امروزه الگوریتم های تکاملی نظیر الگوریتم ژنتیک و الگوریتم بهینه سازی گروهی ذرات در حل بسیاری از مسائل پیچیده که روش های عددی قادر به حل آن نیستند و یا در حل آن دچار مشکلاتی می شوند، کاربرد دارند. مسئله خوشه بندی نیز یکی از این چنین مسائل است و با توجه به کاربرد و اهمیت بالای این موضوع، محققین همواره در پی یافتن روشی کامل و دقیق برای حل این مسئله بوده اند. اما با توجه به ماهیت این موضوع، روش های عددی موجود قابلیت حل این مسئله را ندارند و معضل پاسخ های محلی همواره در این روش ها مشکل ساز بوده است. در خوشه-بندی فازی با توجه به شکل داده این مشکل افزایش یافته و علاوه بر آن مشکل نیاز به پیش پردازش داده ها نیز به آن افزوده شده است، لذا از الگوریتم های تکاملی برای حل این مسئله استفاده شده است. اما دقت نسبتا پایین الگوریتم ژنتیک و به دام افتادن الگوریتم بهینه سازی گروهی ذرات در پاسخ های محلی از معایب بزرگ این دو روش بوده و کارایی آنها را نیز پایین می آورد. در این پایان نامه سعی شده با ترکیب این الگوریتم ها و با استفاده از نقاط قوت آنها، یعنی سرعت همگرایی بالای الگوریتم بهینه سازی گروهی ذرات و قدرت اکتشاف الگوریتم ژنتیک، الگوریتمی بدون معایب قبلی ایجاد شود. بدین منظور سه الگوریتم ترکیبی با ایده های متفاوت پیشنهاد گردیده و بعد از بررسی و بهبود با یکدیگر به رقابت گذاشته شده اند و کارایی الگوریتم برگزیده با کارایی الگوریتم های پایه مقایسه شده است. برای ارزیابی کارایی الگوریتم ها از مجموعه داده های استاندارد برای داده های توده ای و اشکال معمول و متعارف برای خوشه بندی پوسته ای استفاده شده است. معیارهای ارزیابی از بین معیارهای استاندارد خوشه بندی و فاکتورهای اعتبارسنجی خوشه بندی انتخاب شده است. در تمامی ارزیابی های انجام شده الگوریتم پیشنهادی کارایی بهتری از الگوریتم های پایه نشان داده است.

ترمیم تصاویر دیجیتالی به مجموعه روش هایی گفته میشود که برای ترمیم و یا پرکردن نواحی آسیب دیده در تصاویر از آنها استفاده میشود. از این روشها برای حذف اشیا و اهداف دلخواه از تصاویر ،در نرم افزارهای ویرایش تصویر نیز استفاده شده است. روش های ترمیم تصویر به صورت کلی به دو گروه تقسیم میشوند : مبتنی بر انتشار ساختار و مبتنی بر انتشار بافت. گروه اول بر روی حفظ یکپارچگی ساختار تصویر تمرکز دارند. این روش ها امروزه کمتر به صورت مستقیم استفاده میشود چون در مواجه با بافت و نواحی بزرگ از دست رفته ،عملکرد خوبی نداشته و باعث اثر ماتی در ناحیه ترمیم شده میشوند. گروه دوم روشهای مبتنی بر نمونه برداری میباشند که ایراد گروه اول را ندارند و با استفاده از نمونه های مشابه مرز ناحیه نامعلوم ، تصویر را ترمیم میکنند. امروزه این گروه از روشها بیشتر مورد توجه بوده و این پژوهش نیز بر این گروه تمرکز دارد. در این پژوهش ابتدا چالشهای عمومی این روشها بررسی میشود. یکی از چالشهای مهم این گروه ،تغییر ناپذیری وصله های موجود در تصویر در مواجه با چرخش می- باشد به این صورت که اگر در زمان جستجو و مقایسه بین وصله هدف با دیگر نمونه های تصویر اختلاف زاویه وجود داشته باشد ، الگوریتمهای موجود موفق به یافتن این وصلهها نمیشوند. مسائل ترمیم تصویر به اطلاعات موجود در ناحیه معلوم تصویر بسیار وابسته هستند و روش ارائه شده در این پژوهش میتواند در تصایری که بافت در آنها در زوایای مختلف توزیع شده است نمونه های بیشتری یافته و در نهایت منجر به نتایج بهتر در ترمیم شود. روش ارائه شده در این پژوهش با الهام گرفتن از توصیفگر بافت دودویی محلی ارائه شده است.