوردار است.

زمانبندی عبارت است از تخصیص منابع محدود به فعالیت ها در طول زمان، جهت بهینه سازی یک یا چند تابع هدف .مسئله زمانبندی کار، جزء مهمترین مسائل زمانبندی می باشد که جزء مسائل سخت قرارمیگیرد. بنابراین یافتن الگوریتمی کارآمد برای پیداکردن جواب های مناسب برای این مسئله بسیار ضروری است. الگوریتم های قدیمی به دلیل ماهیت قطعی و سریالی خود، قادر به مدیریت فضای کاملا غیر خطی مسئله زمانبندی کار نبوده و در صورت گرفتار شدن در بهینه های محلی، هیچ راهکاری برای رهایی از آن ندارند. بنابراین استفاده از روش های ابتکاری مبتنی بر الگوریتم های تکاملی و به ویژه الگوریتم ژنتیک می تواند بسیار سودمند باشد. برای این که الگوریتم ژنتیک بتواند یک جواب مناسب در اختیار ما قرار دهد، باید شانس تولید بخش های بزرگی از فضای جواب در جمعیت خود را داشته باشد، بنابراین برای مسئله بسیارسختی مانند زمانبندی کار، این جمعیت باید تا جایی که ممکن است بزرگ باشد. ولی بزرگ بودن جمعیت به معنی هزینه زمانی بزرگتر است زیرا کامپیوترهای معمولی به دلیل ساختار منابع خود، الگوریتم ژنتیک را به شکلی سریال اجرا می کنند و در نتیجه نمی توانند جمعیت های بزرگ را کنترل کنند. برای حل این مشکل نیز باید بتوان از سخت افزار بزرگتری که قابلیت مدیریت داده های بزرگ را داشته باشد، استفاده کرد. در این پایان نامه، ما روشی را بر اساس چارچوب نگاشت-کاهش از محاسبات ابری، معرفی کردیم تا بتوان الگوریتم ژنتیک با جمعیت های بسیار بزرگ را برای حل مسئله زمانبندی کار تولیدکرده و بر مشکل منابع محدود کامپیوترهای معمولی غلبه کنیم

ما به کمک روشهای تشخیص الگو در تصاویر رادیوگرافی حاصل از اشعه ایکس به تشخیص عیوب جوشکاری لولههای انتقال میپردازیم. در این تحقیق یک سیستم تشخیص الگو متشکل از قسمتهای پردازش تصویر، استخراج ویژگی و قسمت هوشمند شبکه عصبی آشوبگونه جهت تفسیر خودکار عیوب جوش، ارائهشده است. الگوریتم پیشنهادی، با گرفتن تصاویر رادیوگرافی دیجیتال که میتوانند توسط دوربینهای دیجیتال یا اسکنرها فراهم شوند آغاز به کار میکند. در طی ضبط، ممکن است تأثیرات منفی محیطی بر کیفیت تصاویر وارد شود و عکسها دچار نویز گردند. حذف این تأثیرات منفی بر عهده قسمت بهبود تصویر است که وظیفه دارد کیفیت تصویر را به حد مطلوبی رسانده و آن را آماده مرحله بعد نماید. پسازآن در مرحله قطعهبندی، قسمت لوله از قسمت پسزمینه جدا میگردد. سپس ویژگیهای مربوط به جوش استخراج میشود و نهایتاً این ویژگیها به شبکه عصبی آشوبگونه داده میشود تا این شبکه بتواند سالم یا ناقص بودن جوش را اعلام نماید. درنهایت نتایج روش پیشنهادی ما با روشی که مراحلی یکسان در پیشپردازش و قطعهبندی دارد اما در قسمت تشخیص از شبکه عصبی مصنوعی استفاده میکند ازلحاظ نرخ دقت و سرعت مقایسه میگردد.

با توجه به رشد روزافزون روش های ترکیبی ، ساختارها و الگوریتم های متفاوتی ارائه شده اند که تفاوت آن ها به نوع خروجی، وابستگی بین طبقه بندها، استراتژی تلفیق و ساختار سیستم مرکب برمی گردد و با توجه به نیازمندی های مساله مشخص می شود.اختلاط خبره ها یکی از روش های بسیار پرکاربرد و جامع شورای طبقه بندها می باشد که قابلیت زیادی برای افزایش کارایی در بین روش های یادگیری ماشینی دارد. به علت پیچیدگی های موجود به جای شبکه های خطی از شبکه های عصبی چندلایه برای خبره ها و شبکه میانجی استفاده نموده و الگوریتم یادگیری را با افزودن پارامتر گشتاور اصلاح نموده ایم. اما پیچیدگی های مساله ورودی و پارامترهای اولیه استفاده شده باعث می شود سیستم به خوبی نتواند تقسیم فضای ورودی را انجام دهد. دو روش پیشنهادی با استفاده از دانش پیشین برای شکستن فضای ورودی ارایه شده است.

در این پایاننامه سعی شده است تا پروتکل مسیریابی بهینه ای با استفاده از الگوریتم کلونی مورچه های بهینه شده(aco)، ارائه شود. پروتکل ارائه شده دارای ساختار سوپر پیشفعال است که علاوه بر اینکه به نسبت روشهای صرفاً پیشفعال، سربار شبکه را کاهش میدهد، بتواند تأخیر انتها به انتها را نیز کاهش دهد. نتایج مقایسه پروتکل ارائه شده با پروتکلهای aodv ، par و hopnet حاکی از توانایی خوب این روش در مسیریابی بهینه و بهبود پارامترهای سربار و تأخیر است.

تکرار داده‏ها در محیط ابر، یکی از روش‏های بهینه استفاده از منابع ، در محیط ابر است، که در این پژوهش به دلیل نیاز به منابع پردازشی بیشتر مورد تحقیق قرار گرفته است.