正版 生物地理学优化算法的改进及其在图像分割上的应用 张新明

目录
前言
第1章 绪论 1
1.1 优化问题和优化方法 1
1.1.1 优化问题 1
1.1.2 优化方法 2
1.2 群智能优化算法 4
1.2.1 群智能优化算法原理及步骤 4
1.2.2 群智能优化算法相关知识 5
1.2.3 群智能优化算法国内外研究现状 8
1.3 本书所涉及的主要群智能优化算法 9
1.3.1 遗传算法 9
1.3.2 粒子群优化算法 10
1.3.3 差分进化算法 11
1.3.4 细菌觅食优化算法 12
1.3.5 蛙跳算法 14
1.3.6 人工蜂群算法 15
1.3.7 烟花算法 16
1.3.8 灰狼优化算法 18
1.4 本书篇章结构 19
参考文献 21
第2章 生物地理学优化算法 23
2.1 生物地理学理论 23
2.1.1 理论背景 23
2.1.2 生物地理学 24
2.2 BBO算法 25
2.2.1 BBO算法数学模型 25
2.2.2 BBO算法步骤及原理 27
2.2.3 BBO算法优缺点分析 33
2.2.4 BBO算法改进动机分析 35
2.2.5 BBO算法相关研究综述 36
2.3 本章小结 37
参考文献 38
第3章 生物地理学优化算法代表性改进研究简介 41
3.1 BBO算法迁移模型的改进 41
3.2 BBO算法种群初始化的改进 45
3.3 BBO算法迁移算子的改进 46
3.4 BBO算法变异算子的改进 47
3.5 BBO算法清除算子的改进 48
3.6 BBO算法选择策略的改进 49
3.7 BBO算法的混合改进 50
3.8 本章小结 51
参考文献 51
第4章 差分迁移和趋优变异的BBO算法 53
4.1 引言 53
4.2 DGBBO算法 53
4.2.1 榜样选择方案 53
4.2.2 差分迁移算子 54
4.2.3 趋优变异算子 56
4.2.4 贪婪选择法替换精英保留机制 58
4.2.5 改进的迁移概率计算方式 59
4.2.6 DGBBO算法总流程 59
4.2.7 DGBBO算法与BBO算法的异同点 60
4.3 实验与分析 60
4.3.1 实验准备 60
4.3.2 DGBBO算法与其不完整变体算法的对比 61
4.3.3 DGBBO算法与同类算法的对比 64
4.3.4 DGBBO算法与其他类算法的对比 66
4.3.5 DGBBO算法的t检验 68
4.3.6 DGBBO算法的计算复杂度讨论 70
4.3.7 实验总结 71
4.4 本章小结 71
参考文献 71
第5章 差分变异和交叉迁移的BBO算法 73
5.1 引言 73
5.2 DCBBO算法 73
5.2.1 差分变异算子 73
5.2.2 交叉迁移算子 74
5.2.3 启发式交叉操作 75
5.2.4 DCBBO算法总流程 77
5.2.5 DCBBO算法与BBO算法的异同点 77
5.3 实验与分析 78
5.3.1 实验准备 78
5.3.2 DCBBO算法与同类算法的对比 78
5.3.3 DCBBO算法与其他类算法的对比 82
5.3.4 DCBBO算法的Wilcoxon符号秩检验 85
5.3.5 DCBBO算法的计算复杂度讨论 86
5.3.6 实验总结 86
5.4 本章小结 86
参考文献 87
第6章 混合交叉的BBO算法 88
6.1 引言 88
6.2 HCBBO算法 88
6.2.1 垂直交叉操作 88
6.2.2 水平交叉操作 88
6.2.3 自适应启发式交叉操作 89
6.2.4 混合交叉迁移算子 90
6.2.5 HCBBO算法总流程 91
6.2.6 HCBBO算法与BBO算法的异同点 91
6.3 实验与分析 92
6.3.1 实验准备 92
6.3.2 HCBBO算法与同类算法的对比 93
6.3.3 HCBBO算法与其他类算法的对比 97
6.3.4 HCBBO算法的Wilcoxon符号秩检验 98
6.3.5 HCBBO算法的计算复杂度讨论 99
6.3.6 实验总结 99
6.4 本章小结 99
参考文献 100
第7章 融合的BBO算法 101
7.1 引言 101
7.2 EMBBO算法 101
7.2.1 共享操作 101
7.2.2 差分扰动操作 103
7.2.3 共享差分迁移算子 103
7.2.4 单维与全维交叉更新策略 104
7.2.5 反向学习机制 106
7.2.6 EMBBO算法总流程 107
7.2.7 EMBBO算法与BBO算法的异同点 108
7.3 实验与分析 108
7.3.1 实验准备 108
7.3.2 EMBBO算法主要参数讨论 109
7.3.3 EMBBO算法与其不完整变体算法的对比 110
7.3.4 EMBBO算法与同类算法的对比 111
7.3.5 EMBBO算法与其他类算法的对比 112
7.3.6 EMBBO算法在CEC2017测试集上的对比 115
7.3.7 EMBBO算法的t检验 116
7.3.8 EMBBO算法的计算复杂度讨论 117
7.3.9 实验总结 118
7.4 本章小结 118
参考文献 118
第8章 混合灰狼优化的BBO算法 120
8.1 引言 120
8.2 HBBOG算法 120
8.2.1 改进的BBO算法 120
8.2.2 反向GWO算法 123
8.2.3 HBBOG算法总流程 123
8.2.4 HBBOG算法与BBO算法的异同点 125
8.3 实验与分析 126
