شبکه های بین خودرویی زیرمجموعهای از شبکه های سیار موردی می باشد که در آن خودروها به عنوان گره های شبکه محسوب می شوند. تفاوت اصلی آن با شبکه های سیار موردی در تحرک سریع گره ها است که باعث تغییر سریع توپولوژی در این شبکه می شود. تغییرات سریع توپولوژی شبکه یک چالش بزرگ بر چکیده کامل
شبکه های بین خودرویی زیرمجموعهای از شبکه های سیار موردی می باشد که در آن خودروها به عنوان گره های شبکه محسوب می شوند. تفاوت اصلی آن با شبکه های سیار موردی در تحرک سریع گره ها است که باعث تغییر سریع توپولوژی در این شبکه می شود. تغییرات سریع توپولوژی شبکه یک چالش بزرگ برای مسیریابی محسوب می شود که برای مسیریابی در این شبکه ها، پروتکل های مسیریابی باید قوی و قابلاعتماد باشد. یکی از پروتکل های مسیریابی شناخته شده در شبکههای بین خودرویی، پروتکل مسیریابی AODV است. اعمال این پروتکل مسیریابی بر روی شبکه های بین خودرویی نیز دارای مشکلاتی میباشد که با افزایش مقیاس شبکه و تعداد گره ها، تعداد پیام های کنترلی در شبکه افزایش می یابد. یکی از روشهای کاهش سربار در پروتکل AODV، خوشه بندی کردن گره های شبکه است. در این مقاله برای خوشه بندی کردن گره ها از الگوریتم تغییریافته K-Means و برای انتخاب سر خوشه از الگوریتم ازدحام ذرات استفاده شده است. نتایج بدست آمده از روش پیشنهادی باعث بهبود بار مسیریابی نرمال شده و افزایش نرخ تحویل بسته در مقایسه با پروتکل مسیریابی AODV شده است.
پرونده مقاله
یاددهندگان معمولاً به طور ذهنی دریافتهاند که تدریس خوب دارای چه ویژگیهایی است و با توجه به تجربه و حوزهی دانش خود درسپارهایی ایجاد کرده و در وب قرار میدهند. به همین دلیل بسیاری از یادگیرندگان نمیتوانند درسپارهای متناسب با نیازهای خود را پیدا کنند. به همین جهت بسی چکیده کامل
یاددهندگان معمولاً به طور ذهنی دریافتهاند که تدریس خوب دارای چه ویژگیهایی است و با توجه به تجربه و حوزهی دانش خود درسپارهایی ایجاد کرده و در وب قرار میدهند. به همین دلیل بسیاری از یادگیرندگان نمیتوانند درسپارهای متناسب با نیازهای خود را پیدا کنند. به همین جهت بسیاری از پژوهشگران، تحقیقات خود را بر سامانههای یادگیری شخصی شده معطوف داشتهاند که یکی از روشهای شخصیسازی در محیط یادگیری الکترونیکی، تعیین توالی مناسب درسپارهاست. در این مقاله به بهینهسازی توالی درسپارها با استفاده از الگوریتم بهینهسازی گروه ذرّات پرداخته شده است. معیارهای استفاده شده برای انجام این کار سبک یادگیری و توانایی یادگیرندگان بوده که به ترتیب با استفاده از پرسشنامهی فلدر و سولومان و نظریهی پرسش و پاسخ شناسایی شده است. به منظور ارزیابی روش پیشنهادی، سامانهی طراحی شده در محیط آموزشی وببنیاد در حالتهای مختلف مورد استفاده قرار گرفته و نتایج حاصل از «موفقیت تحصیلی»، «رضایت تحصیلی» و «زمان حضور در محیط» یادگیرندگان مورد بررسی و تحلیل قرار گرفته است که نتایج، کارامدی چشمگیر سامانهی پیشنهادی را نشان میدهد.
پرونده مقاله
در اين مقاله ، ما يك الگوريتم جديد پيشنهاد كردهايم كه PSO و ژنتيك را به طريقي با هم تركيب میکند بگونهاي كه الگوريتم جديد مؤثرتر و كارآمدتر میشود. اين بدان معناست که سرعت رسيدن به پاسخ به طور قابل ملاحظهاي افزايش مييابد و در عين حال دقّت پاسخ نيز به مراتب بالاتر چکیده کامل
در اين مقاله ، ما يك الگوريتم جديد پيشنهاد كردهايم كه PSO و ژنتيك را به طريقي با هم تركيب میکند بگونهاي كه الگوريتم جديد مؤثرتر و كارآمدتر میشود. اين بدان معناست که سرعت رسيدن به پاسخ به طور قابل ملاحظهاي افزايش مييابد و در عين حال دقّت پاسخ نيز به مراتب بالاتر است. خاصيت الگوريتم بهينهسازي تجمّع اين است که به سرعت همگرا ميشود ، اما در نزديكيهاي نقطة بهينه فرآيند جستجو به شدّت كند ميشود . از طرفی میدانیم که الگوريتم ژنتيك نيز به شرايط اوليه به شدت حساس است. در حقيقت طبيعت تصادفي عملگرهاي ژنتيك ، الگوريتم را به جمعیّت اوليّه حساس ميکند. اين وابستگي به شرايط اوليه به گونهاي است كه اگر جمعیّت اوليه خوب انتخاب نشود ، الگوريتم ممكن است همگرا نشود. در اين مقاله با استفاده از اين الگوريتم تركيبي GA- PSO، مكان و اندازة بهينة خازن در يك سيستم توزيع نمونه بدست آمده است . همچنين جايابي بهينة خازن با الگوريتم هاي PSO و GA بطور جداگانه بدست و نتايج با هم مقايسه شدهاند .نتايج نشان میدهند که الگوريتم جديد ميتواند سريعتر به پاسخ برسد و به جمعیّت اوليه وابسته نيست و پاسخهاي دقيقتري را پيدا میکند.
