一种改进粒子群优化算法的Otsu图像阈值分割方法

阈值法分割图像时只利用图像的灰度信息,具有直观、实现简单的特点。针对传统的粒子群优化算法(Particle Swarm Optimization,PSO)分割图像易陷入局部最优的缺点,提出一种基于改进粒子群优化算法的Otsu图像阈值分割方法。以Otsu算法的类间方差作为适应度函数,在每次迭代中选取适应度较好的粒子同时加入新的粒子,以提高粒子多样性。实验表明,与Otsu算法和PSO算法相比,改进的粒子群优化算法不仅加快了收敛速度和运算速度,而且提高了图像分割的准确率。     

基于PSO与K-均值聚类算法优化结合的图像分割方法

为了提高图像分割的质量和效率,同时,针对粒子群优化算法（Particle Swarm Optimization, PSO）容易陷于局部最优和K-均值算法对初始聚类中心敏感的问题,本文将PSO和K-均值算法相结合,提出一种通过调整惯性权重和学习因子的优化算法。首先,对图像进行去噪预处理,并将处理后的颜色图像转换到HSV空间,以提高色彩质量。然后,改进粒子群算法中的惯性权重和学习因子公式及参数,避免陷入局部最优。最后,根据粒子的适应度切换到K-均值算法执行局部搜索,使聚类中心不断更新实现快速收敛。实验结果表明,在图像分割的过程中,改进的算法具有全局搜索能力强的优点,能够实现更快的收敛速度和更高的分割精度。     

基于PSO改进的OTSU图像分割方法

阈值的选取对图像分割后的效果起着至关重要的作用,本文针对图像分割过程中阈值选取的问题,提出了一种基于PSO优化的改进OTSU图像分割算法.该算法以最大类间方差作为PSO算法适应度函数,以当前分割阈值组合作为粒子的当前位置,阈值更新速度作为粒子的当前速度.通过迭代计算更新粒子位置和速度,最后确定图像分割的最佳阈值.与传统OTSU图像分割算法及基本遗传算法图像分割算法相比,该算法稳定性更好,算法效率更高.     

多阈值图像分割的模糊粒子群优化算法

把粒子群算法应用到多阈值图像分割中,结合已有的模糊C-均值聚类法提出了一种基于模糊技术的粒子群优化多阈值图像分割算法。FCM聚类算法是一种局部搜索算法,对初始值较为敏感,容易陷入局部极小值而不能得到全局最优解。PSO算法是一种基于群体的具有全局寻优能力的优化方法。将FCM聚类算法和PSO算法结合起来,将FCM聚类算法的聚类准则函数作为PSO算法中的粒子适应度函数。仿真实验表明新算法在最大熵评判准则下能够得到最优阈值。     

基于改进PSO的三维Tsallis熵图像分割

针对二维Tsallis熵图像分割不精确以及优化图像阈值分割函数的元启发式优化算法容易陷入局部最优这两个问题,提出了一种新的三维Tsallis熵阈值分割法以及一种新的改进粒子群优化算法。通过引入均值、中值、梯度三种因素,构建出三维直方图,并结合Tsallis熵理论提出了一种三维Tsallis熵阈值分割法。为了避免粒子群优化算法陷入局部最优,通过引入综合学习策略并改进粒子群优化算法的迭代方式,提出了综合学习改进粒子群优化算法。将提出的三维Tsallis熵阈值分割法与综合学习改进粒子群优化算法结合进行图像分割。与其他元启发式算法相比,综合学习改进粒子群优化算法能在低维环境下有效避免局部最优。实验结果表明相比于二维Tsallis熵阈值分割法,三维Tsallis熵阈值分割法分割效果更好,且具有更好的抗噪性能。由此可以表明综合学习改进粒子群优化算法结合三维Tsallis熵进行图像分割可以取得更好的结果。     

基于PSO的Markov随机场在医学图像分割中的应用

研究了应用粒子群优化算法（PSO）优化Markov随机场方法对磁共振图像进行分割的算法。建立了基于马尔可夫随机场的图像分割模型,针对马尔可夫随机场图像模型的局部相关特性和最大后验概率估计,将粒子群优化算法应用于该模型,快速获得图像分割目标的全局最优解。实验数据表明该方法的高效性。     

