Professional Documents
Culture Documents
ﭼﮑﯿﺪه
آﺳﺘﺎﻧﻪﮔﺬاری ﺗﺼﺎوﯾﺮ ﯾﮏ از ﻣﺤﺒﻮبﺗﺮﯾﻦ روشﻫﺎی ﻗﻄﻌﻪﺑﻨﺪی ﺗﺼﺎوﯾﺮ اﺳﺖ .در اﯾﻦ روش ،ﺑﺮای ﻣﺸﺨﺺﮐﺮدن ﻣﻘﺎدﯾﺮ آﺳﺘﺎﻧﻪ از
ﻫﯿﺴﺘﻮﮔﺮام اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد.در اﯾﻦ ﻣﻘﺎﻟﻪ ،ﯾﮏ روش آﺳﺘﺎﻧﻪﮔﺬاری ﭼﻨﺪﺳﻄﺤﯽ ﺑﺮای ﻗﻄﻌﻪﺑﻨﺪی ﺗﺼﺎوﯾﺮ ﻣﺒﺘﻨﯽ ﺑﺮ ﻫﯿﺴﺘﻮﮔﺮام ﺑﺎ اﺳﺘﻔﺎده
از اﻟﮕﻮرﯾﺘﻢ ﺑﻬﯿﻨﻪﺳﺎزی ﻣﺒﺘﻨﯽ ﺑﺮ ﯾﺎدﮔﯿﺮی و ﺗﺪرﯾﺲ اراﺋﻪ ﺷﺪه اﺳﺖ .اﯾﻦ اﻟﮕﻮرﯾﺘﻢ ﯾﮏ اﻟﮕﻮرﯾﺘﻢ ﺟﻤﻌﯿﺖﮔﺮای ﺟﺪﯾﺪ اﺳﺖ ﮐﻪ از ﺗﺎﺛﯿﺮی
ﮐﻪ ﯾﮏ اﺳﺘﺎد ﺑﺮ داﻧﺶآﻣﻮزان ﺧﻮد دارد اﻟﻬﺎم ﮔﺮﻓﺘﻪ اﺳﺖ .ﺗﺎﺑﻊ ﻫﺰﯾﻨﻪ ﻣﻮرد اﺳﺘﻔﺎده در اﯾﻦ ﭘﮋوﻫﺶ ،ﻣﻌﯿﺎر ﺑﯿﺸﯿﻨﻪﺳﺎزی آﻧﺘﺮوﭘﯽ ﮐﺎﭘﻮر
ﺑﻮده اﺳﺖ .ﮐﺎراﯾﯽ روش ﭘﯿﺸﻨﻬﺎدی ﺑﺮ روی ۵ﺗﺼﻮﯾﺮ اﺳﺘﺎﻧﺪارد ﻣﻮرد ﺑﺮرﺳﯽ ﻗﺮار ﮔﺮﻓﺘﻪ اﺳﺖ .ﻫﻤﭽﻨﯿﻦ ﮐﺎراﯾﯽ آن ﺑﺎ ﺳﻪ اﻟﮕﻮرﯾﺘﻢ
ژﻧﺘﯿﮏ) ،(GAﺑﻬﯿﻨﻪ ﺳﺎزی ذرات )(PSOو ﺗﮑﺎﻣﻞ ﺗﻔﺎﺿﻠﯽ )(DEﻣﻘﺎﯾﺴﻪ ﺷﺪه اﺳﺖ .ﻧﺘﺎﯾﺞ ﻧﺸﺎن ﻣﯽ دﻫﺪ ﮐﻪ اﻟﮕﻮرﯾﺘﻢ ﺑﻬﯿﻨﻪﺳﺎزی
ﻣﺒﺘﻨﯽ ﺑﺮ ﯾﺎدﮔﯿﺮی و ﺗﺪرﯾﺲ ﻧﺘﺎﯾﺞ ﺑﻬﺘﺮی در ﺗﻮاﺑﻊ ﺑﺮازﻧﺪﮔﯽ ،ﻣﻘﺪار SSIM ،PSNRو ﭘﺎﯾﺪاری ﻓﺮاﻫﻢ آورده اﺳﺖ .زﻣﺎن ﯾﺎﻓﺘﻦ ﻣﻘﺎدﯾﺮ
آﺳﺘﺎﻧﻪ ﺑﺮای اﯾﻦ اﻟﮕﻮرﯾﺘﻢ ﻧﯿﺰ ﻧﺴﺒﺖ ﺑﻪ اﻟﮕﻮرﯾﺘﻢ PSOﺑﯿﺸﺘﺮ اﻣﺎ ﻧﺴﺒﺖ ﺑﻪ GAو DEﮐﻤﺘﺮ اﺳﺖ.
در ﻓـﺎز ﺗــﺪرﯾﺲ ،ﯾﺎدﮔﯿﺮﻧــﺪهﻫــﺎ از اﺳـﺘﺎد ﯾــﺎد ﻣــﯽﮔﯿﺮﻧــﺪ و در ﻓــﺎز ﻫﯿﺴــﺘﻮﮔﺮام ﺳــﻄﺢ ﺧﺎﮐﺴــﺘﺮی ﻗــﺮار دارﻧــﺪ .ﯾــﺎﻓﺘﻦ آﺳــﺘﺎﻧﻪﻫــﺎی
ﯾﺎدﮔﯿﺮی ،ﺑﯿﻦ ﯾﺎدﮔﯿﺮﻧﺪهﻫﺎ ﺗﺮاﮐﻨﺶ رخ ﻣﯽدﻫﺪ. ﻣﻨﺎﺳــﺐ در آﺳــﺘﺎﻧﻪﮔــﺬاری ﭼﻨﺪﺳــﻄﺤﯽ ﮐــﺎر ﺳــﺎده ای ﻧﯿﺴــﺖ و
ﻫــﺪف از اﯾــﻦ ﻣﻘﺎﻟــﻪ ،اراﺋــﻪ ﯾــﮏ روش ﺟﺪﯾــﺪ ﻣﺒﺘﻨــﯽ ﺑــﺮ اﻟﮕــﻮرﯾﺘﻢ آﺳﺘﺎﻧﻪﮔﺬاری ﭼﻨﺪﺳﻄﺤﯽ ﻫﻢ اﮐﻨﻮن ﻣﻮﺿﻮﻋﯽ اﺳﺖ ﮐﻪ ﺑﺴﯿﺎری
ﯾﺎدﮔﯿﺮی و ﺗﺪرﯾﺲ ﺑﺮای ﻣﺴﺌﻠﻪ آﺳﺘﺎﻧﻪﮔﺬاری ﭼﻨﺪ ﺳﻄﺤﯽ ﺗﺼـﺎوﯾﺮ از ﻣﺤﻘﻘﺎن ﺑﺮ روی آن ﻣﻄﺎﻟﻌﻪ ﻣﯽ ﮐﻨﻨﺪ].[۱۱
اﺳﺖ .روش ﭘﯿﺸﻨﻬﺎدی در اﯾﻦ ﻣﻘﺎﻟﻪ از ﺗﺎﺑﻊ ﻫـﺪف آﻧﺘﺮوﭘـﯽ ﮐـﺎﭘﻮر روشﻫﺎی آﺳﺘﺎﻧﻪﮔﺬاری زﯾـﺎدی ﺗـﺎﮐﻨﻮن ﻣﻄـﺮح ﺷـﺪه اﻧـﺪ .ﯾـﮏ
ﺑﺮای آﺳﺘﺎﻧﻪﮔﺬاری ﺗﺼﺎوﯾﺮ اﺳﺘﻔﺎده ﻣـﯽ ﮐﻨـﺪ .روش ﭘﯿﺸـﻨﻬﺎدی ﺑـﺮ ﻣﻄﺎﻟﻌــﻪ ﺟــﺎﻣﻊ در زﻣﯿﻨــﻪ روشﻫــﺎی آﺳــﺘﺎﻧﻪﮔــﺬاری ﻣــﯽ ﺗﻮاﻧــﺪ
روی ﭘــﻨﺞ ﺗﺼــﻮﯾﺮ ﻣــﻮرد ارزﯾــﺎﺑﯽ ﻗــﺮار ﺧﻮاﻫــﺪ ﮔﺮﻓــﺖ .ﻫﻤﭽﻨــﯿﻦ در] [۱۲و ] [۱۳دﯾﺪه ﺷﻮد .آﺳﺘﺎﻧﻪﮔﺬاری ﺗﺼﺎوﯾﺮ ﻣﯽ ﺗﻮاﻧﺪ ﺑﻪ
روش ﭘﯿﺸﻨﻬﺎدی ﺑﺎ ﺳﻪ روش اﻟﮕﻮرﯾﺘﻢ ژﻧﺘﯿﮏ ) ،(GAﺑﻬﯿﻨـﻪﺳـﺎزی
1
دو دﺳﺘﻪ ﮐﻠـﯽ ﭘـﺎراﻣﺘﺮی و ﻏﯿﺮﭘـﺎراﻣﺘﺮی ﺗﻘﺴـﯿﻢ ﺷـﻮد .در روش
ذرات ) ،(PSOو ﺗﮑﺎﻣــﻞ ﺗﻔﺎﺿــﻠﯽ )(DEﻣﻘﺎﯾﺴــﻪ ﺷــﺪه اﺳــﺖ.
3 2
ﭘﺎراﻣﺘﺮی ،ﭘﺎراﻣﺘﺮﻫﺎی آﻣﺎری ﻫـﺮ ﮐـﻼس ﺗﺨﻤـﯿﻦ زده ﻣـﯽﺷـﻮد.
ﻧﺘﺎﯾﺞ ﻧﺸﺎن ﻣـﯽ دﻫـﺪ ﮐـﻪ روش ﭘﯿﺸـﻨﻬﺎدی ﺗﻮاﻧﺴـﺘﻪ اﺳـﺖ ﮐـﺎراﯾﯽ اﯾــﻦ روشﻫــﺎ از ﻧﻈ ـﺮ ﻣﺤﺎﺳــﺒﺎﺗﯽ ﮔــﺮان ﻫﺴــﺘﻨﺪ و ﮐــﺎراﯾﯽ آﻧﻬــﺎ
ﺧﻮﺑﯽ ﻧﺴﺒﺖ ﺑﻪ روشﻫﺎی ﻣﻘﺎﯾﺴﻪ ﺷﺪه از ﺧﻮد ﻧﺸﺎن دﻫﺪ. واﺑﺴــــﺘﮕﯽ زﯾــــﺎدی ﺑــــﻪ ﺷــــﺮاﯾﻂ اوﻟﯿــــﻪ دارد .در روشﻫــــﺎی
اداﻣﻪ اﯾﻦ ﻣﻘﺎﻟﻪ ﺑﻪ ﺻـﻮرت زﯾـﺮ ﺳـﺎزﻣﺎﻧﺪﻫﯽ ﺷـﺪه اﺳـﺖ :در اﺑﺘـﺪا ﻏﯿﺮﭘﺎراﻣﺘﺮی ،ﻣﻘﺪار ﺑﻬﯿﻨﻪﻫﺎی ﻣﻨﺎﺳﺐ ﺑﻪ وﺳـﯿﻠﻪ ﺑﯿﺸـﯿﻨﻪ ﮐـﺮدن
اﻟﮕﻮرﯾﺘﻢ ﺑﻬﯿﻨـﻪﺳـﺎزی ﯾـﺎدﮔﯿﺮی و ﺗـﺪرﯾﺲ ﺷـﺮح داده ﺷـﺪه اﺳـﺖ. ﺑﻌﻀﯽ ﻣﻌﯿﺎرﻫﺎ ﻣﺜﻞ وارﯾﺎﻧﺲ ﺑﯿﻦ ﮐﻼﺳﯽ ﺑﺪﺳﺖ ﻣﯽآﯾﺪ.
