افزایش حجم پایگاه داده‌ها، مسئله کاهش ویژگی را ایجاد و پراهمیت می‌سازد. از این رو در علم داده‌کاوی، یکی از زیربخش‌های مهم، مسئله کاهش ابعاد (انتخاب ویژگی) می‌باشد که در آن زیرمجموعه‌ای از ویژگی‌هایی که بیشترین تأثیر را بر روی الگوهای پنهان داده اصلی دارند انتخاب می‌شوند. در سال‌های اخیر، تئوری مجموعه راف به عنوان یکی از ابزارهای موثر و کارآمد در کاهش ویژگی مورد توجه محققان قرار گرفته است. در این مقاله الگوریتم رقابت لیگ فوتبال برای اولین بار به منظور حل این مسئله مورد استفاده قرار گرفته شده است. توانایی فرار از بهین‌های موضعی، امکان بهره‌گیری از اطلاعات بازیکنان توزیع‌شده در فضای جستجو، همگرایی سریع به جواب‌های بهین و پارامترهای کم این الگوریتم، انگیزه این انتخاب بود. علاوه بر این نوآوری، ارائه تغییراتی همچون بهره‌گیری از مجموع توان بازیکنان ثابت و ذخیره در محاسبه توان هر تیم، در نظر گرفتن ترکیب ساختارهای پیوسته و گسسته برای هر بازیکن، ارائه یک مکانیزم ابتکاری گسسته‌سازی جدید، ارائه تحلیل هیدرولیک متناسب با مسئله تحقیق برای فرایند برازش هر بازیکن، ارائه اصلاح در عملگرهای تقلید و تهییج بر اساس چالش‌های نسخه اصلی را می‌توان به عنوان ایده‌های پیشنهادی به منظور اصلاح و سازگاری این الگوریتم برای مسئله کاهش ویژگی برشمرد. ایده‌های پیشنهادشده بر روی سه سطح داده در ابعاد کوچک، متوسط و بزرگ به همراه چهار الگوریتم فراابتکاری مشهور ژنتیک و بهینه‌سازی ازدحام ذارت، سیستم ایمنی مصنوعی و لیگ قهرمانان پیاده‌سازی گردیده و مقایسه نتایج به دست آمده نشان از مزیت‌های رقابتی قابل توجه الگوریتم رقابت لیگ فوتبال با سایر الگوریتم‌ها دارد.

دسته‌بندی بسته‌ها نقش بسزایی در بهبود عملکرد تجهیزات شبکه‌ای از جمله مسیریاب‌ها، دیواره‌های آتش و سیستم‌های تشخیص نفوذ ایفا می‌کند. الگوریتم‌های دسته‌بندی بسته عموماً مبتنی بر ساختار داده‌ای ایستا هستند که الگوی رفتاری ترافیک ورودی را در بهینه‌سازی ساختار جستجو در نظر نمی‌گیرند. در این پژوهش، ویژگی‌های آماری ترافیک ورودی در نظر گرفته شده و از ساختمان داده‌های کمکی ترافیک‌آگاه در کنار ساختارهای اصلی استفاده شده است. از آنجا که حجم غالب ترافیک اینترنت، مربوط به جریان‌های بلندمدت است، برای مدت‌زمانی نه چندان کوتاه، اکثر مطابقت‌های قوانین در زیردرخت‌های مشخصی از درخت جستجو قرار دارند. برای بهره‌گیری از این ویژگی، در این پژوهش از ساختار داده درخت AVL برای نگهداری قوانین دسته‌بند و از حدهای بالا و پایین مجموعه قوانین به عنوان گره‌های درخت جستجو استفاده شده است. ارزیابی‌ها نشان می‌دهد که با افزایش چولگی بسته‌های آزمون، تعداد دفعات دسترسی به حافظه الگوریتم دسته‌بندی ترافیک‌آگاه نسبت به الگوریتم دسته‌بندی پایه کاهش قابل توجهی دارد. بر اساس ارزیابی‌ها، دسته‌بندی بسته ترافیک‌آگاه با استفاده از قوانین پرتکرار می‌تواند میانگین کل تعداد دفعات دسترسی به حافظه و در نتیجه زمان جستجو را بیش از 40 درصد کاهش دهد.

