دانشگاه صنعتی نوشیروانی بابل مجله علمی رایانش نرم و فناوری اطلاعات 2383-1006 15 2 2026 07 23 Automatic Segmentation of Multiple Sclerosis Lesions on MRI Images Using Adaptive Residual U-Net بخش‌بندی خودکار ضایعات مولتیپل اسکلروزیس در تصاویر MRI با استفاده از شبکه U-Net مانده‌ای تطبیقی 1 15 242551 10.22034/jscit.2026.550141.2177 FA علی فهمی جعفرقلخانلو گروه علوم مهندسی، دانشکده فناوری‌های نوین، دانشگاه محقق اردبیلی، نمین، ایران. 0000-0001-9435-8158 موسی شمسی گروه بیوالکتریک، دانشکده مهندسی پزشکی، دانشگاه صنعتی سهند، تبریز، ایران. 0000-0003-4670-0531 مهدی بشیری باویل گروه بیوالکتریک، دانشکده مهندسی پزشکی، دانشگاه صنعتی سهند، تبریز، ایران. 0009-0002-2029-3245 Journal Article 2025 09 29 Multiple Sclerosis (MS) is a chronic and neurodegenerative disorder of the central nervous system, whose diagnosis, classification, and monitoring are primarily performed through Magnetic Resonance Imaging. Accurate segmentation of MS lesion boundaries plays an essential role in early diagnosis, disease severity assessment, and treatment monitoring. However, despite the reliability of manual segmentation, this process is labor-intensive, time-consuming, and requires substantial expertise. Current automated methods show limited sensitivity to small lesions and poor generalization across different acquisition parameters. A residual U-Net architecture incorporating adaptive patch extraction and hybrid loss optimization was developed. The approach combines probabilistic sampling to address class imbalance, residual connections to enhance gradient flow, and a composite Dice-Focal loss function tailored for small object segmentation. The proposed architecture was evaluated on the MSLesSeg dataset comprising 115 FLAIR sequences from 75 patients across multiple imaging centers. Experimental results demonstrate that the proposed architecture has an LTPR of 79.92%, a precision of 72.77%, a recall of 72.22%, and a Dice score of 72.49%, outperforming the classical U-Net and other compared methods in accurate and sensitive detection of MS lesions. Integration of adaptive sampling with residual U-Net architecture effectively addresses fundamental challenges in MS lesion segmentation. بیماری مولتیپل اسکلروزیس (MS) یک اختلال مزمن و زوال عصبی سیستم عصبی مرکزی بوده که بخش‌بندی دقیق مرز ضایعات MS نقش کلیدی در تشخیص زودهنگام، ارزیابی شدت بیماری و پایش روند درمان دارد. بخش‌بندی دقیق مرز ضایعات MS به‌دلیل توزیع نابرابر نمونه‌های ضایعه و پس‌زمینه، اندازه کوچک ضایعات و پروتکل‌های تصویربرداری ناهمگون موضوعی چالش‌برانگیز است. با وجود دقیق بودن بخش‌بندی دستی، این رویکرد فرآیندی زمانبر بوده و نیازمند تخصص بالا است. روش‌های خودکار فعلی در شناسایی ضایعات کوچک MS عملکرد ضعیفی داشته و تعمیم‌پذیری آن‌ها برای داده‌های اخذ شده در شرایط تصویربرداری متفاوت محدود است. برای حل چالش‌های موجود، معماری پیشنهادی ARU-Net، مبتنی بر رویکرد ResNet و U-Net، با ترکیب استخراج پچ تطبیقی و بهینه‌سازی خطای ترکیبی توسعه داده شد، به‌گونه‌ای که رویکرد نمونه‌برداری احتمالی عدم تعادل کلاس را کاهش می‌دهد. اتصالات باقی‌مانده جریان گرادیان را بهبود بخشیده و تابع خطای ترکیبی دایس-فوکال حساسیت مدل به ضایعات کوچک را افزایش می‌دهد. معماری پیشنهادی بر روی پایگاه داده MSLesSeg شامل ۱۱۵ توالی FLAIR از ۷۵ بیمار ارزیابی شد. نتایج آزمایش نشان می‌دهد که معماری پیشنهادی با نرخ تشخیص صحیح به ازای هر ضایعه 79/92%، دقت 72/77%، حساسیت 72/22% و دایس 72/49% نسبت به معماری U-Net سنتی و سایر روش‌های مقایسه شده عملکرد بهتری در شناسایی دقیق و حساس ضایعات MS دارد. ادغام نمونه‌برداری تطبیقی با معماری U-Net مانده‌ای چالش‌های بنیادی بخش‌بندی ضایعات MS را به‌طور مؤثر مورد خطاب قرار می‌دهد.

