مرور اجمالی ضوابط طراحی های مهندسی نشانگر این مهم است که موضوع اقتصاد و هزینه ساخت سازه ها از محور های اصلی این ضوابط است. در دهه های اخیر استفاده از الگوریتم های بهینه سازی برای دستیابی به محاسبات بهینه به علوم مهندسی ورود کرده است. الگوریتم های بهینه سازی و در راس آنها الگوریتم های مبتنی بر پدیده های بر گرفته از طبیعت، کارایی خوبی در محاسبه بهینه سازه ها از خود نشان داده اند. خرپا ها از جمله ساز ه های پر کاربرد در عمران هستند. در این پژوهش الگوریتم مبتنی بر آموزش و یادگیری جهت بهینه سازی خرپاهای فولادی استفاده شده است. الگوریتم مبتنی بر آموزش و یادگیری به دلیل دارا بودن پارامترهای کنترلی محدود چون محاسبه مقدار میانگین داده ها در هر تکرار دارای قدرت بالایی در دستیابی به جواب بهینه است. بررسی ها ی انجام شده بر روی چهار نمونه خرپای فولادی متفاوت، نشان داد که این روش بهینه سازی با حجم محاسباتی کمتر نسبت به سایر روش ها، با کارایی خوبی پاسخ بهینه را ارائه می کند.

به علت وجود مشکلات در ارزیابی تغییر شکل توده سنگ های درزه دار در مقیاس آزمایشگاهی، می توان برای در نظر گرفتن اثر مقیاس و درزه ها از روش های مختلف آزمایش برجا مانند آزمایش بارگذاری صفحه ای و دیلاتومتری استفاده کرد. اگر چه این روش ها در حال حاضر بهترین هستند، اما گران، زمان بر و دارای مشکلات عملیاتی در حین اجرا هستند. بنابراین در این مقاله برای غلبه بر این مشکلات، از الگوریتم های جدید جستجوی هارمونی (HS) و الگوریتم بهینه سازی مبتنی بر آموزش و یادگیری (TLBO) برای تخمین غیرمستقیم مدول تغییرشکل پذیری توده سنگ استفاده شده است. در این مدل ها از امتیاز رده بندی توده سنگ (RMR)، مقاومت فشاری تک محوره سنگ بکر (UCS)، عمق (D) و مدول الاستیسیته سنگ بکر (Ei) به عنوان پارامترهای ورودی و از مدول تغییرشکل پذیری توده سنگ (Em) به عنوان پارامتر خروجی استفاده شده است. در این مقاله، با استفاده از شاخص های آماری مختلف، مدل ایجادشده توسط الگوریتم ها، ارزیابی و اعتبارسنجی می شود. نتایج ارزیابی نشان داد که دقت رابطه برای الگوریتم جستجوی هارمونی با استفاده از شاخص های R2 و VAF حدود 93/0-91/0 و درصد خطا با استفاده از شاخص های RMSE وMSE  بین 0042/0-000017/0 است هم چنین دقت رابطه برای الگوریتم بهینه سازی مبتنی بر آموزش و یادگیری با استفاده از روش R2 و VAF حدود 95/0-92/0 و درصد خطا با استفاده از شاخص های RMSE وMSE  بین 0032/0-000010/0 به دست آمد.

از آنجا که اینترنت اشیا با حجم زیادی از داده سروکار دارد، پردازش و ذخیره این حجم از داده به راحتی امکان پذیر نیست. با این حال، بسیاری از برنامه های آن از چالش های محاسبات ابری مانند تأخیر، آگاهی از مکان و پشتیبانی از تحرک در زمان واقعی رنج می برند. محاسبات مه، به ارائه راه حل هایی برای این چالش ها کمک می کند. این مقاله، شامل یک شبیه سازی شبکه اینترنت اشیا برای تخصیص منابع اشتراکی بهینه درمحاسبات مه است که برای حل مسئله از نوع MINLP است که هدف آن بیشینه کردن سود ارائه دهندگان خدمات ابری از طریق محاسبات مه است. معماری شبکه، شامل سه لایه ارائه دهندگان خدمات ابری، گره های مه و کاربران است. در این مقاله، شبکه سه لایه ایی شبیه سازی شده و الگوریتم مورد استفاده در این مسأله، الگوریتم بهینه سازی مبتنی بر آموزش-یادگیری می باشد، که با استفاده از دو فاز یادگیری و آموزش برای سه پارامتر درآمد ارائه دهندگان ابری، میانگین تاخیر و رضایت کاربران که برای انتخاب بهترین گره مه با هدف تخصیص منابع مشترک می باشد. این الگوریتم به روی مدل اجرا شده و با روش تصادفی مقایسه می شود. این مدل و الگوریتم، نسبت به الگوریتم های استفاده شده در حل مدل های مشابه این مسأله، سود ارائه دهندگان خدمات را افزایش می دهد.

