一个混合群智能算法,用于基于区域的图像融合
Rohit Salgotra1,2,3, Amanjot Kaur Lamba4, Dhruv Talwar4
1Faculty of Physics and Applied Computer Science, AGH University of Science & Technology, Kraków, Poland.
Scientific reports
|June 14, 2024
概括
一个新的DHPN算法结合了六种优化方法,以提高性能. 它有效地解决了局部最佳情况,并增强了勘探和开发,在基准测试和图像融合任务中表现优于现有的算法.
科学领域:
- 计算智能是一种计算智能.
- 优化算法 优化算法
- 超听证学是一种超听证学.
背景情况:
- 优化问题往往受到局部优化的影响,需要有效的勘探/开采平衡.
- 现有的元启发算法在处理复杂,高维的搜索空间方面存在局限性.
研究的目的:
- 引入一种新的多混合优化算法DHPN,以提高性能.
- 评估DHPN在基准数据集和实际图像融合问题上的有效性.
主要方法:
- DHPN集成了矮人蒙古斯算法 (DMA),蜂蜜子算法 (HBA),草原狗优化器 (PDO),古柯搜索 (CS),灰狼优化器 (GWO) 和裸鼠算法 (NMRA).
- 包含探索的代划分,开发的参数增强,以及使用CS和GWO避免局部最佳的停滞阶段.
- 分析了六个惯性重量运算符用于参数适应,并评估了DHPN对人口变化和高维度的适用性.
主要成果:
- 与JADE,SaDE,SHADE和GWO-E等算法相比,DHPN在CEC 2005和CEC 2019基准数据集上表现出卓越的表现.
- 在图像融合任务中,DHPN在诸如基于边缘的相似性指数,SCD,SSIM和文物测量等指标上取得了最佳的结果.
- 统计测试 (Wilcoxon's,Friedman's) 证实DHPN的显著性能比其他测试的算法有所改善.
结论:
- 拟议的DHPN算法为复杂的优化问题提供了强大而有效的方法.
- 在一般优化基准和特定应用 (如图像融合) 中,DHPN显示出显著的优势.
- 混合性质和适应性参数策略有助于DHPN的卓越性能和稳定性.