https://jscit.nit.ac.ir/article_242551_c8b8c2c9ba8445f193634b424f52cebe.pdf

دانشگاه صنعتی نوشیروانی بابل مجله علمی رایانش نرم و فناوری اطلاعات 2383-1006 15 2 2026 07 23 Leukemia Classification Using a Hybrid Approach Based on Random Convolutional Kernel Transform and XGBoost تشخیص انواع سرطان خون با استفاده از رویکرد ترکیبی تبدیل هسته‌های پیچشی تصادفی و XG-Boost 16 30 250990 10.22034/jscit.2026.554138.2184 FA ساره باقری ماتک گروه کامپیوتر، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران. الهام عسکری گروه کامپیوتر،واحد فومن و شفت، دانشگاه آزاد اسلامی، فومن، ایران. سارا معتمد گروه کامپیوتر، واحد فومن و شفت، دانشگاه آزاد اسلامی، فومن، ایران. Journal Article 2025 10 20 Leukemia is one of the most common and life-threatening types of cancer worldwide. In many cases, this disease is treatable if diagnosed at an early stage. One of the most effective tools for early detection is the analysis of microarray data, which simultaneously measures the expression levels of thousands of genes. However, the high dimensionality and inherent noise of such data make the analysis process complex and time-consuming. Therefore, selecting informative genes plays a crucial role in improving accuracy and reducing the computational cost of learning models. In this study, a two-stage hybrid approach is proposed for gene selection and classification of different leukemia types. In the first stage, features are filtered using the Mutual Information criterion to select genes with the highest correlation to disease labels. In the second stage, the XGBoost model is employed for embedded ranking and stability-based selection to identify genes that consistently show the greatest importance across multiple iterations. In the final stage, classification is performed using the Random Convolutional Kernel Transform method, which enables fast and efficient learning of complex patterns among the selected genes. Experimental results on real microarray datasets demonstrate that the proposed method achieves an accuracy of 99.2%, outperforming baseline approaches and effectively identifying key genes that contribute to distinguishing between different leukemia subtypes. سرطان خون یکی از شایع‌ترین و خطرناک‌ترین انواع سرطان در جهان است. در بسیاری از موارد، اگر این بیماری در مراحل اولیه شناسایی شود، قابل درمان است. یکی از ابزارهای مؤثر برای تشخیص زودهنگام، تحلیل داده‌های ریزآرایه است که بیان هزاران ژن را به‌صورت هم‌زمان اندازه‌گیری می‌کند. با این حال، حجم زیاد ویژگی‌ها و وجود نویز، فرایند تحلیل را پیچیده و زمان‌بر می‌سازد. ازاین‌رو، انتخاب ژن‌های مؤثر نقش کلیدی در افزایش دقت و کاهش هزینه‌ی محاسباتی مدل‌های یادگیری دارد. در این مقاله، یک روش ترکیبی دو‌مرحله‌ای برای انتخاب ویژگی و طبقه‌بندی انواع سرطان خون ارائه می‌شود. در گام نخست، ویژگی‌ها با استفاده از معیار اطلاعات متقابل فیلتر شده و ژن‌های دارای بیشترین ارتباط با برچسب بیماری انتخاب می‌شوند. در گام دوم، از مدل XGBoost برای رتبه‌بندی و انتخاب پایدار ویژگی‌ها استفاده می‌شود تا ژن‌هایی که در تکرارهای مختلف بیشترین اهمیت را دارند شناسایی شوند. در مرحله‌ی نهایی، طبقه‌بندی با بهره‌گیری از روش تبدیل هسته‌های پیچشی تصادفی‌انجام خواهد شد که امکان یادگیری سریع و کارآمد الگوهای پیچیده میان ژن‌های منتخب را فراهم می‌سازد. نتایج تجربی بر روی مجموعه‌داده‌های واقعی ریزآرایه نشان می‌دهد که روش پیشنهادی با دقت 99.2 درصد عملکردی برتر نسبت به روش‌های پایه داشته و توانسته است با کاهش مؤثر ابعاد داده، ژن‌های کلیدی مؤثر در تمایز انواع سرطان خون را شناسایی نماید.

