发明内容
针对上述问题,本发明旨在提供一种基于区块链的智慧护理交互系统。
本发明创造的目的通过以下技术方案实现:
一种基于区块链的智慧护理交互系统,包括病患监控模块、区块链存储模块和智慧护理交互终端,所述病患监控模块和病患的床号进行绑定,用于采集病患的红外图像,并将采集的红外图像和其对应的床号传输至智慧护理交互终端,所述区块链存储模块用于存储病患的基础手术信息、基础检查信息、基础检验信息和基础用药信息,所述智慧护理交互终端包括病患手术管理模块、病患检查管理模块、病患检验管理模块、病患用药管理模块和病患监护模块,所述病患手术管理模块用于显示病患的基础手术信息,所述病患检查管理模块用于显示病患的基础检查信息,所述病患检验管理模块用于显示病患的基础检验信息,医护人员可以在病患检验管理模块中根据病患的基础信息查询病患的基础检验信息,所述病患用药管理模块用于显示病患的基础用药信息,医护人员可以在病患用药管理模块根据病患的基础信息查询病患的基础用药信息,所述病患监护模块用于对接收到的病患的红外图像进行处理和目标分割,并根据分割所得的病患区域图像判断病患的体温是否超出安全阈值,当病患的体温超出安全阈值时进行预警。
优选地,所述智慧护理交互终端从区块链存储模块中调取病患的基础手术信息、基础检查信息、基础检验信息和基础用药信息进行显示。
优选地,病患的基础信息包括病患的床号、姓名和住院号。
优选地,基础手术信息包括病患的床号、姓名、住院号、术前诊断的疾病名称、手术的申请时间、手术名称、手术室、主刀医生和麻醉方式;基础检查信息包括患者的床号、姓名、住院号、检查类别、检查项目和检查科室;基础检验信息包括病患的床号、姓名、住院号、检验名称、申请检验的时间、检验物采集时间、检验物出科时间、检验物送达时间、检验物登记人、检验审核时间和检验报告完成时间;基础用药信息包括病患的床号、姓名、住院号、药品名称、药品对应的开单人和开药时间、药品的配药人和配药时间、药品的接收人和接收时间以及对病患使用所述药品的执行人和执行时间。
优选地,所述病患监护模块包括图像处理单元、目标分割单元和监护预警单元,所述图像处理单元用于对接收到的红外图像进行去噪处理,所述目标分割单元用于在去噪处理后的红外图像中分割出病患区域图像,所述监护预警单元用于根据分割所得的病患区域图像判断病患的体温是否超出安全阈值,并且在病患的体温数据超出安全阈值时进行预警。
优选地,所述图像处理单元用于对接收到的红外图像进行去噪处理,设I表示接收到的红外图像,I(x,y)表示红外图像I中坐标(x,y)处的像素,对像素I(x,y)进行噪声检测,具体为:
设Ω(x,y)表示以像素I(x,y)为中心的3×3的邻域,定义P(x,y)表示像素I(x,y)的邻域统一系数,且
其中,h(x,y)表示像素I(x,y)的灰度值,I(a,b)表示邻域Ω(x,y)中坐标(a,b)处的像素,且I(a,b)≠I(x,y),h(a,b)表示像素I(a,b)的灰度值,M(x,y)表示邻域Ω(x,y)中的像素数;
给定邻域统一阈值P,当像素I(x,y)满足:P(x,y)<P时,则判定像素I(x,y)为正常像素,且将邻域Ω(x,y)标记为正常邻域,当像素I(x,y)满足:P(x,y)≥P时,则判定像素I(x,y)为可疑像素,且将邻域Ω(x,y)标记为可疑邻域;
设h′(x,y)表示对像素I(x,y)进行去噪后的灰度值,当像素I(x,y)被判定为正常像素时,则令h′(x,y)=h(x,y);当像素I(x,y)被判定为可疑像素时,则采用下列方式对像素I(x,y)进行进一步噪声检测:
设U(x,y)表示以像素I(x,y)为中心的(2L(x,y)+1)×(2L(x,y)+1)的局部区域,其中,L(x,y)为正整数,且L(x,y)的值采用下列方式进行确定:
设
表示以像素
为中心的L
(x,y)×L
(x,y)的局部区域,
表示以像素
为中心的L
