基于改进混合蛙跳算法的图像增强处理研究

合集下载

基于混沌蛙跳算法的图像增强处理

基于混沌蛙跳算法的图像增强处理周琳;李琳;邵明省【摘要】In order to improve the effect of image enhancement, the chaotic leapfrog algorithm is used. Firstly, the leapfrog's location is updated. Chaotic sequence is made with logistic equation and the chaotic is maped to frogs. Then disturbance is put to the stoping frogs in the process of optimization and the range of disturbance is set up. Finaly.the enhancement of the input images is realized with Beta function. The flow chart is given. Experiments show that the algorithm is better than the ordinary algorithm.%为了提高图像增强的视觉效果,采用混沌蛙跳算法.首先对蛙跳位置进行更新,利用Logistic方程产生混沌序列,把混沌变量映射为青蛙；接着在寻优过程中对停止寻优的青蛙施加扰动,并设置了扰动范围；最后利用非完全Beta 函数来实现对输入图像的增强,给出了算法流程.实验仿真得出:本文算法与其他算法相比对增强图像细节表现更加清晰.【期刊名称】《激光与红外》【年(卷),期】2012(042)012【总页数】5页(P1408-1412)【关键词】混沌;蛙跳;图像增强【作者】周琳;李琳;邵明省【作者单位】河南商业高等专科学校,河南郑州450044;鹤壁职业技术学院,河南鹤壁458030;鹤壁职业技术学院,河南鹤壁458030【正文语种】中文【中图分类】TP391.41 引言图像增强其目的是通过某种算法增强某些信息［1］，2000 年出现蛙跳算法［2］，后来改进有粒子群蛙跳、遗传蛙跳、变异蛙跳算法等［3］，但是只在子群内部搜索策略上作出修正［4－5］。

