用于指数熵多阈值分割的改进细菌觅食算法

针对图像多阈值分割中阈值搜索是有序正整数规划的特点,提出了一种用于指数熵多阈值分割的改进细菌觅食优化(Improved Bacterial Foraging Optimization,IBFO)算法。首先,将标准的细菌觅食优化(Standard Bacterial Foraging Optimization,SBFO)算法的趋化算子改成动态趋化算子以增强趋化操作的自适应性;然后,将SBFO中的迁徙算子替换成混合随机和动态的迁徙算子,将迁徙过程划分为两个阶段,第一阶段为随机迁徙,目的是增强全局搜索能力,第二阶段为动态局部迁徙,目的是提高局部搜索能力;随后,丢弃SBFO中的感应机制以便加快运行速度;最后,将IBFO算法进一步修改以满足有序正整数规划的要求,并将其应用于指数熵多阈值分割方法中。图像分割实验结果表明,与SBFO,MBFO和IPSO算法相比,提出的IBFO方法不仅优化效果更好,而且运行速度更快。     

基于子区域的粒子群优化算法研究

针对粒子群优化(PSO)算法在寻优时容易陷入局部最优的不足,提出一种基于子区域的PSO算法。将搜索空间划分成若干个子区域,在各个子区域中均使用标准PSO算法进行寻优,通过比较各个子区域的全局最优解,从而得出整个搜索空间的全局最优。与标准PSO算法及自适应变异PSO算法的比较结果表明,该算法能降低在寻优过程中陷入局部最优的概率,具有较强的寻优能力。     

基于改进PSO算法的移动机器人路径规划

针对粒子群优化(PSO)算法收敛速度快但容易陷入局部极值和细菌觅食优化(BFO)算法全局搜索能力强但效率低的问题,提出了一种将BFO算法的趋化、迁徙和复制操作引入到粒子群搜索过程的具有全局搜索能力和快速收敛的混合算法.在BFO算法和PSO算法的原理、操作步骤基础上,分别使用了PSO算法、BFO法和混合算法对移动机器人进行全局路径规划仿真试验,并分别给出了各算法的迭代次数、适应值曲线.仿真结果表明:与PSO算法和BFO算法相比,所提出的混合算法具有搜索时间短、迭代次数少的优点,较好验证了混合算法在移动机器人路径规划方面的可行性和有效性.     

基于觅食算子的粒子群优化算法

针对粒子群优化算法PSO（Particle Swarm Optimization）容易陷入局部极值点、进化后期收敛慢和优化精度较差等缺点,把人工鱼群算法中的觅食算子改进后引入到基本PSO算法中,提出了一种具有觅食算子的PSO算法。算法在每次迭代后,对全局最优结果执行小规模觅食算法进行局部寻优,并用优化结果代替全局最优结果,从而防止PSO算法陷入局部极小,改善了算法的全局优化能力,提高了算法的收敛速度和计算精度。仿真结果表明,该算法的优化性能优于基本PSO算法。     

基于混沌变异算子的小生境量子粒子群算法

针对粒子群算法早熟收敛和搜索精度低的问题,提出了基于混沌变异的小生境量子粒子群算法(NCQPSO).该算法结合小生境技术并加入了淘汰机制.使算法具有良好的全局寻优能力.变尺度混沌变异具有精细的局部遍历搜索性能.使算法具有较高的搜索精度,实验结果表明,NCQPSO算法可有效避免标准PSO(Particle Swarm Optimization)算法的早熟收敛,具有寻优能力强、搜索精度高、稳定性好等优点.也优于原始的量子粒子群算法QPSO(Quantum-behaved Particle Swarm Optimization).     

基于细菌觅食趋化算子的PSO算法*

PSO算法是模拟鸟群觅食的一种解决优化问题的仿生算法,为了避免其在优化过程中过快陷入局部极值的缺陷,提出一种新的基于细菌觅食趋化算子PSO算法。结合细菌觅食算法的局部搜索优势,将其趋化思想引入到PSO算法中。通过典型函数优化测试表明,该算法可以有效弥补PSO算法精度不高、容易陷入局部最优的缺陷。新算法是一种全局优化算法,适用于解决复杂特别是多峰不规则的函数优化。     

混合粒子群和改进细菌觅食的不平衡数据分类

针对细菌觅食优化（Bacterial Foraging Optimization,BFO）算法易陷入局部最优的缺点,提出了混合粒子群优化（Particle Swarm Optimization,PSO）算法与改进的细菌觅食优化（Improved BFO）算法应用于不平衡数据的分类。使用三个数据集测试所提算法的性能,其一是卵巢癌微阵列真实数据,另两个来自UCI数据库的垃圾电子邮件数据最优集和动物园数据集。采用边界合成少数过采样技术（Borderline-SMOTE）和Tomek Link对不平衡数据进行预处理,利用所提算法对不平衡数据进行分类。在改进细菌觅食优化算法的过程中,对趋化过程进行改进,采用粒子群优化算法先进行搜索,将粒子作为细菌进行处理,提高了细菌觅食优化的全局搜索能力。改进复制操作过程,提高优胜劣汰的选择标准。改进迁徙操作过程,防止种群陷入局部最优,防止进化停滞。仿真结果表明,所提算法分类准确度优于现有方法。     

