Background: Wireless sensor networks include a set of non-rechargeable sensor nodes that interact for particular purposes. Since the sensors are non-rechargeable, one of the most important challenges of the wireless sensor network is the optimal use of the energy of sensors. The selection of the appropriate cluster heads for clustering and hierarchical routing is effective in enhancing the performance and reducing the energy consumption of sensors. Aim: Clustering sensors in different groups is one way to reduce the energy consumption of sensor nodes. In the clustering process, selecting the appropriate sensor nodes for clustering plays an important role in clustering. The use of multistep routes to transmit the data collected by the cluster heads also has a key role in the cluster head energy consumption. Multistep routing uses less energy to send information. Methods: In this paper, after distributing the sensor nodes in the environment, we use a Teaching-Learning-Based Optimization (TLBO) algorithm to select the appropriate cluster heads from the existing sensor nodes. The teaching-learning philosophy has been inspired by a classroom and imitates the effect of a teacher on learner output. After collecting the data of each cluster to send the information to the sink, the cluster heads use the Tabu Search (TS) algorithm and determine the subsequent step for the transmission of information. Findings: The simulation results indicate that the protocol proposed in this research (TLSIA) has a higher last node dead than the LEACH algorithm by 75%, ASLPR algorithm by 25%, and COARP algorithm by 10%. Conclusion: Given the limited energy of the sensors and the non-rechargeability of the batteries, the use of swarm intelligence algorithms in WSNs can decrease the energy consumption of sensor nodes and, eventually, increase the WSN lifetime. تفاصيل المقالة

Energy is an important parameter in establishing various communications types in the sensor-based IoT. Sensors usually possess low-energy and non-rechargeable batteries since these sensors are often applied in places and applications that cannot be recharged. The most important objective of the present study is to minimize the energy consumption of sensors and increase the IoT network's lifetime by applying multi-objective optimization algorithms when selecting cluster heads and routing between cluster heads for transferring data to the base station. In the present article, after distributing the sensor nodes in the network, the type-2 fuzzy algorithm has been employed to select the cluster heads and also the genetic algorithm has been used to create a tree between the cluster heads and base station. After selecting the cluster heads, the normal nodes become cluster members and send their data to the cluster head. After collecting and aggregating the data by the cluster heads, the data is transferred to the base station from the path specified by the genetic algorithm. The proposed algorithm was implemented with MATLAB simulator and compared with LEACH, MB-CBCCP, and DCABGA protocols, the simulation results indicate the better performance of the proposed algorithm in different environments compared to the mentioned protocols. Due to the limited energy in the sensor-based IoT and the fact that they cannot be recharged in most applications, the use of multi-objective optimization algorithms in the design and implementation of routing and clustering algorithms has a significant impact on the increase in the lifetime of these networks. تفاصيل المقالة

Wireless sensor networks consist of many fixed or mobile, non-rechargeable, low-cost, and low-consumption nodes. Energy consumption is one of the most important challenges due to the non-rechargeability or high cost of sensor nodes. Hence, it is of great importance to apply some methods to reduce the energy consumption of sensors. The use of clustering-based routing is a method that reduces the energy consumption of sensors. In the present article, the Self-Adaptive Multi-objective TLBO (SAMTLBO) algorithm is applied to select the optimal cluster headers. After this process, the sensors become the closest components to cluster headers and send the data to their cluster headers. Cluster headers receive, aggregate, and send data to the sink in multiple steps using the TLBO-TS hybrid algorithm that reduces the energy consumption of the cluster heads when sending data to the sink and, ultimately, an increase in the wireless sensor network’s lifetime. The simulation results indicate that our proposed protocol (OCRP) show better performance by 35%, 17%, and 12% compared to ALSPR, CRPD, and COARP algorithms, respectively. Conclusion: Due to the limited energy of sensors, the use of meta-heuristic methods in clustering and routing improves network performance and increases the wireless sensor network's lifetime. تفاصيل المقالة

Background: The main limitation of wireless IoT sensor-based networks is their energy resource, which cannot be charged or replaced because, in most applications, these sensors are usually applied in places where they are not accessible or rechargeable. Objective: The present article's main objective is to assist in improving energy consumption in the sensor-based IoT network and thus increase the network’s lifetime. Cluster heads are used to send data to the base station. Methods: In the present paper, the type-1 fuzzy algorithm is employed to select cluster heads, and the type-2 fuzzy algorithm is used for routing between cluster heads to the base station. After selecting the cluster head using the type-1 fuzzy algorithm, the normal nodes become the members of the cluster heads and send their data to the cluster head, and then the cluster heads transfer the collected data to the main station through the path which has been determined by the type-2 fuzzy algorithm. Results: The proposed algorithm was implemented using MATLAB simulator and compared with LEACH, DEC, and DEEC protocols. The simulation results suggest that the proposed protocol among the mentioned algorithms increases the network’s lifetime in homogeneous and heterogeneous environments. Conclusion: Due to the energy limitation in sensor-based IoT networks and the impossibility of recharging the sensors in most applications, the use of computational intelligence techniques in the design and implementation of these algorithms considerably contributes to the reduction of energy consumption and ultimately the increase in network’s lifetime. تفاصيل المقالة