基于混合蛙跳算法的SPECT-B超甲状腺图像配准

基于混合蛙跳算法的SPECT-B超甲状腺图像配准郑伟;孟繁婧;田华;郝冬梅;吴颂红【摘要】为了降低甲状腺肿瘤的误诊率和漏诊率,提出将甲状腺肿瘤的SPECT图像和B超图像进行多模异机融合,提供涵盖功能信息和结构信息的融合后图像,为手术规划和放射治疗提供依据.配准是融合的前提,针对2种成像模式的不同特点,采用阈值方法和图割方法提取轮廓并填充为二值图像,建立仿射变换模型对待配准图像进行变换,将混合蛙跳算法引入基于特征的配准过程中,将局部区域的二值图像的互信息量作为适应度函数以获取水平平移量、垂直平移量和旋转角度的全局最优解.实验表明,该算法具有参数少、配准精度高、鲁棒性强等特点,为2种模式图像的融合奠定了基础.【期刊名称】《河北大学学报（自然科学版）》【年(卷),期】2013(033)003【总页数】7页(P305-311)【关键词】甲状腺肿瘤;SPECT图像;B超图像;特征配准;混合蛙跳算法【作者】郑伟;孟繁婧;田华;郝冬梅;吴颂红【作者单位】河北大学电子信息工程学院,河北保定071002;河北大学电子信息工程学院,河北保定071002;河北大学电子信息工程学院,河北保定071002;河北大学附属医院功能检查科,河北保定071002;河北大学附属医院功能检查科,河北保定071002【正文语种】中文【中图分类】TN911世界权威组织统计显示，甲状腺癌在2010年已跃居女性恶性肿瘤的第6位.目前，针对甲状腺肿瘤的影像检查分为功能成像（SPECT，PET等）和解剖结构成像（B 超，CT，MRI等）2类，单一检测方式的诊断准确率较低.图像融合技术能够将来自不同模式的图像中的信息结合起来，为外科手术的规划和放射治疗计划的设计提供依据.美国通用电气公司生产的SPECT／CT融合设备，将SPECT的功能图像CT 图像的准确定位相结合，确定肿瘤的位置和大小.但CT放射性会削弱人体抗菌能力，而且对于小于2cm的甲状腺肿瘤，B超检查检出率可高达67%，检出率明显高于CT，而且B超无放射性损伤.根据临床实际需求，提出了将甲状腺B超图像和SPECT图像进行融合处理，克服单模医学图像信息单一、表征局限的缺点，提供涵盖功能信息和结构信息的图像，提高对甲状腺肿瘤良、恶性判断的准确率.图像配准是融合的基础，医学图像配准就是指将来自不同模式的医学图像，通过空间变换使一幅医学图像与另一幅医学图像上的对应点或对应轮廓达到空间上的一致，或至少是所有具有诊断意义的点及手术感兴趣的点都达到匹配.因研究对象，研究目的不同，配准的方法也多种多样，常用的图像配准方法有基于灰度的方法、变换域法和基于特征的方法.现有的SPECT／CT融合设备为同机配准，采用的是衰减校正质量控制配准方法［1］.文献［2］提出基于人工免疫系统模型算法的点对点的配准算法，证明其性能的优越性和高精度性；文献［3］对人脑的CT和MR采用一种新的非均匀采样的方法提高了互信息的精确度；文献［4］则对人脑的MR和CT图像提出了一种改进式同步扰动随机算法对配准的过程进行了优化；文献［5］采用大变形微分同胚尺度映射算法进行配准，高斯－牛顿策略则实现了更快的收敛速度；文献［6］提出了基于稳健点集的随机全局优化配准；文献［7］提出了一种改进的人工鱼群算法和powell算法结合完成了在低分辨率下的图像配准；文献［8］首先把点集匹配问题转化为解空间为仿射参数空间下的目标函数优化问题，然后运用粒子群算法对相应的变换参数进行搜索，获得问题最优解；文献［9］提出基于边缘保护多尺度空间配准以及自动获取非线性扩散模型中平滑参数入的方法来提高配准的精度和速度，避免局部极值.B超图像和SPECT图像成像原理不同，同一器官表现出来的图像特征差异较大，基于灰度的方法和变换域法不适用，而基于特征的方法适合用于有明显特征的图像，B超图像和SPECT图像轮廓特征明显，适合用该方法.从原始的B超图像（如图1a所示）中可以看到甲状腺的两叶、肿瘤、颊部、气管，其周围的神经、血管和甲状软骨等.SPECT对于一些凉结节和冷结节不显像，亦无法显示气管或病灶的解剖细节，图像中只能观察到甲状腺区和其上方的放射线减淡区，即为凉结节（如图1b所示）.医学图像配准中所需的特征点通常为具有一定意义的点，而非纯粹几何意义上的点，河北大学附属医院专家在采集图像过程中，通过对肿瘤的触摸，标记出凉结节的位置（如图1c所示）.对比2种模式的图像，2幅图像都能显示的解剖部位为甲状腺和肿瘤，是具有临床诊断意义的区域，可采用基于特征的配准方法，将甲状腺的蝴蝶形轮廓特征和肿瘤的圆形轮廓特征结合起来作为配准的依据.采用基于特征的B超图像和SPECT图像的配准主要包括特征轮廓的提取，相似度测度，仿射变换模型的确定以及参数的优化.B超图像灰度对比度低、亮度分布不均匀，本文采用基于活动轮廓模型的图割算法［10］得到了所需区域的分割图（如图2a所示）.SPECT图像可显示的甲状腺和肿瘤的边界较为模糊，没有一个可以视觉可观的边界，于是以肿瘤上标记点为界限（如图2b所示），分割出实验所需的甲状腺和肿瘤的整体轮廓（如图2c所示）.由图2a可知，B超分割的轮廓线不圆滑，图2c所示的SPECT分割轮廓线较圆滑，且轮廓线不能达到完全对齐，于是不能采用基于轮廓线的配准，而由于两图像轮廓的区域内像素差异大，亦会造成误配准，于是我们将分割出的轮廓填充，以甲状腺和肿瘤的轮廓区域的二值图像分别作为参考图像和待配准图像.填充后的结果如图2d和图2e所示.相似性测度是用来度量图像间相似性的一种准则，本文以甲状腺和肿瘤轮廓区域二值图像的平均互信息作为配准测度.若A代表参考图像，B代表待配准图像，它们之间的平均互信息I（A；B）为其中，H（A）和H（B）分别是图像A和图像B的熵，H（AB）是它们的联合熵，都可由A和B的联合直方图hAB求出，见式（2）式中，A（i，j）和B（i，j）分别表示2幅图像相同位置的坐标点，n［A（i，j），B（i，j）］表示同一灰度级出现的次数.对上式两边除以全部灰度值出现的次数和n，即可得到归一化的联合直方图函数p（A，B）为则B超图像和SPECT图像轮廓区域二值图像的互信息为待配准B超图像是三维甲状腺图像的断层图像，由于甲状腺内部无相对运动，可以把甲状腺近似的看做刚体运动，以SPECT图像中医生标出的肿瘤大小为基准同比例缩放，并把图像均裁至208＊208，使待配准的图像经过预处理后具有相同的空间比例.设待配准图像未旋转时中心坐标为（a，b），旋转后的中心坐标为（c，d），若对图像进行水平平移Δx个像素，垂直平移Δy个像素，并以图像中心为基点旋转θ弧度，旋转后新图像左上角为原点，则SPECT图像和B超图像的仿射变换模型为B超图像和SPECT图像的配准问题就是寻求参数Δx，Δy，θ的解，代入仿射变换模型T，使互信息MI（T）最大，即可得2种模式图像的配准结果.多参数优化问题成为决定配准精度的核心因素，优化策略的选取尤为重要.混合蛙跳算法（shufled frog leaping algorithm，SFLA）是2003年由Eusuf和Lansey提出的一种基于群体智能的后启发式计算技术［11］.它结合了基于模因进化的模因演算法（MA，memeticalgorithm）和基于群体行为的粒子群算法（PSO，particle swarm optimization）2种群智能优化算法的优点，模拟青蛙群体寻找食物时，按族群分类进行思想传递的过程，关键是全局搜索策略和局部深度搜索策略的完美结合使得最后的解能够跳出局部极值点，向着全局最优的方向进行搜索，具有概念简单、调整的参数少、计算速度快、全局搜索寻优能力强，易于实现等特点.首先，随机生成U只青蛙组成初始群体，nDim表示变量的个数即解空间的维数，因需要寻优的参数为Δx，Δy，θ，所以nDim＝3.第i只青蛙可以表示成U（i）＝（U1i，U2i，U3i）.然后，把U1i，U2i，U31代入放射变换模型对待配准图像进行变换，再计算参考图像和变换后待配准图像的最大互信息，即为每只青蛙的适应度，用fUi表示，并将种群内青蛙个体按适应度降序排列，并记录全局最佳解Ug，即为U1.将整个青蛙群体分成m个族群，根据式（6）的分组方式每个族群包含n只青蛙，并满足关系U＝m×n.对每个子族群进行局部深度搜索，即对k循环进行更新操作，根据混合蛙跳规则［12］（如图3所示）青蛙的位置进行更新，Ds表示移动的距离，U′w表示更新后的青蛙，更新策略为其中，rand（）表示0和1之间的随机数，同时更新的距离Ds必须在可行域内.其中，Ub表示子群中的最佳解，Uw代表子群中的最差解.更新后，如果得到的解U′w优于原来的解Uw，则令U′w＝Uw.如果没有改进，则用全局最优解Ug取代原来的解Uw重复执行更新策略.如果仍然没有改进，则随机产生一个新的解Urandom取代原来的解Uw.当所有子群内部更新完成后，对子群的青蛙重新混合并排序进行分组和对子群的内部搜索，如此反复直到收敛到最优解或达到最大进化代数为止.