基于邻域搜索JADE的二维Otsu多阈值图像分割

为进一步提高分割精度并加快分割速度,提出了一种基于邻域搜索可选外部存档自适应差分进行算法(简称为JADE-GL)的二维Otsu多阈值图像分割方案。首先,针对原始JADE算法精英突变策略收敛速度慢、容易陷入局部最优等问题,提出了基于邻域半径搜索的改进突变策略,以提升算法的全局探索和开发能力。然后,将所提算法与现有分割方法以及其他JADE变种算法进行二维Otsu多阈值分割对比实验。最后,通过函数收敛曲线、分割距离测度、峰值信噪比(peak signal to noise ratio, PSNR)等指标定量分析算法的性能。实验结果表明,随着阈值数增加,提出的算法无论在收敛速度、分割精度还是分割图像效果上都有显著提升。     

基于改进麻雀搜索算法的多阈值图像分割

针对传统多阈值图像分割方法中存在的分割精度低、计算量大、分割速度慢等问题,提出了一种基于改进麻雀搜索算法(improved sparrow search algorithm, ISSA)的多阈值图像分割方法。首先,结合鸟群算法(bird swarm algorithm, BSA)中飞行行为的思想优化麻雀搜索算法(sparrow search algorithm, SSA),并采用4种类型的基准函数评估ISSA的寻优性能。然后,进行基于类间方差和Kapur熵的多阈值图像分割,并对比两种方法的分割结果。最后,采用PSNR、目标函数值和标准差作为评估标准,将ISSA与现有分割算法进行对比分析。结果表明, ISSA具有更优的搜索能力和开拓能力,且分割速度和分割精度均得到提升。     

一种新的群集智能优化及其改进研究

研究一种新的群集智能优化算法—自由搜索(FS)算法。提出了该算法的改进策略,实时调整个体的邻域搜索半径和精英保留。用典型测试函数对FS的改进算法和微粒群算法(PSO)进行对比实验,实验结果验证了算法的正确性和高效性。该算法不仅在收敛精度、收敛速度方面较PSO算法有明显的提高,而且全局搜索能力更强。     

基于二维能量检测的舰船SAR图像阈值分割

鉴于传统阈值分割算法过于依赖背景杂波分布模型,以及在抗噪性、鲁棒性等方面的不足,文章通过改进传统能量检测算法的局部信杂比模型,提出了基于 λ检测的算法,解决了阈值不能自适应选择的问题。并针对图像存在大量相干斑及拖影时,算法处理能力不足的问题,考虑邻域像素均值 μ 将其拓展到二维,提出了基于二维能量检测的阈值分割法。最后,通过引入域内一致性、域间差异性和形状复杂度3个指标,与目前流行的最大熵阈值法以及改进的二维最大类间差法做对比实验,结果证明了本文算法简单有效。     

基于最大模糊熵原理的多阈值图像分割新算法

基于最大模糊熵准则,提出了一种新的多阈值图像分割算法。该算法通过定义一种简单的线性模糊隶属度函数,将图像模糊划分为若干个不同的区域;同时采用自适应遗传算法搜索最大模糊熵准则下图像的一组最佳分割阈值,并对遗传算法中的编码方式及交叉算子、变异算子进行了一些有益的改进,极大地减少了计算量和存储空间,加快了算法的搜索速度。通过仿真实验证明该算法对复杂图像良好的分割效果和较强的实时处理能力。     

基于二维直方图和粒子群优化的边缘检测

针对基于二维直方图的分割方法存在计算耗时的缺点,将群体智能中的粒子群优化算法应用到图像分割中,提出了一种新的边缘检测算法。新方法在定义的二维灰度空间中,利用粒子群优化算法自适应搜索最优解,并以此作为边缘检测算子的门限,阈值变换后便可得到表示原图像主要特征的分割结果。通过对水下图像处理的实验证明,该算法对简单背景的图像分割是有效的,和传统检测方法相比,具有更好的抗噪性能。     

