自适应加权镜像阈值层叠滤波器

与传统的阈值层叠滤波器相比,镜像阈值层叠滤波器不仅具有低通滤波的特性,还具有带通和高通的特性。但由于镜像阈值层叠滤波器比传统的阈值层叠滤波器的正布尔函数长度有显著增加,从而使计算量增加,为解决这一问题,提出了一种镜像自适应加权（MAW）算法。该方法充分考虑了镜像阈值分解的特点,并通过引入自适应领域加权误差准则建立了代价向量,在迭代过程中,对代价向量的层叠性进行快速约束,并判断其收敛性,最终获得了基于最优正布尔函数的自适应加权镜像阈值层叠滤波器（AWMSF）。为了验证该滤波器的滤噪性能,对最优AWMSF进行了性能分析,结果表明,AWMSF在滤除噪声的同时,能更好地保持图像的细节信息,并可减少迭代次数,从而使计算复杂度大大降低。     

自对偶层叠滤波器统计特性分析

本文在层叠滤波器一般性理论基础上,对自对偶层叠滤波器的输出分布进行了研究.结果表明:自对偶层叠滤波器的输出在中值意义上是统计无偏的,并且给出了自对偶层叠滤波器输出分布的一种表达式.     

改进克隆选择算法的层叠滤波器的优化设计

层叠滤波器优化设计的核心是正布尔函数最优化的问题.为了提高优化速度并对层叠滤波器进行全局优化设计,提出了一种改进的克隆选择算法.该算法引入多克隆算子和记忆单元及保留群体同时进化的思想.多克隆算子中的个体克隆规模根据个体的亲和度浓度自适应变化;重组操作在父代记忆个体与子代变异后的记忆个体之间展开,避免了近亲繁殖;保留群体的变异保证了群体的多样性.实验结果证明,该算法优化的层叠滤波器能在较短的时间内得到较好的滤波结果.     

基于克隆选择的粒子群优化算法

粒子群优化是一种简单有效的随机全局优化技术．将克隆选择引入拉子群优化算法，提出了一种基于克隆选择的拉子群优化算法．算法的主要特点是利用克隆和变异等操作，提高收敛速度和种群的多样性．仿真程序表明，该算法能以较快速度完成给定范围的搜索和全局优化任务．     

基于粒子群算法的无源滤波器多目标优化设计

摘要：针对无源滤波器参数优化问题,将无源滤波器的最小费用、谐波电压畸变率、谐波电流残留率、以及无功功率补偿容量作为设计的优化目标,改进了传统的粒子群算法,引用惩罚函数将问题转化为无约束优化问题。本设计算法是采用改进多目标粒子群优化算法与惩罚函数相结合的算法为无源滤波器参数优化设计提供了一种新的优化方法。     

粒子群遗传优化算法

针对粒子群优化算法易早熟的缺点,本文在粒子群优化算法中引入遗传算法的变异算子和克隆选择算子,提出了一种改进的粒子群优化算法—粒子群遗传优化算法。粒子群遗传算法在传统粒子群优化迭代公式的基础上,通过变异率和克隆选择率两个参数自适应地调整变异操作和克隆选择操作。当粒子群最优粒子的适应度在优化迭代过程中陷入停滞时,利用变异算子对粒子群中部分粒子进行随机变异操作,扩大粒子群搜索范围,防止粒子群陷入局部最优;而当粒子群最优粒子适应度随优化迭代过程不断提高时,则利用克隆选择算子淘汰适应度较低的粒子,提高粒子群整体的平均适应度,增强粒子群对局部的搜索能力,提高算法的计算效率。典型函数的算例测试表明,粒子群遗传优化算法不但具有粒子群优化算法所具有的易于工程实现、计算效率高等优点,还克服了粒子群优化算法易陷入局部最优的缺点,提高了算法的抗早熟性。     

基于克隆选择的免疫粒子群优化算法

粒子群优化算法在进化中随种群多样性降低易出现早熟收敛等问题.针对这一问题,在粒子群算法中引入免疫克隆选择算法的思想,提出了基于克隆选择的免疫粒子群优化算法(Immune Particle Swarm Optimization,ImmunePSO),即在算法进化过程中,引入克隆复制算子、克隆高频变异算子、克隆选择算子.成比例克隆复制可以使优良个体得到保护,加快算法收敛;高频变异为新个体的产生提供了新的途径,可以增加种群的多样性;克隆选择算子从所有子代、父代中选择出最优个体,避免算法退化.最后通过对基本测试函数的仿真试验,验证了算法不仅可以增加种群的多样性,加快算法的收敛速度,而且提高了最优解的精度,有效地避免算法陷入到局部极值.     

