CN109903251A - 果蝇算法和杜鹃搜索算法串行融合进行图像增强优化的方法 - Google Patents
果蝇算法和杜鹃搜索算法串行融合进行图像增强优化的方法 Download PDFInfo
- Publication number
- CN109903251A CN109903251A CN201910146092.7A CN201910146092A CN109903251A CN 109903251 A CN109903251 A CN 109903251A CN 201910146092 A CN201910146092 A CN 201910146092A CN 109903251 A CN109903251 A CN 109903251A
- Authority
- CN
- China
- Prior art keywords
- drosophila
- algorithm
- merge
- flavor concentration
- cuckoo searching
- 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.)
- Granted
Links
- 241000255581 Drosophila <fruit fly, genus> Species 0.000 title claims abstract description 65
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 61
- 241000544061 Cuculus canorus Species 0.000 title claims abstract description 31
- 238000005457 optimization Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 23
- 239000000796 flavoring agent Substances 0.000 claims abstract description 32
- 235000019634 flavors Nutrition 0.000 claims abstract description 32
- 235000013305 food Nutrition 0.000 claims abstract description 13
- 230000003044 adaptive effect Effects 0.000 claims abstract description 11
- 244000000626 Daucus carota Species 0.000 claims description 20
- 235000005770 birds nest Nutrition 0.000 claims description 20
- 235000005765 wild carrot Nutrition 0.000 claims description 20
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 235000013601 eggs Nutrition 0.000 claims description 2
- 230000003014 reinforcing effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 238000002156 mixing Methods 0.000 abstract description 2
- 230000007246 mechanism Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 241000255588 Tephritidae Species 0.000 description 2
- 108700010295 Drosophila for Proteins 0.000 description 1
- 241001062472 Stokellia anisodon Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 244000144987 brood Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010006 flight Effects 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000024241 parasitism Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种果蝇算法和杜鹃搜索算法串行融合进行图像增强优化的方法。初始化果蝇群体位置,给出果蝇个体利用嗅觉搜寻食物的随机方向和距离,先计算果蝇个体与原点之间的距离,再计算味道浓度判定值,代入味道浓度判定函数求出该果蝇个体位置的味道浓度,求出味道浓度最高的果蝇,设置进化计算终止条件,判断最优适应度是否满足终止条件,若满足,则输出具有最优适应度的个体位置,若不满足则对群体中不满足终止条件的全部个体进行杜鹃搜索算法,产生新的群体位置,将产生的新群体位置继续返回循环操作,直到达到进化计算的终止条件,输出具有最优适应度的位置。本发明提高算法的优化效率和优化效果,是一种有实际应用价值的融合算法。
Description
技术领域
本发明属于图像增强领域,涉及一种图像增强优化的方法,具体涉及的是一种利用果蝇算法和杜鹃搜索算法串行融合进行图像增强优化的方法。
背景技术
图像增强方法根据其处理的空间不同,为空域方法和频域方法。灰度变换是一种基于像素操作空域增强方法,它通过一定的规则将图像中每一个像素的灰度值修改为一个新的灰度值来进行图像增强。
