融合模糊聚类的蚁群图像增强算法

为提高边缘检测精准度,保证图片分割后效率和效果,本文提出一种基于融合模糊聚类的蚁群图像增强算法。该算法利用分量灰度值、灰度梯度值和领域特征值进行图像特征提取,得到特征灰度图;然后使用模糊聚类算法对区域蚂蚁进行聚类以提高收敛速度;再采用蚁群算法进行图像边缘检测,检测过程中,使用路径选择策略对蚁群进行有序搜索,提高搜索效率,又根据信息素更新策略进行最优路径信息交流,以达到边缘点提取与检索目的;最后将检索所得灰度边缘图与原图进行重合,得到图像增强效果。实验结果表明,该改进算法在检索时间方面相较于传统蚁群算法提高了20.7%;在精度方面提高了14.8%,图片分割效果更好,纹理更清晰。     

蚁群算法在图像边缘检测上的应用研究

将蚁群算法应用于图像边缘检测,提出了一种利用灰度梯度引导的蚁群搜索图像边缘的算法,其核心思想是利用图像的灰度梯度作为启发信息,并加入运动方向改变量,引导蚁群搜索边缘,迭代搜索可能的局部边缘曲线。通过对蚂蚁行走过路径上的信息素分布进行更新,使得分布在真实边缘上的信息素逐渐增大,从而使搜索逐渐向真实的边缘收敛,最后根据信息素的遗留结果提取的边缘曲线。此算法可有效抑制噪声干扰,最大限度的保留细节信息,以达到有效提取图像边缘的目的。同时在灰度提取及蚁群的选择上较已有相关算法有较大改进,并分析效果指出不足和进行相关的改进的方向。     

基于蚁群优化算法的复杂背景图像文字检测方法

针对复杂背景图像中的文字检测问题,提出一种基于蚁群优化算法的复杂背景图像文字检测方法。该方法首先采用蚁群优化算法提取图像边缘;然后在边缘图像上提取特征,采取由粗到精多级检测、验证的策略进行文字检测。与基于Soble算子、Canny算子等方法的对比实验结果表明,所提出的基于蚁群优化算法的文字检测方法可有效地实现复杂背景图像中的文字检测。     

基于K-均值改进蚁群优化的彩色图像边缘检测算法

为提高图像边缘检测的精度,提出一种基于K-均值改进蚁群优化（ACO）的彩色图像边缘检测算法。将聚类嵌入到边缘检测中,使这2类图像分割方法有效结合,增强了2类方法的优势。实验结果表明,该算法有效解决了传统蚁群算法（ACO）收敛较慢的问题,较好地保留了图像边缘细节,降低了计算复杂度,与典型分割方法相比具有更好的性能。     

基于改进蚁群算法的轨道图像边缘检测方法

针对轨道图像边缘检测效果不佳的问题,提出一种基于改进蚁群算法的边缘检测算法.在蚁群的路径选择中加入搜索热度因子,考虑轨道边缘的连续性和完整性后,结合灰度梯度值、像素点的相位角度和蚂蚁移动的方向性,重新设计了启发函数.动态调整了局部信息素更新公式,并基于混沌扰动改进了全局信息素更新公式.通过仿真实验验证了算法的有效性.     

动态调整选择策略的改进蚁群算法

针对蚁群算法存在停滞现象的缺点,提出一种动态调整的选择策略以强化其全局搜索能力.改进的选择策略通过适当刺激蚂蚁尝试具有较弱信息素解,以提高所得解的全局性.给出了新算法仿真实验步骤,并将改进后的蚁群算法与传统蚁群算法分别应用于旅行商问题(TSP)进行仿真实验.仿真结果表明,改进后的算法具有优良的全局优化性能,可抑制算法过早收敛于次优解,有效防止了停滞现象,收敛速度也大大加快.     

结合Powell-RWACO的图像边缘提取算法*

针对蚁群算法在图像边缘提取中经常出现收敛速度慢、检测精度低、停滞等问题,提出一种结合Powell法的排序加权蚁群(Rank Weighted Ant Colony Optimization, RWACO)图像边缘提取算法。该算法将RWACO算法与Powell法相结合,利用RWACO算法进行全局优化,然后将全局最优值作为Powell法的初始点进行局部优化。实验结果表明,该算法兼顾了全局优化和局部优化的优点,与蚁群算法和Canny算法相比,明显提高了图像边缘精度,计算效率比蚁群算法提高了两倍多,并克服了其停滞等缺点,能够高效地检测出图像的边缘。从而验证了该算法的可行性,对今后的图像边缘检测具有参考价值。     

改进并行蚁群算法在配电网网架优化中的应用

针对蚁群算法收敛速度慢、易陷入局部极小的不足，在并行蚁群算法的基础上，改进组间蚂蚁沟通交流方式，并提出一种自适应分组策略，在算法运行过程中，每过一定迭代次数，将蚂蚁的组数减半，每组蚂蚁的数量倍增，直至为一组蚂蚁。每次蚂蚁组数减半时，采用一种组间信息素融合规则更新留存组蚂蚁路径信息素。通过一个配电网网架优化问题的实例进行实验，仿真结果表明改进算法在收敛速度和寻优方面都有所提升。     

基于精英策略的逆向蚁群优化盲检测算法

介绍了基本蚁群优化算法在信号盲检测中的应用.发现基本蚁群优化算法存在慢收敛且易停滞等问题.为了解决基本蚁群算法存在的缺点,提出了基于精英策略的逆向蚁群优化盲检测算法:采用精英策略和增加蚁群种类,即向原始蚁群中引入逆向蚂蚁来提高算法全局寻优能力.这样既加强了正反馈作用,又加快了收敛速度.仿真结果表明,将该算法应用于盲信号的检测可以直接快速地恢复发送信号,且收敛速度和全局寻优能力都得到很大的改善.     