https://jscit.nit.ac.ir/article_250990_60384b7b33b0a7122701d2ebbd51d5e1.pdf

دانشگاه صنعتی نوشیروانی بابل مجله علمی رایانش نرم و فناوری اطلاعات 2383-1006 15 2 2026 07 23 Predicting Accident Severity in Vehicular Ad Hoc Networks (VANETs) Using AOA-Optimized LSTM پیش‌بینی شدت تصادفات در شبکه‌های سیار خودرویی (VANETs) با استفاده از LSTM بهینه‌شده توسط الگوریتم AOA 31 47 250991 10.22034/jscit.2026.564785.2200 FA الهه دوست صدیق گروه کامپیوتر، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران. 0009-0001-9013-3792 کامبیز مجیدزاده گروه مهندسی کامپیوتر، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران. 0000-0001-5118-8910 محمد مصدری گروه کامپیوتر، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران. 0000-0002-7093-2204 امین بابازاده سنگر گروه کامپیوتر، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران. 0000-0002-5190-8460 فرهاد سلیمانیان قره چپق گروه کامپیوتر، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران. Journal Article 2025 12 12 Vehicular Ad Hoc Networks (VANETs), as a core component of intelligent transportation systems, play a crucial role in traffic safety analysis and traffic management. Accident severity prediction is one of the key applications of VANETs; however, due to the highly dynamic environment, diverse contributing factors, and complex patterns of road accidents, it remains a challenging problem. In this paper, an optimized Long Short-Term Memory (LSTM)–based approach is proposed for accident severity prediction, which can be employed as a decision-support tool in VANET-based environments and intelligent transportation systems. In the proposed method, the hyper-parameters of the LSTM model are automatically tuned using the Archimedes Optimization Algorithm (AOA) in order to enhance prediction accuracy, stability, and generalization capability. To evaluate the effectiveness of the proposed approach, the performance of the AOA-Optimized LSTM (LSTM+AOA) model is compared with baseline LSTM and RNN models, as well as a genetic algorithm–optimized model (GA+LSTM), using a comprehensive set of standard evaluation metrics. The experiments are conducted on the STATS19 UK road accident dataset from 2017, which contains information related to accident characteristics and traffic conditions. Experimental results demonstrate that the AOA-Optimized LSTM (LSTM+AOA) model outperforms the compared methods in accident severity prediction while exhibiting reduced overfitting and improved generalization performance. The findings indicate that employing the AOA for hyper-parameter optimization can significantly improve the performance and robustness of LSTM-based accident severity prediction models, highlighting the potential of the proposed approach as an effective decision-support tool for intelligent traffic management systems. شبکه‌های سیار خودرویی (VANET) به‌عنوان یکی از اجزای کلیدی سامانه‌های حمل‌ونقل هوشمند، نقش مهمی در تحلیل ایمنی جاده‌ها و مدیریت ترافیک ایفا می‌کنند. پیش‌بینی شدت تصادف یکی از کاربردهای مهم این شبکه‌ها محسوب می‌شود که به دلیل پویایی بالای محیط، تنوع عوامل مؤثر و پیچیدگی الگوهای حوادث جاده‌ای، یک