https://csj.isi.org.ir/ علوم رایانشی fa daily 1 Sun, 23 Aug 2026 00:00:00 +0330 Sun, 23 Aug 2026 00:00:00 +0330 https://csj.isi.org.ir/article_251321.html پیش‌بینی نقص نرم‌افزار یکی از موضوعات مهم در مهندسی نرم‌افزار است که به بهبود کیفیت و کاهش هزینه‌های توسعه کمک می‌کند. در این پژوهش، روشی به‌نام یادگیری ماشین ترکیبی خودکار با تکامل ویژگی تطبیقی معرفی شده که با ترکیب پیش‌پردازش داده‌ها شامل حذف ویژگی‌های بی‌واریانس، پر کردن مقادیر گمشده با میانه و نرمال‌سازی، تکامل پویای ویژگی‌ها، متعادل‌سازی پیشرفته با NearMiss، بهینه‌سازی چند-هدفه با Optuna، و ایجاد مدل گروهی جدید، دقت و توضیح‌پذیری را در پیش‌بینی نقص نرم‌افزار بهبود می‌بخشد. این روش روی مجموعه داده KC1 از مخزن PROMISE ناسا آزمایش شده و با تولید یازده ویژگی تطبیقی شامل نسبت‌های متریک، ترکیب‌های تعاملی، و تبدیل‌های لگاریتمی، و همچنین متعادل‌سازی کلاس‌ها، به صحت 9/96 درصد، معیار F1 برابر 8/96 درصد، یادآوری 8/93 درصد، و AUC برابر 2/97 درصد دست یافته است. تحلیل توضیح‌پذیری با SHAP TreeExplainer نشان داد که ویژگی‌های تعداد خطوط کد (loc) و معیار t نقش کلیدی در پیش‌بینی‌ها دارند. مقایسه با مدل‌های پایه (مانند رگرسیون لجستیک و جنگل تصادفی) و چندین مطالعه پیشین نشان‌دهنده برتری روش پیشنهادی در صحت و بهبود قابل‌توجه در معیار یادآوری است که برای شناسایی نقص‌های واقعی اهمیت دارد. این روش با ارائه پایداری بالا در اعتبارسنجی ده‌تایی، توضیح‌پذیری قوی، و بهبود معیارهای کلیدی مانند یادآوری، رویکردی جامع برای پیش‌بینی نقص نرم‌افزار ارائه می‌دهد و می‌تواند در کاربردهای صنعتی و پژوهشی مورد استفاده قرار گیرد. https://csj.isi.org.ir/article_251328.html یادگیری تقویتی عمیق طی سال‌های اخیر به‌عنوان یکی از رویکردهای پیشرفته در حل مسائل تصمیم‌گیری پیچیده مطرح شده است و توانسته در حوزه‌هایی مانند بازی‌های ویدئویی، رباتیک و کنترل خودکار عملکردی چشمگیر نشان دهد. با این ‌حال، بررسی کارایی این الگوریتم‌ها در محیط‌هایی با منابع محاسباتی محدود کمتر مورد توجه قرار گرفته است. در این مقاله، دو الگوریتم مطرح الگوریتم یادگیری تقویتی عمیق شامل شبکه کیو عمیق Deep Q-Network (DQN) و شبکه کیو عمیق دوگانه مورد مقایسه و ارزیابی قرار گرفتند. هر دو الگوریتم با بهره‌گیری از شبکه‌های عصبی هم‌آمیختی (CNN) و در محیط ساده و کم منبع گوگل کولَب پیاده‌سازی شدند. آزمایش‌ها بر روی بازیBreakout انجام شد و با تنظیم حداقلی ابرپارامترها، عملکرد هر الگوریتم تحلیل گردید. نتایج نشان دادند که شبکه کیو عمیق دوگانه در برخی شبیه‌سازی‌ها دقت و پایداری بیشتری دارد، در حالی ‌که vanilla DQN با وجود سادگی ساختار خود، همچنان کارایی قابل‌قبولی ارائه