基于改进蚁群算法的图像分割

为了对图像进行准确的分割,提出了一种基于改进蚁群算法的图像分割。对图像分割中的边缘分割法、传统蚁群算法和改进后的蚁群算法进行了分析,对图像分割结果进行了比对,对传统蚁群算法中的动态更新信息素浓度、初始聚类中心和参数变量进行了改进。实验结果表明:改进后的蚁群算法可以有效地提高图像的分割精确度,同时减少传统蚁群算法的搜索时间,缓解传统蚁群算法求解速度较慢的缺陷。     

基于改进蚁群算法的阈值医学图像分割

为了提高医学图像分割的精确度,提出了一种基于改进蚁群算法的阈值医学图像分割.对蚁群算法中的初始聚类中心、动态更新信息素浓度和参数变量进行了改进.实验结果证明:改进算法可以提高医学图像的分割精确度,同时克服蚁群算法搜索时间较长,求解速度较慢的缺陷,缩短运算时间.     

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.     

Linux集群下基于改进多态蚁群负载均衡算法研究

建立了集群负载均衡问题的数学模型，并提出改进多态蚁群算法来对其进行求解的策略。首先，算法中侦察蚁以每个处理节点为中心，作局部侦察并设置侦察信息素；其次，搜索蚁利用侦察蚁提供的辅助信息做全局搜索，通过多态蚂蚁间的协作，能更快地搜索到问题的优化解。最后通过一个试验与最小加权连接算法，传统蚁群算法进行了对比。结果表明：对于负载均衡问题，改进多态蚁群算法比前述算法在算法稳定性，负载的均衡能力，计算速度方面更具有优势。     

基于递阶优化算法的轧制过程控制策略优化研究

给出利用递阶优化算法解决轧制过程控制策略优化问题的思想. 针对总时间最短和总能耗最小两个优化目标,分别将其作为上下层目标函数建立起两层规划的数学模型,通过基于分解-协调的递阶优化算法对该两层规划进行求解,最终得到了中厚板精轧控制策略优化的最优解. 仿真结果说明,利用递阶优化算法求解轧制过程控制策略是非常有效的方法.     

基于遗传与蚁群混合算法的智能组卷研究

针对遗传组卷算法局部求解能力不足、容易早熟和退化对系统中的反馈信息利用不够的问题,以及蚁群组卷算法搜索初期信息素匮乏的缺点,充分利用遗传算法较好的全局搜索能力和蚁群算法较高的求解精度的优势,提出了一种遗传算法与蚁群混合算法的智能组卷策略。实验结果表明,与单一组卷算法相比,提出的混合组卷方法收敛速度更快,能更有效地解决智能组卷问题,具有更好的实用性。     

智能混合优化策略及其在流水作业调度中的应用

通过结合蚁群算法(ACO)的并行搜索结构和模拟退火算法(SA)的概率突跳性,提出了一种有效的混合优化策略,并将该策略应用于流水作业调度问题(FSP)．在该策略中,蚁群系统的一个周游路线为模拟退火算法提供了一系列初始解,在每个退火温度上进行抽样准则检验并产生新解,然后更新信息激素;蚁群算法再利用模拟退火算法产生的新解进行并行搜索．同时,根据此策略构建并实现了针对FSP问题求解的具体混合算法．仿真结果表明,混合算法弥补了ACO易陷入局部最优和SA搜索效率较低的缺点,增强了全局搜索能力,在求解FSP调度问题的性能上也优于其他算法。     

基于不规则区域分割的快速分形压缩算法

首先基于序列块和主块之间最小象差的方差信息,提出了一方差排序搜索算法,该算法可产生与满搜索一致的分形编码.该算法能较大程度上减少对每个序列块进行搜索和匹配主块数与相应编码时间.并通过采用不规则区域变换,提出了一种不规则区域的图像分割算法,实际结果表明比传统的基于块的分割有更大的压缩比,并能减少编码时间.图4,表2,参10.     

基于改进蚁群算法的配电网优化规划

提出了一种基于改进蚁群算法的配电网优化规划算法．对于给定的配电网模型，该算法根据各配电网站点建立初始信息素矩阵，然后利用蚁群算法所特有的路径寻优功能来搜索配电网布局路径，并结合改进信息素刷新的方式和在蚁群搜索过程中引入曼哈顿距离以及弹性伸缩调节因子，使蚁群以较快的速度找到当前布局上的最优路径．通过具体的算例表明，该算法比一般蚁群优化规划算法具有更高的计算效率和优秀的全局搜索能力，同时有效地克服了在求解配电网规划问题时蚁群在局部最优解上的巡回而存在的效率不高以及未成熟收敛等现象．     

一种改进的彩色图像分割方法

介绍了一种融合多尺度形态学、蚁群聚类、模糊C-均值(FCM)聚类的新的彩色图像分割方法。该算法首先利用多尺度形态学提取图像边缘,再利用蚁群聚类算法的全局搜索性和鲁棒性的优点并结合边缘信息,确定聚类中心和聚类个数,将其作为FCM聚类的初始聚类中心和聚类个数,克服了FCM算法自身并不能确定聚类中心需要人为设定的缺陷。实验结果表明,该算法可以准确地分割出目标,是一种有效的图像分割方法。     

