CN109685195B - 基于多头绒泡菌觅食算法的枝切线优化设置方法 - Google Patents
基于多头绒泡菌觅食算法的枝切线优化设置方法 Download PDFInfo
- Publication number
- CN109685195B CN109685195B CN201811351456.7A CN201811351456A CN109685195B CN 109685195 B CN109685195 B CN 109685195B CN 201811351456 A CN201811351456 A CN 201811351456A CN 109685195 B CN109685195 B CN 109685195B
- Authority
- CN
- China
- Prior art keywords
- branch
- point
- points
- residual
- algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及一种基于多头绒泡菌觅食算法的枝切线优化设置方法,其首先根据干涉条纹图中残差点的分布特征,对由噪声引起的相邻偶极子对进行连接,对靠近边界的单极子采取“接地”处理,以达到整幅干涉图正负残差点数量相同的目的;其次,通过建立多头绒泡菌觅食算法模型在残差点之间构建完整枝切线网络;然后,引入随机扰动模型,在保持系统的电荷量平衡的条件下,断开冗余枝切线,构建最小生成树树枝;最后,使用洪水漫淹法绕开枝切线进行相位解包裹。本发明构思合理,模型完善,不仅可以显著减少分枝切割的总长度,而且还可以有效克服解包裹过程中的“孤岛现象”,实现了分枝切割的优化设置,具有极高的鲁棒性和优秀的求解质量等优点。
Description
技术领域
本发明属于仿生学、智能算法、图像复原领域,尤其涉及一种基于多头绒泡菌觅食算法的枝切线优化设置的方法。
背景技术
光学三维测量技术是一种非接触、高精度投影结构光或自然光的表面微观形貌测量技术,这种技术已经广泛应用在电子、汽车、机械加工、纺织等现代工业中。相移干涉测量(Phase-shifting interferometry,PSI)是光学三维测量技术中的一种主动测量方式,其具备光学三维测量技术的优点,已广泛应用于生物细胞,表面测量和微结构的研究中。
在PSI技术中,无论是使用的时域方法,还是空域方法进行相位调制,最终采集的相位信息都是通过计算反正切函数得到的。由于反正切函数的主值范围为[-π,π],所以,待测相位值被截断在[-π,π]的主值区域内,呈现出不连续分布的特征,称其为包裹相位。包裹相位测量得到的被测物表面形貌产生失真现象,为了获得真实的被测物表面形貌,必须进行相位解包裹操作。由此可见,相位解包裹在整个测量过程中起着举足轻重的作用。
相位解包裹算法主要分为两类:局部搜索的路径跟踪算法以及全局搜索的最小化目标函数法。路径跟踪法基于不同的原则选取合适的路径展开包裹相位,沿着该路径可以避开含有噪声点、阴影区等导致解包裹错误的区域,以减小最终展开相位的误差。Goldstein枝切法是最早提出的比较成功的路径跟踪相位解包裹方法,它能有效生成近似最优(即最短)枝切线,具有占用内存小、计算速度极快、通常解缠结果准确等优点。但是,枝切线连接的过程允许对访问过的残差点重复访问,允许电荷平衡的枝切线与正在生成的枝切线连接。在保证了枝切线的长度接近最小值同时,也产生以下问题:①同一条枝切线的重复连接,导致枝切线过长;②枝切线可能形成闭合环;③枝切线可能贯通干涉图。枝切线过长会导致解包裹错误率大大提高;枝切线形成闭合环或贯通干涉图,会在解缠相位中出现“孤岛现象”,在“孤岛”内包裹相位不能正确解包裹。
群体智能仿生算法旨在模拟自然界不同生物群体中体现的社会分工和协作机制,已被广泛用于解决各种复杂问题。在群体智能中,个体为实现局部最优而采取的行动将会导致全局最优现象。
多头绒泡菌(Physarum polycephalum)是一种多核单细胞有机体,它是介于动、植物之间的一种大型的单细胞变形虫生物。多头绒泡菌已经进化出一套杰出的、完整的觅食系统:这个细胞本身就是一个由管道结构形成的运输网络,管道中的流体用来运输营养物质和化学信号。该运输网络具有高效而兼具高容错性的特点,并能够根据环境的变化采取相应的应激重构策略。多头绒泡菌表现出的智能行为与群体智力观念相似。在多头绒泡菌觅食过程中向外生长的触角(或伪足)可视为个体。伪足通过变形来改变整个身体的形态,从而适应环境和寻找食物,其展现出一系列高效率、自组织、决策和记忆等智能网络的特征。当食物源分散分布在多头绒泡菌周围时,它可以形成一个原生质网络来有效地连接食物源。其优越之处在于原生质网络并不局限于将各食物源进行简单连接,为了有效和稳定地输送体内的营养物质和代谢物,原生质管的结构可以进行适应性调整并趋于最佳。