在选定了混合蛙跳的优化方法后，有5个参数需要调整和确定［13］：子种群的个数、每个子群蛙的个数、每个子种群中的进化迭代次数、允许每只青蛙移动的最大距离、允许整个种群进化的代数次数.根据多次实验确定的参数可知，子群的个数和每个子群蛙的个数要选择合适的大小，子群蛙的个数太小就会丧失局部搜索的优点，还要保证初始种群的容量，容量越大，则能够找到全局最优的概率越大，经实验测试，选用4＊5青蛙群体.子群的进化迭代次数太小不益于子种群信息交流，太大则容易陷入局部最优，经实验测得迭代次数5至8最恰当.允许青蛙改变的距离Dmax控制的是算法进行全局搜索的能力，所以Dmax太小，则会降低全局搜索的能力，使算法容易陷入局部最优值，如果Dmax过大，则容易使算法错过最优解，经实验测试，20至34最适合.一般来说，当循环进化到一定次数后，代表最好解的青蛙的适应值就不再改变了，算法即可以此为条件停止了.图4横坐标代表进化迭代的次数，纵坐标代表全局最好青蛙的适应值，可以看出，在45代的时候适应值就不再改变了，并基本保持稳定，设定迭代次数为45即可.实验环境为Matlab7.1，Dell，CPU2.53GB，内存2GB.采用的所有数据来源于河北大学附属医院，SPECT图像采自GE Infina Hawkeye 4SPECT－CT单光子发射断层仪，B超图像采自Voluson E8三维彩色超声诊断仪，这2幅图像均按每4mm一断层，同一时期取至同一病人甲状腺的同一层面.为了验证本方法的有效性，先以2幅SPECT图像为例，一幅为参考图像，另一幅图像是人为改变水平平移量为10个像素，垂直平移量为20个像素，旋转角度为10个角度的待配准图像.利用本方法配准前后的数据如表1所示.由表1数据可以看到，基于轮廓特征点最大互信息的图像配准方法误差可以保证在3个像素内，可以达到很好的配准效果，配准精度较高，且有较好的稳定性. 在调至相同迭代次数的条件下，再与其他算法的配准效果加以比较，结果如图5所示.第1行分别表示配准前，粒子群算法（PSO），蚁群算法（Ant Colony），本文算法配准后的轮廓叠加图，第2行为对应的最后融合结果.比较3幅结果图，可以明显看出，粒子群算法和蚁群算法并未达到甲状腺和肿瘤位置的对齐，而本文算法具有较好的配准效果，混合蛙跳算法可以基本达到甲状腺和肿瘤的对齐，能够满足临床基本诊断需要.对这3种算法的配准时间和配准精度进行了比较，结果如表2所示.由表2数据也可证明虽然粒子群算法时间较快，但配准精度不高，且实验结果具有随机性；蚁群算法配准精度比粒子群算法精度高，但优化时间长.本文算法比蚁群算法有更高的配准精度，比粒子群算法有更快的配准速度.提出了一种基于混合蛙跳算法的甲状腺SPECT－B超图像配准方法，通过多次实验证明，该方法对甲状腺的SPECT图像和B超图像配准有较好的效果，不仅能够有效地防止配准结果陷入局部最优当中，还有很强的鲁棒性，能够为甲状腺的SPECT图像和B超图像的融合提供满足要求的配准图像，对甲状腺肿瘤的临床诊断具有较高的参考价值.【相关文献】［1］ SUH J W，KWON O K，SCHEINOST D，et al.CT－PET weighted image fusion for separately scanned whole body rat［J］.Med Phys，2012，39（1）：533－542.［2］ DELIBASIS K K，ASVESTAS P A，MATSOPOULOS G K.Automatic point correspondence using an artificial immune system optimization technique for medical image registration［J］.Computerized Medical Imaging and Graphics，2011，35（1）：31－41.［3］ FREIMAN M，WERMAN M，JOSKOWICZ L A.curvelet－based patient－specific prior for accurate multi－modal brain image rigid registration［J］.Medical Image Analysis，2011，15（1）：125－132.［4］ KHADER M，HAMZA A B.An information－theoretic method for multimodality medical image registration［J］.Expert Systems with Applications，2012，39（5）：5548－5556.［5］ ASHBURNER J，FRISTON K J.Diffeomorphic registration using geodesic shooting and Gauss－Newton optimization［J］.NeuroImage，2011，55（3）：954－967.［6］ PAPAZOV C，BURSCHKA D.Stochastic global optimization for robust point set registration［J］.Computer Vision and Image Understanding，2011，115（12）：1598－1609.［7］赵海峰，姚丽莎，罗斌，等.改进的人工鱼群算法和Powell法结合的医学图像配准［J］.西安交通大学报，2011，45（4）：46－52.ZHAO Haifeng，YAO Lisha，LUO Bin，et al.Registration of multi－resolution medical images using a modified artificial fish－swarm algorithm combined with Powell's Method ［J］.Journal of Xi'an Jiaotong University，2011，45（4）：46－52.［8］谭志国，鲁敏，任戈，等.匹配与姿态估计的粒子群优化算法［J］.中国图象图形学报，2011，16（4）：640－646.TAN Zhiguo，LU Min，REN Ge，et al.Particle swarm optimization based pose and correspondence estimation［J］.Journal of Image and Graphics，2011，16（4）：640－646.［9］李登旺，王洪君，尹勇，等.基于边缘保护多尺度空间的医学图像配准方法［J］.模式识别与人工智能，2011，24（1）：117－122.LI Dengwang，WANG Hongjun，YIN Yong，et al.Multiscale registration based on edge－preserved scale space for medical Images［J］.Pattern Recognition and Artificial Intelligence，2011，24（1）：117－122.［10］ XU Ning，AHUJA N，BANSAL R.Object segmentation using graph cuts based active contours［J］.Computer Vision and Image Understanding，2007，107（3）：210－224.［11］ EUSUFF M M，LANSEY K E.Optimization of water distribution network design using the shuffled frog leaping algo rithm［J］.Journal of Water Resources Planning and Management，2003，129（3）：210－225.［12］崔文华，刘晓冰，王伟，等.混合蛙跳算法研究综述［J］.控制与决策，2012，27（4）：481－486，493.CUI Wenhua，LIU Xiaobing WANG Wei，et al.Survey on shuffled frog leaping algorithm ［J］.Control and Decision，2012，27（4）：481－486，493.［13］ ELBELTAGI E，HEGAZY T，GRIERSON parison among five evolutionary－based optimization algorithm［J］.Advanced Engineering Informaties，2001，19（1）：43－53.。