基于PR算法的自适应ACO算法求解旅行商问题

以著名的旅行商问题为研究对象,研究了基于线路重连(PR)算法的自适应蚁群算法(ACO)的应用。根据蚁群算法构解过程中的选择策略与信息素更新机制,提出了自适应的蚁群优化方法,即通过阈值接收算法(TA)中的阈值控制参数改变蚁群的确定选择与随机选择机会,从而控制了搜索方向。采用这种自适应的蚁群优化算法,避免蚁群算法陷入局部最优,使对解空间的更好地进行搜索。同时,在蚁群优化算法(ACO)中,嵌入路径重连算法(PR)来改进解的质量。实验结果证明了基于线路重连算法(PR)的自适应蚁群算法(ACO)在求解该问题时的有效性。     

基于免疫的蚁群优化算法

蚁群算法在寻优过程中很容易出现早熟现象而陷入局部最优,同时蚁群算法在构造问题的可行解时,计算复杂度较大.为解决以上问题,将免疫算法和蚁群算法相结合,构成了一种结合免疫机制的蚁群优化算法,并将其用于解决WTA(武器目标分配)问题.通过仿真及与其它多种优化算法对比发现:基于免疫的蚁群优化算法在搜索效率上要高于其它优化算法.     

蚁群优化图着色算法在智能小区中的运用

当智能小区的地图网格中的颜色数太多时，经蚁群算法处理的信息会出现杂乱无章的现象.对蚁群算法进行优化，增添褪色过程并加入参数Max，能减小并控制着色色数，实现四色着色，使得小区里的各种动态数据和信息在地图网格中更加清晰且直观地展现.     

基于蚁群算法的复杂疾病上位性分析方法

针对全基因组规模的上位性分析中存在的问题,首先采用基于多准则融合的过滤法对大量变异位点进行筛选以过滤无关位点,并结合蚁群算法对变异位点进行上位性分析,从而进一步剔除冗余位点,最后采用支持向量机作为上位性与复杂疾病关系的分类模型.实验结果表明,先过滤再分类的策略,不仅大大降低了上位性时间复杂度,并且在分类准确度上也有一定程度提高.     

两种智能优化算法及其应用

遗传算法和蚁群算法是两种新型的寻优策略,遗传算法用于函数优化问题,蚁群算法用于求解非线形规划问题.建立通过相应的优化模型,并得出了实现的步骤,结果表明遗传算法具有简单、通用、鲁棒性强、适用于并行处理的特点.蚁群算法具有正反馈性、较强的鲁棒性、并行性以及易与其他方法结合的特性.     

蚁群算法求解迷宫最优路径

提出了基于蚁群算法求解迷宫最优路径的算法。设定两组蚂蚁分别分布在迷宫中距离入口、出口路径长度为尼的前沿位置,根据移动规则,相向爬行。迷宫中各位置记忆蚂蚁信息素量和至迷宫入口、出口的路径长度。蚂蚁爬行至一新位置后,根据当前位置的信息而修改周边位置至入口或出口的路径长度,从而形成一条宽度为3的路径信息带。蚁群在迷宫中爬行使得迷宫中记忆了大量的路径信息,从而容易实现两段路径的拼接,提高了蚂蚁寻找到达目的地最优路径的效率。不同规模迷宫的试验结果显示,该算法是一种求解迷宫最优路径问题的有效解法。     

基于改进蚁群算法对 VRP 线路优化

针对基本蚁群算法存在易陷入局部最优解、 收敛速度慢等缺点, 先引入节约矩阵 U 作为先验信息引导蚂 蚁搜索, 然后通过不同搜索时段采用不同的信息素挥发因子, 使算法更好地在“探索冶和“利用冶之间达到平衡, 并对较优解应用 2-opt 方法进行优化。 最后将改进后的蚁群算法应用到物流配送车辆路径优化问题中。 实验结 果表明, 相比基本蚁群算法, 改进的算法可得到更好的物流配送路径, 是解决物流配送路径优化问题的一种有 效方法, 可快速、 高效地对送货车辆线路进行调整, 满足消费者的需求。     

基于Rough集和蚁群算法的属性约简方法

属性约简是个NP难问题,目前已有很多解决方法,但是每种算法由于其自身的局限性,只适用于特定条件下的求解。蚁群算法是较新的仿生优化算法,在解决各类组合优化问题中都取得了很好的效果。提出一种基于Rough集和蚁群算法的属性约简方法,能够克服传统蚁群算法在前期收敛速度慢的问题,并通过实验验证了该方法的有效性。     

基于改进蚁群算法的优化设计

为研究结构优化设计问题,以二进制为基础,基于图解的蚁群系统,提出伪并行蚁群算法,以改善蚁群算法性能,并将其应用于结构优化设计中参数的求解.算例表明,改进的蚁群算法可求解连续优化问题,收敛速度快,计算精度高,并具有满意的优化效果,可用于工程优化设计.     

基于改进蚁群算法的优化设计

为研究结构优化设计问题,以二进制为基础,基于图解的蚁群系统,提出伪并行蚁群算法,以改善蚁群算法性能,并将其应用于结构优化设计中参数的求解。算例表明,改进的蚁群算法可求解连续优化问题,收敛速度快,计算精度高,并具有满意的优化效果,可用于工程优化设计。