自适应量子免疫克隆算法及其收敛性分析

分析量子免疫克隆算法的基本原理,在此基础上,设计一种具有自适应学习的改进策略,该算法采用量子观测熵来度量算法的进化程度,并根据熵的变化自适应调整相应参数,从理论上证明该算法的收敛性,并且通过实验,比较世子免疫克隆算法、简单免疫克隆算法、量子进化算法的函数优化效果,仿真实验表明该算法能提高计算效率和搜索能力.     

量子协同免疫动态优化算法

基于协同策略和量子免疫计算理论,提出量子协同免疫动态优化算法,并从理论上证明算法的全局收敛性.该算法采用量子比特编码表达种群中的抗体,并采用量子旋转门和动态调整旋转步长策略来演化抗体,加速原有克隆算子的收敛.该算法中引入协同策略增强子群体间的信息交流,提高种群的多样性,同时利用量子编码种群的关联性,使算法具有更强的稳定性,能够较好地适应于动态问题的求解.文中通过一系列动态背包测试问题和交叉验证(t检验)实验表明,量子协同免疫动态优化算法具有更强的鲁棒性和适应性,显示出较优越的性能.     

基于克隆选择和多重空间构造的彩色图像分割

该文提出一种基于克隆选择和多重空间构造的彩色图像分割方法。该方法首先将一些常见的颜色分量分为亮度成分、单频光谱成分、双频光谱成分、多频光谱成分,利用主分量分析技术(PCA)分别对其进行计算,得到最具有识别能力的颜色分量来构造多重颜色空间;然后利用克隆选择算法对样本进行自学习,得到全局最优的聚类中心;最后用得到的聚类中心对图像进行分割。由于该文的方法结合了克隆选择算法的非线性分类能力,通过对彩色图像自适应的构造最佳多重空间,能够快速准确地得到分割结果,克服了传统分割方法使用固定颜色空间以及容易陷入局部最优的缺点。通过实验表明,该方法对彩色图像同质区的分割均匀,边缘保持度好。此外,新方法对彩色图像的亮度和纹理变化不敏感,鲁棒性较强。