ﭼﻜﻴﺪه: در اﻳﻦ ﻣﻘﺎﻟﻪ اﺑﺘﺪا ﻳﻚ ﻣﺪل ﺗﺮﻛﻴﺒﻲ ﺑﻪ ﻧﺎم FCA-CLA ﻛﻪ از ﺗﺮﻛﻴﺐ اﺗﻮﻣﺎﺗﺎي ﺳﻠﻮﻟﻲ ﻓﺎزي و اﺗﻮﻣﺎﺗﺎي ﻳـﺎدﮔﻴﺮ ﺳـﻠﻮﻟﻲ ﺣﺎﺻـﻞ ﺷـﺪه اﺳﺖ ﭘﻴﺸﻨﻬﺎد ﻣﻴﮕﺮدد و ﺳﭙﺲ ﻳﻚ ﻛﺎرﺑﺮد آن در ﺣﺬف ﻧـﻮﻳﺰ در ﺗـﺼﺎوﻳﺮ اراﻳﻪ ﻣﻴﮕﺮدد. اﻟﮕﻮرﻳﺘﻢ ﻣﺒﺘﻨﻲ ﺑﺮ ﻣﺪل ﭘﻴـﺸﻨﻬﺎدي ﺑـﺮاي ﺣـﺬف ﻧـﻮﻳﺰ در ﺗﺼﺎوﻳﺮي ﻛﻪ ﺣﺎوي ﻧﻮﻳﺰ ﻧﻤﻚ ﻓﻠﻔﻠﻲ ﻳﺎ ﮔﺎوﺳﻲ ﻣﻴﺒﺎﺷﻨﺪ ﺑـﻪ ﻛـﺎر ﮔﺮﻓﺘـﻪ ﻣﻴﺸﻮد. ﻧﺘﺎﻳﺞ آزﻣﺎﻳﺸﻬﺎ ﻧﺸﺎن ﻣﻴﺪﻫﺪ ﻛﻪ روش ﭘﻴﺸﻨﻬﺎدي ﺧـﺼﻮﺻﺎ ﺑـﺮاي ﺗﺼﺎوﻳﺮي ﻛﻪ ﺣﺎوي ﺧﻄﻮط و ﺟﺰﺋﻴﺎت رﻳﺰ ﻫـﺴﺘﻨﺪ ﻣﺎﻧﻨـﺪ ﺗـﺼﺎوﻳﺮ ﻣﺘﻨـﻲ ﺑﻬﺘﺮ از ﺳﺎﻳﺮ روﺷﻬﺎ ﻋﻤﻞ ﻣﻲ ﻛﻨﺪ. روش ﭘﻴـﺸﻨﻬﺎدي ﺑـﺎ روﺷـﻬﺎي ﺣـﺬف ﻧﻮﻳﺰ ﻣﺎﻧﻨﺪ ﻓﻴﻠﺘﺮ ﻣﻴﺎﻧﮕﻴﻦ ﮔﻴﺮ، ﻓﻴﻠﺘﺮ ﻣﻴﺎﻧﻪ و روش ﻣﺒﺘﻨﻲ ﺑـﺮ اﺗﻮﻣﺎﺗـﺎي ﻳﺎدﮔﻴﺮ ﺳﻠﻮﻟﻲ ﻣﻘﺎﻳﺴﻪ ﺷﺪه اﺳﺖ. ﻧﺘﺎﻳﺞ آزﻣﺎﻳﺸﻬﺎ ﺣﺎﻛﻲ از ﻛـﺎراﻳﻲ ﺑـﺎﻻي روش ﭘﻴﺸﻨﻬﺎدي را دارد.

واژهﻫﺎي ﻛﻠﻴﺪي: ﭘﺮدازش ﺗﺼﻮﻳﺮ، ﺣﺬف ﻧﻮﻳﺰ، اﺗﻮﻣﺎﺗﺎي ﻳـﺎدﮔﻴﺮ ﺳـﻠﻮﻟﻲ،

اﺗﻮﻣﺎﺗﺎي ﺳﻠﻮﻟﻲ ﻓﺎزي

-۱ ﻣﻘﺪﻣﻪ

اﺗﻮﻣﺎﺗﺎي ﺳﻠﻮﻟﻲ۱ ﻳﻚ ﻣﺪل رﻳﺎﺿﻲ ﺑﺮاي ﺳﻴﺴﺘﻤﻬﺎﻳﻲ اﺳﺖ ﻛﻪ در آﻧﻬﺎ ﭼﻨﺪﻳﻦ ﻣﺆﻟﻔﻪ ﺳﺎده ﺑﺮاي ﺗﻮﻟﻴﺪ اﻟﮕﻮﻫﺎي ﭘﻴﭽﻴﺪهﺗﺮ ﺑﺎ ﻫﻢ ﻫﻤﻜﺎري ﻣﻲ-
ﻛﻨﻨﺪ. اﺗﻮﻣﺎﺗﺎﻫﺎي ﺳﻠﻮﻟﻲ در ﺣﻘﻴﻘﺖ ﺳﻴﺴﺘﻤﻬﺎي دﻳﻨﺎﻣﻴﻜﻲ ﮔﺴﺴﺘﻪ اي ﻫﺴﺘﻨﺪ ﻛﻪ رﻓﺘﺎرﺷﺎنﻛﺎﻣﻼً ﺑﺮ اﺳﺎس ارﺗﺒﺎط ﻣﺤﻠﻲ اﺳﺘﻮار اﺳﺖ. در اﺗﻮﻣﺎﺗﺎي ﺳﻠﻮﻟﻲ ﻳﻚ ﻣﺠﻤﻮﻋﻪ ﻣﻨﻈﻢ از ﺳﻠﻮﻟﻬﺎ وﺟﻮد دارد ﻛﻪ ﻫﺮ ﻛﺪام ﻣﻲﺗﻮاﻧﻨﺪ ﺑﺎ ﭼﻨﺪ ﻣﻘﺪار ﻣﺨﺘﻠﻒ ﻛﻪ ﺗﻌﺪادﺷﺎن ﻣﺘﻨﺎﻫﻲ اﺳﺖ، ﻣﻘﺪاردﻫﻲ ﺷﻮﻧﺪ. اﻳﻦ ﺳﻠﻮﻟﻬﺎ ﺑﻪ ﺻﻮرت ﻫﻤﮕﺎم و در زﻣﺎﻧﻬﺎي ﮔﺴﺴﺘﻪ ﺑﺮ ﻃﺒﻖ ﻳﻚ ﻗﺎﻧﻮن ﻣﺤﻠﻲ ﺑﻬﻨﮕﺎمرﺳﺎﻧﻲ ﻣﻲﺷﻮﻧﺪ. ﻣﺤﻠﻲ ﺑﻮدن ﺑﻪ اﻳﻦ ﻣﻌﻨﺎﺳﺖ ﻛﻪ در ﺗﻌﻴﻴﻦ ﻣﻘﺪار ﺟﺪﻳﺪ ﻫﺮ ﺳﻠﻮل، ﺳﻠﻮﻟﻬﺎﻳﻲ ﻛﻪ در ﻫﻤﺴﺎﻳﮕﻲ وي ﻫﺴﺘﻨﺪ ﺗﺎﺛﻴﺮﮔﺬار ﻫﺴﺘﻨﺪ و ﺳﻠﻮﻟﻬﺎي دورﺗﺮ، ﺗﺎﺛﻴﺮي ﻧﺪارﻧﺪ. ﻗﻮاﻧﻴﻦ ﺑﻪ روزرﺳﺎﻧﻲ ﺑﺮ اﺳﺎس ﻫﻤﺴﺎﻳﻪ ﻫﺎي ﻫﺮ ﺳﻠﻮل ﺗﻌﺮﻳﻒ ﻣﻴﺸﻮﻧﺪ. در اﻏﻠﺐ ﺳﻴﺴﺘﻤﻬﺎ ﺑﺪﻟﻴﻞ وﺟﻮد ﻧﻮﻳﺰ و ﻋﺪم ﻗﻄﻌﻴﺖ ﺗﻌﻴﻴﻦ ﻳﻚ ﻓﺮم ﻗﻄﻌﻲ ﺑﺮاي ﻗﻮاﻧﻴﻦ در اﻳﻦ ﺳﻴﺴﺘﻤﻬﺎ ﻛﺎري ﻣﻨﻄﻘﻲ ﺑﻪ ﻧﻈﺮ ﻧﻤﻴﺮﺳﺪ. اﻟﺒﺘﻪ راﻫﻜﺎرﻫﺎﻳﻲ ﻧﻈﻴﺮ اﺣﺘﻤﺎﻻﺗﻲ ﻛﺮدن ﻗﻮاﻧﻴﻦ ﻧﻴﺰ اراﺋﻪ ﺷﺪه اﺳﺖ وﻟﻲ ﺗﻌﻴﻴﻦ ﻫﻤﻴﻦ اﺣﺘﻤﺎﻻت