8.3.1 实验准备 126
8.3.2 HBBOG相关算法之间的对比 127
8.3.3 HBBOG算法与同类算法的对比 129
8.3.4 HBBOG算法与其他类算法的对比 131
8.3.5 HBBOG算法在CEC2013和CEC2014测试集上的对比 132
8.3.6 HBBOG算法的Wilcoxon符号秩检验 136
8.3.7 实验总结 138
8.4 本章小结 138
参考文献 138
第9章 混合蛙跳优化的BBO算法 140
9.1 引言 140
9.2 HBBOS算法 140
9.2.1 改进的SFLA更新方法 140
9.2.2 改进的迁移算子更新方法 141
9.2.3 HBBOS算法总流程 145
9.2.4 HBBOS算法与BBO算法的异同点 146
9.3 实验与分析 146
9.3.1 实验准备 146
9.3.2 HBBOS算法与同类算法的对比 147
9.3.3 HBBOS算法与其他类算法的对比 148
9.3.4 HBBOS算法在CEC2014测试集上的对比 149
9.3.5 HBBOS算法的t检验和Wilcoxon符号秩检验 152
9.3.6 实验总结 154
9.4 本章小结 154
参考文献 154
第10章 图像分割概述 156
10.1 引言 156
10.2 图像分割方法 157
10.2.1 图像分割方法概述 157
10.2.2 阈值分割方法 157
10.2.3 区域分割方法 158
10.2.4 边缘分割方法 159
10.2.5 基于特定理论的分割方法 159
10.3 阈值分割准则 161
10.3.1 阈值分割准则概述 161
10.3.2 昀大熵法 161
10.3.3 昀小交叉熵法 161
10.3.4 昀大类间方差法 162
10.3.5 Tsallis熵法 163
10.4 群智能优化算法在图像阈值分割上的应用 166
10.5 本章小结 167
参考文献 167
第11章 多源迁移和自适应变异的BBO算法的图像分割 169
11.1 引言 169
11.2 PSBBO算法 169
11.2.1 多源迁移算子 169
11.2.2 动态调整的变异算子 171
11.2.3 PSBBO算法总流程 172
11.2.4 PSBBO算法与BBO算法的异同点 173
11.2.5 PSBBO算法应用于昀大熵多阈值图像分割 173
11.3 实验与分析 174
11.3.1 实验准备 174
11.3.2 PSBBO算法的多阈值图像分割对比 174
11.3.3 实验总结 177
11.4 本章小结 178
参考文献 178
第12章 动态迁移和椒盐变异的BBO算法的图像分割 180
12.1 引言 180
12.2 DSBBO算法 180
12.2.1 动态迁移算子 180
12.2.2 椒盐变异算子 182
12.2.3 DSBBO算法总流程 183
12.2.4 DSBBO算法与BBO算法的异同点 184
12.2.5 DSBBO算法应用于昀小交叉熵多阈值图像分割 184
12.3 实验与分析 184
12.3.1 实验准备 184
12.3.2 DSBBO算法的多阈值图像分割对比 185
12.3.3 实验总结 190
12.4 本章小结 191
参考文献 191
第13章 混合迁移的BBO算法的图像分割 193
13.1 引言 193
13.2 HMBBO算法 193
13.2.1 微扰动启发式交叉操作 193
13.2.2 混合迁移算子 194
13.2.3 HMBBO算法总流程 195
13.2.4 HMBBO算法与BBO算法的异同点 196
13.2.5 HMBBO算法应用于昀大类间方差多阈值图像分割 196
13.3 实验与分析 197
13.3.1 实验准备 197
13.3.2 HMBBO算法的多阈值图像分割对比 198
13.3.3 实验总结 202
13.4 本章小结 202
参考文献 203
第14章 混合细菌觅食优化的BBO算法的图像分割 204
14.1 引言 204
14.2 HBBOB算法 204
14.2.1 扰动迁移算子 204
14.2.2 “1步长”趋化算子 206
14.2.3 HBBOB算法总流程 208
14.2.4 HBBOB算法与BBO算法的异同点 208
14.2.5 HBBOB算法应用于Kapur熵多阈值彩色图像分割 209
14.3 实验与分析 210
14.3.1 实验准备 210
14.3.2 HBBOB算法的多阈值图像分割对比 212
14.3.3 实验总结 221
14.4 本章小结 221
参考文献 222
第15章 总结与展望 223
附录 基准函数 225

　　群智能优化算法一般具有原理简单、易于实现的特点，能够较好地处理许多优化问题。生物地理学优化算法是受生物地理学理论启发而开发的一种进化计算技术，是群智能优化算法之一，广泛应用于处理科学和工程领域中的优化问题。《生物地理学优化算法的改进及其在图像分割上的应用》详细介绍了作者在生物地理学算法改进上的六项研究成果以及四项改进的生物地理学优化算法在图像分割上的应用研究成果。
　　《生物地理学优化算法的改进及其在图像分割上的应用》注重理论与应用的结合，遵循由浅入深、循序渐进的原则，内容丰富，实验充分。《生物地理学优化算法的改进及其在图像分割上的应用》可供高等学校、科研院所的计算机科学、人工智能、自动化和管理科学等专业的教师和学生阅读，也可供相关领域的科技工作者和工程技术人员参考。