
یکی از چالشبرانگیزترین موضوعات مرتبط با وبسرویسها مساله ترکیب آنهاست که به صورت یک گراف برای نمایش تعامل بین سرویسها ارائه میشود. هر گره از این گراف، یک وبسرویس انتزاعی با وظیفه مشخص اما ویژگیهای کیفی نامشخص است. برای هر سرویس انتزاعی، مجموعهای از سرویسهای کاندید با وظیفه یکسان اما ویژگیهای کیفی متفاوت وجود دارد. جایگزینی یک وبسرویس کاندید برای هر سرویس انتزاعی به نحوی که یک ترکیب بهینه حاصل شود، یک مساله NP-hard است، لذا برای حل آن از الگوریتمهای هیوریستیک استفاده میشود. تاکنون روشهای متعددی برای ترکیب بهینه وبسرویس ها ارائه شده اما بیشتر این روشها ساختار احتمالی را پشتیبانی نمیکنند. تنها یک روش ساختار احتمالی را پشتیبانی میکند که برای گراف های بزرگ مقیاسپذیر نیست، مبتنی بر قیود است و به تحلیل هر مسیر گراف به صورت جداگانه پرداخته است. این مقاله، رویکردی مقیاسپذیر و چندهدفه برای تحلیل گراف به صورت یکپارچه ارائه میدهد که علاوه بر پوشش دو الگوی جدید حلقههای تودرتو و حلقههای موازی، با ارائه روشی جهت سادهسازی ترکیب وبسرویسها موجب بهبود کارایی نیز میشود. در این روش برای انتخاب بهینه وبسرویسها و حفظ مقیاسپذیری، از الگوریتمهای تکاملی NSGAII و SPEAII استفاده میشود. در روش پیشنهادی ابتدا در گرافهایی با الگوی شرطی، هر مسیر بر حسب احتمال آن، چند بار میشود و سپس از الگوریتم NSGAII به منظور تعیین بهترین مسیر در گراف و یافتن راهحلهای بهتر استفاده میشود. روش پیشنهادی در مقایسه با بهترین روش مقایسه شده، 30 درصد در پارامتر قابلیت اطمینان و 121 میلی ثانیه در زمان پاسخ بهبود داشته است.
نشاننگاری به عنوان شاخهای از فرآیند پنهان سازی اطلاعات محسوب میشود که روشی مناسب در حفاظت حق نشر و جلوگیری از تکثیر غیرقانونی اطلاعات است. در واقع، در نشاننگاری، به منظور حفاظت حق نشر یک داده، اقدام به قرار دادن نشانی از مالک داده در دادهای دیگر مانند تصویر و ویدیو میکنند. در این مقاله، با هدف حفاظت از حق نشر، تصویری به نام تصویر نشان را به عنوان ردی از مالک در تصویر میزبان قرار میدهیم. در این زمینه، تا به امروز روشهای متفاوتی مانند استفاده از تبدیلهای موجک، فوریه و یا ترکیب این تبدیلها با تجزیههای مختلف ماتریس معرفی گردیده است. در این مقاله، با روشی کاملا مبتنی بر تجزیه ماتریس به نشاننگاری میپردازیم. روش پیشنهادی، دارای دو مرحله جایگذاری و بازیابی تصویر است. در مرحله جایگذاری، تصویر نشان را در تصویر میزبان جای میدهیم. بدین منظور، ابتدا ماتریسهای متناظر با تصاویر میزبان و نشان را با یکی از چهار تجزیهی متداول مقادیر تکین (SVD)، QR، هسنبرگ، و شور تجزیه میکنیم. سپس در تجزیههای بدست آمده برای تصاویر نشان و میزبان، ماتریسی که دارای کمترین تعداد مؤلفه ناصفر است را به عنوان ماتریس منتخب در نظر میگیریم. سپس ضریبی از ماتریس منتخب مربوط به تصویر نشان را به ماتریس منتخب مربوط به تصویر میزبان میافزاییم. در ادامه، از ضرب ماتریس حاصل، در سایر ماتریسهای مربوط به تصویر میزبان، ماتریسی ایجاد میشود که اندکی متفاوت از ماتریس متناظر با تصویر میزبان است. تصویر حاصل از این ماتریس، تصویر نشانشده است که اثری از مالک در آن مخفی است. در مرحلهی بازیابی، با انجام وارون عملیات نشانگذاری، تصویر نشانشده را بازیابی میکنیم. در این صورت به صحت مالکیت یا عدم مالکیت شخص مدعی آن اثر پی میبریم. در هر دو مرحله جایگذاری و بازیابی، دقت روش را با پارامترهای PSNR و SSIM میسنجیم. به منظور ارزیابی روش پیشنهادی، از تصاویر موجود در مجموعه دادههای USC-SIPI استفاده نمودهایم. بالاترین مقدار مؤلفههای PSNR و SSIM، به ترتیب برابر با 35/51 و 9994/0 و با استفاده از تجزیه هسنبرگ به دست میآید. این مقادیر، به معنای بالاتر بودن دقت بصری تصویر و کارآمد بودن تجزیه هسنبرگ در روش پیشنهادی است. در میان این چهار تجزیه، تصویر نشان با استفاده از تجزیه شور قابل بازیابی نمیباشد که این خود دال بر ضعف تجزیه شور است. همچنین نتایج حاصل از روش پیشنهادی با نتایج برخی از مقالات سالهای اخیر که تنها از تصاویر خاکستری در آزماشیات خود استفاده نمودهاند، مقایسه شده و میزان بهبود 10 درصدی پارامتر PSNR و برابری پارامتر SSIM، در مقایسه با دقیقترین مقادیر این پارامترها حاصل شد.
