李唐兵,胡錦泓,周求寬
基于改進(jìn)斑點(diǎn)鬣狗優(yōu)化算法的紅外圖像分割
李唐兵1,胡錦泓2,周求寬1
(1. 國(guó)網(wǎng)江西省電力公司電力科學(xué)研究院,江西 南昌 330096;2. 國(guó)網(wǎng)上海浦東供電公司,上海 200122)
針對(duì)斑點(diǎn)鬣狗優(yōu)化算法(spotted hyena optimizer,SHO)容易陷入局部最優(yōu)解、求解質(zhì)量低等缺點(diǎn),本文提出使用Lévy飛行和單純形搜索算法改進(jìn)SHO(spotted hyena optimizer based on simplex method and Lévy flight, Lévy_SM_SHO)。將Lévy_SM_SHO與Lévy飛行斑點(diǎn)鬣狗優(yōu)化算法(spotted hyena optimizer based on Lévy flight, Lévy_SHO)、單純形搜索斑點(diǎn)鬣狗優(yōu)化算法(spotted hyena optimizer based on simplex method, SM_SHO)和SHO在測(cè)試函數(shù)上結(jié)果進(jìn)行對(duì)比,實(shí)驗(yàn)證明改進(jìn)算法能夠取得較好的優(yōu)化結(jié)果。并將Lévy_SM_SHO算法用于紅外圖像閾值分割問(wèn)題,通過(guò)與粒子群算法(particle swarm optimization, PSO)分割結(jié)果對(duì)比,證明Lévy_SM_SHO算法能夠取得較好的閾值分割結(jié)果。
Lévy飛行;單純形搜索算法;Lévy_SM_SHO;Lévy_SHO;SM_SHO
在過(guò)去幾十年里,現(xiàn)實(shí)生活問(wèn)題和工程問(wèn)題的復(fù)雜性增加,使得人們需要更好技術(shù)來(lái)解決這些實(shí)際需求。元啟發(fā)算法應(yīng)運(yùn)而生,它與其他現(xiàn)有的經(jīng)典技術(shù)相比,由于其效率高和復(fù)雜性低,逐漸變得十分流行。
元啟發(fā)優(yōu)化算法大致可分為3類,如基于進(jìn)化的、基于物理的和基于群智能的優(yōu)化算法?;谶M(jìn)化的優(yōu)化算法,它是受到生物進(jìn)化的啟發(fā),如繁殖、突變、重組和選擇。如遺傳算法(GA)[1-2]、進(jìn)化策略(ES)[3]、生物地理算法(BBO)[4]和差分進(jìn)化算法(DE)[5]?;谖锢淼膬?yōu)化算法是模擬自然界的物理現(xiàn)象,隨機(jī)產(chǎn)生的個(gè)體根據(jù)物理規(guī)則在空間內(nèi)進(jìn)行尋優(yōu),如模擬退火(SA)[6]、引力搜索算法(GSA)[7]、和聲搜索算法(HS)[8]、中心力優(yōu)化算法(CFO)[9]和水波優(yōu)化算法(WWO)[10]?;谌褐悄艿膬?yōu)化算法是模擬自然界中動(dòng)物群體的行為,通過(guò)種群的信息共享和合作行為實(shí)現(xiàn)優(yōu)化,如蟻群優(yōu)化(ACO)[11]、粒子群優(yōu)化(PSO)[12]、人工蜂群算法(ABC)[13]、螢火蟲(chóng)算法(FA)[14]、磷蝦群算法(KH)[15]和灰狼優(yōu)化算法(GWO)[16]等。
文獻(xiàn)[20]中使用混沌初始化策略、非線性收斂因子調(diào)整策略、萊維飛行策略以及精英反向?qū)W習(xí)策略等多種策略來(lái)改進(jìn)鬣狗優(yōu)化算法,這就會(huì)導(dǎo)致算法計(jì)算量的增大。本文采用一種判斷算法是否陷入局部最優(yōu)的機(jī)制來(lái)決定是否對(duì)種群使用Lévy飛行和單純形搜索法進(jìn)行更新,該機(jī)制能夠減少種群計(jì)算量和能夠?qū)ふ胰肿顑?yōu)的特點(diǎn),在測(cè)試函數(shù)中對(duì)改進(jìn)算法進(jìn)行驗(yàn)證最后將其應(yīng)用到紅外圖像閾值分割中。