改进粒子群优化算法的移动机器人路径规划

针对单一智能优化算法求解机器人路径规划时易陷入局部误区的问题,提出改进粒子群优化算法(GB_PSO)用于机器人路径规划.该算法以粒子群优化算法(particle swarm optimization,PSO)为主体,由于遗传算法(genetic algorithm,GA)和细菌觅食算法(bacterial foraging optimization algorithm,BFO)更新策略所受环境影响的不同,拟合两种环境参数;然后计算粒子与不同环境参数之间的相关性将粒子群划分为两类,分别通过GA的选择、交叉、变异算子和BFO的趋化操作并行加强局部优化;最后通过改进的粒子群更新公式对粒子进行更新,实现机器人全局和局部路径的优化.实验结果表明,改进粒子群优化算法进行路径规划提高了局部和整体的搜索能力,路径规划速度快且路径距离短,同时具备更强的鲁棒性.     

灰狼优化与差分进化的混合算法及函数优化

灰狼优化(Grey Wolf Optimization,GWO)算法是近年被提出的一种新型智能优化算法,具有收敛速度快和优化精度高的特点,但对于一些复杂优化问题易陷入局部最优。差分进化(Differential Evolution,DE)算法的全局搜索能力强,但其性能对参数敏感,且局部搜索能力不足。为了发挥二者各自的优点并弥补存在的缺陷,提出了一种灰狼优化与差分进化的混合优化算法。首先使用嵌入趋优算子的GWO算法搜索,以便在更短的过程中获得更高的优化精度和更快的收敛速度;然后采用自适应调节参数的差分进化策略来进一步提高算法对复杂优化函数的寻优性能,从而获得一种高性能的混合优化算法,以便能更高效地解决各种函数优化问题。对12个高维函数的优化结果表明,与标准GWO,ACS,DMPSO及SinDE相比,新的混合优化算法不仅具有更好的收敛速度和优化性能,而且具有更好的普适性,更适用于解决各种函数优化问题。     

基于微粒群优化的序贯二次规划方法

文章针对约束非线性优化问题,将微粒群优化算法(PSO)和序贯二次规划(SQP)算法结合起来,提出了一种解决此类问题的有效算法。PSO可以看作是全局搜索器,而SQP则主要执行局部搜索。对于那些具有多个局部极值点的优化问题,大大增加了获得全局极值点的几率。由于PSO具有快速全局收敛的特点,同时SQP的局部搜索能力很强,所以所提算法可以快速获得全局最优值。将基于PSO的序贯二次规划算法在两个标准优化问题上进行仿真,结果证明与标准的PSO和SQP相比,算法具有明显的优越性。     

图像分割在医学图像处理中的应用研究

图像分割是图像处理中的重要工作,医学图像的多样性和复杂性使其在图像分割中具有较大的难度。阈值法由于高效、简单而成为图像分割的重要方法,但对于复杂的医学图像,其效果并不很理想。Powell法是最好的直接搜索法,利用改进的Powell法可以更好地搜索目标。为此,提出了一种将Otsu法和Powell法相结合的图像分割方法,仿真实验表明,该方法可以快速有效地分割图像,鲁棒性强。     

基于粒子群优化算法的阈值图像分割研究

研究将群体智能中的粒子群优化算法应用到图像分割中,提出了一种新的图像分割算法.新方法基于最佳熵阈值分割技术,用粒子群优化算法自适应选取分割阈值.仿真实验针对Lena图像分割问题,将遗传算法与粒子群优化算法分别独立运行,对得到的阈值以及均值、方差进行了比较,并将运行时间作为算法复杂度的评价指标.统计结果显示,论文算法不仅能够对图像进行准确的分割,而且运行时间明显较短.仿真结果表明,基于粒子群优化的图像分割算法是可行的、有效的.     

多目标粒子群和人工蜂群混合优化的阈值图像分割算法

在图像分割中,为了准确地把目标和背景分离出来,提出了一种基于多目标粒子群和人工蜂群混合优化的阈值图像分割算法。在多目标优化的框架下,将改进的类间方差准则和最大熵准则作为适应度函数,通过粒子群和蜂群混合优化这2个适应度函数来获得1组非支配解。同时,为了提高全局和局部搜索能力,在蜂群进化时,将粒子群的全局最优解引入到人工蜂群算法的雇佣蜂阶段蜜源的更新中,并对搜索方程进行改进。最后通过类间差异和改进的类内差异的加权比值,从一组非支配解中选取最优阈值。实验结果表明,该算法能够取得理想的分割结果。     

