果蝇算法

合集下载

基于特征和主动轮廓算法的运动果蝇识别与跟踪研究

基于特征和主动轮廓算法的运动果蝇识别与跟踪研究摘要多目标跟踪是视频监控等领域的一项关键技术。

阐述目标跟踪算法的研究现状，运用灰度阈值分割，基于特征和主动轮廓跟踪方法实现对多只运动果蝇进行目标识别与跟踪。

运用c#以及emgu 开发应用程序予以系统实现。

经验证，该系统识别率高，具有稳健的跟踪效果。

关键词多目标跟踪；果蝇；运动检测；特征匹配中图分类号 tp391.41 文献标识码 a 文章编号 1007-5739（2013）14-0340-03多目标跟踪方法的研究和应用是计算机视觉的一个重要分支。

目标跟踪，即要在一段视频的不同帧中把被跟踪的物体标记出来。

目标跟踪简单地说就是估计一个对象的运动轨迹[1]。

目前，目标跟踪算法一般包括基于区域的跟踪算法、基于特征的跟踪算法、基于模型的跟踪算法、基于主动轮廓的跟踪算法[2]。

常用的数学方法有：卡尔曼滤波器（kalman filter）、mean shift、粒子滤波器（particle filter）、动态贝叶斯网络等[3]。

而一个跟踪算法的理想性应该具有快捷性、鲁棒性、透明性、高效性、稳定性、简单性等特性[4]。

1 基于特征和主动轮廓的跟踪实现多目标跟踪的关键在于完整地分割目标、合理地提取特征和准确地识别目标，同时要考虑算法实现的时间，保证实时性。

因为培养皿中的运动果蝇会经常聚集甚至重叠在一起，有必要采取相应的方法尽可能地排除这类影响。

因为培养皿中的果蝇只有在极少数情况下才会快速飞行，所以其运动轨迹通常具有连续性，针对果蝇的该种情况我们运用基于特征和主动轮廓的跟踪算法。

1.1 基于主动轮廓的跟踪主动轮廓模型即snake模型是在图像域内定义的可变形曲线，又称为snake曲线，由kass等人提出的，是将其能量函数进行最小化处理，使其动态轮廓逐渐向目标轮廓调整，最终成为一致。

该技术对于任何形状、任意变动的物体都可以进行处理，其具体的操作技术如下：一是将目标进行分割，将得到的物体边界作为跟踪的初始模板；二是确定目标轮廓函数即表征物体真实边界的目标函数；三是逐渐降低目标函数值，使初始轮廓逐渐向物体的真实边界移动。

基于果蝇优化算法的GRNN水电机组状态趋势预测

１］题。苗宗伟等［应用ＢＰ神经网络对水电站厂房
］。Ｇ网络见文献［３～５ＲＮＮ中人为调节参数少，的学习全部依赖数据样本，可最大可能地避免人为主观假定对预测结果的影响。分布参数对估算的精度有重要影响，本文采用果蝇优化算法优化选择分布常数。
ＭＳＥ＝
（）１
２．２果蝇优化算法优化ＧＲＮＮ
［］ＦＯＡ６是一种基于果蝇觅食行为推演的寻优新方法。算法采用距离 — 位置搜索方法。ＦＯＡ
优化ＧＲＮＮ具体步骤如下。
１广义回归神经网络
ＧＲＮＮ模型已用于多个领域。模型有三层组织结构，第一层为输入层，输入节点只传递输
［３］
步骤１随机初始化果蝇种群的位置，本文设定种群规模为３迭代次数为１０只，００。），步骤２计算每个个体与原点的距离Ｄ（ｉ／））（并求出其倒数１作为味道判定值Ｓ（Ｄ（ｉｉｉ＝ …，），）将每个味道判定值Ｓ（作为Ｇ１，２，３０ｉＲＮＮ的分布参数，输入训练数据得到网络输出值）。Ｘ＿ｉｒｅｄｉｃｔ（ｐ
Ｖｏｌ．３０Ｎｏ．１２Ｄｅｃ．２０１２
基于果蝇优化算法的ＧＲＮＮ水电机组状态趋势预测
２，田源１，张彼德１，刘代伟１，汪凤１，吴华丰２，陈笑２，师鹏２
（１．西华大学电气信息学院，四川成都６１００３９；２．国电四川电力股份有限公司南桠河发电厂，四川雅安６２５０００）摘要：针对水电机组振动的非线性、非平稳特性，提出了一种基于果蝇优化算法（的广义回归神经网络ＦＯＡ）（，模型（实现了Ｇ并对四川省新政航电工程３台机组５个不ＧＲＮＮ）ＦＯＡＧＲＮＮ）ＲＮＮ分布参数的优化选择，与Ｂ对比结果表明，同部位的振动序列峰峰值进行了预测，Ｐ神经网络预测结果的均方误差（ＭＳＥ）ＦＯＡＧＲＮＮ预测精度较高。关键词：水电机组；果蝇优化算法；趋势预测；广义回归神经网络

