基于多策略融合未来搜索算法的林火图像分割

为解决林火图像传统阈值分割方法时效性差、分割精度低等问题,提出一种基于多策略融合未来搜索算法(IFSA)的多阈值林火图像分割方法。在提升算法的性能方面,采用帐篷映射(Tent映射)初始化种群中的个体,引入自适应权重与认知因子增强种群内部信息交流,并对最优位置引入柯西分布与高斯分布结合的变异机制提高算法的收敛精度。利用改进算法对森林火灾图像进行分割,并选取最佳适应度、峰值信噪比和结构相似度作为评价指标,与粒子群优化算法、灰狼优化算法等进行对比分析。研究结果表明,改进的未来搜索算法(Improved Future Search Algorithm,IFSA)的适应度曲线收敛效果明显优于其他对比算法,峰值信噪比、结构相似度取得最优的实验次数分别占总实验次数的100%与91.67%,证明基于IFSA的图像分割方法能有效改善林火图像分割效果,为林火特征的提取与分析建立依据。

自适应混沌量子粒子群算法及其在WSN覆盖优化中的应用

针对传统粒子群优化算法容易陷入局部极值和收敛速度慢等不足,通过研究种群多样性与粒子群算法进化的关系,提出一种动态自适应混沌量子粒子群优化(DACQPSO)算法。该算法将种群分布熵引入粒子群的进化控制,以Sigmoid函数模型为基础,给出了量子粒子群算法收缩扩张系数的计算方法;以平均粒距作为混沌搜索的判别条件进行混沌扰动。将DACQPSO算法应用于无线传感器网络(WSN)的覆盖优化中,并作了仿真分析。实验结果表明,DACQPSO算法在覆盖率指标上比标准粒子群、量子粒子群、混沌量子粒子群算法分别提高了3.350 1%、2.650 2%和1.900 0%,有效地提高了WSN的覆盖性能。

基于改进的量子遗传算法的认知无线网络频谱分配方法

为了提高认知无线网络频谱分配的效果,根据认知无线网络的特性,提出了基于改进的量子遗传算法(IQGA)的认知无线网络频谱分配方法。该方法利用混沌搜索初始化种群染色体编码,在迭代过程中采用动态调整量子旋转角度更新染色体,并通过变异阈值对染色体进行选择性变异,最终将频谱分配的分配矩阵和基于混沌搜索的量子遗传算法的可行解相对应,以提高网络系统的平均效益为目标函数,实现空闲信道的合理分配。仿真结果表明,基于IQGA的认知无线网络频谱分配方法具有更快的收敛速度和更好的寻优性能,能有效地提高网络系统的整体效益。

混沌与对立学习正余弦算法及多阈值图像分割

针对传统多阈值图像分割方法效率低、分割精度差,提出基于混沌与对立学习正余弦算法COLSCA的多阈值图像分割方法。为提高正弦余弦算法的寻优精度和收敛速率,引入非线性对数曲线对正余弦振幅转换参数进行更新,平衡算法全局勘探与局部开发能力;利用混沌搜索对种群精英个体进行变异,增强局部开发能力;设计对立学习增强种群多样性,避免局部最优解。将Kapur熵作为适应度函数,利用COLSCA算法求解图像分割阈值。实验结果表明,该算法可以有效提升图像分割精度和分割效率。

基于Powell搜索的混沌鸡群优化算法

针对传统鸡群优化算法(CSO)易陷入局部极值且容易早熟收敛的缺陷,提出了一种混合改进的鸡群优化算法(Powell-LCSO).首先,改进算法利用Logistic混沌映射对种群进行初始化,使得种群较好的分布在解空间中;其次,对鸡群中占据重要地位的母鸡的位置更新方式进行了改进;最后,通过引入Limit阈值判断算法是否陷入局部极值,并利用Powell搜索对全局最优个体进行局部搜索,避免了算法的过早收敛,提高其跳出局部最优的能力.通过实验表明,改进后的鸡群优化算法具有较好寻优精度和收敛效率.