改进免疫遗传算法用于图像阈值分割

在图像阈值分割中,基于遗传算法的分割方法存在着运行速度慢、易形成未成熟收敛等缺点.针对这一问题对其进行了改进.改进的免疫遗传算法在免疫算子中引入疫苗接种机制,极大地提高了收敛效率,对交叉概率和变异概率进行了改进,避免了局部收敛,以保证改进算法能收敛到全局最优值.实验结果表明,改进的免疫遗传算法比传统的算法提高了运行效率,解决了全局搜索不收敛和局部搜索不到最小值的问题,并具有更好的收敛稳定性.     

一种改进的二进制编码遗传算法研究

针对普通遗传算法(CGA)易陷入早熟,局部搜索能力较差,全局优化速度缓慢等问题,提出了一种改进的遗传算法(IM_GA),该算法融合了由进化代数或适应度分布调节变异交叉率的思想,从这两个方面共同改进了变异交叉率,仿真结果证明了该改进遗传算法的优越性.与普通标准遗传算法比较,该算法不仅收敛性较好,且能迅速找到全局最优解.     

一种新改进的otsu算法

图像的二值化是车牌识别过程中的重要环节,图像的二值化直接影响定位的准确性。由于字符的分割和识别是在车牌区域二值化结果的基础上进行的,因此车牌图像的二值化是非常关键的一步。本文对传统的otsu算法和新改进的otsu算法进行了试验比较,通过对otsu算法基本原理的研究,提出了一种新改进的灰度图像二值化的方法,该算法能够更好的确定最佳阈值点,实验表明上述方法能够得到较理想的二值化图像。     

改进遗传算法优化模糊均值聚类中心的图像分割

针对传统模糊均值聚类算法存在的问题, 提出一种改进遗传算法优化模糊均值聚类中心的图像分割算法. 首先在标准遗传算法的交叉操作中引入方向因子, 使参与交叉的个体向最佳个体靠近, 加快算法的收敛速度, 并通过增强群体间的信息共享机制提高算法的全局搜索能力, 避免了早熟收敛, 改善了全局解的精度; 然后采用改进遗传算法选择模糊均值聚类算法的初始聚类中心, 实现图像分割; 最后采用仿真实验测试算法性能. 实验结果表明, 相对于传统模糊均值聚类算法及其他图像分割算法, 本文算法在分割正确率、 分割速度及鲁棒性上均更优.     

基于遗传算法的模糊多阈值图像分割方法

使用一种基于模糊理论的多闽值选取方法来分割图像，并引入遗传算法来实现。在此基础上，改进了遗传算子的交叉率，提出了一种自适应的遗传算法。实验表明，提出的算法不仅可以正确分割图像，而且能够有效提高分割速度。     

基于自适应变异遗传算法的图像分割

在标准遗传算法的基础上,提出了一种用自适应变异遗传算法进行图像分割的方法和技术．通过对二进制编码串中每一比特位赋予不同的变异概率来加快搜索过程,以找到最佳的阂值来对图像进行分割处理．实验结果表明,该算法的收敛性能与运用该算法所得到的分割效果都优于标准遗传算法．     

小生境遗传算法的改进

为了避免小生境遗传算法存在的早期成熟和陷入局部极值点等问题,提出了一种改进的小生境遗传算法.该算法基于自适应交叉概率算子和变异算子,根据进化代数和群体的适应值,动态调整各个个体的交叉概率和变异概率,并在变异量的确定上引入了梯度的概念.通过在Shubert函数的全局最优化问题上的验证,并与常规遗传算法和小生境遗传算法比较,改进后的算法提高了搜索速度,能有效跳出局部极小值,并搜索到全局最优值.     

