https://abmir.yazd.ac.ir/ پژوهش های نظری و کاربردی هوش ماشینی fa daily 1 Tue, 21 Apr 2026 00:00:00 +0430 Tue, 21 Apr 2026 00:00:00 +0430 https://abmir.yazd.ac.ir/article_4006.html در این مقاله، یک چارچوب جامع برای تحلیل و طبقه‌بندی محتوای بصری چندکلاسه مبتنی بر سیگنال‌های الکتروانسفالوگرافی تحریک‌شده ارائه شده است. با توجه به چالش‌های متعدد در استخراج ویژگی‌های معنادار از سیگنال‌های مغزی، رویکرد پیشنهادی بر تحلیل ترکیبی استخراج ویژگی در حوزه‌های زمانی، فرکانسی، زمان‌ـ‌فرکانس و محلی تمرکز دارد. ویژگی‌های استخراج‌شده با استفاده از روش‌های کلاسیک و ساختاری از سیگنال‌های الکتروانسفالوگرافی در کنار آزمون آماری Kruskal-Wallis انتخاب شده‌اند. سپس با بهره‌گیری از مدل‌های طبقه‌بندی متنوع، از جمله ماشین بردار پشتیبان، K-نزدیک‌ترین همسایه، پرسپترون چندلایه، درخت تصمیم و شبکه‌های عصبی کانولوشنی، عملکرد مدل‌ها ارزیابی گردید. نتایج نشان می‌دهد که ویژگی‌های حوزه زمان‌ـ‌فرکانس و سیگنال ثبت‌شده از کانال Fz، میانگین دقت 92/84٪ را در طبقه‌بندی چهارکلاسه بصری ارائه می‌دهند و بالاترین عملکرد را در میان سایر ترکیب‌ها دارد که نسبت به مراجع گذشته بین 2 تا 8 درصد بهبود داشته است. (با توجه به تعداد کلاس این افزایش مطلوب است) همچنین، روش‌های استخراج ویژگی 1D-LGP و LNDP نیز با دقت‌های بالا (83%) و مقاومت در برابر تغییرات کلاس‌ها، عملکرد قابل‌توجهی نشان دادند. این چارچوب پیشنهادی علاوه بر افزایش دقت طبقه‌بندی، از نظر محاسباتی نیز کارآمد بوده و قابلیت به‌کارگیری در سیستم‌های زمان واقعی را دارد. https://abmir.yazd.ac.ir/article_4007.html در سال‌های اخیر، توسعه سامانه‌های هوشمند حمل‌ونقل توجه بسیاری از پژوهشگران را به خود جلب کرده است. یکی از مهم‌ترین چالش‌های این حوزه، ناوبری خودروهای خودران در محیط‌های شهری است که به‌دلیل نیاز به تصمیم‌گیری بلادرنگ در شرایط ترافیکی پویا، تعامل با سایر وسایل نقلیه و واکنش مناسب به موانع غیرقابل پیش‌بینی، پیچیدگی بالایی دارد. در این پژوهش، نسخه‌ای ارتقایافته از الگوریتم برنامه‌ریزی حرکت مبتنی بر نیرو (FMP) با عنوان CAR-FMP برای ناوبری خودروهای خودران شهری ارائه شده است. در الگوریتم پیشنهادی، با معرفی یک نیروی کمکی جدید به‌منظور انجام مانورهای سبقت ایمن، حفظ فاصله مناسب با سایر خودروها و تنظیم پویای سرعت در پیچ‌ها، پایداری و روانی حرکت خودرو به‌صورت محسوسی بهبودیافته است. به‌منظور ارزیابی عملکرد، آزمایش‌ها در محیط شبیه‌سازی CARLA و در دو سناریوی استاندارد CoRL2017 و NoCrash انجام‌شده‌اند. نتایج نشان می‌دهد که روش پیشنهادی نسبت به الگوریتم‌های یادگیری‌محور متداول، به‌طور میانگین موجب افزایش ۶ درصدی نرخ موفقیت در سناریوی CoRL2017 و افزایش ۱۲ درصدی در سناریوی