基于改进的教与学优化算法的图像增强方法

为改善图像质量,并使处理后的图像便于后续处理工作,提出一种基于改进的教与学优化算法的图像增强方法。结合图像局部信息和全局信息将原始图像进行转换,并建立图像增强优化模型和包括了边缘强度、边缘像素和二维熵等重要信息的评价函数。对教与学优化算法进行两点改进:一方面自适应调整教学因子,充分协调种群的多样性和收敛性,提高全局搜索能力和收敛精度;另一方面通过最优个体引导机制,加快收敛速度。最后,将提出的教与学优化算法用于图像增强,来提高图像对比度。实验结果表明,相比于其他方法,本文算法获得更佳的视觉效果和图像质量。     

基于混合学习策略的教与学优化算法

为了提高教与学优化算法(TLBO)的搜索能力,解决算法易陷入局部最优的问题,提出基于混合学习策略和扰动的教与学优化算法.在教与学算法的学阶段融合差分进化算法变异策略,提出混合学习策略,使学员在学习后期具有更好的学习能力,提高算法的收敛性能;在算法后期提出新的扰动策略,减小学员在算法后期陷入局部最优的可能,保证算法全局最优性.基于标准测试函数的实验结果表明,相比于目前性能优异的同类4种算法,改进算法可有效提高算法的收敛速度和收敛精度,优化性能明显提高.     

基于混合策略的自适应教与学优化算法

为提高教与学优化算法的综合性能,提出一种基于混合策略的自适应教与学优化算法。将随机性学习与有向性学习融合,提出一种自适应综合交叉学习策略,根据进化的不同阶段自适应地选择学习方式,增强算法对解的搜索能力;加入一种方向性的扰动策略,增大种群多样性,较大程度地加大了对搜索空间的探索力度,降低了种群陷入局部最优的可能。基于标准测试函数的仿真实验结果表明,本文算法可有效避免算法陷入局部最优,在收敛精度和收敛速度上有较大提高。     

一种多反向学习的教与学优化算法

针对原始教与学优化算法全局搜索和局部搜索协调不足、当前反向学习策略过于单一的问题,将多种反向学习策略同教与学优化算法相结合,提出一种基于多反向学习的教与学优化（MOTLBO）算法。首先,借鉴反向学习的思想,设计一种基于Sigmoid函数且随进化代数逐渐变化的非线性混合反向学习模型,模型综合考虑了问题的搜索边界信息和种群的历史搜索信息;其次,在原始教与学算法教和学两个阶段的基础上,增加了基于搜索边界指导的自学习阶段,增强了种群的多样性;最后,将混合反向学习模型与算法的各阶段相结合,根据各阶段的不同特征,设计了基于均值个体、随机个体和最优个体的反向解计算方法,充分吸收种群的历史搜索经验,提高算法的收敛精度和速度。采用具有不同特征的Benchmark测试函数对算法的非线性混合反向学习模型和收敛性能进行测试,实验结果表明：非线性混合反向学习模型相对于单一的边界信息反向学习或种群信息反向学习,具有更强的全局搜索和局部探测能力;而与原始教与学优化算法及其改进算法相比,MOTLBO算法在获得较高的收敛精度和稳定性的同时保持了更快的收敛速度,其综合性能得到较大提升。此外,对扩频雷达相位编码求解的实验结果进一步表明,MOTLBO算法能有效避免陷入局部最优,亦适用于求解实际的工程优化问题。     

基于局部特征图像匹配算法改进

本文针对SIFT算法存在着特征提取及匹配速度慢,在灰度变化相似的区域产生误匹配的缺陷,讨论了SIFT 的改进算法-SURF算法的原理及应用方法,对算法进行检验,指出SURF算法在提取特征点时更偏重于提取鲁棒性较强的点,同时,摒弃一些鲁棒性较弱的点,对鲁棒性强的特征进行匹配以减少计算时间,使SURF在实时性处理和大量图片...     

