基于改进鱼群算法的多阈值图像分割

为了实现图像的有效分割,提出了一种基于改进鱼群算法的多阈值图像分割方法。引入领域搜索的思想对基本人工鱼群算法做了进一步改进;然后对最大熵函数进行全局优化,改进后的算法能够根据人工鱼的个体适应度大小和种群的分散程度自动调整鱼群控制参数,在保证群体多样性的同时加快了算法的收敛速度;最后得到分割图像的最佳阈值,克服了基本鱼群算法后期收敛性差、易陷入局部最优等问题。实验结果表明,所提算法能够获得较稳定、快速和准确的图像分割。     

基于改进人工鱼群算法的含噪图像分割方法

针对传统的图像分割方法计算量大、抗噪性弱等问题,将新型的智能仿生优化算法--人工鱼群算法（Artificial Fish Swarm Algorithm,AFSA）和小波变换有效地应用到图像分割中,并提出一种并行的阈值分割方法。采用合适的固定步长与自适应步长相结合的方法提高AFSA收敛速度,利用小波变换对小波系数进行阈值处理来提升图像信噪比。利用二维Otsu作为人工鱼群算法的适应度函数,以获得最优阈值。实验结果显示,该方法在分割质量和降噪方面较潘喆等人提出的方法有明显提高。     

基于直方图预处理与BF算法的含噪图像分割

图像中的噪声会直接影响图像分割质量,为快速、准确地识别含噪图像中的目标,提出一种基于直方图预处理与BF算法的含噪图像分割方法。该方法通过小波变换抑制图像中的噪声,分析增强图像的直方图特点以缩小分割阈值的分布范围,以二维最大类间方差为原则设计分割目标函数,利用BF算法快速搜索最优分割阈值。实验结果表明,该方法在收敛速度、稳定性和分割效果三个方面均优于基于遗传算法、人工鱼群算法等其他群体智能的分割方法。     

基于鱼群算法的图像阈值分割*

本文提出了一种基于鱼群算法的二维阈值图像分割的新方法。传统的二维Otsu方法考虑了图像的灰度信息和像素间的空间邻域信息,是一种有效的图像分割方法。针对Ostu方法的计算量大、运行时间长的缺陷,采用鱼群算法来搜索最优二维阈值向量,通过鱼群追尾行为获得最优阈值。实验结果表明,所提出的方法不仅能得到理想的分割结果,而且分割速度快。     

基于人工蜂群优化的二维最大熵图像分割

针对二维最大熵图像分割方法计算量大的问题,提出基于人工蜂群优化的二维最大熵图像分割算法。利用人工蜂群优化算法收敛快、避免局部最优、控制参数少等优点,将二维最大熵法最佳二维阈值视为最佳蜜源,实现基于人工蜂群优化的二维最大熵图像分割。实验结果表明,该方法的收敛速度较快、抗噪性较强。     

基于多目标人工鱼群算法的硅单晶直径检测图像阈值分割方法

为提高对硅单晶直径检测图像高亮光环的分割精度, 提出了一种基于多目标人工鱼群算法的二维直方图区域斜分多阈值分割方法.首先设计了一种多目标人工鱼群算法, 并且改进了快速构造Pareto非劣解集的方法, 然后以最大类间方差和最大熵同时作为测度函数, 搜索最优的二维直方图区域斜分分割阈值.仿真结果表明, 所设计的多目标人工鱼群优化算法具有较高的搜索精度, 硅单晶直径检测图像分割实验结果表明, 提出的改进二维直方图区域斜分多阈值分割方法对高亮光环具有较高的分割精度.     

引力搜索算法在多阈值图像分割中的应用研究

针对求解高维阈值图像分割计算复杂的问题,提出了一种基于引力搜索算法的多阈值图像分割方法,该方法以大津法（Otsu）设计为适应度函数,利用引力搜索算法快速搜索得到待分割图像的最优阈值,然后根据最优阈值进行图像分割。结合人眼视觉可知,引力搜索算法能够结合应用于图像分割,且能取得较好的效果。实验测试结果表明,该方法与布谷鸟算法、人工蜂群算法比较,引力搜索算法的收敛速度更快,寻优的阈值质量较高。     

基于改进的混合蛙跳算法机器人路径规划的研究

对于采用混合蛙跳算法进行机器人路径规划容易产生局部最优、收敛速度慢等问题,把人工鱼群算法融合到混合蛙跳算法。人工鱼群算法的追尾行为有利于加快收敛速度,群聚行为提高了跳出局部最优解的能力。把机器人路径规划问题转化为最小化问题,使用改进的算法对其进行优化,最终得到全局最优路径。仿真结果表明,与改进前的算法相比,改进后算法具有较强的全局寻优能力和较快的收敛速度。     

基于差分进化与模拟退火的人工鱼群算法研究

人工鱼群算法(AFSA)存在收敛精度低、易陷入局部最优、后期收敛速度慢等问题,因此难以得到精确的全局最优解。经过对人工鱼群算法、模拟退火(SA)算法和差分进化(DE)方法的研究,提出将SA算法和DE思想引入AFSA算法的后期搜索中,从而得到基于差分进化与模拟退火的人工鱼群算法(DESA-AFSA)。该算法首先通过鱼群算法搜索全局最优解;然后,在公告板最优记录的基础上,采用SA算法对全局极值满意解域进行局部优化,进而跳出局部极值。当SA算法的问题规模较大时,会降低寻优的最优值精度。因此,在SA算法中,通过DE操作增大个体差异性,凸显优秀个体,使优化值更接近最优解。仿真结果表明,与基于模拟退火的人工鱼群算法(SA-AFSA)和AFSA相比,DESA-AFSA在收敛速度、寻优精度和跳出局部极值的能力方面都有所改善,证明了DESA-AFSA的有效性。     

