基于改进麻雀搜索算法的最大指数熵分割方法

为了解决基本麻雀搜索算法(sparrow search algorithm,SSA) 依赖初始种群和求解精度不高的问题,提出一种基于Circle混沌映射和随机游走的改进的麻雀优化算法(improved sparrow optimization algorithm,CRSSA) 。该算法为了增强麻雀种群的多样性,在麻雀初始阶段引入混沌Circle 映射; 采用随机游走对最优麻雀进行扰动,使其在麻雀寻优后期,增强算法全局搜索能力,跳出局部最优。同时选取15个测试函数对其算法进行性能测试。结果表明：与原始的SSA 、蜉蝣算法(mayfly algorithm,MA) 、粒子群优化算法(particle swarm optimization algorithm,PSO) 、鲸鱼优化算法(whale optimization algorithm,WOA) 和灰狼优化算法(gray wolf optimization algorithm,GWO) 相比,改进的麻雀搜索算法具有寻优速度快、求解准确度高和鲁棒性强等优点。将该方法应用在多阈值图像分割中,通过对比不同算法的峰值信噪比(peak-to-signal ratio,PSNR)、结构相似性(structural similarity index,SSIM)、适应度函数值和运行时间性能指标,可有效解决多阈值分割问题,具有一定的工程应用价值。     

基于改进灰狼算法的并网交流微电网经济优化调度

为了提高微电网的日运转经济效益,本文构建了并网模式下交流微电网运转结构图,建立了并网模式下交流微电网日优化经济调度数学模型,该模型包含有多个子目标函数、多个约束条件。针对传统灰狼优化算法无法很好均衡算法的全局寻优能力和局部寻优能力,寻优精度差的问题,引进一种基于非线性变化的收敛因子均衡算法的全局寻优能力和局部寻优能力,从而提高灰狼算法的寻优精度。采用改进的灰狼算法和原始灰狼算法对四个基准测试函数进行仿真,实验结果表明改进灰狼算法相较于原始灰狼算法能够获得更优解,初步证实了改进灰狼算法的可行性及优越性,再将改进灰狼算法和原始灰狼算法分别应用于并网模式下交流微电网日优化数学模型求解,通过对仿真结果对比分析,证实了改进灰狼算法的确能够更好的提高并网模式下交流微电网的日运转经济效益。     

一种基于差分进化和灰狼算法的混合优化算法

针对差分进化易陷入局部最优和灰狼算法易早熟停滞的缺点,提出了一种基于差分进化(DE)算法和灰狼(GWO)算法的混合优化算法(DEGWO)。该算法利用差分进化的变异、选择算子维持种群的多样性,然后引入灰狼算法与差分进化的交叉、选择算子进行全局搜索。在整个寻优过程中,反复迭代渐进收敛。选取此3个测试函数进行仿真验证,结果表明,混合优化算法相比于DE算法和GWO算法,其求解精度、收敛速度、搜索能力都有了显著提高。     

基于改进灰狼优化与支持向量回归的锂电池健康状态预测

为了提高锂电池健康状态(SOH)的预测精度,将改进的灰狼优化(IGWO)算法与支持向量回归(SVR)相结合,提出了一种基于改进灰狼优化和支持向量回归(IGWO-SVR)的联合算法。该算法的核心思想是运用改进的GWO算法解决SVR模型中的参数联合寻优问题。IGWO-SVR随机产生1个灰狼种群,灰狼个体的位置向量由SVR模型的3个参数C,σ,ε组成。根据每只灰狼的位置信息进行学习,并计算适应度。按照适应度值对狼群进行分级,对灰狼个体位置进行更新,然后进行差分进化操作,选择优秀个体进入下一代种群,重新计算灰狼个体在新位置的适应度。迭代过程结束后,提取狼群中适应度最优的灰狼位置信息作为最终的SVR模型参数进行训练。在美国国家航空航天局(NASA)锂电池数据集上的实验表明了所提SOH预测方法的有效性。     