基于果蝇优化算法的支持向量机故障诊断

中图分类号：ＴＰｌ８３；ＴＨ１７文献标识码：Ａ文章编号：１６７４ — ６２３６（２０１３）１６一ｏｏ９０ — ０４
Ｆａｕｌｔｄｉａｇｎｏｓｉｓｂａｓｅｄｏｎｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｓｏｐｔｉｍｉｚｅｄｂｙｆｒｕｉｔｆｌｙｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ
ＯｐｔｉｍｉｚａｔｉｏｎＡｌｇｏｒｉｔｈｍｉｓｐｒｏｐｏｓｅｄ．Ｉｍｉｔａｔｉｎｇｔｈｅｆｏｒａｇｉｎｇｂｅｈａｖｉｏｒｏｆｆｒｕｉｔｌｆｉｅｓ，ｔｈｅｓｍｅｌｌｃｏｎｃｅｎｔｒａｔｉｏｎｊｕｄｇｍｅｎｔｖａｌｕｅｉｓ
ｔｏｔｈｅｒｏｌｌｉｎｇｂｅａｒｉｎｇｆａｕｌｔｄｉａｇｎｏｓｉｓ，ａｎｄｔｈｅｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｒｅｖｅａｌｓｇｏｏｄｐｅｒｆｏｒｍａｎｃｅ．Ｋｅｙｗｏｒｄｓ：ｆｒｕｉｔｌｆｙｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ；ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｓ；ｆｅａｔｕｒｅｓｅｌｅｃｔｉｏｎ；ｆａｕｌｔｄｉａｇｎｏｓｉｓ

应用果蝇优化算法优化广义回归神经网络进行企业经营绩效评估

务五力中的活动力、定力与收益力搜集台湾安
二、蝇优化算法果
果蝇优化算法是由笔者提出［６，种基于果５３一，
蝇觅食行为推演出的寻求全局优化的新方法。果蝇本身在感官知觉上优于其他物种，其是在嗅觉与尤视觉上。果蝇的嗅觉器官能很好地搜集飘浮在空气中的各种气味，后飞近食物位置后亦可使用敏锐然的视觉发现食物与同伴聚集的位置，且往该方向并
后以财务比率作为自变量（，ｘ）以绩效好坏作为因变量（，Ｙ）再采用三种数据探勘技术，括果蝇优化包算法优化广义回归神经网络（ｒｉＦｙＯｐｉｚ－Ｆｕｔｌｔａｍｉ
飞去。
２０、０９年企业财务比率资料，据活动力、定０８２０根安力与收益力进行灰关联分析，再将二者的分析结果，按照灰关联度进行排序，以了解各企业的经营绩效
排名，且以二分法的方式分为绩效好与坏二类，并然
一
、
前言
ｒｌｔｒ，称ＦａＮｅｗｏｋ简ＯＡＧＲＮＮ）一般广义回归神、
经网络（ｎｒｌｇｅｓｎＮｅｒｌｔｒ，ＧｅｅａＲｅｒｓｉｕａＮｅｗｏｋ简称ｏ
近年来，优化问题处理已经逐渐受到重视，例如
中图分类号：２２５Ｆ７．