解决枝切线的优化设置问题需要各方面的复杂权衡,在保证电荷量平衡的条件下,使枝切线达到最短,以实现最优的解包裹效果是研究人员追求的目标。多头绒泡菌已经在生物进化选择的压力下进化出完善的自适应觅食网络,本发明提出的多头绒泡菌觅食算法可以很好的解决枝切线的设置优化问题,具有极高的鲁棒性和优秀的求解质量。
发明内容
针对以上Goldstein枝切法中的不足,以及多头绒泡菌进化出的自适应觅食系统的优势,本发明的目的在于提供一种在鲁棒性、枝切线长度和枝切线设置方式等方面组合最优的枝切线优化设置方法。
本发明的技术方案如下:
一种基于多头绒泡菌觅食算法的枝切线优化设置方法,其特征在于,包括以下模型:
生物物理模型:
定义1、电导率:连接食物A和B管道内原生质流动的传导性。
定义2、流量:连接食物A和B管道内单位时间内流动的原生质的体积。
定义3、压力:多头绒泡菌的趋食性导致食物对管道内原生质具有吸引力即压力。
定义4、压力差:连接食物A和B管道内原生质的压力差值称为压力差。
枝切线模型:
定义5、残差点:取包裹相位场中四个相邻的构成矩形形状的点,以顺时针方向为正,定义
Δ1=ω(φ2-φ1),Δ2=ω(φ3-φ2),Δ3=ω(φ4-φ3),Δ4=ω(φ1-φ4)
式中,φ表示包裹相位,ω表示包裹算子。Δn(n=1,2,3,...)都在(-π,π)之间,满足:
当q=0时,表示这四个点中不存在噪声点或残差点;若q≠0则表示这四个点中含有噪声点,将左上角的点定义为残差点(residual),q=1为正残差点,q=-1为负残差点。
定义6、电荷(charge):正残差点携带正电荷,负残差点携带负电荷,正电荷电荷量赋值为+1,负电荷电荷量赋值为-1。
对应关系:食物源——残差点;管道——枝切线
由多头绒泡菌的觅食特性可知,管道内原生质的流量和电导率存在着正反馈机制,即当管道内原生质的流量逐渐增多,管道电导率就会增大,电导率的增大又会进一步导致管道内原生质的流量的增加,反之亦然。
连接食物源之间的原生质管道内存在着由压力差产生的势能,即原生质流动的动力。经过管道内流量和电导率间的正反馈机制不断演化,随时间的增长,流量和电导率逐渐趋于稳定。系统的能量变化也将逐渐趋于稳定。
根据多头绒泡菌的“重点管道重点培养”的觅食特性,可以在残差点之间建立最优枝切线,即最小生成树。
定义7、最小生成树树枝:使电荷量平衡的数量最少的残差点之间建立的枝切线。
定义8、最小生成树树枝总长度:使电荷量平衡的数量最少的残差点之间建立的枝切线的总长度。
定义9、偶极子对残差点:偶极子对残差点主要由噪声、欠采样及物体的不连续所引起,在相位图中以正负残差点对的形式出现。其中,由噪声引起的偶极子对距离极近,通常紧紧相邻,在相位图中很容易被识别;而由欠采样和物体不连续所形成的偶极子对距离较远,较难被识别。
定义10、单极子残差点主要分为由偶极子对分裂所形成的单极子和真正的单极子,它们在相位图中均以单个残差点的形式出现。其中,由偶极子对分裂所形成的单极子残差点通常出现在离边界较近的地方,而真正的单极子可能出现在图中的任何位置。
定义11、复杂度标签C:通过复杂度标签确定每个残差点的复杂度,即枝切线优化后,复杂度标签值越大的残差点,所连接的且未接受修改的枝切线数量越多;复杂度标签值小的残差点,存在两种情况,1)所连接的且接受修改的枝切线多;2)所连接的枝切线少。
总的来说,枝切线优化后,复杂度标签值越大的残差点,连接的枝切线越多;复杂度标签值越小的残差点,连接的枝切线越少。
系统效用模型:
定义12、个体效用:连接食物A和B间管道的状态距稳定状态的差距,即该管道的成功值。该管道的成功值越大,其个体效用就越强。
定义13、整体效用:所有的管道个体效用值的累加即整体效用。当系统达到最优解时,其整体效用将不再发生变化。
定义14、目标吸引力:系统在演化过程中,以期望达到的最优状态对当前状态的吸引力。目标吸引力将会使个体效用最小的管道的效用值增加,以提高整体效用。
定义15、交互信息行为:系统在演化过程中,各管道之间的变化相互影响的方式即交互信息行为。
系统在演化过程中,向稳定状态演化的四个条件:
1)个体效用的优化行为。
