基于云推理的协方差矩阵自适应进化策略算法

针对协方差矩阵自适应进化策略(CMA-ES)在求解某些问题时存在早熟收敛、精度不高等缺点,通过利用云模型良好的不确定性问题处理能力对CMA-ES的步长控制过程进行改进,得到一种基于云推理的改进CMA-ES算法。该算法通过建立步长控制的云推理模型,采用云模型的不确定性推理来实现步长的控制,避免了原算法采用确定的函数映射进行步长伸缩变化而忽视进化过程中不确定性的不足。最后通过测试函数验证了改进算法具有较高的寻优性能。     

高效秩-μ更新自动协方差矩阵自适应演化策略

自动协方差矩阵自适应演化策略(active-CMA-ES)使用不成功的突变信息使计算协方差矩阵秩-μ更新的时间增加。cholesky因子更新协方差矩阵可有效减少计算时间,但目前只实现协方差矩阵cholesky因子秩-1更新。针对该问题,实现了协方差矩阵cholesky因子秩-μ更新。结合高效秩-1更新应用于active-CMA-ES形成chol-active-CMA-ES。在一组基准测试函数中比较算法与其他CMA-ES变体的性能。实验结果表明,该算法在大部分测试函数中优于其他CMA-ES变体。协方差矩阵更新的时间比active-CMA-ES快约2.5倍至8.7倍。     

演化信息协助的动态协同随机漂移粒子群优化算法

为了改善随机漂移粒子群算法的群体多样性,通过演化信息的协助,提出动态协同随机漂移粒子群优化（CRDPSO）算法。利用上下文粒子的向量信息,粒子之间的动态协作增加了种群多样性,这有助于提高群体的搜索能力,并使整个群体协同搜索全局最优值。同时在演化过程中的每次迭代,利用二维空间分割树结构来存储算法中的估计解的位置和适应度值,从而实现快速适应度函数逼近。由于适应度函数逼近增强了变异策略,因此变异是自适应且无参数的。通过典型测试函数将CRDPSO算法和差分进化算法（DE）、协方差矩阵适应进化策略算法（CMA-ES）、非重复访问遗传算法（cNrGA）以及三种改进的量子行为粒子群算法（QPSO）进行比较。实验结果表明,不管是对于单峰还是多峰测试函数,CRDPSO的性能均是最优的,证明了该算法的有效性。     

演化信息协助的动态协同随机漂移粒子群优化算法

为了改善随机漂移粒子群算法的群体多样性，通过演化信息的协助，提出动态协同随机漂移粒子群优化（CRDPSO）算法。利用上下文粒子的向量信息，粒子之间的动态协作增加了种群多样性，这有助于提高群体的搜索能力，并使整个群体协同搜索全局最优值。同时在演化过程中的每次迭代，利用二维空间分割树结构来存储算法中的估计解的位置和适应度值，从而实现快速适应度函数逼近。由于适应度函数逼近增强了变异策略，因此变异是自适应且无参数的。通过典型测试函数将CRDPSO算法和差分进化算法（DE）、协方差矩阵适应进化策略算法（CMA-ES）、非重复访问遗传算法（cNrGA）以及三种改进的量子行为粒子群算法（QPSO）进行比较。实验结果表明，不管是对于单峰还是多峰测试函数，CRDPSO的性能均是最优的，证明了该算法的有效性。     

基于t分布变异的自适应差分进化算法

为了更好地提高差分进化算法的全局探索和局部开发能力,提出了一种改进的差分进化算法。在该算法中,引入t分布变异算子将高斯变异和柯西变异的优点结合起来,根据以往的进化经验自适应地调整进化策略及交叉概率。通过四个典型的Benchmarks函数的测试结果表明算法具有良好的性能。     

基于螺旋模型的仿人机器人步态参数优化算法

步行运动是仿人机器人运动控制的关键环节之一.为了实现快速、稳定的步态,在协方差矩阵自适应进化策略(CMA-ES)的基础上,文中提出仿人机器人螺旋模型算法.在步行优化过程中,将优化任务先划分为3个子任务,按照优化目标分别挑选参数加入相应优化组,同时构建CMA-ES优化器.根据不同的学习目标设计每个CMA-ES优化器,在前一优化组优化结果基础上结合新的需求进行螺旋迭代优化,最终达到既定的学习目标,获得最佳参数值.文中算法应用在HfutEngine仿真3D球队中,机器人的相关步态测试数据显示算法效果较佳.     