می‌دهد. به‌طورکلی، می‌توان نتیجه گرفت که در محیط‌های با محدودیت منابع، استفاده از رویکردهای ساده‌تر الگوریتم یادگیری تقویتی عمیق می‌تواند گزینه‌ای بهینه‌تر و کارآمدتر باشد. https://csj.isi.org.ir/article_251330.html تفکر رایانشی در دو دهة اخیر به‌عنوان یکی از مفاهیم بنیادین علوم رایانه، جایگاهی محوری در توسعة فناوری‌های نوین یافته است. این مفهوم که در ایده‌های سیمور پاپرت ریشه دارد و توسط جنت وینگ به‌صورت نظام‌مند مطرح شد، فراتر از مهارت برنامه‌نویسی، رویکردی شناختی برای تحلیل و حل مسائل پیچیده در حوزه‌های مختلف علمی و اجتماعی تلقی می‌شود. با وجود گسترش پژوهش‌ها، مرور ادبیات نشان می‌دهد که شکاف قابل‌توجهی میان بنیان‌های نظری علوم رایانه مانند طراحی و تحلیل الگوریتم‌ها، نظریه محاسبه، کلان‌داده، محاسبات موازی و هوش مصنوعی و کاربردهای آموزشی آن در ریاضیات وجود دارد. پژوهش‌های فنی عمدتاً بر توسعة چارچوب‌های محاسباتی متمرکز بوده‌اند، در حالی که مطالعات آموزشی بیشتر بر ابزارهایی نظیر برنامه نویسی اسکرچ، پایتون و لوگو یا تلفیق سطحی تفکر رایانشی در برنامه‌های درسی تمرکز داشته‌اند. مطالعه‌ حاضر یک مقاله مروری است که با هدف پر کردن این شکاف، به بررسی جایگاه تفکر رایانشی در علوم رایانه و تبیین ظرفیت‌های آن در آموزش ریاضی می‌پردازد. یافته‌ها نشان می‌دهد که ریاضیات، به‌واسطة تأکید بر الگوریتم، تجرید و بازنمایی، بستری طبیعی برای پرورش تفکر رایانشی فراهم می‌کند و ادغام اصول فنی علوم رایانه در آموزش ریاضی می‌تواند درک عمیق‌تر مفاهیم، توسعة مهارت‌های حل مسئله، و ارتقای خلاقیت و تفکر انتقادی دانش‌آموزان را به همراه داشته باشد. در نهایت، این مقاله بر ضرورت طراحی چارچوب‌های میان‌رشته‌ای تأکید می‌کند که بر پایه‌ی بنیان‌های اصیل علوم رایانه استوار بوده و در عین حال متناسب با نیازهای آموزشی به‌ویژه در سطح متوسطه طراحی شوند. بدین‌ترتیب، پرورش تفکر رایانشی در آموزش ریاضی نه‌تنها به بهبود یادگیری منجر خواهد شد، بلکه نقشی کلیدی در آماده‌سازی نسل آینده برای مواجهه با چالش‌های پیچیده‌ عصر دیجیتال ایفا خواهد کرد. https://csj.isi.org.ir/article_251331.html با افزایش استفاده از کارت‌های اعتباری، تشخیص خودکار تراکنش‌های متقلبانه اهمیت بیشتری یافته است. در این پژوهش، دو مدل ترکیبی مبتنی بر شبکه‌ عصبی پیچشی و پرسپترون چندلایه برای استخراج ویژگی به‌کار گرفته شد و ویژگی‌های استخراج‌شده به الگوریتم تقویت گرادیان سبک‌وزن منتقل گردید. برای انتخاب بهترین لایه، پنج معیار کمّی شامل شاخص‌های کالینسکی- هاراباز، دیویس- بولدین، اطلاعات متقابل، میزان افزونگی و ابعاد لایه برای همه لایه‌ها محاسبه و لایه‌ بهینه براساس میانگین نرمال‌شده معیارها تعیین شد. نتایج نشان داد مدل‌های ترکیبی عملکرد بهتری