基于改进蜉蝣算法优化多阈值图像分割

针对图像多阈值分割中存在分割效率低、计算时间长以及精度不高等问题,提出了一种基于改进蜉蝣算法的多阈值图像分割算法。首先,在初始化阶段引入类随机采样方法中的 Sobol 序列,增强种群的遍历性和多样性;其次,提出一种自适应非线性惯性权重,平衡了全局与局部寻优能力,提高了算法的收敛效率,利于种群向最优解逼近;最后,采用指数熵作为计算适应度的目标函数,通过改进蜉蝣算法对图像分割的多阈值组合进行寻优,确定最优分割阈值。为了验证该改进算法的有效性,选择了伯克利图像来进行分割验证,并与其他智能算法进行比较。实验结果表明：该改进算法在分割准确性、计算时间、SSIM和PSNR上均优于对比算法,能快速有效地解决复杂多目标图像的多阈值分割问题,具有较强的工程实用性。     

递推人工蜂群的模糊划分熵多阈值分割算法

针对图像分割中模糊划分熵算法在多阈值选取时存在的效率低、计算重复的问题,提出了一种递推人工蜂群的模糊划分熵多阈值分割算法(RAFPEA).首先选择附加边界条件及灰度权重的隶属函数来构建图像的模糊熵模型,并将该模型中不同变量的组合计算转化为递推过程,进而保存此过程中不重复的瞬间递推值,然后引入人工蜂群算法,利用预存的递推结果来计算蜂群寻优时的个体适应度值,从而减少重复计算,达到快速寻优的目的.实验结果表明:RAFPEA的均一度与精确的穷举模糊划分熵法相同,但运行时间仅为穷举、遗传的模糊划分熵算法的5％;随着阈值数量的增加,运行时间稳定不变,在确保精度的前提下,可高效地对图像进行多阈值分割.     

遗传算法在自动阈值图像分割中的应用研究

本文在分析最大类间方差法原理的基础上,提出一种简捷的自动阈值选取的图像分割算法,该方法把图像分割最佳阈值选取转换成优化问题,利用遗传算法的寻优高效性,将遗传算法引入求解最佳阈值,实现图像分割。实验证明,新算法不仅分割质量好,而且高效可靠,极大地缩短了寻优时间。     

基于蛙跳算法与Otsu法的图像多阈值分割技术

 为了快速准确地确定多阈值图像分割中的最佳阈值,提出了一种基于蛙跳算法与Otsu法相结合的多阈值图像分割方法.该方法将多阈值求解看作一种多变量的组合求解优化问题,利用多阈值Otsu法设计分割目标函数,将新兴的仿生学优化求解算法——蛙跳算法引入到图像分割技术中,通过蛙跳算法中全局搜索和局部搜索相结合的搜索机制并行求解多个阈值.实验结果表明,该方法与基于人工鱼群算法的图像多阈值分割方法相比,明显提高了图像分割速度和分割质量.     

融合多策略的黄金正弦灰狼优化算法

【目的】为解决灰狼优化算法(grey wolf optimization, GWO)收敛精度不高,收敛速度较慢和易陷入局部最优等不足,提出一种融合多策略的黄金正弦灰狼优化算法(golden sine grey wolf optimization, G-GWO)。【方法】首先,利用非线性调整收敛因子、动态调整比例权重和引入黄金正弦策略对GWO算法进行改进;然后,选取三类基准测试函数进行寻优实验,并与GWO算法、其他智能优化算法和其他改进GWO算法进行对比,从寻优的收敛精度、鲁棒性和收敛速度方面验证G-GWO算法的优越性;最后,建立板料冲压成形工艺参数与质量参数的BP神经网络(BP neural network, BPNN)代理模型,选用8种算法分别优化BP神经网络的权值和阈值,对比优化后的代理模型精度,验证G-GWO算法在实际工程应用中的有效性。【结果】G-GWO算法在三类基准测试函数的收敛精度、鲁棒性和收敛速度较其他算法均有较大优势,优化后的代理模型最大减薄率相对误差为3.47%,最大增厚率相对误差为4.99%。【结论】改进策略能提高GWO算法的性能,这可作为建立高精度代理模型和后续的...     