果蝇优化算法(FOA)是基于群体的演化算法,其基本思想来源于果蝇觅食行为。果蝇在嗅觉和视觉能力上优于其他物种。果蝇首先通过嗅觉搜索食物(可达40km远)当离食物较近时,通过敏锐的视觉继续进行搜索,并最终找到食物源。
FOA的嗅觉搜索机制和视觉搜索机制更为简洁。果蝇利用嗅觉和视觉进行搜索,嗅觉搜索能力使果蝇可以跳出局部最优解,而视觉搜索可以使果蝇比较快的定位到较优位置。因此FOA具有较小的计算量、较低的复杂度、较高的精度,但其寻优结果较不稳定,容易陷入局部最优解。
杜鹃搜索算法通过模拟杜鹃鸟巢寄生育雏行为,结合Lévy flights机制进行寻优操作,能够快速有效地找到问题的最优解。整个算法操作简单、易于实现。CS算法利用莱维飞行进行全局搜索,具有良好的全局寻优能力。作为一种通用型算法,CS算法易于与其他算法相结合,进而获得性能更加优越的混合算法。
发明内容
为了解决目前现有技术中的果蝇算法和杜鹃搜索算法各自存在的缺点。例如,果蝇算法易于陷入局部最优解,杜鹃搜索算法收敛速度慢;本发明提供了一种利用果蝇算法和杜鹃搜索算法串行融合进行图像增强优化的方法,解决了果蝇算法容易陷于局部最优解、杜鹃搜索算法收敛速度慢的问题,提高算法的优化效率和优化效果。
本发明所采用的技术方案是:一种利用果蝇算法和杜鹃搜索算法串行融合进行图像增强优化的方法,其特征在于,包括以下步骤:
步骤1:初始化果蝇群体位置,即为图像中像素点的位置;
步骤2:给出果蝇个体利用嗅觉搜寻食物的随机方向和距离;
步骤3:由于开始无法获知食物的具体位置,所以先计算果蝇个体与原点之间的距离Disti,再计算味道浓度判定值Si即为灰度值;
步骤4:味道浓度判定值Si代入味道浓度判定函数即评价增强图像的质量的标准的公式以求出该果蝇个体位置的味道浓度Smelli;
步骤5:找出此果蝇群体中味道浓度最高的果蝇;
步骤6:设置适应度函数值的最大阈值为迭代终止条件,判断步骤5中的最优适应度是否满足终止条件,若满足,则输出具有最优适应度的个体,若不满足执行步骤7;
步骤7:对群体中不满足终止条件的全部个体进行杜鹃搜索算法,产生新的群体位置;
步骤8:将步骤7中产生的新群体位置继续返回步骤2循环操作,直到达到进化计算的终止条件,输出具有最优适应度的位置。
本发明的有益效果是:
(1)通过本发明的方法将果蝇算法、杜鹃搜索算法进行融合操作,解决了果蝇算法容易陷于局部最优解、杜鹃搜索算法收敛速度慢的问题,提高算法的优化效率和图像增强优化效果。
(2)本发明对群体中的个体,进行适应度计算。在具体应用中,适应度函数的设计要结合求解问题本身的要求而定。适应度函数设计直接影响到进化算法的性能。
附图说明
图1本发明实施例的流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,需要说明的是果蝇算法和杜鹃搜索算法是已有技术,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
请见图1,本发明所采用的技术方案是:一种利用果蝇算法和杜鹃搜索算法串行融合进行图像增强优化的方法,包括以下步骤:
步骤1:初始化果蝇群体位置:
其中,X_axis、Y_axis分别表示果蝇初始位置横纵坐标值。
步骤2:给出果蝇个体利用嗅觉搜寻食物的随机方向和距离:
其中,X_axis、Y_axis分别表示果蝇初始位置横纵坐标值,RandomValue表示随机数,两者相加得到新的果蝇位置的横纵坐标值。
步骤3:由于开始无法获知食物的具体位置,所以先计算果蝇个体与原点之间的距离Disti,再计算味道浓度判定值Si:
Si=1/Disti
Xi、Yi分别表示果蝇当前所在位置的坐标值,果蝇个体利用嗅觉搜寻食物的随机方向和距离;
步骤4:味道浓度判定值Si代入味道浓度判定函数(或称为Fitness function)以求出该果蝇个体位置的味道浓度Smelli:Smelli=Fitness(Si);
其中,Si表示味道浓度判定值,Fitness(Si)表示味道浓度判定函数,判定函数由具体的应用场景决定,在图像增强中即为评价增强图像的质量的标准公式:
其中M、N分别代表图像的宽、高,f'(x,y)为像素点(x,y)变换后的灰度值,fit值越大,图像的对比度越大,图像的增强效果越好;
步骤5:找出此果蝇群体中味道浓度最高的果蝇(求极大值):
[bestSmell,bestIndex]=max(Smell);
其中,bestSmell表示最佳味道浓度值,bestIndex表示最佳味道浓度所在位置坐标,Smell表示每个个体位置的味道浓度。
步骤6:设置适应度函数值的最大阈值为进化计算终止条件,判断步骤5中的最优适应度是否满足终止条件,若满足,则输出具有最优适应度的个体,若不满足执行步骤7;
优化计算终止条件为所设置的适应度函数的值的最大阈值或者最大的迭代次数。
步骤7:对种群中不满足终止条件的全部个体进行杜鹃搜索算法,产生新的种群位置,杜鹃搜索算法包括如下步骤;
步骤7.1:将种群中不满足终止条件的全部个体作为初始化鸟巢的位置Xi,i∈[1,n],定义目标函数f(x),X=[X1,X2,…,Xn]T。
步骤7.2:计算每个鸟巢位置的目标函数值并进行比较,得到当前的最优函数值。
步骤7.3:对除最优鸟巢以外的其他鸟巢的位置和状态进行更新,计算目标函数值,获得的函数值与当前的最优函数值进行比较,若较好,则更新记录当前最优值。
利用莱维飞行对除最优鸟巢以外的其他鸟巢的位置和状态进行更新,杜鹃鸟寻找宿主鸟巢的位置和路径更新公式如下:
其中,表示第i个鸟巢在第t次迭代是的位置,步长因a>0,用来控制步长,其值服从正态分布,s,λ为正态分布的随机数。
步骤7.4位置更新后,用随机数r与Pa进行比较,Pa表示鸟巢主人发现外来鸟蛋的概率,Pa∈[0,1]如果r>Pa就随机更新一次鸟窝的位置,否则鸟巢位置不变。
步骤8:将步骤7中产生的新种群位置继续返回步骤2循环操作,直到达到进化计算的终止条件,输出具有最优适应度的位置。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (9)