【计算机仿真】_盲均衡_期刊发文热词逐年推荐_20140723

推荐指数 3 1 1 1 1 1 1 1 1
2012年序号 1 2 3 4 5 6 7 8
2012年科研热词盲均衡水声信道遗传算法神经网络码间干扰水声通信常数模分数间隔推荐指数 3 2 1 1 1 1 1 1
2013年序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14
推荐指数 6 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2009年序号 1 2 3
2009年科研热词过采样盲辨识盲均衡推荐指数 1 1 1
2011年序号 1 2 3 4 5 6 7 8 9
科研热词盲均衡遗传算法神经网络收敛速度后验概率同相关状态双模常模算法卡尔曼滤波代价函数
科研热词盲均衡水声信道遗传算法蚁群优化自适应软约束常模算法码间干扰水声通信正交幅度调制信号正交小波变换果蝇算法常模盲均衡算法双模式动量粒子群优化代价函数
推荐指数 4 2 1 1 1 1 1 1 1 1 1 1 1 1
2014年序号 1 2 3 4
科研热词遗传算法水声信道时变多途环境
2008年序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27
科研热词盲均衡非线性变换锁相环超指数自适应变模肓均衡统计特性算法等效变换码间干扰盲辨识盲时域信道均衡水声通信残留码间干扰正交频分复用正交幅度调制模拟退火方形轮廓线算法支持向量机恒模算法循环前缀常模算法常数模变步长判决反馈分数间隔代价函数

组合预测模型

组合预测模型1灰色神经网络（GNN）预测模型灰色神经网络预测方法是灰色预测方法和人工神经网络方法相结合的算法，即保留灰色预测方法中“累加生成” 和“累减还原” 运算，不再求参数，而是由BP神经网络来建立预测模型和求解模型参数。

利用这种灰色神经网络进行负荷预测的算法如下。

1）对电力负荷的原始数据序列进行“累加生成”运算，得到累加序列。

2）利用BP神经网络能够拟合任意函数的优势解决累加序列并非指数规律的问题。

训练BP神经网络，逼近累加数据序列Y。

3）利用现有已经训练好的BP神经网络进行预测，输出累加序列的预测值。

4）将累加数据的预测值进行“累减还原”运算，得到电力负荷的原始数据序列预测值。

2果蝇优化算法（FOA）果蝇优化算法（fruit fly optimization algorithm，FOA）是由潘文超教授于2011年提出的一种基于果蝇觅食行为推演出寻求全局优化的新方法。

这是一种交互式进化计算方法，通过模仿果蝇群体发现食物的行为，FOA能够达到全局最优。

在实际中FOA已经被应用于许多领域，包括交通事件，外贸出口预测，模拟滤波器的设计等。

依照果蝇搜寻食物的特性，将其归纳为以下几个重要步骤。

1）参数初始化：FOA的主要参数为最大迭代次数maxgen，种群规模sizepop，初始果蝇群的位置（X_axis，Y_axis）和随机飞行距离FR。

2）种群初始化：赋予果蝇个体利用嗅觉搜寻食物之随机方向与距离。

3）种群评价：首先，由于无法得知食物的位置，需要计算果蝇到原点的距离（Dist）。

再计算气味浓度判定值（S）此值为距离的倒数。

通过将气味浓度判断值（S）代入气味浓度判断函数（或称为适应度函数），求出果蝇个体位置的气味浓度（Smell）。

并找出群体中气味浓度值最大的果蝇个体。

4）选择操作：保留最大气味浓度值和x、y坐标，此时，果蝇通过视觉飞往的最大浓度值的位置。

进入迭代寻优，重复实施步骤2）～3），并判断味道浓度是否优于前一迭代味道浓度，若是则执行步骤4）。

【国家自然科学基金】_改进和声搜索算法_基金支持热词逐年推荐_【万方软件创新助手】_20140801

2010年序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52
推荐指数 13 3 3 2 2 2 2 2 2 2 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2014年序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27
2013年序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48
科研热词推荐指数和声搜索算法 7 和声搜索 6 函数优化 3 智能优化 2 复杂函数 2 高压输电线 1 非线性规划 1 零空闲流水线调度 1 重组周期 1 遗传算法 1 遗传和声算法 1 迭代局部搜索 1 连续优化 1 进化算法 1 边坡稳定 1 计算机辅助测试 1 自适应搜索 1 自适应微调扰动 1 群搜索 1 结构工程 1 组卷模型 1 粒子群算法 1 粒子群优化算法 1 矿井通风 1 特征造型 1 混合蛙跳算法 1 混合差分进化-和声搜索算法 1 波形匹配 1 模拟退火算法 1 模拟退火 1 桁架 1 极限平衡方法 1 最大完工时间 1 智能组卷 1 故障诊断 1 改进 1 收敛速度 1 拓扑优化 1 拉斯维加斯算法 1 差分进化算法 1 安全系数 1 和声退火算法 1 和声退火 1 和声算法 1 变异 1 几何约束求解 1 全局和声搜索 1 元启发式算法 1 优化问题 1 优化设计 1 优化算法 1 优化 1

