基于链式智能体遗传算法的动态能耗优化算法

能耗优化是一个动态优化问题,在能耗规模较大的情况下,能耗设备间与总能耗间存在一定的非线性关系,即并非每个能耗最优化能使得总的能耗最优化,因此能耗优化是一个动态非线性优化问题。对于能耗优化问题,传统的节能方法难以奏效。基于此,本文在分析目前节能方法的特点后,设计一种高效的全局优化算法——链式智能体遗传算法,可解决上述的动态非线性优化问题。为了验证本文提出的算法的优越性,将该算法用于某钢厂的电能节耗中,节耗效果明显且较稳定。实践表明,该算法具有较好的灵活性,当能耗环境和节能要求发生变化时,该算法能在不变动当前设备的前提下,动态获得较优的节能效率。

基于链式遗传——模拟退火算法的配电网络重构

以网损最小为目标函数,节点电压、网络辐射性和电源容量的限制为约束条件,建立了配电网络重构优化数学模型。针对各种单一算法的局限性,提出了一种基于链式遗传-模拟退火算法。该算法将环境压力映射为待优化问题,进化链(食物链)上每条染色体(个体)则对应问题的一个候选解,通过模拟退火Metropolis取舍准则控制算法搜索最优方案的进程。最后,在IEEE16节点系统上验证了所提方法的有效性。

多类型语音特征进化选择算法

基于特征选择的语音特征获取用于说话人识别是目前较为有效的方式。但是,最优语音特征随着具体应用环境的变化而不同。因此,提出了基于四类型语音特征封装式遗传特征选择算法(FSF-Wr GAF),该算法提取了四种类型的语音特征参数,通过链式智能体遗传算法和GMM-UBM进行封装式动态特征选择,获取高精度的识别准确率。采用了多种指标完成该算法的性能测试。实验结果表明,该算法具体实现过程简便,改进效果明显,较同类算法在多项指标(识别率,EER,DET曲线)上都有显著提高。

基于磁共振影像特征集成融合的AD诊断

为了得到更高更稳定的阿尔茨海默病(AD)诊断准确率,对脑磁共振影像纹理特征进行了集成融合,并用于AD分类诊断.首先,基于病理知识提取脑磁共振影像中左右脑相关解剖结构的体积、纹理特征;然后,采用链式智能体遗传算法与支持向量机相结合的封装式特征选择分类集成模型,对提取的特征集进行特征选择,从而实现融合;最后,利用融合后的特征进行分类诊断,并将融合后的分类结果与融合前以及采用p值法特征选择的分类结果进行对比.实验结果表明,相比融合前的特征以及采用p值法进行选择的特征,利用所提算法融合后的特征具有更高且更稳定的分类准确率、灵敏度和特异度.

多特征聚类与粘连分离模型的细胞抹片图像分割与分类

胰腺癌的诊断非常重要,而细胞抹片显微图像的病理分析是其诊断的主要手段。图像的准确自动分割和分类是病理分析的重要环节,因此本文提出了一种新的胰腺细胞抹片显微图像自动分割与分类算法。在分割方面,首先采用多特征Mean-shift聚类算法(MFMS)定位细胞核区域;接着采用弹性数学形态学结合角点检测的去粘连模型(CSM)对粘连重叠细胞核进行去粘连处理,实现了分割的准确性和鲁棒性。在分类方面,首先针对分割的细胞核提取了4个形状特征和138个不同颜色空间的纹理特征;然后结合支持向量机(SVM)和链式遗传算法(CAGA)实现封装式特征选择;最后将优选特征送入SVM进行分类,完成了胰腺细胞抹片显微图像的分类识别。本文采用了15幅图像一共461个细胞核进行测试。实验结果显示,本文算法可以实现不同类型的胰腺细胞抹片显微图像的自动分割与准确分类。就分割来说,本文算法可获得较高的正确率(93.46%±7.24%);就正常和癌变细胞的分类来说,本文算法可获得较高的分类正确率(96.55%±0.99%)、灵敏度(96.10%±3.08%)和特异度(96.80%±1.48%)。