融合细菌觅食趋化算子的生物地理学优化算法.pdfVIP

第48卷第4期 郑州大学学报(理学版) Vol．48No．4 2016年12月 J.ZhengzhouUniv.(Nat.Sci.Ed.) Dec． 2016 融合细菌觅食趋化算子的生物地理学优化算法 ,2 张新明 , 康 强 , 涂 强 , 程金凤 (1. 河南师范大学计算机与信息工程学院 河南新乡453007;2.河南省 高校计算智能与数据挖掘工程技术研究中心 河南新乡453007) 摘要:针对高维多阈值彩色图像分割中由于维数高带来阈值搜索困难等问题,提出了一种融合细菌觅食算法 (BFO)趋化算子的混合生物地理学算法(hybridbiogeographybasedoptimization,HBBO).首先构建一种嵌入变异操 作的迁移算子,去掉BBO算法原有的变异算子;其次将细菌觅食算法中具有较强局部搜索能力的趋化算子的趋化 步长固化为1,将此趋化算子与改进的迁移算子融合,并将精英保留策略换成贪婪选择算子,形成混合BBO算法; 最后将HBBO算法应用到高维Tsallis熵多阈值彩色图像分割中.实验结果表明,与目前的MABC IDPSO MBFO和 BBOM算法相比,HBBO算法在高维多阈值图像分割中有更好的优化性能 更快的运行速度和更强的稳定性. 关键词:智能优化算法;生物地理学优化算法;彩色图像分割;多阈值分割;Tsallis熵 中图分类号:TP18;TP391.41 文献标志码:A 文章编号2016 DOI:10.13705/j.issn2016660 0 引言 智能优化算法通过模拟某些自然现象或过程以解决科学及工程中遇到的优化问题,已成为科学与工程 [1-2] [3] [ ] 领域的研究热点 .近年来涌现出了许多智能优化算法,如粒子群优化算法 、人工蜂群算法 、布谷鸟 [5] 算法 等.这些算法能够高效地求解传统优化算法难以解决的复杂问题,且易于实现,因而得到广泛的应 [6] 用.然而,没有一种优化方法能够对所有问题都有效,每种方法有其相应的优势和劣势 .特别是对于一些 不确定和非线性复杂系统问题的求解,单一模式优化方法难以获得最优解或满意解.混合算法利用各智能优 化算法内部独特的优点和机制相互补充,通过算法间交叉和融合,构造出混合智能系统,以便产生更好的优 化性能和求解效率. 生物地理学优化算法(biogeography-basedoptimization,BBO)是基于生物地理学理论提出的一种新颖的 [5] 群体智能进化算法 ,该算法因具有较强的全局搜索能力和稳定性,受到业内众多研究者的青睐.文献[6] 提出一种基于高斯变异的生物地理学优化模型,提高了算法的优化精度;文献[7]提出了一种混合迁移算 子,并将其应用于约束优化问题;文献[8]提出了一种融合了DE算法的DE/BBO,有效地结合DE 的探索能 力与BBO 的开采能力,提高了算法的搜索性能. 阈值分割是常用的图像分割方法之一,其性能稳定且易于实现,通常分为单阈值法和多阈值法两类.阈 [9] [10] 值分割的关键在于选取合适的阈值,常用的阈值分割法有最大类间方差法 、最小交叉熵法 和最大Tsallis 熵法[11-12]等.对于多阈值分割常采用智能优化算法进行阈值选择以降低其计算复杂度.然而,一般的优化方 法在处理低维多阈值分割问题时可以找到最佳阈值向量,而面对高维问题时就很难找到合适的阈值组合,从 而图像分割效果不佳且目前研究甚少;另外,彩色图像分割需要对诸如R、G、B三种颜色分量寻找最优阈值 向量,其