۱ Cellular Automata (CA)

ﻣﺤﻤﺪ رﺿﺎ ﻣﻴﺒﺪي

داﻧﺸﻜﺪه ﻣﻬﻨﺪﺳﻲ ﻛﺎﻣﭙﻴﻮﺗﺮ و ﻓﻨﺎوري اﻃﻼﻋﺎت

داﻧﺸﮕﺎه ﺻﻨﻌﺘﻲ اﻣﻴﺮﻛﺒﻴﺮ، ﺗﻬﺮان، اﻳﺮان

mmeybodi@aut.ac.ir

ﻧﻴﺰ در ﺳﻴﺴﺘﻤﻬﺎي ﻧﺎﺷﻨﺎﺧﺘﻪ ﻛﺎري ﺑﺴﻴﺎر دﺷﻮار اﺳﺖ. ﻣﺪﻟﻬﺎي اﺗﻮﻣﺎﺗﺎي ﻳﺎدﮔﻴﺮ ﺳﻠﻮﻟﻲ۲ و اﺗﻮﻣﺎﺗﺎي ﺳﻠﻮﻟﻲ ﻓﺎزي۳ دو راﻫﻜﺎر ﺑﺮاي ﺣﻞ اﻳﻦ ﻣﺸﻜﻞ ﻣﻴﺒﺎﺷﺪ.

اﺗﻮﻣﺎﺗﺎي ﻳﺎدﮔﻴﺮ ﺳﻠﻮﻟﻲ ﻣﺪﻟﻲ اﺳﺖ ﻛﻪ از اﺟﺰاء ﺳﺎدهاي ﺑﻪ ﻧﺎم ﺳﻠﻮل ﺗﺸﻜﻴﻞ ﺷﺪه اﺳﺖ و رﻓﺘﺎر ﻫﺮ ﺳﻠﻮل ﺗﺎﺑﻌﻲ از رﻓﺘﺎر ﺳﻠﻮﻟﻬﺎي ﻫﻤﺴﺎﻳﻪ و ﻧﻴﺰ ﺗﺠﺮﺑﻴﺎت ﮔﺬﺷﺘﻪاش ﻣﻴﺒﺎﺷﺪ. اﺟﺰاء ﺳﺎده ﺗﺸﻜﻴﻞ دﻫﻨﺪه اﻳﻦ ﻣﺪل، از ﻃﺮﻳﻖ ﺗﻌﺎﻣﻞ ﺑﺎ ﻳﻜﺪﻳﮕﺮ ﻣﻲﺗﻮاﻧﻨﺪ رﻓﺘﺎر ﭘﻴﭽﻴﺪهاي از ﺧﻮد ﻧﺸﺎن دﻫﻨﺪ. ﻫﺮ اﺗﻮﻣﺎﺗﺎي ﻳﺎدﮔﻴﺮ ﺳﻠﻮﻟﻲ، از ﻳﻚ اﺗﻮﻣﺎﺗﺎي ﺳﻠﻮﻟﻲ ﺗﺸﻜﻴﻞ ﺷﺪهاﺳﺖ ﻛﻪ ﻫﺮ ﺳﻠﻮل آن ﺑﻪ ﻳﻚ ﻳﺎ ﭼﻨﺪ اﺗﻮﻣﺎﺗﺎي ﻳﺎدﮔﻴﺮ ﻣﺠﻬﺰ ﻣﻲﺑﺎﺷﺪ ﻛﻪ وﺿﻌﻴﺖ اﻳﻦ ﺳﻠﻮل را ﻣﺸﺨﺺ ﻣﻲﺳﺎزد. ﻫﻤﺎﻧﻨﺪ اﺗﻮﻣﺎﺗﺎي ﺳﻠﻮﻟﻲ، ﻗﺎﻧﻮن ﻣﺤﻠﻲ در ﻣﺤﻴﻂ ﺣﺎﻛﻢ اﺳﺖ و اﻳﻦ ﻗﺎﻧﻮن ﺗﻌﻴﻴﻦ ﻣﻲﻛﻨﺪ ﻛﻪ آﻳﺎ ﻋﻤﻞ اﻧﺘﺨﺎب ﺷﺪه ﺗﻮﺳﻂ ﻳﻚ اﺗﻮﻣﺎﺗﺎي ﻳﺎدﮔﻴﺮ در ﻳﻚ ﺳﻠﻮل ﺑﺎﻳﺪ ﭘﺎداش داده ﺷﻮد و ﻳﺎ ﺟﺮﻳﻤﻪ ﺷﻮد. ﻋﻤﻞ دادن ﭘﺎداش و ﻳﺎ ﺟﺮﻳﻤﻪ ﻣﻨﺠﺮ ﺑﻪ ﺑﺮوز درآوردن ﺳﺎﺧﺘﺎر اﺗﻮﻣﺎﺗﺎي ﻳﺎدﮔﻴﺮ ﺳﻠﻮﻟﻲ ﺑﺮاي رﺳﻴﺪن ﺑﻪ ﻳﻚ ﻫﺪف ﻣﺸﺨﺺ ﻣﻲ-

ﮔﺮدد.

اﺗﻮﻣﺎﺗﺎﻫﺎي ﺳﻠﻮﻟﻲ ﻓﺎزي، ﻣﺸﺎﺑﻪ اﺗﻮﻣﺎﺗﺎﻫﺎي ﺳﻠﻮﻟﻲ ﻛﻼﺳﻴﻚ، ﺳﻴﺴﺘﻤﻬﺎﻳﻲ ﮔﺴﺴﺘﻪ و ﭘﻮﻳﺎ ﺑﺎ ﺳﺎﺧﺘﺎري ﺳﺎده ﻫﺴﺘﻨﺪ. اﻣﺎ اﻳﻦ ﺳﻴﺴﺘﻢﻫﺎ ﺑﺎ وﺟﻮد ﺳﺎدﮔﻲ ﺳﺎﺧﺘﺎرﺷﺎن، رﻓﺘﺎري ﭘﻴﭽﻴﺪه و در ﺿﻤﻦ ﺧﻮدﺳﺎزﻣﺎﻧﺪه از ﺧﻮد ﻧﺸﺎن ﻣﻲدﻫﻨﺪ. در اﺗﻮﻣﺎﺗﺎي ﺳﻠﻮﻟﻲ ﻓﺎزي ﻣﺠﻤﻮﻋﻪ ﺣﺎﻻت ﻳﻚ ﺳﻠﻮل و ﻗﺎﻧﻮن ﻣﺤﻠﻲ ﻓﺎزي ﻫﺴﺘﻨﺪ. ﻣﺠﻤﻮﻋﻪ ﺣﺎﻻت ﻳﻚ ﻣﺘﻐﻴﺮﻫﺎي زﺑﺎﻧﻲ ﻣﻴﺒﺎﺷﺪ. اﻳﻦ ﻣﺘﻐﻴﺮﻫﺎي زﺑﺎﻧﻲ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ داﻧﺶ ﻣﺎ از ﻣﺴﺎﻟﻪ ﻣﻮرد ﻧﻈﺮ ﺗﻌﻴﻴﻦ ﻣﻲ ﺷﻮﻧﺪ. ﺣﺎﻟﺖ ﻫﺮ ﺳﻠﻮل در ﻣﺮﺣﻠﻪ ﺑﻌﺪ ﺑﺴﺘﮕﻲ ﺑﻪ ﺣﺎﻟﺖ ﻓﻌﻠﻲ (ﻣﺘﻐﻴﺮ زﺑﺎﻧﻲ) ﺳﻠﻮل و ﺣﺎﻻت ﻓﻌﻠﻲ ﻫﻤﺴﺎﻳﻪ ﻫﺎﻳﺶ دارد. اﻳﻦ ﺗﻐﻴﻴﺮ ﺣﺎﻟﺖ ﺗﻮﺳﻂ ﻗﺎﻧﻮن ﻣﺤﻠﻲ اﺗﻮﻣﺎﺗﺎي ﺳﻠﻮﻟﻲ ﻓﺎزي اﻧﺠﺎم ﻣﻲ ﮔﻴﺮد.