در این مقاله، یک الگوریتم طبقه‌بندی نیمه‌نظارتی جمعی با استفاده از معیار انتخاب مبتنی بر آستانه امتياز اطمينان تحت عنوان SSE-CBS در محیط‌های غیر ایستا ارائه می‌شود. رویکرد پیشنهادی از داده‌های دارای برچسب و فاقد برچسب با هدف مقابله با انواع تغییر مفهوم در جریان داده‌ها استفاده می‌کند. SSE-CBS مکانیزم مشهور وزن‌دهی بر اساس دقت الگوریتم‌های جمعی مبتنی بر بلوک را با ماهیت افزایشی الگوریتم درخت هافدینگ تلفیق می‌کند. الگوریتم پیشنهادی به طور تجربی با 8 رویکرد منطبق بر جدیدترین دستاوردها، از جمله مدل‌های طبقه‌بندی نظارتی، نیمه‌نظارتی، منفرد و الگوریتم‌های جمعی مبتنی بر بلوک روی مجموعه داده‌های متنوع مقایسه شده است. بر اساس نتایج تجربی، SSE-CBS بهترین میانگین دقت طبقه‌بندی را نسبت به سایر رویکردهای نیمه‌نظارتی داراست و قادر است در محیط‌های دارای تغییر مفهوم با محدودیت داده برچسب‌دار عملکرد مناسبی داشته باشد.

بهبود عملکرد مبدل آنالوگ به دیجیتال از جنبه‌های متفاوتی نظیر بهبود معماری کلی مبدل، بهبود معماری بلوک‌های سازنده و یا بهبود طراحی بلوک‌ها بررسی می‌شود. بلوک مقایسه‌گر به عنوان یک جزء اساسی در مبدل‌های داده نقش بسیار مؤثری در عملکرد یک مبدل آنالوگ به دیجیتال دارد و از این رو توجه محققان را به خود جلب کرده است. چالش اصلی در این راستا، وجود اهداف طراحی متناقض و محدودیت‌ها و الزامات مداری پیچیده‌ای است که طراحی بهینه این بلوک را بیش از پیش سخت و دشوار می‌کند. به همین سبب رویکرد جدید طراحان استفاده از روش‌های ابتکاری است که به صورت گسترده در پژوهش‌های جدید به چشم می‌خورد. در میان روش‌های نوظهور ابتکاری، الگوریتم بهینه‌سازی سیستم صفحات شیب‌دار (IPO) روشی نسبتاً جدید و الهام‌گرفته از حرکت دینامیکی اجسام بر روی صفحات شیب‌دار بدون اصطکاک می‌باشد. اما علی‌رغم توانایی این روش در مرور و کاوش فضای جستجو، مدل استاندارد آن دارای روابطی پیچیده و توأم با پارامترهای ساختاری متعددی است که غالباً کاربر را در انتخاب مقادیر مناسب برای آنها دچار تردید و سردرگمی می‌کند. در این مقاله ابتدا با ساده‌سازی مؤثر IPO یک روش ابتکاری با نام SIPO پیشنهاد شده و کارایی آن در بهینه‌سازی 10 تابع آزمون استاندارد مورد سنجش قرار گرفته است. در ادامه به منظور طراحی و بهینه‌سازی، مقایسه‌گرهای دودنباله نسخه چندهدفه SIPO (با نام MOSIPO) ارائه و عملکرد آن در طراحی این نوع از مقایسه‌گرها بررسی و با روش‌های هوشمند چندهدفه متداول و قدرتمند دیگر مقایسه شده ‌است. نتایج حاصل‌شده به وضوح برتری SIPO و MOSIPO را نسبت به سایر روش‌ها نشان می‌دهد.