斑點(diǎn)鬣狗依靠它們之間的社會(huì)關(guān)系和協(xié)作行為,能夠迅速有效地捕食獵物。用搜索獵物、包圍獵物、狩獵行為和攻擊獵物4個(gè)基本步驟來(lái)模擬斑點(diǎn)鬣狗優(yōu)化算法,并建立這4個(gè)步驟的數(shù)學(xué)建模。
斑點(diǎn)鬣狗可以熟悉獵物的位置并包圍它們。為了對(duì)斑點(diǎn)鬣狗的社會(huì)等級(jí)進(jìn)行數(shù)學(xué)建模,認(rèn)為當(dāng)前最佳包圍對(duì)象是目標(biāo)獵物或者接近最優(yōu)的目標(biāo),因?yàn)樗阉骺臻g不是先驗(yàn)的。其他個(gè)體會(huì)嘗試更新自己的位置,在確定了最佳包圍對(duì)象后,對(duì)最佳包圍對(duì)象進(jìn)行獵捕,這種行為的數(shù)學(xué)模型由下面的方程表示:
斑點(diǎn)鬣狗通常群居狩獵,依靠一群可信賴的朋友和識(shí)別獵物位置的能力。為了精確地定義斑點(diǎn)鬣狗的行為,假設(shè)最佳的搜索個(gè)體,無(wú)論哪個(gè)是最優(yōu)的,都知道獵物的位置。其他搜索個(gè)體組成一個(gè)集群,信任的朋友群,向最好的搜索個(gè)體,并保存到目前為止獲得的最好的狩獵方案來(lái)更新他們的位置。狩獵行為的數(shù)學(xué)模型為:
通過(guò)查閱智能算法的相關(guān)文獻(xiàn),越來(lái)越多的算法研究者們將Lévy飛行應(yīng)用于智能算法中,以此來(lái)改善搜索和開(kāi)發(fā)能力的平衡性。本文提出用Lévy飛行[21-25]和單純形搜索法[26-29]提高算法的搜索和開(kāi)發(fā)能力。
在智能算法高維空間中引入Lévy飛行,增大空間搜索能力,能更好地對(duì)空間進(jìn)行開(kāi)發(fā)。Lévy飛行增強(qiáng)了群體的多樣性,避免智能算法陷入局部最優(yōu)解,從而獲得真正的全局最優(yōu)。
Lévy飛行本質(zhì)上是一個(gè)隨機(jī)步長(zhǎng)服從Lévy分布的隨機(jī)行走,Lévy飛行的方差隨時(shí)間呈現(xiàn)指數(shù)的關(guān)系,Lévy分布為:
式(11)計(jì)算Lévy飛行步長(zhǎng):
式中:和服從標(biāo)準(zhǔn)正態(tài)分布;為正態(tài)分布的方差;是一個(gè)標(biāo)準(zhǔn)的伽瑪函數(shù),=1.5,為:
本文,在斑點(diǎn)鬣狗個(gè)體位置更新后,使用下式對(duì)斑點(diǎn)鬣狗執(zhí)行一次Lévy飛行:
在斑點(diǎn)鬣狗一次迭代完成之后,利用單純形法搜索策略,選擇個(gè)位置較差的斑點(diǎn)鬣狗進(jìn)行優(yōu)化。單純形法是指在一個(gè)空間中構(gòu)造一個(gè)多面體,求出多面體各個(gè)頂點(diǎn)的適應(yīng)值并作比較,找出最優(yōu)點(diǎn)、次優(yōu)點(diǎn)以及最差點(diǎn),通過(guò)反射、壓縮、擴(kuò)張等操作更新最差點(diǎn),形成一個(gè)新的多面體。它是一種局域的搜索方法,具有簡(jiǎn)單易用、適用范圍廣、收斂速度快的特點(diǎn)。單純形搜索法搜索過(guò)程如圖1所示。
求維問(wèn)題的最小值,1,2,…,N+1為維空間中的+1個(gè)頂點(diǎn),描述單純形法的步驟如下:
步驟4:如果(b)≤(r)≤(),則為s=r。
圖1 單純形搜索法
相關(guān)參數(shù)設(shè)置及其含義,設(shè)種群規(guī)模為,當(dāng)前迭代次數(shù)為,其初始值設(shè)置為=0,迭代總次數(shù)為,計(jì)數(shù)器為,初始值=0,閾值=5,算法中未設(shè)置的參數(shù)根據(jù)待解決實(shí)際問(wèn)題進(jìn)行設(shè)置;計(jì)數(shù)器變量用于記錄陷入局部最優(yōu)的次數(shù),閾值表示觸發(fā)改進(jìn)策略的臨界值,換言之當(dāng)>則觸發(fā)改進(jìn)策略,否則使用標(biāo)準(zhǔn)SHO算法的更新規(guī)則進(jìn)行搜索。
步驟1:算法參數(shù)設(shè)置和隨機(jī)生成種群規(guī)模為的斑點(diǎn)鬣狗位置。