ﻗﺎﻧﻮن ﻣﺤﻠﻲ ﺑﺮاي ﻛﻠﻴﻪ ﺳﻠﻮﻟﻬﺎ ﻳﻜﺴﺎن و ﻳﻚ ﺗﺎﺑﻊ ﻓﺎزي اﺳﺖ. اﻳﻦ ﺗﺎﺑﻊ ﺑﻪ اﻳﻦ ﺻﻮرت ﻋﻤﻞ ﻣﻲ ﻛﻨﺪ ﻛﻪ در ﻫﺮ ﻣﺮﺣﻠﻪ ﻣﻘﺪار ﻋﻀﻮﻳﺖ ﻫﻤﺴﺎﻳﮕﻲ ﺳﻠﻮل را ﮔﺮﻓﺘﻪ و ﻣﻘﺪار ﻋﻀﻮﻳﺖ آن ﺳﻠﻮل را در ﻣﺮﺣﻠﻪ ﺑﻌﺪ ﻣﺤﺎﺳﺒﻪ ﻣﻲ ﻛﻨﺪ.

۲ Cellular Learning Automata (CLA)
3 Fuzzy Cellular Automata (FCA)

در ﺑﻴﻨﺎﺋﻲ ﻣﺎﺷﻴﻦ و ﭘـﺮدازش ﺗـﺼﻮﻳﺮ ﺑـﺎ اﺳـﺘﻔﺎده از ﺑﻌـﻀﻲ ﻋﻤﻠﻴـﺎت رﻳﺎﺿﻲ ﻧﻈﻴﺮ ﺗﺸﺨﻴﺺ ﻟﺒﻪ ﺑﻮﺳﻴﻠﻪ ﮔﺮادﻳﺎن و ﻳﺎ اﻋﻤﺎل ﻓﻴﻠﺘﺮﻫـﺎي ﻣﻨﺎﺳـﺐ وﻳﮋﮔﻴﻬﺎي ﺗﺼﻮﻳﺮ ﻧﻈﻴﺮ ﻟﺒﻪ ﻫﺎ ‚ ﺧﻄﻮط ‚ اﻧﺤﻨﺎﻫﺎ ‚ ﮔﻮﺷـﻪ ﻫـﺎ و ﻣﺮزﻫـﺎ را ﻣﻲ ﺗﻮان اﺳﺘﺨﺮاج ﻛﺮد. اﺳﺘﺨﺮاج اﻳﻦ وﻳﮋﮔﻴﻬﺎ، ﻧﻤـﺎﻳﺶ و ﺗﺤﻠﻴـﻞ ﺻـﺤﻨﻪ ﻫﺎي ﺗﺼﻮﻳﺮ را آﺳﺎن ﺗـﺮ ﻣـﻲ ﺳـﺎزد. . [۱-۵] در روﺷـﻬﺎي ﻣﻮﺟـﻮد ﺑـﺮاي اﺳﺘﺨﺮاج وﻳﮋﮔﻴﻬﺎ ﻧﺘﺎﻳﺞ ﺑﺪﺳﺖ آﻣﺪه ﺣـﺴﺎس ﺑـﻪ ﻧـﻮﻳﺰ ﻣـﻲ ﺑﺎﺷـﻨﺪ. و ﺑـﻪ ﻫﻤﻴﻦ دﻟﻴﻞ ﻗﺒﻞ از اﺳﺘﺨﺮاج وﻳﮋﮔﻴﻬﺎ از روﺷﻬﺎي ﺣﺬف ﻧﻮﻳﺰ ﺑﺮاي ﺑﻬﺒﻮد ﻛﻴﻔﻴﺖ ﺗﺼﻮﻳﺮ ﻣﻮرد ﻧﻈﺮ اﺳـﺘﻘﺎده ﻣـﻲ ﺷـﻮد. ﻧـﻮﻳﺰ از دو ﻧـﻮع ﻣـﺴﺘﻘﻞ و واﺑﺴﺘﻪ ﻣﻴﺒﺎﺷﺪ. ﻧﻮﻳﺰ ﻣﺴﺘﻘﻞ ﻧﻮﻳﺰي اﺳﺖ ﻛـﻪ از ﻗـﻮت ﺳـﻴﮕﻨﺎل ﻣـﺴﺘﻘﻞ اﺳﺖ ﻣﺎﻧﻨﺪ ﻧﻮﻳﺰ ﻛﺎﻧﺎل اﻧﺘﻘﺎل ﺗﺼﻮﻳﺮ و ﻳﺎ ﻳﺎ ﻧﻮﻳﺰي ﻛﻪ ﺗﻮﺳﻂ دورﺑـﻴﻦ ﺑـﻪ ﺗﺼﻮﻳﺮ اﺿﺎﻓﻪ ﻣﻴﺸﻮد .در ﻧﻮﻳﺰ واﺑﺴﺘﻪ ﻧﻮﻳﺰ اﺿﺎﻓﻪ ﺷـﺪه ﺑـﻪ ﻫـﺮ ﻧﻘﻄـﻪ از ﺗﺼﻮﻳﺮ ﺑﻪ ﺷﺪت ﺳﻴﮕﻨﺎل در ﻫﻤﺎن ﻧﻘﻄﻪ از ﺗـﺼﻮﻳﺮ ﺑـﺴﺘﮕﻲ داﺷـﺘﻪ ﺑﺎﺷـﺪ ﻣﺎﻧﻨﺪ ﻧﻮﻳﺰ ﻛﻮاﻧﺘﻴﺰاﺳﻴﻮن و ﻧﻮﻳﺰ ﻓﻠﻔﻞ- ﻧﻤﻜـﻲ. در ﺣﺎﻟـﺖ اﻳـﺪه آل اﻧﺘﻈـﺎر دارﻳﻢ ﻛﻪ ﺣﺬف ﻧﻮﻳﺰ از ﺗﺼﻮﻳﺮ ﺑﺎﻋـﺚ از ﺑـﻴﻦ رﻓـﺘﻦ ﺟﺰﺋﻴـﺎت و اﻃﻼﻋـﺎت ﺗﺼﻮﻳﺮ ﻧﮕﺮدد. ﺑﺴﻴﺎري از ﻓﻴﻠﺘﺮﻫﺎ ﻣﺎﻧﻨﺪ ﻓﻴﻠﺘﺮ ﻣﻴﺎﻧﮕﻴﻦ ﮔﻴﺮ ﻳﺎ ﻓﻴﻠﺘـﺮ ﻣﻴﺎﻧـﻪ در ﻋﻴﻦ ﺣﺎل ﻛﻪ ﻧﻮﻳﺰ ﺗﺼﻮﻳﺮ را ﺣﺬف ﻣﻲ ﻛﻨﻨـﺪ ﺑﺎﻋـﺚ ﺗـﺎري ﺗـﺼﻮﻳﺮ و از ﺑﻴﻦ رﻓﺘﻦ ﺑﺨﺸﻲ از اﻃﻼﻋﺎت آن ﻧﻴﺰ ﻣﻲ ﺷﻮﻧﺪ.