基于混合蛙跳优化的条纹管图像自适应增强

ｆｎｔｎｕｃｉｏ
０引言
随着激光雷达技术的发展，激光雷达成像在军事和民用领域中得到了越来越多的应用。其中，条纹管
激光雷达成像（ｔａｕｅＩｇｇＬｄｒＴＬ就是近年来发展起来最有希望实用化的成像体制之一。与ＳｒｋＴｂｍａｉｉ，ＳＩ）ｅｎａ
ｄｔｉｏｔｒｅｅｓｒａｇｅｔｒａｄｉｉｐｒｒｏｔｄｔｎｌｎａｃｍｅｔｔｏｓｉｉｕｌｕｉ．ｅａｌｆａｇｔｎｔｅｉｉｈｔｋｍａｅｂｔ，ｎｓｅｏａｉｏａｈｎｅｎｈｄｖｓａａｔｅｔｓｕｉｔｒｉｅｍｅｎｑｌｙ
Ｋｅｒｓｉｇｎｉａ；ｓｅｕｅｃｍｅａｓｕｅｏ－ａｉｇａｇｒｔｍ；ｉｇｎａｃｍｅｔｉｃｍｐｅｅＢｅｙｗｏｄ：ｍａｉｇｌｌｔａｔｂａｒ；ｈｆｄｆｇｌｐｎｌｏｉｄｒｋｌｒｅｈｍａｅｅｎｅｎ；ｎｏｌｔｔｈａ
ＫｙＬｂｒｔｒｏｐｏｌｔｎｃｖｃｓｎＳｓｍＭｉｉｒｆＧｕｎｄｎｒｖｃ，ｅａｏａｏｆＯｔｅｅｒｉＤｅｉｄｙｔｓｆｎｓｙｏｙｃｏｅａｅｏｔａｇｏｇＰｏｉｅｎ
ＳｎｈｎＵｎｉｅｓｔＳｈｎｈ８０ｈｅｚｅｖｒｉｙ，ｅｚｅｎ５１６０ＧｕｎｄｎａｇｏｇＰｒｖｎｅＣｉａｏｉｃ，ｈ；．ｎ

