روش‌های موجود در زمینه مدیریت دست به دست شدن سیگنال در شبکه‌های مخابرات سلولی نمی‌توانند به طور هم‌زمان تعداد رخدادهای غیر ضروری و تأخیر تصمیم را در سطح پایینی نگه دارند. هدف اصلی این مقاله ارائه روش هوشمندی است تا علاوه بر این که به درخواست‌های ضروری اجازه رخ‌دادن می‌دهد، تعداد رخدادهای غیر ضروری آن را نیز کمینه کند و به این ترتیب موجب بهبود کارایی کلی شبکه شود. به منظور دست‌یابی به چنین هدفی، در روش پیشنهادی از دانش جغرافیایی برگرفته از نقشه‌های ساختمان توأم با روش خوشه‌بندی طیفی در نواحی تحت پوشش فمتوسل استفاده می‌شود. بدین سبب نیاز به توسعه خوشه‌بندی طیفی مبتنی بر اطلاعات جغرافیایی است. نتایج به دست آمده از روش پیشنهادی روی داده‌ها و شبیه‌سازی‌های انجام‌گرفته، بیانگر این است که این روش نسبت به سایر روش‌ها با افزایش احتمال تخصیص کاربر به سلول مناسب، به شکل قابل قبولی قادر به مدیریت پدیده دست به دست شدگی در لایه ناهمگن فمتوسل- ماکروسل است.

یکی از چالش‌های اساسی در تولید سیستم‌های نرم‌افزاری، به روز رسانی نیازمندی‌ها در مرحله تولید و اجرا است که می‌تواند ناشی از عدم اطمینان از فهم و خواسته ذی‌نفعان باشد. عدم اطمینان در نیازمندی،‌ لزوم تولید یک معماری انعطاف‌پذیر و قابل انطباق جهت مدیریت‌کردن ریسک سیستم در مرحله اجرا را ایجاد می‌کند. مدل‌کردن عدم اطمینان در فرایند تولید نرم‌افزار و انطباق معماری نرم‌افزار با تغییر نیازمندی‌ها در زمان اجرا به صورت خودکار از جمله راه حل‌هایی هستند که در این زمینه مطرح می‌شوند. جهت پیاده‌سازی و اجرایی‌نمودن سنجش و رفع عدم اطمینان نیازمندی در مراحل تولید و اجرا از طریق مدل‌سازی و خودکارسازی آن، نیازمند کمی و محاسباتی‌نمودن نیازمندی هستیم. این مقاله ضمن تبیین منابع عدم اطمینان، به کمی‌کردن نیازمندی‌‌ها و ویژگی‌های توصیفی و کیفی می‌پردازد. به این ترتیب، تصمیم‌گیری در هر مرحله از فرایند تولید نرم‌افزار، مبتنی بر محاسبات عددی می‌باشد که راهی برای خودکارسازی تولید نرم‌افزار است.

طبقه‌بند یکی از سه بلوک تشکیل‌دهنده یک نهان‌کاو ویدئو است که برای آموزش نیازمند برچسب می‌باشد. در نهان‌کاوی کور به دلیل عدم دسترسی به الگوریتم‌های نهان‌نگاری تهیه برچسب مشکل است. در این مقاله از طبقه‌بند خودسازمانده پویای شبه‌ناظر برای رسیدن به حداقل برچسب استفاده شده و بدین منظور مفهومی به نام افزونگی هندسی گره‌های لایه زیرین شبکه خودسازمانده پویای شبه‌ناظر به کار گرفته شده است. نشان داده شده که این افزونگی منجر به ایجاد الگوهای تکراری برای شبکه خواهد شد، پس حذف چنین گره‌هایی بلامانع است. اثبات شده به دلیل وجود تناظر یک به یک بین گره‌ها و برچسب‌ها کاهش گره‌ها منجر به کاهش تعداد برچسب لازم می‌شود. نکته اساسی این که لازمه وجود افزونگی هندسی در میان تعدادی گره که مفهومی انتزاعی است، تشکیل دسته توسط آنهاست و بنابراین مبنای الگوریتم پیشنهادی شناسایی دسته‌ها و ادغام اعضای آنهاست. طبقه‌بند به دست آمده بر این مبنا طبقه‌بند خودسازمانده هندسی نام نهاده شده و اثبات می‌شود که این طبقه‌بند می‌تواند به مقدار بهینه حداقل برچسب دست یابد. نتایج شبیه‌سازی نشان‌دهنده برتری چشم‌گیر طبقه‌بند نسبت به الگوریتم‌های پیشین است.