در اﻳﻦ ﻣﻘﺎﻟﻪ اﺑﺘﺪا ﻳﻚ ﻣـﺪل ﺗﺮﻛﻴﺒـﻲ ﺑـﻪ ﻧـﺎم FCA-CLA ﻛـﻪ از ﺗﺮﻛﻴﺐ اﺗﻮﻣﺎﺗﺎي ﺳﻠﻮﻟﻲ ﻓﺎزي و اﺗﻮﻣﺎﺗﺎي ﻳﺎدﮔﻴﺮ ﺳﻠﻮﻟﻲ ﺣﺎﺻﻞ ﺷﺪه اﺳﺖ ﭘﻴﺸﻨﻬﺎد ﻣﻴﮕﺮدد و ﺳﭙﺲ ﻛﺎرﺑﺮد آن ﺑﺮاي ﺣـﺬف ﻧـﻮﻳﺰ در ﺗـﺼﺎوﻳﺮ اراﻳـﻪ ﻣﻴﮕﺮدد. اﻟﮕﻮرﻳﺘﻢ ﻣﺒﺘﻨﻲ ﺑﺮ ﻣﺪل ﭘﻴﺸﻨﻬﺎدي ﺑﺮاي ﺣﺬف ﻧﻮﻳﺰ در ﺗﺼﺎوﻳﺮي ﻛﻪ ﺣﺎوي ﻧﻮﻳﺰ ﻧﻤﻚ ﻓﻠﻔﻠﻲ ﻳﺎ ﮔﺎوﺳـﻲ ﻣﻴﺒﺎﺷـﻨﺪ ﺑـﻪ ﻛـﺎر ﺑـﺮده ﻣﻴـﺸﻮد.

اﻟﮕﻮرﻳﺘﻢ ﭘﻴﺸﻨﻬﺎدي ﻟﺒﻪ ﻫﺎ را از ﻧـﻮﻳﺰ ﻣﻮﺟـﻮد در ﺗـﺼﻮﻳﺮ ﺗﻤﻴـﺰ ﻣﻴﺪﻫـﺪو ﻣﻴﺎﻧﮕﻴﻦ ﮔﻴﺮي را ﻓﻘﻂ در ﻧﻘﺎط ﻧﻮﻳﺰي اﻧﺠﺎم ﻣﻴﮕﻴـﺮد و ﻟﺒـﻪ ﻫـﺎ را ﺣﻔـﻆ ﻣﻴﻨﻤﺎﻳﺪ. ﺑﻪ اﻳﻦ ﺗﺮﺗﻴﺐ ﺑﺎ ﺣﻔﻆ ﻛﺮدن ﻟﺒﻪ ﻫﺎ و ﻣﻴﺎﻧﮕﻴﻦ ﮔﻴـﺮي در ﻧﻘـﺎط ﻧﻮﻳﺰي، ﺗﺼﻮﻳﺮ ﻧﻬﺎﻳﻲ ﻓﻴﻠﺘﺮ ﺷﺪه ﻛﻴﻔﻴـﺖ ﺑﻬﺘـﺮي را دارا ﻣﻴﺒﺎﺷـﺪ. ﻧﺘـﺎﻳﺞ آزﻣﺎﻳﺸﻬﺎ ﻧﺸﺎن ﻣﻴﺪﻫﺪ ﻛﻪ روش ﭘﻴﺸﻨﻬﺎدي ﺧﺼﻮﺻﺎ ﺑـﺮاي ﺗـﺼﺎوﻳﺮي ﻛـﻪ ﺣﺎوي ﺧﻄﻮط و ﺟﺰﺋﻴﺎت رﻳﺰ ﻫﺴﺘﻨﺪ ﻣﺎﻧﻨﺪ ﺗـﺼﺎوﻳﺮ ﻣﺘﻨـﻲ ﺑﻬﺘـﺮ از ﺳـﺎﻳﺮ روﺷﻬﺎ ﻋﻤﻞ ﻣﻲ ﻛﻨﺪ. روش ﭘﻴﺸﻨﻬﺎدي ﺑـﺎ روﺷـﻬﺎي ﺣـﺬف ﻧـﻮﻳﺰ ﻓﻴﻠﺘـﺮ ﻣﻴــﺎﻧﮕﻴﻦ ﮔﻴــﺮ، ﻓﻴﻠﺘــﺮ ﻣﻴﺎﻧــﻪ و روش ﻣﺒﺘﻨــﻲ ﺑــﺮ اﺗﻮﻣﺎﺗــﺎي ﻳــﺎدﮔﻴﺮ ﺳﻠﻮﻟﻲ[۲۳] ﻣﻘﺎﻳﺴﻪ ﺷﺪه اﺳﺖ. ﻧﺘﺎﻳﺞ آزﻣﺎﻳﺸﻬﺎ ﺣـﺎﻛﻲ از ﻛـﺎراﻳﻲ ﺑـﺎﻻي روش ﭘﻴﺸﻨﻬﺎدي ﻣﻴﺒﺎﺷﺪ.

اداﻣﻪ ﻣﻘﺎﻟﻪ ﺑﻪ ﺷـﺮح زﻳـﺮ ﺳـﺎزﻣﺎﻧﺪﻫﻲ ﺷـﺪه اﺳـﺖ. در ﺑﺨـﺶ ۲ ﺑـﻪ ﻣﻌﺮﻓﻲ اﺟﻤﺎﻟﻲ اﺗﻮﻣﺎﺗﺎي ﺳـﻠﻮﻟﻲ، اﺗﻮﻣﺎﺗﺎﻫـﺎي ﻳـﺎدﮔﻴﺮ، اﺗﻮﻣﺎﺗـﺎي ﻳـﺎدﮔﻴﺮ ﺳﻠﻮﻟﻲ و اﺗﻮﻣﺎﺗﺎي ﺳﻠﻮﻟﻲ ﻓﺎزي ﻣﻲ ﭘﺮدازﻳﻢ. در ﺑﺨﺶ ۳ ﻣﺪل ﭘﻴﺸﻨﻬﺎدي و ﻛﺎرﺑﺮد آن در ﺣﺬف ﻧﻮﻳﺰ در ﺗﺼﺎوﻳﺮ و در ﺑﺨﺶ ۴ ﻧﺘﺎﻳﺞ ازﻣﺎﻳﺸﻬﺎ اراﻳـﻪ ﻣﻴﮕﺮدد. ﺑﺨﺶ ﻧﻬﺎﻳﻲ ﻣﻘﺎﻟﻪ ﻧﺘﻴﺠﻪ ﮔﻴﺮي ﻣﻴﺒﺎﺷﺪ.

-۲ اﺗﻮﻣﺎﺗــﺎي ﺳــﻠﻮﻟﻲ، اﺗﻮﻣﺎﺗﺎﻫــﺎي ﻳــﺎدﮔﻴﺮ،

اﺗﻮﻣﺎﺗﺎي ﺳﻠﻮﻟﻲ ﻓﺎزي و اﺗﻮﻣﺎﺗﺎي ﻳﺎدﮔﻴﺮ ﺳﻠﻮﻟﻲ

در اﻳﻦ ﺑﺨـﺶ از ﻣﻘﺎﻟـﻪ اﺗﻮﻣﺎﺗـﺎي ﺳـﻠﻮﻟﻲ، اﺗﻮﻣﺎﺗﺎﻫـﺎي ﻳـﺎدﮔﻴﺮ، اﺗﻮﻣﺎﺗﺎي ﻳﺎدﮔﻴﺮ ﺳﻠﻮﻟﻲ و اﺗﻮﻣﺎﺗﺎي ﺳﻠﻮﻟﻲ ﻓﺎزي ﺑـﻪ اﺧﺘـﺼﺎر ﺷـﺮح داده ﻣﻴﺸﻮد.