混合蛙跳算法的改进及在旋转机械故障诊断中的应用研究

混合蛙跳算法的改进及在旋转机械故障诊断中的应用研究机械故障诊断学是识别机器或机组运行状态的科学,其核心是有效地获取、传递、处理、再生和利用诊断信息,从而具备对给定环境下诊断对象进行准确的状态识别和诊断决策的能力,对于保障设备安全运行意义重大。

目前,随着机械设备工作状况的复杂性、结构大型化以及功能的集成化和自动化的发展,如何从这些设备中提取有效信息,判定设备的运行状态并对所发生的故障进行准确诊断,对于现有的故障诊断方法提出了新的考验。

本论文针对目前在机械设备故障诊断中的一些难题,将新型的群智能算法—混合蛙跳算法与改进算法的相关理论应用于机械故障诊断中,从“智能优化”处理的角度,完成了对诊断系统中传感器优化布置、神经网络模型的参数优化及无监督类机器学习中代价函数和聚类数的智能求解。

论文主要工作如下：(1)在分析混合蛙跳算法相关概念和数学模型的基础上,通过简化的青蛙个体更新模型,以z变换为数学工具对最差青蛙的动态行为进行分析,理论上证明了其局部收敛性和全局收敛性；结合Markov模型以及算法期望收敛时间的相关概念,完成了对混合蛙跳算法的收敛速度理论分析以及算法本身的复杂度分析,完善了混合蛙跳算法的部分理论；以单因素方差分析法为数学工具,首次全面分析了算法中的5个基本参数与算法性能之间的联系,以及其参数的效能问题,结合实验数据,得到SFLA参数设置对算法的影响规律；(2)提出了一种基于交叉和变异运算的离散型混合蛙跳算法,该算法在最差青蛙进行更新时,通过交叉运算得到平均最优青蛙,将其与最差青蛙的汉明距离的大小作为其是否变异运算的依据,仿真试验证明,该算法可有效地解决了标准混合蛙跳算法在求解0-1变量类型的函数时的不足；通过建立基于系统测试可靠性的和故障-传感器因果矩阵的传感器网络优化的数学模型,解决了针对齿轮箱故障诊断时传感器的测点位置和数量的智能优化选择,计算结果不仅表明了新算法的优越性,也可为其它NP难问题提供技术支持;(3)提出了一种基于混沌思想和收敛因于的连续型混合蛙跳算法。

基于改进SFLA_算法对SVM_算法超参数的优化

Science and Technology & Innovation｜科技与创新2024年第06期DOI：10.15913/ki.kjycx.2024.06.010基于改进SFLA算法对SVM算法超参数的优化贺加贝（首都经济贸易大学管理工程学院，北京100070）摘要：机器学习算法具有强大的学习能力，其中超参数的选择很大程度上影响算法的性能。

通过提出改进的混合蛙跳算法（Shuffled Frog Leaping Algorithm，SFLA）对支持向量机（Support Vector Machine，SVM）的超参数进行优化，以提高算法性能。

针对混合蛙跳算法依赖于初始值、容易陷入局部最优、缺少参考指标的局限性，提出均匀分布初始值、“外来蛙”、增加评价指标的改进措施，对算法进行改进。

利用改进的混合蛙跳算法对支持向量机的超参数进行寻优，得到最佳模型。

通过公开数据集进行验证，与原始支持向量机模型、网格寻参-支持向量机模型、原始混合蛙跳算法寻参-支持向量机模型相比较，改进混合蛙跳算法寻参-支持向量机模型具有更高的准确率。

关键词：混合蛙跳算法；支持向量机；超参数；智能算法中图分类号：TP18 文献标志码：A 文章编号：2095-6835（2024）06-0039-03混合蛙跳算法是由EUSUFF＆LANSEY（2003）[1]提出的一种启发式群体智能算法，因其出色的性能被应用在个性计划推荐[2]、生物医学[3]等领域。

申晓宁等（2024）[4]通过引入多种信息源、子组最差个体学习有效信息的概念对混合蛙跳算法进行优化，使算法得到更优方案；周超等（2022）[5]通过改变种群的分配方式，加上反向学习和烟花爆炸机制来提高性能，以此改善LoRa 传输过程中的问题；王玉芳等（2022）[6]提出的混合启发式规则、贪婪插入解码方法弥补了算法的不足，使其具有较出色的寻优能力和收敛效果；CORTES＆VAPNIK（1995）[7]提出了支持向量机；OSUNA等（1997）[8]对支持向量机进行改进，得到了效率更高的Osuna算法；PLATT （1999）[9]对算法中数值优化进行了简化，经过对核心部分的优化，支持向量机在空间复杂度上得到了有效降低；张晓芳和钱蕊（2022）[10]利用支持向量机对股票涨跌进行预测并得到了较高的准确率；潘曦等（2022）[11]利用萤火虫算法优化了支持向量机的参数，可以很好地识别卷烟种类；吴程昊和莫路锋（2022）[12]改进了狮群算法，对支持向量机的参数进行了寻优来提升分类精度。

