人工蜂群算法是近年來較為流行的一種全局優(yōu)化算法,通過模擬蜂群的覓食行為來實現(xiàn)尋優(yōu),具有算法結構簡單、性能優(yōu)良等特點,受到了眾多研究人員的關注和應用。然而,類似于其他進化算法,人工蜂群算法在求解復雜優(yōu)化問題時同樣面臨了性能不足的缺點,主要表現(xiàn)為算法收斂速度慢、解的精度不高和算法求解時間較長。為此,本文研究如何利用種群中的精英個體來提高算法性能,提出了一種基于精英組指導的改進人工蜂群算法,并將其進行GPU并行加速,最后將該算法應用于求解多閾值的灰度圖像分割問題,主要工作如下:（1）在經典的人工蜂群算法中,個體通過解搜索方程生成后代,但由于該策略存在勘探能力強而開采能力弱的不足,使得算法性能受到了局限。為此,本文從利用精英個體的思路出發(fā),提出了一種基于精英組指導的改進人工蜂群算法（ENABC）,從種群中選擇若干較好個體構成精英組,再基于該精英組設計了兩種新的解搜索方程分別用于雇傭蜂階段和觀察蜂階段,試圖平衡算法的勘探和開采能力。進一步,基于精英組提出了一種改進的鄰域搜索操作,在精英個體附近進行細粒度搜索,以期找到更好解,加快算法的收斂速度。為驗證ENABC算法的有效性,在50個測試函數(shù)上與8... 

【文章來源】：江西師范大學江西省

【文章頁數(shù)】：75 頁

【學位級別】：碩士

【部分圖文】：

0D下9種ABC算法在基準測試函數(shù)的收斂曲線

碩士學位論文30算。因此GPU可以通過計算隱藏內存訪問延遲，而不是通過大型數(shù)據(jù)緩存和流控制來避免內存訪問延遲。例如當一個線程所需要的數(shù)據(jù)需要等待時，ALU將掛起該線程，并轉向執(zhí)行其它可獲取數(shù)據(jù)的線程。圖3.1GPU與CPU的運算速度對比(單位：GFLPs/s)圖3.2GPU與CPU的內存帶寬對比(單位：GB/s)圖3.3CPU與GPU架構對比

碩士學位論文30算。因此GPU可以通過計算隱藏內存訪問延遲，而不是通過大型數(shù)據(jù)緩存和流控制來避免內存訪問延遲。例如當一個線程所需要的數(shù)據(jù)需要等待時，ALU將掛起該線程，并轉向執(zhí)行其它可獲取數(shù)據(jù)的線程。圖3.1GPU與CPU的運算速度對比(單位：GFLPs/s)圖3.2GPU與CPU的內存帶寬對比(單位：GB/s)圖3.3CPU與GPU架構對比

【參考文獻】：
期刊論文
[1]基于全局無偏搜索策略的精英人工蜂群算法[J]. 杜振鑫,劉廣鐘,韓德志,余學山,賈建鑫.  電子學報. 2018(02)
[2]基于正交實驗設計的人工蜂群算法[J]. 周新宇,吳志健,王明文.  軟件學報. 2015(09)
[3]基于人工蜂群技術的海雜波參數(shù)優(yōu)化方法[J]. 賈宗圣,司錫才,王桐.  中南大學學報(自然科學版). 2012(09)

博士論文
[1]基于群智優(yōu)化的多閾值圖像分割算法研究[D]. 李林國.南京郵電大學 2017
[2]面向圖像分割的智能算法研究[D]. 趙曉麗.上海大學 2018

碩士論文
[1]基于GPU的群智能算法研究與實現(xiàn)[D]. 韓文成.西安理工大學 2019
[2]基于智能優(yōu)化算法的多閾值圖像分割技術及其并行加速[D]. 孫研.南京理工大學 2014



本文編號：3491426