NoCrash با ترافیک متراکم می‌شود. درمجموع، چارچوب CAR-FMP با تکیه بر کنترل توزیع‌شده و عدم وابستگی به مسیرهای ازپیش‌تعیین‌شده، رویکردی مؤثر و مقیاس‌پذیر برای ناوبری ایمن و کارای خودروهای خودران در محیط‌های شهری فراهم می‌سازد. https://abmir.yazd.ac.ir/article_4009.html مدل YOLOv8-nano به‌عنوان یک شبکه سبک برای تشخیص اشیاء در زمان واقعی طراحی‌شده است، اما در شناسایی اشیاء کوچک مانند آتش و دود محدودیت دارد. در این مطالعه، مدل پیشنهادی با گسترش هرم ویژگی‌ها به مقیاس P2، افزودن ماژول توجه CBAM در لایه‌های میانی و عمیق، و جایگزینی کانولوشن استاندارد با GhostConv در مسیر PAN، عملکرد مدل برای اشیاء کوچک بهبودیافته است. مقیاس P2 جزئیات مکانی اشیاء کوچک را حفظ کرده و مسیر FPN اطلاعات معنایی از لایه‌های عمیق‌تر را منتقل می‌کند. ماژول CBAM با ترکیب توجه کانالی و مکانی، ویژگی‌های مرتبط با اشیاء کوچک را تقویت و نویز پس‌زمینه را کاهش می‌دهد GhostConv نیز با کاهش پارامترها و پیچیدگی محاسباتی، بهره‌وری مدل را افزایش می‌دهد. نتایج آزمایش روی مجموعه داده‌ها نشان می‌دهد مدل پیشنهادی تعادل بهینه‌ای بین دقت تشخیص و هزینه محاسباتی ارائه می‌دهد، و از نظر دقت نسبت به YOLOv8-n در کاربردهای زمان واقعی عملکرد بهتری دارد. این نتایج نشان می‌دهد که معماری بهینه‌شده می‌تواند راهکاری مؤثر برای تشخیص اشیاء کوچک در محیط‌های پیچیده ارائه دهد. https://abmir.yazd.ac.ir/article_4008.html سیستم‌های دسته‌بند یادگیر به‌عنوان چارچوبی ترکیبی برای تلفیق تفسیرپذیری مبتنی بر قوانین و یادگیری تطبیقی شناخته می‌شوند؛ مدل‌های کلاسیک آن‌ها در مواجهه با داده‌های پویای چندکاناله و با ابعاد بالا، به‌ویژه در کاربردهای بلادرنگ، دچار افت کارایی می‌شوند. این پژوهش معماری تازه‌ای با عنوان سیستم‌های دسته‌بند یادگیر فانتوم ارائه می‌کند که هدف آن رفع این محدودیت‌ها از طریق افزودن لایه‌ای تطبیقی میان نمایش‌های عمیق و سازوکار تکامل قوانین است. لایه فانتوم با استفاده از شبکه‌های عمیق، ویژگی‌های پیچیده و پُربعد استخراج‌شده از داده را به نمایش‌های قابل‌تفسیر تبدیل می‌کند و با هدایت گرادیانی، فرایند کشف و بهینه‌سازی قوانین را شتاب می‌بخشد. کارایی مدل پیشنهادی با مجموعه‌داده‌های معیار شامل MNIST، Fashion-MNIST، CIFAR-10، UCI Letter و Statlog مورد بررسی قرار گرفت. این دادگان گستره‌ای از سادگی الگوهای تک‌کاناله تا پیچیدگی تصاویر چندکاناله و ساختارهای عددی با ابعاد بالا را پوشش می‌دهند و امکان ارزیابی توانایی تعمیم، تفسیرپذیری و پایداری مدل را فراهم می‌کنند. افزون بر داده‌های معیار، مدل فانتوم در سه حوزه کاربردی واقعی بهینه‌سازی فرایندهای صنعتی، تشخیص تصاویر پزشکی و نگهداری پیش‌بینانه مبتنی بر اینترنت اشیا پیاده‌سازی و با