2)整体效用的优化行为。
3)目标对整体的吸引力。
4)个体管道结构之间的交互信息行为。
稳态模型:
定义16:非稳态:多头绒泡菌生长初期,系统的能量值、个体效用和整体效用变化幅度较大,算法趋向于全局寻优,收敛速度较快。
定义17:亚稳态:多头绒泡菌生长中期,系统的能量值、个体效用和整体效用变化幅度减小,算法趋向于局部寻优,收敛速度较慢。
定义18、稳态:多头绒泡菌生长后期至生长完成,系统的能量值、个体效用和整体效用稳定,算法求解出当前最优解。
定义19、恒稳态:多头绒泡菌生长完成后,对枝切线再次进行优化,除去使系统电荷量平衡所必需的枝切线外,其余枝切线全部断开,即整个系统达到电荷量平衡且枝切线最短,达到最小生成树状态。此时,系统再无进化趋向,称该系统达到恒稳态。
随机扰动模型:
随机扰动模型一:
根据多头绒泡菌的避光性特性,随机光照扰动会对其生长结构产生一定的影响。在PFA算法寻优过程中引入随机扰动机制,算法的每次随机扰动将获得一个新解,如果新解可以使电荷量平衡且其解质量优于当前解,则接受新解;如果新解可以使电荷量平衡但是其解质量劣于当前解,则以一定的概率接受新解,通过此机制使得算法在亚稳态状态跳出局部最优解。
随机扰动模型二:
在PFA算法稳态状态中引入随机扰动机制,即随机断开枝切线。算法的每次随机扰动将获得一个新解,判断当前系统和引入随机扰动前系统的电荷量的变化,如果新解可以使电荷量平衡,则接受新解,否则不接受新解,通过此机制使算法达到恒稳态状态。
生物数学模型:
定义20、食物源i的位置坐标为(x,y)。
定义21、连接食物源i与j的管道长度是li,j,即i与j之间的欧式距离:
定义22、连接食物源i与j的管道长度是li,j两端存在压力差pi,j,即点i的压力pi和点j的压力pj的差值的绝对值。
pi,j=|pi-pj|
定义23、管道li,j之间的流量用flowi,j来表示,根据哈根-泊肃叶方程可知:
其中,li,j是i与j之间的距离,ri,j代表管道的内径,ξ代表流体的粘度。
定义24、连接食物源i与j的管道电导率用di,j表示:
定义25、电导率di,j变化和流量flowi,j的关系为
其中,机体维持管道会产生能量损耗,而δ和ρ是控制流量和能量损耗的权重系数。
枝切线数学模型:
定义26、枝切线的总长度L,即食物源i与j之间管道的长度的总和。
其中,i和j是离散的。
定义27、复杂度标签C,C定义域为整数域。
更新复杂度标签行为规则为:生成最小树后,自左而右,自上而下采取历的方式选择两个残差点之间的枝切线,使之断开,判断分离的两条枝切线的电荷量是否平衡,1)若平衡,则接受修改,将两个残差点的复杂度标签同时减1;2)若不平衡,则不接受修改,将两个残差点的复杂度标签同时加1。
系统效用数学模型:
定义28、ui,j(t)为食物源i与j之间管道的个体效用值,表示管道的连接状态距离目标值的径向距离,即距离目标的成功度。
ui,j(t)=exp(-pi,j(t)di,j(t))
其中,食物源i与j之间管道的距离li,j(t)越短,管内流量flowi,j越大,电导率di,j也就越高。其向着目标的成功度也就越高,个体效用值就越强。
定义29、J(t)代表在时刻t的整个系统管道的整体效用,即:
定义30、管道之间的交互式行为函数Q(t):
定义31、在时刻t,由最终的目标产生的吸引力函数为:
其中,0<ε<1,F(t)越大,即向着目标变化的速度越快,那么系统达到稳态的求解速度越快。
定义32、系统在以上4个因素的影响下向目标结构演化的过程,通过混合的吸引力函数Ei,j(t)表示:
Ei,j(t)=-λ1ui,j(t)-λ2J(t)-λ3Q(t)-λ4F(t)
其中,0<λ1,λ2,λ3,λ4<1。
PFA算法比较显著的特点就是具有高度的并行性,对于管道的两个参数,电导率参数di,j和压力差参数pi,j都可以动态并行地进行计算更新,从而可以达到高效快捷的求出目标优化解的目的,即:
定义33、个体效用随时间变化的变化率为
稳态数学模型
定义34、稳态参数ε的值控制着吸引力函数F(t)的大小,ε越大吸引力函数越大,算法收敛速度越快,稳态的演化过程越短。
随机扰动模型:
定义35、随机扰动模型一中,接受当前修改的概率为
P(ΔL>0)=exp(ΔLt)
其中,t当前算法的迭代次数。
一种基于多头绒泡菌觅食算法的枝切线优化设置方法,其特征在于,包括以下步骤:
101、对残差点进行预处理。残差点的预处理过程主要是对由噪声引起的相邻偶极子对进行连接,同时对靠近边界的单极子采取“接地”处理,步骤如下:
S1011、采用四点环路积分法识别干涉相位图中的残差点,将正、负残差点分别标记为+1、-1极性,并将所有残差点标记为不平衡;
S1012、找到一个不平衡残差点,若该残差点为边界点,转S1013,否则转S1014;
S1013、以该边界点为边中心,放置一个2×3的搜索窗,在该搜索窗内搜索与边界点极性相反的残差点,若找到,则在这两个点之间设置枝切线,并均标记为平衡;若未找到,则扩大搜索窗口,扩大搜索窗口次数记为n次,窗口扩大为(n+2)×(2n+3),设置扩大搜索窗口次数阈值T;若达到阈值T仍未找到其他残差点,则在该边界点与边界之间设置枝切线,并标记为平衡。
S1014、以该不平衡残差点为中心,设置一个3×3的搜索窗,在搜索窗内搜索与中心残差点极性相反的残差点,若找到,则在这两个点之间设置枝切线,并均标记为平衡;若未找到,则扩大搜索窗口,窗口扩大为(2n+3)×(2n+3),设置扩大搜索窗口次数阈值T;若达到阈值T仍未找到其他残差点,则判断搜索窗口是否已到达图像边界,若到达,则将该点与边界相连并标记为平衡,若未达到,则放弃对该点的操作。
按照步骤S1012至S1014遍历所有残差点后,如果剩余不平衡的正负残差点数目不相等,则通过将最靠近边界的残差点与增加的边界残差点相连的方式使正负残差点数目相等,以达到整幅干涉图正负残差点数量相同的目的。
102、非稳态状态的PFA算法演化。
S1021、初始化各个残差点(食物源)的位置坐标,获得各个残差点间的距离以及管道;
S1022、初始化所有管道的电导率di,j,压力差pi,j以及相关参数;
S1023、分别求得每个管道的个体效用ui,j(t)、整体效用J(t)、目标吸引力F(t)、交互信息Q(t)和枝切线的总长度L等;
S1024、适当的增加参数ε的值,以提高算法收敛的速度;
S1025、不断迭代更新个体效用ui,j(t),使得算法进入亚稳态状态。
103、亚稳态状态的PFA算法演化。
S1031、引入随机扰动模型一,PFA算法的每次随机扰动将获得一个新解,如果新解可以使电荷量平衡且其质量优于当前解,则接受新解;如果新解可以使电荷量平衡但是其质量劣于当前解,则将以概率P(ΔL>0)=exp(ΔLt)接受新解;
S1032、适当降低ε的值,以提高局部搜索的精度,使得算法进入稳态状态。
104、稳态状态的PFA算法演化。
S1041、引入随机扰动模型二,判断当前系统和引入随机扰动前系统的电荷量的变化,如果新解可以使电荷量平衡,则接受新解,否则不接受新解,通过此机制使算法达到恒稳态状态;
S1042、更新复杂度标签C,确定枝切线优化后,残差点连接的枝切线的多少。
S1043、完成最小生成树树枝的优化设置,算法进入恒稳态状态,求得最优解。
105、使用洪水漫淹法绕开枝切线进行相位解包裹。
本发明的优点及有益效果如下:
与现有技术相比,本发明在优化枝切线设置时,先对由噪声引起的相邻偶极子和靠近边界的单极子进行预处理,获得电荷量平衡且数目相等的正负残差点;其次,通过建立多头绒泡菌觅食算法(PFA)在残差点之间构建完整枝切线网络;然后,引入随机扰动模型,在保持系统的电荷量平衡的条件下,断开多余的枝切线,构建最小生成树树枝网络。尤其是,最小生成树树枝总长度越短,解包裹效果越好。优化之处在于:本发明提出多头绒泡菌基本模型与枝切线模型的对应关系;提出基于多头绒泡菌生长周期的稳态模型,控制算法在不同状态下的寻优能力、寻优精度和寻优速度;提出电荷平衡条件下的随机扰动模型,避免算法陷入早熟收敛,提高全局寻优能力;提出枝切线优化数学模型,完善恒稳态时的求解模型;提出复杂度标签概念,确定每个残差点的复杂度,即优化后残差点所连接的枝切线的多寡;建立多头绒泡菌觅食算法优化枝切线设置的数学物理模型,构建完整的求解体系。如此通过残差点预处理以及多头绒泡菌觅食算法的共同作用,枝切线长度明显减少,求解稳定性和精度明显提高。
附图说明
图1为本发明基于多头绒泡菌觅食算法的枝切线优化设置方法的流程图;
图2为本发明残差点预处理过程的流程图;
图3为本发明模拟的44×44复图像的初始掩模图;
图4为本发明包裹相位图;
图5为应用本发明预处理的残差点分布图;
图6为原始的残差点分布图;
图7为本发明非稳态状态的枝切线设置图;
图8为本发明亚稳态状态的枝切线设置图。
图9为本发明稳态状态的枝切线设置图。
图10为本发明恒稳态状态的枝切线设置图。
图11为应用本发明基于多头绒泡菌觅食算法的枝切线优化设置方法设置枝切线性能结果图。