改进的自适应遗传算法在TDOA定位中的应用

提出了接收端在空间随机分布时,利用改进的自适应遗传算法解决TDOA定位估计中遇到的非线性最优化问题.采用浮点数编码遗传算法,引入自适应交叉率和变异率、非均匀变异算子,以TDOA方式进行最佳坐标搜索.仿真结果表明,在保证种群数量的情况下,该算法性能稳定,能找到逼近全局最优点的解,相对于其他算法精度更高.     

一种异型改进的自适应遗传算法

遗传算法搜寻全局最优解的优异特性使其在许多应用领域中获得了很好的运用,但该算法作为一种随机优化算法,对求解相对繁杂的全局优化问题易使最优解收敛至局部最优解.而标准的自适应遗传算法是在遗传算法的基础上对交叉率的值和变异率的值进行线性自适应调整,在收敛性能有所提升,但仍然不能有效避免算法的早熟.提出一种异型改进的自适应遗传算法(Heterogenic improved adaptive GA,简称HIAGA),即在对变异率和交叉率进行曲线自适应调整的同时应用精英保留策略的方法.仿真实验结果表明,HIAGA算法在处理收敛速度和避免搜寻结果成为局部最优解等方面能达到较好的处理效果.     

一种基于分层模糊控制的免疫遗传优化算法

针对标准遗传算法的不足,借鉴生物免疫机理和人脑模糊思维功能提出一种新的基于分层模糊控制的免疫遗传算法.该算法利用免疫系统独特性网络学说,改进标准遗传算法选择算子,提高了种群多样性;同时从环境、种群、个体和基因角度,全面分析算法寻优性能和各种进化参数的启发式模糊关系,采用模糊推理动态调整交叉率、交叉位置和变异率,减小了标准遗传操作的随机性.实验结果表明,新算法不仅可有效克服标准遗传算法的缺陷,而且收敛速度、计算精度和算法稳定性也得到明显提高.     

改进自适应遗传算法在BP神经网络学习中的应用

针对遗传算法容易产生局值的问题,提出一种新的自适应遗传算法,改进遗传算子,通过比较两代之间的适应度评估值,选取适合的交叉率和变异率,保证了优秀个体进入下一代,而且避免了种群中最大适应度值的个体的交叉率和变异率为0的情况.最后,将改进后的算法应用于库存控制模型,实验表明,改进后的自适应遗传算法能避免局值,提高网络的收敛速度,改善了网络的学习性能.     

基于免疫遗传算法的炼钢最优炉次计划研究

针对炼钢最优炉次计划问题难以准确求解的实际情况,建立了一种含有0-1变量的整数规划模型,为了求解该优化模型,提出了一种新的免疫遗传算法.该算法通过将免疫算法和遗传算法相结合,在传统遗传算法中加入免疫算子,并且引入了新的个体选择概率模型,有效防止了算法过早收敛的现象.针对该类优化问题的特性,设计了自适应的交叉率和变异率准则,动态调整交叉率和变异率,提高了该算法的精度.基于工厂的实际数据,进行了仿真实验,实验结果表明该免疫遗传算法比普通遗传算法有着更高的搜索精度,证明了该算法在实际炼钢最优炉次计划问题中的有效性和准确性.     

负荷建模参数辨识中综合改进遗传算法的应用

参数辨识是负荷建模的关键之一,针对遗传算法本身存在的缺陷,提出一种综合改进的遗传算法.该算法通过初始种群选择、最优个体保留、自适应交叉和变异率等方面进行综合设计,有效地避免了早熟和近亲繁殖,提高了收敛速度.建模实践表明,所提的综合改进遗传算法可加速收敛,缩短辨识时间,同时提高了拟合精度,克服了参数的分散性,是一种适合于负荷建模参数辨识的优化算法.     