基于自适应CPSO算法的二维模糊熵图像阈值分割

由于PSO算法会出现虚假收敛或者早熟等现象,提出了一种自适应混沌粒子群算法(ACPSO)及其在图像分割中的应用。首先提出了一种改进的自适应粒子群优化算法(IAPSO)。然后在IAPSO的基础上,加入了混沌优化方法,用混沌变量来初始化粒子的位置和速度,并用新的无限折叠混沌映射对算法进行混沌变异,从当前群体中择优选择部分粒子进行混沌优化。最后将ACPSO算法应用到图像分割中。通过与最大模糊Shannon熵阈值分割法、基于基本PSO的最大模糊Shannon熵阈值分割法进行对比,验证了基于自适应CPSO算法的二维模糊熵阈值图像分割方法的性能更好。     

基于粒子群的图像分割

图像分割是图像处理的关键问题之一,为了能够快速有效地选取最优阈值进行图像分割,引入了粒子群算法（PSO）对阈值分割进行优化,提出基于PSO的最大熵图像分割,基于PSO的最大类间方差图像分割以及基于PSO的最小误差图像分割,并进行了分析和研究,可以得出该三种方法可以准确、快速地获取最优阈值进行图像分割。     

基于改进粒子群算法的图像闭值分割方法

针对图像提取问题,最优阈值选取是否合理对图像分割效果至关重要。在处理不同种类图像区域时,粒子群算法(PSO)由于早熟现象难以准确计算最优分割阈值,因此导致图像分割准确率低。为了提高图像分割准确率且准确地提取出图像目标,提出一种基于混沌粒子群算法(CPSO)的图像阈值分割方法。受益于混沌运行的遍历性、对初始条件的敏感性等优点,CPSO很好地解决了PSO的粒子群过早聚集和陷入局部最优等难题,加快了全局搜索最优解的能力。采用具体图像对CPSO算法图像分割性能进行仿真实验,结果表明,相比于其它图像分割算法,CPSO不仅加快了运算速度,提高了图像分割效率,而且提高了图像分割准确率,非常适合于图像实时分割处理。     

基于改进粒子群优化的模糊熵煤尘图像分割

针对基本粒子群算法易陷入局部最优和过早收敛的缺陷,提出权重因子自适应的粒子群算法,并对部分粒子进行Morlet变异操作,由此得到改进粒子群优化算法.将该算法和模糊熵相结合并用于图像分割,利用改进粒子群优化算法来搜索使模糊熵最大的参数值,得到模糊参数的最优组合,进而确定图像的分割阈值.通过与其他两种粒子群算法的分割结果进行比较,该算法取得了令人满意的分割结果,且算法运算时间较小,满足煤尘浓度实时精确测量的要求.     

一种混沌粒子群算法

针对传统的粒子群算法易陷入局部最小,且算法后期的粒子速度下降过快而失去搜索能力等缺陷,本文提出了一种基于混沌思想的新型粒子群算法。该算法通过生成混沌序列的方式产生惯性权重取代传统惯性权重线性递减的方案,使粒子速度呈现多样性的特点,从而提高算法的全局搜索能力;根据算法中粒子群体的平均粒子速度调节惯性权重,防止粒子速度过早降低而造成的搜索能力下降的问题;最后通过引入粒子群算法系统模型稳定时惯性权重和加速系数之间的约束关系,增强了粒子群算法的局部搜索能力。对比仿真实验表明,本文所提改进的混沌粒子群算法较传统粒子群算法具有更好的搜索性能。     

基于维正弦惯性权重和t变异的PSO算法

针对高维优化问题,随机初始化的粒子群算法中不同维的收敛情况不同,常用惯性权重不能很好地平衡全局搜索和局部搜索,且算法也易陷入局部最优。本文提出一种基于惯性权重维正弦调整和t分布维变异的粒子群优化算法,兼顾各维的收敛情况,较好地保持了种群的多样性。通过4个典型函数的测试,结果表明改进算法提高了收敛速度和精度。     