基于改进莱维飞行的狼群算法及其在翼型气动优化设计中的应用

智能种群算法在翼型气动优化领域获得越来越多的关注。提出了一种基于改进莱维飞行的狼群算法,并对其寻优性能进行了测试和验证。为平衡算法的局部搜索和全局搜索能力,将局部搜索性能强但易早熟的狼群算法与莱维飞行相结合,在增加收敛速度的同时,保证算法的全局搜索能力。为克服原始莱维飞行效率低、精度差的缺陷,引入高斯核函数自适应调节莱维飞行的搜索步长,以增加其搜索效率;引入四元法,以增加其搜索精度;通过标准测试函数和标准翼型气动优化设计算例验证,表明改进算法在优化效率和全局寻优能力方面均优于原始算法。     

基于改进灰狼优化算法的医学数据特征选择应用研究

针对灰狼优化算法收敛速度慢、寻优精度低、易陷入局部最优等缺陷,提出一种基于差分进化(DE)的灰狼优化算法(GWODE).该算法在灰狼优化算法的基础上,引进差分进化机制生成变异种群,通过调节缩放因子和交叉概率因子避免算法陷入局部最优.引入精英保留策略,根据进化后狼群适应度进行排序,淘汰适应度差的灰狼,同时再引进相同数量灰狼确保种群的竞争力.本文将该算法应用于生物医学诊断方面.实验结果表明,本文提出的算法性能优于实验对比的特征选择算法.     

基于改进麻雀搜索算法的森林火灾图像多阈值分割

为了减少森林火灾对人们的生活和生态环境带来巨大的损失和破坏,采用图像处理技术对森林火灾进行精准定位和预判,可以有效地降低火灾的扩大和蔓延。针对火灾图像大津法分割算法计算量大、运行时间长和阈值选取不够准确导致分割精度不高等缺点,提出精英反向学习-莱维飞行策略的麻雀搜索算法,并将其有效地应用到指数熵多阈值图像的分割中进行寻优,通过研究最佳阈值对森林火灾图像进行合理的分割,并与其他三种指数熵多阈值图像分割算法进行了对比分析。结果表明:改进麻雀搜索算法的森林火灾图像多阈值分割技术能够及时获得火灾图像分割的最佳阈值,其分割的准确性、实时性和抗噪性均明显优于现有的灰狼算法、粒子群算法和鲸鱼算法,能够为图像处理的工程应用提供一种较好的阈值分割技术。     

基于灰狼优化算法的孪生支持向量回归机

为了解决孪生支持向量回归机的参数寻优问题,提出了一种基于灰狼优化算法的孪生支持向量回归机。该算法将均方根误差和平均绝对误差作为灰狼优化算法的适应度函数,借助灰狼优化算法的全局寻优能力,以目标范围内生成狼群的位置代表不同的孪生支持向量回归机参数取值,通过有限次数迭代和灰狼优化算法的位置更新机制得到孪生支持向量回归机的最优参数。实验结果表明,该算法能够找到合适的参数;与现有算法相比,该算法的预测性能更佳,寻优时间显著缩短。     

WSN中基于灰狼和乌鸦搜索算法的簇头选择路由方案

针对无线传感器网络的节点吞吐量低、生命周期短和延迟时间长等问题,提出一种基于灰狼和乌鸦搜索混合优化算法的簇头选择路由方案,该方案综合考虑节点剩余能量、节点间距离和传输延迟等因素,采用基于灰狼优化(Grey Wolf Optimization, GWO)和乌鸦搜索(Crow Search Algorithm, CSA)混合优化算法选择簇头,实现能量均匀利用,提高网络预期寿命.混合算法充分利用CSA算法的全局寻优和GWO算法的局部开发能力,提高了簇头选择过程中最优解的精度和可靠性.实验结果表明:本文提出的方案簇头选择性能良好,在吞吐量、传输速率和网络寿命方面比其他对比算法更具优势.     

