基于模拟退火遗传算法的空瓶图像分割

针对空瓶检测的特点,把遗传算法和模拟退火算法引入到空瓶图像分割算法中,提出了一种利用遗传算法搜索最优分割阈值方法.该方法具有遗传算法的全局寻优能力和模拟退火算法较强的局部搜索能力,能够有效、简单地进行图像分割,可以满足实时检测系统中精度和速度的要求.     

基于模拟退火并行遗传算法的Otsu双阈值

模拟退火和并行遗传算法是两种较好的改进进化算法性能的方法。将这两种思想有机地结合起来,利用遗传算法能全局寻优的优势和模拟退火算法的爬山性能,提出了一种基于模拟退火并行遗传算法的Otsu双阈值医学图像分割算法。在该算法中,进化在多个不同的子群中并行进行,利用模拟退火算法的爬山性能,避免单种群进化过程中出现的过早收敛现象,提高整个算法的收敛速度。实验证明,这种新的图像分割算法与并行遗传算法相比,不仅能够对图像进行准确的分割,而且具有更强的精确性和稳定性。其收敛速度明显比并行遗传算法的Otsu双阈值医学图像分割快。     

基于模拟退火并行遗传算法的Otsu双阈值医学图像分割

模拟退火和并行遗传算法是两种较好的改进进化算法性能的方法.将这两种思想有机地结合起来,利用遗传算法能全局寻优的优势和模拟退火算法的爬山性能,提出T一种基于模拟退火并行遗传算法的Otsu双阈值医学图像分割算法.在该算法中,进化在多个不同的子群中并行进行,利用模拟退火算法的爬山性能,避免单种群进化过程中出现的过早收敛现象,...     

基于模拟退火遗传算法的多项目调度问题研究

针对多资源约束条件下的多项目调度问题,提出了一种模拟退火遗传算法的求解方法.该方法首先分别对普通的遗传算法和模拟退火算法进行改进,然后在遗传算法中插入模拟退火操作,通过模拟退火操作来克服遗传算法容易陷入局部最优解的缺陷,同时该方法也继承了遗传算法收敛速度快的特点.最后的实例计算结果表明该算法能克服模拟退火算法和遗传算法的缺点,获得比其它算法更优的解,与其它启发式算法及智能算法相比具有更高的求解效率.     

基于遗传策略的图像灰度多阈值选择方法

阈值法是图像处理中阈值选择的最重要方法之一,吸引了很多研究者的注意力。ChunDN等人将遗传算法引入到阈值选择问题中,提出了基于遗传算法的鲁棒图像分割准则。文中对遗传算法做了改进,提出了自己的图像分割方法,并针对多阈值选择中计算量太大的问题,提出了自己的算法。通过实验将该算法与模拟退火算法进行了比较,结果充分显示了算法的有效性。     

基于模拟退火遗传算法的炉膛火焰图像分割

煤粉锅炉的燃烧过程是一个复杂而不稳定的悬浮燃烧过程,所以炉膛火焰图像的分割是存在一定的困难.本文介绍了遗传算法的基本原理,并结合OTSU最优阈值图像分割方法,提出了一种利用遗传算法进行图像分割的算法.同时,为了提高算法的运行性能,本文使用模拟退火方法对原算法进行了改进,并得到了更好的应用效果.     

改进的模拟退火和遗传算法求解TSP问题

对遗传算法和模拟退火算法的特点进行了比较,阐述了遗传算法与模拟退火算法集合的必要性。提出了一个用于求解TSP问题的改进的模拟退火和遗传算法。利用遗传算法的全局搜索能力弥补了模拟退火算法容易陷入局部最优的问题。在遗传算法中改进了传统的交叉机制,利用父代染色体与子代染色体进行交叉,解决了传统遗传算法中存在的“早熟”问题。针对模拟退火算法收敛速度慢等问题,提出了新的解生成机制和改良算法,提高了算法的收敛速度。实验测试的结果表明,该方法具有较好的收敛效果和更高的稳定性。     

模拟退火遗传算法在多用户检测技术中的应用

将遗传算法GA(Genetic Algorithm)与模拟退火算法SA(Simulated Annealing)相结合,提出模拟退火遗传算法(SAGA),并将其应用于MC-CDMA无线通信系统的多用户检测技术中,以求降低多用户检测算法在实际应用中的复杂度并同时提高多用户检测器的性能。分析了遗传算法和模拟退火算法的性能,从理论上阐述了模拟退火遗传算法应用于多用户检测技术中的方法和可行性。理论分析表明,基于模拟退火遗传算法的多用户检测器的算法复杂度比传统多用户检测器低;数值仿真结果也表明前者在抗干扰能力上优于后者。     

基于模拟退火遗传算法的聚类分析

将模拟退火遗传算法用于聚类分析,通过对聚类中心进行编码,定义适应度函数,选择、交叉、变异操作以及模拟退火算法的运用,给出了一种新的基于模拟退火遗传算法的聚类算法,实验结果显示该方法优于基本的遗传算法.     