基于区域分割的NSCT域SAR与全色图像融合算法

提出了一种基于多阈值分割和无下采样Contourlet变换(nonsubsampled Contourlet transform, NSCT)的SAR与全色图像融合算法。首先对降斑SAR图像作多阈值分割,并定义了区域均值比量测算子将SAR图像进行区域划分;然后采用NSCT对降斑SAR图像和全色图像进行多尺度、多方向分解,分解后的低频部分根据区域均值比量测算子进行区域融合,高频部分则采用区域与窗口邻域相结合的融合策略;最后对融合系数进行重构得到融合图像。实验结果表明,该算法的融合图像既可保持全色图像的空间分辨率,又可有效获取SAR图像的目标信息,融合效果优于小波变换法以及基于像素的NSCT法。     

基于优化熵函数二维最大熵阈值算法改进

根据熵函数在等概率场下取到最大值性质，对二维最大熵阈值法中的熵函数进行优化，将熵函数中对数和乘积运算简化为减法运算，得到目标函数具有意义明确、形式简洁、计算速度快的二维阈值自动选取方法。该法在保持二维最大熵阈值法对图像分割效果同时，又大大提高阈值选取速度，增强算法实时处理能力。这些结论正确性，既从理论推导过程中得到证明，也从对足迹图像分割的大量实验中得到验证。这种方法是保持二维最大熵阈值法分割效果不变、具有更快计算速度和实时处理能力、并在足迹图像分割中得到较好应用的一种自动阈值选取方法。     

基于改进的二维交叉熵及Tent映射PSO的阈值分割

最近提出的二维交叉熵阈值分割方法所依据的灰度级-平均灰度级直方图存在错分,且寻求最优阈值时,即使采用递推算法仍需遍历整个搜索空间,运行速度有待进一步提高。为此,本文给出改进的灰度级-梯度二维直方图,据此导出了相应的二维最小交叉熵阈值选取公式及其递推算法,并且采用改进Tent映射混沌粒子群优化(particle swarm optimization, PSO)算法搜寻二维最优阈值。大量实验及与现有二维交叉熵方法的对比表明,所提出的方法在计算最优阈值时尽可能考虑了所有目标点和背景点,从而使分割结果更加精确;而求取阈值因只需遍历其中小部分解空间,使运行时间约减少到原来的10%~40%。     

求解大规模多背包问题的高级人工鱼群算法

针对复杂的大规模多背包问题,提出了一种基于高级人工鱼群算法的求解方法。为了解决人工鱼群算法收敛速度慢、求解精度低的问题,所提算法通过改进其初始化方法,优化人工鱼个体的行为选择方式和追尾行为来加快问题求解的收敛速度;同时引入了动态视野及步长和人工鱼调整策略来提高算法搜索的精度。仿真实验表明:与现有的算法相比,所提算法不仅能快速收敛,而且可以达到更高的精度,尤其是对于规模越大的多背包问题算法性能提升越明显。     

基于动态分级策略的改进正余弦算法

针对正余弦算法存在易陷入局部最优、求解精度不高、收敛速度较慢等问题, 提出一种基于动态分级策略的改进正余弦算法。首先, 引入拉丁超立方抽样法, 将搜索空间均匀划分, 使初始种群覆盖整个搜索空间, 以保持初始种群的多样性。其次, 采用动态分级策略, 根据适应度值的排序情况, 将种群动态划分为好中差3个等级, 并应用破坏策略与精英引导方法对其进行扰动, 以提高算法的收敛精度, 增强跳出局部最优的能力。最后, 引入反向学习方法, 设计了动态反向学习全局搜索策略, 以提高算法的收敛速度，同时对改进算法在复杂度、收敛性和稳定性方面进行性能测试, 选取15个标准测试函数在低维和高维状态下进行仿真实验分析, 并与粒子群算法、回溯搜索算法和其他改进正余弦算法进行比较。仿真分析结果表明, 所提算法有效地提高了算法的收敛性和稳定性。     

雷达海杂波反演大气波导的改进回溯搜索算法

了克服基本回溯搜索算法在大气波导反演问题中出现的收敛速度慢、容易陷入局部最优的缺点,提出一种基于反向学习机制和正交交叉机制的改进回溯搜索优化算法。该算法利用反向学习机制来选择较好的初始化种群,而正交交叉机制用来帮助算法加强全局搜索能力,避免算法陷入局部最优,从而提高算法的精度。通过常见测试函数的优化问题以及大气波导的反演问题来检验算法的性能。结果表明,所提算法具有较高的精度和较快收敛速度。     