改进的混合蛙跳算法及其多目标优化的应用研究

改进的混合蛙跳算法及其多目标优化的应用研究改进的混合蛙跳算法及其多目标优化的应用研究摘要：蛙跳算法（Frog Leap Algorithm, FLA）作为一种基于群体智能的优化算法，在解决单目标优化问题上具有较好的效果。

然而，传统的FLA在处理多目标优化问题时存在一些不足之处，如过早收敛和缺乏全局搜索能力。

为了克服这些问题，本文提出了一种改进的混合蛙跳算法（Improved Hybrid Frog Leap Algorithm, IHFLA），并通过实验证明其在多目标优化问题上的应用效果。

引言：随着计算机技术的迅猛发展，多目标优化问题在各个领域中得到越来越广泛的关注。

多目标优化问题是指在多个目标函数的约束下，寻找最优解空间中的非劣解集合。

针对多目标优化问题，传统的单目标优化算法效果不佳，因此需要开发新的算法来解决这一问题。

本文将基于群体智能的优化算法——蛙跳算法，进行改进，以提高其在多目标优化问题上的性能。

1.蛙跳算法的原理及不足蛙跳算法是一种基于仿生学的启发式优化算法，模拟了青蛙在寻找食物过程中的行为。

其基本思想是通过模拟蛙类的跳跃行为来搜索最优解。

每个蛙个体都含有一组决策变量，通过不断迭代调整这些变量，以达到最优解。

然而，传统的FLA在多目标优化问题中存在一些问题：（1）易陷入局部最优解，过早收敛；（2）缺乏全局搜索能力。

2.改进的混合蛙跳算法(IHFLA)为了克服传统FLA中的问题，本文提出了一种改进的混合蛙跳算法（IHFLA）。

该算法在传统FLA的基础上引入了局部搜索和全局搜索的策略，以提高其多目标优化问题的能力。

具体步骤如下：（1）初始化种群：根据问题的约束条件，随机生成一定数量的蛙个体作为初始种群。

（2）目标函数计算：计算种群中每个蛙个体的目标函数值。

（3）更新个体位置：根据当前种群中每个蛙个体的目标函数值，更新其位置。

（4）局部搜索：对每个个体进行局部搜索，以增加探索空间。

（5）全局搜索：通过引入全局搜索策略，使蛙个体具有更好的全局搜索能力。

改进混合蛙跳算法的研究

改进混合蛙跳算法的研究高建瓴; 潘成成; 吴建华; 陈娅先; 王许【期刊名称】《《贵州大学学报（自然科学版）》》【年(卷),期】2019(036)005【总页数】6页(P76-81)【关键词】混合蛙跳算法; 自适应同步因子; 惯性权重系数; 局部搜索【作者】高建瓴; 潘成成; 吴建华; 陈娅先; 王许【作者单位】贵州大学大数据与信息工程学院贵州贵阳550025【正文语种】中文【中图分类】TP391蛙跳算法(Shuffled Frog Leading Algorithm)是一种启发式算法，通过启发式函数进行启发式搜索，从而找到组合最优问题的解。

混合蛙跳算法的运行原理从仿生上来说可以这么认为[1]：在一个池塘，有若干块石头，青蛙可以落在石头上，每块石头上可以获取到的食物数量是不同的，在池塘中有很多只青蛙，也有很多块石头，青蛙间可以交流，这样所有青蛙就都会往自己所在蛙群中所知道的最多食物的方向跳，或往全部青蛙中食物最多的方向跳，最终在池塘中找到最多食物的石头。

他结合了以遗传为基础的memetic算法和以社会行为为基础的粒子群优化算法的优点[2],其显著特点是具有局部搜索与全局信息混合的协同搜索策略，寻优能力强，易于编程实现。

虽然混合蛙跳算法具有概念简单，调整的参数少，全局搜索寻优能力强，易于实现的特点。

但是该算法与其他群智能优化算法类似也存在着一些缺点，求解精度不高、收敛速度慢、算法易陷入局部最优的问题。

针对这些问题，近年来也有不少的国内外学者对其进行研究改进，张新明等[3]提出了将每次只更新组内最差青蛙的方式改为更新组内所有青蛙的方式，增大了获得优质解的概率，提高可操作性和优化效率。

赵红星等[4]提出了对青蛙的觅食机制和更新迭代公式重新定义，青蛙的第一步向组内其它蛙搜索，第二步向组内最优蛙搜索，第三步向全局最优蛙搜索，提高混合蛙跳算法的全局和局部搜索能力。

戴月明等[5]提出一种新的协同进化混合蛙跳算法，在局部搜索中对最差蛙的更新引入平均值，扩大青蛙搜索空间；在全局搜索中采取精英群自学进化机制，对精英空间进行精细搜索，提升全局搜索能力。

