همراه با توسعه و تکامل فوق العاده سریع ارتباطات و گسترش روزافزون دسترسی مردم به اینترنت و شبکه‌‌های کامپیوتری وجود خرابکاری های آنلاین و دسترسی غیرقانونی به اطلاعات کاربران بیشتر شده است. ایمیل یکی از روش‌‌هایی است که برای حملات اینترنتی مورد توجه بیشتر نفوذگران واقع شده است. هر کاربری در دنیای اینترنت حداقل یک حساب کاربری برای ارتباطات آنلاین دارد که از این حساب کاربری در ثبت نام سایت‌‌ها و عضویت مراکز گوناگون استفاده می‌‌کند. تشخیص و شناسایی یکی از روش‌‌های مقابله با ایمیل هرزنامه است. لذا هدف ما در این مقاله تشخیص ایمیل هرزنامه با استفاده از ترکیب نیوی بیز و الگوریتم جستجوی هارمونی خواهد بود. در مدل پیشنهادی از نیوی بیز برای طبقه‌‌بندی نمونه‌‌ها و از الگوریتم جستجوی هارمونی برای انتخاب ویژگی‌‌های مهم و تاثیرگذار در تشخیص استفاده می‌‌کنیم. نتایج برروی مجموعه داده Spambase با 57 ویژگی نشان می‌دهد که مدل پیشنهادی در مقایسه با مدل‌‌های PSO-NB و ACO-NB دقت تشخیص بهتری دارد و همچنین انتخاب ویژگی و مقدار پارامترهای الگوریتم جستجوی هارمونی در دقت تشخیص بسیار موثر هستند. Manuscript profile

Manuscript profile

حمله‌های اینترنتی و گسترش فعالیت‌ هکر‌ها برای به سرقت بردن اطلاعات کاربران مختلف روزبه‌روز در حال افزایش است. تهدیدهای اینترنتی هوشمندتر شده‌اند،‌ اهدافشان متنوع‌تر و محدوده عملیاتی‌‌شان نیز گسترده‌تر شده است. اما بااین‌وجود، زمینه‌های اصلی فعالیت‌های آن‌ها تغییر چندانی نکرده است. بیشتر نفوذها از طریق سرویس‌‌های ایمیل انجام می‌‌گیرد. عمومیت و سادگی استفاده از ایمیل باعث شد تا مشکلاتی برای کاربران ایجاد گردد و مفهومی به نام ایمیل هرزنامه وارد دنیای فن‌‌آوری اطلاعات گردید. لذا باید نوع ایمیل‌‌ها ازنظر هرزنامه و غیر هرزنامه تشخیص داده شوند. در این مقاله، به‌منظور تشخیص ایمیل هرزنامه از مدل ترکیبی بهینه‌‌سازی کلونی مورچه و آدابوست استفاده‌شده است. در الگوریتم ترکیبی از الگوریتم بهینه‌‌سازی کلونی مورچه برای انتخاب ویژگی و از آدابوست برای طبقه‌‌بندی نمونه‌‌ها استفاده‌شده است. در الگوریتم آدابوست برمبنای اختصاص وزن به نمونه‌‌ها، نوع نمونه‌‌های ضعیف و قوی تشخیص داده می‌‌شوند. ارزیابی نتایج بر روی مجموعه داده Spambase با 4601 نمونه نشان داده که درصد صحت مدل پیشنهادی برابر 27/96 درصد است و در مقایسه با الگوریتم‌‌های بهینه‌‌سازی اجتماع ذرات، ژنتیک، بهینه‌‌سازی کلونی مورچه، شبکه‌های عصبی پرسپترون چندلایه، شبکه‌‌های عصبی شعاعی و درخت تصمیم C4.5 دقت بیشتری دارد. Manuscript profile