ﺳــﭙﺲ آﺳــﺘﺎﻧﻪﮔــﺬاری ﭼﻨــﺪﺳــﻄﺤﯽ ﺗﺼــﺎوﯾﺮ وﺗــﺎﺑﻊ ﻫــﺪف ﻣــﻮرد روش آﻧﺘﺮوﭘــﯽ ﮐــﺎﭘﻮر ][۱۴ﯾﮑــﯽ از روشﻫــﺎﯾﯽ اﺳــﺖ ﮐــﻪ ﺑــﺮای
اﺳﺘﻔﺎده ﺗﻮﺿﯿﺢ داده ﺷﺪه اﺳﺖ .در اداﻣـﻪ ﻧﺘـﺎﯾﺞ روش ﭘﯿﺸـﻨﻬﺎدی آﺳﺘﺎﻧﻪﮔﺬاری ﺗﺼﺎوﯾﺮ ﺑﺴـﯿﺎر ﻣـﻮرد اﺳـﺘﻔﺎده ﻗـﺮار ﮔﺮﻓﺘـﻪ اﺳـﺖ.
ﮔﺰارش ﺷﺪه و ﮐﺎراﯾﯽ اﯾﻦ روش ﺑﺎ ﭼﻨﺪ روش دﯾﮕﺮ ﻣﻘﺎﯾﺴﻪ ﮔﺸـﺘﻪ اﯾﻦ روش ﺑﺮ ﭘﺎﯾﻪی ﺗﻮزﯾﻊ ﻫﯿﺴﺘﻮﮔﺮام ﺳﻄﺢ ﺧﺎﮐﺴﺘﺮی و ﺑﯿﺸﯿﻨﻪ
اﺳﺖ .در ﻧﻬﺎﯾﺖ ﻧﯿﺰ ﺑﻪ ﻧﺘﯿﺠﻪﮔﯿﺮی و ﮐﺎرﻫﺎی آﯾﻨـﺪه ﭘﺮداﺧﺘـﻪ ﺷـﺪه ﮐﺮدن آﻧﺘﺮوﭘﯽ اﺳﺖ .ﻫﺮ ﭼﻨﺪ ﮐﻪ ﺗـﺎﮐﻨﻮن روشﻫـﺎی زﯾـﺎدی ﺑـﺮ
اﺳﺖ. ﻣﺒﻨﺎی ﺑﯿﺸـﯿﻨﻪ و ﮐﻤﯿﻨـﻪ ﮐـﺮدن آﻧﺘﺮوﭘـﯽ ][۱۷-۱۵ﭘﯿﺸـﻨﻬﺎد ﺷـﺪه
اﺳــﺖ اﻣــﺎ ﮐــﺎراﯾﯽ روش ﮐــﺎﭘﻮر ﺑــﺮ اﯾــﻦ روشﻫــﺎ ﻏﻠﺒــﻪ ﮐــﺮده
۲ﺑﻬﯿﻨﻪ ﺳﺎزی ﻣﺒﺘﻨﯽ ﺑﺮ ﯾﺎدﮔﯿﺮی و ﺗﺪرﯾﺲ اﺳﺖ].[۱۸
ﺑﻬﯿﻨﻪ ﺳﺎزی ﻣﺒﺘﻨﯽ ﺑﺮ ﯾـﺎدﮔﯿﺮی و ﺗـﺪرﯾﺲ ﯾـﮏ اﻟﮕـﻮرﯾﺘﻢ ﻓﺮااﺑﺘﮑـﺎری روشﻫﺎی ﺳﻨﺘﯽ ﺑﺮای آﺳﺘﺎﻧﻪﮔﺬاری دو ﺳﻄﺤﯽ ﺑﻪ ﺧـﻮﺑﯽ ﻋﻤـﻞ
اﺳﺖ ﮐـﻪ ﺗـﺎﮐﻨﻮن در ﮐﺎرﺑﺮدﻫـﺎی ﻣﺨﺘﻠـﻒ][۳۳] [۳۲ﻧﺘـﺎﯾﺞ رﻗـﺎﺑﺘﯽ ﻣﯽ ﮐﻨﻨﺪ اﻣﺎ زﻣﺎﻧﯽ ﮐﻪ ﺗﻌﺪاد آﺳﺘﺎﻧﻪﻫـﺎ زﯾـﺎد ﺷـﻮد زﻣـﺎن ﻣﺤﺎﺳـﺒﻪ
اراﺋــﻪ داده اﺳــﺖ .اﯾــﻦ اﻟﮕــﻮرﯾﺘﻢ در ﻣﺴــﺎﺋﻞ ﻣﺨﺘﻠﻔــﯽ ﻣﺜــﻞ ﻃﺮاﺣــﯽ ﻣﻘﺎدﯾﺮ آﺳﺘﺎﻧﻪ ﺑـﻪ ﻃـﻮر ﻧﻤـﺎﯾﯽ اﻓـﺰاﯾﺶ ﻣـﯽﯾﺎﺑـﺪ .ﺑـﺮای ﻏﻠﺒـﻪ ﺑـﺮ
ﻣﮑـــﺎﻧﯿﮑﯽ] ،[۳۴ﺧﻮﺷـــﻪ ﺑﻨـــﺪی اﻃﻼﻋـــﺎت] ،[۳۵ﺳﯿﺴـــﺘﻢ ﻫـــﺎی ﭼﻨﯿﻦ ﻣﺸﮑﻠﯽ ،ﻣﯽ ﺗﻮان از اﻟﮕﻮرﯾﺘﻢﻫﺎی ﻓﺮااﺑﺘﮑﺎری ﻣﺜـﻞ ﺗﺒﺮﯾـﺪ
ﺗﻮزﯾــﻊ] ،[۳۶و زﻣﺎﻧﺒﻨــﺪی ] [۳۷ﮐــﺎراﯾﯽ ﺑﻬﺘــﺮی از اﻟﮕــﻮرﯾﺘﻢ ﻫــﺎی ﺷﺒﯿﻪﺳﺎزی ﺷﺪه ،اﻟﮕﻮرﯾﺘﻢ ژﻧﺘﯿـﮏ ،ﺑﻬﯿﻨـﻪﺳـﺎزی ذرات اﺳـﺘﻔﺎده
ﻣﻘﺎﯾﺴﻪ ﺷﺪه ﻣﺜﻞ اﻟﮕﻮرﯾﺘﻢ ژﻧﺘﯿﮏ و ﺑﻬﯿﻨﻪ ﺳـﺎزی ذرات اراﺋـﻪ ﻧﻤـﻮده ﮐﺮد .ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻗﻀﯿﻪ " ﻧﻬﺎر ﻣﺠﺎﻧﯽ وﺟﻮد ﻧـﺪارد"] ، [۱۹ﻫـﯿﭻ
اﺳﺖ .ﯾﮑﯽ ازاﻧﮕﯿﺰهﻫﺎی اﯾﻦ ﻣﻘﺎﻟـﻪ ﺑﺮرﺳـﯽ ﮐـﺎراﯾﯽ اﻟﮕـﻮرﯾﺘﻢ ﺑﻬﯿﻨـﻪ- اﻟﮕﻮرﯾﺘﻢ ﻓﺮااﺑﺘﮑـﺎری وﺟـﻮد ﻧـﺪارد ﮐـﻪ ﺑـﺮای ﺣـﻞ ﺗﻤـﺎم ﻣﺴـﺎﺋﻞ
ﺳﺎزی ﻣﺒﺘﻨﯽ ﺑﺮ ﯾﺎدﮔﯿﺮی و ﺗﺪرﯾﺲ در ﻣﺴﺌﻠﻪ آﺳـﺘﺎﻧﻪﮔـﺬاری ﺗﺼـﺎوﯾﺮ ﺑﻬﯿﻨﻪﺳﺎزی ﻣﻨﺎﺳﺐ ﺑﺎﺷﺪ .اﯾﻦ ﺗﺌﻮری ﺑﺎﻋﺚ اﯾﺠـﺎد اﻧﮕﯿـﺰه ﺑـﺮای
ﺑﻮده اﺳﺖ) ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﺻﻞ "ﻧﻬﺎر ﻣﺠﺎﻧﯽ وﺟﻮد ﻧﺪارد"(. ﻣﺤﻘﻘﺎن زﯾﺎدی ﺷﺪه اﺳﺖ ﺗﺎ ﮐﺎراﯾﯽ اﻟﮕـﻮرﯾﺘﻢﻫـﺎی ﻓﺮااﺑﺘﮑـﺎری
اﯾــﻦ اﻟﮕــﻮرﯾﺘﻢ ﻫﻤﺎﻧﻨــﺪ ﺳــﺎﯾﺮ اﻟﮕــﻮرﯾﺘﻢﻫــﺎی ﻓﺮااﺑﺘﮑــﺎری ﻣﺒﺘﻨــﯽ ﺑــﺮ را ﺑﺮای ﻣﺴﺌﻠﻪ آﺳﺘﺎﻧﻪ ﮔﺬاری ﺗﺼﺎوﯾﺮ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار دﻫﻨﺪ.
ﺟﻤﻌﯿﺖ دارای ﺗﻮاﻧـﺎﯾﯽ ﺟﺴـﺘﺠﻮی ﺳﺮاﺳـﺮی ﺑـﺎﻻﯾﯽ ﻣـﯽ ﺑﺎﺷـﺪ .ﺑـﻪ ﻣﺮور ﻣﻨﺎﺑﻊ ﻧﺸﺎن ﻣـﯽ دﻫـﺪ ﮐـﻪ اﻟﮕـﻮرﯾﺘﻢﻫـﺎی ﻓﺮااﺑﺘﮑـﺎری ﻣﺜـﻞ
ﺧﺎﻃﺮ وﯾﮋﮔﯽ ﻧﺰدﯾﮏ ﺷﺪه ﺑﻪ ﺳﺎﯾﺮ داﻧﺶآﻣﻮزان ) و ﻧـﻪ ﻓﻘـﻂ اﺳـﺘﺎد( اﻟﮕﻮرﯾﺘﻢ ژﻧﺘﯿﮏ] ،[۲۱ ,۲۰ﺑﻬﯿﻨﻪ ﺳﺎزی ذرات]،[۲۳ ,۲۲ ,۱۱
ﺗﻨﻮع ﭘﺬﯾﺮی در اﯾﻦ اﻟﮕﻮرﯾﺘﻢ ﺑﺎﻻ رﻓﺘﻪ اﺳﺖ .در واﻗﻊ ﻓﻀﺎﻫﺎی دﯾﮕﺮ ﮐﻠــﻮﻧﯽ زﻧﺒﻮرﻫــﺎی ﻋﺴــﻞ] ،[۲۴ﺟﻔــﺖﮔﯿــﺮی زﻧﺒــﻮرﻫــﺎی ﻋﺴــﻞ
ﻧﯿــﺰ در راه ﺣــﻞ ﻣــﻮرد ﺟﺴــﺘﺠﻮ ﻗــﺮار ﻣــﯽ ﮔﯿــﺮد و ﻣﺸــﺎﺑﻪ ﺑــﺎ ﺑﻌﻀــﯽ ] ،[۲۵ﺗﮑﺎﻣﻞ ﺗﻔﺎﺿﻠﯽ] [۲۷ ,۲۶و ﺟﺴﺘﺠﻮی ﻓﺎﺧﺘﻪ] [۲۷ﺗـﺎ-
اﻟﮕﻮرﯾﺘﻢﻫﺎ ﻣﺜﻞ اﻟﮕﻮرﯾﺘﻢ ﺑﻬﯿﻨﻪﺳﺎزی ذرات ﻓﻘـﻂ ﺑـﻪ ﺳـﻤﺖ ﺑﻬﺘـﺮﯾﻦ ﮐﻨﻮن ﺑـﻪ ﻃـﻮر ﮔﺴـﺘﺮده ای ﺑـﺮای ﻣﺴـﺌﻠﻪ آﺳـﺘﺎﻧﻪ ﮔـﺬاری ﺗﺼـﻮﯾﺮ
ﻫــﺎ ﺣﺮﮐــﺖ ﻧﻤ ـﯽﮐﻨــﺪ .ﻫﻤﭽﻨــﯿﻦ اﯾــﻦ ﻋﺎﻣــﻞ ﺑﺎﻋــﺚ ﻣــﯽ ﺷــﻮد ﺗــﺎ از ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﮔﺮﻓﺘﻪ اﻧﺪ.
