امروزه شبکه‌های اجتماعی آنلاین ارتباط ناگسستنی با زندگی روزمره بسیاری از مردم جهان دارند. کاربرد شبکه‌های اجتماعی در کسب و کارها جهت تبلیغات، بازاریابی، سیستم‌های پیشنهاد دهنده و همچنین در سیستم‌های مدیریت مصرف منابع و انرژی رو به افزایش می‌باشد. یکی از مهم‌ترین مسائل مطرح شده در رابطه با فرایند انتشار اطلاعات در شبکه‌های اجتماعی، مسأله بیشینه‌سازی گسترش تأثیر می‌باشد. در سال‌های اخیر، تحقیق‌هایی برای بهبود کیفیت پیش‌بینی مدل‌های انتشار اطلاعات در این مسأله انجام شده است. طی بررسی‌های انجام شده در مدل‌های موجود، تخمین احتمالات تأثیر کاربران بر روی یکدیگر به طور غیر واقعی محاسبه می‌شود. در این پژوهش با هدف بررسی و بهینه‌سازی فرایند گسترش تأثیر در شبکه‌های اجتماعی، روش جدیدی برای تعیین احتمالات تأثیر در میان کاربران پیشنهاد شده است. این روش تلفیقی از دو رویکرد اصلی محاسبه احتمالات تأثیر شامل بهره‌گیری از جدول لاگ فعالیت و روش یکنواخت مقدار از پیش تعیین شده است. عملکرد روش پیشنهادی بر روی مجموعه داده‌های مختلفی از شبکه‌های اجتماعی دنیای واقعی با روش‌های رقیب مورد ارزیابی و مقایسه قرار گرفت. نتایج حاصل از آزمایش¬ها نشان می‌دهد روش پیشنهادی می‌تواند باعث افزایش کارایی پیش¬بینی‌های مورد نظر جهت حل مسائل بیشینه‌سازی گسترش تأثیر گردد. تفاصيل المقالة

از آنجا که پیش بینی مصرف برق از موارد مهم مدیریت انرژی هر کشور محسوب می شود، در سال های اخیر روش های مختلفی براساس هوش مصنوعی برای آن ارائه شده است. یکی از این روش ها، استفاده از شبکه های عصبی مصنوعی است. برای آن که این شبکه ها عملکرد خوبی داشته باشند، باید به خوبی آموزش ببینند. یکی از متداول ترین الگوریتم های آموزش مورد استفاده در این شبکه ها، الگوریتم پس انتشار خطاست که براساس گرادیان نزولی است. از آنجا که الگوریتم های مبتنی برگرادیان نزولی ممکن است به نقاط بهینه محلی گرفتار شوند، در برخی از مسائل راه حل خوبی ارائه نمی دهند. از این رو برای آموزش این شبکه ها می توان از الگوریتم های بهینه سازی مانند الگوریتم های فراابتکاری که امکان فرار از بهینه های محلی را دارند، استفاده نمود. در این تحقیق، الگوریتم فراابتکاری جدیدی به نام الگوریتم بهینه سازی زغن معرفی می گردد که از زندگی اجتماعی زغن ها در طبیعت الهام گرفته شده است و دارای مزایایی مانند تعداد پارامترهای کم، قابلیت اکتشاف و سرعت همگرایی خوب، است. کارایی الگوریتم پیشنهادی، با چند الگوریتم جدید فراابتکاری روی توابع محک CEC2018 و برای آموزش شبکه عصبی در پیش بینی مصرف برق ایران در زمان های اوج مصرف بار، مقایسه گردیده است. نتایج حاصل، نشان می دهد الگوریتم پیشنهادی راه حل بهتری با خطای کمتری، در مقایسه با الگوریتم های رقیب به دست می آورد. تفاصيل المقالة

امروزه فیلتر کالمن کاربردهای زیادی در حل مسایل دنیای واقعی پیدا کرده است. این فیلتر یک فیلتر بازگشتی کارآمد است که حالت یک سیستم پویا را از یک سری اندازه‌گیری‌های پیچیده برآورد می‌کند و از کاربردهای آن می‌توان به پردازش سیگنال‌ها اشاره کرد. ما در این مقاله، از فیلتر کالمن در جهت حذف نویز از سیگنال الکتروکاردیوگرام یا نوار قلب استفاده می‌کنیم و مقایسه‌ای بین فیلتر FIR1 و فیلتر کالمن در جهت حذف نویز از این سیگنال‌ها انجام می‌دهیم تفاصيل المقالة