فهرست مقالات خوشه¬بندی

• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  1 - استفاده از خوشه¬بندی در پروتکل مسیریابی AODV برای شبکه-های بین خودرویی بر روی سناریوی بزرگراه
  امین فیضی وحید ستاری نائینی مجید  محمدی
  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 بزر 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 مسیریابیAODV 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
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  2 - گروه‌بندی همسان یادگیرندگان در محیط یادگیری الکترونیکی به کمک روش خوشه¬بندی شورایی
  ملیحه کمرئی غلامعلی منتظر
  یادگیری الکترونیکی به عنوان روشی نوین در امر آموزش و یادگیری در طی سالیان اخیر مورد استقبال فراوانی قرار گرفته است. اکثر سامانه های یادگیری الکترونیکی، صرف نظر از تفاوت های فردی یادگیرندگان محتوای آموزشی مشابهی را برای همة یادگیرندگان ارائه می دهند در حالی که در آموزش ه چکیده کامل

  یادگیری الکترونیکی به عنوان روشی نوین در امر آموزش و یادگیری در طی سالیان اخیر مورد استقبال فراوانی قرار گرفته است. اکثر سامانه های یادگیری الکترونیکی، صرف نظر از تفاوت های فردی یادگیرندگان محتوای آموزشی مشابهی را برای همة یادگیرندگان ارائه می دهند در حالی که در آموزش های مبتنی بر وب، علاوه بر افزایش فرصت یادگیری باید به ارتقای بازدهی یادگیری نیز توجه شود. سامانه های یادگیری تطبیقی برای ارائة محتوای تطبیق پذیر با هر یادگیرنده، نیازمند گروه بندی یادگیرندگان با علایق مشابه است و برای تحقق این هدف، می توان از سبک های یادگیری یادگیرندگان بهره گرفت. گروه-بندی خودکار یادگیرندگان در این محیط به کمک روش های خوشه بندی امکان پذیر است. به دلیل متفاوت بودن نتایج روش های خوشه بندی در تکرارهای مختلف، در این پژوهـش از روش خوشه بندی شورایی برای ترکیـب نـتایج خوشـه بندی پنـج روش FCM، K-means، KNN , SVM و medoids-K برای گروه بندی یادگیرندگان در محیط یادگیری الکترونیکی استفاده شده است. نتایج ارزیابی تجربی روش خوشه‌بندی پیشنهادی بر اساس سه شاخص «دیویس – بولدین»، « خلوص و تجمع» و « واریانس » نشان می‌دهد که این روش، کاهش هزینة محاسباتی و دقت و سرعت بیشتری نسبت به سایر روش‌های متداول در شناسایی گروه‌ها داشته است. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  3 - بهبود مسیریابی جهت کنترل ازدحام در شبکه¬هاب مبتنی بر نرم¬افزار با استفاده از کنترلرهای توزیع¬شده
  سعید بختیاری اردشیر آذرنژاد
  شبکه های مبتنی بر نرم افزار (SDN) برای استفاده در تعیین مسیریابی ترافیک شبکه قابل انعطاف هستند، زیرا سطح داده ای و سطح کنترلی را از یکدیگر تفکیک می کنند. یکی از چالش های بزرگی که پیش روی شبکه‌های مبتنی بر نرم‌افزار قرار گرفته است، انتخاب مکان هایی مناسب برای قرار دادن و چکیده کامل