基于混合蛙跳算法改进的OTSU遥感图像分割方法

。ＩｓｔｔｏｍａｅＰｏｅｉｇａＰｔｒｅｏｎｔｎＳａｇａ ∞ Ｔｎｎｖｒｔ，ｈｎｈｉ０２０Ｃｉ（ｎｔｕｅｆＩｇｒｃｓｎａｔｎＲｃｇｉｏ，ｈｎｈｉｉｓｎｄｅｉｏＵｉｓｙＳａｇａ０４，ｈｎｇｅｉ２ａ）（ｎｗ￣ＥｉｅｒｇａｄＤｓｏｅｅｅｒｎｔｕｅＡｃｌｎｎｖｒｔｆＴｃｎｌｇ，ｕｋａｄ１２，ｅｅｌｎ）Ｋｏｌｅｇｎｎｅｎｎｉｖｒｓａｃｓｉｔ，ｕｋｄＵｉｓｙｏｅｈｏｙＡｃｌｎ００ＮｗＺａａｉｃｙＲｈＩｔａｅｉｏｄ
ｄｔｉｌｏｅｔｎ；ｔｅｓｓｍａｉｍｅｗｅｎｃｕｔｒｖｒａｃｓｔｅｆｎｓｕｃｉｎｏｈｆｅｏ－ｅｐｎｇｒｍ，ｂｐｌｉｇｓ￣ｅｅａｌ￣ｔｃｉｒｏｈｎｕｅｘｍｕｂｔｅ —ｌｓｅａｉｅａｈｔｅｓｆｎｔｆｓｕｆｄｆｇｌａｉｇａｏｉｎｉｏｌｒｌｈｔｙａｐｙｎｈｄ
维ＯＳ图像分割算法相比，ＴＵ该算法能更有效地去除噪声的干扰，算法运算效率更高。
关键词遥感图像分割ＯＳ邻域空间信息邻域灰度信息混合蛙跳算法ＴＵ
文献标识码Ａ
中图分类号ｒ７ｌＰ５
ＲＥＭｏＴＥ．ＥＮＳＮＧ】ＡＧＥＥＧＭＥＮＴＳＩ［ｆＳＡＴＩｏＮＥＴＨｏＤＭＢＡＳＤＮＭＰＲｏＶＥＤＥｏＩｏＴＳＵＡＮＤＨＦＬＥＤＲｏＧ．ＡＰＧＳＦＦＬＥＡＬＧＯＲＩＴＨＭ
ｒｍｏｅｓｎｉｇｉｇｅｓｇｎａｉｎｐｏｅｓａｍｐｖｄｆｓＳｒｍｏｅｓｎｉｇｉｇｅｅｔｔｎａｇｒｍａｅｎｔｅｓｕｆｄｅｔ・ｅｓｎｍａｅｍｅｔｔｒｃｓ，ｎｉｒｅａｔＯＴＵｅｔ－ｅｓｎｍａｅｓｇｎａｉｌｏｉｏｏｍｏｈｔｂｓｄｏｈｈｆｅｌｆｇｌａｉｇａｇｒｔｍｒｐｓｄｆｒｈｒｔｉｎｔｅａｔｌ．Ｔｅａｇｒｈｆｔｒｃｓｅｅｉｇｅｂｔｄｃｎｉｌｒｔａｕｎｒ —ｅｐｎｌｏｈｉｐｏｅｏｅｆｓｔｏｉｓｏｔｉｍｅｉｈｒｉｅｈｏｉｍｒｏｅｓｓｔｍａｙｉｒｕｉｇａｓｍｉｉｍｅｒｇｃｌｔｉｓｐｈｎｏａｙｓｉｆｃｏｎｏｐｒｔｇｂｔｅｎｉｈｏｒｏｐｔｎｒｙ・ｖｌｅａｉｎｈｐｔｅｓｇｅｔｔｎａｇｒｍｅｆｒａｔｎｉｅａｄｉｇａｔｒｉｃｒｏａｉｏｔｅｇｂｕｈｏｓａｉａｄｇａ・ｅｅｌｔｓｉｓｉｏｔｅｎｈｈｄｌａｌｒｏｎｈｍｎｉｏｉａｏｌｈｔｔｐｒｏｍｎｉｏｓｎｍａｅｏ－

