改进的狮群优化算法脑CT断层图像去噪研究

目的为增强狮群优化算法对脑CT断层图像的去噪能力,提高算法寻找局部最优滤波器组合的效率,进而提升算法对脑CT断层图像的去噪效果。方法通过引入Tent映射,对狮群优化算法进行改进,利用Tent映射对狮群优化算法中所得的幼狮群体的局部最优组合进行混沌操作,通过加快混沌收敛的速度增强其局部寻优能力。结果改进的狮群优化算法对脑CT断层图像进行处理后,去噪图像在视觉效果与峰值信噪比方面均明显优于其他算法,改进的算法性能优良。结论改进后的算法收敛速度较快,可提升寻找最优滤波器组合的效率,并在保留脑CT图像视觉效果的同时显著提高去噪能力。

贪心二进制狮群优化算法求解多维背包问题

针对经典的多约束组合优化问题——多维背包问题(MKP),提出了一种贪心二进制狮群优化(GBLSO)算法。首先,采用二进制代码转换公式将狮群个体位置离散化,得到二进制的狮群算法;其次,引入反置移动算子对狮王位置进行更新,同时对母狮和幼狮位置重新定义;然后,充分利用贪心算法进行解的可行化处理,增强搜索能力并进一步提高收敛速度;最后,对10个MKP典型算例进行仿真实验,并把GBLSO算法与离散二进制粒子群(DPSO)算法和二进制蝙蝠算法(BBA)进行对比。实验结果表明,GBLSO算法是一种有效的求解MKP的新方法,在求解MKP时具有相对良好的收敛效率、较高的寻优精度和很好的鲁棒性。

基于狮群优化算法的自适应图像去噪技术

针对现有技术不能同时处理多种噪声的问题,提出一种基于狮群优化算法的自适应图像去噪技术。利用不同空间滤波器组合,在保留图像更多边缘纹理细节的同时,消除图像中的高斯、斑点和椒盐等多类噪声。为了提高线性滤波器组合的效率,采用狮群优化算法在无人为干预的情况下寻找最佳滤波器组合,使得算法在最少的时间消耗内实现最优的图像噪声消除效果。实验结果表明,该算法在多个指标方面的性能表现明显优于其他算法。

基于粗糙集约简与狮群优化算法的机器人路径规划研究

为了解决机器人路径规划冗余数据多、寻优质量差和收敛速度慢等问题,提出一种粗糙集约简技术与狮群优化算法相结合的寻找机器人最优路径算法。首先,采用栅格法对机器人工作环境建模;其次,用粗糙集知识约简和核对初始决策表进行简化,获得最小化决策表,用于训练初始狮子种群;最后,用改进的狮群算法寻找最优路径。实验结果表明,所提算法路径寻优质量高、收敛速度快,且具有较高的寻优稳定性。

融合多策略改进的自适应狮群优化算法

针对狮群优化算法种群差异性低、收敛速度慢、易陷入局部极值的问题,提出融合多策略改进的自适应狮群算法。引入自适应参数改进Tent混沌映射用于种群初始化,保证随机分布的同时提高多样性和均匀遍历性;基于差分进化机制引入母狮位置更新扰动因子,增强算法跳出局部最优的能力;融合二阶范数与信息熵形成步长扰动因子,通过自适应参数动态调整幼狮不同行为方式的选择概率,从而抑制算法早熟收敛;基于自适应Tent混沌搜索策略,通过局部最优解的多个邻域点改善适应度较差的个体,进一步提升算法的寻优速度和精度。在16个多类型的标准测试函数上,与多种智能算法的对比验证了所提算法良好的优化性能。为进一步评估所提算法的有效性,将其用于反向传播神经网络初始权重和阈值的优化,2个标准数据集上的实验结果表明,相比于其他算法,所提算法具有更高的分类精度。