(x,y)×L
(x,y)的局部区域,
表示以像素
为中心的L
(x,y)×L
(x,y)的局部区域,
表示以像素
为中心的L
(x,y)×L
(x,y)的局部区域,其中,
表示红外图像I中坐标
处的像素,
表示红外图像I中坐标
处的像素,
表示红外图像I中坐标
处的像素,
表示红外图像I中坐标
处的像素,L
(x,y)的初始值取2,并令L
(x,y)以1为步长进行增长,当L
(x,y)的值首次使得局部区域
和
中都包含标记的正常邻域时,此时的L
(x,y)的值即为局部区域U(x,y)中的L
(x,y)的值;
对局部区域U(x,y)进行检测,设I
1(x
1,y
1)表示局部区域
中距离像素I(x,y)最近的正常邻域的中心像素,I
2(x
2,y
2)表示局部区域
中距离像素I(x,y)最近的正常邻域的中心像素,I
3(x
3,y
3)表示局部区域
中距离像素I(x,y)最近的正常邻域的中心像素,I
4(x
4,y
4)表示局部区域
中距离像素I(x,y)最近的正常邻域的中心像素,定义H′(x,y)表示局部区域U(x,y)的结构检测系数,L′(x,y)表示局部区域U(x,y)的区域检测系数,且
其中,I
k(x
k,y
k)表示红外图像I中坐标(x
k,y
k)处的像素,h
k(x
k,y
k)表示像素I
k(x
k,y
k)的灰度值,k=1,2,3,4,I
o(x
o,y
o)表示红外图像I中坐标(x
o,y
o)处的像素,h
o(x
o,y
o)表示像素I
o(x
o,y
o)的灰度值,o=1,2,3,4,I(m,n)表示局部区域U(x,y)中坐标(m,n)处的像素,h(m,n)表示像素I(m,n)的灰度值;定义H(x,y)表示像素I(x,y)的结构检测系数,L(x,y)表示像素I(x,y)的区域检测系数,且
当H′(x,y)-L′(x,y)<P且
时,则判定像素I(x,y)为正常像素,此时,h′(x,y)=h(x,y),当H′(x,y)-L′(x,y)<P且
时,则判定像素I(x,y)为噪声像素,此时,
当H′(x,y)-L′(x,y)≥P时,设I
q(x
q,y
q)表示红外图像I中坐标(x
q,y
q)处的像素,且
Ω(x
q,y
q)表示以像素I
q(x
q,y
q)为中心的3×3的邻域,定义H
q(x
q,y
q)表示像素I
q(x
q,y
q)在邻域Ω(x
q,y
q)的结构检测系数,L
q(x
q,y
q)表示像素I
q(x
q,y
q)在邻域Ω(x
q,y
q)的区域检测系数,且
其中,I(c,d)表示邻域Ω(x
q,y
q)中坐标(c,d)处的像素,且I(c,d)≠I
q(x
q,y
q),h(c,d)表示像素I(c,d)的灰度值,h
q(x
q,y
q)表示像素I
q(x
q,y
q)的灰度值;当像素I(x,y)满足:max{|L(x,y)-H
q(x
q,y
q)|,|L(x,y)-L
q(x
q,y
q)|}<P时,则判定像素I(x,y)为正常像素,此时,h′(x,y)=h(x,y),当max{|L(x,y)-H
q(x
q,y
q)|,|L(x,y)-L
q(x
q,y
q)|}≥P时,则判定像素I(x,y)为噪声像素,此时,
其中,σ
s表示空间滤波系数。
优选地,所述目标分割单元采用最大熵阈值法对去噪处理后的红外图像进行病患区域的目标分割,采用布谷鸟算法确定所述最大熵阈值法的最优分割阈值。
优选地,在每次采用莱维飞行对布谷鸟的鸟巢位置进行更新后,将鸟巢位置按其在当前代的适应度函数值由高到低进行排序组成序列,设L(t)表示将鸟巢位置按其在第t代时的适应度函数值由高到低进行排序组成的序列,依次对序列L(t)中的鸟巢位置进行偏好随机游走更新,具体为:
设
表示序列L(t)中的第j个鸟巢位置,用随机数rand∈[0,1]与p
a进行比较,若rand≤p
a,则不对位置
进行更新,当rand>p