  شبکه های مبتنی بر نرم افزار (SDN) برای استفاده در تعیین مسیریابی ترافیک شبکه قابل انعطاف هستند، زیرا سطح داده ای و سطح کنترلی را از یکدیگر تفکیک می کنند. یکی از چالش های بزرگی که پیش روی شبکه‌های مبتنی بر نرم‌افزار قرار گرفته است، انتخاب مکان هایی مناسب برای قرار دادن و توزیع کنترلرها (کنترل کننده ها) است؛ به گونه‌ای که بتوان تأخیر بین کنترلرها و سوئیچ ها را در شبکه‌های گسترده کاهش داد. در همین راستا اغلب روش‌های ارائه شده بر روی کاهش تأخیر متمرکز بوده‌اند. ولی تأخیر تنها یکی از عواملی است که در کارائی شبکه و کاهش هزینه ی کلی بین کنترلرها و سوئیچ‌های مرتبط با آن‌ها نقش دارد. این مقاله به بررسی عوامل بیشتری برای کاهش هزینه بین کنترلر ها و سوئیچ ها نظیر ترافیک لینک های ارتباطی می پردازد. به همین منظور یک الگوریتم مبتنی برخوشه بندی برای بخش بندی شبکه ارائه می شود. با بهره گیری از این الگوریتم می‌توان تضمین کرد که هر بخش از شبکه می‌تواند حداکثر هزینه (شامل تأخیر و ترافیک موجود روی لینک ها) را در بین کنترلر و سوئیچ های مربوط به آن کاهش دهد. در این مقاله، با بکارگیری از Topology Zoo، شبیه‌سازی‌های گسترده‌ای تحت توپولوژی های واقعی شبکه انجام شده است. نتایج شبیه سازی ها نشان می دهد در شرایطی که احتمال ازدحام در شبکه بالا می رود، الگوریتم پیشنهادی با شناسایی لینک های گلوگاه در مسیرهای ارتباطی هر گره با سایر گره ها، توانسته به خوبی ازدحام را در شبکه کنترل نماید. لذا، با در نظر گرفتن دو معیار تأخیر و میزان مشغول بودن لینک ها، فرآیند قرارگیری و توزیع کنترلر ها را در عمل خوشه-بندی با دقت بالاتری انجام می دهد. با این کار، میانگین حداکثر هزینه ی انتها به انتها بین هر کنترلر و سوئیچ های مربوط به آن به ترتیب در توپولوژی های Chinanet کشور چین، Uunet کشور آمریکا، DFN کشور آلمان، و Rediris کشور اسپانیا به اندازه ی 4694/41، 2853/29، 3805/21 و 4829/46 درصد کاهش یافته است. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  4 - سيستم توصيه گر زمينه آگاه سفر با بهرهگيری از اطلاعات عکسهای برچسبدار جغرافيايی
  رضوان محمدرضایی لرکی رضا روانمهر میلاد  امرالهی
  سيستم‌هاي توصیهگر بر اساس اطلاعات کاربران و آیتم‌ها، سلایق و علاقه‌مندی‌های مورد نظر کاربران را پیش‌بینی کرده و بر اساس آنها آیتم‌های مناسب را به کاربران پیشنهاد می‌دهند. اکثر رويکردهاي موجود براي سيستم‌هاي توصيه‌گر بر روی پیشنهاد دادن مرتبط‌ترین آیتم‌ها تمرکز می‌کنند و چکیده کامل

  سيستم‌هاي توصیهگر بر اساس اطلاعات کاربران و آیتم‌ها، سلایق و علاقه‌مندی‌های مورد نظر کاربران را پیش‌بینی کرده و بر اساس آنها آیتم‌های مناسب را به کاربران پیشنهاد می‌دهند. اکثر رويکردهاي موجود براي سيستم‌هاي توصيه‌گر بر روی پیشنهاد دادن مرتبط‌ترین آیتم‌ها تمرکز می‌کنند و اطلاعات زمينه‌اي مانند زمان یا مکان را در نظر نمی‌گیرند. در اين مقاله يک روش برای سیستم توصيه‌گر زمينه آگاه سفر با بهرهگيري از اطلاعات عکس‌هاي برچسب دار جغرافيايي ارایه شده است که از دقت بالايي برخوردار است. این روش نسبت به مقالات مشابه، تعداد زمينه‌هاي بيشتری مانند (وضعيت آب و هوا، وضعيت روحي کاربر، ميزان ترافيک و ...) را در نظر می‌گیرد. با این کار باعث نزديک شدن کاربران يک خوشه و در نتیجه افزايش دقت می‌شود. روش پیشنهادی به جای استفاده از الگوریتم خوشه‌بندي کلاسيک از ادغام دو الگوريتم رقابت استعماري و خوشه‌بندي C-Means فازی استفاده می‌کند. ارزيابي روش ارايه شده بر روی مجموعه داده فليکر انجام شده و نتايج ارزيابي حاکي از آن است که روش‌ پيشنهادي قادر به فراهم کردن توصيه‌هاي موثر و دقیق مطابق با علاقه‌مندی‌های کاربر و موقعيت فعلي بازديد او مي‌باشد. رویکرد پيشنهادي در معیارهای دقت، متوسط مطلق دقت و میانگین قدر مطلق خطا به ترتیب به 0.69 و 0.53 و 0.31 دست یافته است. پرونده مقاله