PCNN文本图像分割的细菌觅食优化算法

为解决脉冲耦合神经网络(pulse-coupled neural network,PCNN)模型参数人工凭经验和需要反复实验才能确定的难题,提出一种基于改进的PCNN模型.以最大类间方差函数作为细菌觅食算法的适应度函数,采用细菌觅食优化算法搜索最优参数的图像分割算法,避免了人工实验设定参数的盲目性.实验结果表明,该算法可以有效实现文本图像分割,并且分割效果明显优于对比算法.     

一种自适应细菌觅食优化算法

针对在优化高维函数时,细菌觅食优化算法性能不佳的情况,提出了一种自适应细菌觅食优化算法.将固定的趋化步长改进为非线性递减的自适应游动步长,提高了算法的局部搜索能力;引入维度自适应学习算法,对每个趋化周期内得到的当前最优细菌进行维度自适应学习一次,提高了解的精度和搜索效率;将精英细菌作为Tent混沌映射的初始点对符合迁徙条件的细菌进行位置初始化,加快了算法的收敛速度.仿真结果表明,文中提出的算法在解的精度和收敛速度等方面均表现更优,具有更高的效率.     

基于DBSCAN聚类的细菌自适应步长觅食算法

自适应细菌觅食算法(adaptive bacterial foraging algorithm,ABFA)在一定程度上解决了经典觅食算法步长选择的问题,加快了算法的收敛速度.但随着细菌代价函数值的减小,自适应细菌觅食算法原有的趋化步长调整函数易使步长快速进入极小,造成算法早熟.本文提出了一种基于DBSCAN聚类的细菌自适应步长觅食算法(DBSCAN-based adaptive bacterial foraging algorithm,DBSCAN-ABFA),算法利用DBSCAN聚类对核心点区域的细菌进行标记,通过对被标记细菌采用改进的趋化步长调整函数,降低自适应步长的缩小速率来解决步长快速进入极小的问题,最终避免算法早熟,并通过实验验证了算法的有效性.     

基于PSO-ABFO的负荷频率控制系统控制器设计与优化

负荷频率控制对于保障电网本身安全可靠运行有重要作用,适宜的控制器整定参数使得电网在各种随机扰动下能维持系统频率稳定和长期安全运行.针对单区域两机组电网的负荷频率控制器参优化整定问题,提出一种基于粒子群改进自适应细菌觅食优化算法(PSO-ABFO)的控制器参数整定设计方法.PSO-ABFO在标准细菌觅食算法的基础上,结合粒子群(PSO)算法思想引入全局最优、个体最优以及自适应步长,重新定义细菌的健康度并修改细菌迁移的方式,提高算法的寻优速度和寻优精度.最后,建立负荷频率控制系统(LFC)模型进行仿真试验,验证所提控制器设计与优化方法使系统动态性能显著提升.     

基于细菌觅食算法的SAR图像阈值分割

提出了一种SAR图像阈值分割新方法.该方法在深入分析基本细菌觅食算法的基础上,缩小菌群的觅食空间以进一步提高分割阈值的搜索速度,然后采用改进的二维灰熵模型作为细菌觅食算法的适应度函数,通过菌群的趋化、复制和驱散3种行为模式并行搜索最佳阈值.实验结果初步显示,该方法在收敛速度、稳定性和分割效果3个方面,均优于基于遗传算法、人工鱼群算法等群体智能优化算法的分割方法.     

一种基于细菌觅食算法的机械手臂控制器设计

针对机械臂控制系统需可靠、快速、准确跟踪设定值轨迹的要求,通过研究机械臂控制系统的非线性动力学模型,提出1种基于细菌觅食优化算法(BFO)优化PID控制器参数的控制方案。设计采用细菌觅食算法求解在线优化PID参数的流程,用于机器人手臂的跟踪控制。为更有效地考察机械手臂系统的跟踪控制性能,设定2个关节的期望轨迹分别为正弦和余弦函数。仿真结果表明,与传统PID方法相比,基于BFO算法优化的控制方案具有更优越的控制品质和较强的抑制干扰能力,能有效提高机械臂跟踪控制的快速性和准确性。     

改进的细菌觅食算法在图像分割中的应用

针对一些仿生算法应用于图像分割时其搜索速度缓慢,易陷入局部最优等问题,提出一种改进的细菌觅食算法,并将其应用到图像分割领域。首先,把传统细菌觅食算法的趋化算子的固定步长替换为动态步长,把其迁徙算子的固定迁徙概率替换为动态迁徙概率;然后,利用图像的灰度直方图作为特征,并使用改进的细菌觅食算法进行图像分割。实验结果表明,使用基于改进细菌觅食算法的图像分割方法,在准确率和速度方面都优于其他传统仿生算法。     

多策略MRFO算法的卷积神经网络超参数优化

卷积神经网络的性能与超参数配置密切相关,然而最优超参数的选择耗时耗力. 为了提高超参数选择的效率,提出了一种基于多策略的蝠鲼觅食优化算法,一方面采用半数均匀初始化策略提升种群的多样性;另一方面,融合新权重因子更新策略和分裂策略,提升收敛速度和拟合精度. 根据实数编码策略将所提算法用于卷积神经网络的超参数优化研究中,用3种觅食方式进行迭代,以得到最优的超参数配置. 为了评估超参数优化的有效性,与卷积神经网络超参数优化算法在手写数字和CIFAR-10数据集上进行了对比实验,实验结果表明,所提算法可消耗较少的资源,并获得更高的准确率.     