1.一种果蝇算法和杜鹃搜索算法串行融合进行图像增强优化的方法,其特征在于,包括以下步骤:
步骤1:初始化果蝇群体位置,即为图像中像素点的位置;
步骤2:给出果蝇个体利用嗅觉搜寻食物的随机方向和距离;
步骤3:由于开始无法获知食物的具体位置,所以先计算果蝇个体与原点之间的距离Disti,再计算味道浓度判定值Si,Si为该点的灰度值;
步骤4:味道浓度判定值Si代入味道浓度判定函数,即评价增强图像的质量的标准的公式,以求出该果蝇个体位置的味道浓度Smelli;
步骤5:找出此果蝇群体中味道浓度最高的果蝇;
步骤6:设置适应度函数值的最大阈值为迭代终止条件,判断步骤5中的最优适应度是否满足终止条件,若满足,则输出具有最优适应度的个体,若不满足执行步骤7;
步骤7:对群体中不满足终止条件的全部个体进行杜鹃搜索算法,产生新的群体位置;
步骤8:将步骤7中产生的新群体位置继续返回步骤2循环操作,直到达到进化计算的终止条件,输出具有最优适应度的位置。
2.根据权利要求1所述的果蝇算法和杜鹃搜索算法串行融合进行图像增强优化的方法,其特征在于,步骤1中果蝇群体位置定义为:
其中,X_axis、Y_axis分别表示果蝇初始位置横纵坐标值。
3.根据权利要求1所述的果蝇算法和杜鹃搜索算法串行融合进行图像增强优化的方法,其特征在于,步骤2中果蝇个体利用嗅觉搜寻食物的随机方向和距离定义为:
其中,X_axis、Y_axis分别表示果蝇初始位置横纵坐标值,RandomValue表示随机数,两者相加得到新的果蝇位置的横纵坐标值。
4.根据权利要求1所述的果蝇算法和杜鹃搜索算法串行融合进行图像增强优化的方法,其特征在于:步骤3中,计算果蝇个体与原点之间的距离Disti和味道浓度判定值Si所采用的公式为:
其中,Xi、Yi分别表示果蝇当前所在位置的坐标值,果蝇个体利用嗅觉搜寻食物的随机方向和距离。
5.根据权利要求1所述的果蝇算法和杜鹃搜索算法串行融合进行图像增强优化的方法,其特征在于,步骤4中果蝇个体位置的味道浓度Smelli为:
Smelli=Fitness(Si);
其中,Si表示味道浓度判定值,Fitness(Si)表示味道浓度判定函数,即为评价增强图像的质量的标准公式:
其中M、N分别代表图像的宽、高,f'(x,y)为像素点(x,y)变换后的灰度值,fit值越大,图像的对比度越大,图像的增强效果越好。
6.根据权利要求1所述的果蝇算法和杜鹃搜索算法串行融合进行图像增强优化的方法,其特征在于,步骤5中果蝇群体中味道浓度最高的果蝇位置公式为:
[bestSmell,bestIndex]=min(Smell);
其中,bestSmell表示最佳味道浓度值,bestIndex表示最佳味道浓度所在位置坐标,Smell表示每个个体位置的味道浓度。
7.根据权利要求1所述的果蝇算法和杜鹃搜索算法串行融合进行图像增强优化的方法,其特征在于:步骤6中,优化计算终止条件为所设置的适应度函数的值的最大阈值或者最大的迭代次数。
8.根据权利要求1-7任意一项所述的果蝇算法和杜鹃搜索算法串行融合进行图像增强优化的方法,其特征在于,步骤7的具体实现包括以下子步骤:
步骤7.1:将种群中不满足终止条件的全部个体作为初始化鸟巢的位置Xi,i∈[1,n],定义目标函数f(x),X=[X1,X2,…,Xn]T;
步骤7.2:计算每个鸟巢位置的目标函数值并进行比较,得到当前的最优函数值;
步骤7.3:对除最优鸟巢以外的其他鸟巢的位置和状态进行更新,计算目标函数值,获得的函数值与当前的最优函数值进行比较,若较好,则更新记录当前最优值;
步骤7.4:位置更新后,用随机数r与Pa进行比较,Pa表示鸟巢主人发现外来鸟蛋的概率,Pa∈[0,1]如果r>Pa就随机更新一次鸟窝的位置,否则鸟巢位置不变。
9.根据权利要8所述的果蝇算法和杜鹃搜索算法串行融合进行图像增强优化的方法,其特征在于,步骤7.3中杜鹃鸟寻找宿主鸟巢的位置和路径更新公式如下:
其中,表示第i个鸟巢在第t次迭代是的位置,步长缩放因子a>0,用来控制步长,其值服从正态分布,s,λ为正态分布的随机数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910146092.7A CN109903251B (zh) | 2019-02-27 | 2019-02-27 | 果蝇算法和杜鹃搜索算法串行融合进行图像增强优化的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910146092.7A CN109903251B (zh) | 2019-02-27 | 2019-02-27 | 果蝇算法和杜鹃搜索算法串行融合进行图像增强优化的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109903251A true CN109903251A (zh) | 2019-06-18 |
CN109903251B CN109903251B (zh) | 2022-02-01 |
Family
ID=66945494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910146092.7A Active CN109903251B (zh) | 2019-02-27 | 2019-02-27 | 果蝇算法和杜鹃搜索算法串行融合进行图像增强优化的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109903251B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111583377A (zh) * | 2020-06-10 | 2020-08-25 | 江苏科技大学 | 一种改进风驱动优化的体绘制视点评价与选择方法 |
CN111818535A (zh) * | 2020-06-05 | 2020-10-23 | 温州大学 | 一种融合多种群优化算法的无线局域网三维优化部署方法 |