مسئله چالش‌برانگیز به شمار می‌رود. در این مقاله، یک روش مبتنی بر شبکه عصبی حافظه بلندمدت کوتاه‌مدت (LSTM) بهینه‌سازی‌شده با استفاده از الگوریتم بهینه‌سازی ریاضی (AOA) برای پیش‌بینی شدت تصادف ارائه شده است که می‌تواند به‌عنوان یک ابزار تصمیم یار در محیط‌های مبتنی بر VANET و سامانه‌های حمل‌ونقل هوشمند مورداستفاده قرار گیرد. در روش پیشنهادی، ابرپارامترهای مدل LSTM به‌صورت خودکار توسط الگوریتم AOA تنظیم می‌شوند تا دقت، پایداری و قابلیت تعمیم مدل افزایش یابد. به‌منظور ارزیابی اثربخشی روش پیشنهادی، عملکرد مدل AOA-Optimized LSTM (LSTM+AOA) با مدل‌های پایه LSTM، RNN و همچنین روش بهینه‌سازی‌شده (GA+LSTM)، بر اساس مجموعه‌ای از معیارهای ارزیابی استاندارد مقایسه شده است. داده‌های مورداستفاده از مجموعه‌داده تصادفات جاده‌ای بریتانیا (STATS19) مربوط به سال ۲۰۱۷ استخراج شده‌اند که شامل اطلاعات مرتبط با ویژگی‌های تصادفات و شرایط ترافیکی می‌باشند. نتایج تجربی نشان می‌دهد که مدل AOA-Optimized LSTM (LSTM+AOA) در مقایسه با سایر مدل‌های بررسی‌شده، عملکرد برتری در پیش‌بینی شدت تصادف ارائه داده و درعین‌حال شدت بیش برازش کمتری از خود نشان می‌دهد. یافته‌های این پژوهش بیانگر آن است که استفاده از الگوریتم AOA برای تنظیم ابرپارامترهای LSTM می‌تواند نقش مؤثری در بهبود دقت و پایداری مدل‌های پیش‌بینی شدت تصادف ایفا کند و این رویکرد قابلیت استفاده به‌عنوان یک ابزار پشتیبان تصمیم‌گیری در سامانه‌های مدیریت هوشمند ترافیک را دارا می‌باشد.

https://jscit.nit.ac.ir/article_250991_1473beea89dc5bafc648e8edbd718c47.pdf

دانشگاه صنعتی نوشیروانی بابل مجله علمی رایانش نرم و فناوری اطلاعات 2383-1006 15 2 2026 07 23 A Multi-Stage Hybrid Optimization Model Based on IJFSA for Load Balancing and Performance Enhancement in Fog–Cloud Environments مدل ترکیبی بهینه‌سازی چندمرحله‌ای مبتنی بر IJFSA برای تعادل بار و بهبود کارایی در محیط‌های مه–ابر 48 63 250992 10.22034/jscit.2026.560929.2194 FA سکینه سهرابی دانشکده فنی و مهندسی، دانشگاه بوعلی سینا، همدان، ایران. 0009-0008-4273-9205 رضا محمدی دانشکده فنی و مهندسی، دانشگاه بوعلی سینا، همدان، ایران. مهدی سخایی نیا دانشکده فنی و مهندسی، دانشگاه بوعلی سینا، همدان، ایران. محمد نصیری دانشکده فنی و مهندسی، دانشگاه بوعلی سینا، همدان، ایران. 0000-0002-0703-5949 Journal Article 2025 11 22 - In recent years, emerging technologies have transformed human interaction with digital systems. The integration of the Internet of Things (IoT) with cloud infrastructures has enabled intelligent and automated services, particularly in healthcare. The growing number of networked sensors generates massive volumes of real-time data, increasing the demand for fast processing. Reliance on remote data centers, however, can lead to latency and reduced efficiency in time-sensitive systems. In this context, fog computing, as an intermediate layer between edge devices and the cloud, provides an effective solution and highlights the need for intelligent optimization algorithms. In this study, the IJFSA-ODA algorithm is introduced as an improved version of the Jellyfish algorithm that enhances search performance through the purposeful integration of several metaheuristic operators. Specifically, an operator inspired by Differential Evolution is employed to increase diversity, a mechanism