高斯差分变异和对数惯性权重优化的鲸群算法

针对鲸群优化算法在处理高维问题时存在收敛速度慢、容易陷入局部最优和收敛精度低等问题,提出一种基于对数惯性权重和高斯差分变异的鲸群优化算法。通过高斯差分变异对鲸鱼位置更新方程进行变异,增加了种群多样性,提高了鲸群算法的全局搜索能力,防止早熟现象发生;将对数惯性权重引入搜寻猎物阶段,平衡全局搜索和局部开发能力,提高了算法寻优精度。通过测试函数优化实验对算法进行测试,实验结果表明,改进算法具有更高的寻优精度和更快的收敛速度。     

基于绝对贪心和预期效率的0-1背包问题优化

With analysis and research the traditional theory of solving knapsack problem, and then to optimize enigmatical knapsack problems, this paper proposed a new algorithm based on the absolute greedy and expected efficiency strategy. Through the three sets of simulation experiments, it shows that the algorithm can solve a class of knapsack problems and it is superior to greedy algorithm, backtracking algorithm, dynamic programming algorithm, branch and bound algorithm. The convergence speed is ten times as the artificial glowworm swam algorithm by comparing with these two algorithms. Finally, it analyzed discrete degree of data and determined an adaptive scope of the algorithm.     

求解工程结构优化问题的改进布谷鸟搜索算法

针对布谷鸟搜索算法局部搜索能力不强的缺点, 提出一种基于随机局部搜索的改进布谷鸟搜索算法用于求解工程结构优化问题。引入惯性权重以平衡算法的勘探和开采能力; 利用随机局部搜索方法对当前最优解进行局部搜索, 以加快算法的收敛速度。两个工程结构优化问题的实验结果表明了该算法的可行性和有效性。     

基于禁忌搜索的动态粒子群算法

惯性权重线性递减的线性群粒子算法往往不能反映实际的优化搜索过程。动态粒子群算法虽然能较好地实现非线性的搜索,但是更容易陷入局部最优。提出了基于禁忌搜索的动态粒子群算法,引入了禁忌搜索的思想,来解决动态粒子群算法的容易陷入局部最优问题;并对禁忌公式进行了修改,使其不仅可以解决极小值最优问题,也可以解决极大值最优问题。根据实验结果,改进的算法不仅较好地避免了陷入局部最优,而且收敛速度也有提高。     

CW-PSO及其在古建筑传感器优化配置中的应用研究

针对粒子群优化算法容易陷入早熟收敛以及全局搜索和局部搜索平衡能力差等缺点,提出了基于余弦自适应调整惯性权重的粒子群优化算法(CW-PSO),并将其应用在木构古建筑传感器优化配置中。仿真结果表明,该算法在一定程度上避免了早熟收敛,提高了全局和局部搜索性能,又能得到较为精确的寻优结果。     

新型飞蛾火焰优化算法的研究

飞蛾火焰优化算法（Moth-Flame Optimization，MFO）是一种自然激励且易于实现的全局优化算法，在许多实际优化任务中表现出良好的性能。然而，MFO算法存在早熟收敛和容易陷入局部最优解的问题，针对这些不足，提出了一种Kent混沌动态惯性权值的改善飞蛾火焰优化算法（Ameliorative MFO，AMFO）。在AMFO算法中，引入Kent混沌映射搜索策略帮助当前最优解跳出局部最优；采用基于适应度值和迭代次数的动态惯性权值策略来平衡算法的开发和探索能力，以进一步提升MFO算法性能。在8个经典benchmark函数上验证AMFO算法的搜索精度和性能，并将其结果与标准飞蛾火焰优化算法、粒子群算法和差分进化算法进行比较，仿真结果表明AMFO算法具有较好的搜索性能。     

基于禁忌搜索的自适应粒子群算法

针对惯性权重线性递减粒子群算法不能适应复杂的非线性优化搜索过程的问题,提出了一种基于Sigmoid函数和聚集距离变化率改变惯性权重的方法。为了解决算法后期易陷入局部最优的缺点,在算法后期引人了具有记忆能力的禁忌搜索算法。改进后的算法不仅综合了粒子群优化算法的快速性、随机性和全局收敛性的优点,而且还具有禁忌搜索局部寻优的能力。测试函数仿真结果表明,改进后的算法不仅较好地避免了陷入局部最优,而且收敛速度也有提高。