图12为应用传统Goldstein枝切法设置枝切线性能结果图。
图13为应用本发明基于多头绒泡菌觅食算法的枝切线优化设置方法解包裹性能结果图。
图14为应用传统Goldstein枝切法解包裹性能结果图。
具体实施方式
下面结合附图并举仿真实施例,对本发明进行详细的描述。
本发明提供了一种基于多头绒泡菌觅食算法的枝切线优化设置方法,本发明方法流程图如图1所示,具体步骤如下:
步骤一、如图2所示,对干涉相位图的残差点进行预处理,即根据干涉条纹图中残差点的分布特征,对由噪声引起的相邻偶极子对进行连接,同时对靠近边界的单极子采取“接地”处理,以达到整幅干涉图电荷量平衡且正负残差点数量相同的目的。
其中,残差点的定义如本发明定义5给出的:取包裹相位场中四个相邻的构成矩形形状的点,以顺时针方向为正,定义
Δ1=ω(φ2-φ1),Δ2=ω(φ3-φ2),Δ3=ω(φ4-φ3),Δ4=ω(φ1-φ4)
式中,φ表示包裹相位,ω表示包裹算子。Δn(n=1,2,3,...)都在(-π,π)之间,满足:
当q=0时,表示这四个点中不存在噪声点或残差点;若q≠0则表示这四个点中含有噪声点,将左上角的点定义为残差点(residual),q=1为正残差点,q=-1为负残差点。
其中,残差点的预处理过程具体步骤如下:
S201、采用四点环路积分法识别干涉相位图中的残差点,将正、负残差点分别标记为+1、-1极性,并将所有残差点标记为不平衡;
S202、找到一个不平衡残差点,若该残差点为边界点,转步骤S203,否则转步骤S204;
S203、以该边界点为边中心,放置一个2×3的搜索窗,在该搜索窗内搜索与边界点极性相反的残差点,若找到,则在这两个点之间设置枝切线,并均标记为平衡;若未找到,则扩大搜索窗口,扩大搜索窗口次数记为n次,窗口扩大为(n+2)×(2n+3),设置扩大搜索窗口次数阈值T;若达到阈值T仍未找到其他残差点,则在该边界点与增加的极性相反的边界残差点之间设置枝切线,并标记为平衡;
S204、以该不平衡残差点为中心,设置一个3×3的搜索窗,在搜索窗内搜索与中心残差点极性相反的残差点,若找到,则在这两个点之间设置枝切线,并均标记为平衡;若未找到,则扩大搜索窗口,窗口扩大为(2n+3)×(2n+3),设置扩大搜索窗口次数阈值T;若达到阈值T仍未找到其他残差点,则判断搜索窗口是否已到达图像边界,若到达,则将该点与边界相连并标记为平衡,若未达到,则放弃对该点的操作;
S205、按照步骤S202至S204遍历所有残差点后,如果剩余不平衡的正负残差点数目不相等,则通过将最靠近边界的残差点与增加的极性相反的边界残差点相连的方式使正负残差点数目相等,以达到整幅干涉图正负残差点数量相同的目的。
根据以上所述步骤得到如图5所示的应用本发明残差点预处理的残差点分布示图。预处理后,正残差点增加3个,负残差点增加1个,正负残差点各107个,达到残差点电荷量平衡。
迭代开始,初始化各个食物源(残差点)的起始位置坐标,获得各个食物源(残差点)间的距离以及管道(枝切线)。
初始化所有管道的电导率di,j,压力差pi,j以及相关参数,其中,电导率di,j,压力差pi,j按照如下公式计算:
pi,j=|pi-pj|
分别求得每个管道的个体效用ui,j(t)、整体效用J(t)、目标吸引力F(t)、交互信息Q(t)和枝切线的总长度L等参数,具体按照如下公式计算:
ui,j(t)=exp(-pi,j(t)di,j(t))
图7所示为本发明非稳态状态的枝切线设置方法,在算法非稳态阶段,适当的增加参数ε的值,以提高算法收敛的速度,ε按照如下目标吸引力的公式进行收敛速度的控制:
不断迭代更新个体效用ui,j(t),当个体效用稳定时,算法进入亚稳态状态,如图8所示。
引入随机扰动模型,在保持系统的电荷量平衡的条件下,断开多余的枝切线,构建最小生成树树枝网络。
引入随机扰动模型一,PFA算法的每次随机扰动将获得一个新解,如果新解可以使电荷量平衡且其质量优于当前解,则接受新解;如果新解可以使电荷量平衡,但是其质量劣于当前解,则将以概率P(ΔL>0)=exp(ΔLt)接受新解。
适当降低ε的值,以提高局部搜索的精度,使得算法进入稳态状态,如图9所示。
引入随机扰动模型二,判断当前系统和引入随机扰动前系统的电荷量的变化,如果新解可以使电荷量平衡,则接受新解,否则不接受新解,通过此机制使算法达到恒稳态状态,如图10所示。
更新复杂度标签C,确定枝切线优化后,残差点连接的枝切线的多少,其中,更新复杂度标签行为规则为:
