RT - Journal Article T1 - Assessment of Optimization Algorithms on Multi-scale Matching of Spatial Datasets Based on Geometric Properties JF - kntu-jgit YR - 2018 JO - kntu-jgit VO - 6 IS - 2 UR - http://jgit.kntu.ac.ir/article-1-591-fa.html SP - 105 EP - 124 K1 - Linear Object Matching K1 - Multi-scale Datasets K1 - Geometric Property K1 - Optimization Algorithms K1 - Real Coded Genetic Algorithm AB - 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. LA eng UL http://jgit.kntu.ac.ir/article-1-591-fa.html M3 10.29252/jgit.6.2.105 ER -