CN113345042A (zh) * | 2021-05-31 | 2021-09-03 | 太原理工大学 | 一种基于改进果蝇优化算法的ect图像重建方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1573810A (zh) * | 2003-06-06 | 2005-02-02 | Ge医疗系统环球技术有限公司 | 图像处理方法和设备 |
CN104376543A (zh) * | 2014-11-28 | 2015-02-25 | 湖北工业大学 | 一种基于杜鹃搜索算法的自适应图像增强方法 |
CN108875829A (zh) * | 2018-06-20 | 2018-11-23 | 鲁东大学 | 一种乳腺肿瘤图像的分类方法及系统 |
CN109035166A (zh) * | 2018-07-16 | 2018-12-18 | 国网四川省电力公司巴中供电公司 | 基于非下采样剪切波变换的电气设备红外图像增强方法 |
CN109242878A (zh) * | 2018-10-29 | 2019-01-18 | 安徽理工大学 | 一种基于自适应布谷鸟优化法的图像多阈值分割方法 |
US20190025805A1 (en) * | 2016-05-09 | 2019-01-24 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for detection in an industrial internet of things data collection environment with intelligent data collection and process adjustment for an industrial power station |
-
2019
- 2019-02-27 CN CN201910146092.7A patent/CN109903251B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1573810A (zh) * | 2003-06-06 | 2005-02-02 | Ge医疗系统环球技术有限公司 | 图像处理方法和设备 |
CN104376543A (zh) * | 2014-11-28 | 2015-02-25 | 湖北工业大学 | 一种基于杜鹃搜索算法的自适应图像增强方法 |
US20190025805A1 (en) * | 2016-05-09 | 2019-01-24 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for detection in an industrial internet of things data collection environment with intelligent data collection and process adjustment for an industrial power station |
CN108875829A (zh) * | 2018-06-20 | 2018-11-23 | 鲁东大学 | 一种乳腺肿瘤图像的分类方法及系统 |
CN109035166A (zh) * | 2018-07-16 | 2018-12-18 | 国网四川省电力公司巴中供电公司 | 基于非下采样剪切波变换的电气设备红外图像增强方法 |
CN109242878A (zh) * | 2018-10-29 | 2019-01-18 | 安徽理工大学 | 一种基于自适应布谷鸟优化法的图像多阈值分割方法 |
Non-Patent Citations (3)
Title |
---|
B BALAJI NAIK 等: "Developing a Cloud Computing Data Center Virtual Machine Consolidation Based on Multi-objective Hybrid Fruit-fly Cuckoo Search Algorithm", 《 2018 IEEE 5G WORLD FORUM (5GWF)》 * |
ZHIWEI YE 等: "An Adaptive Image Enhancement Technique Based on Firefly Algorithm", 《 2015 8TH INTERNATIONAL SYMPOSIUM ON COMPUTATIONAL INTELLIGENCE AND DESIGN (ISCID)》 * |
王琦 等: "果蝇算法与改进蚁群算法优化模糊集的自适应图像增强", 《山东农业大学学报(自然科学版)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111818535A (zh) * | 2020-06-05 | 2020-10-23 | 温州大学 | 一种融合多种群优化算法的无线局域网三维优化部署方法 |
CN111818535B (zh) * | 2020-06-05 | 2023-04-18 | 温州大学 | 一种融合多种群优化算法的无线局域网三维优化部署方法 |
CN111583377A (zh) * | 2020-06-10 | 2020-08-25 | 江苏科技大学 | 一种改进风驱动优化的体绘制视点评价与选择方法 |
CN111583377B (zh) * | 2020-06-10 | 2024-01-09 | 江苏科技大学 | 一种改进风驱动优化的体绘制视点评价与选择方法 |
CN113345042A (zh) * | 2021-05-31 | 2021-09-03 | 太原理工大学 | 一种基于改进果蝇优化算法的ect图像重建方法 |
