一种改进型边缘检测的混合量子遗传算法

图像边缘包含非常重要的图像信息,针对图像处理中的模糊边缘检测存在的缺陷,将免疫学中的克隆选择理论引入量子遗传算法,利用这种新的混合量子遗传算法对图像阈值进行优化得到最佳阈值,改进模糊边缘的检测算法。通过测试图像的边缘检测结果表明,该算法具有较好的检测模糊边缘和抑制噪声能力,用于边缘检测能获得良好的效果。     

改进遗传算法在图像边缘检测中的应用

由于经典的边缘检测算法都存在着一定应用范围的局限性,为此提出了一种改进遗传算法.借助费用函数的边缘检测方法,将遗传算法应用到图像边缘检测中.提出了一种新的染色体编码方案,省去了传统的解码过程,同时该算法融入禁忌搜索算法,其局部搜索能力较标准遗传算法有很大提高.实验结果表明,利用该算法进行图像边缘检测,稳定性好、收敛速度快,能较快地收敛到全局最优解或近似全局最优解,且能有效避免局部最优.     

量子遗传算法研究现状

Quantum Genetic Algorithm (QGA)is the combination of quantum computation and genetic algorithm. In this paper, actuality of research on QGA is summarized. QGA and Multi-universe Parallel Quantum Genetic Algorithm (MPQGA)are discussed in detail. Application progenies in respective regions are introduced. The subsequent research on QGA is also prospected.     

量子衍生图像边缘检测方法

利用量子比特表示图像像素的灰度,用双量子位叠加态来描述两像素之间的关联,通过线性厄米算符在该量子叠加态中的平均值来判断像素的边缘特征,由此建立了一种新的图像边缘检测方法,并从概率论的角度对该方法的合理性给予解释。理论和计算机仿真结果均表明该方法具有视觉补偿功能,能检测出图像中高亮度和低亮度区域的灰度微弱变化引起的边缘效应。     

实数编码混沌量子遗传算法

基于量子位的混沌特性和相干特性,提出一种实数编码混沌量子遗传算法（RCQGA）．该算法在解空间内将实数染色体通过反向变换映射到量子位,采用量子位概率指导的实数交叉与混沌变异相结合的方法对实数染色体进行演化搜索．实验结果表明,RCQGA不仅可以有效避免二进制编码QGA早熟收敛的缺点,而且可以减少寻优的计算复杂度,具有收敛速度快、稳定性好、寻优能力强、精度提高容易等优点,适用于工程应用中的复杂函数优化问题．     

量子遗传算法及其在多用户检测中的应用

量子计算与遗传算法相结合的量子遗传算法是当今计算智能领域的一个前沿课题。文章从研究遗传算法在并行实现上的困难和改进方法出发,探讨了量子计算与遗传算法结合的理论基础,分析了量子遗传算法的理论和结构,最后提出了一种基于量子遗传算法的多用户检测方法。仿真结果表明,基于量子遗传算法的多用户检测器抗多址干扰的能力明显优于经典遗传算法多用户检测器。     

混合量子遗传算法及其性能分析

首先比较了带量子门更新和群体灾变的量子算法(QA)以及加入对量子位的交叉和变异操作的量子遗传算法(QGA);然后结合量子搜索和传统遗传搜索提出了混合量子遗传算法的框架,并给出了基于二进制编码的混合量子遗传算法(BQGA)和基于实数编码的混合量子遗传算法(RQGA).基于典型问题的数值仿真和比较表明,RQGA的性能明显优于其他算法,对参数和初值具有较好的鲁棒性.     

量子衍生形态学图像边缘检测方法

提出了一种基于量子测量和坍缩的自适应形态运算。该形态运算的结构元素处于叠加态,在结构元素平移的过程中,由平移点邻域的图像局部特征生成测量算子并对该结构元素进行测量使其坍缩到相应的基态—传统结构元素。由于不同像素点的邻域特征不同,从而形成自适应形态运算。一种基于均方差的测量算子生成方法被提出。计算机仿真实验表明由该形态运算所构成的图像边缘检测算子能从噪声干扰的图像中有效地检测出图像边缘。     

遗传算法优化的形态学边缘检测算子

图像边缘检测通常是以类似于素描图的图像表达出物体的要素和特征,其任务是使图像边缘准确定位和抑制噪声.本文在传统形态学算子基础上提出了一种遗传算法优化的形态学Top-Hat算子.实验结果表明,与传统的边缘检测算法相比,该算法不仅具有较强的边缘提取能力.而且通过合理选择结构元素能明显降低噪声对检测结果的影响.准确检测出图像边缘.     

