混合蛙跳算法的改进及在图像分割问题上的应用

发布时间：2020-07-25 14:59

【摘要】：智能优化算法是对自然界智慧的一种模仿,该算法在智能性和健壮性方面表现良好,并且具有较好的并行性,全局搜索能力较强,自适应能力良好,智能优化算法因其以上优点,引起广泛关注。混合蛙跳算法(SFLA)是一种较新的智能优化算法,该算法结合了粒子群优化算法的全局搜索和模因算法的局部启发式搜索这两者的优点,在进化过程中先进行局部精确搜索,再利用子种群个体间的信息共享进行全局搜索,两者相互结合直至找出全局最优解。SFLA结构较为简单,比较容易实现,控制参数较少,在全局搜索能力方面表现较佳。但该算法也存在计算复杂度高、优化效率不理想等问题。为了有效提高SFLA的性能,本文通过对其算法进行研究分析,提出了两种改进方案,并将改进的算法用于多阈值图像分割中。主要研究内容如下:(1)对于SFLA子种群内的复杂更新步骤进行深入分析,提出了一种基于差分进化策略的混合蛙跳算法。该算法摒弃了原算法中在子种群内每次只更新适应度值最差的青蛙这种方法,改为每次在子种群内更新所有青蛙;在进行子种群内更新时,采用一种基于差分进化策略的混合扰动更新方法代替原来SFLA中需要经过复杂的条件选择的方法,并将榜样学习法引入其中,提高算法的优化性能。此外,新的算法去掉了原算法中的随机更新方式。实验结果表明,改进算法可以提高整体的优化性能。(2)针对原始SFLA个体之间共享性差的缺点,将生物地理学算法中共享性较强的迁移算子嵌入到SFLA中,形成一种基于生物地理学学习的高效SFLA算法。新的改进还包括将差分变异策略和榜样学习法融入其中。实验结果表明,该改进提高了SFLA的优化性能。(3)基于对以上混合算法的分析,将其应用于解决最大Renyi熵以及最大类间方差多阈值图像分割中存在的阈值向量选择不准确、分割速度慢等问题,提出两种新型的多阈值图像分割算法。通过实验所得结果可以表明,新提出的方法能够准确地找到图像分割的最优阈值组合,并且速度较快,所进行的分割行之有效。
【学位授予单位】：河南师范大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP18;TP391.41
【图文】：

示意图,青蛙,示意图,食物源

将所有子种群内的青蛙混合，进行全局信息交流，结合实若干个子种群，如此反复循环一直到满足最终条件。蛙群体寻找最优食物源的过程中，池塘作为青蛙所在的生间，池塘中的青蛙群体相当于该解空间中的解集合，每一中的一个候选解，对每只青蛙的初始位置进行确定，即为青蛙的初始位置都可以看作是评价个体好坏的一个适应度跃距离看成是青蛙个体的搜索步长，搜索步长具有一定的群内的青蛙进化改善了整个青蛙种群中个体(相当于解空体向最优食物源(相当于目标解)进化的趋势。在每个子种所携带的信息，因此，群体中最好的青蛙在整个进化中做向其靠拢，并最终到达最优食物源的位置。

总流程,青蛙,种群

5：退出 Step 4 的局部搜索步骤，混合子种群中的所有青蛙，，并再次按照适应度值的优劣进行排序，并记录排序第一的青完成种群的一次全局搜索更新；6：判断算法是否满足终止条件，若满足条件则输出最优青蛙退出循环；否则进行种群下一代更新，跳转至 Step 3。上面所述步骤，SFLA 总流程如图 2-2 所示。

直方图,直方图,图像分割,多阈值

LA 在基于 Renyi 熵的多阈值图像分割时，的 Renyi 熵值，展现了较好的优化能力，所有情况下，ISFLA 获得的结果都是最优的，ISFLA 的稳定性是 3 种算法中最强的。的成功率总是最高的，包括在一些情况下相对来说，SFLA 获得的结果优于 LSFLA然 LSFLA 在基准函数的测试中展现出较图像分割时性能不佳，不适宜处理离散的像 (b) R 直方图 (c) G 直方图 (

【相似文献】