CN113345042B (zh) * | 2021-05-31 | 2022-07-22 | 太原理工大学 | 一种基于改进果蝇优化算法的ect图像重建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109903251B (zh) | 2022-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109903251A (zh) | 果蝇算法和杜鹃搜索算法串行融合进行图像增强优化的方法 | |
Zhang et al. | A novel phase angle-encoded fruit fly optimization algorithm with mutation adaptation mechanism applied to UAV path planning | |
Abhishek et al. | Hybrid PSO-HSA and PSO-GA algorithm for 3D path planning in autonomous UAVs | |
Yang et al. | Survey of swarm intelligence optimization algorithms | |
CN105871724B (zh) | 电力通信网线路优化方法及系统 | |
Hassanzadeh et al. | Fuzzy FA: a modified firefly algorithm | |
CN109617888A (zh) | 一种基于神经网络的异常流量检测方法及系统 | |
Ye et al. | An adaptive image enhancement technique by combining cuckoo search and particle swarm optimization algorithm | |
CN109325580A (zh) | 一种用于服务组合全局优化的自适应布谷鸟搜索方法 | |
CN107784353A (zh) | 一种基于布谷鸟搜索算法的函数优化方法 | |
CN112469050B (zh) | 一种基于改进灰狼优化器的wsn三维覆盖增强方法 | |
CN105976379A (zh) | 一种基于布谷鸟优化的模糊聚类彩色图像分割方法 | |
Strumberger et al. | Hybridized moth search algorithm for constrained optimization problems | |
Marciniak et al. | Swarm intelligence algorithms for multi-level image thresholding | |
CN117273053A (zh) | 一种海洋捕食者算法的优化实现方法 | |
Mousavirad et al. | Entropy based optimal multilevel thresholding using cuckoo optimization algorithm | |
CN109919294A (zh) | 一种萤火虫算法与杜鹃搜索算法并行融合的图像增强方法 | |
CN114397807B (zh) | 一种基于改进麻雀算法的pid参数优化方法 | |
CN114819038A (zh) | 基于高斯映射和混合算子改进象群算法的目标分群方法 | |
Atasever et al. | The use of artificial intelligence optimization algorithms in unsupervised classification | |
Doanh et al. | Effects of refuges and density dependent dispersal on interspecific competition dynamics | |
Mat Yahya | Bats echolocation-inspired algorithms for global optimisation problems | |
Chaudhary et al. | Improving convergence in swarm algorithms by controlling range of random movement | |
CN112836786B (zh) | 布谷鸟搜索方法 | |
Kaur | Analysis of Various Optimization Techniques in Machine Learning |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190618 Assignee: Wuhan Jiewangtuo Technology Co.,Ltd. Assignor: HUBEI University OF TECHNOLOGY Contract record no.: X2023980054601 Denomination of invention: A Method for Image Enhancement Optimization by Serial Fusion of Drosophila Algorithm and Rhododendron Search Algorithm Granted publication date: 20220201 License type: Common License Record date: 20240102 |
|
EE01 | Entry into force of recordation of patent licensing contract | ||
OL01 | Intention to license declared | ||
OL01 | Intention to license declared |