Because of the low accuracy of estimation and uncertainty of the techniques used in the past to Software Cost Estimation (SCE), software producers face a high risk in practice with regards to software projects and they often fail in such projects. Thus, SCE as a complex issue in software engineering requires new solutions, and researchers make an effort to make use of Meta-heuristic algorithms to solve this complicated and sensitive issue. In this paper, we propose a new method by improving Genetic Algorithm (GA) with Bat Algorithm (BA), considering the effect of qualitative factors and false variables in the relations concerning the total estimation of the cost. The proposed method was investigated and assessed on four various datasets based on seven criteria. The experimental results indicate that the proposed method mainly improves accuracy in the SCE and it reduced errors' value in comparison with other models. In the results obtained, Mean Magnitude of Relative Error (MMRE) on NASA60, NASA63, NASA93, and KEMERER is 17.91, 34.80, 41.97, and 95.86, respectively. In addition, the experimental results on datasets show that the proposed method significantly outperforms GA and BA and also many other recent SCE methods. Manuscript profile

فرآیند خدمات مددکاری و توانمندسازی در نهادهای حمایتی از جمله کمیته امداد امام خمینی(ره) جامع و گسترده است و با تحقیق، پذیرش و ارائه خدمات مددکاری برای نیازمندان شروع و بعد از حمایت هدفمند و زماندار، با آموزش و توانمندسازی مددجویان و خروج آنان از چتر حمایتی به پایان می رسد. از این رو بهره گیری از تکنیک های نوین جهت بررسی میزان بهره وری مدل پیاده سازی شده رورت دارد تا اهداف سازمانی از جمله اصلاح فرآیندهای جاری برای رعایت عدالت اجتماعی در حمایت از نیازمندان واقعی و خروج از چرخه حمایت مددجویان توانمند، تأمین شود. در این مطالعه پژوهشگران به دنبال پاسخ به این سؤال هستند که آیا مدل فرایند خدمات مددکاری و توانمندسازی بهره وری لازم جهت نیل به اهداف سازمانی را دارا بوده یا نیاز به بازطراحی دارد؟ در این راستا داده های مربوط به میزان تحقق اهداف کاربردی بعد از پیاده سازی مدل فرآیند خدمات مددکاری و توانمندسازی از جنبه شناسایی، راهنمایی، پذیرش، نیازسنجی، اولویت بندی، میزان خدمات عمومی و تخصصی قابل ارائه به نیازمندان واجد شرایط با رویکرد توانمندسازی، با استفاده از پرسشنامه جمع آوری و با استفاده از متدولوژی کریسپ-داده کاوی[1]مراحل مختلف مبتنی بر داده کاوی انجام گردید. در نهایت جمع بندی نتایج حاصل از داده کاوی با استفاده از رافست[2] 0.86، درخت تصمیم گیری[3] 0.80، تئوری بیز[4] 0.70، شبکه های عصبی مصنوعی[5]0.85 میزان دقت مدل را پیش بینی نمود. لذا مدل موجود بهره وری لازم جهت تحقق اهداف سازمانی را در حدمطلوب دارا بوده و با بازطراحی مجدد مدل موجود توسط پژوهشگران آتی با بهره گیری از نتایج پژوهش حاضر، امکان ارائه مدل بهینه جهت الگوبرداری سایر سازمان های مردم نهاد غیردولتی[6]در داخل و خارج از کشور فراهم خواهد شد. Manuscript profile

The structure of the community is one of the important features of social networks. A community is a sub graph which nodes have a lot of connections to nodes of inside the community and have very few connections to nodes of outside the community. The objective of community detection is to separate groups or communities that are linked more closely. In fact, community detection is the clustering of the network, and the community separates a graph. In recent years, public methods suffer from inefficiency because of the high complexity of time and the need for full access to graph information. In contrast, smart methods such as meta-heuristic algorithms, the use of low parameters and much less complex time complexity have been among the most popular methods in recent years. These methods have good features, but they still face problems such as dependence on finding the best point in search space, global updates, and poor quality due to the formation of large communities and others. In this paper, in order to improve the mentioned problems, a method is proposed based on combining the Firefly Algorithm (FA) and Learning Automata (LA). In the proposed model, LA is used to increase the efficiency of the FA. Choosing the best neighbours for the FA agents is done using the LA. The results from the four datasets of Karate, Dolphins, Polbooks, and Football show that the proposed model has more Normalized Mutual Information (NMI) than other models. Manuscript profile