基于集合的细菌群优化算法

针对细菌觅食优化算法求解高维优化问题时不易跳出局部最优解的问题,引入趋向方向余弦向量和随时间变化的加速系数,控制细菌觅食优化算法的收敛精度和收敛速度,并将改进算法用于求解组合优化问题。依据细菌种群密度计算原则,设计了一种离散空间和连续空间之间相互转换的规则,同时用集合对细菌觅食优化算法中的算术运算符形式化描述。仿真试验结果表明:基于集合的细菌群优化算法避免了早熟现象,寻优结果优于蚁群算法且接近基于集合的粒子群算法。     

高速CCD的CDS控制参数自适应算法研究

优化相关双采样(CDS)控制参数可以提高电荷耦合器件(CCD)输出信噪比,但是高速CCD的CDS控制参数很难通过实验确定.为了得到较好的CCD输出信噪比,提出了一种CDS控制参数自适应算法:在拍摄目标和曝光参数不变的情况下,改变复位脉冲宽度、噪声采样时刻、数据采样时刻3个CDS控制参数,对每种参数组合采集一帧图像,计算各帧图像中每个像素的Tenengrad函数,将每帧像素的Tenengrad平方和作为清晰度评价参数,选择清晰度评价参数最大值对应的复位脉冲宽度、噪声采样时刻、数据采样时刻作为CDS控制参数,就可使CCD输出达到采用CDS技术下最好信噪比.根据所提出的方法,在试验电路中,由现场可编程门阵列(FPGA)实现了自适应算法,并进行了清晰度对比测试.测试表明,与没有采用自适应算法的最好图像相比,测试参数Edge Profile从单位影像高度507.4像素提高到763.8像素,测试参数MTF50从526.5 LW/PH提高到937.8 LW/PH.试验结果表明,应用自适应算法可以有效提高CCD的输出信噪比.     

基于小生境的菌群算法的改进

将进化论中的小生境技术与菌群优化算法结合,提出了小生境菌群算法,通过细菌之间的距离找到具有相似距离的例子个体组成小生境种群,利用菌群优化算法在该种群里模拟细菌的行为,所有细菌经过小生境群体的进化后,找到最优的个体存入到下一代菌群中,直到找到满意的适应值。该算法克服了菌群算法收敛效率低,容易收敛到其他极值点的问题。用Shubert函数验证了该算法的性能,并与原算法进行了比较,通过更多的优化函数说明了该组合算法可以获得较好的解,极大地提高了收敛成功率,且代价较小。     

自适应混合文化蜂群算法求解连续空间优化问题

提出一种自适应混合文化蜂群算法求解连续空间优化问题。算法中群体空间采用最优觅食理论改进群体更新方式;信念空间通过云模型算法和最优排序差分变异策略对知识进行更新;利用混沌算法和反向学习算法进化外部空间;3种空间通过自适应的影响操作来实现知识的交换。典型复杂函数测试表明,该算法具有很好的收敛精度和计算速度,特别适宜于多峰值函数寻优。     

基于混合决策的改进鸟群算法

针对鸟群算法(bird swarm algorithms, BSA)在求解复杂函数问题时存在的精度低、易陷入局部最优等问题,在保留BSA简单性的同时,提出一种基于混合决策的改进鸟群算法(improved bird swarm algorithms based on mixed decision making, IBSA)。应用重心反向学习机制初始化鸟群,维持鸟群较好的空间解分布。为了有效平衡算法在寻优过程中全局探索能力和局部发觉能力,动态调整鸟群飞往另外区域的周期。引入自适应余弦函数权重策略和加权平均思想对生产者觅食公式进行改进,增加算法在陷入局部最优后的脱困能力。在9个测试函数的基础上通过仿真试验对比基于IBSA、BSA、粒子群算法(particle swarm optimization, PSO)性能。结果表明,改进算法在单峰函数和多峰函数的测试中,寻优精度和寻优速度得到了较大程度上的提升。     

基于约束优化问题的人工鱼群算法及其改进

在人工鱼群算法基础上,对人工鱼群算法进行改进,结合遗传算法提出的适应度函数来解决约束优化问题.具体表现在改进了人工鱼的觅食行为,另外引入了吞噬行为以便加快收敛速度,得到更优的适应度值.仿真结果表明改进的人工鱼群算法在解决约束优化问题时,具有收敛速度快、适应度值优、全局寻优性能强等优点.改进的人工鱼群算法较之基本人工鱼群算法具有更好的性能.     

一种改进的灰狼优化算法

为了克服标准灰狼优化(GWO)算法寻优精度不高,难以在收敛速度和避免陷入局部最优之间取得平衡等问题,提出了一种改进的灰狼优化(IGWO)算法.该算法采用非线性收敛因子策略和自适应调整策略来提高寻优精度和加快收敛速度.选取10个基准函数对IGWO算法进行验证表明,IGWO算法的优化精度和收敛速度显著优于标准GWO算法和其他元启发式算法,因此本文提出的IGWO算法在求解最优参数方面具有良好的应用价值.