步驟2:使用標(biāo)準(zhǔn)SHO算法更新規(guī)則來(lái)搜索最優(yōu)個(gè)體,當(dāng)前迭代次數(shù)自增1次;
步驟3:若當(dāng)前迭代次數(shù)≥2,則執(zhí)行步驟4,否則執(zhí)行步驟2;
步驟4:判斷此次迭代和前一次迭代相比適應(yīng)度值是否更新,若適應(yīng)度值更新了,說(shuō)明沒(méi)有陷入局部最優(yōu)解,則繼續(xù)使用標(biāo)準(zhǔn)SHO算法的更新規(guī)則進(jìn)行搜索,執(zhí)行步驟2。若適應(yīng)度值沒(méi)有更新,則計(jì)數(shù)器自增1次;
步驟5:判斷計(jì)數(shù)器的值是否達(dá)到觸發(fā)改進(jìn)策略的閾值,若達(dá)到,則說(shuō)明適應(yīng)度值已經(jīng)多次未更新,可能陷入了局部最優(yōu)解無(wú)法跳出,執(zhí)行步驟6,若未達(dá)到,則執(zhí)行步驟2,繼續(xù)使用標(biāo)準(zhǔn)SHO算法的更新規(guī)則進(jìn)行搜索;
步驟6:將當(dāng)前種群個(gè)體利用改進(jìn)策略進(jìn)行更新得到改進(jìn)后的種群;重新計(jì)算種群個(gè)體適應(yīng)度值;將適應(yīng)度值最小的個(gè)體作為新的最優(yōu)個(gè)體替換掉原始種群中的最優(yōu)個(gè)體;計(jì)數(shù)器歸零=0;
步驟7:判斷當(dāng)前迭代次數(shù)i是否達(dá)到設(shè)置的總迭代次數(shù),若達(dá)到,則搜索過(guò)程結(jié)束,輸出次迭代中獲取的最優(yōu)解和最小適應(yīng)度值。若迭代尚未完成,則執(zhí)行步驟2,繼續(xù)進(jìn)行搜索。
為了驗(yàn)證改進(jìn)鬣狗優(yōu)化算法(Lévy_SM_SHO)的有效性,使用文獻(xiàn)[17]中的5、6、13、16、17和20的測(cè)試函數(shù)對(duì)其測(cè)試,其中測(cè)試函數(shù)5和6為單峰測(cè)試函數(shù),13為多峰測(cè)試函數(shù),16、17和20為固定維多峰函數(shù),將其與SM_SHO、Lévy_SHO和SHO測(cè)試結(jié)果進(jìn)行對(duì)比。每種算法單獨(dú)運(yùn)行50次,記錄每次實(shí)驗(yàn)結(jié)果,對(duì)50次實(shí)驗(yàn)的適應(yīng)度函數(shù)值進(jìn)行分析。測(cè)試函數(shù)如表1所示。
實(shí)驗(yàn)搭建的運(yùn)行環(huán)境為Win7,I5 3.20GHz處理器,8G內(nèi)存,所有算法代碼均用Matlab 2016b編程實(shí)現(xiàn)。
結(jié)合圖2中4種算法運(yùn)行50次的適應(yīng)度函數(shù)箱型圖和表2結(jié)果可知,Lévy_SM_SHO算法在5、6、13能取得較好的平均值和最小值,但是標(biāo)準(zhǔn)差較大,在固定維多峰函數(shù)16、17和20能取得明顯比其他3種算法較好的適應(yīng)度函數(shù)值,有較小的標(biāo)準(zhǔn)差值,說(shuō)明Lévy_SM_SHO算法的穩(wěn)定性較好。Lévy_SM_SHO算法的平均值比其他算法好,說(shuō)明其有較好的求解精度。實(shí)驗(yàn)證明Lévy_SM_SHO算法取得較好的改進(jìn)效果,能為解決復(fù)雜工程優(yōu)化問(wèn)題提供方法。
表1 測(cè)試函數(shù)
表2 4種算法在測(cè)試函數(shù)上的測(cè)試結(jié)果
圖2 四種算法對(duì)測(cè)試函數(shù)上的箱型圖
將Lévy_SM_SHO算法應(yīng)用于電力系統(tǒng)紅外圖像分割中,選擇斷路器瓷套點(diǎn)狀溫度分布異常和斷路器靜觸頭發(fā)熱兩幅圖像進(jìn)行分割。為驗(yàn)證該對(duì)紅外圖像閾值分割效果,選擇與粒子群算法(particle swarm optimization,PSO)分割結(jié)果對(duì)比。
