摘要：针对传统蚱蜢优化算法收敛速度慢、寻优精度低的不足,提出融合学习自动机和折射对立学习的混沌蚱蜢优化算法LRGOA。算法利用完全随机混沌Tent映射进行种群初始化,提高种群遍历性和多样性;利用学习自动机对决定搜索方向的调整系数更新,以均衡全局搜索与局部开发;引入折射对立学习位置更新机制,避免算法陷入局部最优。将LRGOA应用于数据集特征选择问题,设计基于LRGOA的特征选择算法LRGOAFS。选取UCI库数据集对算法的有效性进行验证,证实改进算法可以同步降低特征选择维度和提升数据分类准确率。

摘要：元启发式算法自20世纪60年代提出以后,由于其具有可以有效地减少计算量、提高优化效率等优点而得到了广泛应用.该类算法以模仿自然界中各类运行机制为特点,具有自我调节的特征,解决了诸如梯度法、牛顿法和共轭下降法等这些传统优化算法计算效率低、收敛性差等缺点,在组合优化、生产调度、图像处理等方面均有很好的效果.提出了一种改进的元启发式优化算法——NBAS算法.该算法通过将传统天牛须算法(BAS)离散化得到二进制离散天牛须算法(BBAS),并与原始天牛须算法进行混合得出.算法平衡了局部与全局搜索,有效地弥补了算法容易陷入局部最优的不足.为了验证NBAS算法的有效性,将NBAS算法与二维K熵算法结合,提出了一种快速、准确的NBAS-K熵图像分割算法.该方法解决了优化图像阈值分割函数的优化算法易陷入局部最优、算法寻优个体数多、设计复杂度高所导致的计算量大、耗时长等问题.NBAS-K熵算法与BAS-K熵算法、BBAS-K熵算法、遗传K熵算法(GA-K熵)、粒子群K熵算法(PSO-K熵)和蚱蜢K熵算法(GOA-K熵)在Berkeley数据集、人工加噪图像以及遥感图像上的实验结果表明,该分割方法不仅具有较好的抗噪性能,而且具有较高的精度和鲁棒性,能够较为有效地实现复杂图像分割.