ﻫﻤﮕﺮاﯾﯽ زودرس ﺑﻪ ﻃﺮف ﺑﻬﺘﺮﯾﻦ راه ﺣﻞ ﺟﻠﻮﮔﯿﺮی ﺷﻮد. اﻟﮕــﻮرﯾﺘﻢ ﻣﺒﺘﻨــﯽ ﺑــﺮ ﯾــﺎدﮔﯿﺮی و ﺗــﺪرﯾﺲ ][۲۸ﯾــﮏ اﻟﮕــﻮرﯾﺘﻢ
دو اﺳﺘﺎد T1و T2را ﻓﺮض ﮐﻨﯿﺪ ﮐﻪ ﻗﺮار اﺳﺖ درس ﯾﮑﺴﺎﻧﯽ را ﻓﺮااﺑﺘﮑﺎری ﺟﺪﯾﺪ اﺳـﺖ ﮐـﻪ از ﺗـﺎﺛﯿﺮی ﮐـﻪ ﯾـﮏ اﺳـﺘﺎد ﺑـﺮ داﻧـﺶ
ﺑﺮای ﺗﻌﺪادی داﻧﺶآﻣﻮز اراﺋﻪ ﺑﺪﻫﻨﺪ ﮐﻪ اﯾﻦ داﻧﺶآﻣﻮزان در ﺳﻄﺢ آﻣــﻮزان ﺧــﻮد دارد اﻟﻬــﺎم ﮔﺮﻓﺘــﻪ اﺳــﺖ .اﯾــﻦ اﻟﮕــﻮرﯾﺘﻢ در ﻣﺴــﺎﺋﻞ
ﯾﮑﺴﺎن ﻋﻠﻤﯽ و ﻫﻮﺷﯽ ﻫﺴﺘﻨﺪ .ﺷﮑﻞ ۱ﺗﻮزﯾﻊ ﻧﻤﺮات اﯾﻦ داﻧﺶ- ﮔﺴﺘﺮده ای ﺗﺎﮐﻨﻮن ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﮔﺮﻓﺘﻪ وﮐـﺎراﯾﯽ رﻗـﺎﺑﺘﯽ از
آﻣﻮزان را در دو ﮐﻼس ﻧﺸﺎن ﻣﯽدﻫﺪ .ﻣﻨﺤﻨﯽ ﻫﺎی ۱و ۲ﻧﻤﺮات ﺑﻪ ﺧﻮد اراﺋﻪ ﻧﻤﻮده اﺳﺖ] .[۳۱-۲۹ﺟﻤﻌﯿـﺖ در اﯾـﻦ اﻟﮕـﻮرﯾﺘﻢ ﺑـﻪ
ﺻــﻮرت ﮔﺮوﻫــﯽ از ﯾﺎدﮔﯿﺮﻧــﺪهﻫــﺎ در ﻧﻈــﺮ ﮔﺮﻓﺘــﻪ ﻣــﯽﺷــﻮد .اﯾــﻦ
1 اﻟﮕﻮرﯾﺘﻢ ﺑﻪ دو ﻓﺎز ﺗﻘﺴﯿﻢ ﻣﯽ ﺷﻮد :ﻓﺎز ﺗﺪرﯾﺲ و ﻓـﺎز ﯾـﺎدﮔﯿﺮی.
Genetic algorithm
2
Particle swarm optimization
3
Differential evolution
۵۳ ﺳﯿﺪ ﺟﻼلاﻟﺪﯾﻦ ﻣﻮﺳﻮی اد و ﺣﺴﯿﻦ اﺑﺮاﻫﯿﻢ ﭘﻮر ﮐﻮﻣﻠﻪ
اﻟﮕﻮرﯾﺘﻢ ﺑﻬﯿﻨﻪ ﺳـﺎزی ﻣﺒﺘﻨـﯽ ﺑـﺮ ﯾـﺎدﮔﯿﺮی وﺗـﺪرﯾﺲ) (TLBO1ﯾـﮏ دﺳﺖ آﻣﺪه ﺑﻪ وﺳﯿﻠﻪ اﺳﺎﺗﯿﺪ T1و T2ﻣﯽﺑﺎﺷﺪ .ﺑﺮای ﻫﺮ ﮐﺪام از
اﻟﮕﻮرﯾﺘﻢ ﺟﻤﻌﯿﺖﮔﺮا اﺳﺖ ﮐﻪ از ﺟﻤﻌﯿﺘﯽ از راه ﺣﻞﻫﺎ ﺑﺮای رﺳـﯿﺪن ﻧﻤﺮات ﯾﮏ ﺗﻮزﯾﻊ ﻧﺮﻣﺎل ﻓﺮض ﺷﺪه اﺳﺖ ﻫﺮ ﭼﻨﺪ ﮐﻪ در ﻋﻤﻞ
ﺑﻪ راه ﺣﻞ ﺑﻬﯿﻨﻪ اﺳﺘﻔﺎده ﻣﯽﮐﻨﺪ .در اﻟﮕﻮرﯾﺘﻢ TLBOاﯾـﻦ ﺟﻤﻌﯿـﺖ ﻣﻤﮑﻦ اﺳﺖ ﺑﺎ ﭼﻮﻟﮕﯽ ﻫﻤﺮاه ﺑﺎﺷﺪ.
ﺑﻪ ﻋﻨـﻮان ﮔﺮوﻫـﯽ از داﻧـﺶآﻣـﻮزان در ﻧﻈـﺮ ﮔﺮﻓﺘـﻪ ﻣـﯽ ﺷـﻮد .اﺳـﺘﺎد ﻫﻤﺎﻧﻄﻮر ﮐﻪ در ﺷﮑﻞ ۱دﯾﺪه ﻣـﯽﺷـﻮد ﻣﻨﺤﻨـﯽ ۲ﻧﺘـﺎﯾﺞ ﺑﻬﺘـﺮی را از
ﺑﻬﺘﺮﯾﻦ راه ﺣﻞ ﺑﻪ دﺳﺖ اﻣﺪه ﺗﺎ ﮐﻨﻮن ﻣﯽ ﺑﺎﺷﺪ .ﻓﻠﻮﭼـﺎرت ﮐﻠـﯽ اﯾـﻦ ﻣﻨﺤﻨﯽ ۱اراﺋﻪ ﻧﻤﻮده اﺳﺖ و ﺑﻨﺎﺑﺮاﯾﻦ ﻣﯽﺗﻮان ﮔﻘﺖ ﮐـﻪ اﺳـﺘﺎد T2از
اﻟﮕﻮرﯾﺘﻢ در ﺷﮑﻞ ۴ﻧﺸﺎن داده ﺷﺪه اﺳﺖ .ﻓﺮاﯾﻨﺪ اﻟﮕـﻮرﯾﺘﻢTLBO ﻟﺤﺎظ ﺗﺪرﯾﺲ ﺑﻬﺘﺮ از اﺳﺘﺎد T1اﺳﺖ .ﺗﻔﺎوت اﺻﻠﯽ ﺑـﯿﻦ اﯾـﻦ دو در
ﺑﻪ دو ﻗﺴﻤﺖ ﺗﻘﺴﯿﻢ ﻣﯽﺷﻮد .اوﻟﯿﻦ ﻗﺴﻤﺖ ﻓﺎز اﺳﺘﺎد ﻧﺎم دارد ﮐﻪ ﺑـﻪ ﻣﯿﺎﻧﮕﯿﻦ آنﻫﺎ )M1ﺑﺮای ﻣﻨﺤﻨﯽ ۱و M2ﺑﺮای ﻣﻨﺤﻨﯽ (۲اﺳـﺖ ﺑـﻪ
ﻣﻌﻨﺎی ﯾﺎدﮔﯿﺮی داﻧﺶآﻣﻮزان از اﺳﺘﺎد اﺳﺖ .ﻓـﺎز ﺑﻌـﺪی ،ﻓـﺎز داﻧـﺶ- ﻋﻨﻮان ﻣﺜﺎل ﯾﮏ اﺳﺘﺎد ﺧﻮب ﻣﯿﺎﻧﮕﯿﻦ ﺑﻬﺘﺮی از داﻧﺶآﻣﻮزان ﺧﻮد ﺑـﻪ
آﻣﻮزان اﺳﺖ ﮐﻪ ﺑﻪ ﻣﻌﻨﯽ ﺗﻌﺎﻣﻞ ﺑﯿﻦ داﻧﺶآﻣﻮزﻫﺎ ﺑﺮای ﯾﺎدﮔﯿﺮی ﺑﻬﺘـﺮ دﺳﺖ ﻣﯽ آورد .اﻟﺒﺘﻪ ﺑﯿﻦ داﻧـﺶآﻣـﻮزان ﻧﯿـﺰ ﺗﻌﺎﻣـﻞ ﺑﺮﻗـﺮار اﺳـﺖ ﮐـﻪ
ﻣﯽ ﺑﺎﺷﺪ. ﻣﻤﮑﻦ اﺳﺖ ﺑﻪ ﻧﺘﺎﯾﺞ آن ﻫﺎ ﮐﻤﮏ ﮐﻨﺪ .ﺑﺮ ﭘﺎﯾﻪ ی ﻣـﺪل ﺗـﺪرﯾﺲ ﺑـﺎﻻ،
ﯾﮏ ﻣﺪل رﯾﺎﺿﯽ ﺑﺮای ﺑﻬﯿﻨﻪﺳﺎزی ﺗﻮﺳﻂ رااو وﻫﻤﮑـﺎران ][۲۸اراﺋـﻪ
۱-۲ﻓﺎز اﺳﺘﺎد ﺷﺪه اﺳـﺖ .ﺷـﮑﻞ ۲ﯾـﮏ ﻣـﺪل ﺑـﺮای ﻧﻤـﺮات ﺑـﻪ دﺳـﺖ اﻣـﺪه ﺑـﺮای
ﻫﻤﺎﻧﻄﻮر ﮐﻪ در ﺷﮑﻞ ۲ﻧﺸﺎن داده ﺷﺪه اﺳﺖ ﻣﯿﺎﻧﮕﯿﻦ ﯾﮏ ﮐﻼس از اﺳﺎﺗﯿﺪ در ﮐﻼﺳﯽ ﺑﺎ ﻧﻤﻮدار Aﮐﻪ دارای ﻣﯿﺎﻧﮕﯿﻦ MAاﺳﺖ را ﻧﺸـﺎن
MAﺑﻪ MBدر ﺻﻮرت داﺷﺘﻦ اﺳﺘﺎد ﺧﻮب اﻓـﺰاﯾﺶ ﻣـﯽﯾﺎﺑـﺪ .اﺳـﺘﺎد ﻣــﯽ دﻫــﺪ .اﺳــﺘﺎد ﺑــﻪ ﻋﻨــﻮان ﻓــﺮدی ﮐــﻪ دارای ﺑﯿﺸــﺘﺮﯾﻦ داﻧــﺶ اﺳــﺖ
ﺧﻮب ﻓﺮدی اﺳﺖ ﮐﻪ ﺑﺘﻮاﻧﺪ ﺳﻄﺢ داﻧﺶ داﻧﺶآﻣﻮزان را ﺑﻪ ﺑـﺎﻻﺗﺮﯾﻦ ﻣﻌﺮﻓﯽ ﺷﺪه اﺳﺖ ﺑﻨﺎﺑﺮاﯾﻦ ﺑﻬﺘﺮﯾﻦ داﻧﺶآﻣـﻮز در واﻗـﻊ اﺳـﺘﺎد ﻓـﺮض
ﺳﻄﺢ ﺑﺮﺳﺎﻧﺪ ﻫﺮ ﭼﻨﺪ ﮐـﻪ در ﻋﻤـﻞ ﭼﻨـﯿﻦ ﭼﯿـﺰی ﻏﯿـﺮﻣﻤﮑﻦ اﺳـﺖ ﺷﺪه اﺳﺖ ﮐﻪ در ﺷﮑﻞ ۲ﺑﺎ TAﻧﺸﺎن داده ﺷﺪه اﺳﺖ.