果蝇优化最小二乘支持向量机混合预测模型——以我国物流需求量预测为例

以我国物流需求量预测为例
李泓泽，郭森，李春杰
（北电力大学经济与管理学院，京１２０）华北０２６
摘
要为解决最小二乘支持向量机参数设置的盲目性，用果蝇优化算法对其参数进行优化选择，利
ＡｙｒｄＦｏｅａｔｎｇＭｏｅｓｄｏｕｔＦｌｐｔｍｉａｉｎＨｂｉｒｃｓｉｄｌＢａｅｎＦｒｉｙＯｉｚｔｏ
ＡｌｏｉｈｎｄＬｅｓｑｕｒｓＳｕｇｒｔｍａａｔＳａｅｐｐｏｔＶｅｔｒＭａｈｉｒｃｏｃｎｅ：
ＡｂｔａｔＴｏｓｌｅｔｅｂｉｄｅｓｏａａｔｒｓｔｉｇｆｌａｔｓｕｒｓｓｐｏｔｅｔｒｍａｈｎＩＳＶＭ），ｔｅｆｕｔｆｙｓｒｃｏｖｈｌｎｓｆｐｒｍｅｅｅｔｓｏｅｓｑａｅｕｐｒｃｏｃｉｅ（Ｓｎｎｖｈｒｉｌ
物源，后飞近食物位置后亦可使用敏锐的视觉发然
现食物与同伴聚集的位置，且向该方向飞去．１并图
ＬＳＳＶＭ模型的具体原理为：给定个训练样本｛。Ｙ｝，中，ｉ ” Ｘ，。ｍ其＿ＸＲ是样本输入向量， ∈ Ｒ是样本输出向量．ＳＶＭ模ＬＳ型优化目标函数为
ｏｉｉａｉｎａｇｉｈｍ（ｐｔｍｚｔｏｌｏｒｔＦＯＡ）ｗａｓｄｆｈｐｔｍａｅｅｔｏｈｅｐｒｍｅｅｓ，ｔｎｂｒｄｆｒｃｓｉｏｌ（ｓｕｅｏｒｔｅｏｉｌｓｌｃｉｎｏｆｔａａｔｒｈｅａｈｙｉｏｅａｔｎｇｍｄｅＦＯＡＬＳＳ —

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)。

无线传感器网络(Wireless Sensor Networks, WSN)是一种分布式传感网络，由大量可移动的微型传感器节点以自组织的方式组成，信息通过节点进行多跳传输。

在无线传感器网络覆盖问题上，传统的节点部署策略会出现部署速度慢，覆盖范围小，服务质量差等问题。

目前已有多种智能算法运用在无线传感器网络的覆盖优化问题上，例如粒子群算法、鱼群算法、遗传算法等。

本文将提出一种改进的果蝇算法，实现网络覆盖的优化。

果蝇算法具有很多优点，例如计算量较小，运行时间短，算法复杂度低，且寻优精度较高等。

本文将果蝇算法与WSN覆盖模型相结合，可以快速实现节点布局优化，得到更高的网络覆盖率。

通过仿真对比实验，可以看出本文的改进果蝇算法的有效性和优越性，在寻优性能方面能够大幅度优于其它几种算法。

【关键词】：WSN；果蝇算法；传感器节点；覆盖优化；
1 引言
无线传感器网络[1]是一种分布式传感，面对多节点、多任务的无线自组织网络。

无线传感器网络是由大量部署在监测区域内的传感器节点组成，通过传感器节点对监测区域的信息进行实时收集。

WSN作为一门新的技术，被广泛应用于军事领域、农业生产、生态监测与灾害预警、基础设施状态检测、工业领域、智能家居等。

传感器网络的一个关键问题就是节点的部署优化，对于如何提高网络的覆盖率、降低网络的能耗、简化网络模型，最终提高服务质量，这是目前研究的一大热门问题，也是未来无线传感技术发展的基础。