a时,则采用下列方式对位置
进行偏好随机游走更新:
式中,p
a表示发现概率,
表示对鸟巢位置
进行偏好随机游走更新后的鸟巢位置,X
j,1(t)、X
j,2(t)和X
j,3(t)为从当前种群中随机选取的三个鸟巢位置,且X
j,1(t)≠X
j,2(t)≠X
j,3(t),rand
1和rand
2分别表示产生[0,1]内的随机数,
表示对鸟巢位置
进行偏好随机游走更新时的引导鸟巢位置,
为从集合
中随机选取的一个候选引导鸟巢位置,其中,
表示在对鸟巢位置
进行偏好随机游走更新时的候选引导鸟巢位置集合,集合
中的候选引导鸟巢位置采用下列方式确定:
设X
k(t)表示第t代种群中的第k个鸟巢位置,定义
表示鸟巢位置X
k(t)对鸟巢位置
的引导参考值,且
的表达式为:
式中,
表示鸟巢位置
和鸟巢位置X
k(t)之间的统计系数,且
其中,
表示鸟巢位置
对应的适应度函数值,f
k(t)表示鸟巢位置X
k(t)对应的适应度函数值,
表示在对鸟巢位置
进行偏好随机游走更新时鸟巢位置X
k(t)已经被选取为引导鸟巢位置的次数,N表示布谷鸟种群规模,f
worst(t)表示种群在第t代时的全局最差鸟巢位置对应的适应度函数值,f
best(t)表示种群在第t代时的全局最优鸟巢位置对应的适应度函数值;
给定参考检测阈值
且
当
时,则将鸟巢位置X
k(t)加入到集合
中作为候选引导鸟巢位置,当
时,则不将鸟巢位置X
k(t)加入到集合
中,其中,
表示第t代时种群中鸟巢位置对应的适应度函数值的均值,T
max表示最大迭代次数;
将鸟巢位置
和鸟巢位置
进行比较,设
表示鸟巢位置
对应的适应度函数值,当
时,则令鸟巢位置
代替鸟巢位置
当
时,则不令鸟巢位置
代替鸟巢位置
发明创造的有益效果:利用物联网、区块链和图像处理技术,依托智能终端设备对患者全病程进行智能管理,实现了从传统到智能时代的跨越,提高了医护工作效率;通过图像处理技术实现了对患者体温数据的有效监测,能够及时发现患者的异常情况,具有测量准确性高、全面的优势。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1,本实施例的一种基于区块链的智慧护理交互系统,包括病患监控模块、区块链存储模块和智慧护理交互终端,所述病患监控模块和病患的床号进行绑定,用于实时采集病患的红外图像,并将采集的红外图像和其对应的床号传输至智慧护理交互终端,所述区块链存储模块用于存储病患的基础手术信息、基础检查信息、基础检验信息和基础用药信息,所述智慧护理交互终端包括病患手术管理模块、病患检查管理模块、病患检验管理模块、病患用药管理模块和病患监护模块,所述病患手术管理模块用于显示病患的基础手术信息,所述病患检查管理模块用于显示病患的基础检查信息,所述病患检验管理模块用于显示病患的基础检验信息,医护人员可以在病患检验管理模块中根据病患的基础信息查询病患的基础检验信息,所述病患用药管理模块用于显示病患的基础用药信息,医护人员可以在病患用药管理模块根据病患的基础信息查询病患的基础用药信息,所述病患监护模块用于对接收到的病患的红外图像进行处理和目标分割,并根据分割所得的病患区域图像判断病患的体温是否超出安全阈值,当病患的体温超出安全阈值时进行预警。
优选地,所述智慧护理交互终端从区块链存储模块中调取病患的基础手术信息、基础检查信息、基础检验信息和基础用药信息进行显示。
优选地,所述病患的基础信息包括病患的床号、姓名和住院号。
优选地,所述基础手术信息包括病患的床号、姓名、住院号、术前诊断的疾病名称、手术的申请时间、手术名称、手术室、主刀医生和麻醉方式;所述基础检查信息包括患者的床号、姓名、住院号、检查类别、检查项目和检查科室;所述基础检验信息包括病患的床号、姓名、住院号、检验名称、申请检验的时间、检验物采集时间、检验物出科时间、检验物送达时间、检验物登记人、检验审核时间和检验报告完成时间;所述基础用药信息包括病患的床号、姓名、住院号、药品名称、所述药品对应的开单人和开药时间、所述药品的配药人和配药时间、所述药品的接收人和接收时间以及对病患使用所述药品的执行人和执行时间。