嵌入层叠混沌策略的随机粒子群算法

鉴于求解复杂问题时粒子群优化算法易出现早熟收敛的问题,通过引入轨迹扰动因子,提出随机粒子群进化迭代方程.该方程在统计行为中保证粒子向特定的收敛中心逼近,但对“旧址”的依赖性呈现出随机特性,从而使粒子群的快速跳转和迁移成为可能,避免过早落入局部陷阱.同时该进化方程还利用层叠混沌策略和对称极值扰动策略进一步增强算法的局部收敛性和全局搜索性.实验表明,由上述进化方程和改进策略构成的随机混沌粒子群算法具有鲁棒性较强、收敛速度较快和精度较高等优势,性能优于其他同源粒子群算法.     

基于分层克隆粒子群算法的航空发动机性能仿真

针对传统的迭代算法在求解航空发动机非线性模型存在的受初值影响不易收敛问题,引入粒子群算法进行求解,并针对粒子群算法的局部收敛现象对其进行改进,设计一种分层克隆粒子群算法:将种群分为顶层和底层两个种群,通过对顶层粒子的克隆选择和底层粒子的混沌变异,分别提高算法的局部搜索能力和全局搜索能力,有效避免了出现局部收敛等问题。对测试函数求解的结果表明改进算法性能较遗传算法和粒子群算法有显著提高。将改进算法应用于某型混合排气涡扇发动机性能仿真,也得到满意的结果。     

基于克隆选择和粒子群思想的动态多群体优化算法

针对粒子群算法和克隆选择原理的特点,提出了基于克隆选择和粒子群思想的动态多群体优化算法.该算法将整个群体分为若干子群体,在子群体内部应用基本的粒子群算法,以子群体作为抗体设计了克隆、变异、选择和受体编辑算子.交异算子使子群体动态变化实现子群体闻相互交换信息,具有良好的全局搜索能力.实验结果表明,该算法具有寻优能力强、搜索精度高的优点,可用于工程问题中具有各种特性的复杂函数优化.     

Multimodal function optimizations with multiple maximums and multiple minimums using an improved PSO algorithm

In this paper, a multimodal function optimization problem consisting of multiple maximums and multiple minimums is solved using an improved particle swarm optimization (PSO) algorithm. In the proposed scheme, the original population needs to be randomly divided into two main groups in the first stage. One group is to tackle the maximum optimization of the multimodal function and the other then focuses on the function minimum optimization. In the second stage, each group is split up into several subgroups in order to seek for function optimums simultaneously. There is no relation among subgroups and each subgroup can individually seek for one of function optimums. To achieve that, it is necessary to enroll the best particle information of each subgroup. It means that the proposed structure contains a number of best particles, not a single global best particle. The third stage is to modify the velocity updating formula of the algorithm where the global best particle is simply replaced by the best particle of each subgroup. Under the proposed scheme, multiple maxima and minima of the multimodal function can probably be solved separately and synchronously. Finally, many different kinds of multimodal function problems are illustrated to certify the applicability of the presented method, including one maximum and one minimum, two maximums and two minimums, multiple maximums and multiple minimums, and a complex engineering optimization problem with inequality conditions.     

一种采用克隆选择的免疫差分进化算法

为了解决基本差分进化算法易出现早熟收敛的问题, 提出了一种融合人工免疫系统和差分进化的混合算法。该算法在差分进化过程中引入了克隆选择操作和受体编辑机制, 以增强算法的局部搜索能力和种群多样性。通过对五个标准函数的仿真实验表明, 该算法不仅可有效避免早熟收敛, 而且全局优化能力和收敛速度有显著提高。     

改进PSO算法在二维最佳阈值图像分割中的应用

针对二维熵图像分割在求取最佳阈值时存在计算量大及粒子群算法容易陷入局部最优、运算速度慢等问题,提出了改进的粒子群优化算法的二维熵图像分割方法。该方法是在雁群启示的粒子群算法基础上,对速度公式进行改进,并引入随机扰动策略,从两个方面同时改进以提高算法的收敛速度,以及克服局部极值的能力。仿真结果表明,将该方法用于阈值寻优减少了搜索时间,提高了收敛速度,强化了图像处理的实时性。     