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ＨｂＯｃｐｔｎＴｃｎｌｙＣｌｇ，ｔｎｎＨｂ４８３，ｈｎ）ｅｉｃｕａｉｅｈｏｇｏｌｅｔａｅｉ５００Ｃｉｏｏｅｅａ
【ｂｔａｔｅｉｅｔｍｇｈｎｅｅｔｈｒｔｉｉ，ｎｍｒｅｙｒｏ —ｕｐｎｇｒｈｒｏｄＦｒｌ，ｄｐｖｔｅｈｌｓｌ — Ａｓｃ】Ｂｍｄａｅｎａｃｍｎｃａａｅｓｃａｐｏｄｂｄｆｇｊｍｉａｏｔｍｉｐｐｓ．ｉｔａａｔｅｈｓｏｅｒＡａｉｅｃｒｔｓｉｖｈｉｒｇｌｉｓｏｅｓｙｉｒｄｅｃ
【ｅｏｄ】ｙｒｏ－ｕｐｇｇｒｈｉａｅｎａｃｍｎ；ｈｏｃｓｕｎｅＫｙｗｒｓｈｂｄｒｊｍｉｏｔｍｈｅｅｔｃａｔｅｅｃｉｆｇｎａｉｍ；ｇｅｎｌｉｑ
图像增强的目的是对图像进行处理，使得图像噪声去除、视觉效果好、突出图像中所感兴趣的部分等。传统的
参数选取人工干预的较多，加边缘模糊。近年来，增许多空间中的局部深度搜索。在已定义的局部搜索迭代次数
学者提出新的群智能算法求解图像增强问题，比如粒子结束之后，思想在混合过程中进行了交换。局部搜索和混群、蚁群等，是它们共同的缺点是易早熟，入局部合过程一直持续到定义的收敛条件结束为止。全局交换但陷
ｔｎｓａｅｙｉｕｄｉｐａｉｇｈｂｄｆｇ—ｊｍｐｎａｄａｐｏａｉｔｉｒｕｉｉｅｅｖｌｅｏｅｏｊｃｉｕｃｉｆａｈｆｏｎｏｄｒｉｔｔｇｓｓｕｄｔｙｒｏｕｉｇ，ｎｒｂｂｌｙｄｓｉｔｎｉｇｖｎｔｔａｕｆｈｂｅｔｅｆｎｔｎｏｃｒｇｉｒｅｏｒｅｎｎｉｒｉｔｂｏｓｏｈｔｖｏｅ
ｌＤ黼ｉ吲
【本文献信息】邵明省，董银平．基于改进混合蛙跳算法的图像增强处理研究［］电视技术，１，（３．Ｊ．２２３１）０６
基于改进混合蛙跳算法的图像增强处理研究
邵明省，董银平
（鹤壁职业技术学院，河南鹤壁４８３）５００
【要】针对图像增强的特点，出改进混合蛙跳算法。首先对混合蛙跳的更新采用自适应的阈值选择策略，摘提并对每只蛙的目函数值赋予一定的概率分布，标增加了到更优蛙的机会；得接着在混沌系统下，随机产生混沌序列，混沌变量映射到优化变将量的取值范围中，混合蛙跳可以遍历整个区间，得到群体最优位置；后采用Ｂｔ函数实现图像增强。实验结果表明，这样最ｅａ此算法对图像增强效果明显，清晰度较高。【关键词】混合蛙跳算法；图像增强；混沌序列【中图分类号】Ｔ３１Ｐ９．４【文献标识码】Ａ
极值。卜
和局部深度搜索的平衡策略使得算法能够跳出局部极值
ｆｃｉｎｉｓｄｔｍｐｅｎｅｉｇｎａｃｍｅ．Ｓｍｕｌｔｏｓｌｓｓｏｔａｈｓａｇｒｔｍｓｅｅｔｖｎｉｇｎａｃｍｅｔａｄｃｎｇｔｈｇｅｕｎｔｓｕｏｉｌｍｅｔｔｍａｅｅｈｎｅｎｔｉａｉｎｒｕｔｈｗｔｔｉｏｈｉｆｃｉｅｉｍａｅｅｈｎｅｎｏｅｈｅｈｌｉｎａｅｉｈｒｄｆｎｔｏｍａｅ．ｅｉｉｉｎｉｇｓ
ｔｎｒａｅｔｅｃａｃｆｇｉｉｇｂｔｅｒｇ．Ｓｃｎｌｏｉｃｅｓｈｈｎｅｏａｎｎｅｔｒｆｏｅｏｄｙ，ｔｈｏｉｑｅｃｓｒｄｍｌｒｄｃｄｉｈｈｏｃｓｓｅ，ａｄｔｅｃａｔｃｖｒａｌｓａｅｈｅｃａｔｓｕｎｅｉａｏｙｐｏｕｅｎｔｅｃａｔｙｔｍｃｅｎｉｎｈｈｏｉａｂｅｉｒ
ｍａｐｄｔｅｓｏｅｏｐｉｚｔｎｖｒａｌｓｙｒｏ－ｕｉｇｃｎｔｖｒｅｅｔｅｉｔｒａｅｅｇｏｐｏｔｌｐｓｉｎｉａｌ，ｔｅＢｔｐｅｔｃｐｆｏｔａｉａｉｂｅ．Ｈｂｉｆｇｊｍｐｎａａｅｓｔｎｉｅｖｔｇｔｈｒｕｐｉｏｉｏ．Ｆｎｌｈｅａｏｈｍｉｏｄｒｒｅｈｒｎｌｏｔｍａｔｙ
ＩｇｎａｃｍｅｔｅｅｒｈＢｓｄｏｒｖｄＨｂｉｒｇｊｍｐｎｌｏｉｍｍａｅＥｈｎｅｎｓａｃａｅｎＩｏｅｙｒＦｏ－ｕｉｇＡｇｒｈＲｍｐｄｔ
ＳＨＡＯｎｓｅｇ，ＤＯＮＧｎｉｇＭｉｇｈｎＹｉｐｎ
图像增强处理研究分为空域增强和频域增强。空域增强
１改进混合蛙跳算法的图像增强
在混合蛙跳算法中，群体由具有相同结构的青理法等；频域增强主要有高成。整个群体被分成多个族群，不同的族群被认为是具有通、低通、同态滤波等。传统方法计算量比较大，并且变换不同思想的青蛙集合。族群中青蛙按照一定策略执行解