优选地,所述病患手术管理模块包括全部手术显示单元、未安排显示单元、已安排显示单元、手术中显示单元、手术完成显示单元和取消安排显示单元,所述全部手术显示单元用于显示全部病患的基础手术信息,所述未安排显示单元用于显示病患中还未安排手术的病患的基础手术信息,所述已安排显示单元用于显示病患中已经安排手术的病患的基础手术信息,所述手术中显示单元用于显示当前正在进行手术的病患的基础手术信息,所述手术完成显示单元用于显示病患中已经完成手术的病患的基础手术信息,所述取消安排显示单元用于显示病患中取消了手术的病患的基础手术信息。
优选地,所述病患检查管理模块包括全部检查显示单元、待检显示单元、已检未报显示单元、报告完成显示单元和取消检查显示单元,所述全部检查显示单元用于显示全部病患的基础检查信息,所述待检显示单元用于显示病患中等待检查的病患的基础检查信息,所述已检未报单元用于显示病患中已经检查完毕但还未生成检查报告的病患的基础检查信息,所述报告完成显示单元用于显示病患中已经检查完毕并且生成了检查报告的病患的基础检查信息,所述取消检查显示单元用于显示病患中取消了检查的病患的基础检查信息。
本优选实施例利用物联网、区块链和图像处理技术,依托智能终端设备对患者全病程进行智能管理,实现了从传统到智能时代的跨越,提高了医护工作效率。
优选地,所述病患监护模块包括图像处理单元、目标分割单元和监护预警单元,所述图像处理单元用于对接收到的红外图像进行去噪处理,所述目标分割单元用于在去噪处理后的红外图像中分割出病患区域图像,所述监护预警单元用于根据分割所得的病患区域图像判断病患的体温是否超出安全阈值,并且在病患的体温超出安全阈值时进行预警。
本优选实施例通过图像处理技术实现了对患者体温数据的有效监测,能够及时发现患者的异常情况,具有测量准确性高、全面的优势,实现了对病患的有效护理。
优选地,所述图像处理单元用于对接收到的红外图像进行去噪处理,设I表示接收到的红外图像,I(x,y)表示红外图像I中坐标(x,y)处的像素,对像素I(x,y)进行噪声检测,具体为:
设Ω(x,y)表示以像素I(x,y)为中心的3×3的邻域,定义P(x,y)表示像素I(x,y)的邻域统一系数,且
其中,h(x,y)表示像素I(x,y)的灰度值,I(a,b)表示邻域Ω(x,y)中坐标(a,b)处的像素,且I(a,b)≠I(x,y),h(a,b)表示像素I(a,b)的灰度值,M(x,y)表示邻域Ω(x,y)中的像素数;
给定邻域统一阈值P,P的值可以取3,当像素I(x,y)满足:P(x,y)<P时,则判定像素I(x,y)为正常像素,且将邻域Ω(x,y)标记为正常邻域,当像素I(x,y)满足:P(x,y)≥P时,则判定像素I(x,y)为可疑像素,且将邻域Ω(x,y)标记为可疑邻域;
设h′(x,y)表示对像素I(x,y)进行去噪后的灰度值,当像素I(x,y)被判定为正常像素时,则令h′(x,y)=h(x,y);当像素I(x,y)被判定为可疑像素时,则采用下列方式对像素I(x,y)进行进一步噪声检测:
设U(x,y)表示以像素I(x,y)为中心的(2L(x,y)+1)×(2L(x,y)+1)的局部区域,其中,L(x,y)为正整数,且L(x,y)的值采用下列方式进行确定:
设
表示以像素
为中心的L
(x,y)×L
(x,y)的局部区域,
表示以像素
为中心的L
(x,y)×L
(x,y)的局部区域,
表示以像素
为中心的L
(x,y)×L
(x,y)的局部区域,
表示以像素
为中心的L
(x,y)×L
(x,y)的局部区域,其中,
表示红外图像I中坐标
处的像素,
表示红外图像I中坐标
