精英组指导的人工蜂群算法及其在多阈值图像分割中的应用研究

发布时间：2021-11-12 18:15

　　人工蜂群算法是近年来较为流行的一种全局优化算法,通过模拟蜂群的觅食行为来实现寻优,具有算法结构简单、性能优良等特点,受到了众多研究人员的关注和应用。然而,类似于其他进化算法,人工蜂群算法在求解复杂优化问题时同样面临了性能不足的缺点,主要表现为算法收敛速度慢、解的精度不高和算法求解时间较长。为此,本文研究如何利用种群中的精英个体来提高算法性能,提出了一种基于精英组指导的改进人工蜂群算法,并将其进行GPU并行加速,最后将该算法应用于求解多阈值的灰度图像分割问题,主要工作如下:（1）在经典的人工蜂群算法中,个体通过解搜索方程生成后代,但由于该策略存在勘探能力强而开采能力弱的不足,使得算法性能受到了局限。为此,本文从利用精英个体的思路出发,提出了一种基于精英组指导的改进人工蜂群算法（ENABC）,从种群中选择若干较好个体构成精英组,再基于该精英组设计了两种新的解搜索方程分别用于雇佣蜂阶段和观察蜂阶段,试图平衡算法的勘探和开采能力。进一步,基于精英组提出了一种改进的邻域搜索操作,在精英个体附近进行细粒度搜索,以期找到更好解,加快算法的收敛速度。为验证ENABC算法的有效性,在50个测试函数上与8... 

【文章来源】：江西师范大学江西省

【文章页数】：75 页

【学位级别】：硕士

【部分图文】：

0D下9种ABC算法在基准测试函数的收敛曲线

硕士学位论文30算。因此GPU可以通过计算隐藏内存访问延迟，而不是通过大型数据缓存和流控制来避免内存访问延迟。例如当一个线程所需要的数据需要等待时，ALU将挂起该线程，并转向执行其它可获取数据的线程。图3.1GPU与CPU的运算速度对比(单位：GFLPs/s)图3.2GPU与CPU的内存带宽对比(单位：GB/s)图3.3CPU与GPU架构对比

硕士学位论文30算。因此GPU可以通过计算隐藏内存访问延迟，而不是通过大型数据缓存和流控制来避免内存访问延迟。例如当一个线程所需要的数据需要等待时，ALU将挂起该线程，并转向执行其它可获取数据的线程。图3.1GPU与CPU的运算速度对比(单位：GFLPs/s)图3.2GPU与CPU的内存带宽对比(单位：GB/s)图3.3CPU与GPU架构对比

【参考文献】：
期刊论文
[1]基于全局无偏搜索策略的精英人工蜂群算法[J]. 杜振鑫,刘广钟,韩德志,余学山,贾建鑫.  电子学报. 2018(02)
[2]基于正交实验设计的人工蜂群算法[J]. 周新宇,吴志健,王明文.  软件学报. 2015(09)
[3]基于人工蜂群技术的海杂波参数优化方法[J]. 贾宗圣,司锡才,王桐.  中南大学学报(自然科学版). 2012(09)

博士论文
[1]基于群智优化的多阈值图像分割算法研究[D]. 李林国.南京邮电大学 2017
[2]面向图像分割的智能算法研究[D]. 赵晓丽.上海大学 2018

硕士论文
[1]基于GPU的群智能算法研究与实现[D]. 韩文成.西安理工大学 2019
[2]基于智能优化算法的多阈值图像分割技术及其并行加速[D]. 孙研.南京理工大学 2014



本文编号：3491426