در این مقاله روش مکاشفه‌ای زمان‌بندی و نگاشت وظایف ایستا به منظور بهینه‌سازی زمان اجرا، قابلیت اطمینان، توان مصرفی و دما به عنوان اساسی‌ترین چالش‌های طراحی سیستم‌های چندپردازنده‌ای ارائه شده است. روش ارائه‌شده بر پایه زمان‌بندی لیستی بوده و تکرار وظایف، مقیاس پویای ولتاژ و فرکانس و افزودن زمان‌های خالی با هدف بهبود قابلیت اطمینان، توان مصرفی و دمای سیستم و گسترده‌کردن فضای جواب با هدف جستجوی مؤثرتر در آن در نظر گرفته شده است. به دلیل رابطه متخاصم و ناهمسوی مابین پارامترهای ذکرشده، فرایند بهینه‌سازی چندهدفی بسیار پیچیده بوده و در روش پیشنهادی از راهکار استخراج پوسته Pareto استفاده شده است. همچنین در این روش، مدل‌سازی جامعی از تمامی اهداف صورت گرفته و وابستگی‌های آنها لحاظ شده است. آزمایش‌های متعدی به منظور بررسی کارایی و قابلیت‌های روش پیشنهادی در بهینه‌سازی هم‌زمان اهداف مسئله و تولید جواب‌های درست انجام گرفته است. بررسی‌ها و مقایسه روش پیشنهادی با یک روش‌ مکاشفه‌ای مؤثر پیشین بهبود میانگین 19% در پارامترهای طراحی مورد هدف مسئله را نشان می‌دهد.

نیاز روزافزون به نظارت، کنترل و مدیریت هوشمند باعث پیشرفت تحقیقات در حوزه سامانه‌های نظارت تصویری برای مثال در سیستم‌های حمل و نقل هوشمند شده است. با توجه به مقدار زیاد داده‌های این سامانه‌ها، استخراج الگوها و برچسب‌گذاری خودکار آنها از چالش‌های پیش رو است. در این مقاله به منظور آشکار‌سازی و استخراج الگوهای ترافیکی در تقاطع‌ها از مدل موضوعی استفاده گردید به طوری که الگوهای بصری به کلمات بصری تبدیل می‌شوند. ابتدا ویدئوی ورودی به کلیپ‌ها تقسیم می‌شوند. سپس ویژگی‌های شار ‌نوری کلیپ‌ها که مبتنی بر اطلاعات فراوان بردار حرکات محلی هستند، با استفاده از الگوریتم شار نوری محاسبه و به کلمات بصری تبدیل می‌شوند. بعد از آن، با یک مدل موضوعی غیر احتمالی به روش کدگذاری موضوعی تُنُک گروهی، الگوهای ترافیکی به سیستم طراحی‌شده آموزش داده می‌شود. این الگوها، نشان‌دهنده حرکت قابل مشاهده هستند که می‌تواند برای توصیف یک صحنه، با پاسخ به سؤال رفتاری مانند "یک وسیله نقلیه به کجا می‌رود؟" مورد استفاده قرار بگیرند. نتایج پیاده‌سازی روش پیشنهادی بر روی بانک داده ویدئوی QMUL نشان داد که روش پیشنهادی می‌تواند الگوهای معنادار ترافیکی مانند گردش به چپ، گردش به راست و گذر از چهارراه ‏را به درستی آشکار کند و نمایش دهد.

