%0 Journal Article %A Ali Abbaspour, Rahim %T Assessment of Optimization Algorithms on Multi-scale Matching of Spatial Datasets Based on Geometric Properties %J Journal of Geospatial Information Technology %V 6 %N 2 %U http://jgit.kntu.ac.ir/article-1-591-fa.html %R 10.29252/jgit.6.2.105 %D 2018 %K Linear Object Matching, Multi-scale Datasets, Geometric Property, Optimization Algorithms, Real Coded Genetic Algorithm, %X شناسایی عوارض با ماهیّت یکسان در مجموعه داده‌های مختلف تحت عنوان تناظریابی عوارض شناخته می‌شود. تناظریابی کاربردهای مستقیم و غیر مستقیم بسیاری نظیر تلفیق، ارزیابی کیفیّت، به روز رسانی داده‌ها و انجام آنالیزهای چندمقیاسی دارد. از این رو در این تحقیق راهکاری نوین جهت تناظریابی عوارض ارائه می‌گردد که ضمن در نظر گرفتن تنها معیارهای هندسی (خصوصیات هندسی و توپولوژیکی) استخراج شده از عوارض، هرگونه وابستگی اولیه به پارامترهای تجربی مرسوم نظیر حد آستانه درجه شباهت مکانی، فاصله بافر و وزن معیارها حذف و تناظریابی در مجموعه داده‌های مختلف انجام می‌گیرد. در رویکرد پیشنهادی تمامی روابط یک به هیچ، هیچ به یک، یک به یک، یک به چند، چند به یک و چند به چند در نظر گرفته می‌شود. همچنین در این تحقیق کارایی الگوریتم‌های ژنتیک، توده ذرات و جستجوی غذای زنبور عسل برای تناظریابی عوارض خطی در مجموعه داده‌های مختلف با استفاده از بهینه‌سازی معیارهای هندسی مورد بررسی قرار می‌گیرد. برای ارزیابی کارایی رویکرد پیشنهادی از سه مجموعه داده در مقیاس‌ها و منابع مختلف استفاده می‌گردد. نتایج نشان داد که چارچوب پیشنهادی به خوبی توانایی شناسایی عوارض متناظر در مجموعه داده‌های مختلف را دارا می‌باشد، همچنین نتایج نشان داد که الگوریتم ژنتیک در مقایسه با دو روش دیگر دارای کارایی بالاتری برای بهینه‌سازی پارامترهای موجود در تناظریابی عوارض خطی می‌باشد. %> http://jgit.kntu.ac.ir/article-1-591-fa.pdf %P 105-124 %& 105 %! %9 Research %L A-11-67-2 %+ University of Tehran %G eng %@ 2008-9635 %[ 2018