基于狮群优化算法的机床主轴热特性分析

热误差对于主轴的回转精度至关重要,而对流换热系数的精确计算是有限元稳态热分析获得精确结果的前提。通过利用狮群优化(Lion Swarm Optimization,LSO)算法对主轴的对流换热系数进行优化,LSO相对于遗传算法等其他优化算法有更快的收敛速度、更高的精度、更能较好地获得全局最优解。首先,通过使用Lion的热分析模块测量主轴系统的关键点温度和主轴的热伸长。其次,通过经验公式计算主轴不准确但接近真实的对流换热系数值,不准确的对流换热系数会导致不准确的有限元仿真温度结果,因此使用LSO对对流换热系数寻优,将对流换热系数被视为感兴趣的目标值,实验温度值与模拟温度值之间的均方根误差被视为适应度函数。在150代之后,搜索了误差最小的最佳对流换热系数。最后,通过对搜索到的最优对流换热系数进行主轴系统的有限元稳态热分析,并与实验结果进行比较,证明了所提方法的有效性。

基于四阶贝塞尔曲线和改进狮群优化算法求解路径规划问题

首先,针对基础狮群算法中存在搜索效率低、多样性不足等问题,提出使用Sin混沌种群初始化操作提高算法初始解的质量,并引入调节因子,提高算法的多样性。其次,针对路径规划的问题,引入方向约束性函数,增加算法的搜索精度和收敛速度,同时提出双种群的狮群结构,通过差异化种群的相互协作提高算法的搜索能力,并运用四阶贝塞尔曲线,进行路径平滑处理。最后,经测试实验仿真,论证了改进狮群算法,相比基础狮群算法、灰狼算法、粒子群算法和遗传算法,在性能上有着显著提高。路径规划实验中,改进狮群算法规划出的路径较对比算法平均减少了5.67%,相比改进前的算法,运行时间减少了8.82%。

基于改进狮群算法优化神经网络的糖尿病风险预测

糖尿病风险评估预测有助于早期发现糖尿病,降低发病率和并发症。针对糖尿病风险预测问题,提出一种基于改进狮群算法优化神经网络的糖尿病风险预测模型。引入非线性扰动因子改进狮群算法,使得算法既能加强全局优化能力,避免陷入局部最优,又能保证局部优化能力,提高算法的收敛速度。利用改进狮群算法(ILSO)的寻优能力优化神经网络的权重和偏置参数,建立基于ILSO-BP神经网络的预测模型。同时,采用少类样本合成过采样技术和递归特征消除方法对糖尿病数据进行预处理,提高模型预测能力。在真实糖尿病数据集PIMA上的实验结果表明,基于ILSO-BP神经网络的糖尿病风险预测模型,其预测性能优于基线模型,也优于基于遗传算法、鲸鱼优化、粒子群优化等算法优化的神经网络预测模型,对糖尿病风险具有良好预测能力,能够对糖尿病早期筛查起到辅助作用。

基于深度学习与狮群SVM算法的遥感场景分类

针对高分辨遥感图像样本量小,以及传统优化支持向量机(SVM)算法易陷入局部最优解、寻优速度慢等问题,提出一种基于深度迁移学习与狮群优化SVM(LSO-SVM)算法对遥感图像场景进行分类.首先,通过自适应对比度增强图像后利用颜色聚合向量提取图像颜色特征;其次,利用3种预训练网络分别提取图像的迁移学习深度特征;最后,将手工提取的图像特征与用3种预训练网络获取的特征使用系列特征融合方法进行融合,并将其输入LSO-SVM进行图像场景分类.结果表明,该算法解决了小样本情况下深度学习较难训练及传统优化SVM算法易陷入局部最优解、寻优速度慢的问题.在80%的训练条件下,数据集UCM Land-Use和RSSCN7的分类精度分别达到99.52%和98.57%.