生成最小树后,自左而右,自上而下采取历的方式选择两个残差点之间的枝切线,使之断开,判断分离的两条枝切线的电荷量是否平衡,1)若平衡,则接受修改,将两个残差点的复杂度标签同时减1;2)若不平衡,则不接受修改,将两个残差点的复杂度标签同时加1。
完成最小生成树树枝的优化设置,算法进入恒稳态状态,求得枝切线设置最优解。
图11和12显示应用本发明基于多头绒泡菌觅食算法的枝切线优化设置方法设置的最优枝切线明显优于通过传统Goldstein枝切法设置的枝切线,枝切线长度明显减少,而且没有闭合环的产生。
得到枝切线最优解之后,使用洪水漫淹法绕开枝切线进行相位解包裹。
图13为应用本发明基于多头绒泡菌觅食算法的枝切线优化设置方法所设置的枝切线进行相位解包裹得到的相位展开图,与传统Goldstein枝切法得到的相位展开图,如图14,进行比较。
从图14可以看出,用传统Goldstein枝切法得到的相位展开图中有若干坏区,这些坏区对应于图12中的枝切线密集区域以及枝切线形成闭合环的区域,是枝切法没有正确解包裹的区域。从图13可以看出,由本发明基于多头绒泡菌觅食算法的枝切线优化设置方法得到的相位展开图中不存在未正确解包裹的区域,只在边界点处存在单个像素点的未解包裹现象,这说明本发明预处理的方法仍然有待改进,但是,对比说明,本发明基于多头绒泡菌觅食算法的枝切线优化设置方法的鲁棒性以及相位解包裹性能更好。
表1对应用本发明基于多头绒泡菌觅食算法的枝切线优化设置方法与传统Goldstein枝切法设置枝切线得到的枝切线长度和展开包裹相位的解包裹率做了对比,L表示枝切线总长度,n为像元解包裹率(已解包裹像素数与总像素数的比)。本发明基于多头绒泡菌觅食算法的枝切线优化设置方法设置的枝切线总长度仅为250,远远少于枝切法设置的枝切线总长度445;孤岛数量仅有6个像素点,而枝切法的孤岛数量高达249。同时,本发明基于多头绒泡菌觅食算法的枝切线优化设置方法的解包裹率比枝切法的解包裹率提高了12.55%。
表1两种方法性能对比(图像尺寸:44×44)
本发明的技术方案的主要贡献具体如下:
(1)提出多头绒泡菌觅食算法(PFA),在优化枝切线设置问题中具有高度的并行性、全局寻优能力和超高的精度;
(2)提出多头绒泡菌基本模型与枝切线模型的对应关系;
(3)提出基于多头绒泡菌生长周期的稳态模型,控制算法在不同状态下的寻优能力、寻优精度和寻优速度;
(4)提出电荷平衡条件下的随机扰动模型,避免算法陷入早熟收敛,提高全局寻优能力;
(5)提出枝切线优化数学模型,完善恒稳态时的求解模型;
(6)提出复杂度标签概念,确定每个残差点的复杂度,即优化后残差点所连接的枝切线的多寡;
(7)建立多头绒泡菌觅食算法优化枝切线设置的数学物理模型,构建完整的求解体系。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (5)
1.一种基于多头绒泡菌觅食算法的枝切线优化设置方法,其特征在于,包括以下步骤:
步骤一,根据干涉条纹图中残差点的分布特征,对由噪声引起的相邻偶极子对进行连接,同时对靠近边界的单极子采取“接地”处理,以达到整幅干涉图电荷量平衡且正负残差点数量相同的目的;
步骤二,通过建立多头绒泡菌觅食算法模型在残差点之间构建完整枝切线网络;
步骤三,引入随机扰动模型,在保持系统的电荷量平衡的条件下,断开多余的枝切线,构建最小生成树树枝网络,在不同的随机扰动下,算法会相应进入亚稳态、稳态和恒稳态;步骤三具体包括以下方法:
S31、引入随机扰动模型一,多头绒泡菌觅食算法PFA的每次随机扰动将获得一个新解,如果新解可以使电荷量平衡且其质量优于当前解,则接受新解;如果新解可以使电荷量平衡但是其质量劣于当前解,则将以概率P(ΔL>0)=exp(ΔLt)接受新解;
S32、适当降低ε的值,以提高局部搜索的精度,使得算法进入稳态状态;
S33、引入随机扰动模型二,判断当前系统和引入随机扰动前系统的电荷量的变化,如果新解可以使电荷量平衡,则接受新解,否则不接受新解,通过此机制使算法达到恒稳态状态;
S34、更新复杂度标签C,确定枝切线优化后,残差点连接的枝切线的多少;
S35、根据步骤S33完成最小生成树树枝的优化设置,算法进入恒稳态状态,求得枝切线设置最优解;
步骤四,使用洪水漫淹法绕开枝切线进行相位解包裹。
2.如权利要求1所述的基于多头绒泡菌觅食算法的枝切线优化设置方法,其特征在于,所述步骤一具体包括以下步骤:
S201、采用四点环路积分法识别干涉相位图中的残差点,将正、负残差点分别标记为+1、-1极性,并将所有残差点标记为不平衡;
S202、找到一个不平衡残差点,若该残差点为边界点,转步骤S203,否则转步骤S204;
S203、以该边界点为边中心,放置一个2×3的搜索窗,在该搜索窗内搜索与边界点极性相反的残差点,若找到,则在这两个点之间设置枝切线,并均标记为平衡;若未找到,则扩大搜索窗口,扩大搜索窗口次数记为n次,设置扩大搜索窗口次数阈值T;若达到阈值T仍未找到其他残差点,则在该边界点与增加的极性相反的边界残差点之间设置枝切线,并标记为平衡;
S204、以该不平衡残差点为中心,设置一个3×3的搜索窗,在搜索窗内搜索与中心残差点极性相反的残差点,若找到,则在这两个点之间设置枝切线,并均标记为平衡;若未找到,则扩大搜索窗口,扩大搜索窗口次数记为n次,设置扩大搜索窗口次数阈值T;若达到阈值T仍未找到其他残差点,则判断搜索窗口是否已到达图像边界,若到达,则将该点与边界相连并标记为平衡,若未达到,则放弃对该点的操作;
S205、按照步骤S202至S204遍历所有残差点后,如果剩余不平衡的正负残差点数目不相等,则通过将最靠近边界的残差点与增加的极性相反的边界残差点相连的方式使正负残差点数目相等,以达到整幅干涉图正负残差点数量相同的目的。
3.如权利要求2所述的基于多头绒泡菌觅食算法的枝切线优化设置方法,其特征在于,所述步骤S203和S204中搜索窗口设置方式具体为,所述步骤S203以边界点为边中心,搜索窗口尺寸为(n+2)×(2n+3);所述步骤S204以非边界点为中心点,搜索窗口尺寸为(2n+3)×(2n+3);其中所述扩大搜索窗口次数阈值T,根据图像尺寸和残差点的密集程度自行设置。
4.如权利要求1所述的基于多头绒泡菌觅食算法的枝切线优化设置方法,其特征在于,所述步骤二具体包括以下方法:
S401、初始化各个残差点的位置坐标,获得各个残差点间的距离以及枝切线;
S402、初始化所有枝切线的电导率di,j,压力差pi,j以及相关参数;
S403、分别求得每个枝切线的个体效用ui,j(t)、整体效用J(t)、目标吸引力F(t)、交互信息Q(t)和枝切线的总长度L;
S404、适当的增加参数ε的值,以提高算法收敛的速度;
S405、不断迭代更新个体效用ui,j(t),使得算法进入亚稳态状态。
5.如权利要求4所述的基于多头绒泡菌觅食算法的枝切线优化设置方法,其特征在于,所述步骤S405、步骤S32以及步骤S33中的亚稳态、稳态和恒稳态具体包括:
S501、所述亚稳态状态具体为,多头绒泡菌生长中期,系统的能量值、个体效用和整体效用变化幅度减小,算法趋向于局部寻优,收敛速度较慢;
S502、所述稳态状态具体为,多头绒泡菌生长后期至生长完成,系统的能量值、个体效用和整体效用稳定,算法求解出当前最优解;
S503、所述恒稳态状态具体为,多头绒泡菌生长完成后,对枝切线再次进行优化,除去使系统电荷量平衡所必需的枝切线外,其余枝切线全部断开,即整个系统达到电荷量平衡且枝切线最短,达到最小生成树状态;此时,系统再无进化趋向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811351456.7A CN109685195B (zh) | 2018-11-13 | 2018-11-13 | 基于多头绒泡菌觅食算法的枝切线优化设置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811351456.7A CN109685195B (zh) | 2018-11-13 | 2018-11-13 | 基于多头绒泡菌觅食算法的枝切线优化设置方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109685195A CN109685195A (zh) | 2019-04-26 |
CN109685195B true CN109685195B (zh) | 2022-09-06 |
Family
ID=66185802
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811351456.7A Active CN109685195B (zh) | 2018-11-13 | 2018-11-13 | 基于多头绒泡菌觅食算法的枝切线优化设置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109685195B (zh) |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279945B (zh) * | 2013-04-26 | 2015-11-25 | 北京理工大学 | 一种基于质量图导引法和枝切法的干涉相位图解缠方法 |
