فایل ورد کامل یک مطالعه تطبیقی از روشهای متاهیوریستیک مختلف اعمال شده به مسئله آستانه‌ گذاری چند سطحی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل یک مطالعه تطبیقی از روشهای متاهیوریستیک مختلف اعمال شده به مسئله آستانه‌ گذاری چند سطحی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۳۳ صفحه

۵- نتیجه‌گیری
در این مقاله، سه روش جدید آستانه‌گذاری چندسطحی برمبنای DE، ACO و TS به منظور تعیین مستقیم مقادیر آستانه‌ها پیشنهاد شدند. به علاوه، ما سه الگوریتم فرااکتشافی دیگر را برای حل مسئله آستانه‌‎گذاری چندسطحی در نظر می‌گیریم یعنی GA، PSO و SA.
این شش الگوریتم فرااکتشافی سپس به وسیله آزمایش کردن آنها بر روی تصاویر متعدد مقایسه شدند. ما پی بردیم که تمام الگوریتمها از نظر کیفیت راه حل قابل مقایسه می‌باشند وقتی که عدد آستانه کوچک باشد برای مثال کمتر یا برابر با۲ در حالی که این عدد افزایش یابد، GA، PSO و DE نتایج بهتری را نسبت به ACO، SA و TS با مزایای اندک نسبت به DE فراهم می‌کنند. از نظر زمان اجرا، GA، PSO و DE نسبت به الگوریتمهای دیگر با یک سرعت بسیار بالا برای PSO موثرترین می‌باشند.
در نهایت، این مشخص گردید که در چارچوب آستانه‌گذاری چندسطحی، PSO در مقایسه با دیگر فرااکتشافی‌ها از هر دو نظر دقت و همچنین نیرومندی نتایج و زمان اجرا برتر می‌‎باشد.
می‌توان از طزیق این مطالعه مشاهده کرد که به استثنا برای ACO، فرااکتشافی‌های مبتنی بر جمعیت همانند GA، PSO و DE دارای عملکرد بهتر نسبت به فرااکتشافی‌هایی همانند TS و SA می‌باشند که با یک راه حل مجزا سر و کار دارند. چندین بهینه موضعی تابع هدف ظاهر می‌شوند وقتی که تعداد آستانه‌ها افزایش می‌یابد و TS و SA با مشکلاتی برای فرار از این بهینه‌های موضعی روبرو می‌شوند. مطالعات بیشتر به کارگیری نسخه‌های پیچیده ACO و TS برای حل مسئله آستانه‌گذاری چندسطحی شامل می‌باشند. این مقایسه نیز می‌تواند برای دیگر فرااکتشافی‌ها تعمیم یابد همانند جست و جوی موضعی تکرار شده، جستو جوی همسایگی متغیر یا به وسیله استفاده از یک هیبریدسازی بین دو یا چند فرااکتشافی.

عنوان انگلیسی:A comparative study of various meta-heuristic techniques applied to the multilevel thresholding problem~~en~~

۵ Conclusion

In this paper, three new multilevel thresholding techniques based on DE, ACO and TS were proposed in order to determine directly the values of thresholds. Furthermore, we considered three other meta-heuristic algorithms for solving the multilevel thresholding problem, namely GA, PSO and SA. These six meta-heuristic algorithms were then compared by testing them on various images. We have found that all algorithms are comparable in term of solution quality when the threshold number is small, i.e. less than or equal to 2. While this number increases, the GA, PSO and DE provide better results than ACO, SA and TS with a little advantage to the DE. In term of execution time, the GA, PSO and DE are most efficient than other algorithms with a great speed for the PSO. Finally, it turned out that, in the multilevel thresholding framework, the PSO is superior compared to other meta-heuristics both respect to precision, as well as robustness of the results and runtime. One can see through this study that, except for ACO, the population based meta-heuristics like GA, PSO and DE outperform the meta-heuristics like TS and SA, which handle a single solution. Several local optima of the objective function appear when the number of thresholds increases and TS and SA found difficulties to escape from these local optima. Further works consist in applying sophistical versions of ACO and TS to solve the multilevel thresholding problem. This comparison can also be extended to other meta-heuristics, such as the iterated local search, the variable neighborhood search, or by using a hybridization between two or several meta-heuristics.

$$en!!