基于种群拓扑结构的改进差分演化算法及其在图像分割中的应用

The Differential Evolution algorithm, which short for DE, is able to solve a variety of complex scientific problem efficiently and conveniently. Optimizing the control factor and changing the evolutionary strategy are the two major methods to improve DE. Though the affect of the population topology to the efficiency of DE is well known, it is lack of the research on the population topology. Hence, the project researches on the population of DE, discusses the topology of the population, and optimizes the topology of DE with dynamical model and optimal trajectory theory. There are three major contents of this project, including the evolutionary mode of the population, the self-adaptive topology to optimize DE, and a new image segmentation method utilizing the improving DE. At first, we discuss and analyze several DE variants using different panmictic and decentralized population schemes; and then use adaptive and coevolution population topology scheme, which guide the species to find a better solution, in order to avoid premature convergence and improve the performance of DE algorithm. Finally, based on the structure information, we apply the improved DE algorithm to solve the image segmentation optimization problem, to find a better segmentation result. The purpose of the intelligent image segmentation method is to breakthrough the limitations of image process and image segmentation optimization problem, and to lay the theoretical and technical basis for solving the batch process scheduling in real life.

差分演化算法（简称 DE 算法）能够高效的解决各种复杂的科学计算问题。其优化研究主要围绕控制参数和演化策略两个方面，而种群结构特征的研究不多。因此，项目以DE算法的种群为研究对象，以种群拓扑结构为切入点，采用动力学理论和最优化轨道理论，结合自适应策略，以优化算法进化方式。项目主要研究种群演化方式、基于种群结构的自适应进化策略、图像分割寻优目标与改进DE算法融合的分割方式等内容。项目针对算法的种群结构进行系统化研究，研究种群进化机制和最优化轨道理论，建立基于种群结构动力学演化模型。然后，根据不同模型的演化模式和动力特征，结合自适应和协同策略，提出有效的自适应进化控制策略，设计基于种群拓扑结构的改进算法，从而提高算法搜索全局最优解的潜力；最后，将算法的种群结构的研究成果与图像的含义性结构相结合，将改进的算法应用于图像聚类分割中，实现基于结构和图像含义的智能图像聚类分割方法。

差分演化算法（简称 DE 算法）是解决大规模全局优化问题的有效方法。项目以DE算法的种群为研究对象，以种群拓扑结构为切入点，采用种群小生境、差分分组策略，结合协同合作和自适应策略以优化算法的进化方式。本项目主要的工作是：（1）提出双向探测差分分组机制。针对大规模全局优化问题，研究变量间的交互结构和判定变量间相互是否关联的差分分组机制，提出了两个阶段式的分解的差分分组方法。（2）提出基于种族生成策略的小生境差分演化算法。算法以种群小生境为切入点，结合佳点集、自适应策略、存档技术等策略以自适应调节种群结构，从而提升算法的寻优能力。（3）提出基于种族生成策略的小生境差分演化算法。通过聚类将种群划分为子种群，每个子种群是单独的小生境。借鉴协同进化、邻域变异和拥挤策略强化算法的开发能力，提高搜索性能。将改进算法用于遥感图像配准中，通过使用不同的设备采集的具有较大的差异的遥感图像进行实验配准，我们提出的方案在配准质量、收敛速度和成功率上都得到很大提升。（4）提出基于参数空间采样的差分演化抽样一致性算法，通过邻域最优个体和随机个体相结合的变异算子，简化的预检验步骤，简化模型验证开销，稳健地返回极高内点数的一致集，使其平均内点误差较低，且变换模型更为精确。