The Internet provides easy access to a kind of library resources. However, classification of documents from a large amount of data is still an issue and demands time and energy to find certain documents. Classification of similar documents in specific classes of data can reduce the time for searching the required data, particularly text documents. This is further facilitated by using Artificial Intelligence (AI) and optimization algorithms which are highly potential in Feature Selection (FS) and words extraction. In this paper Crow Search Algorithm (CSA) is used for FS and K-Nearest Neighbor (KNN) for classification. Additionally, TF technique is proposed for counting words and calculating the words’ frequency. Analysis is performed on Reuters-21578, Webkb and Cade 12 datasets. The results indicate that the proposed model is more accurate in classification than KNN model and, show greater F-Measure compared to KNN and C4.5. Moreover, by using FS, the proposed model promotes classification accuracy by %27, compared to KNN. Manuscript profile

With increasing speed of information and documents on the Web, need to classify them in different categories and clusters to be felt. Clustering try to find related structures in datasets which they are not categorized, yet. Concerning the needs, a new approach for text documents categorization is presented in this paper which included three phases: pre-processing documents and selection feature, K-Means clustering and Naïve Bayes (NB) optimization. The proposed model uses K-Means and NB algorithms that utilize K-Means algorithm to find minimum distances between features from center of clusters and NB algorithm for computing the probability of each feature into documents and using them to clustering features, separately. The proposed model optimizes performance of K-Means algorithm by using NB properties in clustering. Therefore, the model overcomes to the challenges of labeling different documents and origin of K-Means algorithm which it refers to categorizing text documents as un-supervised model. Finally, the experiment results of proposed algorithm and K-Means algorithms are evaluated based on evaluation methods and are compared in validated datasets. Manuscript profile

In recent years, production of text documents has seen an exponential growth, which is the reason why their proper classification seems necessary for better access. One of the main problems of classifying text documents is working in high-dimensional feature space. Feature Selection (FS) is one of the ways to reduce the number of text attributes. So, working with a great bulk of the feature space without FS increases the computational cost which is a function of the length of the vector, and also, it helps to remove irrelevant attributes. The general approach in this paper combines the hybrid of Flower Pollination Algorithm (FPA) with Ada-Boost algorithm. The FPA is used for FS and the Ada-Boost is used for classification of text documents. Tests were conducted on Reuters-21578, WEBKB and CADE 12 datasets. The results show that the hybrid model has higher detection accuracy in FS compared with Ada-Boost algorithm with model. And comparisons are indicative of higher detection accuracy of the proposed model compared with KNN-K-Means, NB-K-Means and learning models. Manuscript profile

In this paper, a novel filter-based approach is proposed using the PageRank algorithm to select the optimal subset of features as well as to compute their weights for web page classification. To evaluate the proposed approach multiple experiments are performed using accuracy score as the main criterion on four different datasets, namely WebKB, Reuters-R8, Reuters-R52, and 20NewsGroups. By analyzing the obtained results, it is observed that the accuracy score of the classifier on WebKB, Reuters-R8, and Reuters-R52 datasets significantly improved from 91% up to 96% compared to the best result achieved by other feature selection methods like IG and Chi-2. Whereas, the accuracy score of the classifier on 20NewsGroups dataset didn't see any noticeable improvement and remained close to the most compared methods. Evaluating the performance of the proposed approach shows the superiority of it in obtaining higher accuracy scores when compared with the feature sets selected by other methods. Manuscript profile

Data clustering is an ideal way of working with a huge amount of data and looking for a structure in the dataset. In other words, clustering is the classification of the same data; the similarity among the data in a cluster is maximum and the similarity among the data in the different clusters is minimal. The innovation of this paper is a clustering method based on the Crow Search Algorithm (CSA) and Opposition-based Learning (OBL). The CSA is one of the meat-heuristic algorithms that is difficult at the exploration and exploitation stage, and thus, the clustering problem is susceptible to initialization for centrality of the clusters. In the proposed model, the crows change their position based on the OBL method. The position of the crows is updated using OBL to find the best position for the cluster. To evaluate the performance of the proposed model, the experiments were performed on 8 datasets from the UCI repository and compared with seven different clustering algorithms. The results show that the proposed model is more accurate, more efficient, and more robust than other clustering algorithms. Also, the convergence of the proposed model is better than other algorithms. Manuscript profile