基于多代种群进化信息改进的差分进化算法研究

差分进化算法是进化算法中一种性能较为优良的全局数值优化算法,已在人工智能、信号处理等方面取得广泛应用,但当前研究往往仅考虑进化过程中某一代种群的分布信息,而忽略进化过程中多代种群累积的分布信息,造成信息利用不充分。借助自适应协方差矩阵进化策略的思想,充分利用进化过程中累积的种群分布信息,同时,由于自适应协方差矩阵存在收敛早熟、易陷入局部最优的缺点,先后对变异和交叉操作进行相应改进,以平衡算法的全局搜索能力和局部搜索能力。首先,根据种群中个体适应度值进行排序,由余弦函数改进的概率模型计算个体参与变异操作的概率,基向量和差分向量中末端向量根据概率值降序选择,差分向量中起始向量升序选择,从而提高种群的搜索范围;然后,对协方差矩阵进行特征分解,并在由特征向量构建的坐标系中执行交叉操作,该种方式生成的实验向量更接近全局最优解。针对上述改进操作,采用IEEE CEC2014作为评估函数,实验结果表明,相比现有的差分进化改进算法,本改进算法的实验性能提升更为明显。     

基于进化策略有频率禁区的结构优化设计方法

有频率禁区的桁架结构优化设计是在结构保证静态强度的前提下,通过调整构件的截面或节点坐标来改变结构的动力特性,从而避开激振频率带宽。自适应协方差矩阵进化策略（CMA-ES）算法是一种寻优效率高、鲁棒性好的全局优化算法,对处理复杂的非线性多维度的优化问题有很好的适应性。在考虑工艺可行性的基础上,结合有限元分析软件,提出了基于CMA-ES算法的有频率禁区的桁架结构优化设计方法。算例研究表明,该方法是可行的,与传统优化方法、粒子群优化方法相比较,具有全局寻优性能好、效率高的优点。     

基于CMA—ES算法的支持向量机模型选择

研究模型选择对支持向量机(SVM)的泛化性能有着重要影响。针对传统梯度算法对初始值敏感及网格搜索法计算复杂的缺点,为了提高全面优化能力和分类精度,提出了一种基于协方差矩阵自适应进化策略(CMA-ES)的支持向量机(SVM)模型优化算法,通过对SVM泛化性能界(Bounds on Generalization Performance)的优化求解,实现了基于CMA-ES算法的SVM模型选择。在标准数据集上的实验结果表明:相比遗传算法和梯度算法,上述方法能够在较小计算代价下得到更优的超参数,提高支持向量机的预测精度稳定性,尤其适合大样本数据条件下的模型选择。     

基于Laplace分布变异的改进差分进化算法

为了提高差分进化算法(DEA)的收敛速度和寻优精度,提出了一种改进的差分进化算法。在该算法中,引入了基于Laplace分布的变异算子,并且能根据以往的进化经验自适应地调整进化策略及交叉概率以适应不同阶段的进化。通过5个典型Benchmark函数的测试结果表明,该算法的收敛速度快、求解精度高、鲁棒性较强,适合求解高维复杂的全局优化问题。     