处的像素,
表示红外图像I中坐标
处的像素,
表示红外图像I中坐标
处的像素,L
(x,y)的初始值取2,并令L
(x,y)以1为步长进行增长,当L
(x,y)的值首次使得局部区域
和
中都包含标记的正常邻域时,此时的L
(x,y)的值即为局部区域U(x,y)中的L
(x,y)的值;
对局部区域U(x,y)进行检测,设I
1(x
1,y
1)表示局部区域
中距离像素I(x,y)最近的正常邻域的中心像素,I
2(x
2,y
2)表示局部区域
中距离像素I(x,y)最近的正常邻域的中心像素,I
3(x
3,y
3)表示局部区域
中距离像素I(x,y)最近的正常邻域的中心像素,I
4(x
4,y
4)表示局部区域
中距离像素I(x,y)最近的正常邻域的中心像素,定义H′(x,y)表示局部区域U(x,y)的结构检测系数,L′(x,y)表示局部区域U(x,y)的区域检测系数,且
其中,I
k(x
k,y
k)表示红外图像I中坐标(x
k,y
k)处的像素,h
k(x
k,y
k)表示像素I
k(x
k,y
k)的灰度值,k=1,2,3,4,I
o(x
o,y
o)表示红外图像I中坐标(x
o,y
o)处的像素,h
o(x
o,y
o)表示像素I
o(x
o,y
o)的灰度值,o=1,2,3,4,I(m,n)表示局部区域U(x,y)中坐标(m,n)处的像素,h(m,n)表示像素I(m,n)的灰度值;定义H(x,y)表示像素I(x,y)的结构检测系数,L(x,y)表示像素I(x,y)的区域检测系数,且
当H′(x,y)-L′(x,y)<P且
时,则判定像素I(x,y)为正常像素,此时,h′(x,y)=h(x,y),当H′(x,y)-L′(x,y)<P且
时,则判定像素I(x,y)为噪声像素,此时,
当H′(x,y)-L′(x,y)≥P时,设I
q(x
q,y
q)表示红外图像I中坐标(x
q,y
q)处的像素,且
Ω(x
q,y
q)表示以像素I
q(x
q,y
q)为中心的3×3的邻域,定义H
q(x
q,y
q)表示像素I
q(x
q,y
q)在邻域Ω(x
q,y
q)的结构检测系数,L
q(x
q,y
q)表示像素I
q(x
q,y
q)在邻域Ω(x
q,y
q)的区域检测系数,且
其中,I(c,d)表示邻域Ω(x
q,y
q)中坐标(c,d)处的像素,且I(c,d)≠I
q(x
q,y
q),h(c,d)表示像素I(c,d)的灰度值,h
q(x
q,y
q)表示像素I
q(x
q,y
q)的灰度值;当像素I(x,y)满足:max{|L(x,y)-H
q(x
q,y
q)|,|L(x,y)-L
q(x
q,y
q)|}<P时,则判定像素I(x,y)为正常像素,此时,h′(x,y)=h(x,y),当max{|L(x,y)-H
q(x
q,y
q)|,|L(x,y)-L
q(x
q,y
q)|}≥P时,则判定像素I(x,y)为噪声像素,此时,
其中,σ
s表示空间滤波系数,σ
s的值可以取4。
本优选实施例用于检测红外图像中的噪声像素,并对检测所得的噪声像素进行去噪处理,从而避免噪声像素影响监护预警单元的预警精度,针对传统的去噪算法容易受到邻域噪声像素的影响以及容易将边缘像素误判为噪声像素的缺陷,本优选实施例提出一种新的去噪算法,定义邻域统一系数能够有效的检测出图像中的正常邻域,对图像中不同的结构区域具有较强的适应性;根据检测出的正常邻域确定待去噪像素的局部区域,使得待去噪像素的局部区域的四个方向都包含有正常邻域,然后根据局部区域中的正常邻域对待去噪像素进行噪声检测,能够有效的避免邻域噪声像素影响待去噪像素的噪声检测结果的同时,对于处于边缘结构的正常像素能够有效的进行判断,避免将边缘像素误判为噪声像素的情况。
优选地,所述目标分割单元采用最大熵阈值法对去噪处理后的红外图像进行病患区域的目标分割,采用布谷鸟算法确定所述最大熵阈值法的最优分割阈值,以最大熵作为布谷鸟算法的适应度函数,布谷鸟的鸟巢位置对应的适应度函数值越大,代表其寻优结果越好。