واﺳﺘﺎد ﻓﻘـﻂ ﻣـﯽﺗﻮاﻧـﺪ ﻣﯿـﺎﻧﮕﯿﻦ ﯾـﮏ ﮐـﻼس را ﺑـﺎ ﺗﻮﺟـﻪ ﺑـﻪ ﺷـﺮاﯾﻂ
ﮐﻼس ﺗﺎ ﺣﺪودی ﺑﺎﻻ ﺑﺒﺮد .ﻓﺮض ﮐﻨﯿﺪ ﮐﻪ Miﻣﯿﺎﻧﮕﯿﻦ ﯾـﮏ ﮐـﻼس
و Tiﯾﮏ اﺳﺘﺎد در ﺗﮑﺮار iام ﺑﺎﺷﺪ Ti .ﺳﻌﯽ ﺧﻮاﻫﺪ ﮐـﺮد ﺗـﺎ Miرا
ﺑﻪ ﺳﻄﺢ داﻧﺶ ﺧﻮد ﻧﺰدﯾﮏ ﮐﻨـﺪ ﺑﻨـﺎﺑﺮاﯾﻦ ﻣﯿـﺎﻧﮕﯿﻦ ﺑـﻪ Mnewﺗﺒـﺪﯾﻞ
ﺧﻮاﻫﺪ ﺷﺪ .ﺳﭙﺲ راهﺣـﻞ ﺑـﺎ ﺗﻮﺟـﻪ ﺑـﻪ ﺗﻔـﺎوت ﺑـﯿﻦ دو ﻣﯿـﺎﻧﮕﯿﻦ ﺑـﻪ
ﺻﻮرت زﯾﺮ ﺑﺮوزرﺳﺎﻧﯽ ﻣﯽ ﺷﻮد:
) Difference _ Meani = ri ( M new − T f M i )(۱
ﺷﮑﻞ ۱ﺗﻮزﯾﻊ ﻧﻤﺮات ﺑﻪ دﺳﺖ آﻣﺪه ﺑﻪ وﺳﯿﻠﻪ اﺳﺎﺗﯿﺪ ﺑﻪ وﺳﯿﻠﻪ دو اﺳﺘﺎد
ﮐﻪ Tfﻓﺎﮐﺘﻮر ﺗﺪرﯾﺲ 2و riﯾﮏ ﻋﺪد ﺗﺼﺎدﻓﯽ ﺑﯿﻦ ﺻﻔﺮ و ﯾﮏ اﺳﺖ. ﻣﺨﺘﻠﻒ][۲۸
ﻣﻘﺪار Tfﻣﯽ ﺗﻮاﻧﺪ ۱ﯾﺎ ۲ﺑﺎﺷﺪ.راه ﺣﻞ ﻣﻮﺟﻮد را ﻣﯽ ﺗﻮان ﺑﻪ اﺳﺘﺎد ﺳﻌﯽ ﻣﯽ ﮐﻨﺪ ﺗﺎ داﻧﺶ را در ﻣﯿﺎن داﻧـﺶآﻣـﻮزان ﮔﺴـﺘﺮش دﻫـﺪ
ﺻﻮرت زﯾﺮ ﺑﺮوزرﺳﺎﻧﯽ ﮐﺮد: وﺑﻪ اﯾﻦ ﺻﻮرت ﺳﻄﺢ داﻧﺶ ﮐﻼس اﻓﺰاﯾﺶ ﻣـﯽ ﯾﺎﺑـﺪ و ﺑﺎﻋـﺚ ﻣـﯽ-
X new,i = X old ,i + Difference _ meani )(۲ ﺷﻮد ﺗﺎ داﻧـﺶآﻣـﻮزان ﻧﻤـﺮات ﺑـﺎﻻﺗﺮی ﺑﮕﯿﺮﻧـﺪ .ﺑﻨـﺎﺑﺮاﯾﻦ ﯾـﮏ اﺳـﺘﺎد
ﻣﯿﺎﻧﮕﯿﻦ ﻧﻤﺮات ﮐﻼس را ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺗﻮاﻧﺎﯾﯽﻫﺎی ﺧـﻮد اﻓـﺰاﯾﺶ ﻣـﯽ-
دﻫﺪ .در ﺷﮑﻞ ۲اﺳـﺘﺎد TAﺳـﻌﯽ ﻣـﯽ ﮐﻨـﺪ ﺗـﺎ ﻣﯿـﺎﻧﮕﯿﻦ MAرا ﺑـﻪ
ﻃﺮف ﻣﯿﺎﻧﮕﯿﻦ ﺟﺪﯾـﺪ MBﺣﺮﮐـﺖ دﻫـﺪ .اﺳـﺘﺎد ﺑﯿﺸـﺘﺮﯾﻦ ﺗـﻼش را
ﺑﺮای اﻧﺘﻘﺎل داﻧﺶ ﺧﻮاﻫﺪ داﺷﺖ اﻣﺎ داﻧﺶآﻣﻮزان ﻗﺴﻤﺘﯽ از داﻧﺶ را
ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﮐﯿﻔﯿﺖ ﺗﺪرﯾﺲ و ﺳﻄﺢ ﮐﯿﻔﯽ ﺧﻮد داﻧﺶآﻣـﻮزان درﯾﺎﻓـﺖ
ﺧﻮاﻫﻨﺪ ﮐﺮد .ﺳﻄﺢ ﮐﯿﻔﯽ داﻧﺶآﻣﻮزان را ﻣﯽ ﺗﻮان ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻣﻘـﺪار
ﻣﯿﺎﻧﮕﯿﻦ ﺟﻤﻌﯿﺖ ﺑﻪ دﺳﺖ آورد.
ﮐﺎراﯾﯽ ،ﺗﻌﺎﻣﻼﺗﯽ ﻣﺜﻞ ﻣﺒﺎﺣﺜﻪ ،اراﺋﻪ ،و ﺳﻮال دارد .ﯾـﮏ داﻧـﺶآﻣـﻮز
ﻣﻌﯿــﺎر آﻧﺘﺮوﭘــﯽ ﮐــﺎﭘﻮر ﺑــﺮای آﺳــﺘﺎﻧﻪ ﮔــﺬاری ﭼﻨــﺪ ﺳــﻄﺤﯽ ﻧﯿــﺰ ﻣﻔﺎﻫﯿﻢ ﺟﺪﯾﺪی را از داﻧﺶ آﻣﻮزاﻧﯽ ﮐﻪ داﻧﺶ ﺑﯿﺸﺘﺮی از آنﻫﺎ دارﻧـﺪ
ﮔﺴــﺘﺮش ﯾﺎﻓﺘــﻪ اﺳــﺖ .ﻓــﺮض ﮐﻨﯿــﺪ ﯾــﮏ ﻣﺴــﺌﻠﻪ ﺑــﺎ Dﻣﻘــﺪار آﺳــﺘﺎﻧﻪ ﯾﺎد ﻣﯽﮔﯿﺮﻧﺪ.ﻓـﺎز داﻧـﺶآﻣـﻮز ﺑـﻪ ﺻـﻮرﺗﯽ ﮐـﻪ در ﺷـﮑﻞ ۴ﻧﺸـﺎن داده
][t1,t2,…,tDدارﯾﻢ و ﻣﯽﺧﻮاﻫﯿﻢ اﯾﻦ ﻣﻘـﺎدﯾﺮ آﺳـﺘﺎﻧﻪ را ﺑـﺎ اﺳـﺘﻔﺎده از ﺷﺪه اﺳﺖ ﺑﯿﺎن ﮔﺮدﯾﺪه اﺳﺖ.
ﻣﻌﯿﺎر آﻧﺘﺮوﭘﯽ ﺑﺪﺳﺖ آورﯾﻢ .ﺑﻪ اﯾﻦ ﻣﻨﻈـﻮر ﺑﺎﯾـﺪ ﺗـﺎﺑﻊ زﯾـﺮ را ﺑﯿﺸـﯿﻨﻪ
For i=1:Pn
ﻧﻤﺎﯾﯿﻢ
Randomly select two learners Xi and Xj,where
f ([t1 , t2 ,..., tD ] = H 0 + H1 + ... + H D )(۴
i≠ j
ﮐﻪ
)If f(Xi)<f(Xj
t1 −1 t1 −1
pi pi
ω0 = ∑ pi , ∑H 0 = − ln )Xnew,i=Xold,i+ri(Xi-Xj
i =0 i = 0 ω0 ω0
Else
t2 −1 t2 −1
pi pi
ω1 = ∑ pi , ∑ H1 = − ln )Xnew,i=Xold,i+ri(Xj-Xi
ω1 ω1
i = t1 i = t1
End If
t3 t3
pi pi
= ω2 ∑
i = t2 +1
pi , H2 = − ∑ω
i = t2 +1
ln
ω2
End For
2
L L
pi pi
= ωD ∑
i = t D +1
pi , HD = − ∑
i = tD +1 ω D
ln
ωD
ﺷﮑﻞ ۴ﻓﺎز داﻧﺶ آﻣﻮز در اﻟﮕﻮرﯾﺘﻢTLBO
۳روش ﭘﯿﺸﻨﻬﺎدی
اﯾﻦ روش ﺑﺮای ﺣﺎﻟﺖ دو ﮐﻼﺳﻪ دارای ﮐﺎراﯾﯽ ﺑﺎﻻﯾﯽ اﺳﺖ اﻣـﺎ
ﺑﻪ ﺧﺎﻃﺮ ﭘﯿﭽﯿﺪﮔﯽ ﻣﺴﺌﻠﻪ ،وﻗﺘـﯽ ﻫـﺪف ﯾـﺎﻓﺘﻦ ﭼﻨـﺪﯾﻦ ﮐـﻼس ﺑﺎﺷـﺪ در اﯾﻦ ﻗﺴﻤﺖ ،روش ﭘﯿﺸﻨﻬﺎدی ﺑﺮای آﺳـﺘﺎﻧﻪﮔـﺬاری ﺗﺼـﺎوﯾﺮ ﻣـﻮرد
ﺑﺴﯿﺎر ﮐﻨﺪ ﻣﯽﺑﺎﺷﺪ. ﺑﺮرﺳﯽ ﻗﺮار ﮔﺮﻓﺘﻪ اﺳﺖ .ﺑﻪ اﯾﻦ ﻣﻨﻈـﻮر در اﺑﺘـﺪا ﺗـﺎﺑﻊ ﻫـﺪف ﻣـﻮرد
اﺳــﺘﻔﺎده ﻣﻌﺮﻓــﯽ ﺷــﺪه و ﺳــﭙﺲ ﺑــﻪ ﺑﺮرﺳــﯽ ﺳــﺎﺧﺘﺎر ﮐﻠــﯽ روش
۲-۳آﺳﺘﺎﻧﻪ ﮔﺬاری ﺑﻬﯿﻨﻪ ﭼﻨﺪ ﺳﻄﺤﯽ ﺑﺎ ﭘﯿﺸﻨﻬﺎدی ﭘﺮداﺧﺘﻪ ﺷﺪه اﺳﺖ.