基于狮群优化的FCM图像分割算法研究

为了解决模糊C均值聚类(FCM)算法进行图像分割时容易陷入局部最优和随机初始化聚类中心的问题,研究人员提出了基于改进的狮群优化和模糊C均值聚类的混合图像分割算法。该算法首先利用改进的狮群算法优化模糊C均值的目标函数,增强算法全局最佳值搜索能力,使其避免陷入局部最优,同时引入聚类有效性指标,通过迭代更新搜索到合理的分割类别数实现自动确定图像分割最佳类别数,并根据最佳类别数确定最优聚类中心的选取,最终实现图像的自适应分割。实验结果表明,该方法可自适应地确定图像分割最佳类别数,能快速准确地实现图像分割。

基于改进混合灰狼优化算法的无人机三维路径规划

针对传统灰狼优化(Grey Wolf Optimization, GWO)算法求解无人机三维路径规划问题时会出现收敛速度慢、容易陷入局部最优等问题,提出一种改进混合灰狼优化算法——CLGWO。基于Cat混沌映射和反向学习策略初始化灰狼种群,为算法全局搜索过程中丰富种群多样性奠定基础;提出新型非线性收敛因子的改进策略,提高算法全局搜索能力。在灰狼位置更新中提出引入狮群优化(Lion Swarm Optimization, LSO)算法的扰动因子和动态权重,使灰狼具有主动的搜索能力,避免因灰狼失去种群多样性而陷入局部最优。为验证改进算法的有效性,进行了8个国际通用的标准测试函数收敛性对比实验和无人机三维路径规划仿真实验。实验结果表明,CLGWO算法在单峰、多峰函数上均有较好的收敛性、较高的寻优精度;三维路径仿真环境下,CLGWO算法的平均路径长度、平均迭代次数、平均运行时间相比于GWO算法分别优化了33%、31%、52%,且路径转折少,能较好地得到全局最优值,验证了CLGWO算法的有效性。

基于改进狮群优化的三维DV-Hop定位算法

针对三维DV-Hop(distance vector-hop)定位算法存在的定位误差较大精度不高的问题,提出一种基于改进狮群优化的三维DV-Hop定位算法。先使用狼群算法中的狼群捕食游猎行为以及羊群算法中的羊群受到攻击时的聚集互动行为对狮群算法进行改进,再把改进后的狮群算法用于优化三维DV-Hop定位算法中未知节点坐标的计算。实验结果表明,所提算法从三个方面与不同算法进行比较都具有最佳定位性能,有效减小定位误差、提高定位精度。

基于狮群优化的FastSLAM算法

针对传统FastSLAM算法存在的粒子退化和粒子多样性缺失,从而导致精度方面退化的问题,提出一种基于狮群优化的FastSLAM算法。利用狮群优化方法对FastSLAM中预测粒子进行更新,调整粒子的建议分布,对粒子群进行分工合作扩大搜索范围,增加粒子多样性;通过"适者生存"的竞争法则促使粒子更快地朝着真实的机器人位姿状态逼近,减缓粒子退化。利用MATLAB平台进行仿真实验,实验结果表明,该算法具有可行性和优越性,有效提高了SLAM精度。

基于狮群优化的改进K-Means聚类算法研究

针对K-Means聚类算法对初始聚类中心选择依赖性强的问题,利用狮群优化算法的快速收敛性及易于获取全局最优解的优势,提出了一种基于狮群优化的改进K-Means聚类算法。通过狮群优化算法对狮王不断迭代更新,优化狮王位置,将算法停止执行时的狮王最优解作为聚类中心,替代传统算法经过随机初始化得到具有不确定因素的聚类中心。选择UCI数据集进行验证,实验结果表明,改进算法的聚类效果较好,有效降低了K-Means对初始聚类中心的依赖。将改进的K-Means聚类算法应用于点云精简过程,获得了较好的点云精简效果。

基于狮群优化二维Otsu算法的输送带撕裂检测方法

基于传统二维Otsu分割算法的输送带撕裂检测方法采用穷尽搜索式的阈值选取方式,图像分割时间长、实时性差,不能同时满足撕裂检测精度与速度要求。针对上述问题,提出了一种基于狮群优化二维Otsu算法的输送带撕裂检测方法。首先通过输送带撕裂检测装置采集输送带图像,采用中值滤波和直方图均衡化对采集到的图像进行去噪和增强处理,突出撕裂部位;然后采用狮群优化二维Otsu算法对预处理过的图像求取接近实际的分割阈值,用该阈值对输送带图像进行分割处理;最后通过计算分割后图像中黑色像素点的数量进行撕裂诊断。仿真结果表明,该方法比基于传统二维Otsu算法的检测方法寻优能力更强,输送带分割效果更好,可以准确地从输送带图像中分割出裂痕,撕裂识别的正确率为98.2%,提高效率的同时缩短了运行时间,可以满足输送带撕裂检测的准确性和实时性要求。