روش‌های پیشرفته‌ای همچون XCS، XCSF و رویکردهای یادگیری تقویتی عمیق مقایسه شد. نتایج تجربی نشان داد که معماری فانتوم موجب افزایش ۳۸ درصدی سرعت همگرایی، بهبود ۲۲ درصدی دقت پیش‌بینی و کاهش ۴۷ درصدی پیچیدگی قواعد می‌شود. این یافته‌ها بیانگر مقیاس‌پذیری، پایداری و کارایی بالای مدل در محیط‌های نویزی و جریان‌محور بوده و مسیر تازه‌ای برای توسعه سامانه‌های قابل توضیح، بلادرنگ و قابل‌گسترش در کاربردهای چندعاملی و یادگیری مداوم فراهم می‌سازد. https://abmir.yazd.ac.ir/article_4097.html امروزه تقاضا برای تحلیل دقیق وضعیت پوستی و پیش‌بینی نتایج درمان‌های زیبایی پیش از اجرا، به یکی از نیازهای مهم در حوزه درماتولوژی و پزشکی زیبایی تبدیل­شده است. در این مقاله، یک چارچوب هوشمند مبتنی بر یادگیری عمیق به‌منظور تشخیص نواحی نیازمند درمان زیبایی در چهره افراد و شبیه‌سازی تصویری نتایج درمان توسعه‌یافته است. برای این منظور، نخست شبکه عصبی کانولوشنی جهت شناسایی خودکار ناهنجاری‌هایی چون چین‌وچروک، لکه‌های پوستی و عدم تقارن به کار رفت. در گام بعد، با بهره‌گیری از مدل پیکس‌توپیکس-گن، تصویر چهره پس از درمان به‌صورت واقع‌نما شبیه‌سازی شد. مدل پیشنهادی روی یک مجموعه‌داده شامل ۵۰۰۰ تصویر چهره از پایگاه‌های داده معتبر سلِب‌اِی، اف‌اف‌اچ‌کیو و درم‌نِت که دارای برچسب‌گذاری توسط متخصصان درماتولوژی برای نواحی آسیب‌دیده بودند، آموزش دید. فرایند ارزیابی، متکی بر شاخص‌های کمی شامل دقت 2/94 درصد، اف‌وان-اسکور 1/93 درصد، میانگین قدرمطلق خطا برابر 023/0 و نسبت اوج سیگنال به نویز معادل 5/31 دسی‌بل به همراه امتیاز رضایت‌بخشی 6/4 از ۵ توسط متخصصان انجام شد. نتایج حاصل نشان می‌دهد که چارچوب ترکیبی سی‌ان‌ان-گن، علاوه بر شناسایی دقیق نواحی نیازمند درمان، قادر است تصویری واقع‌گرایانه از نتیجه درمان ارائه دهد. https://abmir.yazd.ac.ir/article_4099.html پایش غیرتماسی ضربان قلب با استفاده از اطلاعات حالت کانال (CSI) سیگنال وای‌فای، به‌عنوان رویکردی نوظهور در حسگری زیست‌پزشکی، امکان نظارت پیوسته بر وضعیت فیزیولوژیکی افراد را بدون نیاز به تماس فیزیکی یا تجهیزات پوشیدنی فراهم می‌سازد. بااین‌حال، تغییرپذیری قابل‌توجه الگوهای CSI میان افراد مختلف و کمبود داده‌های برچسب‌دار، توسعه مدل‌های یادگیری عمیق تعمیم‌پذیر را با چالش جدی مواجه می‌کند. در این پژوهش، یک چارچوب مبتنی بر یادگیری داده‌محدود برای تخمین ضربان قلب از سیگنال‌های CSI ارائه می‌شود که از ساختارهای یادگیری شباهت‌محور (Siamese) و رابطه‌محور (Relation-based) بهره می‌گیرد. در این چارچوب، شبکه‌های عصبی کانولوشنی SE-DenseNet، SEResNet10 و MobileNetV2 به‌عنوان رمزگذار ویژگی به‌کار گرفته‌شده‌اند تا نمایش‌های تمایز بخش از سیگنال‌های زمانی و طیف‌نگارهای فرکانسی CSI