inspired by the Artificial Bee Colony algorithm is used to strengthen exploitation, and an operator inspired by Simulated Annealing is applied to prevent premature convergence. Simulation results demonstrate that the proposed algorithm exhibits competitive performance compared with IJFSA, IJFA, PSO-SA, and PSO, and achieves acceptable improvements in key performance metrics under certain scenarios. For a scenario involving 25 virtual machines and up to 2000 tasks, the results indicate a relative reduction of approximately 5–10% in total processing time and 5–12% in energy consumption compared to PSO-based methods. From the perspective of load balancing, the results of Jain’s Fairness Index indicate that although the index does not reach its ideal value (close to 1) for any of the evaluated algorithms, the proposed algorithm achieves higher fairness values than the reference methods in most scenarios, reflecting a more balanced workload distribution among virtual machines. Furthermore, the results show that the performance of the IJFSA-ODA algorithm remains stable as the number of tasks and nodes increases, exhibiting lower fluctuations in the deadline-meet ratio compared to some baseline algorithms. In addition, the results obtained from 10 independent runs confirm the acceptable statistical stability and reliability of the proposed algorithm. در سال‌های اخیر، فناوری‌های نوین شیوه تعامل انسان با سامانه‌های دیجیتال را دگرگون کرده‌اند. ترکیب اینترنت اشیا با زیرساخت‌های ابری، بستر ارائه خدمات هوشمند و خودکار را، به‌ویژه در حوزه سلامت، فراهم کرده است. با افزایش حسگرهای متصل به شبکه، حجم زیادی از داده‌های بلادرنگ تولید می‌شود که نیازمند پردازش سریع و کارآمد است. از سوی دیگر، اتکا به مراکز داده دوردست می‌تواند موجب افزایش تأخیر و کاهش کارایی در سامانه‌های حساس به زمان شود. در این راستا، محاسبات مه به‌عنوان لایه‌ای واسط میان دستگاه‌های لبه‌ای و ابر، راهکاری مؤثر برای کاهش تأخیر و بهبود کیفیت خدمات ارائه می‌دهد. در این پژوهش، الگوریتم IJFSA-ODA به‌عنوان نسخه‌ای بهبودیافته از الگوریتم عروس دریایی معرفی شده است که با بهره‌گیری از عملگرهای تکاملی و سازوکارهای مکمل، توان جست‌وجو و تعادل میان اکتشاف و بهره‌برداری را ارتقا می‌دهد. نتایج شبیه‌سازی نشان می‌دهد که الگوریتم پیشنهادی در مقایسه با الگوریتم‌های IJFSA، IJFA، PSO-SA و PSO عملکردی رقابتی داشته و در برخی سناریوها بهبود قابل‌توجهی در شاخص‌های اصلی ارائه می‌دهد. در سناریوی شامل 25 گره پردازشی مه و 2000 وظیفه، نتایج بیانگر کاهش نسبی حدود 5 تا 10 درصد در زمان پردازش کل و حدود 5 تا 12 درصد در مصرف انرژی نسبت به روش‌های مبتنی بر PSO است. همچنین، از منظر عدالت توزیع بار، مقادیر شاخص عدالت جین نشان می‌دهد که هرچند هیچ‌یک از الگوریتم‌ها به مقدار ایده‌آل نزدیک به 1 نرسیده‌اند، الگوریتم پیشنهادی در اغلب سناریوها عملکرد بهتری نسبت به روش‌های مرجع داشته و توزیع متوازن‌تری از بار را میان ماشین‌های مجازی فراهم کرده است. افزون بر این، نتایج نشان می‌دهد که عملکرد IJFSA-ODA با افزایش تعداد وظایف و گره‌ها از پایداری مناسبی برخوردار بوده و در شاخص درصد وظایف انجام‌شده در مهلت مقرر، نوسان کمتری نسبت به برخی روش‌های مرجع دارد. نتایج حاصل از 10 تکرار مستقل نیز پایداری آماری قابل‌قبول الگوریتم پیشنهادی را تأیید می‌کند.