基于狮子优化和GSA混合的多目标任务调度算法

针对现有云计算环境中调度算法资源利用率低,调度成本高的问题,提出了一种基于狮子优化和引力搜索算法(gravity search algorithm,GSA)混合的多目标任务调度算法,该算法使用成本、能耗、资源利用作为目标函数,将狮子搜索和引力搜索算法进行有效地组合来执行智能过程调度,改善调度过程中的优化问题,避免陷入局部最优。实验结果表明,相对于其他调度算法,提出的多目标任务调度算法的性能具有明显的优势,解决了传统单目标资源调度算法存在的缺陷,最终优化方案可以获得最低成本、最低能耗和最高利润。

基于改进狮群算法的云计算资源调度策略

针对云计算在运算过程中资源利用率低以及节点负载不均衡的问题,提出一种改进狮群优化算法的云计算资源调度策略。针对传统狮群算法易早熟收敛陷入局部最优以及算法收敛精度低的问题,通过余弦扰动因子以及双高斯变异函数对算法进行改进。数值仿真实验结果表明,改进后的狮群优化算法较好地平衡了算法的全局勘探能力和局部开发能力,提高了算法的全局收敛精度。建立云计算资源调度数学模型,并通过改进后的狮群算法对模型进行优化。

基于特征优选和狮群优化支持向量机的铣刀磨损状态识别

在数控机床加工过程中对其铣刀的磨损状态进行识别与监测是实现智能制造的重要课题之一.以往的人工识别法会造成过早或过晚更换刀具的问题,使用机器学习对刀具磨损状态进行识别已成为主流.本文对采集到的刀具信号,选择对切削力信号和振动信号进行特征提取.针对特征子集的优化选择,提出了多层Filter式特征选择算法PP_mRMR(Pearson+PCA+mRMR),逐层降低特征维数,减少每层计算量,得到维数低、冗余度小的优选特征子集.最后再使用狮群优化算法(LSO)优化支持向量机(SVM)的参数,并利用优化好的LSO-SVM分类器实现刀具磨损状态识别.计算机仿真实验结果表明,对优选的特征子集,采用经过LSO优化后的SVM算法能够准确识别铣刀的磨损状态.相比于现有的其他算法,识别准确率提升了2.4%,可达98.13%,并且由于算法迭代速度更快,识别时间也更少.

一种基于跳距修正的物联网中节点定位算法

针对传统的DV-Hop算法存在较大定位误差的问题,提出基于狮群优化算法的节点定位(NLLSO)算法.NLLSO算法从估计最小跳数、修正平均跳距误差和定位算法三方面进行改进,进而降低定位误差.NLLSO算法用不同通信半径传递Beacon包,进而提高估计最小跳数值的精度.同时,通过引入权值参数修正平均跳距的估计值.最后,通过狮群优化算法(LSO)估计未知节点位置.仿真结果表明:NLLSO算法的定位精度高于传统的DV-Hop算法.

基于LSO-RF模型的阶跃型滑坡位移速率预测方法

针对阶跃型滑坡在预测其位移速率时存在精度不高的问题,以泉州市安溪县尧山村阶跃型滑坡为例开展相应研究.首先,基于斯皮尔曼相关系数和灰色关联度综合分析,选取预测模型的输入特征;其次搭建结合扩展窗口法的狮群优化(LSO)-随机森林(RF)模型,提出一种适用于阶跃型滑坡位移速率预测的新方法.结果表明:综合斯皮尔曼相关系数和灰色关联度结果的特征选择方法,能弥补各自的局限性,选出最适合预测模型的输入特征组合;经过对比分析,LSO-RF模型预测阶跃型滑坡位移速率精度较高,能解决常见模型在预测阶跃型滑坡位移速率上的不足,可为阶跃型滑坡位移速率的预测提供参考.