استخراج شود. سپس، با استفاده از تعداد محدودی نمونه پشتیبان، مدل قادر است به‌صورت سریع با توزیع داده سوژه جدید تطبیق یابد، بدون آنکه دچار بیش‌برازش شود. با ارزیابی به روش LOSO کمترین میزان خطا bpm 38/1 در روش شباهت محور با رمزگذار ویژگی SE-DenseNet حاصل گردید. این طراحی امکان تحلیل نقش هم‌ترازی میان معماری شبکه، نمایش زمانی یا فرکانسی CSI و راهبرد یادگیری داده‌محدود را در توسعه سامانه‌های پایش غیرتماسی ضربان قلب فراهم می‌سازد. https://abmir.yazd.ac.ir/article_4103.html ناحیه‌بندی خودکار و دقیق تومورهای مغزی از تصاویر تشدید مغناطیسی، نقشی حیاتی در تشخیص، برنامه‌ریزی درمان و نظارت بر بیماری دارد. معماری‌های مبتنی بر CNN در استخراج ویژگی‌های محلی توانمند هستند اما در درک زمینه سراسری تصویر با محدودیت مواجه‌اند. مدل‌های ترنسفورمر در مدل‌سازی وابستگی‌های دوربرد و سراسری برتری دارند و مشکلات مدل‌های مبتنی بر CNN را در این زمینه رفع می‌کنند. در این مقاله، ما یک معماری ترکیبی نوین U-شکل پیشنهاد می‌کنیم که از نقاط قوت هر دو رویکرد بهره می‌برد. مدل ما از یک ستون فقرات مبتنی بر Swin-Transformer پیش‌آموخته به عنوان رمزگذار برای استخراج ویژگی‌های سلسله‌مراتبی و غنی از زمینه سراسری استفاده می‌کند. نوآوری اصلی این معماری، معرفی دو ماژول توجه فضایی پیشرفته برای پالایش و تطبیق ویژگی‌های استخراج‌شده از رمزگذار با دامنه پزشکی و ماژول افزایش مقیاس به کمک توجه کانالی در رمزگشا برای باز-وزن‌دهی انطباقی و بهینه اطلاعات دریافتی از اتصالات پرشی است. ارزیابی‌های انجام‌شده بر روی مجموعه داده چالش‌برانگیز BRISC نشان داد که روش پیشنهادی ما با دستیابی به امتیاز %6/80 در IoU وزنی و %6/88 در Dice، از مدل‌های پیشرفته پیشین عملکرد بهتری داشته و کارایی ترکیب ترنسفورمر با مکانیزم‌های توجه دوگانه را اثبات می‌کند. https://abmir.yazd.ac.ir/article_4105.html در سال‌های اخیر، شبکه‌های عصبی عمیق به‌طور گسترده در سامانه‌های بینایی رایانه مورد استفاده قرار گرفته‌اند. با اینحال، پیاده‌سازی این شبکه‌ها برروی وسایل قابل‌حمل به‌دلیل محدودیت‌های منابع محاسباتی، ظرفیت حافظه و توان مصرفی با چالش‌های جدی مواجه است. یکی از راهکارهای مؤثر برای غلبه بر این محدودیت‌ها، بهره‌گیری از پلتفرم‌های پیشرفته ناهمگن مانند AMD Versal است. در این پژوهش، پیاده‌سازی یک نسخه کم‌عمق از شبکه SqueezeNet (حاوی چهار ماژول Fire) برروی تراشه XCVE2302 از پلتفرم AMD Versal VD100 مورد بررسی قرار گرفته است. ابتدا، شبکه با استفاده از کتابخانه PyTorch در محیط Google Colab پیاده‌سازی و با مجموعه‌داده CIFAR-10 آموزش داده شد. سپس، معماری شبکه به‌همراه وزن‌های آموزش‌دیده با استفاده از ابزار Vitis HLS در نرم‌افزار Vivado 2023 به‌صورت سخت‌افزاری