چکیده: در این رساله الگوریتم شبیه سازی چندنقطه ای جدیدی بر اساس هیبرید تبدیل (تجزیه) ویولت گسسته و ترکیب اطلاعات به نام CCWSIM پیشنهاد شده است که یک نسخه توسعه یافته از الگوریتم CCSIM محسوب می شود. آن چه که الگوریتم پیشنهادی را از الگوریتم CCSIM متمایز می کند، محاسبه تابع همبستگی متقابل در فضای ویژگی تبدیل ویولت است. در واقع در الگوریتم پیشنهادی تابع همبستگی متقابل در فضای ویژگی ویولت و با استفاده از ضرایب تقریبی تبدیل ویولت گسسته محاسبه می شود. ضرایب تقریبی تبدیل ویولت نه تنها مهم ترین تغییرپذیری های یک الگو را استخراج می کنند، بلکه در هر سطح تجزیه دارای کاهش ابعادی معادل سه-چهارم الگوی اولیه نیز هستند؛ که می توانند زمان شبیه سازی را به طور چشم گیری کاهش دهند. همچنین به منظور شرطی سازی داده های سخت در این رساله، رویکردی مبتنی بر ترکیب اطلاعات به نام میانگین وزن دار ترتیبی پیشنهاد شده است. در این روش با استفاده از ترکیب وزن دار چند الگو که دارای بالاترین تطابق با پیشامد داده ای هستند، دقت شرطی سازی نسبت به حالت انتخاب تنها یک الگو، بهبودیافته است. عملکرد الگوریتم پیشنهادی در این رساله با استفاده از تصاویر آموزشی مختلف و ایجاد تحقق های شرطی و غیرشرطی با الگوریتم های شناخته‌ شده‌ای مانند SNESIM، FILTERSIM و MS-CCSIM ارزیابی می شود. مقایسه تحقق های حاصل از الگوریتم های مختلف نشان می دهد که بازتولید آماره های چندنقطه ای در الگوریتم پیشنهادی به مراتب بهتر از دیگر الگوریتم هاست. علاوه بر این، زمان انجام برای تولید تحقق در الگوریتم پیشنهادی حداقل 10 بار سریع تر از الگوریتم های دیگر است.