改进的混合蛙跳算法及其在多阈值图像分割中的应用

针对混合蛙跳算法(Shuffled Frog Leaping Algorithm,SFLA)存在的计算复杂度高、优化效率不理想等问题,提出了一种改进的混合蛙跳算法(Improved Shuffled Frog Leaping Algorithm,ISFLA)。在原始 SFLA的基础上进行如下改进:首先,将其中每次只更新组内最差青蛙的方式改为更新组内所有青蛙的方式,这既增大了获得优质解的概率,又省去了调整组内迭代次数的步骤,从而提升了优化效率和可操作性;其次,将基于局部最优更新的方法和基于全局最优更新的方法融合为一种混合扰动更新方法,从而避免了复杂条件的选择步骤,进一步提升了优化效率;最后,去掉随机更新方式,以免优质解被破坏,从而提高了整体的优化性能。将 ISFLA 用于 CEC2005和CEC2015连续基准函数的优化测试和基于Renyi 熵的灰度和彩色图像分割的多阈值选择实验中,结果表明,与 SFLA 和state-of-the-art的LSFLA 相比,ISFLA 具有更高的优化效率,更适用于多阈值图像分割的阈值选择。     

基于GA的文本子主题切分中的参数优化研究

如何正确有效地确定文档的子主题边界对于自动文摘、问答系统等自然语言处理应用是非常重要的。然而多数文档中子主题之间没有明确的标记(如小标题),这给子主题的提取带来一定的困难。文章首先分析了利用TextTiling算法进行隐式章节划分的基本原理。同时考虑到算法中人工定义参数可能会对系统的指标产生影响,利用遗传算法对其进行了优化,自动获取的参数值使系统准确率提高了7.1%。实验表明遗传算法是一种非常简单有效的参数优化方法。通过该文方法获取的参数更加适合中文文档的隐式章节划分。     

改进的元启发式优化算法及其在图像分割中的应用

元启发式算法自20世纪60年代提出以后,由于其具有可以有效地减少计算量、提高优化效率等优点而得到了广泛应用.该类算法以模仿自然界中各类运行机制为特点,具有自我调节的特征,解决了诸如梯度法、牛顿法和共轭下降法等这些传统优化算法计算效率低、收敛性差等缺点,在组合优化、生产调度、图像处理等方面均有很好的效果.提出了一种改进的元启发式优化算法——NBAS算法.该算法通过将传统天牛须算法（BAS）离散化得到二进制离散天牛须算法（BBAS）,并与原始天牛须算法进行混合得出.算法平衡了局部与全局搜索,有效地弥补了算法容易陷入局部最优的不足.为了验证NBAS算法的有效性,将NBAS算法与二维K熵算法结合,提出了一种快速、准确的NBAS-K熵图像分割算法.该方法解决了优化图像阈值分割函数的优化算法易陷入局部最优、算法寻优个体数多、设计复杂度高所导致的计算量大、耗时长等问题.NBAS-K熵算法与BAS-K熵算法、BBAS-K熵算法、遗传K熵算法（GA-K熵）、粒子群K熵算法（PSO-K熵）和蚱蜢K熵算法（GOA-K熵）在Berkeley数据集、人工加噪图像以及遥感图像上的实验结果表明,该分割方法不仅具有较好的抗噪性能,而且具有较高的精度和鲁棒性,能够较为有效地实现复杂图像分割.     

基于混沌粒子群算法的多阈值图像分割

针对单阈值图像分割方法在求取比较复杂的图像时效果不理想及粒子群算法容易陷入局部最优且速度较慢等等问题,提出了基于混沌粒子群优化算法的多阈值图像分割方法。该方法利用混沌运动随机性、遍历性和初值敏感性,将混沌粒子群优化算法与多阈值法相结合作全局搜索,实验结果表明了基于混沌粒子群优化算法的多阈值图像分割法用于阈值寻优减少了搜索时间,并且运行时间不随阈值数目的增加而显著增加。     

群体智能算法在图像分割中的应用综述

图像分割的通用方法一直是图像处理领域中的热点和难点。随着人工智能的兴起和发展,群体智能算法成为当下热点研究的方向,将图像分割技术结合群体智能算法成为一种新型有效的改进方法。群智能算法通过模拟自然界的事物或生物的行动规律,将传统的人工智能和群体生物结合,在解空间中搜索最优解,为解决复杂问题提供了新的解决思路。阐述群体智能算法的研究现状和发展过程,将早期的蚁群算法（Ant Colony Optimization,ACO）、经典的粒子群算法（Particle Swarm Optimization Algorithm,PSO）以及较新的麻雀搜索算法（Sparrow Search Algorithm,SSA）为例详细介绍其算法原理方法,并简要表述蝙蝠算法（Bat Algorithm,BA）、鲸鱼优化算法（Whale Optimization Algorithm,WOA）、人工蜂群算法（Artificial Bee Colony Algorithm,ABC）、萤火虫算法（Firefly Algorithm,FA）、布谷鸟搜索法（Cuckoo Search,CS）、细菌觅食算法（Bacterial Foraging Optimization,BFO）和最新的蜉蝣算法（Mayfly Algorithm,MA）的原理,在此基础上,结合国内外文献对上述算法的改进方法和结合图像分割技术的综合改进及应用进行分析总结。将群体智能算法结合图像分割技术的代表性算法提取出来进行列表分析总结,随后概述总结群体智能算法的统一框架、共同特性、不同的差异并提出存在的问题,最后对未来趋势做出展望。