变步长自适应的改进人工鱼群算法

针对人工鱼群算法在函数优化中存在陷入局部最优、后期收敛速度慢及结果精度不高等问题,通过改进鱼群算法中觅食行为及自适应调整人工鱼步长,提出了一种变步长自适应的改进人工鱼群算法。证明了该算法的全局收敛性,从而增加了其理论基础。最后,10个标准函数测试结果表明,改进后的人工鱼群算法在跳出局部最优、收敛速度、精度和稳定性方面都优于原鱼群算法和萤火虫算法,在结果精度和稳定性方面优于文献[9,23,24]的方法。     

K-Means聚类算法和人工鱼群算法应用于图像分割技术

提出一种基于K-Means聚类的人工鱼群算法, 该算法利用人工鱼群算法鲁棒性较强且不易陷入局部最优值的特点, 动态的确定了聚类的数目和中心, 解决了K-Means聚类初始点选择不稳定的缺陷, 在此两种算法融合的基础上进行图像分割处理, 经试验证明该算法效果理想.     

配送中心选址问题的BFO-AFSA算法研究

以细菌觅食算法改进的人工鱼群算法为工具,提出了一种新的解决配送中心选址问题的群智能算法。细菌觅食算法改进的人工鱼群算法主要针对基本人工鱼群算法后期容易陷入局部最优的缺点,利用细菌觅食算法局部搜索能力强的特点,将细菌觅食算法中的趋化思想应用到基本人工鱼群算法中。通过算法测试可以看出,改进人工鱼群算法在搜索精度、可靠性、优化速度及稳定性方面相对于基本鱼群算法更有效。通过选址实例仿真可以看出,改进人工鱼群算法在解决配送中心选址问题上相对于基本鱼群算法更具优越性,改进人工鱼群算法能够寻找到更低的成本。     

A fast SAR image segmentation method based on improved chicken swarm optimization algorithm

Severe speckle noise existed in synthetic aperture radar (SAR) image presents a challenge to image segmentation. Though some traditional segmentation methods for SAR image have some success, most of them fail to consider segmentation effects and segmentation speed at the same time. In this paper, we propose a novel method of SAR image fast segmentation which is based on an improved chicken swarm optimization algorithm. In this method, the positions of the whole chicken swarm are firstly initialized in a narrowed foraging space. Secondly, the grey entropy model is selected as the fitness function of the improved chicken swarm optimization algorithm. Hence, the optimal threshold value is located gradually and quickly by virtue of the foraging behaviors of chicken swarm with a hierarchal order. Experimental results show that our method is superior to some segmentation methods based on genetic algorithm, artificial fish swarm algorithm in convergence, stability and segmentation effects.     

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。     

一种新颖的改进人工鱼群算法

针对基本人工鱼群算法(AFSA)在函数优化问题中存在的后期收敛速度慢、求解精度低和易陷入局部最优等缺点,提出了一种新的改进人工鱼群算法(IAFSA)。首先,使用混沌变换来初始化鱼群个体的位置,使鱼群更加均匀地分布在有限的区域内,保证种群具有多样性,利于全局收敛;其次,对觅食行为中具有不同函数值的人工鱼个体采取不同的视野策略,不仅提高了算法的寻优速度,而且有效地降低了鱼群陷入局部最优的可能性;最后,根据运动和体能之间的关系构建体能变换模型,在鱼群觅食的后期,体能开始变弱,这时适时地减小鱼群觅食、聚群和追尾行为中移动的步长可有效提高算法收敛的速度和寻优的精度。通过标准测试函数和14个城市的TSP对算法进行验证,仿真实验结果表明,相 比基本人工鱼群算法 ,改进后的算法具有更快的后期收敛速度和更高的求解精度。     

人工鱼群与微粒群混合优化算法*

针对人工鱼群算法局部搜索不精确、微粒群优化算法易发生过早收敛等问题,提出一种新的人工鱼群与微粒群混合优化算法。算法的主要思想是先利用人工鱼群的全局收敛性快速寻找到满意的解域,再利用粒子群算法进行快速的局部搜索,所得混合算法具有局部搜索速度快,而且具有全局收敛性能。最后,以五个标准函数和一个应用实例进行测试,测试结果表明,提出的算法在一定程度上避免了陷入局部极小,加快了收敛速度且提高了搜索精度。     

一种混沌人工鱼群优化算法

人工鱼群算法是一种群智能全局随机优化算法,存在陷入局部极值和效率低的不足,结合混沌搜索的特点,提出一种混沌人工鱼群优化算法,该算法是用混沌初始化来初始化鱼群,在聚群和追尾行为后进行混沌的遍历性和随机性扰动来使鱼群局部搜索同时摆脱局部极值点。仿真实验结果表明,该算法比基本人工鱼群算法全局能力更强,搜索效率更高。     

基于混沌粒子群和模糊聚类的图像分割算法*

模糊C-均值聚类算法(FCM)是一种结合模糊集合概念和无监督聚类的图像分割技术,适合灰度图像中存在着模糊和不确定的特点;但该算法受初始聚类中心和隶属度矩阵的影响,易陷入局部极小.利用混沌非线性动力学具有遍历性、随机性等特点,结合粒子群的寻优特性,提出了一种基于混沌粒子群模糊C-均值聚类(CPSO-FCM)的图像分割算法.实验证明,该方法不仅具有防止粒子因停顿而收敛到局部极值的能力,而且具有更快的收敛速度和更高的分割精度.