پیاده‌سازی گردید. پیاده‌سازی نهایی با فرکانس کاری 100 مگاهرتز انجام شد که منجر به استفاده از 129 بلوک حافظه BRAM، 136 بلوک حافظه URAM و توان مصرفی حدود 984/3 وات گردید. نتایج به‌دست‌آمده نشان می‌دهد که با طراحی شبکه‌های سبک‌وزن و مدیریت آگاهانه منابع حافظه می‌توان شتاب‌دهنده‌های کارآمدی را برروی پلتفرم Versal پیاده‌سازی کرد. در ادامه این مسیر، بهره‌برداری حداکثری از قابلیت‌های معماری Versal می‌تواند نقش مؤثری در کاهش چالش‌های پیاده‌سازی شبکه‌های عصبی برروی شتاب‌دهنده‌های سخت‌افزاری ایفا کند. https://abmir.yazd.ac.ir/article_4106.html تحلیل احساسات به‌عنوان یکی از زیرمجموعه‌های طبقه‌بندی متن، ابزاری حیاتی در حوزه‌هایی مانند مدیریت اطلاعات، تحلیل داده و بهبود عملکرد است. پیچیدگی متون فارسی، به دلیل ویژگی‌هایی نظیر طعنه، چندمعنایی و ترکیب زبان‌ها، چالش‌های منحصربه‌فردی را برای شناسایی احساسات ایجاد می‌کند. در این پژوهش، مدلی جدید معرفی‌شده که با ترکیب GRU و ParsBERT، ویژگی‌های محلی و سراسری متن را استخراج می‌کند. در این پژوهش تمرکز اصلی بر کاهش پیچیدگی محاسباتی و زمان آموزش با حفظ سطح مطلوب دقت بوده است، تا مدل بتواند در محیط‌های با منابع محدود نیز قابلیت استفاده داشته باشد. این مدل با کاهش لایه‌های رمزگذار و افزودن GRU، پارامترها و زمان آموزش را بهبود می‌بخشد. آزمایش‌ها روی مجموعه داده‌های اسنپ‌فود و طاقچه نشان داد که این مدل نسبت به مدل‌های پایه دقت بالاتری دارد و آموزش آن نیز سریع‌تر است. مدل ارائه‌شده در مجموعه داده طاقچه به 7/76 و در اسنپ‌فود به 16/86 در معیار F1 دست یافت، درحالی‌که تعداد پارامترهای آن کاهش چشمگیری داشت. این نتایج نشان می‌دهد که مدل ارائه‌شده برای تحلیل احساسات متون فارسی، کارآمد و بهینه است. https://abmir.yazd.ac.ir/article_4107.html تشخیص خطوط جاده به‌عنوان عناصر حیاتی در سیستم‌های ادراک بصری خودروهای هوشمند، نقشی کلیدی در تضمین ناوبری ایمن ایفا می‌کنند و برای سیستم‌های رانندگی خودران و فناوری‌های پیشرفته کمک‌راننده ضروری هستند. بااین‌حال، دستیابی به‌دقت بالا در تشخیص خطوط جاده در شرایط چالش‌برانگیز مانند سایه، ازدحام ترافیکی و محوشدگی خطوط جاده، در عین حفظ کارایی بلادرنگ، همچنان یک چالش اساسی به شمار می‌رود. در این پژوهش، یک معماری سبک‌وزن به‌منظور ارتقای عملکرد تشخیص خطوط جاده در محیط‌های پیچیده ارائه شده است که با تلفیق راهبردهای نوآورانه طراحی گردیده است. هسته اصلی این چارچوب، ادغام هدفمند ماژول توجه کانالی–فضایی در لایه‌های میانی شبکه ResNet است که امکان تقویت و پالایش ویژگی‌های متمایزکننده را فراهم می‌سازد. افزون بر این، با بهره‌گیری از راهبرد پیشرفته تقطیر دانش، مدل پیشنهادی به دقت تشخیص بالا همراه با کارایی محاسباتی بلادرنگ دست‌یافته است. ارزیابی روی مجموعه‌داده CULane نشان داد که روش پیشنهادی با امتیاز F1 معادل %‌۲۰/۸۰  و سرعت ۴۰۷ فریم بر ثانیه، به ترتیب بهبود %۵۴/۰ و افزایش سرعت %۷۹/۱ نسبت به مدل CLRKDNet و روش ECBAM_ASPP داشته است. همچنین در مجموعه‌داده TuSimple، مدل پیشنهادی بادقت%۹۶/۹۶ کمترین خطای منفی کاذب %۵۷/۱ در میان روش‌های مقایسه شده، عملکرد برتری از خود نشان داده است. در مقایسه با روش‌های مبتنی بر توجه مانند ECBAM_ASPP و معماری‌های پرسرعتی همچون UFLD، روش پیشنهادی تعادل مطلوبی میان دقت و سرعت برقرار کرده و برای کاربردهای بلادرنگ در خودروهای خودران مناسب‌تر است. https://abmir.yazd.ac.ir/article_4108.html یکی از موضوعات مهم در حوزه پردازش صوت و گفتار، تغییر احساس در گفتار است. ازجمله چالش‌های موردتوجه، محاسبه مقدار دقیق ویژگی‌های اصلی شامل انرژی، گام و دیرش است. هرچند قبلاً روش‌های موثری ارائه‌شده‌اند، لیکن روش‌های موجود برای محاسبه انرژی به جهت اینکه فقط پارامتر دامنه را لحاظ می‌کنند، به‌تنهایی برای مدل‌سازی نوای گفتار کارایی مطلوبی ندارند. این پژوهش نشان می‌دهد که چگونه می‌توان از تابع جدیدی برای محاسبه انرژی جهت مدل‌سازی گشتار گفتار احساسی بهره برد. روش پیشنهادی برای محاسبه انرژی، بر اساس حساسیت سیستم شنوایی انسان در فرکانس‌های مختلف عمل می‌کند. در این روش انرژی بر اساس فاصله نقاط اکسترمم که مرتبط با دامنه و فرکانس است محاسبه می‌شود. جهت ارزیابی کارایی، یک سیستم گشتار گفتار احساسی با استفاده از تابع انرژی پیشنهادی بر روی پایگاه‌داده گفتار احساسی Persian ESD پیاده‌سازی و با روش‌های معمول محاسبه انرژی مقایسه شد. نتایج آزمایشی طبق نظرسنجی CMOS نشان می‌دهد که تابع پیشنهادی، کیفیت گفتار احساسی تولیدشده را در حد مطلوبی افزایش داده است. https://abmir.yazd.ac.ir/article_4112.html یادگیری فدرال به عنوان یک رویکرد نوین در یادگیری ماشین توزیع‌شده، امکان آموزش مدل‌های هوش مصنوعی را بدون نیاز به انتقال داده‌های خام فراهم می‌سازد. با این حال، ساختار کلاسیک یادگیری فدرال وابسته به یک سرور مرکزی است که در بسیاری از کاربردهای واقعی نظیر شبکه‌های متحرک و اینترنت اشیاء در دسترس نیست. از سوی دیگر، ناهمگونی داده‌ها و تحرک گره‌ها چالش‌های اساسی در پیاده‌سازی چنین دستگاه‌هایی ایجاد می‌کند. در این پژوهش، یک روش نوین برای یادگیری فدرال غیرمتمرکز ارائه‌شده است. در این روش، هر گره تنها بر اساس ارتباطات محلی خود و بدون وابستگی به گره مرکزی اقدام به به‌روزرسانی مدل می‌کند. یک گراف پویا مبتنی بر ملاقات گره‌ها برای مدل‌سازی ارتباطات ایجادشده و به کمک محاسبه مجموعه برتری گراف، گره‌های مؤثر در فرآیند تجمیع انتخاب می‌شوند. برای وزن‌دهی دقیق به مدل‌های منتخب، از یک روش تصمیم‌گیری چندمعیاره استفاده‌شده