遗传算法优化的形态学边缘检测算子

图像边缘检测通常是以类似于素描图的图像表达出物体的要素和特征,其任务是使图像边缘准确定位和抑制噪声。在传统形态学算子基础上提出一种遗传算法优化的形态学Top—Hat算子。实验表明。与传统的边缘检测算法相比,该算法不仅具有较强的边缘提取能力,而且通过合理选择结构元素能明显降低噪声对检测结果的影响,准确检测出图像边缘。     

并行混合遗传算法在车间调度问题的应用

结合先后表编码和完全活动调度概念,设计了基于先后表的完全活动调度算法PLFA,该算法能将可行解与不可行解转化为完全活动调度。并将PLFA算法与遗传算法结合,提出了一种并行混合遗传算法,初始种群由PLFA G-T算法产生,其产生的解都是完全活动调度,采用LOX的交叉算子与基于PLFA G-T算法的变异算子,并使用主从模型的并行遗传算法模型。最后JSP基准实例验证了算法的有效性。     

改进的蚁群算法在图像边缘检测中的应用研究

针对传统的蚁群边缘检测算法耗时长的问题,提出基于邻域中节点梯度计算启发式信息值的方法。该方法能够更快更好地引导蚂蚁向边缘节点进行移动,减少耗时。同时,还引入模糊C均值算法,用以确定蚁群算法中信息素阈值,使其更加准确合理,更精确地判断边缘节点。实验表明,该改进算法能够减少耗时,有效地抑制噪声,并能更加有效、精确地检测出图像的边缘。     

一种改进的混合遗传算法

针对遗传算法爬山能力差的弱点，对传统的遗传算法进行改进，构造出新的重组策略，提出用禁忌搜索作出变异算子，对典型函数的测试表明，改进的遗传算法提高了遗传算法的爬山能力。     

混合遗传算法在柔性系统动态调度中的应用研究

本文研究了柔性制造系统实时生产环境下的动态调度问题.提出了基于动态数据库技术的动态调 度系统的框架结构.动态数据库中存储着问题的数据结构,包含工件相关类与机器相关类信息.动态数据库能 够随着生产的进行及时进行更新.扰动发生后,遗传算法根据动态数据库所提供的更新后的调度任务数据,快 速产生新的优化调度方案.通过在遗传算法中嵌入约束解决机制确保遗传算法适应约束的能力,从而提高算 法的收敛速度与精度.仿真实验证实了方案的有效性.     

基于自适应形态学边缘检测的时频检测算法

针对通信对抗中跳频信号的检测问题,提出一种基于自适应形态学边缘检测的时频检测算法。该算法把跳频信号的时频谱图SP(Spectrogram)视作一幅图像,首先利用多尺度结构元素对其滤波,再根据图像边缘方向自动选择相应方向的结构元素进行边缘检测,最后通过与设定的阈值比较判决跳频信号是否存在。仿真结果表明,此算法可以有效去除噪声和干扰信号,增强跳频检测系统鲁棒性、提高检测效率。     

遗传聚类算法在基于网络异常入侵检测中的应用

传统的入侵检测方法在面对多变的网络结构时缺乏可扩展性,而且在未知的攻击类型面前也缺乏适应性。因此,提出一种新的检测方法——基于遗传聚类的网络异常检测（NAIDGC）算法。对聚类中心采用二进制编码,把每一个点到它们各自的聚类中心的欧几里得距离的总和作为相似度量,通过遗传算法寻找聚类中心。计算机仿真结果显示了此算法对入侵检测是有效的。     

基于量子遗传算法的图像分割

针对基本遗传算法的稳定性较差、存在未成熟收敛和易陷入局部最优解的问题,将量子计算与遗传算法进行融合,较好地解决了传统的多阈值图像分割方法中运算量大的问题.实验结果表明量子遗传算法用于阈值寻优减少了搜索时间,提高了收敛效率.     

一种基于膜计算的梯度边缘检测算法

针对传统边缘检测算法的不足,提出一种以组织型P系统为框架的梯度边缘检测算法。采用一个两层膜结构,即表层膜与基本膜,使用转运规则实现各基本膜间的对象交换与共享。该算法逼近强度函数的梯度方向,基于梯度进行边缘的检测,并通过经典边缘检测算子的对比实验,实验结果表明所提出的边缘检测方法具有较好的有效性。     

一种基于形态学的边缘检测算法

在对含有噪声图像进行边缘识别时,为了提高识别精度,提出一种基于形态学的边缘检测算法。准备两种不同尺度的形态学结构元素,并对图像进行形态学降噪处理;用不同类型的形态学结构元素对处理后的图像进行边缘检测,获得不同结构元素下的边缘图像;根据每张边缘图像的信息熵来确定权值,并将这些边缘图像按照比例进行合成。这样,即使在有噪声干扰的条件下也能获得较为理想的图像边缘。实验结果展示了该算法相对于其他边缘检测算法的优势,突出其在保持图像边缘清晰的同时还具有较强的噪声去除能力,有力地说明了该算法的有效性和实用性。     

一种医学图像的边缘检测算法

提出一种改进的医学图像边缘检测方法.利用图像四叉树分解技术和模糊形态学的思想,根据图像像素点方向的不同性,构造不同方向不同尺度的结构元素对边缘像素进行模糊形态学运算,进而检测到图像边缘.实验结果表明,算法提取的边缘能够精确地显示物体的内部细节信息,较好地解决了抑制噪声和保留精细边缘之间的矛盾,与其它边缘检测算子相比是一种较实用的边缘检测算法.