از آنجاییکه اجزای پویا، همراه با محدویتهای غیرخطی و اهداف متعدد، یکی از خصوصیتهایی است که بهطور مکرر در مسائل دنیای واقعی ظاهر میشود و چون زمان زیادی است که محاسبات تکاملی وارد حوزه کاربردهای صنعتی شده است (بهخصوص بهعلت توانایی آنها در مواجهه با محیطهای چندهدفه و غیرخطی) انتظار میرود که هرچه زودتر توجه به این زمینه در جامعه علمی رشد پیدا کند.امروزه استفاده از الگوریتمهای تکاملی که بر اساس رفتارهای زیستی طبیعی بهوجود آمدهاند برای حل این مسائل از اهمیت ویژهای برخوردار هستند. از جمله این الگوریتمها میتوان به الگوریتم ژنتیک اشاره نمود. هدف این مقاله و ادعای اصلی آن، امکان طراحی پروتکلهای الهام گرفته از طبیعت در الگوریتم ژنتیک است که روی بهینهسازی در محیطهای پویا موثر باشد، در حالیکه پیچیدگی الگوریتم را حفظ کند و تغییرات در فضای مسئله بهصورت دورهای رخ دهد. در این مقاله، یک الگوریتم ژنتیک بهبودیافته (خودسازمانده بحرانی) مبتنی بر حافظه برای حل مسائلبهینهسازی پویا ارائه شده است. در الگوریتم ارائهشده، از یک عملگر جهش خودسازمانده که مبتنی بر مدل تپه شنی است، استفاده شده است. عملگر جهش خودسازمانده یک عملگر جهش هست که میتواند نرخهای جهش خودتنظیمشونده را با یک توزیع ویژه بر مبنای مدل تپه شنی انجام دهد که این برای بهینهسازی پویا مناسب است. اگر تغییرات بهصورت دورهای رخ دهند، بهطور معمول استفاده از اطلاعات گذشته اجازه میدهد الگوریتم بهسرعت بعد از تغییر محیط به سازگاری در شرایط محیطی جدید برسد. ایده مورد نظر در این زمینه، استفاده از یک حافظه میباشد. یکی از چالشهای اساسی در بهکارگیری حافظه، تنوع میباشد. برای افزایش سطح تنوع از یک حافظه تخمبن تراکم با خوشهبندی گاوسی استفاده شده است. همچنین از راهکاری برای جایگزینی و بازیابی در حافظه استفاده شده است. در طرح پیشنهادی ابتدا جهش خودسازمانده بحرانی جدید، با سایر الگوریتمهای ژنتیک ارائه شده توسط سایر محققین ترکیب شده ونتایج حاصل شده نشان میدهد که این روش توانسته بهکرات سایر الگوریتمهای ژنتیک را برای محیطهای پویا بهبود بخشد. در نهایت روش پیشنهادی این مقاله که ترکیب خودسازماندهی بحرانی جدید با حافظه تخمین تراکم گوسی است ارائه شده است. نتایج این روش با سایر روشهای مشابه که با راهکار جهش خودسازمانده جدید نتایجشان بهبود داده شده است، مقایسه خواهد شد. نتایج حاصل بر روی مسائل محک مختلف باعنوان توابع تله پویا، آزمایش شده است. نشان داده شده که روش پیشنهادی، حتی از روشهای رقیب که با روش جهش خودسازمانده جدید، بهبود یافتهاند نتایج مناسبتری را تولید کرده است. معیار ارزیابی در این مقاله معیار کارآیی برونخطی میباشد. نتایج آزمایشها نشان میدهند که روش پیشنهادی موثر هست چراکه با روشهای دیگر در پارامترهایی از محیطهای پویا مقایسه گردیده که آنها بهترین کارایی را دارا هستند.