改进的鸡群优化算法

针对鸡群优化算法中解的更新效率较低且缺乏探索性等问题,提出了一种改进的鸡群优化算法。该算法基于标准鸡群优化算法的种群分组更新机制,并借鉴狼群优化算法和粒子群优化算法的思想,引入改进因子和去重操作算子分别用以增强算法的寻优能力和提高种群的多样性。通过与其他4种算法在CEC 2014测试函数集上进行比较,结果表明本文算法在绝大多数测试函数上均表现出了良好的优化效果,在求解精度及收敛速度方面也优于其他算法。     

一种基于全局-局部双向驱动的改进果蝇优化算法

为解决传统果蝇优化算法过早收敛、结果不稳定等问题,提出一种基于全局-局部双向驱动的果蝇优化新算法.首先,为综合考虑果蝇群体的全局化驱动信息和果蝇个体的局部化驱动信息,引入先进群组和记忆空间的概念,即在每次迭代过程中,将果蝇种群中表现较好的若干只果蝇定义为先进群组,将每只果蝇经过的若干历史最优位置定义为该果蝇的记忆空间.然后,为避免过早收敛问题,考虑先进群组中所有个体的全局化驱动作用,通过顺序选择果蝇位置向量的各个维度实现果蝇位置更新.最后,为避免种群接近收敛时盲目地进行全局搜索,每只果蝇个体将考虑自身认知经验的局部化驱动作用,通过使用轮盘赌策略选择记忆空间中特定位置并向其靠近以跳出局部最优.针对典型测试函数及网络异常检测仿真的实验结果表明:基于全局-局部双向驱动的果蝇优化算法收敛精度高、稳定性好、收敛速度快,适用于处理网络异常检测中的高维、复杂的优化问题.     

基于改进果蝇优化算法的无功优化

将改进果蝇优化算法运用于无功优化领域,为电力系统的无功优化计算提供了一种新的算法.通过对迭代步长进行自适应调整可以有效避免果蝇算法可能陷入局部最优的问题,同时还能提高收敛精度.在无功优化模型中,对控制变量进行归一化处理,使得量纲一致;将约束条件以罚函数的形式并入目标函数中,实现对状态变量的限制.以IEEE30节点系统和IEEE57节点系统为例,分别基于果蝇优化算法(FOA)、改进果蝇优化算法(IFOA)和遗传算法(GA)进行了无功优化计算,结果表明改进果蝇优化算法(IFOA)具有更好的优化效果和计算速度,更加接近全局最优值,采用该算法解决无功优化问题效果很好.     

改进的粒子群优化算法

粒子群优化算法是一种基于群体的自适应搜索优化算法,存在后期收敛慢、搜索精度低、容易陷入局部极小等缺点,为此提出了一种改进的粒子群优化算法,从初始解和搜索精度两个方面进行了改进,提高了算法的计算精度,改善了算法收敛性,很大程度上避免了算法陷入局部极小.对经典函数测试计算,验证了算法的有效性.     

基于反向学习的微种群教与学优化算法及其应用

为提高教与学优化算法的收敛速率且保证其可靠性,提出了一种基于反向学习的微种群教与学优化算法(opposition-based learning teaching-learning-based optimization algorithm with a micro population,OBL-μTLBO)。在所提算法中,利用小的种群规模(微种群)来提高教与学优化算法的收敛速率和降低对计算机内存的要求。同时,OBL-μTLBO算法使用反向学习所得"教师"来指引种群进化,以此提高算法的全局探索能力和避免其陷入局部最优。仿真结果表明,OBL-μTLBO算法不仅具有较好的寻优性能,而且还具有较快的收敛速度。最后,将OBL-μTLBO算法应用于求解非合作博弈纳什均衡问题,取得令人满意的结果。     

线性互补约束优化序列线性方程组算法的一个降维技术

线性互补约束优化是一类特殊的非线性优化问题,利用广义互补函数将其转换为含参数μ的光滑非线性约束优化问题,然后利用牛顿步和积极集思想改写光滑非线性问题的 KKT 条件,得到一个线性方程组.经过适当讨论,使得每次迭代仅需求解低维线性方程组,从而进一步减小了计算量.     

一种求解旅行商问题的迭代改进蚁群优化算法

传统的蚁群优化算法每次都从头开始构造新解,无条件地接收选择的解部件,该策略削弱了算法的局部求精能力。针对该不足,提出了一种求解旅行商问题的迭代改进蚁群优化算法。在构造解的过程中,蚂蚁始终记忆一个完整的解,并且只接受能够改进解的候选城市。使用解的部分重构策略来保持种群的多样性,以避免早熟收敛。仿真结果表明迭代改进蚁群优化算法能在更少的迭代次数内获得更好的解。     

改进的半连接查询优化算法

在多关系连接查询中,普通半连接查询方法没有优化子查询的半连接顺序,导致查询代价较高,为此,本文提出了一种改进的半连接查询优化算法。首先,将多关系连接组织成较小代价的类树形结构,然后利用半连接操作对处于根节点处的关系进行最大化缩减,并以此为基础利用PERF位向量对其他节点进行缩减,最后回收缩减关系进行连接操作。模拟实验表明改进的半连接查询优化算法能够有效地缩减查询关系,降低查询代价。     