基于改进GA和OTSU的图像分割算法

图像分割是图像处理、模式识别和人工智能等多个领域中一项关键技术.文章利用改进遗传算法与改进OSTU算法相结合对二维图像分割进行了全局优化,使算法在保持群体多样性的同时加快收敛速度,提高算法全局收敛的稳定性,实现了图像的自动最佳阈值的分割。     

遗传算法和蚂蚁算法混合求解旅行商问题

介绍了一种求解旅行商问题的混合蚂蚁算法,该算法结合了遗传算法中的改进的交叉算子和变异算子,对产生的局部最优解进行适当地交叉和变异,提高算法的搜索空间,可以提高蚁群算法的寻优能力,实验表明该算法很有效.     

基于模拟退火遗传算法的IIR数字滤波器参数优化设计

结合模拟退火算法的思想和遗传算法的思想,提出模拟退火遗传算法,并用此算法进行滤波器参数整定与优化,同时使用自适应交叉率和变异率,以及适应度拉伸方法对传统遗传算法进行改进。该算法有效抑制早熟,又具有收敛性快、全局寻优与局部寻优能力。仿真结果表明,基于此算法寻优设计的滤波器控制器具有更好的滤波特性。     

改进遗传算法结合最大二维熵的图像目标分割技术

鉴于传统遗传算法分割图像时容易陷入局部最优的缺点,提出了利用最大熵和基于遗传算法、Hadamard门变异的量子遗传算法共同实现图像的分割技术。以二维熵作为适应度函数,此时把图像分割转换成优化问题。主要先利用混沌系统在遗传算法的交叉、变异两个环节进行动态更新迭代种群得到较为准确的粗糙解;再在量子遗传算法中引入小生境协同和Hadamard门动态策略进化策略初始化种群,提高量子遗传算法的自适应能力和收敛速度。最后再利用混沌系统和Hadamard门、最大二维熵适应度函数动态地调整寻优位置,保持基本的稳定性的前提下有效地避免陷入局部最优。实验结果表明:改进后的遗传算法在实时性与精确度都获得了显著的效果。     

基于遗传粒子群的图像融合算法及应用

为改善传统图像融合方法对细节信息的丢失,提出了一种基于遗传粒子群算法（geneticalgorithmofparticleswarmoptimization,GAPSO）的图像融合方法,该算法应用于像素级的图像融合,使图像融合问题归结为最优化问题．该算法结合遗传算法和粒子群算法的优点,对标准粒子群算法进行了改进,将交叉与变异算子引入到标准粒子群算法,提高了该算法的收敛性能和全局求解能力．实验结果表明,该算法获得的评价指标都优于遗传算法和PSO算法,且融合图像较好地从源图像中提取了有用信息,提高了融合质量．     

基于混合遗传算法—支持向量机的中小型企业信用评估模型

为准确评估中小型企业的信用等级和风险状况,提出了一种混合遗传算法(Hybrid Genetic Algo-rithm,HGA),该算法针对遗传算法后期局部搜索能力差、收敛速度慢等缺陷,对标准遗传算法的遗传算子进行了研究和改进.通过引入退火选择、多模式交叉变异等遗传算子,加强了遗传算法的收敛性和准确性,并将改进的HGA算...     

基于改进遗传算法的二维模糊熵图像分割算法

 图像分割是图像分析的基础。实际应用中,待分割图像的可变性较大,且时常混杂噪声,因此在很多情况下,基于一维直方图的经典图像分割算法常束手无策。近年来,基于二维直方图的二维图像分割算法已逐渐成为图像分割的热点。本文针对基本遗传算法在优化二维模糊熵图像分割算法中存在的易于早熟的不足,提出了一种改进的遗传算法。提出的改进遗传算法通过定义适应度极值距离,实现了进化过程中“代内”和“代间”的模糊评价。较之基本遗传算法,改进算法对个体的评价更加合理、客观和科学,而且算法整体收敛性能和全局搜索能力显著提升。实验结果表明,将其应用于二维模糊熵图像分割算法的优化,可显著提高算法的执行速度。由于引入模糊评价,本文提出的算法虽然较之基于基本遗传算法的二维模糊熵图像分割算法在时间开销方面虽略有增加,但获得的分割效果更佳。