شبکه حسگر بي‌سيم زير آب (UWSN) نوعي خاص از شبکه‌هاي حسگر مي‌باشد که در دهه‌هاي گذشته، حوزه عملياتي آن‌ به نقاط زير آبي نيز توسعه يافته است اما اين نوع از شبکه‌ها به دليل عدم حضور GPS (سيستم مکان‌يابي سراسري) چالش‌هاي بسياري دارند. اين شبکه‌ها با محدوديت‌هايي از قبيل تأخير انتشار زياد، پهناي باند کم، نرخ خطاي بيتي بالا، جابه‌جايي، حافظه و باتري محدود، محققان را با چالش‌هاي فراواني روبه‌رو ساخته‌اند. در مقايسه با شبکه‌هاي حسگر زميني، حسگرها در شبکه‌هاي بي‌سيم زير آب به سبب استفاده از تکنولوژي صوتي در ارتباطات، انرژي بيشتري مصرف مي‌کنند. انگيزه اين پژوهش پيشنهاد يک الگوريتم مسيريابي براي محيط‌هاي سيستمي زير آبي با انرژي محدود مي‌باشد. گره‌هاي حسگر واقع‌شده در بستر دريا نمي‌توانند به طور مستقيم با گره‌هاي نزديک سطح ارتباط برقرار کنند، بنابراين نيازمند ارتباطات چندگامي مهياشده با طرح مسيريابي مناسب مي‌باشند. در شبکه‌هاي حسگر بي‌سيم، خوشه‌بندي گره روشي رايج براي سازماندهي ترافيک داده و کاهش ارتباطات درون شبکه‌اي همراه با بهبود قابليت مقياس‌پذيري و بهبود توازن بار به همراه کمينه‌کردن مصرف انرژي کلي سيستم مي‌باشد. بنابراين در اين مقاله يک پروتکل مسيريابي خوشه‌بندي فازي همراه با تکنيک تجميع داده با مصرف انرژي متعادل براي UWSNها پيشنهاد مي‌شود. نتايج شبيه‌سازي نشان مي‌دهد که در پروتکل پيشنهادي توزيع مصرف انرژي در شبکه به طور يکنواخت بوده، از متوسط مصرف انرژي و تعداد بسته‌هاي مسيريابي کاسته شده و در نهايت باعث بهبود در نرخ تحويل بسته و گذردهی نسبت به الگوريتم‌های DABC و IDACB شده است.

کاربران نوجوان هنگام جستجوی موضوع‌های مورد نظرشان، دایره لغات محدودی را در فرمول‌بندی پرس‌وجو به کار می‌برند. مسئله مهم دیگر آن است که کاربران نوجوان غالباً بر روی اقلام اولیه ارائه‌شده در لیست نتایج جستجو کلیک می‌کنند. در این پژوهش برای ترمیم و جبران این ویژگی‌ها، پیشنهاد می‌شود که الگوی موضوعی از روی رفتار کاربر نوجوان بر اساس جستجوهای قبلی کشف شوند و با تکیه بر الگوهای یافت‌شده، پرس‌وجوی مناسب استخراج و به کاربر نوجوان پیشنهاد گردد. در روش پیشنهادی، الگوهای موضوعی بر اساس ویژگی محبوبیت كلیك‌ها و مرتبط‌ترین موضوع‌ها از روی لاگ‌های جستجو که عموماً حجیم هستند استخراج می‌گردند. در ادامه با استفاده از كلاسه‌بندی دودویی، نزدیک‌ترین پرس‌وجو به پرس‌وجوی مورد نظر كاربر نوجوان مشخص می‌شود. در نتیجه با فیلترنمودن نویز ناوبری موضوعی بر اساس استخراج الگوهای موضوعی کلیک‌های کاربران نوجوان یک مدل کاربر با دقت‌ بالاتری برای پیشنهاد پرس‌وجو حاصل می‌گردد. روش پیشنهادی با استفاده از ابزارهای Alteryx و weka پیاده‌سازی و عملکرد آن بر روی لاگ جستجوی AOL که شامل حدود 20 ميليون نمونه تراکنش جستجو مربوط به 650 هزار کاربر می‌باشد ارزیابی گردید. نتایج آزمایش‌ها نشان می‌دهند که پرس‌وجوهای ارائه‌شده توسط سیستم پیشنهادی به پرس‌وجوی مورد نظر کاربر نوجوان نزدیک‌تر است و به تبع آن موجب بهبود دستیابی به نتایج مرتبط می‌گردد.