اﺗﻮﻣﺎﺗﺎي ﺳﻠﻮﻟﻲ:( CA) 4 اﺗﻮﻣﺎﺗﺎي ﺳﻠﻮﻟﻲ ﻳﻚ ﻣﺪل رﻳﺎﺿﻲ ﺑـﺮاي ﺳﻴﺴﺘﻢﻫﺎﻳﻲ اﺳﺖ ﻛﻪ از اﺟﺰا و ﻣﻮﻟﻔﻪﻫﺎي ﺳﺎده ﺗﺸﻜﻴﻞ ﺷـﺪه، ﭘﻮﻳـﺎ ﻫﺴﺘﻨﺪ، ﺑﺎ ﻣﺮور زﻣﺎن ﺗﻐﻴﻴﺮ ﻣﻲﻛﻨﻨﺪ و ﺑﺮ اﺳﺎس ارﺗﺒﺎط ﻣﺤﻠﻲ ﺑـﻴﻦ اﺟﺰاي ﺧﻮد ﻓﻌﺎﻟﻴﺖ ﻣﻲﻛﻨﻨـﺪ. اﺟـﺰاي ﺳﻴـﺴﺘﻢ در ﻣـﺪل اﺗﻮﻣﺎﺗـﺎي ﺳﻠﻮﻟﻲ ﺑﻮﺳﻴﻠﻪ ﻣﺠﻤﻮﻋﻪاي ﻣﻨﻈﻢ از ﺳﻠﻮلﻫﺎ ﻧﻤﺎﻳﺶ داده ﻣـﻲﺷـﻮﻧﺪ ﻛﻪ در آن ﻫﺮ ﺳﻠﻮل ﻣﻌﺎدل ﻳﻜﻲ از اﺟﺰاي ﺳﻴﺴﺘﻢ اﺳﺖ. در ﻫﺮ ﻗﺪم زﻣﺎﻧﻲ ﺑﻪ ﻫﺮ ﺳﻠﻮل ﻣﻘـﺪاري از ﻣﺠﻤﻮﻋـﻪاي ﻧﺎﻣﺘﻨـﺎﻫﻲ ﻧـﺴﺒﺖ داده ﻣﻲﺷﻮد ﻛﻪ ﻧﺸﺎن دﻫﻨﺪه وﺿﻌﻴﺖ ﺳﻠﻮل اﺳـﺖ. اﻳـﻦ ﻣﻘـﺪاردﻫﻲ ﺑـﺮ اﺳﺎس ﻣﻘﺪار ﺟﺎري ﺳﻠﻮل، ﺳﻠﻮلﻫﺎي ﻫﻤـﺴﺎﻳﻪ آن و ﻗـﺎﻧﻮن ﺗﻌﺮﻳـﻒ ﺷﺪه ﺑﺮاي اﺗﻮﻣﺎﺗﺎي ﺳﻠﻮﻟﻲ اﻧﺠﺎم ﻣﻲﺷﻮد؛ از آﻧﺠـﺎﻳﻲ ﻛـﻪ ﻗـﺎﻧﻮن در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷـﺪه ﺗﻨﻬـﺎ ﻣﻘـﺪار ﺳـﻠﻮل و ﻫﻤـﺴﺎﻳﻪﻫـﺎي آن را ﻣـﻮرد اﺳــﺘﻔﺎده ﻗــﺮار ﻣــﻲدﻫــﺪ، ﻗــﺎﻧﻮن ﻣﺤﻠــﻲ ﻧﻴــﺰ ﻧﺎﻣﻴــﺪه ﻣــﻲﺷــﻮد.

دﺳﺘﻪﺑﻨﺪيﻫﺎي ﻣﺨﺘﻠﻔﻲ را ﻣﻲﺗﻮان ﺑﺮاي اﺗﻮﻣﺎﺗـﺎي ﺳـﻠﻮﻟﻲ در ﻧﻈـﺮ ﮔﺮﻓﺖ ﻛﻪ از ﺟﻤﻠـﻪ آﻧﻬـﺎ ﻣـﻲﺗـﻮان ﺑـﻪ اﺗﻮﻣﺎﺗـﺎي ﺳـﻠﻮﻟﻲ دودوﻳـﻲ، اﺗﻮﻣﺎﺗﺎي ﺳﻠﻮﻟﻲ اﺣﺘﻤﺎﻟﻲ، اﺗﻮﻣﺎﺗﺎي ﺳﻠﻮﻟﻲ ﻫﻤﮕﺎم، اﺗﻮﻣﺎﺗﺎي ﺳـﻠﻮﻟﻲ ﺗﺎ ﻫﻤﮕﺎم، اﺗﻮﻣﺎﺗﺎي ﺳﻠﻮﻟﻲ ﻣﻨﻈﻢ و اﺗﻮﻣﺎﺗﺎي ﺳﻠﻮﻟﻲ ﻧﺎ ﻣـﻨﻈﻢ اﺷـﺎره ﻛﺮد. ﺑﺮاي اﻃﻼﻋﺎت ﺑﻴـﺸﺘﺮ در ﺑـﺎره اﺗﻮﻣﺎﺗـﺎي ﺳـﻠﻮﻟﻲ ﻣﻴﺘـﻮان ﺑـﻪ ﻣﺮاﺟﻊ [۱۲-۱۵] ﻣﺮاﺟﻌﻪ ﻧﻤﻮد.

اﺗﻮﻣﺎﺗﺎﻫﺎي ﻳﺎدﮔﻴﺮ: ۵ ﻳﻚ اﺗﻮﻣﺎﺗـﺎي ﻳـﺎدﮔﻴﺮﻣﺎﺷـﻴﻨﻲ اﺳـﺖ ﻛـﻪ ﻣﻲﺗﻮاﻧﺪ ﺗﻌﺪاد ﻣﺤﺪودي ﻋﻤﻞ را اﻧﺠـﺎم دﻫـﺪ؛ ﻫﺮﮔـﺎه اﻳـﻦ ﻣﺎﺷـﻴﻦ ﻋﻤﻠﻲ را اﻧﺘﺨﺎب ﻣﻲﻛﻨﺪ، ﻋﻤﻞ اﻧﺘﺨﺎب ﺷﺪه ﺗﻮﺳﻂ ﻣﺤـﻴﻂ ارزﻳـﺎﺑﻲ ﺷﺪه و ﻧﺘﻴﺠﻪ آن ﺑﻪ ﺻـﻮرت ﻳـﻚ ﺳـﻴﮕﻨﺎل ﺑـﺎزﺧﻮردي ﻣﺜﺒـﺖ (در ﺻﻮرت ﻣﻨﺎﺳﺐ ﺑﻮدن ﻋﻤﻞ) ﻳـﺎ ﻣﻨﻔـﻲ (در ﺻـﻮرت ﻧﺎﻣﻨﺎﺳـﺐ ﺑـﻮدن ﻋﻤﻞ) ﺑﻪ اﺗﻮﻣﺎﺗﺎ ﺑﺎزﮔﺮداﻧﺪه ﻣﻲﺷﻮد. ﻣﻘﺪار اﻳﻦ ﺳـﻴﮕﻨﺎل در اﻧﺘﺨـﺎب اﻋﻤﺎل ﺑﻌﺪي ﺗﺎﺛﻴﺮ ﻣﻲﮔﺬارد. ﻫﺪف اﻳﻦ ﻓﺮاﻳﻨﺪ اﻳﻦ اﺳﺖ ﻛـﻪ اﺗﻮﻣﺎﺗـﺎ ﺑﻌﺪ از ﮔﺬﺷﺖ ﻣﺪﺗﻲ ﺑﻪ ﺳﻤﺖ ﻣﻨﺎﺳﺐﺗـﺮﻳﻦ ﻋﻤـﻞ ﺧـﻮد در ﻣﺤـﻴﻂ ﻣﻴﻞ ﻛﻨﺪ و ﻳﺎ ﺑﻪ ﻋﺒﺎرت دﻳﮕﺮ ﻳﺎد ﻣﻴﮕﻴﺮد ﻛـﻪ ﻛـﺪام ﻋﻤـﻞ ﺑﻬﺘـﺮﻳﻦ

۴ Cellular Automata 5 Learning Automata

ﻋﻤﻞ اﺳﺖ. ﻧﺤﻮه ﺗﻌﺎﻣﻞ اﺗﻮﻣﺎﺗﺎي ﻳﺎدﮔﻴﺮ و ﻣﺤﻴﻂ در ﺷﻜﻞ ۱ ﻧـﺸﺎن

داده ﺷﺪه اﺳﺖ:

ﭘﺎﺳﺦﻣﺤﻴــﻂ ﻣﺤﻴﻂ ﻋﻤﻞﺍﺗﻮﻣﺎﺗــﺎ

ﺍﺗﻮﻣﺎﺗﺎﻱ ﻳﺎﺩﮔﻴﺮ

ﺷﻜﻞ :۱ ﺗﻌﺎﻣﻞ اﺗﻮﻣﺎﺗﺎي ﻳﺎدﮔﻴﺮ و ﻣﺤﻴﻂ

دو ﻧﻮع ﭘﻴﺎدهﺳﺎزي ﺑﺮاي اﺗﻮﻣﺎﺗﺎي ﻳﺎدﮔﻴﺮ وﺟـﻮد دارد ﻛـﻪ ﻋﺒﺎرﺗﻨـﺪ از اﺗﻮﻣﺎﺗﺎي ﻳﺎدﮔﻴﺮ ﺑﺎ ﺳﺎﺧﺘﺎر ﺛﺎﺑﺖ۶ و اﺗﻮﻣﺎﺗـﺎي ﻳـﺎدﮔﻴﺮ ﺑـﺎ ﺳـﺎﺧﺘﺎر ﻣﺘﻐﻴـﺮ.۷

اﺗﻮﻣﺎﺗﺎي ﻳﺎدﮔﻴﺮ ﺑﺎ ﺳﺎﺧﺘﺎر ﻣﺘﻐﻴﺮ ﻛﻪ در اﻳﻦ ﻣﻘﺎﻟﻪ اﺳﺘﻔﺎده ﺷـﺪه اﺳـﺖ از ﺑﺮداري ﺑﻪ ﻧﺎم ﺑﺮدار اﺣﺘﻤﺎل اﻧﺘﺨﺎب اﻋﻤﺎل ﺗﺸﻜﻴﻞ ﺷـﺪه اﺳـﺖ؛ ﻫﻤـﺎﻧﻄﻮر ﻛﻪ از ﻧﺎم اﻳﻦ ﺑﺮدار ﺑﺮﻣﻲآﻳﺪ اﻋﻀﺎي آن ﻧﺸﺎندﻫﻨﺪه اﺣﺘﻤﺎل اﻧﺘﺨﺎب ﻋﻤﻠﻲ از ﺑﻴﻦ اﻋﻤﺎل اﺗﻮﻣﺎﺗﺎ ﻫﺴﺘﻨﺪ. ﺑﻨﺎﺑﺮاﻳﻦ ﺟﻤﻊ اﺣﺘﻤﺎﻻت اﻳﻦ ﺑـﺮدار ﺑﺮاﺑـﺮ ۱ و

ﺗﻌﺪاد اﻋﻀﺎي آن ﺑﺮاﺑﺮ ﺗﻌﺪاد اﻋﻤﺎل ﺧﻮاﻫﺪ ﺑﻮد. اﺗﻮﻣﺎﺗﺎ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﻳﻦ ﺑﺮدار ﻋﻤﻞ ﺑﻌﺪي ﺧﻮد را اﻧﺘﺨﺎب ﻣﻲﻛﻨﺪ و ﺑﻌﺪ از درﻳﺎﻓﺖ ﭘﺎﺳﺦ ﻣﺤﻴﻂ آن را ﺑﻪ روز ﻣﻲﻛﻨﺪ. اﻟﮕﻮرﻳﺘﻤﻲ ﻛﻪ ﺑﺮاي ﺑﻪ روز رﺳﺎﻧﻲ ﺑـﺮدار اﺣﺘﻤـﺎل ﺑـﺮ اﺳـﺎس ورودي (ﭘﺎﺳﺦ ﻣﺤﻴﻂ) ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣﻲ ﮔﻴﺮد اﻟﮕﻮرﻳﺘﻢ ﻳـﺎدﮔﻴﺮي ﻧـﺎم دارد. . ﻳﻜﻲ از ﻣﺘﺪاولﺗﺮﻳﻦ اﻟﮕﻮرﻳﺘﻢﻫـﺎي ﻳـﺎدﮔﻴﺮي، اﻟﮕـﻮرﻳﺘﻢ ﻳـﺎدﮔﻴﺮي ﺧﻄﻲ اﺳﺖ. در اﻳﻦ اﻟﮕﻮرﻳﺘﻢ ﻫﺮﮔﺎه در ﻣﺮﺣﻠﻪ n ام ﻋﻤﻞ i اﻧﺘﺨـﺎب ﺷـﺪه ﺑﺎﺷﺪ و اﻳﻦ ﻋﻤﻞ از ﻃﺮف ﻣﺤﻴﻂ ﭘﺎداش ﮔﺮﻓﺘﻪ ﺑﺎﺷﺪ ﺑﺮدار اﺣﺘﻤﺎل ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ راﺑﻄﻪ ۳ ﺑﻪ روز ﻣﻲﺷﻮد:

(۳) pi (n ۱)  pi (n)  a[1 − pi (n)]
∀j j ≠ i p j (n ۱)  (۱ − a) p j (n)

و در ﺻﻮرﺗﻲ ﻛﻪ ﻋﻤﻞ اﻧﺘﺨﺎب ﺷﺪه از ﻃﺮف ﻣﺤـﻴﻂ ﺟﺮﻳﻤـﻪ ﺷـﻮد ﺑـﻪ روز رﺳﺎﻧﻲ ﻃﺒﻖ راﺑﻄﻪ ۴ اﻧﺠﺎم ﻣﻲﺷﻮد:

(۴) pi (n ۱)  (۱−b) pi (n)
(1−b) p j (n) ∀j j ≠ i p j (n ۱)  (b r −۱) 

در اﻳﻦ رواﺑﻂ a ﭘﺎراﻣﺘﺮ ﭘﺎداش و b ﭘﺎراﻣﺘﺮ ﺟﺮﻳﻤﻪ ﻣﻲ ﺑﺎﺷﻨﺪ. ﺑﺮاي اﻃﻼﻋﺎت ﺑﻴﺸﺘﺮ در ﺑﺎره اﺗﻮﻣﺎﺗﺎﻫﺎي ﻳﺎدﮔﻴﺮ ﻣﻴﺘﻮان ﺑﻪ ﻣﺮاﺟﻊ [۶-۱۱]

ﻣﺮاﺟﻌﻪ ﻧﻤﻮد.

اﺗﻮﻣﺎﺗﺎي ﺳﻠﻮﻟﻲ ﻓﺎزي:۸ اﺗﻮﻣﺎﺗﺎي ﺳﻠﻮﻟﻲ ﻓﺎزي ﻣﺎﻧﻨﺪ اﺗﻮﻣﺎﺗﺎي ﺳـﻠﻮﻟﻲ از ﺗﻌﺪاد زﻳﺎدي از اﺟﺰا ﺳﺎده ﺑﺎ ﺗﻌﺎﻣﻼت ﻣﺤﻠﻲ ﺗﺸﻜﻴﻞ ﺷﺪهاﺳﺖ. اﻳﻦ اﺟﺰا ﺳﺎده ﻛﻪ ﺳﻠﻮل ﻧﺎمدارﻧﺪ، در ﻳﻚ ﺷـﺒﻜﻪ ﺳـﻠﻮﻟﻲ در ﻛﻨـﺎر ﻳﻜـﺪﻳﮕﺮ ﭼﻴـﺪه ﺷﺪهاﻧﺪ. اﺗﻮﻣﺎﺗﺎﻫﺎي ﺳﻠﻮﻟﻲ ﻓﺎزي، ﻣـﺸﺎﺑﻪ اﺗﻮﻣﺎﺗﺎﻫـﺎي ﺳـﻠﻮﻟﻲ ﻛﻼﺳـﻴﻚ،

