---

سنسورهای بی‌سیم و شبکه‌های سنسوری بی‌سیم اخیراً در جوامع علمی به طور جدی مطرح شده‌اند. این امر متأثر از توسعه روزافزون قطعات ریزمقیاس در مهندسی است که بسیاری از کاربردها را میسر می‌سازند. پژوهش‌های فراوانی در راستای استفاده از این سنسورها و امکان سامان‌دهی آن‌ها در قامت یک شبکه انجام و راه‌حل‌های متفاوتی برای این مساله پیشنهاد شده‌اند. یک روش ابداعی برای مدل کردن شبکه‌های سنسوری بی‌سیم، مدل‌سازی تطبیقی توزیع شده است. در این مدل، پردازش به صورت توزیع‌شده انجام می‌شود. شبکه‌ی تطبیقی مجموعه‌ای از گره‌ها با قابلیت تطبیق و آموزش است. هر گره با گره‌های مجاور تبادل داده انجام می‌دهد تا در نهایت شبکه بتواند یک مساله‌ی تخمین یا استنتاج را به طور توزیع‌شده حل کند. در این مقاله ابتدا جایگاه پردازش تطبیقیِ توزیع‌شده تبیین می‌شود، سپس راهکارهای ارائه شده برای مدل‌سازی تطبیقی، بررسی و نتایج شبیه‌سازی آن‌ها با یکدیگر مقایسه می‌گردد.

---

الگوریتم بهینه‌سازی ازدحام ذرات (PSOالگوریتم بهینه‌سازی ازدحام ذرات (PSO) یک روش بهینه‌سازی فراابتکاری مبتنی بر جمعیت است که می‌تواند برای طیف وسیعی از مسائل به‌کار گرفته شود اما این الگوریتم ایراداتی هم دارد؛ مانند این‌که به‌راحتی در نقاط بهینه محلی گیر می‌افتد و در مراحل پایانی دچار کندی همگرایی می‌گردد. به‌منظور حل این ایرادات، تاکنون انواع الگوریتم‌های PSO بهبودیافته (IPSO) پیشنهاد شده است. جهت ایجاد یک تعادل بین ویژگی‌های پویش و بهره‌برداری PSO، این مقاله الگوریتم‌های IPSO مبتنی بر یک کلاس جدید از ضرائب یادگیری نمایی (ELF-PSO) را معرفی می‌نماید که از لحاظ محاسباتی کارآمد و سریع می‌باشند. این کلاس شامل استراتژی‌های ضرائب یادگیری نمایی متغیر با زمان (TELF)، ضرائب یادگیری نمایی تصادفی (RELF)، ضرائب یادگیری نمایی خود-تنظیم (SELF) و ضرائب یادگیری نمایی خطی (LELF) است. آزمایش‌های متعددی برای مقایسه روش‌های پیشنهادی با یک مجموعه از استراتژی‌های معروف ضرائب یادگیری ثابت، تصادفی، متغیر با زمان و تطبیقی بر روی یک سری از توابع معیار غیرخطی انجام پذیرفت. نتایج تجربی و تحلیل‌های آماری ثابت می‌کنند که الگوریتم‌های ELF-PSO قادرند دسته وسیعی از مسائل بهینه‌سازی غیرخطی دشوار را به‌طور کارآمدی حل کنند. همچنین نتایج آزمایش‌ها نشان می‌دهد که روش‌های پیشنهادی، در اغلب موارد بهتر از سایر الگوریتم‌ها عمل می‌کنند.

---

 در این مقاله روشی برای مدل‌سازی بلادرنگ و متعامل بافت نرم در رزولوشن بالا بررسی می‌شود که در آن مدل درشت بافت نرم با غنی‌سازی مبتنی بر داده به مدل ظریف تبدیل می‌شود. برای این منظور در مرحله پیش‌پردازش نمونه‌های متناظر درشت و ظریف برای ساخت پایگاه داده‌های آموزشی ایجاد می‌شوند. با استفاده از یک رگرسور، مدل درشت مرحله آزمایش با مدل‌های درشت مرحله آموزش مقایسه شده و وزن‌هایی به هر نمونه آموزشی تخصیص می‌یابد و با این وزن‌ها بافت ظریف مرحله آزمایش با ترکیب خطی مدل‌های ظریف آموزشی تخمین زده می‌شود. با فرض تغییرشکل‌های محلی ناشی از اعمال نیرو به بافت، روشی برای استخراج بردار ویژگی پیشنهاد می‌شود که تغییرات مکانی گره محل تماس و گره‌های اطراف آن را روی مش مدنظر قرار داده و از تغییرات گره‌های دورتر صرف‌نظر می‌کند. این مساله باعث کاهش بعد بردار ویژگی و در نتیجه کاهش پیچیدگی محاسبات می‌شود. برای تعیین میزان شباهت و محاسبه وزن‌های ترکیب خطی، از رگرسور غیرخطی با هسته گوسی استفاده می‌شود و برای کاهش اعوجاج ناشی از وزن‌های منفی، الگوریتم حداقل مربعات غیرمنفی در رگرسور اعمال می‌شود. روش پیشنهادی روی دو مدل بافت نرم پیاده‌سازی شده و از نظر دقت بازسازی، پیچیدگی محاسباتی و زمان شبیه‌سازی مورد بررسی قرار گرفته است.