نسبت به مدل منفرد دارند و مدل مبتنی بر شبکه پیچشی بیشترین کارایی را ارائه کرده است. این مدل موجب افزایش امتیازF1، کاهش قابل‌توجه خطای مثبت کاذب و افزایش اندک خطای منفی کاذب شد؛ اما این افزایش در برابر کاهش محسوس خطای مثبت کاذب قابل پذیرش بوده و تعادل میان دقت و بازیابی را حفظ می‌کند. آزمون ویلکاکسون تفاوت عملکرد را از نظر آماری معنادار نشان نداد، با این حال بهبود معیارهای عملکردی اهمیت استفاده از مدل ترکیبی مبتنی بر شبکه هم‌آمیختی را در سناریوهای واقعی تشخیص تقلب برجسته می‌سازد. تحلیل SHAP نیز نشان داد ویژگی دوم استخراج‌شده از شبکه هم‌آمیختی بیشترین نقش را داشته و تحت تأثیر متغیر «مقدار تراکنش» شکل گرفته است. https://csj.isi.org.ir/article_251333.html هدف از این پژوهش بررسی کارایی سازوکار توجه در ساختار ترکیبی شبکه‌های CNN و BiLSTM برای پیش‌بینی قیمت سهام بورس تهران است. در مدل پیشنهادی (CNN-BiLSTM-Attention) ابتدا با لایه‌های هم‌آمیختی ویژگی‌های غیرخطی محلی استخراج می‌شوند و سپس با BiLSTM به‌صورت دوطرفه پردازش می‌شوند. سازوکار توجه نیز به‌صورت خودکار به بخش‌های مهم توالی قیمتی وزن‌دهی می‌کند. داده‌های تجربی شامل قیمت‌ها و شاخص‌های تکنیکی پنج سهم منتخب (فولاد، فملی، وبملت، فارس، خودرو) در بورس تهران در بازه ۱/۱/۱۴۰۰ تا ۱۵/۵/۱۴۰۴ (مجموعاً ۹۲۹ رکورد برای آموزش و آزمون) استفاده شد. داده‌ها به صورت ۸۰ درصد برای آموزش و ۲۰ درصد برای آزمون تقسیم شدند. نتایج کلیدی نشان داد مدل CNN-BiLSTM-Attention در مقایسه با سایر مدل‌های مرجع به‌طور معنی‌داری دقت پیش‌بینی بالاتری ارائه می‌کند. در میانگین عملکرد برای پنج سهم منتخب، مدل پیشنهادی در معیار RMSE به مقدار 035/0 و در معیار MAPE به مقدار 046/0 دست یافت، در حالی که بهترین مدل مرجع (CNN-LSTM) به‌ترتیب مقادیر 052/0 برای RMSE و 066/0 برای MAPE را ثبت کرد. این بهبود دقت که در معیار ضریب تعیین ( ) نیز آشکار است (رسیدن به میانگین 865/0 در برابر 803/0 در مدل مرجع)، اثربخشی هم‌کردار هم‌آمیختی، BiLSTM و سازوکار توجه را تأیید می‌کند. اگر چه پیچیدگی محاسباتی این ساختار نسبتاً بیشتر است، اما دقت بسیار بالاتر در پیش‌بینی قیمت‌های سهام، آن را برای کاربردهای سرمایه‌گذاری در بورس تهران مفید می‌سازد. این پژوهش نخستین مطالعه‌ای است که سازوکار توجه را در پیش‌بینی قیمت سهام بورس تهران به‌کار گرفته و یافته‌ها نشان می‌دهد مدل پیشنهادی می‌تواند به ابزاری کارآمد برای تحلیلگران و معامله‌گران تبدیل شود. https://csj.isi.org.ir/article_251336.html در دنیای توسعه نرم‌افزار، که سامانه‌های پیچیده در چرخه‌های «یکپارچه‌سازی مداوم/ استقرار مداوم»[1] تکامل می‌یابند، پیش‌بینی بیدرنگ نقص‌ها به چالشی اساسی بدل شده است. این توانمندی افزون