https://jscit.nit.ac.ir/article_250992_78673ba9ac0bfbe0b7016ba843db56cb.pdf

دانشگاه صنعتی نوشیروانی بابل مجله علمی رایانش نرم و فناوری اطلاعات 2383-1006 15 2 2026 07 23 Predicting Artificial Inflation in Cryptocurrency Prices Using a Hybrid Approach پیش‌بینی افزایش مصنوعی قیمت رمزارز‌ها با استفاده از رویکرد ترکیبی 64 77 250993 10.22034/jscit.2026.559514.2195 FA فائزه موسوی فیروزکلا دانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت ایران، تهران، ایران. 0009-0008-2702-6557 حمید مرادی کمالی دانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت ایران، تهران، ایران. 0009-0009-2370-2164 رضا انتظاری ملکی دانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت ایران، تهران، ایران. 0000-0003-3356-661X Journal Article Pump-and-dump (P&D) schemes, orchestrated through social media, are a prevalent form of manipulation in cryptocurrency markets. While most research has focused on detecting these events, the critical challenge of predicting the specific target coin remains largely underexplored. Existing attempts at target prediction often analyze textual content or time-series anomalies for individual coins in isolation. This paper introduces a fundamentally different approach, framing target prediction as a sequential problem where the history of a P&D channel's activity informs the next target. In this paper, we firstly develop a robust labeling method that integrates textual signals from Telegram with financial data, identifying 1,200 P&D events from 2022-2024. In the second step, we design a sequence-based predictive model that uses self-attention to learn historical P&D patterns within a channel and cross-attention to correlate these patterns with the features of potential target coins. Evaluated on real-world data, our proposed model achieves an Area Under the Curve (AUC) of 89% and demonstrates a significant improvement of approximately 10% on the Hit Ratio at K (HR@K) metric compared to a state-of-the-art baseline. Our findings demonstrate that modeling the sequential context of manipulation campaigns is a superior strategy for proactively identifying target coins. To access the code and data related to the approach presented in this paper, you may refer to link "https://github.com/faezemousavi/Pump-and-Dump". کلاهبرداری به سبک پامپ‌ودامپ (Pump-and-Dump) که عمدتاً از طریق شبکه‌های اجتماعی سازمان‌دهی می‌شود، یکی از رایج‌ترین انواع دستکاری در بازار رمزارزها به شمار می‌آید. در حالی که اغلب پژوهش‌ها بر تشخیص زمان وقوع این رویدادها تمرکز داشته‌اند، چالش اساسی پیش‌بینی رمزارز هدف همچنان کمتر مورد توجه قرار گرفته است. پژوهش‌های موجود معمولاً با تحلیل محتوای متنی یا ناهنجاری‌های سری‌زمانی به شناسایی این وقایع می‌پردازند، در حالی که رویکردهای ترکیبی کمتر بررسی شده‌اند. در این مقاله، رویکردی ترکیبی ارائه می‌شود که مسئله پیش‌بینی رمزارز هدف را در کنار پیش‌بینی زمان وقوع کلاهبرداری، به‌صورت یک مسئله دنباله‌ای بازتعریف می‌کند. این رویکرد با در نظر گرفتن تاریخچه فعالیت‌های پیشین کانال‌های کلاهبردار، قادر است اهداف بعدی را از نظر رمزارز هدف و زمان وقوع رویداد پیش‌بینی کند. بدین منظور، ابتدا یک روش برچسب‌گذاری باثبات توسعه داده شد که سیگنال‌های متنی استخراج‌شده از تلگرام را با داده‌های مالی ترکیب کرده و ۱۲۰۰ رویداد را در بازه زمانی ۲۰۲۲ تا ۲۰۲۴ شناسایی می‌کند. سپس، یک مدل پیش‌بینی مبتنی بر دنباله ارائه می‌شود که با بهره‌گیری از سازوکار خودتوجه، الگوهای تاریخی پامپ‌ودامپ را در سطح کانال می‌آموزد و با استفاده از سازوکار توجه متقابل، روابط غیرخطی میان دنباله و ویژگی‌های رمزارزهای کاندید را استخراج می‌کند. ارزیابی بر روی داده‌های واقعی نشان می‌دهد مدل پیشنهادی به AUC برابر با 89٪ دست یافته و در معیار HR@K حدود 10٪ بهبود مطلق نسبت به مدل معیار ایجاد کرده است. نتایج نشان‌دهنده برتری رویکرد ترکیبی پیشنهادی نسبت به روش‌های پیشین در شناسایی این نوع کلاهبرداری است. https://github.com/faezemousavi/Pump-and-Dump