基于多策略融合灰狼优化算法的特征选择方法

针对基本灰狼优化算法(grey wolf optimizer,GWO)在求解复杂优化问题时存在解精度低、探索与开发能力不平衡、收敛速度慢和易陷入局部最优的缺点,提出一种基于多策略融合的改进灰狼优化算法.首先,设计一种基于正弦函数的非线性过渡参数策略替代原灰狼优化算法中的线性递减策略,以实现算法从勘探到开发的良好过渡;其次,利用个体自身历史最佳位置和决策层个体共同引导群体进行搜索,以加速算法收敛速度和提高寻优精度;然后,在当前最优灰狼个体上引入小孔成像学习策略产生新的候选个体,以降低算法陷入局部最优的概率.选取6个基准测试函数进行数值实验.结果 表明:改进算法在求解精度和收敛速度指标上均优于其他比较算法.最后,将改进算法用于求解特征选择问题,对10个基准数据集的仿真结果表明,改进算法能有效地提高分类精度和选择最优特征.     

基于改进贝叶斯优化算法的图像分割方法

图像分割是图像处理和计算机视觉的重要研究领域.在此将基于免疫机理的改进贝叶斯优化算法应用于图像分割,利用其较好的寻优能力搜索到图像的最佳阈值,达到较好的图像分割效果,并拓展了算法的应用领域.仿真结果表明,改进贝叶斯优化算法可以获得更好的图像分割效果及更低的计算量.     

基于混沌粒子群优化算法的二维熵图像分割方法

针对二维熵图像分割方法在求取最佳阈值时存在计算量大及微粒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二维熵图像分割方法。该方法考虑了图像中像素点灰度——邻域灰度均值对作为阈值对图像进行分割;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阈值法相结合在二维空间作全局搜索。实验结果表明了基于混沌粒子群优化算法的二维熵图像分割法用于阈值寻优减少了搜索时间,提高了收敛率。     

基于CGWO算法的边坡最小安全系数全局寻优方法

针对基本灰狼算法存在初始种群不均匀、早熟收敛等问题,基于混沌理论从三个方面对灰狼优化(grey wolf optimization, GWO)算法进行改进,提出了混沌灰狼优化(chaotic grey wolf optimization,CGWO)算法用于确定边坡的最小安全系数.首先,采用改进Tent混沌映射提高初始种群多样性;其次,通过混沌扰动策略避免算法陷入局部最优;最后,引入参数混沌非线性调节机制均衡算法的全局开发和局部勘探算力.13个基准测试函数的仿真结果表明,改进后的算法与基本GWO,WOA,PSO以及SCA相比具有更强的综合寻优性能.选取ACADS边坡考核题进行计算分析,CGWO算法表现出较高的计算精度和收敛速度,能够有效地搜索到复杂分层边坡的最小安全系数.对比有限元强度折减法,该方法具有操作简易、搜索区域易于设置等优点.     

改进乌鸦算法的二维Tsallis熵多阈值图像分割算法

针对二维Tsallis熵在多阈值图像分割算法中计算量大、计算时间长等问题,提出一种基于改进乌鸦搜索的二维Tsallis熵多阈值图像分割算法。在乌鸦位置更新过程中引入Levy飞行机制,提高全局寻优能力;根据迭代次数自适应调整尺度系数,限制Levy飞行的搜索范围,加快算法收敛速度;将改进乌鸦搜索算法与二维Tsallis熵结合,减少计算时间、提高分割精度。以经典伯克利分割数据库中的图像为例进行分割实验,结果表明,与其他经典算法相比,改进乌鸦搜索算法分割图像收敛速度快、计算时间短、分割准确度更高。     

基于社会等级淘汰机制的GWO_PSO算法

灰狼优化(Grey wolf optimizer,GWO)算法是一种近年提出的新的群智能优化算法,为了解决其寻优精度低以及收敛速度慢的缺点,该文提出一种灰狼-粒子群智能优化(Grey wolf optimizer_particle swarm optimization,GWO_PSO)算法.采用混沌算法中的Logist...