選擇最大類間方差(Otsu)公式作為L(zhǎng)évy_SM_SHO算法和PSO算法的適應(yīng)度函數(shù)。
為了評(píng)計(jì)閾值分割后的圖像質(zhì)量,本文采用峰值信噪比(peak signal to noise ratio,PSNR)和結(jié)構(gòu)相似度(structural similarity index measurement,SSIM)兩個(gè)參數(shù)。PSNR和SSIM值越大,閾值分割效果越好。
4.2.1 PSNR
峰值信噪比是圖像分割的重要性能指標(biāo)之一。
PSNR的表達(dá)式定義如下:
式中:×表示圖像的大??;表示原圖;¢表示閾值分割后的圖。
4.2.2 SSIM
SSIM指數(shù)是評(píng)價(jià)原始圖像與分割圖像之間的相似性,公式為:
圖3為2幅圖像的原圖像及其灰度直方圖,圖4基于PSO-Otsu和Lévy_SM_SHO-Otsu算法的斷路器瓷套二閾值分割結(jié)果,圖5基于PSO-Otsu和Lévy_ SM_SHO-Otsu算法的斷路器靜觸頭二閾值分割結(jié)果。表3為PSO-Otsu和Lévy_SM_SHO-Otsu算法對(duì)紅外圖像分割閾值,表4為兩種算法適應(yīng)度函數(shù)值,表5為兩種算法PSNR和SSIM值。
圖3 測(cè)試圖像原圖和灰度直方圖
從表4與表5以及圖4與圖5分割的結(jié)果分析得知:①Lévy_SM_SHO-Otsu比PSO-Otsu取得更好的適應(yīng)度函數(shù)值;②以PSNR和SSIM評(píng)價(jià)圖像閾值分割的好壞時(shí),Lévy_SM_SHO-Otsu算法比PSO-Otsu算法取得更大的PSNR和SSIM值,說(shuō)明圖像失真度較小,分割效果較優(yōu)。
圖4 基于PSO-Otsu和Lévy_SM_SHO-Otsu算法的斷路器瓷套二閾值分割結(jié)果
圖5 基于PSO-Otsu和Lévy_SM_SHO-Otsu算法的斷路器靜觸頭二閾值分割結(jié)果
表3 基于PSO-Otsu和Lévy_SM_SHO-Otsu的最佳閾值
表4 基于PSO-Otsu和Lévy_SM_SHO-Otsu算法的適應(yīng)度函數(shù)
表5 基于PSO-Otsu和Lévy_SM_SHO-Otsu算法的PSNR和SSIM值
鬣狗優(yōu)化算法具有算法結(jié)構(gòu)簡(jiǎn)單、收斂速度快等優(yōu)點(diǎn),同時(shí)也存全局搜索能力差、易早熟等缺點(diǎn)。通過(guò)使用Lévy飛行和單純形搜索算法來(lái)改進(jìn)鬣狗算法,在測(cè)試函數(shù)上驗(yàn)證了改進(jìn)后能取得較優(yōu)的效果。并通過(guò)對(duì)電力系統(tǒng)紅外圖像分割測(cè)試,驗(yàn)證改進(jìn)后算法能夠取得更好的分割效果。進(jìn)一步表明Lévy_SM_SHO-Otsu具有較強(qiáng)的實(shí)用性、高效性和可行性。
[1] Maryam M, Majid H, Fatemeh N. Air condition’s PID controller fine-tuning using artificial neural networks and genetic algorithms[J]., 2018, 7(2): 32.
[2] Ayala H V H, Coelho L D S. Tuning of PID controller based on a multiobjective genetic algorithm applied to a robotic manipulator[J]., 2012, 39(10): 8968-8974.
[3] Beyer H G, Schwefel H P. Evolution strategies——a comprehensive introduction[J]., 2002, 1: 3-52.
[4] ZHU W, DUAN H. Chaotic predator–prey biogeography-based optimization approach for UCAV path planning[J]., 2014, 32(1): 153-161.
