متن کامل این مقاله به زبان انگلیسی می باشد. لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید.لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.

شکست یک سد خاکی می تواند موجب بروز بحرآن های شدید در ناحیه سیلاب زده پایین دست گردد. لذا تعیین دقیق ویژگی های شکافت و جریان در ارزیابی خطرهای حاصل از خرابی سد از اهمیت به سزایی برخوردار است. در این تحقیق از مدل های آزمایشگاهی با مصالح دآنه ای در اندازه و خصوصیت های مکانیکی مختلف برای مطالعه فرسایش و نقش آن در گسترش هندسی شکافت استفاده شده است. از رگرسیون چندمتغیره در توسعه رابطه جدید برای تعیین دبی اوج (Qp) بهره گیری شده که در آن پراسنجه های بدنه سد در کنار پراسنجه های هیدرولیکی به کار رفته اند. نتیجه ها نشان می دهد مشارکت این ویژگی ها توانسته کارآیی را در تعیین Qp حاصل از شکست سد خاکی ارتقا دهد. از آنجائی که نرخ تکامل عرض متوسط شکافت (Bave) و عمق آن (Hb) نقش اثرگذاری بر آب نمود خروجی دارد، علاوه بر ارائه رابطه های جدید برای این دو پراسنجه، با مشارکت منابع مختلف داده ای و استفاده از برنامه ریزی بیان ژن (GEP) در تعیین آن، محدوده تغییرات جدیدی برای نسبت های بی بعد Hb بر ارتفاع سد (Hd) و نیز Bave بر عرض بالایی (Bt) و پایینی آن (Bb) معرفی و خروجی آن به سدهای لغزشی نیز بسط داده شده است. بر مبنای شاخص های عملکردی و آماری در رابطه ها، مقدارهای ضریب R2 برای Qp معادل با 91/0، برای Bave معادل با 99/0 و برای Hb برابر با 97/0 به دست آمده است.

با رشد شبکه های اجتماعی، این شبکه ها هر روز بزرگ و بزرگ تر می شوند و تحلیل آنها به مراتب پیچید ه تر می شود. برای سادگی تحلیل شبکه های اجتماعی می توان آنها را به مجموعه ای از اجتماعات مختلف تقسیم کرد. این کار، تحلیلگران و کارشناسان را در درک رفتار و عملکرد اینگونه شبکه ها یاری می دهد. روش های مختلفی برای تشخیص اجتماعات در شبکه ها ارائه شده اند. بیشینه سازی ماژولاریتی، یکی از روش های مدرن و مناسب برای تشخیص اجتماع است. بیشینه سازی ماژولاریتی یک مسئله NP-hard است؛ به این معنی که هیچ الگوریتم چندجمله ای برای حل این مسئله وجود ندارد؛ مگر اینکه P=NP باشد. یک دسته از روش ها برای حل اینگونه مسائل، الگوریتم های تقریب است. شناسایی گرههای پرنفوذ، کاربردهای زیادی در شبکه های اجتماعی دارد. این روش می تواند برای تشخیص اجتماع نیز به کار رود. در این مقاله، الگوریتم های تقریبی برای بیشینه سازی ماژولاریتی براساس شناسایی گرههای پرنفوذ و دامنۀ نفوذشان پیشنهاد می شود. همچنین، از مفاهیم شبکه های مستقل از مقیاس برای اثبات نرخ تقریب استفاده می شود. آزمایش ها روی شبکه های واقعی نشان می دهند الگوریتم پیشنهادی قابل رقابت با روش های مدرن تشخیص اجتماع است.