ﺳﻴﺴﺘﻤﻬﺎﻳﻲ ﮔﺴﺴﺘﻪ و ﭘﻮﻳﺎ ﺑﺎ ﺳﺎﺧﺘﺎري ﺳﺎده ﻫﺴﺘﻨﺪ. اﻣﺎ اﻳﻦ ﺳﻴﺴﺘﻢﻫـﺎ ﺑﺎ وﺟﻮد ﺳﺎدﮔﻲ ﺳﺎﺧﺘﺎرﺷﺎن، رﻓﺘﺎري ﭘﻴﭽﻴﺪه و در ﺿﻤﻦ ﺧﻮدﺳـﺎزﻣﺎﻧﺪه از ﺧﻮد ﻧﺸﺎن ﻣﻲدﻫﻨﺪ. در اﺗﻮﻣﺎﺗـﺎي ﺳـﻠﻮﻟﻲ ﻓـﺎزي ﻣﺠﻤﻮﻋـﻪ ﺣـﺎﻻت ﻳـﻚ ﺳﻠﻮل و ﺗﺎﺑﻊ اﻧﺘﻘﺎل ﻣﺤﻠﻲ ﻓﺎزي ﻫﺴﺘﻨﺪ. ﻣﺠﻤﻮﻋﻪ ﺣﺎﻻت ﻳﻚ ﻣﺘﻐﻴﺮﻫﺎي زﺑﺎﻧﻲ ﻣﻴﺒﺎﺷﺪ. اﻳﻦ ﻣﺘﻐﻴﺮﻫﺎي زﺑﺎﻧﻲ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ داﻧـﺶ ﻣـﺎ از ﻣـﺴﺎﻟﻪ ﻣـﻮرد ﻧﻈﺮ ﺗﻌﻴﻴﻦ ﻣﻲ ﺷﻮد. ﺣﺎﻟﺖ ﻫﺮ ﺳﻠﻮل در ﻣﺮﺣﻠﻪ ﺑﻌﺪ ﺑـﺴﺘﮕﻲ ﺑـﻪ ﺣﺎﻟـﺖ ﻓﻌﻠﻲ (ﻣﺘﻐﻴﺮ زﺑﺎﻧﻲ) ﺳﻠﻮل و ﺣـﺎﻻت ﻓﻌﻠـﻲ ﻫﻤـﺴﺎﻳﻪ ﻫـﺎﻳﺶ دارد. اﻳـﻦ ﺗﻐﻴﻴﺮ ﺣﺎﻟﺖ ﺗﻮﺳﻂ ﺗﺎﺑﻊ اﻧﺘﻘﺎل ﻣﺤﻠﻲ اﺗﻮﻣﺎﺗﺎي ﺳﻠﻮﻟﻲ ﻓـﺎزي اﻧﺠـﺎم ﻣـﻲ ﮔﻴﺮد. ﺗﺎﺑﻊ اﻧﺘﻘﺎل ﻣﺤﻠﻲ ﺑﺮاي ﻛﻠﻴﻪ ﺳﻠﻮﻟﻬﺎ ﻳﻜﺴﺎن و ﻳﻚ ﺗﺎﺑﻊ ﻓﺎزي اﺳﺖ.

اﻳﻦ ﺗﺎﺑﻊ ﺑﻪ اﻳﻦ ﺻﻮرت ﻋﻤﻞ ﻣﻲ ﻛﻨﺪ ﻛﻪ در ﻫـﺮ ﻣﺮﺣﻠـﻪ ﻣﻘـﺪار ﻋـﻀﻮﻳﺖ ﻫﻤﺴﺎﻳﮕﻲ ﺳﻠﻮل را ﮔﺮﻓﺘﻪ و ﻣﻘﺪار ﻋﻀﻮﻳﺖ آن ﺳـﻠﻮل را در ﻣﺮﺣﻠـﻪ ﺑﻌـﺪ ﻣﺤﺎﺳﺒﻪ ﻣﻲ ﻛﻨﺪ. ﺑﺮاي اﻃﻼﻋﺎت ﺑﻴﺸﺘﺮ در ﺑـﺎره اﺗﻮﻣﺎﺗـﺎي ﺳـﻠﻮﻟﻲ ﻓـﺎزي ﻣﻴﺘﻮان ﺑﻪ ﻣﺮاﺟﻊ [۱۶-۲۰] ﻣﺮاﺟﻌﻪ ﻧﻤﻮد.

اﺗﻮﻣﺎﺗﺎي ﻳﺎدﮔﻴﺮ ﺳﻠﻮﻟﻲ :(CLA) ﺑﺴﻴﺎري از ﻣﺴﺎﺋﻞ را ﻧﻤﻲﺗﻮان ﺑﺎ ﻳﻚ اﺗﻮﻣﺎﺗﺎي ﻳﺎدﮔﻴﺮ ﺣﻞ ﻛﺮد؛ در اﻳﻦ ﻣﻮارد ﻣﺠﻤﻮﻋﻪاي از اﺗﻮﻣﺎﺗﺎﻫﺎي ﻳﺎدﮔﻴﺮ ﻣﻲﺗﻮاﻧﻨﺪ ﺑﻪ ﺣﻞ ﻣﺴﺎﻟﻪ ﻛﻤﻚ ﻛﻨﻨﺪ. در ﻣﺪﻟﻲ ﻣﺘﺸﻜﻞ از دو ﻣﻔﻬﻮم و ﻣﺪل اﺗﻮﻣﺎﺗﺎي ﺳﻠﻮﻟﻲ و اﺗﻮﻣﺎﺗﺎي ﻳﺎدﮔﻴﺮ اراﺋﻪ ﺷﺪه اﺳﺖ ﻛﻪ ﺑﺎ ﻧﺎم اﺗﻮﻣﺎﺗﺎي ﻳﺎدﮔﻴﺮ ﺳﻠﻮﻟﻲ ﺷﻨﺎﺧﺘﻪ ﻣﻲﺷﻮد. در اﻳﻦ ﻣﺪل ﻫﺮ ﺳﻠﻮل در اﺗﻮﻣﺎﺗﺎي ﺳﻠﻮﻟﻲ ﺑﺎ ﻳﻚ اﺗﻮﻣﺎﺗﺎي ﻳﺎدﮔﻴﺮ ﺟﺎﻳﮕﺰﻳﻦ ﺷﺪه اﺳﺖ. ﺑﻪ اﻳﻦ ﺗﺮﺗﻴﺐ اﻳﻦ ﻣﺪل ﻧﻪ ﺗﻨﻬﺎ اﻣﻜﺎن اﺳﺘﻔﺎده از ﭼﻨﺪﻳﻦ اﺗﻮﻣﺎﺗﺎي ﻳﺎدﮔﻴﺮ ﺳﻠﻮﻟﻲ را ﺑﻪ ﺻﻮرت ﺗﻮام ﻓﺮاﻫﻢ ﻣﻲﻛﻨﺪ ﺑﻠﻜﻪ ﻣﺸﻜﻞ ﺗﻌﻴﻴﻦ ﻓﺮم ﻗﻄﻌﻲ ﻗﻮاﻧﻴﻦ در اﺗﻮﻣﺎﺗﺎي ﺳﻠﻮﻟﻲ را ﻧﻴﺰ ﻣﺮﺗﻔﻊ ﻣﻲﻛﻨﺪ. ﻧﺤﻮه ﻋﻤﻠﻜﺮد و ﺑﻪ روز رﺳﺎﻧﻲ ﺳﻠﻮلﻫﺎي اﺗﻮﻣﺎﺗﺎي ﻳﺎدﮔﻴﺮ ﺳﻠﻮﻟﻲ ﺷﺒﺎﻫﺖ ﺑﺴﻴﺎر زﻳﺎدي ﺑﻪ اﺗﻮﻣﺎﺗﺎي ﺳﻠﻮﻟﻲ دارد ﺑﺎ اﻳﻦ ﺗﻔﺎوت ﻛﻪ ﻗﺒﻞ از اﻧﺠﺎم اﻋﻤﺎل ﺑﻪ روز رﺳﺎﻧﻲ، اﺑﺘﺪا ﻫﺮ ﻛﺪام از اﺗﻮﻣﺎﺗﺎﻫﺎي ﻳﺎدﮔﻴﺮ ﻋﻤﻠﻲ را اﻧﺘﺨﺎب ﻣﻲﻛﻨﻨﺪ. ﺳﭙﺲ ﻋﻤﻞ اﻧﺘﺨﺎب ﺷﺪه ﺗﻮﺳﻂ ﻫﺮ ﺳﻠﻮل در ﻛﻨﺎر اﻋﻤﺎل اﻧﺘﺨﺎب ﺷﺪه ﺗﻮﺳﻂ اﺗﻮﻣﺎﺗﺎﻫﺎي ﻫﻤﺴﺎﻳﻪ آن ﺑﻪ وﺳﻴﻠﻪ ﻗﺎﻧﻮن ﻣﺤﻠﻲ اﺗﻮﻣﺎﺗﺎي ﺳﻠﻮﻟﻲ ﺑﺮرﺳﻲ و ﻧﺘﻴﺠﻪ آن ﺑﻪ ﻋﻨﻮان ﭘﺎﺳﺦ ﻣﺤﻴﻂ و ﺳﻴﮕﻨﺎل ﺑﺎزﺧﻮردي ﺑﻪ ﺳﻠﻮل ﺑﺮﮔﺮداﻧﺪه ﻣﻲﺷﻮد. در ﻧﻬﺎﻳﺖ اﺗﻮﻣﺎﺗﺎي ﻳﺎدﮔﻴﺮ ﻫﺮ ﺳﻠﻮل ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺳﻴﮕﻨﺎل ﺑﺎزﺧﻮردﻳﻲ ﻛﻪ از ﻣﺤﻴﻂ درﻳﺎﻓﺖ ﻛﺮده اﺳﺖ، ﻳﺎ ﺑﻪ وﺿﻌﻴﺖ ﺟﺪﻳﺪي ﻣﻲ رود (در ﺻﻮرﺗﻲ ﻛﻪ ﺳﺎﺧﺘﺎر ﺛﺎﺑﺘﻲ داﺷﺘﻪ ﺑﺎﺷﺪ) و ﻳﺎ ﺗﻮﺳﻂ اﻟﮕﻮرﻳﺘﻢ ﻳﺎدﮔﻴﺮي ﺑﺮدار اﺣﺘﻤﺎل ﺧﻮد را ﺑﻪ روز ﻣﻲﻛﻨﺪ (در ﺻﻮرﺗﻲ ﻛﻪ ﺳﺎﺧﺘﺎر ﻣﺘﻐﻴﺮي داﺷﺘﻪ ﺑﺎﺷﺪ). اﻧﻮاع ﻣﺨﺘﻠﻔﻲ از ﻫﻤﺴﺎﻳﮕﻲﻫﺎ ﺑﺮاي اﺗﻮﻣﺎﺗﺎي ﻳﺎدﮔﻴﺮ ﺳﻠﻮﻟﻲ وﺟﻮد دارد ﻛﻪ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻛﺎرﺑﺮد و ﺷﺮاﻳﻂ ﻣﺴﺎﻟﻪ اﻧﺘﺨﺎب و ﻳﺎ ﺗﻌﺮﻳﻒ ﻣﻲ ﺷﻮﻧﺪ. ﺑﺮاي اﻃﻼﻋﺎت ﺑﻴﺸﺘﺮ در ﺑﺎره اﺗﻮﻣﺎﺗﺎي ﻳﺎدﮔﻴﺮ ﺳﻠﻮﻟﻲ ﻣﻴﺘﻮان ﺑﻪ ﻣﺮاﺟﻊ [۲۱-۲۳] ﻣﺮاﺟﻌﻪ ﻧﻤﻮد.