使用特征点与灰度值的医学图像局部配准方法

针对医学图像配准中,存在某些图像间大部分区域没有差异或者存在差异但不被关心的情况,提出了一种局部图像配准方法。该方法使用局部可控的紧支撑径向基函数作为配准变换函数,通过在感兴趣区域设置特征点,将变换函数作用范围限制在图像中某一特定区域,保持其他区域不发生变形。利用图像间的互信息量作为测度函数,更加精确地求解变换函数。在优化策略的选择中,将图像配准看作为寻优过程,采用基于小生境的遗传算法优化变换函数参数,能够克服经典遗传算法早熟、搜索能力差等缺点。通过对已知变换函数的仿真图像与真实医学图像进行实验,结果表明该算法能够准确地找到较优的变换函数,并且将作用区域限制在较小范围内。该方法结合了基于特征点和基于像素配准方法的优点,有效的搜索策略保证了变换函数准确性,是一种可行的、鲁棒的局部医学图像配准方法。     

图像配准中的一种特定区域轮廓提取算法

多模态医学图像的配准在医学诊断和治疗计划中起着重要的作用,特定区域轮廓提取是图像配准的重要基础,常规的轮廓提取算法不能满足多模态图像配准的要求。提出了一种用于多模态医学图像处理的特定区域轮廓提取算法。该方法首先对图像进行预处理,去除噪音,对图像进行平滑,采用Canny算子进行边缘提取之后,提出了延伸权的概念,并采用一种新的基于延伸权概念的边缘连接算法对边缘结果进行连接,最后采用填充算法获得特定的辅助区域并在该区域的基础上向外或者向内获取特定区域的轮廓。实验结果表明,该方法能够满足多模态图像配准的要求。     

基于最大熵和互信息最大化的特征点配准算法

点配准问题在机器视觉、医学图像等领域，有着非常重要的应用基础．通过在最大化熵原理的基础上，将互信息相似性测度引入到点配准算法中，提出了一种新的快速、准确的健壮性的点配准算法．首先建立起表示两个特征点集之间匹配对应关系的联合概率分布匹配矩阵，通过最大化熵和互信息最大化，建立起一个包含匹配矩阵和空间变换参数的新的能量函数，通过确定性退火算法，可以获得最优的匹配矩阵和空间变换参数，从而解决点的对应性问题和出界点(outliers)确定．实验结果表明，算法具有较强的鲁棒性，具有较高的配准精度和较快的计算速度．     

基于拉普拉斯谱的医学图像配准算法

提出一种基于拉普拉斯谱的医学图像配准算法,通过将谱图理论应用到医学图像配准中并引入特征向量,以达到提高配准精确度和计算效率的目的.该算法根据医学图像的解剖特征来构造拉普拉斯矩阵,通过分析拉普拉斯矩阵的谱得到匹配关系;采用射影变换模型,计算射影矩阵;通过坐标变换和图像插值方法实现图像配准.实验结果表明,该算法与经典的最大...     

混合样条大尺度医学图像弹性配准算法研究*

针对大尺度形变医学图像配准速度慢和精度低的特点,提出一种结合薄板样条(TPS)和B样条的弹性配准方法。该方法采用尺度不变特征变换算法(SIFT)进行图像特征提取与匹配,利用TPS算法将特征点对作为输入进行预处理,以降低浮动图像的形变尺度,从而提高下一步B样条配准的速度与精度。然后使用局部区域细化层次B样条方法将TPS生成的较稀疏的形变网格作为初始网格,结合有限记忆优化算法(L-BFGS)对控制网格做进一步地处理,此过程只对形变较大的局部区域进行细化,以实现与参考图像的快速精确配准。实验结果表明,该方法较层次B样条方法有效地提高了配准的速度和精度。     

基于非刚性配准的交互式医学图像序列分割

提出了一种新的交互式医学图像序列分割算法,该算法将非刚性配准技术和解剖先验知识相结合把图像分割问题转化为图像配准问题。首先采用Demons算法进行图像配准,用光流法计算瞬时位移,设计了一个新的停止准则使其能自适应地确定迭代次数,并将它在金字塔型的多尺度框架下实现。然后用配准得到的形变域对已精确分割的图像进行形变就能自动地获得未分割目标图像的分割结果。扩展上述过程就可实现整个图像序列分割。试验结果表明该算法用户干预少、分割速度快、分割结果准确。     