基于分形维数的聚类融合算法

对基于分形维数的聚类融合算法进行了研究。首先介绍分形维数聚类算法,产生聚类成员;然后利用投票法进行聚类融合;最后简单介绍了云计算环境下分布式聚类融合思想。基于分形维数的聚类融合算法比单一分形维数聚类算法得到的聚类结果更好,具有更好的鲁棒性。在分形维数聚类算法中,结合网格聚类与单一分形聚类的优点,提出了基于网格和分形维数的聚类算法,它可以发现任意形状且距离非邻近的聚类,适合于海量﹑高维数据。     

基于信噪比的自适应二维图像水印算法

提出了一个基于信噪比SNR的完全自适应二维水印算法，该算法应用图像压缩技术，实现了以图像作为水印信号，把原始图像分块作离散余弦变换(DCT)，利用信噪比SNR确定各个子块的拉伸因子α，最后水印分量以不同的能量被嵌入到各个子块的DCT低频系数中．实验结果表明该算法具有良好的不可见性和鲁棒性．     

基于免疫和进化扩散算法的全局优化问题求解算法

在求解全局优化问题时,通常免疫算法、进化扩散算法分别在局部搜索和全局搜索方面表现较弱。针对这一情况,基于免疫和进化扩散算法,提出了一个免疫-进化扩散算法。该算法结合了免疫和进化扩散两种算法的优点,一方面通过引入基于共享机制的小生境算法,保持了群体的多样性,另一方面通过提出一种步长参数动态调整策略,提高了算法效率。实验结果表明,在给定精度下,该算法的效率和稳定性都明显优于Tsui的进化扩散算法和Ingber的自适应模拟退火算法。最后对步长参数动态调整策略进行了分析。     

基于非线性最优化的服装混合维度放码方法

通过比较二维放码和三维放码的优缺点,提出了一种混合维度放码方法,将需要放码的二维裁片映射到三维人体上形成衣片,当三维人体变形时,对应的衣片也相应地发生变形.以三维衣片和二维裁片的边角特征作为放码的约束条件,构造非线性目标函数,问题转化为求解有约束的极小化问题,经过数学变换,问题最终转化为求解非线性方程组.多边形具有直角坐标和局部标架2种表示方法,充分结合直角坐标法便于添加放码约束以及局部标架法计算简便并具有良好收敛性的优点,利用局部标架法设定初值,通过直角坐标法实现对问题的最终求解.在求解迭代过程中通过对某些边和角的纠正来达到较好的放码结果.实例表明该方法非常有效.     

基于遗传算法热电冷联产系统多目标方案优化

根据用户全年冷、热、电负荷设计冷热电三联产系统方案并实现优化运行是决定联产系统经济性的关键．建立了以一次能源节约率、净现值和CO：排放量为优化目标,以冷热电三联产系统中主要设备容量为决策变量的多目标优化模型,同时运用实数编码遗传算法进行优化计算,得到了“以电定热”和“以热定电”2种不同运行模式下的冷热电三联产系统优化设计方案．     

基于多模型组合优化算法的风速预测方法研究

风速的随机性和波动性较强,单一算法预测模型的精度不高。为此,提出基于蚁群优化算法的灰色模型和遗传神经网络算法相结合的预测方法;给出改进灰色模型,并利用蚁群算法的全局寻优能力,以残差平方和最小为原则,对改进灰色模型的权值进行优化,实现了对风速的预测。为进一步提高精度,把蚁群优化灰色模型的结果作为遗传神经网络算法的输入,实测风速数据作为遗传神经网络算法的输出,对网络进行训练,进一步减小了风速预测的偏差。预测结果与风电场实测数据的对比分析验证了多算法结合的预测方法的准确性和有效性。     

运用邻域平均性能准则的粒子群优化法

在工业过程参数优化问题中，由于测量噪声和过程的随机干扰，测量所得的性能曲面往往呈现多极值点的形态，但其中真正的极值点只有一个.传统的方法是在建模(例如神经网络)的过程中自然消除掉部分高频噪声.首先介绍了一种寻优性能指标——邻域平均性能准则，这种准则不是仅以性能曲面上某点的函数值作为性能指标，而是以该点及其周围各点函数的加权平均值作为指标.然后，把该性能指标与一种新的寻优方法——粒子群优化法相结合，给出了混有噪声的多维多极值点函数的寻优算法.一、二维函数的仿真数据初步表明了这种新方法是可行的.