۶ Fixed Structure Learning Automata 7 Variable Structure Learning automata 8 Fuzzy Cellular Automata

-۳ ﻣﺪل ﭘﻴﺸﻨﻬﺎدي و ﻛﺎرﺑﺮد آن در ﺣﺬف ﻧـﻮﻳﺰ در

ﺗﺼﺎوﻳﺮ

ﻣﺪل ﭘﻴﺸﺘﻬﺎدي ﻛﻪ آﻧﺮا FCA-CLA ﻣﻴﻨﺎﻣﻴﻢ ﻳﻚ ﻣﺪل دو ﻻﻳﻪ اﺳﺖ ﻛﻪ از ﺗﺮﻛﻴﺐ دو ﻣﺪل اﺗﻮﻣﺎﺗﺎي ﻳﺎدﮔﻴﺮﺳﻠﻮﻟﻲ((CLA و اﺗﻮﻣﺎﺗﺎي ﺳﻠﻮل ﻓﺎزي((FCA ﺑﺪﺳﺖ ﻣﻴﺎﻳﺪ. اﺗﻮﻣﺎﺗﺎي ﺳﻠﻮﻟﻲ ﻓﺎزي ﻣﺒﺘﻨﻲ ﺑﺮ ﺗﻌﺮﻳﻔﻲ از اﺗﻮﻣﺎﺗﺎي ﺳﻠﻮﻟﻲ ﻓﺎزي اﺳﺖ ﻛﻪ ﺗﻮﺳﻂ ﻣﻴﺒﺪي و اﻧﻮري ﻧﮋاد[۱۹] و اﺗﻮﻣﺎﺗﺎي ﻳﺎدﮔﻴﺮ ﺳﻠﻮﻟﻲ ﻣﺒﺘﻨﻲ ﺑﺮ ﺗﻌﺮﻳﻒ اراﺋﻪ ﺷﺪه ﺗﻮﺳﻂ ﻣﻴﺒﺪي و ﺑﻴﮕﻲ [۲۳] ﻣﻲ ﺑﺎﺷﺪ. در ﻣﺪل FCA-CLA ﻫﺮ ﺳﻠﻮل اﺗﻮﻣﺎﺗﺎي ﺳﻠﻮل ﻓﺎزي، ﻣﺘﻨﺎﻇﺮ ﺑﺎ ﻳﻚ ﺳﻠﻮل از اﺗﻮﻣﺎﺗﺎي ﺳﻠﻮﻟﻲ ﻳﺎدﮔﻴﺮ ﻣﻲ ﺑﺎﺷﺪ، در ﺣﻘﻴﻘﺖ ﺑﻪ ﻫﺮ ﺳﻠﻮل اﺗﻮﻣﺎﺗﺎي ﺳﻠﻮﻟﻲ ﻓﺎزي ﻳﻚ اﺗﻮﻣﺎﺗﻮن ﻳﺎدﮔﻴﺮ از اﺗﻮﻣﺎﺗﺎي ﻳﺎدﮔﻴﺮ ﺳﻠﻮﻟﻲ اﺧﺘﺼﺎص ﻣﻲ ﻳﺎﺑﺪ ﻛﻪ ﭘﺎراﻣﺘﺮﻫﺎي ﺗﺎﺑﻊ (ﺗﻮاﺑﻊ)

ﻋﻀﻮﻳﺖ ﻗﺎﻧﻮن (ﻗﻮاﻧﻴﻦ) ﻓﺎزي ﻣﺘﻨﺎﻇﺮ ﺑﺎ آن ﺳﻠﻮل را ﺑﻪ ﺻﻮرت ﺑﻬﻴﻨﻪ ﺗﻨﻈﻴﻢ ﻣﻲ ﻧﻤﺎﻳﺪ. ﻣﺪل FCA-CLA ﺑﻪ دﻟﻴﻞ ﺗﻮاﻧﺎﻳﻲ اش در ﻣﺪﻟﺴﺎزي ﺳﻴﺴﺘﻤﻬﺎي ﻏﻴﺮ ﻗﻄﻌﻲ و در ﻋﻴﻦ ﺣﺎل داﺷﺘﻦ ﻗﻮاﻧﻴﻦ ﻓﺎزي ﻛﻪ در ﻃﻮل زﻣﺎن ﺑﻪ ﻗﻮاﻧﻴﻦ ﺑﻬﻴﻨﻪ ﻫﻤﮕﺮا ﻣﻲ ﺷﻮﻧﺪ، ﻣﻴﺘﻮاﻧﺪ در ﺷﺒﻴﻪ ﺳﺎزي و ﻣﺪﻟﺴﺎزي ﺳﻴﺴﺘﻤﻬﺎي ﻧﻮﻳﺰي، ﻏﻴﺮ ﻗﻄﻌﻲ و اﺣﺘﻤﺎﻻﺗﻲ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﮔﻴﺮد. در اداﻣﻪ اﻳﻦ ﺑﺨﺶ ﻛﺎرﺑﺮد اﻳﻦ ﻣﺪل ﭘﻴﺸﻨﻬﺎدي در ﺣﺬف ﻧﻮﻳﺰ در ﺗﺼﺎوﻳﺮ اراﻳﻪ ﻣﻴﮕﺮدد.