ﯽ
ﺑﺮوزرﺳـﺎﻧﯽ ﺳﺖ آﻣـﺪه ﺑـﻪ رااه ﺣـﻞ ﺟـﺎری ﺑﺑـﺮای
• ﺗﻔﺎوت ﺑﺪﺳ ـﺖ ﮐــﻪ
1× NumOاﺳـ ﺖ
آراﯾــﻪ دارای ﺳــﺎﯾﺰ OfThreshold
ﺗﺼــﻮﯾﺮ ،اﯾــﻦ ﯾ
ﺼ
اﺿﺎﻓﻪ ﻣﯽ ﺷﻮد :
ﻪ ﻣﻘﺪار آن آراﯾــﻪ ﺑــﻪ
ﺳــﺖ .اﯾــﻦ ـﻪ
Numﺗﻌــﺪاد ﻣﻘـــﺎدﯾﺮ آﺳــﺘﺎﻧﻪ اﺳ
mOfThresholdd
X new, D = X old , D + Diff
fference,D )(۱۲ ﺗﻌﺮﯾﻒ ﺷﺪه اﺳﺖ:
ﻒ ﺻﻮﻮرت زﯾﺮ
ـﯽ ﺷــﻮد ﮐــﻪ ﻣﻘــﺪﺪار ﺗــﺎﺑﻊ را ﺑﻬﺘ ــﺮ
Xnewwدر ﺻــﻮررﺗﯽ ﭘﺬﯾﺮﻓﺘــﻪ ﻣـ ﯽ ] Studdent = [ x1 , x2 ,...., xNumOfThresholdd )(۵
ﻧﻤﺎﯾﺪ. ﺷﮑﻞ ۵ﯾﮏ داﻧﺶ اﻣﻮز را ﺑﺑﺮای ﯾﮏ ﻫﯿﺴﺘﻮﻮﮔﺮام ﻧﻤﻮﻧﻪ ﻧﺸﺎن
ﻗﻗﺪم ﭼﻬﺎرم .ﻓﺎز داﻧﺶ آﻣﻮز ﻣﯽ دﻫﺪ.
ﯽ
ﻗـﺒﻼ ﺗﻮﺿـﯿﺢ داده ﺷـﺪ داﻧـﺶآﻣـﻮﻮزان ﺑـﺎ ﺗﻌﺎﻣـﻞ ﯾﯾـﺎ
ﻫﻤﺎﻧﻄﻮر ﮐﻪ ﻼ
ﻫ
ﺧﻮد اﺿﺎﻓﻪ ﮐﻨﻨﺪ .ﻓـﺎز داﻧـﺶ آﻣـﻮﻮز
ﮕﺮ ﻣﯽ ﺗﻮاﻧﻨﺪ ﺑﺮ ﺳﻄﺢ داﻧﺶ ﺧﻮ
ﯾﮑﺪﯾﮕ
ﮑﻞ ۴ﺗﻮﺿﯿﺢ دداده ﺷﺪه اﺳﺖ.
در ﺷﮑ
ﻣﻌﯿﺎر اﺗﻤﺎم
ر ﻗﻗﺪم ﭘﻨﺠﻢ.
ددرﺻﻮرﺗﯽ ﮐﻪ ﺑﻪ ﺑﯿﺸﯿﻨﻪ ﺗﻌﺪاد ﺗﮑ
ﮑﺮار ﻫﺎ رﺳﯿﺪه ااﺳﺖ اﻟﮕﻮرﯾﺘﻢ ﺑﺑﻪ
ﺑﻪ ﻗﺪم ﺳﻮم ﻣﯽ ررود.
ﻏﯿﺮ اﯾﻦ ﺻﻮرت ﻪ
اﺗﻤﺎم ﻣﯽ رﺳﺪ در ﺮ
زﻣﺎﯾﺶ ﻫﺎ
۴ﻧﺘﺎﺎﯾﺞ آ ﺶ
ﭘﯿﺸﻨﻬﺎدی در ﻧﺮم اﻓﺰار ﻣﺘﻠﺐ 2014aو ﺑﺮ روی ﮏ
ﯾﮏ ی رروش
G
GB ﮐﺎﻣﭙﯿﻮﻮﺗﺮ ﺑﺎ واﺣﺪ ﭘﺮﺮدازش ﻣﺮﮐﺰی 19.3 GHZو ﺣﺎﻓﻈﻪ
ﯽ
ﮐﺎراﯾﯽ ﺑﺮای ارزﯾﺎﺑﯽ
12ﭘﯿﺎدده ﺳﺎزی ﺷﺪه اﺳﺖ .ﭘﻨﺞ ﺗﺼﻮﻮﯾﺮ ﻣﺸﻬﻮر ی ﺴﺘﻮﮔﺮام ﻧﻤﻮﻧﻪ
ﺷﮑﻞ .۵ﯾﮏ داﻧﺶ اﻣﻮﻮز ﺑﺮای ﯾﮏ ﻫﯿﺴ
اﺳﺖ .ﺗﺼﺎوﯾﺮ ﻣﻮررد
ﻣﻮرد ﺑﺮرﺳﯽ ﻗﺮﺮار ﮔﺮﻓﺘﻪ ﺖ
ﺳﯿﺴﺘﻢ ﭘﯿﺸﻨﻬﺎدی ﻣﻮ
ﻢ
اﺳﺖ.
ﺷﮑﻞ ۶ﻧﺸﺎن داده ﺷﺪه ﺖ
ﻫﯿﺴﺘﻮﮔﺮام ﻣﺘﻨﺎﻇﺮ در ﺷ
م ارزﯾﺎﺑﯽ و
ﯽ ـﻮرت ﺗﺼــﺎدﻓﯽ ﺑــﺎ ﺳــﺎﯾﺰ
ﻣﺮﺣﻠــﻪ ﺟﻤﻌﯿــﺖ اوﻟﻟﯿــﻪ ﺑــﻪ ﺻـ ت
ﻠ در اﯾــﻦ
ت
ﻋﻤﻠﯿﺎت ﭘﺎراﻣﺘﺮﺮﻫﺎی اﻟﮕﻮرﯾﺘﻢ ﺑﻬﯿﻨﻪﺳﺎزی ﯾﺎددﮔﯿﺮی و ﺗ ﺲ
ﺪرﯾﺲ ﺑﺮای Pn × Dnﺗﻮﻟﯿــﺪ ﻣــﯽ ﺷــﻮد .در اﻟﮕــﻮرﯾﺘﻢ LBO
،TLﺳــﺎﯾﺰ ﺟﻤﻌﻌﯿــﺖ
ﺖ
ﺟﻬﺖ ﺗﺼﻮﯾﺮ در ﺟﺪول ۱آﻣﺪه اﺳﺖ .ﻫﻤﭽﻨﯿﻦ
ﺮ آﺳﺘﺎﻧﻪﮔﺬاری
ﻪ ﺸـﺎن-
ﺸﺎندﻫﻨﺪهی ﺗﻌﺪااد داﻧﺶآﻣﻮزان و ﻣﺘﻐﯿﺮﻫـﺎی ﻃﺮﺮاﺣـﯽ ) (Dnﻧﺸ
ﻧﺸﺎ
ﺳﺎﯾﺮ روشﻫﺎ ،ﺳﻪ اﻟﮕﻮرﯾﺘﺘﻢ
ﺸﻨﻬﺎدی ﺑﺎ ﺳ ﻣﻘﺎﯾﺴ
ﺴﻪ روش ﭘﯿﺸ ﺻـﻮرت زﯾـﺮ
ت ﺖ .ﺟﻤﻌﯿـﺖ اوﻟﻟﯿـﻪ ﺑـﻪ
ﻫﻨﺪهی ﻣﻮﺿـﻮﻋﺎﺎت درﺳـﯽ اﺳـﺖ
دﻫ
ﺳﺎزی ذرات ) (PSSOو اﻟﮕﻮرﯾﺘﺘﻢ
ژﻧﺘﯿﮏ) ،(GAاﻟﮕﻮررﯾﺘﻢ ﺑﻬﯿﻨﻪ ی
ﮏ ﺳﺎﺧﺘﻪ ﻣﯽ ﺷﻮد:
ی
ﭘﺎراﻣﺘﺮﻫﺎی ﺗﮑﺎﻣﻞ ﺗﻔﺎﺿﻠﯽ )DE
(Dﭘﯿﺎدهﺳﺎزی ﺷﺪه اﺳﺖ .ﻣﻘﻘﺎدﯾﺮ ﻞ ) (۶
ﺳﺖ.
ﮕﻮرﯾﺘﻢ ﻫﺎ در ﺟﺪﺪول ۱آﻣﺪه اﺳ
ﻣﻮرد اﺳﺘﻔﺎده اﯾﻦ اﻟﮕ
ﺳــﭙﺲ ﺑــﻪ ازای ﻫــﺮ داﻧــﺶآﻣــﻮز ،ﺗــﺎﺑﻊ ﻫــﺪف ﺑ ــﺎ اﺳــﺘﻔﺎده از ﻣﻌﻌﯿــﺎر
ﺳـ
آﻧﺘﺮﺮوﭘﯽ ﮐﺎﭘﻮر ﺑﻪ ددﺳﺖ ﻣﯽ آﯾﺪ.
ﻓﺎز اﺳﺘﺎد :ﻣﺮاﺣﻞ اﯾﻦ ﻗﺴﻤﺖ ر
در زﯾﺮ آﻣﺪه اﺳﺖ: ﻗﺪم ﺳﻮم .ز
ﻣﯽ ﺷﻮد:
• در اﺑﺘﺪا ﻣﯿﺎﻧﮕﯿﻦ ﻫﺮ ﺳﺘﺘﻮن ﻣﺤﺎﺳﺒﻪ ﯽ
] M , D = [ m1 , m2 ,..., mD )(۷
ﮔﺮﻓﺘـﻪ
ن اﺳﺘﺎد در ﻫﺮ ﺗﺗﮑﺮار در ﻧﻈﺮ ﮔﺮ
• ﺑﻬﺘﺮﯾﻦ راه ﺣﻞ ﺑﻪ ﻋﻨﻮان
ﻣﯽﺷﻮد.
