مدل طبقه‌بندی مقاوم، یک مدل غیر استاندارد برای یادگیری طبقه‌بند بر اساس یک مجموعه داده توأم با عدم قطعیت است. به هر مدل طبقه‌بندی که در مجموعه جواب‌های ممکن آن، جواب بی‌معنی وجود داشته باشد، مدل بی‌احتیاط گفته می‌شود. جواب بهینه یک مدل طبقه‌بندی مقاوم بی‌احتیاط به ‌ازای یک مجموعه داده آموزشی، ممکن است ابرصفحه نباشد که در این صورت امکان طبقه‌بندی داده‌ها در مرحله آزمون میسر نخواهد بود. در این مقاله مدل‌های طبقه‌بند مقاوم بی‌احتیاط معرفی و مشکلات آنها بررسی شده و سپس با تغییر تابع ضرر در طبقه‌بند مقاوم، مدل طبقه‌بندی مقاوم بااحتیاط برای ممانعت از بی‌احتیاطی معرفی می‌شود. مدل بااحتیاط پیشنهادی، استاندارد شده و راهکارهایی برای کاهش زمان آموزش و زمان آزمون آن ارائه می‌گردد. در آزمایشات از مدل طبقه‌بند مقاوم بااحتیاط پیشنهادی در مقایسه با چند مدل مقاوم بی‌احتیاط، برای طبقه‌بندی مجموعه داده‌های آموزشی ناقص و مجموعه داده‌های آموزشی قطعی کامل استفاده شد. نتایج به دست آمده نشان داد که در مجموعه داده‌های ناقص، مدل پیشنهادی زمان آموزش و زمان آزمون و نرخ خطای کمتری نسبت به مدل‌های بی‌احتیاط داشت. همچنین در مجموعه داده‌های کامل قطعی، مدل پیشنهادی زمان آموزش و زمان آزمون کمتری نسبت به مدل‌های بی‌احتیاط داشت. نتایج به دست آمده کارایی افزودن احتیاط به طبقه‌بند مقاوم را تأیید نمود.

توسعه سریع کاربردهای رایانش ابری منجر به انتشار سرویس‌های ابری زیادی در محیط ابر شده است. سرویس‌های ساده موجود در محیط ابر قادر به پاسخ‌گویی به درخواست‌های پیچیده و مختلف موجود در دنیای واقعی نخواهند بود. لذا برای ایجاد سرویس مرکب مورد نیاز می‌بایست سرویس‌های مختلف انتخاب و ترکیب شوند. ترکیب سرویس‌های ابری آگاه از کیفیت سرویس یکی از چالش‌های مهم در محاسبات سرویس‌گرا است. از آنجایی که تعداد سرویس‌های ساده ارائه‌شده خیلی زیاد است، بنابراین مسأله انتخاب و ترکیب سرویس‌ها یک مسأله Np-Hard است. در این تحقیق برای حل این مشکل الگوریتم بهینه‌سازی جغرافیای زیستی مورد استفاده قرار گرفته است. برای ارزیابی روش پیشنهادی آزمایش‌های متعددی در 5 سناریوی مختلف با تعداد وظایف و تعداد سرویس‌های مختلف در محیط Matlab انجام شده است. سرعت همگرایی روش پیشنهادی در ایجاد سرویس مرکب مورد نیاز بیشتر از سرعت همگرایی الگوریتم‌های ژنتیک و ازدحام ذرات است. همچنین کیفیت سرویس‌های مرکب ایجادشده به عنوان معیار ارزیابی دیگر مورد توجه می‌باشد. میزان گذردهی و نرخ موفقیت روش پیشنهادی به ترتیب برابر 999/0 و 998/0 می‌باشد. همچنین متوسط انحراف معیار در 30 اجرای روش پیشنهادی کمتر از 021/0 است. تمامی این مقادیر نشان‌دهنده برتری روش پیشنهادی نسبت به روش‌های مبتنی بر ژنتیک و ذرات می‌باشد.

هدف اصلی موتورهای جستجو، یافتن مرتبط‌ترین نتایج نسبت به پرس‌وجوی کاربر در سریع‌ترین زمان ممکن است. صفحات خزش‌شده توسط موتور جستجو بین سرورهای متعددی توزیع می‌شوند تا در هنگام جستجو بتوان از قدرت بازیابی و پردازش موازی آنها برای تولید سریع‌تر پاسخ استفاده نمود. با توجه به تعداد بسیار زیاد صفحات وب، موتورهای جستجو سیاست‌های مختلفی را برای توزیع مناسب اسناد بین سرورها انتخاب می‌کنند. در این مقاله، روش جدیدی برای توزیع اسناد پیشنهاد می‌شود که هدف آن ایجاد توازن بار کاری بین سرورها برای کاهش زمان پاسخ‌گویی موتور جستجو می‌باشد. ایده اصلی، استفاده از پرس‌وجوهای قبلی کاربران است بدین ترتیب که به هر کلمه از کلمات موجود در سابقه پرس‌وجو بر حسب تعداد رخداد روزانه آن، وزنی نسبت داده می‌شود. سپس هر سند با توجه به مجموع وزن کلمات داخل آن، وزن‌دهی می‌شود که این وزن ارتباط مستقیمی با احتمال انتخاب آن سند به عنوان پاسخ یک پرس‌وجو دارد. در نهایت، اسناد به نحوی بین سرورها توزیع می‌شوند که وزن اسناد داخل هر یک از سرورها برابر باشد. نتایج ارزیابی با استفاده از داده واقعی نشان می‌دهند که روش پیشنهادی قادر است توازن بار سرورها را مخصوصاً در زمان اوج ورود پرس‌وجوها بیش از 20% نسبت به روش‌های گذشته بهبود بخشد.