امروزه بازشناسی کنش انسان از روی تصویر ایستا به یکی از موضوعات فعال در زمینه بینایی ماشین و شناسایی الگو تبدیل شده است. تمرکز این کار بر روی شناسایی کنش یا رفتار انسان از روی یک تصویر است. برخلاف روش‌های سنتی که از ویدئوها یا دنباله‌ای از تصاویر برای بازشناسی کنش انسان استفاده می‌کنند، یک تصویر ایستا فاقد اطلاعات زمانی است. بنابراین بازشناسی کنش مبتنی بر تصویر ایستا دارای چالش بیشتری نسبت به بازشناسی کنش مبتنی بر ویدئو است. با توجه به اهمیت اطلاعات حرکتی در بازشناسی کنش از روش flow2Im برای تخمین اطلاعات حرکتی از روی تصویر ایستا استفاده شده است. ساختار پیشنهادی در این مقاله، حاصل ترکیب سه شبکه عصبی عمیق است که تحت عنوان شبکه سه‌شاخه یاد شده است. شبکه اول بر روی تصویر خام رنگی و شبکه دوم بر روی شار نوری پیش‌بینی شده از روی تصویر و شبکه سوم بر روی ژست به دست آمده از انسان موجود در تصویر آموزش می‌بیند. در نهایت تلفیق این سه شبکه عصبی عمیق سبب افزایش دقت بازشناسی کنش انسان شده است. به عبارت دیگر در این مقاله علاوه بر اطلاعات مکانی و زمانی پیش‌بینی شده از اطلاعات ژست انسان نیز برای بازشناسی کنش استفاده شده است زیرا ویژگی ژست برای بازشناسی کنش بسیار حائز اهمیت است. روش پیشنهادی در این مقاله توانسته است به دقت 80/91 درصد بر روی مجموعه داده action 7Willow، به دقت 02/91 درصد بر روی مجموعه داده 2012Pascal voc و به دقت 87/96 درصد بر روی مجموعه داده 10Stanford دست یابد. با توجه به مقایسه نتایج با روش‌های قبلی متوجه خواهیم شد که روش پیشنهادی بالاترین دقت را بر روی هر سه مجموعه داده نسبت به کارهای اخیر به دست آورده است.

مثلث‌بندی مجموعه نقاط S در صفحه، برابر با تعبیه مسطح یک گراف مسطح مستقیم‌الخط بیشین (با بیشترین یال) روی مجموعه نقاط است به طوری که مجموعه رئوس گراف دقیقاً همان مجموعه نقاط داده شده باشد. دو مسئله مهم در این زمینه مورد تحقیق است. الف) به چند طریق می‌توان مجموعه نقاط S را مثلث‌بندی کرد ب) کدام مثلث‌بندی بر اساس ویژگی خاصی بهینه است. مسئله اول یک مسئله باز است و به جز در شرایط خاص که دارای رابطه بسته می‌باشد تا به حال الگوریتمی با زمان چندجمله‌ای برای آن در حالت کلی ارائه نشده است. مسئله دوم نیز در حالتی که هدف پیداکردن مثلث‌بندی که مجموع طول یال‌های آن کمترین باشد یک مسئله NP-HARD است (MWT)، لذا تحقیقات در راستای ارائه الگوریتم‌های مکاشفه‌ای، فرامکاشفه‌ای یا تقریبی برای این دو حالت انجام شده است. در این مقاله روشی ارائه شده که در آن با تولید گراف تقاطع حاصل از تمامی پاره‌خط‌های حاصل از تمامی زوج نقاط S تولید می‌شود و سپس الگوریتم‌هایی برای تولید همه مجموعه‌های مستقل بیشین (MIS) گراف تقاطع و همچنین روشی برای شمارش تعداد این مجموعه‌ها ارائه می‌شود. این رویکرد تولید گراف تقاطع و تبدیل مسئله مثلث‌بندی به مسئله مجموعه مستقل بیشین نگاهی جدید به مسئله مثلث‌بندی در هر دو حالت الف و ب محسوب می‌شود و از آنجا که ارائه الگوریتم برای مسئله الف یا ب به خاطر ذات هندسی‌بودن آن دشوار است لذا با رویکرد مطرح‌شده در این مقاله، تمامی الگوریتم‌هایی که تا به حال برای مسئله MIS مطرح شده است را می‌توان برای حل مسئله مثلث‌بندی در هر دو حالت الف یا ب به کار برد. تکنیک تبدیل مسئله مثلث‌بندی به مسئله MIS رویکردی است که تا به حال روشی مبتنی بر آن برای حل مسایل شمارش تعداد طرق مثلث‌بندی یا مثلث‌بندی با کمترین وزن گزارش نشده است. علاوه بر این یک روش تخمینی مکاشفه‌ای برای تعیین متوسط تعداد حالات مثلث‌بندی ارائه خواهد شد که نتایج پیاده‌سازی نشان می‌دهد روی نمونه‌هایی از ورودی نزدیک به مقدار دقیق هستند.