مقدمه و هدف: کار پوشه مجموعه ای از شواهد و مستندات دانشجویان است که کوشش، پیشرفت و موفقیت تحصیلی آنها را در یک دوره آموزش نظری یا بالینی نشان می دهد. کار پوشه یکی از روش های سنجش عملکرد است که به کمک آن مدرس می تواند چگونگی پیشرفت و جریان رشد پیشرفت یادگیرنده را ارزشیابی کند. کارپوشه با توجه به نوع هدفی که برای آن تهیه می شود، انواع مختلفی دارد. محتوای هر کارپوشه را عمدتا اهداف آن تعیین می کند. اجزای اصلی یک کارپوشه آموزشی در پرستاری شامل رخدادهای مهم، تجارب بالینی، یادداشت های دفترچه کارورزی، مصاحبه های انجام شده با بیماران، مشاهدات عملکردی، ممیزی رویدادهای بحرانی و نتایج ارزشیابی بالینی دانشجویان پرستاری می باشد. هدف این مقاله بررسی یادگیری مبتنی بر کارپوشه در آموزش پرستاری است.مواد و روش ها: در این مقاله، مرور جامع و عمیق با استفاده از شبکه جهان گستر با کلید واژه های کارپوشه، یادگیری و آموزش پرستاری در پایگاه داده های ایرانی و بین المللی از جمله IranMedex، IranDoc، PubMed، ERIC، Emerald، ScienceDirect، ProQuest و Ovid جستجو انجام گرفت. مطالب منتشر شده از سال 1980 تا 2009میلادی مرور گردید.یافته ها: مرور متون نشان داد که یادگیری مبتنی بر کارپوشه در نظام های آموزشی کشورهای پیشرفته به عنوان یک راهکار آموزشی و ارزشیابی مورد استفاده قرار می گیرد ولی در نظام آموزشی ایران به دلایل مختلف مورد استفاده قرار نمی گیرد که نیاز به پژوهش و بررسی بیشتری دارد.بحث: طبق نظر متخصصین آموزشی یک کارپوشه خوب تکمیل شده، مستندات کتبی در مورد اهداف دوره، نیازهای یادگیری و نحوه برآورده شدن آنها را به دانشجویان پرستاری و مدرسین آنها ارایه می کند و در دست یابی به اهداف آموزشی و ارزشیابی آنها در دروس نظری و عملی فوق العاده موثر می باشد.

امروزه تغییرات با نرخ سریع تری به وقوع می پیوندند. تغییرات فناوری و متعاقبا تغییر در دیگر جنبه های زندگی، افزایش روزافزون وابستگی متقابل کشورها و ملل، تمرکززدایی جوامع و نهادهای موجود که به دلیل گسترش فناوری اطلاعات شتاب بیشتری یافته است، تمایل روزافزون به جهانی شدن به همراه حفظ ویژگی های ملی، قومی، فرهنگی و بسیاری عوامل دیگر، لزوم درک بهتر از "تغییرات" و "آینده" را برای دولت ها، کسب و کارها، سازمان ها و مردم ایجاب می کند. آینده پژوهی به عنوان زیر مجموعه این فعالیت بزرگ، مشتمل بر مجموعه تلاش هایی است که با استفاده از تجزیه و تحلیل منابع، الگوها و عوامل تغییر و یا ثبات، به تجسم آینده های بالقوه و برنامه ریزی برای آن ها می پردازد. این رشته در جامعه ما ایران در دوران طفولیت خود به سر می برد در نتیجه آسیب پذیرتر است. آینده پژوهی برای رسیدن به جایگاه شایسته خود در دهه های آتی می بایست، از روش های نوین پیش بینی آینده بهره بگیرد. امروزه فناوری اطلاعات باعث تولید کامپیوترهای قدرتمند بسیاری شده است که امکان جمع آوری، انتقال، ترکیب و ذخیره حجم زیادی از داده ها را با هزینه کم، عملی ساخته است. افزایش حجم پایگاه داده ها، سازمان ها را به سمت استخراج اطلاعات از داده های ذخیره شده رهنمون می سازد. با استفاده از الگوریتم های یادگیری می توان دانش نهفته در این داده ها را استخراج نمود و به کمک آن ها آینده را پیش بینی نمود. لذا در این مقاله، روش جدید مبتنی بر الگوریتم های یادگیری برای پردازش داده جهت اتخاذ راهکارهای آینده پژوهی ارائه شده است.