پردازش‌های توزیع‌شده از محاسبات محلی در هر گره و ارتباطات میان گره‌های همسایه برای حل مسایل در شبکه‌ها استفاده می‌کنند. روش انتشاری به عنوان کاراترین و قابل انعطاف‌ترین روش برای اجرای شبکه‌های توزیع‌شده است. در این مقاله، جهت بهبود عملکرد الگوریتم تصویر افاین انتشاری (DAPA)، یک الگوریتم نوین تصویر افاین انتشاری با اندازه گام متغیر (VSS-DAPA) در شبکه‌های توزیع‌شده ارائه می‌گردد. اندازه گام متغیر در هر گره به وسیله مینیمم‌کردن متوسط مربع انحراف (MSD) در آن گره به دست آمده است. در مقایسه با الگوریتم تصویر افاین انتشاری (DAPA)، الگوریتم تصویر افاین انتشاری با اندازه گام متغیر VSS-DAPA دارای سرعت همگرایی سریع‌تر و خطای حالت ماندگار کمتر است. جهت کاهش پیچیدگی محاسباتی VSS-DAPA، الگوریتم تصویر افاین انتشاری با اندازه گام متغیر با انتخاب دنباله ورودی (VSS-SR-DAPA)، الگوریتم تصویر افاین انتشاری با اندازه گام متغیر با انتخاب پویای دنباله ورودی (VSS-DS-DAPA) و الگوریتم تصویر افاین انتشاری با اندازه گام متغیر با اصلاح جزئی ضرایب (VSS-SPU-DAPA) پیشنهاد شده‌اند. نتایج شبیه‌سازی، عملکرد مطلوب الگوریتم‌های پیشنهادی از نظر سرعت همگرایی و خطای حالت ماندگار را نشان می‌دهد.

خوشه‌بندی شبکه‌های حسگر بی‌سیم، یکی از روش‌های پر‌کاربرد برای سازماندهی این شبکه‌ها می‌باشد. شیوه‌های مختلفی برای خوشه‌بندی این شبکه‌ها ارائه شده که هدف اکثر آنها، جلوگیری از اتلاف انرژی و افزایش طول عمر گره‌های حسگر می‌باشد. در این مقاله تلاش بر این بوده است تا یک روش جدید هندسی برای خوشه‌بندی گره‌های شبکه‌های حسگر بی‌سیم ارائه شود. در این روش هندسی، از دایره آپولونیوس برای رسم حالت انتزاعی خوشه‌ها و جمع‌کردن گره‌ها حول سرخوشه بهره گرفته شده است. این دایره به دلیل دقت بالایی که در تعیین تناسب فواصل گره‌ها دارد، با دقت خوبی می‌تواند گره‌های مربوط را به سرخوشه‌ها اختصاص داده و از ایجاد خوشه‌های تک‌گرهی یا گره‌های پرت جلوگیری کند. در این الگوریتم از یک ایستگاه اصلی،‌ تعدادی گره به عنوان سرخوشه و تعدادی گره به عنوان مسیریاب استفاده می‌شود. هدف یافتن دقیق‌ترین سرخوشه‌ها و ایجاد خوشه‌هایی با وسعت پوششی بالا در شبکه می‌باشد. روش پیشنهادی از نظر پوشش‌دهی مؤثر شبکه، تعداد گره‌های زنده، انرژی باقیمانده شبکه و تعداد گام‌های پیموده‌شده، در مقایسه با الگوریتم‌های O_Leach و K-Means که در این زمینه ارائه شده‌اند نتیجه بهتری را نشان می‌دهد.

