K.P. Baby Resma
,
M.S.Nair
/
Journal of King Saud University
与其他生物启发优化技术相比。另一个显著的优点是,在
KHO
算法
中,创建磷虾行为所需的参数数量较少,以找到全局最佳,如表
9
所
示。
一只磷虾随时间变化的位置可以是
根据以下三个动作推测:磷虾个体移动-
2
L-
1
jY
j
u
1
¼
x
1
1
1
-
l
T
;
1
1
¼
x
t
j¼t
全球强度平均值,
1
T
1/4x
0
10x
1
1
1
,
其中,
采用磷虾群优化算法(Hofmann等人,(2004年第10期)
dX
i
dt
<$Nk
i
Fki Dki 19
Krill Herd Optimization的算法如下:
步骤
1
初始化参数
I
max
(最大迭代次数
Nmax
(最大诱导速度)、
Vf
(最大觅食速度)、
Dmax
(最大扩
散速度)、
n
(磷虾数量)和
X
(磷虾位置)。
步骤2重复步骤3至步骤7,i = 1至I
max
x
1
¼ Y
j
14
mm
j¼t
上述方法也可推广到多级阈值问题,其定义如下:最大化
Otsu
第3步计算磷虾的运动
4.由于其他磷虾个体而引起的迁移
磷虾个体之间的共同效应导致了这种迁移,因为它们总是试图保持高密
度。运动
从局部目标估计由
a
i
表示的感应方向
和令人厌恶的蜂群密度
我我
xn
是与所引起的运动相关联的惯性权重,并且具有范围
[0
,
1]
中的
值
Nk
old
代表最后一个运动
u
n
1/4
x
n
1
n
-1
T
2
18
随着阈值数目
n
的增加,对
n +1
个片段的穷举搜索将导致计算量的
指数增长。
时间因此,大津为了克服上述缺点,本文提出了一种基于
Kapur
所提
出的方法的目标是在有限的计算时间内找到最佳的阈值分割的图像通
过最大化
步骤
4.1.1
邻居提供由/
local
表示的局部效应,并且它可以定义如下:
NN
本地
i
第
1页
其中,
Kapur
3.
Krill Herd Optimization
(
KHO
)算法
KHO算法(Gandomi和Alavi,2012)是一种新的
群体智能优化技术的基础上模拟磷虾(
磷虾
superba
)个人的羊群行
为,对环境和生物过程的反应。
KHO
算法模拟了磷虾的行为,其中
磷虾群中的每个个体将根据其适合度在移动过程中做出自己的贡
献,它还取决于相邻的磷虾个体是否对彼此具有吸引或排斥效应,
作为对每个个体的局部搜索磷虾个体的整体适应性导致了食物中心的
确定
K
最差
-K
最好
Kworst
和
Kbest
是Krill个体的最佳和最差
表示邻居的数量。
步骤
4.1.2
由/
target
表示的目标方向的效果由最佳
Krill
个体提供,并
如下
其被认为是最佳全局估计。
KHO
算法是基于拉格朗日和磷虾的进化
行为
对第
i
条
磷虾适应度最好的磷虾个体有效系数
由C
best
表示的个体由下式给出,
在该算法中起主要作用,与自适应技术相结合,将当前解的位置向
最佳解改变,从而导致更好的收敛速度,