尧图网页设计 
欢迎来到海神之光博客之家✅博主简介热爱科研的Matlab仿真开发者修心和技术同步精进个人主页海神之光代码获取方式海神之光Matlab王者学习之路—代码获取方式⛳️座右铭行百里者半于九十。更多Matlab图像处理仿真内容点击①Matlab图像处理进阶版②付费专栏Matlab图像处理初级版⛳️关注CSDN海神之光更多资源等你来⛄一、细菌觅食算法简介实际生活需求促进了最优化方法的发展。近半个多世纪以来由于传统优化方法的不足一些具有全局优化性能且通用性强的进化算法因其高效的优化性能、无需问题精确描述信息等优点受到各领域广泛的关注和应用。其中产生最早也最具代表性的进化算法是20世纪70年代源于达尔文自然选择学说和孟德尔遗传变异理论的遗传算法Genetic AlgorithmGA。而近年来人们模拟自然界生物群体行为产生出一系列群体智能优化算法如Dorigo等通过模拟蚂蚁的寻径行为于1991年提出了蚁群优化算法Ant Colony OptimizationACOEberhart和Kennedy通过模拟鸟群捕食行为于1995年提出了粒子群优化算法Particle Swarm OptimizationPSO。这些算法被广泛应用于工程领域并取得了显著的成果。随着群体智能优化算法的蓬勃发展Passino于2002年提出了模拟人类大肠杆菌觅食行为的细菌觅食优化算法Bacteria Foraging Optimization AlgorithmBFOA为仿生进化算法家族增添了新成员。本章将着重向广大编程爱好者介绍最基本的细菌觅食算法各编程科研人员可以基于本章算法加以改进并应用到实际案例中。1 标准细菌觅食优化算法2 趋向性操作Chemotaxis3 聚集性操作Swarming4 复制性操作Reproduction5 迁徙性操作Elimination and Dispersal实际环境中的细菌所生活的局部区域可能会发生逐渐变化如食物消耗殆尽或者发生突如其来的变化如温度突然升高等。这样可能会导致生活在这个局部区域的细菌种群被迁徙到新的区域中去或者集体被外力杀死。在BFO算法中模拟这种现象称为迁徙性操作。6 BFO算法流程⛄二、部分源代码%Hybrid Bacterial Foraging with Parameter free PSO*clear;clc;tica ‘lena.jpg’;ximread(a);argb2gray(x);countimhist(a);[m,n]size(a);Nm*n;L256;countcount/N;u00;u0;for i1:Lu0u0(i-1)*count(i);w(i)sum(count(1:i)); %wi是前i个像素的累加概率u u (i-1)*count(i);ua(i) u;end%-----(1)初始化参数-----p 2; % 搜索范围的维度BacterialNum 20; % 细菌的个数Nc 30; %趋化的次数Number of Chemotaxis stepsNs 4; %趋化操作中单向运动的最大步数Number of Swimming stepsNre 4; %复制操作步骤数Number of reproduction stepsstep0.05; %翻转选定方向后单个细菌前进的步长Sr BacterialNum/2; %每代复制分裂数range 255;for i 1:BacterialNum % 产生初始细菌个体的位置Bacterial(i).location range * rand(1,p);end%------先计算各个细菌的适应度并初始化Pbest----------------------for i1:BacterialNumBacterial(i).bestFitness CalFitness1(Bacterial(i).location,w,ua,u0);Bacterial(i).bestLocation Bacterial(i).location;end%-----(2)复制操作开始----- for k 1:Nre %-----(3)趋化操作(翻转或游动)开始----- for j 1:Nc %-----对每一个细菌分别进行以下操作----- for i 1:BacterialNum %-----(3a)计算适应度值 Bacterial(i).fitness CalFitness1(Bacterial(i).location,w,ua,u0); %-----保存细菌目前的适应度值直到找到更好的适应度值取代之----- Bacterial_last Bacterial(i); %-----(3b)翻转产生一个随机向量,代表翻转后细菌的方向----- Delta rands(1,p); % PHI表示翻转后选择的一个随机方向上前进单位向量 PHI Delta/sqrt(Delta*Delta); %-----(3c)移动向着翻转后细菌的方向移动一个步长并且改变细菌的位置----- Bacterial(i).location Bacterial(i).location step*PHI; %-----计算细菌当前位置的适应度值----- Bacterial(i).fitness CalFitness1(Bacterial(i).location,w,ua,u0); %-----(3d)游动----- m 0; % 给游动长度计数器赋初始值 while(m Ns) % 未达到游动的最大长度则循环 m m 1; % 新位置的适应度值是否更好如果更好将新位置的适应度值存储为细菌i目前最好的适应度值 if Bacterial(i).fitness Bacterial_last.fitness Bacterial_last Bacterial(i); %保存更好的适应度值 % 在该随机方向上继续游动步长单位,修改细菌位置 Bacterial(i).location Bacterial(i).location step*PHI; % 重新计算新位置上的适应度值 Bacterial(i).fitness CalFitness1(Bacterial(i).location,w,ua,u0); else % 否则结束此次游动 m Ns; Bacterial(i) Bacterial_last; % 更新趋化操作后的适应度值 end end % pbest if Bacterial(i).fitness Bacterial(i).bestFitness Bacterial(i).bestFitness Bacterial(i).fitness; Bacterial(i).bestLocation Bacterial(i).location; end end % 如果iBacterialNum进入下一个细菌的趋化ii1 %--------Mutation with pfPSO Opreator------------- GlobalBest