اینترنت اشیا مفهوم جدیدی در عرصه انتقال اطلاعات، نظارت و کنترل از راه دور اشیا، موجودات و تجهیزات است که توانسته به راحتی خود را با صنایع و زیرساخت‌های مختلف سازگار سازد. انتقال اطلاعات با توجه به محیط ناهمگون اینترنت اشیا، امری چالش‌برانگیز بوده و استفاده از روش‌های مسیریابی با در نظر گرفتن محدودیت‌های پردازش، محاسبه، ذخیره‌سازی و ارتباط امری ضروری شناخته شده است. تا کنون الگوریتم‌های متنوعی با کاربردهای خاص در حوزه اینترنت اشیا و شبکه‌های حسگر بی‌سیم معرفی شده‌اند که هر یک به نحوی در رسیدن به اهداف مسیریابی موفق بوده‌اند. برخی از پروتکل‌های مطرح در این زمینه از ساختار درختی جهت جمع‌آوری اطلاعات شبکه استفاده کرده‌اند. این روش‌ها در انتخاب والد یا فرزندان گراف دچار چالش‌های مهمی وابسته به نوع کاربرد هستند. در این مقاله ابتدا یک دسته‌بندی کلی از مزایا و معایب این روش‌ها در حوزه مسیریابی اینترنت اشیا ارائه شده و سپس یک روش مسیریابی آگاه از کیفیت خدمات در مسیریابی مبتنی بر سیستم فازی پیشنهاد شده است. نتایج شبیه‌سازی و ارزیابی حاکی از آن است که روش پیشنهادی ما در آزمون‌های بهره‌وری انرژی، نرخ تأخیر و نرخ تحویل بسته نسبت به روش پایه به ترتیب 19%، 5/49% و 10% بهبود داشته است.

امروزه به دلیل افزایش داده‌های مهم موجود در جهان به ذخیره‌سازهایی با تراکم ذخیره‌سازی بیشتر نیاز است و از این جهت استفاده از حافظه‌های مولکولی زیستی در پژوهش‌های اخیر مورد توجه قرار گرفته ‌است. DNA به عنوان یک ذخیره‌ساز مولکولی می‌تواند حجم زیادی از داده را در فضای محدود و با ماندگاری بالا ذخیره کند. انتخاب یک نگاشت مناسب از داده دیجیتال به الفبای DNA اهمیت زیادی دارد. در این مقاله، یک روش جدید برای نگاشت داده دیجیتال به الفبای DNA با هدف سادگی کدگذاری و کدگشایی، حذف خطای کدگشایی، ذخیره‌سازی داده‌های دیجیتال و علامت- رقم با فشردگی مناسب و سرعت کدگذاری بالا برای داده‌های کلان پیشنهاد شده است. بررسی‌های انجام‌گرفته نشان می‌دهد که روش پیشنهادی در مقایسه با روش‌هایی پیشین می‌تواند بازیابی اطلاعات از DNA را در مدت طولانی تضمین نماید. همچنین به دلیل دستاوردهای حاصل‌شده نسبت به روش‌های پیشین از فشردگی کمتری برای ذخیره داده‌های دیجیتال بهره می‌گیرد.

روش‌هایی که امروزه برای بررسی ارتباطات مغز به منظور تشخیص بیماری‌های مرتبط با عملکرد مغز استفاده می‌شود، روش تصويرنگاري عملكردي تشديد مغناطيسي در حالت استراحت می‌باشد. در این مقاله، یک روش جدید با استفاده از الگوریتم تکاملی با طول متغیر برای انتخاب ویژگی‌های مناسب جهت بهبود دقت تشخيص افراد سالم و بيمار به اختلال كم‌توجهي- بيش‌فعالي از يكديگر مبتني ‌بر تحليل تصاوير rs-fMRI ارائه شده است. ویژگی‌های مورد بررسی مقادیر همبستگی میان سیگنال‌های سری زمانی مناطق مختلف مغز می‌باشند. انتخاب ویژگی با طول متغیر بر اساس الگوریتم زنبور عسل جهت غلبه بر مشکل انتخاب ویژگی در الگوریتم‌های با طول بردار ویژگی ثابت صورت گرفت. فاصله ماهالانوبیس به عنوان تابع ارزیابی الگوریتم رنبور عسل استفاده شده است. کارایی الگوریتم از لحاظ مقدار تابع ارزیابی در درجه اول و زمان پردازش در درجه دوم مورد بررسی قرار گرفته شد. نتایج به‌دست‌آمده از کارایی به مراتب بالاتر الگوریتم زنبور عسل با طول متغیر نسبت به سایر روش‌های انتخاب ویژگی حکایت دارد. در حالی که بهترین نتیجه صحت طبقه‌بندی کلی در میان سایر روش‌ها با 26 ویژگی منتخب از الگوریتم اجتماع ذرات، 61/76% می‌باشد، روش پیشنهادی توانسته به مقدار صحت طبقه‌بندی کلی 32/85% با انتخاب 25 ویژگی دست یابد. طبیعت داده به صورتی است که افزایش تعداد ویژگی‌ها منجر به بهبود بیشتر صحت طبقه‌بندی می‌شود به گونه‌ای که با افزایش طول بردار ویژگی به 35 و 45 صحت طبقه‌بندی به‌ترتیب به 66/91% و 57/95% رسیده است.