اقبال به جهت گیری اخلاقی، در توسعه اقتصادی راهی برای تبدیل تهدید به فرصت تلقی می شود. مدیران ایرانی نیز علاوه بر توجه به جایگاه راهبردی اخلاق در موفقیت سازمانی، بر اساس دغدغه های دینی و ارزشهای جامعه به اخلاق کسب و کار اقبال میکنند. توسعه منابع انسانی یکی از ضروریات سازمان است که لزوم پیوند آن با ارزشهای اخلاقی اجتناب ناپذیر است چرا که سهل انگاری و بی عدالتی در اجرای آن منجر به عدم توسعه فردی و سازمانی میگردد.این مقاله با هدف ارائه مدل اخلاق مدارانه توسعه سرمایه انسانی در سازمان های دولتی ایران انجام شده است. پژوهش از نظر هدف کاربردی و از لحاظ ماهیت پیمایشی با رویکرد ترکیبی (کمی و کیفی) است. در طراحی مدل به الگوی توسعه انسانی فیلیپس و بندورا با رویکرد بوم شناسانه توجه شده است. توسعه سرمایه انسانی در سه بعد توانمندسازی، مدیریت استعداد و مدیریت دانش و به منظور دستیابی به ترکیب بهینه بررسی شده است. برای جمع آوری داده ها از مصاحبه با خبرگان و تکنیک دلفی فازی و برای تحلیل از توابع ریاضی چند هدفه و نرم افزار گمز استفاده شده است. بر اساس یافته ها در وضع موجود سطح متغیر توانمندسازی 50/0، مدیریت دانش 40/0 و مدیریت استعداد 40/0 می باشد. در وضع مطلوب و در سطح اثر بخشی 100 درصد باید میزان توانمندسازی 610/0، مدیریت دانش 560/0 و مدیریت استعداد 530/0 باشد.همچنین 11 عامل به عنوان موانع اخلاقی و فرهنگی بر سر راه توسعه منابع انسانی نیز شناسایی و احصاء گردید. نتایج نشان داد که اختلاف معناداری بین وضعیت مطلوب و موجود توانمندسازی، مدیریت استعداد و مدیریت دانش وجود دارد. تفاصيل المقالة

هدف این پژوهش کمک به افزایش بهره‌وری سازمان‌های دولتی و در نتیجه کمک به توسعه یافتگی کشورمان در دنیای پر رقابت و درحال تغییر کنونی، از طریق یافتن شاخص‌های تأثیرگذار بر جذب منابع انسانی توانمند، دارای تعهد و شایسته می‌باشد. بدیهی است بهره‌وری ایجاد شده، در کمک به دستیابی به توسعه یافتگی، که از اهداف سند چشم انداز سال 1404 کشور می‌باشد نیز موثر خواهد بود. بدین منظور تعیین و انتخاب شاخص‌ها با بهره‌گیری از ادبیات تحقیق و مصاحبه اکتشافی، با نظرسنجی از 20 نفر از خبرگان رشته‌های مدیریت دولتی، مدیریت منابع انسانی و مدیران ارشد سازمان‌های دولتی انجام شده است. داده‌های کمی با توزیع پرسشنامه بین 180 نفر، در سازمان اداری و استخدامی، به عنوان متولی امر استخدام در کل کشور، انجام شده است. تجزیه و تحلیل آماری داده‌های تحقیق با کمک نرم افزارهای اکسل و لیزرل ، با روش‌های تحلیل عاملی تأییدی و تحلیل دیمتل فازی انجام شده است. یافته‌های پژوهش، تأثیر گذاری چهار بعد: عوامل محیطی، عوامل سازمانی، عوامل شغلی و شایستگی‌های فردی، بر جذب منابع انسانی را تأیید کرده و نشان داده است که؛ سه بعد(عوامل محیطی، عوامل سازمانی و شایستگی‌های فردی)، نقش تأثیرگذار و علی داشته و بعد عوامل شغلی، معلول عوامل دیگر است. این بدان معناست که مدیران منابع انسانی می‌توانند، با تلاش در بهبود سه عامل علی بهبود عامل چهارم یعنی عوامل شغلی را موجب شوند. تفاصيل المقالة