امروزه سازمان ها با انبوهی از پروژه ها و فرصت های سرمایه گذاری مواجه اند. با وجود ضرورت توجه به معیارهای مختلف، پیچیدگی مدل های چندهدفه در کنار ضعف ابزارهای بهینه سازی در حل این مدل ها، مدیران را مجبور ساخته تا معیارهای انتخاب را محدودتر کرده و اغلب به معیارهای مالی اکتفا کنند. در این مقاله با بهره گیری از الگوریتمی کارا مبتنی بر فرایند آموزش و یادگیری علاوه بر معیارهای مالی، عواملی همچون توانایی سازمان در اجرای موفقیت آمیز پروژه ها، میزان تحقق راهبرد های سازمان در پرتو پروژه های انتخابی و همچنین تاثیر متقابل مجموعه پروژه های منتخب بر یکدیگر در قالب یک مدل برنامه ریزی صفر و یک چندهدفه بررسی و بهینه گردید. در نهایت مدل ارائه شده در یک سازمان پروژه محور اعمال و نحوه عملکرد الگوریتم پیشنهادی با الگوریتم های ژنتیک و بهینه سازی گروه ذرات مقایسه شد. نتایج حاکی از توانایی الگوریتم پیشنهادی در دستیابی به پاسخ بهینه و برتری آن نسبت به سایرین است.

اینترنت اشیاء و کاربردهای آن امروزه در همه ی ابعاد زندگی بشری قابل مشاهده است که اضافه شدن قابلیت تحرک به اشیاء، چالش های جدیدی به وجود آورده است. تحرک گره ها باعث پویایی در توپولوژی و ناپایداری در لینک های شبکه شده و کشف مسیر با سربار و تاخیر کمتر را با چالش های متعدد مواجه کرده است. بیشتر الگوریتم های مسیریابی مبتنی بر تکنیک مسیر بردار فاصله مبتنی بر درخواست می باشند که مبتنی بر درخواست گره مبدأ می باشد. در سال های اخیر بهبودهایی برروی این مکانیزم ارائه شده است که نسخه چند مسیره آن یکی از این بهبودها می باشد. با توجه به پویایی بالای شبکه و تغییرات لحظه ایی در اینترنت اشیاء متحرک، امکان پیش بینی همه شرایط و تنظیم بهینه پارامترها از قبل وجود ندارد. لذا در این مقاله یک رویکرد مسیریابی مبتنی بر الگوریتم مسیریابی بردار فاصله چند مسیره ارائه می شود که با یادگیری ماشین سعی دارد شرایط شبکه را ارزیابی کرده و بهترین گره واسط را برای مسیریابی انتخاب کند. در رویکرد پیشنهادی پنج الگویتم یادگیری ماشین مانند ماشین بردار پشتیبان، جنگل تصادفی و درخت تصمیم گیری برای یادگیری مورد بررسی قرار می گیرند که چندین پارامتر شبکه مانند سرعت حرکت گره ها، تعداد گره های همسایه، اندازه بافر، انرژی باقیمانده و میانگین فاصله هر گره با همسایگانش را برای انتخاب گره واسط مناسب مورد بررسی قرار می دهند. نتایج شبیه سازی های انجام شده با زبان پایتون نشان می دهد که درخت تصمیم و گرادیان تقویت شده بهترین نتایج را در مجموعه داده جمع آوری شده دارند و با ترکیب آنها با رویکرد پیشنهادی، میزان تاخیر آنها به انتها به طور متوسط تا 30 درصد و تعداد بسته های گمشده نیز تا 18 درصد کاهش داشته است.