基于改进IGG模型的全景图像拼接缝消除算法

为了提高序列图像拼接得到的全景图的质量,通常将L-M(Levenberg-Marquardt)算法用于图像拼接中变换模型的参数优化,但L-M算法不能消除误匹配点对模型求解的影响。为了消除误匹配点的影响,提出了基于IGG(Institute of Geodesy & Geophysics)函数模型的抗差L-M算法。首先利用IGG算法的迭代过程具有良好的抗粗差能力和可靠的收敛性等特点来优化变换模型,提高图像配准的精准度。然后采用自适应区域的拉普拉斯多分辨和最优拼接缝相结合的方法对拼接结果进行融合,以消除因拼接缝及光照不均而造成的过渡不连续现象。实验结果表明,所提算法不仅有效提高了配准精度,同时还实现了无缝拼接,获得了高质量的无缝拼接全景图。     

基于轮廓与特征点的医学图像弹性配准方法

针对单一特征引导图像配准的准确度有限性,提出了一种同时使用轮廓与特征点的医学图像弹性配准方法。半自动的特征点提取方法既可以保证提取的精确性又能够避免繁琐的特征点对应关系建立过程。对于提取的轮廓,在保证外形的基础之上,通过轮廓直线化操作减少提取轮廓中关键点的数量,以提高计算效率。以两幅待配准图像中的特征点对间距离与轮廓对间距离累加和作为图像配准测度函数,选择ICP算法框架迭代地求解最优配准变换函数。通过与其他测度函数进行比较和真实图像实验结果对比,其结果表明,该算法由于采用轮廓与特征点同时引导图像配准,其配准效果好于单独使用特征点或者轮廓的图像配准算法。该算法既能匹配图像的整体结构信息(轮廓)又能对齐图像中感兴趣的生理解剖位置(特征点),更加准确地反映图像间差异情况,是一种快速、精确的医学图像配准方法。     

基于Powell算法与改进遗传算法的医学图像配准方法

针对基于互信息图像配准的局部极值问题,提出一种基于Powell算法与改进遗传算法结合的医学图像配准方法。该方法对标准遗传算法存在的收敛速度慢、易早熟、有可能导致误配的缺陷,提出了相应的改进策略; 采用Logistic混沌映射生成迭代过程中的个体; 运用基于小波变换的多分辨率分析策略,采用混合优化算法在图像的最低分辨率层进行全局优化,以全局最优值,结合Powell算法完成医学图像配准。实验结果表明,所提方法可有效避免优化算子陷入局部极值,并提高了配准速度; 相对于纯Powell方法和未改进的遗传算法,配准的精确度和性能更好。     

基于改进平衡优化器的医学2D/3D图像快速配准算法

医学三维图像(如CT、MRI等)和二维图像(如X光)的配准技术已经被广泛应用于临床诊断和手术规划中. 医学图像配准的实质为使用优化算法寻找某种空间变换, 使两张图像在空间以及结构上对齐. 配准过程中往往由于优化算法寻优精度不高、易陷入局部极值的问题导致配准质量低. 针对此问题, 提出一种改进的平衡优化器算法(improved equilibrium optimizer based on Logistic-Tent chaos map and Levy flight, LTEO), 首先针对种群初始化容易分布不均匀, 且随机性太高的问题, 引入Logistic-Tent混沌映射对种群进行初始化, 提高种群多样性, 使它们尽可能地分布于搜索空间内; 对迭代函数进行更新, 使得优化算法更注重全局范围的搜索, 提高算法收敛速度并利于找到全局最优解; 引入Levy飞行策略对停滞粒子进行扰动, 防止算法陷入局部极值. 最后将改进的平衡优化器算法用于2D/3D医学图像配准任务, 并对配准过程中数据的频繁传输进行优化, 降低配准耗时. 通过基准函数测试和临床配准实验对算法进行验证, 改进后的平衡优化器可有效提高寻优精度和稳定性, 并提高医学图像配准的质量.