基于改进PSO算法的MAP图标定点选择新方法

为提高基于MAP图的控制系统驱动效果,并有效减小控制系统内的存储量,提出了一种基于改进粒子群算法的MAP图中标定点择优选取新方法。以液压机械无级变速传动比控制系统中采用的MAP图为例,将其横坐标的两个变量在其定义域内等分,并采用改进粒子群算法选取等分后每段内的坐标点数量和位置。选取过程采用多目标优化原理结合了随机产生100个点的实际值与MAP图线性插值的平均误差以及选定的标定点数量。为提高算法执行效率,对粒子群算法的迭代准则、惯性权重和学习因子进行改进。结果表明,改进后的粒子群算法收敛速度快,寻优精度高,仅需较少的标定数据即可制作控制效果较佳的MAP图。     

基于克隆选择遗传算法的图像阈值分割

为了快速有效地得到图像的最佳阈值,基于人工免疫系统中的克隆选择原理,提出一种新的混合遗传算法,并将其应用于基于最大类间方差法的图像阈值分割问题.该算法用克隆选择代替标准遗传算法中的概率选择,根据抗体.抗原的亲和度对种群中的优良个体有选择的克隆增殖,并利用抗体浓度调节机制采抑制高浓度抗体、促进低浓度抗体,以保持种群中个体的多样性.从而避免了遗传算法陷入局部最优解,出现早熟收敛现象.仿真实验结果表明,该算法对多类图像的良好分割效果和较强的实用能力.     

Multilevel image threshold segmentation using an improved Bloch quantum artificial bee colony algorithm

Multimedia Tools and Applications - Multilevel threshold segmentation is one of the most broadly used image segmentation methods. The key problem is how to obtain the optimal threshold as soon as...     

一种改进选择算子的遗传算法

遗传算法（Genetic Algorithm,GA）是一种模拟生物进化的智能算法,被广泛应用于求解各类问题。简单遗传算法（Simple GA）仅靠变异产生新的数值,常常存在搜索精确度不高的问题。针对这个问题,对SGA的选择算子进行改进,即把相似个体分在同一组中,以组为单位进行选择,并通过该组个体的特点进行高斯搜索生成新的群体。这样使得GA在搜索过程中不仅可以很好地保持个体的多样性,并且可以提高解的精确度。通过对11个函数（单峰和多峰）的仿真实验,证明了采用新的选择算子后,GA在求解问题的精确度上有了很大地改善。     

改进PSO算法的性能分析与研究*

分析了粒子群优化(PSO)算法的进化式,针对其容易发生早熟、收敛速度慢、后期搜索性能和个体寻优能力降低等缺点,结合遗传算法的思想,提出一种新的混合PSO算法——遗传PSO(GAPSO)。该算法是在PSO算法的更新过程中,对粒子速度引入遗传算法的变异操作,对粒子位置引入遗传算法交叉操作。对速度的变异降低了算法后期因种群过于密集而陷入局部最优的可能,对位置的交叉使得父代中优良个体的基因能够更好地遗传给下一代,从而得到更优、更多样化的后代,加快进化过程,提高了收敛速度和群体搜索性能。选取了其他几种典型的改进PS     

An improved scheme for minimum cross entropy threshold selection based on genetic algorithm

Image segmentation is one of the most critical tasks in image analysis. Thresholding is definitely one of the most popular segmentation approaches. Among thresholding methods, minimum cross entropy thresholding (MCET) has been widely adopted for its simplicity and the measurement accuracy of the threshold. Although MCET is efficient in the case of bilevel thresholding, it encounters expensive computation when involving multilevel thresholding for exhaustive search on multiple thresholds. In this paper, an improved scheme based on genetic algorithm is presented for fastening threshold selection in multilevel MCET. This scheme uses a recursive programming technique to reduce computational complexity of objective function in multilevel MCET. Then, a genetic algorithm is proposed to search several near-optimal multilevel thresholds. Empirically, the multiple thresholds obtained by our scheme are very close to the optimal ones via exhaustive search. The proposed method was evaluated on various types of images, and the experimental results show the efficiency and the feasibility of the proposed method on the real images.