پرونده مقاله
محاسبات لبه موبایل تجربه کاربران نهایی را برای دستیابی به خدمات مناسب و کیفیت خدمات بهبود می دهد. در این مقاله مسئله بهبود تخصیص منابع هنگام بارگیری وظایف براساس دستگاههای تلفن همراه به سرورهای لبه در سیستمهای محاسباتی بررسی می شود. برخی وظایف به صورت محلی پردازش و بر چکیده کامل
محاسبات لبه موبایل تجربه کاربران نهایی را برای دستیابی به خدمات مناسب و کیفیت خدمات بهبود می دهد. در این مقاله مسئله بهبود تخصیص منابع هنگام بارگیری وظایف براساس دستگاههای تلفن همراه به سرورهای لبه در سیستمهای محاسباتی بررسی می شود. برخی وظایف به صورت محلی پردازش و برخی به سرورهای لبه بارگذاری می شوند. مسئله اصلی این است که وظایف تخلیهشده برای ماشینهای مجازی در شبکه های محاسباتی بصورت مناسب زمانبندی شوند تا زمان محاسبات، هزینه خدمات، اتلاف شبکه های محاسباتی و حداکثر ارتباط یک کار با شبکه به حداقل برسد. در این مقاله الگوریتم ترکیبی ازدحام ذرات و گرگ خاکستری برای مدیریت تخصیص منابع و زمانبندی وظایف برای دستیابی به یک نتیجه بهینه در شبکه های محاسبات لبه معرفی شد. نتایج مقایسه نشان دهنده بهبود زمان انتظار و هزینه در رویکرد پیشنهادی است. نتایج نشان می دهد که به طور میانگین مدل پیشنهادی با کاهش 10 درصدی زمان انجام کار و افزایش استفاده از منابع به میزان 16 درصد بهتر عمل کرده است.
پرونده مقاله
محاسبات لبه موبایل تجربه کاربران نهایی را برای دستیابی به خدمات مناسب و کیفیت خدمات بهبود میدهد. در این مقاله مسئله بهبود تخصیص منابع، هنگام بارگیری وظایف، براساس دستگاههای تلفن همراه به سرورهای لبه در سیستمهای محاسباتی بررسی میشود. برخی وظایف به صورت محلی و برخی به چکیده کامل
محاسبات لبه موبایل تجربه کاربران نهایی را برای دستیابی به خدمات مناسب و کیفیت خدمات بهبود میدهد. در این مقاله مسئله بهبود تخصیص منابع، هنگام بارگیری وظایف، براساس دستگاههای تلفن همراه به سرورهای لبه در سیستمهای محاسباتی بررسی میشود. برخی وظایف به صورت محلی و برخی به سرورهای لبه بارگذاری و پردازش میشوند. مسئله اصلی این است که وظایف تخلیهشده برای ماشینهای مجازی در شبکههای محاسباتی بصورت مناسب زمانبندی شوند تا زمان محاسبات، هزینه خدمات، اتلاف شبکههای محاسباتی و حداکثر ارتباط یک کار با شبکه به حداقل برسد. در این مقاله الگوریتم ترکیبی چند هدفه ازدحام ذرات و گرگ خاکستری برای مدیریت تخصیص منابع و زمانبندی وظایف برای دستیابی به یک نتیجه بهینه در شبکههای محاسبات لبه معرفی شد. جست و جوی محلی در الگوریتم ازدحام ذرات نتایج مناسبی را در مسئله دارد اما باعث از بین رفتن بهینههای سراسری خواهد شد، بنابراین در این مسئله به منظور بهبود مدل، از الگوریتم گرگ خاکستری به عنوان پایه اصلی الگوریتم پیشنهادی استفاده شد، در الگوریتم گرگ خاکستری به دلیل رویکرد گرافی مسئله، مجموعه جست و جوهای سراسری به جواب بهینهای خواهد رسید، بنابراین با ترکیب این توابع سعی در بهبود شرایط عملیاتی دو الگوریتم برای اهداف مورد نظر مساله شد. به منظور ایجاد شبکه در این پژوهش از پارامترهای ایجاد شبکه در مقاله پایه استفاده شده است و در شبیهسازی از مجموعه داده LCG استفاده شد. محیط شبیهسازی در این پژوهش محیط شبیهساز کلود سیم است. نتایج مقایسه نشاندهنده بهبود زمان انتظار و هزینه در رویکرد پیشنهادی است. نتایج نشان میدهد که به طور میانگین مدل پیشنهادی با کاهش 10 درصدی زمان انجام کار و افزایش استفاده از منابع به میزان 16 درصد بهتر عمل کرده است.
پرونده مقاله