CN104820859B (zh) * | 2015-04-27 | 2017-09-05 | 宁夏大学 | 基于预处理和自适应遗传模拟退火算法的相位解缠方法 |
-
2018
- 2018-11-13 CN CN201811351456.7A patent/CN109685195B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109685195A (zh) | 2019-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105718528B (zh) | 基于论文间引用关系的学术地图展示方法 | |
CN109902183B (zh) | 一种基于多样图注意力机制的知识图谱嵌入方法 | |
CN109711277B (zh) | 基于时空频域混合学习的行为特征提取方法、系统、装置 | |
Wang et al. | An effective hybrid biogeography-based optimization algorithm for parameter estimation of chaotic systems | |
AU2017395124A1 (en) | Correction method and apparatus for predicted wind speed of wind farm | |
Fišer et al. | Growing neural gas efficiently | |
CN111432368B (zh) | 一种适用于稀疏锚节点wsn的测距定位方法 | |
CN106017305B (zh) | 一种基于差分进化算法的相位解包裹方法 | |
Froese et al. | The border k-means clustering algorithm for one dimensional data | |
CN107609694B (zh) | 海上风电集群输电系统结构优化方法及存储介质 | |
CN104266656A (zh) | 用于道路网的最短路径搜索方法及装置 | |
Kumar et al. | Parameter estimation of three-diode solar photovoltaic model using an Improved-African Vultures optimization algorithm with Newton–Raphson method | |
CN104123684A (zh) | 一种计及网损和可靠性的配电网经济性重构方法 | |
CN109685195B (zh) | 基于多头绒泡菌觅食算法的枝切线优化设置方法 | |
CN115983105B (zh) | 基于深度学习加权决策的Occam反演拉格朗日乘子优化方法 | |
CN116223973A (zh) | 基于改进灰狼优化算法的分布式配电网故障定位方法 | |
CN109190749A (zh) | 一种用于智能电表寿命的预测方法及装置 | |
CN116667369A (zh) | 一种基于图卷积神经网络的分布式光伏电压控制方法 | |
CN110676877B (zh) | 一种孤岛微电网潮流检测方法 | |
CN115879742B (zh) | 配电网改造方法、系统、电子设备及存储介质 | |
Kumar et al. | Memetic search in artificial bee colony algorithm with fitness based position update | |
CN111191339A (zh) | 求解天线阵列综合问题的约束超多目标智能优化转换方法 | |
CN107562714A (zh) | 一种语句相似度计算方法及装置 | |
CN109784286A (zh) | 基于多目标模因优化算法的遥感影像空谱非监督分类方法 | |
CN109716288A (zh) | 网络模型编译器及相关产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |