试议算法若干仿生算法论述及其在函数优化和图像多阈值分割中运用

论文导读：
摘要：最优化策略作为一个重要的科学分支，一直受到人们的广泛重视，它对多个学科产生了重大影响，并在诸多工程领域得到迅速推广和运用，己成为不同领域中以及人们的日常工作与生活中不可或缺的工具。很多优化不足己被证明是NP完全不足，至今没有有效的多项式时间解法，用传统的最优化策略求解，需要的计算时间与不足的规模成指数联系。由此，人们转而求其次，进展了很多仿生算法，希望在有限的时间内求得不足的次优解或近优解，如遗传算法、分布估计算法、粒子群算法、禁忌搜索以及其混合优化对策等。本论文的探讨紧紧围绕几种仿生算法的论述及其在函数优化、图像阈值分割上面的运用展开，具体地说，本论文的探讨内容及主要解决的不足如下所述。1)首先介绍了仿生算法之遗传算法的基础论述探讨概况和遗传算法的各种改善对策及其已取得的成果。然后在此基础上，我们深入浅析了一种伪遗传算法所采取的二进制编码互补双亲对策初始化种群的策略；证明了以此种方式初始化种群能使变异算子极限搜索概率提升1/|HL|2；并且也浅析了它的优良方式的存活能力和全局收敛性。接下来，基于上面陈述的的浅析对伪遗传算法进行了二个方面的改善，改善后的算法称为GACPS算法。经过对一类自变量非对称的测试函数的仿真实验证实，改善后的算法在求解精确度、稳定性和收敛速度等方面都有很显著的提升。此外，我们也指出了GACPS算法探讨的作用和下一步探讨的内容。2)在上文关于遗传算法论述探讨的基础上，结合近年来仿生算法运用于图像阈值分割的概况，我们把遗传算法运用到图像分割领域，提出一种自动多阈值图像分割算法AMT-BSGA。首先将一幅图像看成是由像素值组成的总体，运用分块采样得到若干子样本；其次在每一个子样本中运用遗传算法来使样本的均值与方差比极大化；再基于获得的样本信息对阈值数目和阈值进行自动预测；最后利用一种确定性的算法对阈值数目和阈值做进一步的优化。该算法无需事先考虑图像的纹理和分割数等先验信息，具有较高的易用性；其计算复杂性对图像阈值个数敏感性较低；无需进行灰度直方图浅析。在Berkeley图像分割数据集上的大量仿真实验结果表明，本章所提算法能获得较准确、快速和稳定的图像分割。此外，我们也指出了AMT-BSGA的进一步探讨的思路和方向。3)在上文对遗传算法论述及其在函数优化、图像多阈值分割中运用的深入探讨基础上，结合遗传算法的进展历程，我们探讨了分布估计算法。首先介绍了分布估计算法基本原理和流程，分布估计算法基础论述探讨和分布估计算法的种类及其改善。接下来我们基于贝叶斯定理和最优解的概率分布提出了一种新的分布估计算法即贝叶斯预测型进化算法(BFEA)。它通过预测最优解所在的子空间来导引算法的搜索,即按照一定的规则在含有最优解概率较大的子空间产生较多的个体,在最优解概率较小的子空间产生较少的个体。它可方便的引入专家知识、能高效利用所有先前代蕴含的信息且能以很快的速度收敛到最优解子空间。文中以论述上浅析了它的收敛性、收敛速度和逆收敛算子。我们发现它是有效解决遗传算法中的连锁和欺骗不足的一种新策略。文中的论述浅析与比较实验证实了贝叶斯预测型进化算法求解较精确、稳定和快速。此外，我们也指出了贝叶斯预测型进化算法的下一步探讨的思路和内容。4)受到上文把贝叶斯定理和遗传算法相结合的启发，我们尝试把贝叶斯定理和粒子群算法相结合。在探讨了粒子群算法的流程、特点和运用情况以及粒子群算法的论述和改善策略的基础上，接下来，我们结合贝叶斯定理和灰度图像阈值分割的特点提出了一个高效并且更简单的改善粒子群算法，称为贝叶斯粒子群算法(Bayesian ParticleSwarm Optimization algorithm, BPSO)。在贝叶斯粒子群算法中，我们设计了一种策略去自动地和分别地指派粒子群算法中“社会影响”(social influence)部分的收缩系数(constriction coefficient)的大小，以至于各个粒子们可以根据历史信息以及与当前最优粒子之间距离的大小而拥有不同程度的探讨和开发能力。另外，我们根据图像多阈值分割时阈值以小到大排列的特点设计了一种种群初始化对策，这种对策使算法搜索效率更高。相对于现有的三种先进的算法来说，大量的在Berkely图像数据集上的仿真实验显示了贝叶斯粒子群算法可以得到高效的、稳定的和比较平滑的分割结果。此外，我们也指出了贝叶斯粒子群算法进一步探讨的方向和内容。在本论文的结论部分，我们对全文主要探讨内容进行总结，讨论了现有工作中的不足之处，并且指出了在本论文探讨基础之上的后续探讨内容和思想策略。关键词：仿生算法论文图像分割论文多阈值论文遗传算法论文分布估计算法论文贝叶斯定理论文粒子群算法论文
本论文由www.7ctime.com整理论文导读：
提供,需要论文可以联系人员哦。摘要5-7
Abstract7-12
第一章 绪论12-32

1.1 仿生算法概述12-23

1.1 仿生算法的起源与特点12-13

1.2 仿生算法的进展与近况13-23

1.2 最优化不足23-24

1.2.1 函数优化不足23-24

1.2.2 组合优化不足24

1.3 图像分割概述24-28

1.3.1 图像分割定义与分类24-25

1.3.2 阈值分割分类与近况25-28

1.4 本论文结构安排和主要革新点28-32

第二章 互补双亲遗传算法32-49

2.1 引言32-37

2.

1.1 遗传算法流程32-33

2.

1.2 遗传算法基础论述介绍33-34

2.

1.3 遗传算法的改善34-37

2.2 一种伪遗传算法37-43

2.1 伪遗传算法的提出37-39

2.2 伪遗传算法论述浅析39-43

2.3 互补双亲遗传算法43-45

2.4 实验与结论45-47

2.5 本章小结47-49

第三章 基于遗传算法的自动多阈值图像分割49-62

3.1 引言49-50

3.2 AMT-BSGA 算法原理与流程50-53

3.

2.1 分块采样51

3.

2.2 利用 GA 对样本进行优化51-52

3.

2.3 阈值和阈值数的自动预测52-53

3.

2.4 阈值和阈值数目的进一步优化53

3.3 AMT-BSGA 算法浅析53-57

3.1 分块采样策略浅析53-54

3.2 优化策略设计及浅析54-57

3.3 算法复杂度浅析57

3.4 仿真实验57-61

3.5 本章小结61-62

第四章 贝叶斯型进化算法62-95

4.1 引言62-74

4.

1.1 分布估计算法介绍与运用62-64

4.

1.2 分布估计算法论述探讨64-65

4.

1.3 分布估计算法改善65-72

4.

1.4 贝叶斯型进化算法的提出72-74

4.2 贝叶斯型进化算法原理与流程74-78
4.

2.1 相关定义与符号表示74

4.

2.2 算法原理与特点74-76

4.

2.3 算法流程76-77

4.

2.4 子区间的划分与变异算子77-78

4.3 贝叶斯型进化算法论述浅析78-84
4.

3.1 BFEA 算法的收敛性浅析78-81

4.

3.2 BFEA 算法收敛速率浅析81-82

4.

3.3 逆收敛算子浅析82-84

4.4 贝叶斯型进化算法实验浅析84-93

4.1 单变量的函数优化不足实验85-87

4.2 欺骗不足的实验浅析87-88

4.3 低维函数优化性能比较88-91

4.4 高维函数优化性能比较91-93

4.5 本章小结93-95

第五章 用于图像多阈值分割的贝叶斯粒子群算法95-118

5.1 引言95-106

5.

1.1 粒子群算法介绍与运用95-101

5.

1.2 粒子群算法的论述探讨101-102

5.

1.3 粒子群算法的改善102-104

5.

1.4 贝叶斯粒子群算法的提出104-106

5.2 贝叶斯粒子群算法106-109
5.

2.1 BPSO 初始化对策107

5.

2.2 预测向量 Bayes107-108

5.

2.3 BPSO 参数设置108-109

5.3 预测向量 Bayes 和延缓算子的浅析109-110

5.4 贝叶斯粒子群算法实验浅析110-117

5.

4.1 图像分割结果比较(M=4)111-112

5.

4.2 阈值、一致性度量 U、计算时间比较(M=2,3,4)112-115

5.

4.3 稳定性实验(M=4)115-116

5.

4.4 克服“维数灾难”能力实验(M=5,9,12,16)116-117

5.5 本章小结117-118
结论与展望118-121
参考文献121-138
攻读博士学位期间取得的探讨成果138-140
致谢140-141