目前已有多种智能算法运用在无线传感器网络的覆盖优化问题上，例如粒子群算法、鱼群算法、遗传算法等。

这些算法虽然在覆盖的优化问题上取得了良好的效果和重大的进步，但依然存在着一些明显的不足，例如某些算法的结构过于复杂，导致整体的计算速度太慢，达不到实时的要求，某些算法的性能太差，导致最后的覆盖效果太差，远远达不到用户的服务要求，某些算法的参数太多，导致网络模型过于复杂，实际的部署方式往往不容易做到，等等。

因此本文将运用一种改进的果蝇算法，解决以上算法在无线传感器网络覆盖优化问题上的弊端，实现对网络覆盖的进一步优化。

2 果蝇算法
果蝇优化算法[2]（Fruit Fly Optimization Algorithm，FOA）是台湾学者潘文超经过研究发现，并于2011年提出的一种新型智能优化算法，它具有很好的全局优化性能，能够解决很多的优化求解问题。

果蝇有着优于其它生物的感官知觉，特别是视觉与嗅觉，依靠灵敏的嗅觉，果蝇可以很好的感知到空气中的各种气味分子，甚至可以嗅到几十公里以外的食物。

同时利用敏锐的视觉与其它果蝇聚集，并向该方向移动。

果蝇算法就是模仿果蝇的觅食过程而提出一种新型的群智能优化算法。

2.1 基本果蝇算法：
果蝇拥有优于其它物种的感官，它可以收集空气中的气味分子搜寻远处的食
物，然后聚集同伴朝食物方向并拢。

FOA 算法就是模拟果蝇群体的觅食过程而衍生的优化算法，其步骤可以归纳为：
①初始化种群大小Sizepop ,最大迭代次数Maxgen ,随机初始化果蝇群体位置X_axis,Y_axis 。

②果蝇个体随机向各个方向的位置进行搜寻。

③计算果蝇个体与原点距离d ,再将距离的倒数做为果蝇个体的味道浓度判定值i S 。

④将味道浓度判定值i S 代入适应度函数（Fitness function ），求出果蝇个体的味道浓度。

⑤找出果蝇群体中i Smell 最佳的果蝇
⑥记录并保留最佳味道浓度值i bestSmell 与X,Y 坐标。

⑦开始迭代，重复执行②～⑤，并判断最佳味道浓度是否优于前一次迭代得到的味道浓度，并且当前迭代次数小于最大迭代数Maxgen ,则执行⑥，否则，算法结束。

2.2改进步长果蝇算法
根据上一节对果蝇算法的介绍，果蝇算法中的果蝇个体每次迭代从相同的起点出发，然后向随机的方向进行搜索，搜索步长为固定区间],[H H -内的随机数。

当H 设置比较大时，算法的全局搜索能力较强，收敛的速度较快，但算法局部搜索能力较低，导致后期收敛精度不够。

相反，如果H 设置比较小时，局部搜索能力较强，全局搜索能力较低，导致算法收敛速度较慢，而且算法在小区域内搜索，收敛结果易陷入局部最优的错误解集中。

针对以上所述的局限性，本文提出的可变步长果蝇算法（CS-FOA,Change the Step of FOA ）将搜索分为若干个周期，如取50次迭代为一个周期T ，每个周期内步长采用)(x Sin 的形式进行跌宕变化，表示如下：
i i H rand axis X X ⨯-⨯+=)1()2(_
],1[ ),mod(Maxgen i T i ∈=α (1)
⎩⎨⎧>≤⨯=L H L L H L H i i i
1)+(sin(i)α
其中，L 为算法搜索区间长度，T 为单位周期的迭代次数，mod(i,T)为第i 次迭代相对于T 取余。

从公式（1）可以看出，CS-FOA 首先将整个搜索过程分为若干个周期，这样做可以增加搜索过程的多样性，使算法能够有效跳出局部收敛，大大减小局部收敛的
可能性。

其次CS-FOA在每个周期内采用)
Sin函数，使步长在单位周期T内可
(x
以跌宕变化。

在)
Sin单调递增时，步长指数型增大，算法具有很强的全局搜索(x
能力，可以实现快速收敛，并且收敛结果不易陷入局部最优，同时步长的增大可以解决)
Sin单调递
(x Sin在上个单调递减区间内可能存在的局部收敛问题。

在) (x
减区间内，步长指数型减小，可以使算法在小范围内完成高精度的搜索，结果具有更好的收敛效果。