优选地,在每次采用莱维飞行对布谷鸟的鸟巢位置进行更新后,将鸟巢位置按其在当前代的适应度函数值由高到低进行排序组成序列,设L(t)表示将鸟巢位置按其在第t代时的适应度函数值由高到低进行排序组成的序列,依次对序列L(t)中的鸟巢位置进行偏好随机游走更新,具体为:
设
表示序列L(t)中的第j个鸟巢位置,用随机数rand∈[0,1]与p
a进行比较,若rand≤p
a,则不对位置
进行更新,当rand>p
a时,则采用下列方式对位置
进行偏好随机游走更新:
式中,p
a表示发现概率,
表示对鸟巢位置
进行偏好随机游走更新后的鸟巢位置,X
j,1(t)、X
j,2(t)和X
j,3(t)为从当前种群中随机选取的三个鸟巢位置,且X
j,1(t)≠X
j,2(t)≠X
j,3(t),rand
1和rand
2分别表示产生[0,1]内的随机数,
表示对鸟巢位置
进行偏好随机游走更新时的引导鸟巢位置,
为从集合
中随机选取的一个候选引导鸟巢位置,其中,
表示在对鸟巢位置
进行偏好随机游走更新时的候选引导鸟巢位置集合,集合
中的候选引导鸟巢位置采用下列方式确定:
设X
k(t)表示第t代种群中的第k个鸟巢位置,定义
表示鸟巢位置X
k(t)对鸟巢位置
的引导参考值,且
的表达式为:
式中,
表示鸟巢位置
和鸟巢位置X
k(t)之间的统计系数,且
其中,
表示鸟巢位置
对应的适应度函数值,f
k(t)表示鸟巢位置X
k(t)对应的适应度函数值,
表示在对鸟巢位置
进行偏好随机游走更新时鸟巢位置X
k(t)已经被选取为引导鸟巢位置的次数,N表示布谷鸟种群规模,f
worst(t)表示种群在第t代时的全局最差鸟巢位置对应的适应度函数值,f
best(t)表示种群在第t代时的全局最优鸟巢位置对应的适应度函数值;
给定参考检测阈值
且
当
时,则将鸟巢位置X
k(t)加入到集合
中作为候选引导鸟巢位置,当
时,则不将鸟巢位置X
k(t)加入到集合
中,其中,
表示第t代时种群中鸟巢位置对应的适应度函数值的均值,T
max表示最大迭代次数;
将鸟巢位置
和鸟巢位置
进行比较,设
表示鸟巢位置
对应的适应度函数值,当
时,则令鸟巢位置
代替鸟巢位置
当
时,则不令鸟巢位置
代替鸟巢位置
本优选实施例采用布谷鸟算法确定最大熵阈值法中的最优分割阈值,针对标准的布谷鸟算法由于存在收敛速度慢,易陷入局部最优等现象,从而难以准确找到最优分割阈值,导致图像分割准确率较低的缺陷,本优选实施例对布谷鸟算法的偏好随机游走更新方式进行了改进,现有技术在布谷鸟算法的偏好随机游走更新方式中引入全局最优解来提高算法的收敛速度,但这种改进方式容易减小种群的多样性,从而使得布谷鸟算法陷入局部最优,针对上述缺陷,本优选实施例提出的对布谷鸟算法的偏好随机游走更新方式进行改进的方式在提高了算法的收敛速度的同时,保证了种群的多样性,从而避免算法陷入局部最优,具体为:在布谷鸟算法的偏好随机游走更新方式中增加了引导鸟巢位置,所述引导鸟巢位置用于引导种群向着全局较优位置搜索,所述引导鸟巢位置是从候选引导鸟巢位置集合中随机选取的,而在选取候选引导鸟巢位置时,定义了鸟巢位置的引导参考值,所述引导参考值的第一项用于保证选取的候选引导鸟巢位置具有较高的适应度函数值,从而引导种群向着全局较优位置搜索,即起到了提高算法收敛速度的作用;所述引导参考值的第二项用于保证选取的候选引导鸟巢位置在种群中被选取为引导鸟巢位置的次数较少,从而在提高算法的收敛速度的同时起到保证种群多样性的作用,此外,设置参考检测阈值随着迭代次数的增加而增加,使得在迭代后期,引导种群向着全局最优位置搜索的同时,加强全局最优位置的局部搜索。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。