سیستم‌های پیشنهاددهنده شخصی‌سازی شده، در کنار موتورهای جستجو، راهکاری برای غلبه بر مشکل گرانباری اطلاعات هستند به گونه‌ای که در آنها سعی می‏شود با استفاده از تکنیک‏های هوشمند و تعاملات کاربران در وب، محیطی شخصی‏سازی شده جهت تولید پیشنهادات مناسب فراهم آید. یکی از زمینه‏های کاربردی برای این سیستم‏ها، محدوده یادگیری تطبیقی است. یک زیرسیستم پیشنهاددهنده، ماژول مهمی از سیستم‌های تطبیقی آموزشی است که وظیفه ارائه اشیای آموزشی مناسب به کاربر خود را دارد. کاربران گوسفند خاکستری، یکی از چالش‌های مطرح‌شده در این دسته از سیستم‌ها هستند. این کاربران تشابه کمی با دیگر فراگیران دارند لذا پیشنهادات ارائه‌شده برای دیگران و یا بر اساس عادات قبلی آنها، لزوماً مناسب این نوع از کاربران نیست. برای حل این چالش، راهکار مطرح‌شده در این مقاله، استخراج فراداده صفحات آموزشی وب و تطابق آنها با خصوصیت سبک یادگیری کاربر در قالب یک فرمول رتبه‌بندی، جهت ارائه مناسب‌ترین پیشنهاد منبع آموزشی برای یک فراگیر است. تعیین سبک یادگیری کاربر، بر اساس مدل فلدر- سیلورمن انجام می‌گیرد. سپس بر طبق میزان آن، صفحات مناسب برای آموزش و یادگیری بر حسب پارامترهای صریح و پنهان تعریف‌شده در آن صفحات، استخراج و پیشنهاد می‌گردند. پاسخ سیستم به پرس و جوی کاربر در قالب خروجی ایده مطرح‌شده، به وی نمایش داده می‌شود. همچنین کاربر می‌تواند جواب پیشنهادات برای سؤال خود را با خروجی الگوریتم لوسین که در اکثر موتورهای جستجو مورد استفاده است، برای مقایسه میزان مناسب‌بودن آنها مشاهده نماید. کاربر میزان مفیدبودن پیشنهادات مطرح‌شده را به سیستم بازخورد می‌دهد. این بازخورد برای الگوریتم اتوماتای یادگیر تعریف‌شده برای تولید نتایج و پیشنهادات بعدی، مورد استفاده قرار می‌گیرد. نمونه‌ای از سیستم پیاده‌سازی شده، در محیط آموزشی دانشگاهی، مورد ارزیابی دانشجویان قرار گرفته که نتایج بازخورد کاربران نشان از بهبود عملکرد سیستم نسبت به الگوریتم‌های متعارف جستجوی عمومی دارد. این سیستم را می‌توان به صورت یادگیری رسمی و غیر رسمی بر پایه منبع در محیط وب، مورد استفاده قرار داد.

مسایل مربوط به مراکز داده به عنوان زیرساخت ارائه سرویس‌های فناوری اطلاعات همواره حایز اهمیت بوده است. از سوی دیگر در سال‌های اخیر، بنا به دلایل متعددی از جمله تفاوت هزینه انرژی در نقاط مختلف، امنیت بالاتر و تأمین کیفیت سرویس، مراکز داده توزیع‌شده جغرافیایی مورد توجه قرار گرفته است که در آن مرکز داده متشکل از چندین خوشه در نقاط مختلف است. مسأله اصلی در این نوع مراکز داده، توزیع کارای بار ترافیکی بین خوشه‌ها است. با وجود این که روش‌های متعددی برای این منظور پیشنهاد شده است ولی به دلیل متمرکزبودن توزیع‌کننده، سرعت پایین واکنش به تغییرات بار ترافیکی و یا محدودبودن به یک تکنولوژی خاص، راه حل کارا،‌ عملی و جامع این مسأله به شمار نمی‌روند. در این مقاله معماری جدیدی پیشنهاد شده که در آن برای توزیع بار ترافیکی، مفهوم مسیریابی anycast با تنظیمات مناسب BGP و در نظر گرفتن ملاحظات عملی پیاده‌سازی می‌شود. نتایج شبیه‌سازی بهبود قابل توجه این روش نسبت به روش‌های موجود را نشان می‌دهد.

در این مقاله یک الگوریتم ضد برخورد جدید مبتنی بر استاندارد 2G1C - EPC برای حل مشکل گرسنگی برچسب‌ها در سامانه‌های شناسایی بسامد رادیویی ارائه می‌شود. عدم شناسایی قطعی برچسب‌ها در اسلات برخورد منجر به بروز مشکل گرسنگی برچسب می‌شود. در این مقاله برای حل این مشکل از موقعیت اولین بیت متفاوت- مقدار در عدد تصادفی 16بیتی 16 (یا 16RN) برچسب‌ها استفاده می‌شود. در واقع، قرائت‌گر در مواجهه با اسلات برخورد، موقعیت اولین بیت متفاوت- مقدار در 16 RN برچسب‌ها را به دست آورده و از آن برای شناسایی قطعی برچسب‌ها استفاده می‌کند. برخلاف الگوریتم‌های ضد برخورد اخیر که در آنها فرض شده است اطلاعات توسط برچسب‌ها یا به صورت هم‌زمان و یا به صورت غیر هم‌زمان ارسال می‌شود، در الگوریتم پیشنهادی برای به دست آوردن موقعیت اولین بیت متفاوت- مقدار فرضی مبنی بر ارسال هم‌زمان یا غیر هم‌زمان اطلاعات توسط برچسب‌ها در نظر گرفته نشده است. بر اساس شبیه‌سازی انجام‌شده، میانگین زمان شناسایی برای 200 تا 2000 برچسب در الگوریتم ضد برخورد پیشنهادی نسبت به میانگین زمان شناسایی در الگوریتم‌های ضد برخورد 2G1C - EPC، BIS و 2ERN به ترتیب 92/0، 71/0 و 42/0 ثانیه کمتر است.