L
Lena X teacher = X f (X) = min )(۸
• اﺳــﺘﺎد ﺳــﻌﯽ ﻣــﯽ ﮐﻨــﺪ ﺗــﺎ ﻣﯿــﺎﻧﮕﯿﻦ را از M ,Dﺑــﻪ ﻃـ
ﻃــﺮف
ﻋﻤـﻞ
X ,teacherﺑﺑﺮﺳﺎﻧﺪ ﮐﻪ در وواﻗﻊ ﺑﻪ ﻋﻨﻮان ﻣﯿﯿﺎﻧﮕﯿﻦ ﺟﺪﯾـﺪ ﻋ
ﻣﯽ ﮐﻨﺪ:
M _ new, D = X teacher , D )(۱۰
زﯾﺮ ﺑﯿﺎن ﻣﯽ ﺷﻮد
ﻦ ﺑﻪ ﺻﻮرت ﺮ
• ﺗﻔﺎوت ﺑﯿﻦ دو ﻣﯿﺎﻧﮕﯿﻦ
) D = r ( M _ new,D − TF M , D
D
Difference,D
)(۱۱
B
Bridge ﺨﺎب ﻣﯽ ﺷﻮد.
۱ ، TFﯾﺎ ۲اﻧﺘﺨ
ﮐﻪ ﻣﻘﺪار T
ﻄﺤﯽ ﺗﺼﻮﯾﺮ ﺑﺎ اﺳﺘﺘﻔﺎده از اﻟﮕﻮرﯾﺘﻢ ﺑﺑﻬﯿﻨﻪﺳﺎزی ﻣﺒﺘﻨﯽ ﺑﺑﺮ ﯾﺎدﮔﯿﺮی وﺗﺪر ﺲ
ﯾﺲ آﺳﺘﺎﻧﻪ ﮔﺬﺬاری ﺑﻬﯿﻨﻪ ﭼﻨﺪﺳﻄ ۵۶
ﮐﺎراﯾﯽ ﺑﺎﻻﺗﺮی
ﺳﺖ ﺑﻨﺎﺑﺮاﯾﻦ رووش ﭘﯿﺸﻨﻬﺎدی ﮐ
ﻬﺎدی ﭘﺎﯾﯿﻦ ﺗﺮ اﺳ
ﭘﯿﺸﻨﻬﺎ
ﺧﯽ دو 2ﺑﺮای
داﺷﺘﻪ اﺳﺖ .ﻫﻤﭽﻨﯿﯿﻦ آزﻣﻮن ﻓﺮﯾﺪﺪﻣﻦ ،ﻣﻘﺪار ﺧ
،۱۴و ۱۴٬۶۲
k=2,33,4,5را ﺑﻪ ﺗﺗﺮﺗﯿﺐ ۱ /۷۶ ،۱۵ ،۱۴/۱۴
اﺳﺖ .اﯾﻦ آزﻣﻮن آﻣﺎری ﻣﻘﺪار p 3را ﺑﺮای
ﺳﺒﻪ ﮐﺮده ﺖ
ﻣﺤﺎﺳ
k=2,33,4,5ﻣﻘﺎدﯾﺮ ، 2.0 × 10 −3 ، 1.8 × 10 −3 ، 2.7 × 10 −3
اﺳﺖ .از ﺟﺪول ﺗﺗﻮزﯾﻊ ﺧﯽ دو
ﻣﺸﺨﺺ ﻧﻤﻮده ﺖ
ﺺ و 2.2 × 100−3
ﺟﻪ )(۴-۱=۳
ﺑﺤﺮاﻧﯽ 4ﺑﺮای ۳درﺟ
ﯽ χ 2ﻣﻣﯽ ﺗﻮان دﯾﺪ ﮐ
ﮐﻪ ﻣﻘﺪار
Pep
pper
۷٬۸۱۵اﺳﺖ .از آن ﺟﺎﯾﯽ ﮐﻪ
ﺳﻄﺢ اﻃﻤﯿﻨﺎن ﺑﺮاﺑﺮ ۵
آزادی و ۰٬۰۵ﺢ
از ﻣﻘﺪارﺑﺤﺮاﻧﯽ
ﺳﺘﺎﻧﻪ ﺑﯿﺸﺘﺮ ز
ﻣﻘﺎدﯾﺮ ﺧﯽدو روی ﻫﻤﻪ ﻣﻘﺎدﯾﺮ آﺳ
ﺮ
اﺳﺖ H0رد ﻣﯽ ﺷﻮﻮد و ﺑﻨﺎﺑﺮاﯾﻦ H1ﭘﺬﯾﺮﻓﺘﻪ ﻣﯽ ﺷﻮد.ﻋﻼوه ﺑﺮ
ﺻﻔﺮ( اﺳﺖ ﮐﻪ رد ﻓﺮﺿﯿﻪ H0
ﮐﻢ ) ﻧﺰدﯾﮏ ﺑﻪ ﺻ
اﯾﻦ ﻣﻘﻘﺪار Pﺧﯿﻠﯽ ﻢ
ﺣﻞﻫﺎی ﻣﺨﺘﻠﻒ
ﮐﻪ ﺑﯿﻦ راه ﻞ
ﺸﺎن ﻣﯽ دﻫﺪ ﮐ
را ﺗﺎﯾﯿﯿﺪ ﻣﯽ ﮐﻨﺪ و ﻧﺸ
ﺗﻔﺎوت وﺟﻮد دارد .ﻫﻤﭽﻨﯿﻦ ﺑﺮاای ﻣﻘﺎدﯾﺮ آﺳﺘﺘﺎﻧﻪ ﻣﺨﺘﻠﻒ،
ت
ﺗﺒﻪﺑﻨﺪی و اﻟﮕﻮررﯾﺘﻢ ﭘﯿﺸﻨﻬﺎدی
اﻟﮕﻮرﯾﯾﺘﻢ ژﻧﺘﯿﮏ ﮐﻤﺘﺮﺮﯾﻦ ﻣﯿﺎﻧﮕﯿﻦ رﺗﺒ
اراﺋﻪ ﮐﺮده اﻧﺪ .ﺑﻨﺎﺎﺑﺮاﯾﻦ ﻣﯽﺗﻮان
ﻪ ﺗﺒﻪﺑﻨﺪی را
ﺑﺎﻻﺗﺮﯾﯾﻦ ﻣﯿﺎﻧﮕﯿﻦ رﺗﺒ
Hou
use
TLدارای ﺑﻬﺘﺮﺮﯾﻦ ﮐﺎراﯾﯽ و اﻟﮕ
ﮕﻮرﯾﺘﻢ ژﻧﺘﯿﮏ ﮔﻔﺖ ﮐﻪ روش LBO
دارای ﺑﺪﺗﺮﯾﻦ ﮐﺎراﯾﯽ اﺳﺖ.
N
μ I = 1/ Nﻣﯿﺎﻧﮕﯿﻦ ﺷﺪت در ﺗﺼﻮﯾﺮ Iو ∑I
i =1
i ﮐ ﻪ
N
) σ I I% = 1/ ( N − 1اﻧﺤﺮاف ﻣﻌﯿﺎر ∑ (I
i =1
i ) − μ I )(I i − μ I%
1
Cross rate
2
Structural-Similarity index
3
Peak Signal to noise ratio
آﺳﺘﺎﻧﻪ ﮔﺬاری ﺑﻬﯿﻨﻪ ﭼﻨﺪﺳﻄﺤﯽ ﺗﺼﻮﯾﺮ ﺑﺎ اﺳﺘﻔﺎده از اﻟﮕﻮرﯾﺘﻢ ﺑﻬﯿﻨﻪﺳﺎزی ﻣﺒﺘﻨﯽ ﺑﺮ ﯾﺎدﮔﯿﺮی وﺗﺪرﯾﺲ ۵۸
ﺟﺪول .۳ﻣﻘﺎﯾﺴﻪ ﻣﻘﺎدﯾﺮ آﺳﺘﺎﻧﻪ ﻫﺎی ﺑﻪ دﺳﺖ آﻣﺪه ﺑﺮای اﻟﮕﻮرﯾﺘﻢ ﻫﺎی ﺑﻬﯿﻨﻪ ﺳﺎزی ﻣﺨﺘﻠﻒ
ﻣﻘﺎدﻳﺮ آﺳﺘﺎﻧﻪ ﺗﻌﺪاد ﻣﻘﺎدﻳﺮ ﺗﺼﺎوﻳﺮ
آﺳﺘﺎﻧﻪ
DE PSO GA روش ﭘﻴﺸﻨﻬﺎدي
ﺟﺪول .۴ﻣﻘﺎدﯾﺮ PSNRو SSIMﺑﺪﺳﺖ آﻣﺪه ﺑﺮای اﻟﮕﻮﯾﺘﻢ ﻫﺎی ﺑﻬﯿﻨﻪ ﺳﺎزی ﻣﺨﺘﻠﻒ
DE PSO GA TLBO ﺗﻌﺪا ﻣﻘﺎدﻳﺮ آﺳﺘﺎﻧﻪ ﺗﺼﺎوﻳﺮ
SSIM PSNR SSIM PSNR SSIM PSNR SSIM PSNR
0/5262 15/7071 0/5233 15/6949 0/5257 15/6572 0/5277 15/7278 2
0/5176 15/7071 0/5168 15/5226 0/5225 15/5681 0/5279 15/7280 3
Lena
0/6223 18/5747 0/6138 18/3083 0/6155 17/9748 0/6228 18/5802 4
0/6712 20/1118 0/6584 19/7668 0/6508 19/434 0/6809 20/2279 5
0/3927 13/3356 0/3942 13/3594 0/3823 13/1610 0/3953 14/4800 2
0/5854 16/8872 0/5911 16/8283 0/5811 16/6098 0/5957 17/9212 3
Bridge
0/6860 18/7565 0/6858 18/6955 0/6791 18/4703 0/6898 18/7760 4
0/7468 20/1721 0/7494 20/2232 0/7285 19/7668 0/7513 20/6892 5
0/5912 16/2638 0/5897 16/2666 0/6013 16/1536 0/5899 16/2673 2
0/6687 18/1833 0/6696 18/1967 0/6620 18/1177 0/6700 18/1705 3
Pepper
0/7215 20/1729 0/7172 20/0479 0/7074 19/8432 0/7308 20/4891 4
0/7531 20/9702 0/7494 21/0227 0/7407 20/8535 0/7462 20/8805 5
0/5016 14/4800 0/5011 14/4722 0/4996 14/4117 0/5032 14/4958 2
0/6341 17/9212 0/6431 17/8579 0/6033 16/9874 0/6466 17/8959 3
House
0/6730 18/7760 0/6775 18/9150 0/6617 18/6533 0/6749 18/7644 4
0/7293 20/6892 0/7315 20/7071 0/7239 20/4138 0/7321 20/8347 5
0/4991 14/5677 0/4979 14/5418 0/4924 14/4542 0/4989 14/5937 2
0/5998 18/8794 0/6063 18/7703 0/6080 17/6822 0/6010 18/8795 3
Camera Man
0/6444 19/6169 0/6467 19/4248 0/6209 19/5716 0/6437 19/7204 4
0/6729 21/0254 0/6538 20/3239 0/674 20/6797 0/6772 21/3317 5
ﺟﺪول .۵ﻣﻘﺪار اﻧﺤﺮاف ﻣﻌﯿﺎر ﺑﺮای اﻟﮕﻮرﯾﺘﻢ ﻫﺎی ﺑﻬﯿﻨﻪ ﺳﺎزی ﻣﺨﺘﻠﻒ
ﻣﻘﺪار اﻧﺤﺮاف ﻣﻌﻴﺎر ﺗﻌﺪاد ﻣﻘﺎدﻳﺮ ﺗﺼﺎوﻳﺮ
آﺳﺘﺎﻧﻪ
DE PSO GA TLBO
0 0/0002 0/0411 0 2
0 0/0148 0/1175 0 3
Lena
0/002 0/0297 0/1208 0 4
0/009 0/0578 0/1997 0/006 5
0 0/0001 0/0078 0 2
0 0/0034 0/017 0 3
Bridge
0/0034 0/0071 0/0508 0/0004 4
0/0077 0/0239 0/0895 0/0027 5
0 0 0/0085 0 2
0 0/0015 0/045 0 3
Pepper
0/0017 0/0083 0/054 0/0001 4
0/0115 0/0184 0/0584 0/0098 5
0 0/0006 0/0118 0 2
0 0/0031 0/0268 0 3
House
0/0028 0/0085 0/0828 0/0034 4
0/0062 0/0322 0/0684 0/004 5
0 0/0013 0/0475 0 2
0 0/0086 0/0677 0 3
Camera Man
0/0069 0/0232 0/1047 0/0004 4
0/0085 0/0465 0/0633 0/0053 5
آﺳﺘﺎﻧﻪ ﮔﺬاری ﺑﻬﯿﻨﻪ ﭼﻨﺪﺳﻄﺤﯽ ﺗﺼﻮﯾﺮ ﺑﺎ اﺳﺘﻔﺎده از اﻟﮕﻮرﯾﺘﻢ ﺑﻬﯿﻨﻪﺳﺎزی ﻣﺒﺘﻨﯽ ﺑﺮ ﯾﺎدﮔﯿﺮی وﺗﺪرﯾﺲ ۶۰
ﺟﺪول .۶زﻣﺎن ﻣﺤﺎﺳﺒﻪ ﻣﻘﺎدﯾﺮ آﺳﺘﺎﻧﻪ ﺑﺮای اﻟﮕﻮرﯾﺘﻢ ﻫﺎی ﺑﻬﯿﻨﻪ ﺳﺎزی ﻣﺨﺘﻠﻒ
زﻣﺎن ﺗﻌﺪاد ﻣﻘﺎدﻳﺮ ﺗﺼﺎوﻳﺮ
آﺳﺘﺎﻧﻪ
DE PSO GA TLBO
[10] N. Raja, V. Rajinikanth, and K. Latha, "Otsu based optimal ﺑﯿﺸﺘﺮ اﻣﺎ ازDE وGA ﻫﻤﭽﻨﯿﻦ ﺳﺮﻋﺖ اﯾﻦ اﻟﮕﻮرﯾﺘﻢ از.اﺳﺖ
multilevel image thresholding using firefly algorithm,"
Modelling and Simulation in Engineering, vol. 2014, p. 37, . ﮐﻤﺘﺮ اﺳﺖPSO
2014.