است که معیارهایی نظیر دقت، حجم داده و امتیاز گره را در نظر می‌گیرد. علاوه براین، از شباهت بین مدل‌ها در فرآیند تجمیع گراف‌ها استفاده می‌شود. روش پیشنهادی بر روی سه دادگان مرجع MNIST، FASHION-MNIST و CIFAR10 ارزیابی و با دو روش مرجع FedAvg همتابه‌همتا و WAFL مقایسه شد. نتایج دقت مدل‌ها در دو محیط با 50 و 100 گره به ترتیب 964/0، 952/0، 771/0، 682/0، 424/0 و 399/0 نشان داد که روش پیشنهادی عملکرد بهتری دارد. یافته‌ها بیانگر توانمندی روش پیشنهادی برای کاربرد در شبکه‌های پویا و متحرک با تعداد مشتری‌های زیاد و فاقد زیرساخت مرکزی است که می‌تواند بر مشکل مقیاس‌پذیری و انحراف مشتری‌ها در یادگیری فدرال غیرمتمرکز غلبه کند. https://abmir.yazd.ac.ir/article_4123.html در این پژوهش، یک رویکرد نوین برای حل مسئله پیچیده بهینه‌سازی ترکیب شیمیایی فولاد به‌منظور دستیابی به حداکثر استحکام تسلیم ارائه‌شده است. به دلیل ناکارآمدی روش‌های سنتی مبتنی بر آزمون‌وخطا، از یک رویکرد ترکیبی و دومرحله‌ای استفاده‌شده است. در مرحله اول، یک مدل یادگیری ماشین به نام جنگل تصادفی بر روی مجموعه داده‌های واقعی از ترکیبات فولادی آموزش داده‌شده است تا به‌عنوان یک تابع برازندگی دقیق برای پیش‌بینی استحکام عمل کند. در مرحله دوم، نُه الگوریتم تکاملی و فراابتکاری شامل الگوریتم ژنتیک، ازدحام ذرات، شبیه‌سازی تبرید، زنبورعسل، کرم شب‌تاب، جستجوی گرانشی، رقابت استعماری، بهینه‌سازی گرگ خاکستری و کلونی مورچگان برای یافتن ترکیب آلیاژی بهینه به کار گرفته‌شده‌اند. نتایج ۱۰ اجرای مستقل نشان داده است که الگوریتم ازدحام ذرات با کسب بهترین استحکام تسلیم برترین عملکرد را در یافتن ترکیب بهینه داشته است. الگوریتم‌های بهینه‌سازی گرگ خاکستری و رقابت استعماری نیز عملکرد بسیار نزدیکی به الگوریتم ازدحام ذرات از خود نشان داده‌اند. در مقابل، الگوریتم شبیه‌سازی تبرید با وجود سرعت بالا، به یک راه‌حل زیر بهینه همگرا شده است و الگوریتم کرم شب‌تاب نیز از نظر زمان اجرا بسیار ناکارآمد عمل کرده است. تحلیل نتایج بهترین ترکیب‌های به‌دست‌آمده نشان می‌دهد که برای حداکثر کردن استحکام تسلیم، فولاد باید حاوی درصد بالایی از عنصر کبالت و عناصر کاربیدساز قوی (مانند کروم و تنگستن) باشد، درحالی‌که درصد عناصر کلیدی مانند نیکل، کربن و وانادیوم می‌تواند بسیار پایین یا نزدیک به صفر باشد. این رویکرد، راهکاری کارآمد برای طراحی مواد با خواص مطلوب بدون نیاز به آزمایش‌ها تجربی گسترده را فراهم می‌آورد. https://abmir.yazd.ac.ir/article_4163.html آسیب‌پذیری شبکه عصبی گرافی (GNN) در مقابل حملات تخاصمی یک چالش اساسی در این حوزه بوده که پیاده‌سازی آن‌ها را در کاربردهای حساس و با ریسک بالا محدود می‌سازد. در این پژوهش، یک چارچوب دفاعی هوشمند با نام تصادفی‌سازی