Bacterial(1); for i2:BacterialNum if Bacterial(i).fitness GlobalBest.fitness; GlobalBest Bacterial(i); end end for i1:BacterialNum r1rand(); r2rand(); Bacterial(i).location ( 1 - GlobalBest.location / Bacterial(i).location ) * r1 * GlobalBest.location (GlobalBest.location / Bacterial(i).location ) * r2 * Bacterial(i).bestLocation; Bacterial(i).fitness CalFitness1(Bacterial(i).location,w,ua,u0); Bacterial(i).location mod(Bacterial(i).location,255)1; end end %-----(4)如果jNc此时细菌还处于活跃状态进行下一次趋化jj1----- function fun CalFitness1(x,w,ua,u0)L256;xint16(mod(x,255))1;w1w(x(1));u1ua(x(1))/w1;w2w(x(2))-w(x(1));u2(ua(x(2))-ua(x(1)))/w2;w3w(L)-w(x(2));u3(ua(L)-ua(x(2)))/w3;⛄三、运行结果⛄四、matlab版本及参考文献1 matlab版本2014a2 参考文献[1]陈浩,方勇,朱大洲,王成,陈子龙.基于蚁群算法的玉米植株热红外图像边缘检测[J].农机化研究. 2015,37(06)3 备注简介此部分摘自互联网仅供参考若侵权联系删除 仿真咨询1 各类智能优化算法改进及应用生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化2 机器学习和深度学习方面卷积神经网络CNN、LSTM、支持向量机SVM、最小二乘支持向量机LSSVM、极限学习机ELM、核极限学习机KELM、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断3 图像处理方面图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知4 路径规划方面旅行商问题TSP、车辆路径问题VRP、MVRP、CVRP、VRPTW等、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化5 无人机应用方面无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配6 无线传感器定位及布局方面传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化7 信号处理方面信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化8 电力系统方面微电网优化、无功优化、配电网重构、储能配置9 元胞自动机方面交通流 人群疏散 病毒扩散 晶体生长10 雷达方面卡尔曼滤波跟踪、航迹关联、航迹融合 【图像分割】基于matlab改进的细菌觅食算法双阈值图像分割【含Matlab源码 069期】
欢迎来到海神之光博客之家✅博主简介热爱科研的Matlab仿真开发者修心和技术同步精进个人主页海神之光代码获取方式海神之光Matlab王者学习之路—代码获取方式⛳️座右铭行百里者半于九十。更多Matlab图像处理仿真内容点击①Matlab图像处理进阶版②付费专栏Matlab图像处理初级版⛳️关注CSDN海神之光更多资源等你来⛄一、细菌觅食算法简介实际生活需求促进了最优化方法的发展。近半个多世纪以来由于传统优化方法的不足一些具有全局优化性能且通用性强的进化算法因其高效的优化性能、无需问题精确描述信息等优点受到各领域广泛的关注和应用。其中产生最早也最具代表性的进化算法是20世纪70年代源于达尔文自然选择学说和孟德尔遗传变异理论的遗传算法Genetic AlgorithmGA。而近年来人们模拟自然界生物群体行为产生出一系列群体智能优化算法如Dorigo等通过模拟蚂蚁的寻径行为于1991年提出了蚁群优化算法Ant Colony OptimizationACOEberhart和Kennedy通过模拟鸟群捕食行为于1995年提出了粒子群优化算法Particle Swarm OptimizationPSO。这些算法被广泛应用于工程领域并取得了显著的成果。随着群体智能优化算法的蓬勃发展Passino于2002年提出了模拟人类大肠杆菌觅食行为的细菌觅食优化算法Bacteria Foraging Optimization AlgorithmBFOA为仿生进化算法家族增添了新成员。本章将着重向广大编程爱好者介绍最基本的细菌觅食算法各编程科研人员可以基于本章算法加以改进并应用到实际案例中。1 标准细菌觅食优化算法2 趋向性操作Chemotaxis3 聚集性操作Swarming4 复制性操作Reproduction5 迁徙性操作Elimination and Dispersal实际环境中的细菌所生活的局部区域可能会发生逐渐变化如食物消耗殆尽或者发生突如其来的变化如温度突然升高等。这样可能会导致生活在这个局部区域的细菌种群被迁徙到新的区域中去或者集体被外力杀死。在BFO算法中模拟这种现象称为迁徙性操作。6 BFO算法流程⛄二、部分源代码%Hybrid Bacterial Foraging with Parameter free PSO*clear;clc;tica ‘lena.jpg’;ximread(a);argb2gray(x);countimhist(a);[m,n]size(a);Nm*n;L256;countcount/N;u00;u0;for i1:Lu0u0(i-1)*count(i);w(i)sum(count(1:i)); %wi是前i个像素的累加概率u u (i-1)*count(i);ua(i) u;end%-----(1)初始化参数-----p 2; % 搜索范围的维度BacterialNum 20; % 细菌的个数Nc 30; %趋化的次数Number of Chemotaxis stepsNs 4; %趋化操作中单向运动的最大步数Number of Swimming stepsNre 4; %复制操作步骤数Number of reproduction stepsstep0.05; %翻转选定方向后单个细菌前进的步长Sr BacterialNum/2; %每代复制分裂数range 255;for i 1:BacterialNum % 产生初始细菌个体的位置Bacterial(i).location range * rand(1,p);end%------先计算各个细菌的适应度并初始化Pbest----------------------for i1:BacterialNumBacterial(i).bestFitness CalFitness1(Bacterial(i).location,w,ua,u0);Bacterial(i).bestLocation Bacterial(i).location;end%-----(2)复制操作开始----- for k 1:Nre %-----(3)趋化操作(翻转或游动)开始----- for j 1:Nc %-----对每一个细菌分别进行以下操作----- for i 1:BacterialNum %-----(3a)计算适应度值 Bacterial(i).fitness CalFitness1(Bacterial(i).location,w,ua,u0); %-----保存细菌目前的适应度值直到找到更好的适应度值取代之----- Bacterial_last Bacterial(i); %-----(3b)翻转产生一个随机向量,代表翻转后细菌的方向----- Delta rands(1,p); % PHI表示翻转后选择的一个随机方向上前进单位向量 PHI Delta/sqrt(Delta*Delta); %-----(3c)移动向着翻转后细菌的方向移动一个步长并且改变细菌的位置----- Bacterial(i).location Bacterial(i).location step*PHI; %-----计算细菌当前位置的适应度值----- Bacterial(i).fitness CalFitness1(Bacterial(i).location,w,ua,u0); %-----(3d)游动----- m 0; % 给游动长度计数器赋初始值 while(m Ns) % 未达到游动的最大长度则循环 m m 1; % 新位置的适应度值是否更好如果更好将新位置的适应度值存储为细菌i目前最好的适应度值 if Bacterial(i).fitness Bacterial_last.fitness Bacterial_last Bacterial(i); %保存更好的适应度值 % 在该随机方向上继续游动步长单位,修改细菌位置 Bacterial(i).location Bacterial(i).location step*PHI; % 重新计算新位置上的适应度值 Bacterial(i).fitness CalFitness1(Bacterial(i).location,w,ua,u0); else % 否则结束此次游动 m Ns; Bacterial(i) Bacterial_last; % 更新趋化操作后的适应度值 end end % pbest if Bacterial(i).fitness Bacterial(i).bestFitness Bacterial(i).bestFitness Bacterial(i).fitness; Bacterial(i).bestLocation Bacterial(i).location; end end % 如果iBacterialNum进入下一个细菌的趋化ii1 %--------Mutation with pfPSO Opreator------------- GlobalBest Bacterial(1); for i2:BacterialNum if Bacterial(i).fitness GlobalBest.fitness; GlobalBest Bacterial(i); end end for i1:BacterialNum r1rand(); r2rand(); Bacterial(i).location ( 1 - GlobalBest.location / Bacterial(i).location ) * r1 * GlobalBest.location (GlobalBest.location / Bacterial(i).location ) * r2 * Bacterial(i).bestLocation; Bacterial(i).fitness CalFitness1(Bacterial(i).location,w,ua,u0); Bacterial(i).location mod(Bacterial(i).location,255)1; end end %-----(4)如果jNc此时细菌还处于活跃状态进行下一次趋化jj1----- function fun CalFitness1(x,w,ua,u0)L256;xint16(mod(x,255))1;w1w(x(1));u1ua(x(1))/w1;w2w(x(2))-w(x(1));u2(ua(x(2))-ua(x(1)))/w2;w3w(L)-w(x(2));u3(ua(L)-ua(x(2)))/w3;⛄三、运行结果⛄四、matlab版本及参考文献1 matlab版本2014a2 参考文献[1]陈浩,方勇,朱大洲,王成,陈子龙.基于蚁群算法的玉米植株热红外图像边缘检测[J].农机化研究. 2015,37(06)3 备注简介此部分摘自互联网仅供参考若侵权联系删除 仿真咨询1 各类智能优化算法改进及应用生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化2 机器学习和深度学习方面卷积神经网络CNN、LSTM、支持向量机SVM、最小二乘支持向量机LSSVM、极限学习机ELM、核极限学习机KELM、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断3 图像处理方面图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知4 路径规划方面旅行商问题TSP、车辆路径问题VRP、MVRP、CVRP、VRPTW等、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化5 无人机应用方面无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配6 无线传感器定位及布局方面传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化7 信号处理方面信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化8 电力系统方面微电网优化、无功优化、配电网重构、储能配置9 元胞自动机方面交通流 人群疏散 病毒扩散 晶体生长10 雷达方面卡尔曼滤波跟踪、航迹关联、航迹融合