[11] Y. Liu, C. Mu, W. Kou, and J. Liu, "Modified particle swarm
TLBO ﻣﯽ ﺗﻮان اﻟﮕﻮرﯾﺘﻢ،ﺑﻪ ﻋﻨﻮان ﭘﯿﺸﻨﻬﺎدی ﺑﺮای ﮐﺎرﻫﺎی آﯾﻨﺪه
optimization-based multilevel thresholding for image ﻫﻤﭽﻨﯿﻦ.را ﺑﺎ ﺗﻮاﺑﻊ ارزﯾﺎﺑﯽ دﯾﮕﺮ ﻣﺜﻞ اﺗﺴﻮ ﻣﻮرد ﺑﺮرﺳﯽ ﻗﺮار داد
segmentation," Soft Computing, pp. 1-17, 2014.
[12] M. Sezgin, "Survey over image thresholding techniques and ﺑﺮرﺳﯽ ﮐﺎراﯾﯽ روش ﭘﯿﺸﻨﻬﺎدی ﺑﺮ روی ﺗﺼﺎوﯾﺮ دﯾﮕﺮ ﻣﺜﻞ ﺗﺼﺎوﯾﺮ
quantitative performance evaluation," Journal of Electronic .ﭘﺰﺷﮑﯽ ﭘﯿﺸﻨﻬﺎد ﻣﯽ ﺷﻮد
imaging, vol. 13, pp. 146-168, 2004.
[13] P. K. Sahoo, S. Soltani, and A. K. Wong, "A survey of ﺗﺎﮐﻨﻮن ﺑﺮای آﺳﺘﺎﻧﻪﮔﺬاری ﺗﺼﺎوﯾﺮ اﻟﮕﻮرﯾﺘﻢﻫﺎی ﻓﺮااﺑﺘﮑﺎری
thresholding techniques," Computer vision, graphics, and
image processing, vol. 41, pp. 233-260, 1988.
ﺑﯿﺸﺘﺮ اﯾﻦ روشﻫﺎ ﮐﺎر ﺧﻮد.ﻣﺨﺘﻠﻔﯽ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﮔﺮﻓﺘﻪ اﺳﺖ
[14] J. N. Kapur, P. K. Sahoo, and A. K. Wong, "A new method را ﺑﺎ اﻟﮕﻮرﯾﺘﻢﻫﺎی ﻓﺮااﺑﺘﮑﺎری ﻣﺸﻬﻮر ﻣﺜﻞ ژﻧﺘﯿﮏ و ﺑﻬﯿﻨﻪﺳﺎزی
for gray-level picture thresholding using the entropy of the
histogram," Computer vision, graphics, and image processing, ﺑﺮای اداﻣﻪ اﯾﻦ ﮐﺎر ﻣﻘﺎﯾﺴﻪ روش.ذرات ﻣﻮرد ﻣﻘﺎﯾﺴﻪ ﻗﺮار داده اﻧﺪ
vol. 29, pp. 273-285, 1985. -ﭘﯿﺸﻨﻬﺎدی ﺑﺎ اﻟﮕﻮرﯾﺘﻢﻫﺎی ﻓﺮااﺑﺘﮑﺎری دﯾﮕﺮ ﻣﺜﻞ اﻟﮕﻮرﯾﺘﻢ ﮐﺮم ﺷﺐ
[15] T. Pun, "Entropic thresholding, a new approach," Computer
Graphics and Image Processing, vol. 16, pp. 210-239, 1981. .ﺗﺎب ﺗﻮﺻﯿﻪ ﻣﯽﺷﻮد
[16] C. H. Li and C. Lee, "Minimum cross entropy thresholding,"
Pattern Recognition, vol. 26, pp. 617-625, 1993.
[17] C. Li and P. K.-S. Tam, "An iterative algorithm for minimum ﺗﺸﮑﺮ و ﻗﺪرداﻧﯽ۶
cross entropy thresholding," Pattern Recognition Letters, vol.
19, pp. 771-776, 1998.
[18] T. Kurban, P. Civicioglu, R. Kurban, and E. Besdok, اﯾﻦ ﻣﻄﺎﻟﻌﻪ ﺑﺎ ﺣﻤﺎﯾﺖ ﻣﺎﻟﯽ داﻧﺸﮕﺎه ﮐﺎﺷﺎن ﺑﻪ اﻧﺠﺎم رﺳﯿﺪه اﺳﺖ
"Comparison of evolutionary and swarm based computational
techniques for multilevel color image thresholding," Applied ﻟﺬا ﻧﻮﯾﺴﻨﺪﮔﺎن ﺑﺮ ﺧﻮد ﻻزم ﻣﯽداﻧﻨﺪ ﺗﺎ از ﻣﺪﯾﺮﯾﺖ ﻣﺤﺘﺮم داﻧﺸﮕﺎه
Soft Computing, vol. 23, pp. 128-143, 2014. .ﺟﻬﺖ ﺣﻤﺎﯾﺖﻫﺎی ﻣﺎﻟﯽ ﺗﺸﮑﺮ و ﻗﺪرداﻧﯽ ﻧﻤﺎﯾﻨﺪ
[19] D. H. Wolpert and W. G. Macready, "No free lunch theorems
for optimization," Evolutionary Computation, IEEE
Transactions on, vol. 1, pp. 67-82, 1997. ﻣﺮاﺟﻊ
[20] K. Hammouche, M. Diaf, and P. Siarry, "A multilevel
automatic thresholding method based on a genetic algorithm
for a fast image segmentation," Computer Vision and Image [1] R. Phellan, A. X. Falcão, and J. Udupa, "Improving Atlas-
Understanding, vol. 109, pp. 163-175, 2008. Based Medical Image Segmentation with a Relaxed Object
[21] P.-Y. Yin, "A fast scheme for optimal thresholding using Search," in Computational Modeling of Objects Presented in
genetic algorithms," Signal processing, vol. 72, pp. 85-95, Images. Fundamentals, Methods, and Applications, ed:
1999. Springer, 2014, pp. 152-163.
[22] P.-Y. Yin, "Multilevel minimum cross entropy threshold [2] N. Torbati, A. Ayatollahi, and A. Kermani, "An efficient
selection based on particle swarm optimization," Applied neural network based method for medical image
Mathematics and Computation, vol. 184, pp. 503-513, 2007. segmentation," Computers in biology and medicine, vol. 44,
[23] M. Maitra and A. Chatterjee, "A hybrid cooperative– pp. 76-87, 2014.
comprehensive learning based PSO algorithm for image [3] R. Sammouda, N. Adgaba, A. Touir, and A. Al-Ghamdi,
segmentation using multilevel thresholding," Expert Systems "Agriculture satellite image segmentation using a modified
with Applications, vol. 34, pp. 1341-1350, 2008. artificial Hopfield neural network," Computers in Human
[24] M.-H. Horng, "Multilevel thresholding selection based on the Behavior, vol. 30, pp. 436-441, 2014.
artificial bee colony algorithm for image segmentation," [4] A. Bhandari, A. Kumar, and G. Singh, "Tsallis Entropy based
Expert Systems with Applications, vol. 38, pp. 13785-13791, Multilevel Thresholding for Colored Satellite Image
2011. Segmentation using Evolutionary Algorithms," Expert Systems
[25] M.-H. Horng, "A multilevel image thresholding using the with Applications, 2015.
honey bee mating optimization," Applied Mathematics and [5] S. MousaviRad, F. A. Tab, and K. Mollazade, "Design of an
Computation, vol. 215, pp. 3302-3310, 2010. Expert System for Rice Kernel Identification using Optimal
[26] S. Sarkar, G. R. Patra, and S. Das, "A differential evolution Morphological Features and Back Propagation Neural
based approach for multilevel image segmentation using Network," International Journal of Applied Information
minimum cross entropy thresholding," in Swarm, Systems, vol. 3, pp. 33-37, 2012.
Evolutionary, and Memetic Computing, ed: Springer, 2011, [6] S. Lefebvre and S. Ambellouis, "Vehicle detection and
pp. 51-58. tracking using mean shift segmentation on semi-dense
[27] S. Sarkar and S. Das, "Multilevel image thresholding based disparity maps," in Intelligent Vehicles Symposium (IV), 2012
on 2D histogram and maximum Tsallis entropy—a differential IEEE, 2012, pp. 855-860.
evolution approach," Image Processing, IEEE Transactions [7] P. Arbelaez, M. Maire, C. Fowlkes, and J. Malik, "Contour
on, vol. 22, pp. 4788-4797, 2013. detection and hierarchical image segmentation," Pattern
[28] R. V. Rao, V. J. Savsani, and D. Vakharia, "Teaching– Analysis and Machine Intelligence, IEEE Transactions on,
learning-based optimization: a novel method for constrained vol. 33, pp. 898-916, 2011.
mechanical design optimization problems," Computer-Aided [8] M. Gong, Y. Liang, J. Shi, W. Ma, and J. Ma, "Fuzzy c-means
Design, vol. 43, pp. 303-315, 2011. clustering with local information and kernel metric for image
[29] A. Shabanpour-Haghighi, A. R. Seifi, and T. Niknam, "A segmentation," Image Processing, IEEE Transactions on, vol.
modified teaching–learning based optimization for multi- 22, pp. 573-584, 2013.
objective optimal power flow problem," Energy Conversion [9] A. Dirami, K. Hammouche, M. Diaf, and P. Siarry, "Fast
and Management, vol. 77, pp. 597-607, 2014. multilevel thresholding for image segmentation through a
multiphase level set method," Signal Processing, vol. 93, pp.
