提出了一种基于协同进化教与学优化(Co-evolutionary Teaching-and-Learning based Optimization,CTLBO)算法的二维最大熵多阈值分割方法。首先,给出了二维熵多阈值分割的最优化模型。然后,针对教与学优化(Teaching-and-Learning based ...提出了一种基于协同进化教与学优化(Co-evolutionary Teaching-and-Learning based Optimization,CTLBO)算法的二维最大熵多阈值分割方法。首先,给出了二维熵多阈值分割的最优化模型。然后,针对教与学优化(Teaching-and-Learning based Optimization,TLBO)算法存在的早熟收敛和停滞问题,提出了一种CTLBO算法,并将该算法应用于二维熵多阈值分割最优化模型的求解。该算法将整个班级分为多个子班级,每个子班级的学员同时向所有子班级的老师学习,从而提高种群多样性。此外,每隔一定的代数,各子班级的老师组成新的班级进行信息交流,从而提高收敛速度。最后,应用仿真实验对所提方法的有效性和可行性进行了验证。实验结果表明:与基于传统TLBO算法及其相关改进算法、粒子群算法的图像分割方法相比,所提方法具有更好的优化能力和分割性能。展开更多
文摘教与学优化(teaching-learning-based optimization,TLBO)算法是近年来提出的一种通过模拟"教"与"学"行为的群体智能算法。为了克服教与学优化算法容易早熟,解精度较低,后期收敛速度慢等弱点,提出了一种改进的教与学优化算法,并命名为S-TLBO(small world neighborhood TLBO)。该算法采用小世界网络作为其种群的空间结构关系,种群中的个体被看作是网络上的节点。在算法的"教"阶段,学生基于概率向教师个体进行学习,而在"学"阶段,学生则在自己的邻居节点中随机选择较为优秀的个体进行学习。为了提高加强算法的勘探新解和开采能力,引入教师个体执行反向学习算法。在多个经典的测试函数上的实验结果表明,所提出的改进算法具有较高的全局收敛性和解精度,适合于求解较高维度的多模态函数优化问题。
文摘提出了一种基于协同进化教与学优化(Co-evolutionary Teaching-and-Learning based Optimization,CTLBO)算法的二维最大熵多阈值分割方法。首先,给出了二维熵多阈值分割的最优化模型。然后,针对教与学优化(Teaching-and-Learning based Optimization,TLBO)算法存在的早熟收敛和停滞问题,提出了一种CTLBO算法,并将该算法应用于二维熵多阈值分割最优化模型的求解。该算法将整个班级分为多个子班级,每个子班级的学员同时向所有子班级的老师学习,从而提高种群多样性。此外,每隔一定的代数,各子班级的老师组成新的班级进行信息交流,从而提高收敛速度。最后,应用仿真实验对所提方法的有效性和可行性进行了验证。实验结果表明:与基于传统TLBO算法及其相关改进算法、粒子群算法的图像分割方法相比,所提方法具有更好的优化能力和分割性能。