双态免疫优势蚁群算法及其在TSP中的应用研究

通过分析标准蚁群算法易于出现早熟停滞现象,该文提出一种高效收敛的算法-双态免疫优势蚁群算法.该算法将蚂蚁分成两种状态,扩大了解的搜索空间,有效抑制了收敛过程中的早熟停滞现象,将禁忌表中的抗体通过克隆扩增、高频变异等免疫算子操作得到精英蚂蚁,再对抗体记忆库引入局部最优免疫策略.针对TSP实验结果表明:该算法与最新的改进蚁群优化算法相比,其收敛速度及求解精度均得到了提高.     

基于免疫蚁群融合算法的机械臂目标图像边缘检测*

针对工业机械臂目标自识别所需的高效图像边缘检测要求,提出了一种基于免疫蚁群融合算法的图像边缘检测方法。该方法以信息素为基准,通过注射疫苗进行免疫选择从而优化启发信息,提高后续遍历效率并有效缩短检测时间。避免了蚁群在游历全图时可能产生的局部最优、收敛停滞等问题,从而得到符合机械臂自识别要求的图像处理结果,并能够较好地提高迭代遍历效率,缩短后续处理时间。仿真实验结果表明,该算法能够得到较好的边缘检测结果。     

基于改进蚁群算法的CT图像边缘检测方法研究

将蚁群算法(ACA)应用于CT图像边缘检测领域,提出一种新的CT图像边缘检测方法。为了提高检测效率、精确度和对各类CT图像的适应性,对蚁群算法进行了改进,并针对图像中的不同内容采取不同的转移策略和信息素更新规则。实验结果表明了该算法的有效性,满足了CT图像三维重建的需求。     

一种连续域函数优化蚁群算法的改进设计

本文在一种连续域函数优化蚁群算法基础上,对该算法做了进一步的改进,引入了自动判断收敛条件方法,同时,也改进了蚁群初始化方法、全局搜索策略以防止早熟和停滞现象。通过与其他连续域函数优化算法的比较结果证明,改进后的算法稳定性较好。     

一种进化型蚁群算法及其在TSP问题中的检验

蚁群算法是通过模拟蚂蚁觅食而发展出的一种新的启发算法，其收敛速度一直是人们关心的问题。针对蚁群算法的一些不足，提出基于最小生成树的进化型蚁群算法。它利用了最小生成树与最优路径之间的关系限制了蚂蚁在每一个城市的搜寻范围，进化了寻优策略，节省了在不可能构成最优路径的路段上的计算时间，提高了运算速度，克服了以往蚁群算法的计算时间长、精度低的缺点，使得蚁群算法有了显著的提高。计算机仿真结果表明，该文算法改进了标准蚂蚁群算法的效率和计算结果的质量。     

自适应概率选择模型的改进蚁群算法研究

传统的蚁群算法在路径规划中存在收敛速度慢、易陷入局部最优解等问题。针对这些缺陷,提出一种基于自适应概率选择模型的改进蚁群算法。最后,在Matlab2016a仿真软件中构建两种地图环境,对两种算法在不同环境下的适应性和寻优能力进行仿真实验。结果表明,改进的蚁群算法的体现了更好的收敛性,在复杂环境下的最优路径和寻优时间更短。     

Edge detection using ant algorithms

In this paper a new algorithm for edge detection using ant colony search is proposed. The problem is represented by a directed graph in which nodes are the pixels of an image. To adapt the problem, some modifications on original ant colony search algorithm (ACSA) are applied. A large number of experiments are employed to determine suitable algorithm parameters. We drive an experimental relationship between the size of the image to be analyzed and algorithm parameters. Several experiments are made and the results suggest the effectiveness of the proposed algorithm.     

基于蚁群-遗传算法的物化视图选取策略

将蚁群算法和遗传算法相结合用于物化视图选取问题。利用遗传算法较强的全局搜索能力对蚂蚁每次的搜索结果进行优化改良,并在信息素更新时,同时考虑最优、最差路径上的信息素更新。实验结果表明,该算法不仅提高了解的收敛速度,也成功解决了蚁群算法易“早熟”而引起的停滞现象。     

一种基于优质边求解TSP的蚁群算法

应用蚁群算法求解旅行商问题时发现,算法易陷入局部最优解而停滞,并导致其探索新解能力的降低。提出了一种基于优质边的求解方法,根据算法运行过程中的相关信息选取优质边,在停滞时调整优质边上的信息素;使用改进的选路规则将蚂蚁的路径选择尽可能限制在优质边中,从而改进蚂蚁构造解的质量以增强算法的探索能力。实验结果表明,改进的策略是合理有效的。