139-153, 2013.
آﺳﺘﺎﻧﻪ ﮔﺬاری ﺑﻬﯿﻨﻪ ﭼﻨﺪﺳﻄﺤﯽ ﺗﺼﻮﯾﺮ ﺑﺎ اﺳﺘﻔﺎده از اﻟﮕﻮرﯾﺘﻢ ﺑﻬﯿﻨﻪﺳﺎزی ﻣﺒﺘﻨﯽ ﺑﺮ ﯾﺎدﮔﯿﺮی وﺗﺪرﯾﺲ ۶۲
ﺳﯿﺪ ﺟﻼلاﻟﺪﯾﻦ ﻣﻮﺳﻮیراد [30] V. K. Patel and V. J. Savsani, "A multi-objective improved
teaching–learning based optimization algorithm (MO-
داﻧﺸﮕﺎه دﮐﺘﺮی داﻧﺸﺠﻮی ITLBO)," Information Sciences, 2014.
اﯾﺸﺎن ﻣﺪرک.ﮐﺎﺷﺎن اﺳﺖ [31] V. Chakravarthy, K. N. Babu, S. Suresh, P. C. Devi, and
P. M. Rao, "Linear Array Optimization Using Teaching
-ﮐﺎرﺷﻨﺎﺳﯽ ﻣﻬﻨﺪﺳﯽ ﮐﺎﻣﭙﯿﻮﺗﺮ Learning Based Optimization," in Emerging ICT for Bridging
از۱۳۸۷ ﻧﺮماﻓﺰار را در ﺳﺎل the Future-Proceedings of the 49th Annual Convention of the
Computer Society of India CSI Volume 2, 2015, pp. 183-190.
داﻧﺸﮕﺎه آزاد اﺳﻼﻣﯽ ﻣﺸﻬﺪ و
[32] S. Degertekin and M. Hayalioglu, "Sizing truss structures
ﻣﺪرک ﮐﺎرﺷﻨﺎﺳﯽ ارﺷﺪ ﺧﻮد را using teaching-learning-based optimization," Computers &
Structures, vol. 119, pp. 177-188, 2013.
از داﻧﺸﮑﺪه۱۳۹۰ در ﺳﺎل
[33] C. Camp and M. Farshchin, "Design of space trusses using
ﻣﻬﻨﺪﺳﯽ ﺑﺮق و ﮐﺎﻣﭙﯿﻮﺗﺮ داﻧﺸﮕﺎه ﮐﺮدﺳﺘﺎن ﺑﺎ رﺗﺒﻪ ﯾﮏ درﯾﺎﻓﺖ modified teaching–learning based optimization," Engineering
ﮐﺘﺐ، ﻣﻘﺎﻟﻪ در ﻣﺠﻼت۳۰ از اﯾﺸﺎن ﺑﯿﺶ از.ﻧﻤﻮدﻧﺪ Structures, vol. 62, pp. 87-97, 2014.
[34] R. V. Rao and V. Kalyankar, "Parameter optimization of
زﻣﯿﻨﻪﻫﺎی.وﮐﻨﻔﺮاﻧﺲﻫﺎی ﻣﻠﯽ و ﺑﯿﻦ اﻟﻤﻠﻠﯽ ﻣﻨﺘﺸﺮ ﺷﺪه اﺳﺖ modern machining processes using teaching–learning-based
،ﻣﻮرد ﻋﻼﻗﻪ ﭘﮋوﻫﺸﯽ اﯾﺸﺎن ﺷﺎﻣﻞ اﻟﮕﻮرﯾﺘﻢ ﻫﺎی ﻓﺮااﺑﺘﮑﺎری optimization algorithm," Engineering Applications of
Artificial Intelligence, vol. 26, pp. 524-531, 2013.
اﯾﺸﺎن ﻫﻢاﮐﻨﻮن ﺑﺮ. و ﭘﺮدازش ﺗﺼﻮﯾﺮ اﺳﺖ،ﺷﻨﺎﺳﺎﯾﯽ اﻟﮕﻮ [35] S. C. Satapathy and A. Naik, "Data clustering based on
روی ﮐﺎرﺑﺮد اﻟﮕﻮرﯾﺘﻢ ﻫﺎی ﻓﺮااﺑﺘﮑﺎری در ﭘﺮدازش ﺗﺼﻮﯾﺮ در teaching-learning-based optimization," in Swarm,
Evolutionary, and Memetic Computing, ed: Springer, 2011,
.ﺣﺎل ﮐﺎر ﻫﺴﺘﻨﺪ pp. 148-156.
[36] T. Niknam, R. Azizipanah-Abarghooee, and M. R. Narimani,
"A new multi objective optimization approach based on TLBO
ﺣﺴﻴﻦ اﺑﺮاﻫﻴﻢﭘﻮر ﮐﻮﻣﻠﻪ دوره for location of automatic voltage regulators in distribution
دررﺷﺘﻪ را ﺧﻮد ﮐﺎرﺷﻨﺎﺳﯽ systems," Engineering Applications of Artificial Intelligence,
vol. 25, pp. 1577-1588, 2012.
(ﻣﻬﻨﺪﺳﯽ ﮐﺎﻣﭙﻴﻮﺗﺮ)ﺳﺨﺖ اﻓﺰار [37] A. Baykasoğlu, A. Hamzadayi, and S. Y. Köse, "Testing the
ﺑﺎ رﺗﺒﻪ اول در داﻧﺸﮕﺎه ﺻﻨﻌﺘﯽ performance of teaching–learning based optimization (TLBO)
algorithm on combinatorial problems: Flow shop and job shop
و دوره۱۳۷۲ اﺻﻔﻬﺎن در ﺳﺎل
scheduling cases," Information Sciences, vol. 276, pp. 204-
ﮐﺎرﺷﻨﺎﺳﯽ ارﺷﺪ را ﺑﺎ رﺗﺒﻪ ﻣﻤﺘﺎز 218, 2014.
در داﻧﺸﮕﺎه ﺻﻨﻌﺘﯽ اﻣﯿﺮﮐﺒﯿﺮدر [38] D. Oliva, E. Cuevas, G. Pajares, D. Zaldivar, and V. Osuna,
"A Multilevel Thresholding algorithm using electromagnetism
ﮔﺮاﯾﺶ ﻫﻮش ﻣﺎﺷﯿﻦ و رﺑﺎﺗﯿﮏ optimization," Neurocomputing, vol. 139, pp. 357-381, 2014.
ﺳﭙﺲ ﺑﻪ ﻋﻨﻮان ﻋﻀﻮ ﻫﻴﺎت. ﺑﻪ ﭘﺎﻳﺎن رﺳﺎﻧﺪ۱۳۷۵ درﺳﺎل [39] Z. Wang, A. C. Bovik, H. R. Sheikh, and E. P. Simoncelli,
"Image quality assessment: from error visibility to structural
ﻋﻠﻤﯽ ﺟﺬب داﻧﺸﮕﺎه ﮐﺎﺷﺎن ﺷﺪ و ﭘﺲ ازﻗﺒﻮﻟﯽ در اﻣﺘﺤﺎن similarity," Image Processing, IEEE Transactions on, vol. 13,
ﻋﺎزم ﮐﺸﻮر اﺳﺘﺮاﻟﯿﺎ۱۳۷۹ از ﺳﺎل،دﮐﺘﺮی ﺑﻮرس و اﻋﺰام pp. 600-612, 2004.
ﺑﺎﻋﻨﻮان۲۰۰۴ او ﭘﺮوژه دﮐﺘﺮی ﺧﻮد را درﺳﺎل.ﮔﺸﺖ
"ﺗﮑﻨﯿﮑﻬﺎی ﻓﺮﮐﺘﺎﻟﯽ ﺑﺮای ﺷﻨﺎﺳﺎﯾﯽ ﭼﻬﺮه" در داﻧﺸﮕﺎه ﺻﻨﻌﺖ
دﮐﺘﺮ اﺑﺮاﻫﯿﻢ ﭘﻮر ﭘﺲ.ﯾﮏ و ﯾﯿﻨﺰﻟﻨﺪ ﺑﺎ ﻣﻮﻓﻘﯿﺖ ﺑﻪ ﭘﺎﯾﺎن رﺳﺎﻧﺪ
از اﺗﻤﺎم دوره ﭘﺴﺎدﮐﺘﺮی در داﻧﺸﮕﺎه ﻧﯿﻮﮐﺎﺳﻞ اﺳﺘﺮاﻟﯿﺎ و
( ﺑﻪ ﻋﻨﻮانcsiro) ﻫﻤﮑﺎری ﺑﺎ ﻣﺮﮐﺰ ﺗﺤﻘﯿﻘﺎت ﻋﻠﻤﯽ اﺳﺘﺮاﻟﯿﺎ
ﺑﻪ اﻳﺮان ﻣﺮاﺟﻌﺖ و۱۳۸۶ " در ﺳﺎلVisiting Scientist"
در.ﻫﻤﮑﺎری ﺧﻮد را ﺑﺎ داﻧﺸﮕﺎه ﻫﺎی ﮐﺸﻮر از ﺳﺮﮔﺮﻓﺘﻪ اﺳﺖ
ﺣﺎل ﺣﺎﺿﺮ اﯾﺸﺎن ﻋﻀﻮ ﻫﯿﺎت ﻋﻠﻤﯽ و ﻣﻌﺎون ﭘﮋوﻫﺸﯽ
ﻫﻤﭽﻨﯿﻦ،داﻧﺸﮑﺪه ﻣﻬﻨﺪﺳﯽ ﺑﺮق و ﮐﺎﻣﭙﯿﻮﺗﺮ داﻧﺸﮕﺎه ﮐﺎﺷﺎن
ﻋﻀﻮ ﻫﯿﺎت ﺗﺤﺮﯾﺮﯾﻪ ﻣﺠﻠﻪ ﻣﺤﺎﺳﺒﺎت ﻧﺮم و ﻋﻀﻮ ﮐﻤﯿﺘﻪ ﻋﻠﻤﯽ
و داوری ﭼﻨﺪﯾﻦ ژورﻧﺎل و ﮐﻨﻔﺮاﻧﺲ ﻣﻌﺘﺒﺮ داﺧﻠﯽ و ﺧﺎرﺟﯽ
ﻣﻘﺎﻟﻪ ﻋﻠﻤﯽ در۹۰ ﻫﺴﺘﻨﺪ و ازاﻳﺸﺎن ﺗﺎﮐﻨﻮن ﺑﯿﺶ از
. ﻣﺠﻼت و ﮐﺘﺐ ﻣﻌﺘﺒﺮ ﻋﻠﻤﯽ ﭼﺎپ ﮔﺸﺘﻪ اﺳﺖ،ﮐﻨﻔﺮاﻧﺴﻬﺎ