در دهه گذشته، مردم زمان زیادی را در شبکه های اجتماعی برای تعامل با دوستان و به اشتراک گذاری اطلاعات، افکار، اخبار و غیره صرف می کنند. این شبکه های اجتماعی بخش مهمی از زندگی روزمره ما را تشکیل می دهند. با بهره برداری از توسعه شبکه های اجتماعی، یافتن افراد تأثیرگذار در یک شبکه ی اجتماعی کاربردهای عملی زیادی در بازاریابی، سیاست و حتی کنترل بیماری ها دارد. در این مقاله، روش جدیدی با عنوان الگوریتم کرکس توسعه یافته پویا برای حل مسئله بیشینه سازی نفوذ ارائه کرده ایم. با توجه به این نکته که در دنیای واقعی، شبکه های اجتماعی ماهیت بسیار پویا و مقیاس پذیر دارند. در الگوریتم پیشنهادی ما دو معیار مهم که در کارهای انجام شده قبلی کمتر مورد توجه قرار گرفته است را در نظر می گیریم. یکی تغییر ساختار شبکه در طول زمان و دیگری مقیاس پذیری است. الگوریتم پیشنهادی روی مجموعه داده های استاندارد مورد ارزیابی قرارگرفته شده است. نتایج به دست آمده نشان می دهد که الگوریتم پیشنهادی به دلیل کاهش فضای جستجو و استفاده از چندین مکانیسم مختلف و متفاوت در مراحل اکتشاف و بهره وری و ایجاد تعادل و گذار بین این مراحل نسبت به دیگر الگوریتم های مورد مقایسه، مقیاس پذیرتر بوده و از دقت بالاتری در پیدا کردن رئوس بانفوذ در این شبکه ها را برخوردار است.

خوشه بندی داده ها یکی از مراحل اصلی در داده کاوی است که وظیفه کاوش الگوهای پنهان در داده های بدون برچسب را بر عهده دارد. به خاطر پیچیدگی مسئله و ضعف روش های خوشه بندی پایه، امروزه اکثر مطالعات به­سمت روش های خوشه بندی ترکیبی هدایت شده است. پراکندگی در نتایج اولیه یکی از مهم ترین عواملی است که می تواند در کیفیت نتایج نهایی اثرگذار باشد. همچنین، کیفیت نتایج اولیه نیز عامل دیگری است که در کیفیت نتایج حاصل از ترکیب موثر است. هر دو عامل در تحقیقات اخیر خوشه بندی ترکیبی مورد توجه قرار گرفته اند. در این­جا یک چارچوب جدید برای بهبود کارایی خوشه بندی ترکیبی پیشنهاد شده است که مبتنی بر استفاده از زیرمجموعه ای از خوشه های اولیه می باشند روش ارائه شده نشان می­دهد که استفاده از زیرمجموعه ای از نتایج خوشه بندی های اولیه می تواند بهتر از استفاده از کل نتایج باشد همچنین معیاری را پشنهاد می­دهد که چگونه نتایج اولیه نسبت به هم ارزیابی شوند. این تحقیق معیاری ارایه می­دهد که به وسیله آن میتوان تشخیص داد کدام زیرمجموعه از نتایج اولیه می تواند منجر به بهبود عملکرد خوشه بندی ترکیبی شود. از آن­جایی که الگوریتم­های هوشمند تکاملی توانسته­اند اکثریت مسائل پیچیده مهندسی را حل نمایند، در این مقاله نیز از این روش­های هوشمند برای انتخاب زیرمجموعه­ای از خوشه­های اولیه استفاده شده است. این انتخاب به کمک سه روش هوشمند (الگوریتم ژنتیک، شبیه­سازی تبرید و الگوریتم ازدحام ذرات) انجام می­گیرد. ایده های اصلی در روش های پیشنهادی برای انتخاب زیرمجموعه ای از خوشه ها، استفاده از خوشه های پایدار به کمک الگوریتم­های جستجوی هوشمند (الگوریتم­های تکاملی) می باشند. برای ارزیابی خوشه ها، از معیار پایداری مبتنی بر اطلاعات متقابل استفاده شده است. در آخر نیز خوشه­های انتخاب شده را به کمک چندین روش ترکیب نهایی با هم جمع می­­کنیم. نتایج تجربی روی چندین مجموعه داده استاندارد و با معیارهای ارزیابی اطلاعات متقابل نرمال شده، فیشر و دقت در مقایسه با روش­­های علیزاده، عظیمی، Berikov، CLWGC، RCESCC، KME، CFSFDP، DBSCAB، NSC و Chenنشان می دهد که روش­های پیشنهادی می تواند به طور موثری روش ترکیب کامل را بهبود دهد.