[5] Ghosh A, Das S, Chowdhury A, et.al. An improved differential evolution algorithm with fitness-based adaptation of the control parameters[J]., 2011, 181(18): 3749-3765.
[6] 孫云霞, 劉兆剛, 董靈波. 基于模擬退火算法逆轉(zhuǎn)搜索的森林空間經(jīng)營(yíng)規(guī)劃[J]. 林業(yè)科學(xué), 2019, 55(11): 52-62.
SUN Yunxia, LIU Zhaogang, DONG Lingbo. Spatial forest management planning based on reversion search technique of simulated annealing algorithm[J]., 2019, 55(11): 52-62
[7] Rashedi E, Nezamabadi-Pour H, Saryazdi S. BGSA: Binary gravitational search algorithm[J]., 2010, 9(3): 727-745.
[8] PAN Q K, WANG L, GAO L.[M]. Elsevier Science Publishers B. V., 2011.
[9] Shaikh N F, Doye D D. An adaptive central force optimization (ACFO) and feed forward back propagation neural network (FFBNN) based iris recognition system[J]., 2016, 30(4): 2083-2094.
[10] 金旭旸. 基于萊維飛行的水波優(yōu)化算法[J]. 科技創(chuàng)新與生產(chǎn)力, 2019(5): 66-68.
JIN Xuyang. Water wave optimization algorithm based on Lévy flight[J]. S, 2019(5): 66-68.
[11] HUANG H, YANG X, HAO Z, et al. A novel ACO algorithm with adaptive parameter[C]//, 2006, 4115: 12-21.
[12] NIU B, ZHU Y, HU K, et al. A novel particle swarm optimizer using optimal foraging theory[C]//, 2006, 4115: 61-71.
[13] Akay B, Karaboga D. A modified Artificial Bee Colony algorithm for real-parameter optimization[J]., 2012, 192(1): DOI:10.1016/j.ins.2010.07.015.
[14] QIANG Z, LI H, LIU C, et al. A new extreme learning machine optimized by firefly algorithm[C/OL]//2013, 2013: https://ieeexplore.ieee.org/ search/ searchresult. jsp?newsearch=true&queryText=A%20new%20extreme%20learning%20machine%20optimized%20by%20firefly%20algorithm.
[15] Mukherjee A, Mukherjee V. A solution to optimal power flow with DC link placement problem using chaotic krill herd algorithm[C]//, 2016: DOI: 10.1109/ICETT.2016.7873756
[16] JIANG T, ZHANG C. Application of grey wolf optimization for solving combinatorial problems: job shop and flexible job shop scheduling cases[J]., 2018, 6: 26231- 26240.
[17] Dhiman G, Kumar V. Spotted hyena optimizer: a novel bio-inspired based metaheuristic technique for engineering applications[J]., 2017, 114: 48-70.
[18] Dhiman G, Kaur A. Spotted hyena optimizer for solving engineering design problems[C]// 2017(MLDS), 2017: 114-119.
[19] Dhiman G, Kumar V. Spotted Hyena Optimizer for Solving Complex and Non-linear Constrained Engineering Problems[M]//,, Singapore: Springer Singapore, 2019, 741: 857-867.
[20] 賈鶴鳴, 姜子超, 彭曉旭, 等. 基于改進(jìn)鬣狗優(yōu)化算法的多閾值彩色圖像分割[J]. 計(jì)算機(jī)應(yīng)用與軟件, 2020, 37(5): 261-267.
JIA Heming, JIANG Zichao, PENG Xiaoxu, et al. Multi-threshold color image segmentation based on improved hyena optimization algorithm[J]., 2020, 37(5): 261-267.
[21] 孫悅, 何同祥. 基于萊維飛行的改進(jìn)蟻群算法的PlD參數(shù)優(yōu)化[J]. 儀器儀表用戶, 2019, 26(6): 83-85.
SUN Yue, HE Tongxiang. Optimization of PID parameters based on improved ant colony algorithm for Lévy flight[J]., 2019, 26(6): 83-85.
[22] 張烈平, 何佳潔, 于滟琳, 等. 基于蟻群算法優(yōu)化的布谷鳥(niǎo)搜索算法[J]. 微電子學(xué)與計(jì)算機(jī), 2018, 35(12): 27-32.
ZHANG Lieping, HE Jiajie, YU Yanlin, et al. A cuckoo search algorithm based on ant colony algorithm optimization[J]., 2018, 35(12): 27-32.