具有动态步长和发现概率的布谷鸟搜索算法

为了进一步改善算法搜索过程中存在的求解精度偏低、收敛速度缓慢等现象,提出具有动态步长和发现概率的布谷鸟搜索算法。该算法通过引入步长调整因子动态约束每一代种群的莱维移动步长,使算法的莱维飞行机制具有自适应性。在发现概率上,使用具有均匀分布和F分布特性的随机惯性权重,改变发现概率的固定取值,加强种群的多样性,保持算法全局搜索、局部探索之间的平衡状态。通过实验证明,所提算法具有良好的可行性,其寻优结果、收敛速度均有提高。     

改进布谷鸟算法在结构可靠性分析中的应用

在计算过程中,标准布谷鸟算法（cuckoo search algorithm,CS）中的参数是保持不变的,这影响了该算法的收敛性和计算精度。为了克服这一缺陷,首先探讨了标准CS中飞行步长和淘汰概率两个关键参数的变化规律对该算法全局搜索与局部搜索能力的影响,然后对这两个参数进行了自适应改进,同时,提出了一个具有全局最优导向的搜索方程以进一步提高CS的局部搜索能力和收敛速度。利用改进后的CS与人工神经网络响应面法相结合进行结构可靠性分析。算例分析说明,与标准CS以及粒子群算法和遗传算法相比,所提出的改进CS在进行结构可靠性分析中,能够有效地减少计算时间并提高解的精度。     

基于极坐标编码的改进人工鱼群算法

针对人工鱼群算法收敛速度慢、求解精度低及易陷入局部最优的问题,提出了一种改进的人工鱼群算法。为提高求解精度,算法采用极坐标编码形式增加单个母体解空间表达的多样性,在迭代求解过程中根据适应度值依概率调整极角,逐步降低观测结果的不确定性。通过对三种行为方式进行调整,去除影响搜索方向性的随机移动行为,将搜索重点集中在最优解邻域内,有效降低算法重搜索的可能性,以提高算法的收敛速度。实验结果表明,该算法在收敛性和稳定性上优于基本人工鱼群算法、自适应人工鱼群算法和生境人工鱼群算法,验证了算法的有效性。     

基于粒子群算法的抽油机故障诊断研究

提出了一种动态改变学习因子的粒子群算法,用以保证在粒子群优化算法的初始阶段,使粒子在进化初期仔细地在自身的邻域内搜索,防止粒子快速向局部最优解汇聚而错过自身邻域内可能存在的全局最优解,而在进化后期,使粒子快速、准确地收敛于全局最优解,提高算法收敛速度和精度。利用改进后的粒子群算法优化神经网络的权值和阈值,并把优化后的神经网络应用到抽油机故障检测中,结果表明用改进后粒子群算法优化的神经网络对抽油机进行故障诊断较传统BP算法更具准确性与快速性。     

一种新的免疫进化算法及其性能分析

基于免疫系统中的进化机理，提出了一种免疫进化算法。首先引入了邻域概念，并通过定义扩展半径和突变半径两个新算法参数而构造了较小和较大两个邻域。进而给出了扩展和突变操作分别利用这两个邻域进行局部和全局搜索，实现了从全局到局部的两层邻域搜索机制。分析了算法的优化机理和收敛性。仿真结果表明该算法具有不易陷入局部最优、解的精度高、收敛速度快等优点。     

具有广泛学习策略的回溯搜索优化算法

回溯搜索优化算法(backtracking search optimization algorithm, BSA)是一种新型的进化算法。同其他进化算法类似,该算法仍存在收敛速度较慢的缺点。针对这一问题,在详细分析该算法原理的基础上,提出了具有广泛学习策略的改进算法。为了充分利用种群搜索到的较优位置,该策略首先利用提出的最优学习进化方程,通过与引入的随机进化方程之间随机选择来提高算法的收敛速度和搜索精度;另一方面,该策略利用提出的最优学习搜索方程,通过控制种群的搜索方向,促使种群尽快收敛至全局最优解。最后对20个复杂测试函数进行了仿真实验,并与其他3种目前流行的算法进行了比较,统计结果和Wilcoxon符号秩检验结果均表明,所提出的改进算法在收敛速度以及搜索精度方面具有明显优势。