گراف به‌عنوان سپر تفکیک‌پذیر (GRDS) را معرفی می‌کنیم که این چالش را با هزینه محاسباتی معقول برطرف می‌کند. نوآوری اصلی پژوهش ما در ارائه یک راهکار عملی بوده که برخلاف روش‌های مرسوم، مقاومت را بدون کاهش چشمگیر دقت در داده‌های تمیز، ایجاد می‌کند. روشی که در این چارچوب به کار گرفته‌ایم برپایه یک سپر ماژولار بنا شده است که با استفاده از یک تابع زیان چند-هدفه و هوشمند، با یادگیری می‌تواند به‌صورت تفکیک‌پذیر باعث تمایز یال‌های حیاتی و غیرحیاتی گراف شود. این سپر قبل از شبکه عصبی گرافی قرارگرفته و با تار کردن هدفمند ساختار گراف، باعث گمراهی مهاجمان می‌گردد. این چارچوب با Pytorch و کتابخانه PyTorch Geometric پیاده‌سازی شده است، ارزیابی جامع بر روی دیتاست‌های استاندارد Cora، Pubmed و CiteSeer و در برابر انواع روش‌های حمله (مبتنی بر گرادیان، تصادفی و مانند آن) انجام شد و نتایج استخراج‌شده نشان می‌دهد GRDS با هزینه‌ای ناچیز در دقت (افت کمتر از 4%) باعث افزایش مقاومت مدل نسبت به مدل پایه می‌شود (بیشتر از 11%). این یافته الهام‌بخش آن بوده که دفاع مؤثر در تصادفی سازی هوشمند بهتر از حذف کورکورانه عمل می‌کند. https://abmir.yazd.ac.ir/article_4182.html بهره‌گیری از شبکه‌های اجتماعی به‌عنوان یک منبع اطلاعاتی کمکی، راهکاری مؤثر برای غلبه بر چالش پراکندگی داده‌ها در سیستم‌های توصیه‌گر محسوب می‌شود. بااین‌حال، روابط اجتماعی در دنیای واقعی غالباً نویزدار بوده و فرض «همسویی کامل ترجیحات میان دوستان» همواره صادق نیست. اخیراً، یادگیری تقابلی گراف برای مقابله با این نویزها موردتوجه قرار گرفته است، اما رویکردهای رایج باتکیه‌بر روش‌های تصادفی مانند حذف یال‌ها، ساختار معنایی گراف را مخدوش کرده و بازنمایی‌های ناپایداری تولید می‌کنند. برای رفع این محدودیت‌ها، در این مقاله یک چارچوب نوین مبتنی بر یادگیری تقابلی گراف با استفاده از نویز تخاصمی پیشنهاد شده است. در این معماری، به‌جای ایجاد اختلال در ساختار گراف، با بهره‌گیری از روش گرادیان سریع، اختلالات هدفمندی به فضای پیوسته بازنمایی‌ها تزریق می‌شود تا نماهای تقابلی “سخت” و مقاومی تولید گردد. علاوه بر این، یک رویکرد یادگیری تقابلی دوگانه توسعه‌یافته است که شامل ترازسازی درون دامنه‌ای (برای استخراج ویژگی‌های خالص هر گراف) و میان‌دامنه‌ای (برای انتقال هدفمند سیگنال‌های مفید اجتماعی به دامنه تعاملی) است. ارزیابی‌های تجربی بر روی چهار مجموعه داده واقعی (Yelp, Epinions, Trustfilm, Ciao) نشان می‌دهد که مدل پیشنهادی در مقایسه با جدیدترین روش‌های پایه، به طور میانگین به میزان %8.5 در شاخص Recall و %7.2 در شاخص NDCG بهبود عملکرد داشته است. این نتایج اثربخشی استفاده از نویز تخاصمی را در استخراج بازنمایی‌های مقاوم و بهبود دقت توصیه‌ها تأیید می‌کند.