[23] 張新, 李珂, 嚴(yán)大虎, 等. 改進(jìn)入侵雜草算法求解柔性作業(yè)車間調(diào)度問(wèn)題[J]. 系統(tǒng)仿真學(xué)報(bào), 2018, 30(11): 446-453.
ZHANG Xin, LI Ke, YAN Dahu et al. Improved intrusion weed algorithm for solving flexible job shop scheduling problem[J]., 2018, 30(11): 446-453.
[24] 趙洪, 李偉鵬, 劉鐵軍. 基于改進(jìn)萊維飛行的狼群算法及其在翼型氣動(dòng)優(yōu)化設(shè)計(jì)中的應(yīng)用[J]. 科學(xué)技術(shù)與工程, 2019, 19(18): 315-323.
ZHAO Hong, LI Weipeng, LIU Tiejun. An improved Lévy flight based grey wolf optimization algorithm for aerodynamic design problem[J]., 2019, 19(18): 315-323.
[25] 肖石林. 基于Lévy飛行的樹(shù)種優(yōu)化算法及在圖像分割中的應(yīng)用[D]. 南寧: 廣西民族大學(xué), 2019.
XIAO Shilin.Tree Seed Optimization Algorithm Based on LévyFlight and Its Application in Image Segmentation[D]. Nanning: Guangxi University for Nationalities, 2019.
[26] 莫愿斌, 鄭巧燕, 馬彥追. 單純形法的布谷鳥(niǎo)搜索算法及其在約束優(yōu)化問(wèn)題中的應(yīng)用[J]. 計(jì)算機(jī)與應(yīng)用化學(xué), 2015(2): 213-218.
MO Yuanbin, ZHENG Qiaoyan, MA Yanzhui. Cuckoo search based on simplex method and its application on constrained optimization problems[J]., 2015(2): 213-218.
[27] 莫愿斌, 馬彥追, 鄭巧燕, 等. 單純形法的改進(jìn)螢火蟲(chóng)算法及其在非線性方程組求解中的應(yīng)用[J]. 智能系統(tǒng)學(xué)報(bào), 2014(6): 747-755.
MO Yuanbin, MA Yanzhui, ZHENG Qiaoyan, et al. Improved firefly algorithm based on simplex method and its application in solving non-linear equation groups[J]., 2014(6): 747-755.
[28] 張紅霞, 羅毅, 師瑞峰. 基于單純形法的改進(jìn)型人工魚(yú)群算法[J]. 計(jì)算機(jī)應(yīng)用, 2011(5): 1321-1323.
ZHANG Hongxia, LUO Yi, SHI Ruifeng. Artificial fish swarm algorithm based on simplex method[J]., 2011(5): 1321-1323.
[29] 肖輝輝. 基于單純形法和自適應(yīng)步長(zhǎng)的花朵授粉算法[J]. 計(jì)算機(jī)工程與科學(xué), 2016, 38(10): 2126-2133.
XIAO Huihui. A flower pollination algorithm based on simplex method and self-adaptive step[J]., 2016, 38(10): 2126-2133.
Infrared Image Segmentation Based on Improved Spotted Hyena Optimizer
LI Tangbing1,HU Jinhong2,ZHOU Qiukuan1
(1.,330096,;2.,200122,)
Based on the shortcomings of the spotted hyena optimizer (SHO), falling into a local optimal solution or a low-quality solution is easy. In this study, the Lévy flight and simplex method are proposed to improve the SHO(Lévy_SM_SHO). Comparing Lévy_SM_SHO to Lévy flight spotted hyena optimizer (Lévy_SHO), simplex method spotted hyena optimizer (SM_SHO), and spotted hyena optimizer (SHO) on the test function, the experiment proves that the improved algorithm can achieve better optimization results. Finally, the Lévy_SM_SHO algorithm is applied to the infrared image threshold segmentation problem. By crosschecking the segmentation results with the particle swarm optimization algorithm (PSO), we proved that the Lévy_SM_SHO algorithm can achieve better threshold segmentation results.
lévy flight, simplex search algorithm, Lévy_SM_SHO, Lévy_SHO, SM_SHO
TN219
A
1001-8891(2021)10-0994-09
2020-11-23;
2021-01-25.
李唐兵(1983-),男,高級(jí)工程師,研究方向電力設(shè)備故障診斷。E-mail:63463723@qq.com。
國(guó)網(wǎng)江西省電力公司科技項(xiàng)目(52182016001S)。