一种基于改进小生境遗传算法的图像分割方法

利用经典的Otsu算法和基本遗传算法相结合进行图像分割存在有算法效率低、容易提前形成伪解的问题,对于上述问题,提出一种基于改进小生境遗传算法的图像分割算法(IVNGAMS)。算法全局优化了二维Otsu图像分割函数,可以按照个体适应度大小自动控制遗传参数。并通过引入模拟退火算法,进一步提升算法的局部搜索能力。实验结果表明,改进的图像分割方法能更好提升算法的全局搜索能力,能够更加稳定快速的收敛到最佳的分割阈值,并且得到了更好的图像分割效果。     

基于真实场景图像下的卷积神经网络去噪算法

为了有效地去除实际图像中的噪声,提出了一种基于真实场景图像下卷积神经网络去噪算法,通过构建新的无噪图像数据集,输入至卷积神经网络中进行训练,并结合模拟退火算法提高训练率,建立去噪网络模型,实现真实场景图像去噪.实验结果表明:含噪的灰度图像与相机拍摄图像均取得明显的平滑效果,算法信号-噪音功率比(PSNR)值较高,图像边缘和细节也得到了较好的保留.     

Image segmentation using evolutionary computation

Image segmentation denotes a process by which a raw input image is partitioned into nonoverlapping regions such that each region is homogeneous and the union of any two adjacent regions is heterogeneous. A segmented image is considered to be the highest domain-independent abstraction of an input image. The image segmentation problem is treated as one of combinatorial optimization. A cost function which incorporates both edge information and region gray-scale uniformity is defined. The cost function is shown to be multivariate with several local minima. The genetic algorithm, a stochastic optimization technique based on evolutionary computation, is explored in the context of image segmentation. A class of hybrid evolutionary optimization algorithms based on a combination of the genetic algorithm and stochastic annealing algorithms such as simulated annealing, microcanonical annealing, and the random cost algorithm is shown to exhibit superior performance as compared with the canonical genetic algorithm. Experimental results on gray-scale images are presented     

一种改进遗传退火算法的图像分割方法

图像分割是图像处理和分析的基础,本文通过分析遗传算法（Genetic Algorithm, GA）在图像分割中的应用优劣,提出利用模拟退火思想的改进遗传退火（Genetic Simulated Annealing Algorithm, GASA）的图像阈值分割算法,算法整个运行过程由冷却温度进度表控制,使用改进的最大类间方差公式作为遗传算法的适应度函数,从而求得灰度图像的一个最佳阈值用于图像分割。实验结果表明,基于改进遗传退火算法的最大类间方差图像分割方法能较好提高算法的全局搜索能力,避免遗传算法陷入局部最优,并且能更快速、更稳定收敛到最佳的分割阈值,得到更好的图像分割效果。     

一种新的图像恢复遗传算法

针对简单遗传算法在进行图像恢复时，存在“过早收敛”现象，及计算量过大的问题，设计了一种新的二维染色体编码方法，并将传统遗传算法与模拟退火算法相结合。实验结果表明，该方法能较好克服“过早收敛”，降低计算复杂度，改善退化图像恢复质量。     

求解曲面距离问题的模拟退火遗传算法

提出计算曲面距离的统一方法——退火遗传算法。该算法将模拟退火算法和遗传算法相结合,解决了曲面之间的距离问题。该方法将工业中常用的曲面统一用参数形式表示,利用遗传算法求解曲面的距离问题。该方法通过引入模拟退火机制和人为地加入一定数目的特殊个体,大大增强了算法的爬山性能。     

几种改进遗传算法的性能比较

本文将标准遗传算法与分层策略和模拟退火思想相融合，设计出分层遗传算法、模拟退火遗传算法和模拟退火分层遗传算法三种改进的遗传算法。计算结果验证了算法的有效性和正确性。进一步算法性能分析证明了论文中所设计的改进的算法不仅能增强算法的全局收敛性，还能加快遗传进化速度。     

一种改进的Hopfield神经网络SST图像恢复方法

提出了采用三元存储结构和图像分块的改进算法，同时利用模拟退火算法和遗传算法来提高恢复算法的收敛速度，从而进一步提高图像恢复的实时性，最后利用所提出的基于Hopfield神经网络的快速恢复方法进行模拟计算，其运算效率和恢复结果都能达到SST图像恢复的使用要求。     

基于模拟退火遗传算法的软件测试数据自动生成

提出了一种应用于软件测试中的基于模拟退火遗传算法的测试数据自动生成算法。该算法针对测试数据自动生成的特点将遗传算法和模拟退火有机结合,充分发挥遗传算法的全局搜索和模拟退火的局部搜索优势,提高了测试数据的生成能力。实验结果表明,该算法在测试数据自动生成的效率和效果方面,优于遗传算法。