بر کاهش هزینه‌های نگهداری، ریسک‌های عملیاتی را کاهش داده و کیفیت نرم‌افزار را بهبود می دهد. رویکردهای سنتی پیش‌بینی نقص عموماً بر روش‌های آماری ساده یا شبکه‌های عصبی پیشرفته و تخصصی مانند CNN و LSTM متکی‌ هستند و با محدودیت‌هایی چون تأخیر پردازشی، ناتوانی در پردازش داده‌های بیدرنگ و تمرکز بیشتر بر داده‌های تک‌وجهی به جای ساختارهای چندوجهی مواجه هستند. در محیط‌های پویای CI/CD، این رویکردها کارایی کافی نداشته و غالباً به‌صورت برون‌خط عمل می‌کنند و در نتیجه تشخیص زودهنگام نقص‌ها با محدودیت مواجه می‌شود. این پژوهش روشی مبتنی بر یادگیری چندوجهی با معماری مبدّل‌ ارائه می‌دهد که پیش‌بینی بیدرنگ نقص‌های نرم‌افزاری را بهبود می‌بخشد. روش پیشنهادی با بهره‌گیری از داده‌های ناهمگن شامل کد منبع، تاریخچه تغییرات، پیام‌های کامیت، معیار‌های کد و رخدادهای اجرایی و با استفاده از رمزگذارهای تخصصی و همجوشی تطبیقی مبتنی بر توجه، الگوهای پیچیده را استخراج می‌کند. نتایج آزمایش‌های تجربی روی مخازن کد واقعی نشان‌دهنده کاهش تاخیر زمانی به 23 میلی‌ثانیه می‌باشد که با نیازمندی سیستم بیدرنگ (کاهش تاخیر و کاهش مصرف انرژی) سازگار می‌باشد. همچنین میزان فراخوانی 75/0 که بیانگر افزایش سه درصدی معیار فراخوانی نسبت به مدل‌های تک‌وجهی و پنج درصدی آن نسبت به مدل‌های شبکه‌های عصبی پیشرفته می‌باشد، نشان‌دهنده بهبود مناسبی در عملکرد مدل پیش‌بینی نقص نرم‌افزار می‌باشد. [1] Continuous Integration/Continuous Deployment (CI/CD) https://csj.isi.org.ir/article_251338.html تعامل کاربر با محیط بازی، هسته اصلی تجربه بازیکن را تشکیل می‌دهد و این تعامل از طریق دستگاه‌های ورودی و خروجی متنوعی صورت می‌گیرد. این مقاله به بررسی جامع نحوه تعامل مخاطب در بازی‌های رایانه‌ای با تمرکز بر عملکرد دستگاه‌های ورودی و خروجی و پیاده‌سازی آنها در موتور بازی‌سازی یونیتی (Unity) می‌پردازد. ابتدا، دستگاه‌های ورودی و خروجی رایج و حیاتی در بوم‌سازگان بازی‌های رایانه‌ای (مانند صفحه کلید، موش و صفحه نمایش) معرفی شده و اصول فنی کارکرد آنها تشریح می‌گردد. سپس، با بررسی کدهای نمونه و API های مرتبط در یونیتی، چگونگی دریافت، پردازش، و تفسیر این ورودی‌های فیزیکی و ترجمه آنها به عملیات درون بازی مورد تحلیل قرار می‌گیرد و شیوه ارتباط آنها با سخت‌افزار توضیح داده می‌شود. هدف این پژوهش، ایجاد پلی میان مبانی سخت‌افزاری دستگاه‌های تعاملی و پیاده‌سازی نرم‌افزاری آنها در یک موتور بازی‌سازی قدرتمند مانند یونیتی است. درک این چرخه کامل، از لحظه ورود فیزیکی تا ترجمه آن به عملیات درون بازی، برای توسعه‌دهندگان بازی و پژوهشگران این حوزه ضروری بوده و می‌تواند به طراحی رابط‌های کاربری بهینه‌تر و خلق تجربه‌های بهتری در بازی‌ها منجر شود.