https://jscit.nit.ac.ir/article_250993_578f891364dad102adecb82d80cf3647.pdf

دانشگاه صنعتی نوشیروانی بابل مجله علمی رایانش نرم و فناوری اطلاعات 2383-1006 15 2 2026 07 23 A Markov Model-based and Deep Learning-based Electric Vehicle Charging Scheduling in Charge Stations زمان‌بندی شارژ خودروهای برقی در ایستگاه‌های شارژ مبتنی بر مدل مارکف و یادگیری عمیق 78 91 251445 10.22034/jscit.2026.576052.2229 FA سمانه محمدی جیرگل دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی نوشیروانی بابل، بابل، ایران. مجتبی ولی نتاج گروه کامپیوتر، دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی نوشیروانی بابل، بابل، ایران. 0000-0002-6536-373X فاطمه زمانی دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی نوشیروانی بابل، بابل، ایران. Journal Article 2026 02 16 The large-scale deployment and expansion of electric vehicles (EVs) significantly contribute to reducing fossil fuel consumption and environmental pollution. In these vehicles, optimal charging scheduling not only enables more efficient utilization of renewable energy resources, but also reduces charging costs and enhances power grid stability. However, fluctuations in electricity prices, variations in energy demand and charging power, and uncertainties regarding battery charging completion time pose major challenges for accurate prediction and optimal charging scheduling. In this paper, the EV charging scheduling problem is formulated as a Markov Decision Process (MDP), and a model-free Deep Reinforcement Learning (DRL)-based approach is proposed to derive an optimal charging strategy that supports real-time decision-making under uncertainty. The proposed model is trained and evaluated using real-world data from California. The results demonstrate that the proposed approach significantly reduces electricity costs while improving charging performance under uncertain conditions and volatile electricity prices. Compared to the baseline method, the proposed strategy achieves a 41% reduction in electricity costs, and compared to conventional methods, it yields higher cumulative rewards and lower cumulative charging costs, indicating its effectiveness and practical applicability for users at charging stations. تولید و گسترش انبوه وسایل نقلیه برقی به طور قابل توجهی به کاهش مصرف سوخت‌های فسیلی و حفظ محیط زیست کمک می‌کند. در این خودروها، زمان‌بندی مناسب شارژ نه‌تنها امکان بهره‌برداری مؤثرتر از منابع انرژی تجدیدپذیر را فراهم می‌سازد، بلکه با کاهش هزینه‌ها و افزایش پایداری شبکه‌ برق، مزایای قابل‌توجهی نیز به همراه دارد. نوسانات قیمت برق، تغییرات در میزان تقاضای انرژی و توان شارژ و عدم اطمینان در مورد زمان تکمیل شارژ باتری، چالش‌های اساسی در زمینه‌ پیش‌بینی و زمان‌بندی بهینه شارژ ایجاد می‌کنند. در این مقاله، مسئله زمان‌بندی شارژ وسایل نقلیه برقی به ‌صورت یک فرآیند تصمیم‌گیری مارکف مدل‌سازی شده و یک روش مبتنی بر یادگیری تقویتی عمیق (DRL) و بدون نیاز به مدل برای یافتن راهبرد شارژ بهینه ارائه می‌شود که امکان تصمیم‌گیری بی‌درنگ را در شرایط عدم قطعیت فراهم می‌کند. مدل پیشنهادی بر روی داده‌های مربوط به ایالت کالیفرنیا آموزش داده و ارزیابی شده است. نتایج نشان می‌دهد که این رویکرد نه‌تنها منجر به کاهش قابل‌توجه هزینه برق می‌شود، بلکه عملکرد شارژ را نیز در شرایط عدم قطعیت و نوسانات قیمت برق بهبود می‌بخشد. روش پیشنهادی نسبت به روش پایه، منجر به %۴۱ کاهش در هزینه برق مصرفی شده و نسبت به روش‌های مرسوم، پاداش تجمعی آن بیشتر و هزینه تجمعی شارژ آن کمتر است که بیانگر کارایی مناسب و قابلیت کاربرد آن برای کاربران در ایستگاه‌های شارژ است.

https://jscit.nit.ac.ir/article_251445_d46b03c3ae79386fe5b1e42d43a72070.pdf