Crime detection is one of the major issues in the field of criminology. In fact, criminology includes knowing the details of a crime and its intangible relations with the offender. In spite of the enormous amount of data on offenses and offenders, and the complex and intangible semantic relationships between this information, criminology has become one of the most important areas in the field of clustering. With the development of computer systems and the development of clustering algorithms, it has been possible to interpret mass data and extract knowledge from them. There are different types of attribute in the mass data set, each of which can be suitable for crime detection. By clustering, different groups of crime can be identified and also the percentage of their occurrence. In this paper, a K-Means improved by Artificial Bee Colony (ABC) algorithm is proposed for crime clustering. In the proposed model, an ABC algorithm has been used to improve cluster centers and increase the accuracy of clustering and assignment of samples to appropriate clusters. The main motivation is to exploit the search ability of ABC algorithm and to avoid the original limitation of falling into locally optimal values of the K-Means. Evaluation has done on data set with 1994 samples and 128 features. The results show that the accuracy of the proposed model is higher than K-Means, and the Purity value of the proposed model with 500 iterations is 0.943. Manuscript profile

Nowadays, software cost estimation (SCE) with machine learning techniques are more performance than other traditional techniques which were based on algorithmic techniques. In this paper, we present a new hybrid model of multi-layer perceptron (MLP) artificial neural network (ANN) and ant colony optimization (ACO) algorithm for high accuracy in SCE called Multilayer Perceptron Ant Colony Optimization (MLPACO). Current research uses some of features for increasing accuracy of estimation among of the existing parameters has been considered for effort estimation in software projects, and then these selected features will be filtered by ACO algorithm in order to reach highest accuracy in estimation and optimization of MLP ANN method. The results show that this novel approach with high accuracy for more than 80% cases is better than algorithmic constructive cost model (COCOMO) in the majority cases. Also, the results of proposed algorithm show that mean magnitude of relative error (MMRE) in the proposed algorithm is lower than COCOMO model. Manuscript profile

این پژوهش به بررسی میزان موفقیت مدل پیاده سازی شده فرایند خدمات مددکاری و توانمندسازی در بزرگترین نهاد حمایتی کشور پرداخته و با بهره گیری از تکنیک های نوین، نسبت به بازطراحی مدل اولیه اقدام نموده است. در این تحقیق داده های مربوط به منظور سنجش میزان تحقق اهداف کاربردی با توزیع پرسش نامه در بین 100نفر از همکاران کمیته امداد در سطح 21 شهرستان استان آذربایجان غربی جمع آوری و با استفاده از متدولوژی CRISP-DM مراحل مختلف مبتنی بر داده کاوی انجام گردید. در ادامه به منظور پاسخگویی به سوال اصلی تحقیق، داده های مربوط به تعداد4687مددجویی که فرایند موجود را طی نموده بودند از طریق تکنیک های فرایندکاوی مورد بررسی قرار گرفت.نتایج حاصل نشان داد که مدل پیاده سازی شده، معیارهای 4 گانه کیفی را از جنبه سادگی محقق، ولی به منظور دستیابی کامل به مطابقت، عمومیت و دقت، نیاز به بازطراحی دارد. در این راستا با حذف حلقه تکرار در مسیر ۳، مدل اولیه بازطراحی گردید تا ضمن تحقق کامل اهداف کاربردی، با مد نظر قرار دادن مطالبات اقشار آسیب پذیر اجتماعی،ضمن تکریم و افزایش سطح رضایت مندی جامعه هدف، به عنوان الگویی موفق توسط سایر سازمانهای مردم نهاد غیردولتی در داخل و خارج کشور مورد بهره برداری قرار گیرد. Manuscript profile