蟻群演算法圖像分割

⑴ 蟻群演算法適合分割什麼圖像

蟻群演算法 屬於隨機優化演算法的一種，隨機優化演算法

⑵ 謝維信的最新論文

一種用於三維空間雜波環境機動目標跟蹤的數據互聯方法，《電子與信息學報》2009年 第4期
被動感測器陣列中基於粒子濾波的目標跟蹤，《電子與信息學報》2009年 第4期
一種新的嵌入式Linux高性能定時器實現方法，《信號處理》2009年 第3期
一種新的紅外弱小目標檢測與跟蹤演算法，《信號處理》2008年 第6期
被動感測器網基於修正Riccati方程的系統優化設計，《信號處理》2008年 第5期
基於SIS框架和蟻群演算法的非線性多目標跟蹤，《電子與信息學報》2008年 第9期
基於人類視覺系統的自適應數字水印演算法，《上海交通大學學報》2008年 第7期
一種基於電子簽章的二值圖像數字水印演算法，《信號處理》2008年 第3期
基於身份的網路化製造安全協同商務平台，《計算機工程》2008年 第13期
基於Clifford代數感測器網路覆蓋理論的路徑分析，《電子學報》2007年 第B12期
感測器網路高階模糊覆蓋分析，《電子學報》2007年 第B12期
感測器網路最佳情況模糊覆蓋問題研究，《電子學報》2007年 第B12期
一種基於蟻群演算法的多目標跟蹤數據關聯方法，《電子學報》2008年 第3期
基於數據倉庫的投資決策支持系統設計研究，《微電子學與計算機》2008年 第2期
量子球殼聚類，《西安電子科技大學學報》2008年 第1期
基於身份的安全郵件認證體系設計與分析，《計算機科學》2008年 第2期
異類感測器系統目標快速定位方法，《系統工程與電子技術》2007年 第12期
一種基於並行計算熵遷移策略的多分辨DOM數據生成演算法，《中國科學技術大學學報》2007年 第12期
基於模糊Hough變換的被動感測器系統航跡起始方法，《系統工程與電子技術》2007年 第11期
THz信號處理與分析的研究現狀和發展展望，《電子學報》2007年 第10期
模糊數據互聯濾波器及其在機動目標跟蹤中的應用，《系統模擬學報》2007年 第20期
分布式異類感測器網非同步采樣下的航跡起始演算法，《系統工程與電子技術》2007年 第9期
機動目標跟蹤中數據互聯新方法，《電子與信息學報》2007年 第10期
一種新的視界覆蓋遺傳演算法，《西安電子科技大學學報》2007年 第5期
基於運動特徵的遠距離紅外目標檢測方法，《電子與信息學報》2007年 第8期
被動感測器網基於模糊綜合貼近度的航跡起始，《電子學報》2007年 第8期
基於IBE的跨網路電子公文安全交換平台，《微計算機信息》2007年 第18期
一種基於身份的無可信第三方簽名方案，《深圳大學學報：理工版》2007年 第3期
基於圖像梯度場序列的雙向GDIM光流計算方法，《電子學報》2007年 第7期
一種基於身份的短數字簽名方案，《微計算機信息》2007年 第21期
分布式異類感測器網Hough變換航跡起始演算法，《深圳大學學報：理工版》2007年 第2期
基於DWT和DCT域的二值圖像數字水印演算法，《計算機與數字工程》2007年 第3期
基於並行計算熵的同構集群負載均衡演算法，《深圳大學學報：理工版》2007年 第1期
基於unscented粒子濾波的紅外弱小目標跟蹤，《系統工程與電子技術》2007年 第1期
一種空域DCT與時域DWT相結合的魯棒視頻數字水印演算法，《中國體視學與圖像分析》2006年 第4期
圖像插值方法對互信息局部極值的影響分析，《電子與信息學報》2006年 第10期
網狀被動感測器系統優化設計， 《系統工程與電子技術》2006年 第12期
基於小波變換和目標運動特性的紅外弱小目標檢測， 《紅外》2006年 第9期
基於小波變換的紅外弱小目標檢測新方法，《紅外技術》2006年 第7期
在線CA的安全增強方案研究，《計算機工程》2006年 第11期
基於ADSP—BF561車載多媒體系統，《現代電子技術》2006年 第3期
空間分析中視界覆蓋問題的研究，《系統工程與電子技術》2005年 第11期
模糊觀測數據的關聯和目標跟蹤，《信號處理》2005年 第4期
從航空影像中自動提取高層建築物，《計算機學報》2005年 第7期
城市航空影像中基於模糊Retinex的陰影消除，《電子學報》2005年 第3期
一種新的自適應圖像模糊增強演算法，《西安電子科技大學學報》2005年 第2期
基於OAR模型的航空影像高層建築自動提取，《深圳大學學報：理工版》2005年 第1期
紅外熱圖像序列中基於人體模型的目標頭部定位方法，《激光與紅外》2005年 第2期
直線Snakes及其在建築物提取中的應用，《西安電子科技大學學報》2005年 第1期
網狀被動感測器系統視線交叉目標定位方法，《電子與信息學報》2005年 第1期
一種新的道路描述子：對稱邊緣方向直方圖，《電子學報》2005年 第1期
基於對稱邊緣方向直方圖自動提取主要道路，《中國體視學與圖像分析》2005年 第2期
分布式被動感測器網非同步采樣下的機動目標跟蹤，《系統模擬學報》2005年 第6期
一種基於頻帶一致性的多模態圖像校準演算法，《通信學報》2005年 第4期
基於模糊熵的自適應圖像多層次模糊增強演算法，《電子學報》2005年 第4期
一種安全增強的基於橢圓曲線可驗證門限簽名方案，《計算機研究與發展》2005年 第4期
密碼學與數字水印在電子印章中的應用，《微機發展》2004年 第11期
一種安全實用的電子公文系統設計與實現， 《現代電子技術》2004年 第21期
基於DSP的PCI圖像採集卡設計，《現代電子技術》2004年 第4期
基於DSP組建短波電台無線數據傳輸網路的系統設計，《電子設計應用》2004年 第2期
基於直方圖的自適應高斯雜訊濾波器，《系統工程與電子技術》2004年 第1期
短波電台無線數據傳輸網路的組建，《現代電子技術》2004年 第3期
半抑制式模糊C-均值聚類演算法，《中國體視學與圖像分析》2004年 第2期
基於模糊推理的自動多級圖像分割，《中國體視學與圖像分析》2004年 第1期
航空影像中立交橋的自動檢測，《中國體視學與圖像分析》2004年 第1期
網狀被動感測器系統航跡初始狀態估計，《信號處理》2004年 第6期
被動感測器系統分層快速關聯演算法，《電子學報》2004年 第12期
一種基於模糊運算的多目標多感測器跟蹤演算法，《系統工程與電子技術》2004年 第11期
非同步被動感測器系統模糊Hough變換航跡起始演算法，《系統工程與電子技術》2004年 第11期
窗戶紋理的時頻描述及其在建築物提取中的應用，《中國圖象圖形學報：A輯》2004年 第10期
基於模糊熵的支撐矢量預選取方法，《復旦學報：自然科學版》2004年 第5期
基於物方幾何約束提取建築物垂直邊緣，《中國圖象圖形學報：A輯》2004年 第9期
分布式網狀被動感測器系統定位誤差分析，《西安電子科技大學學報》2004年 第5期
分布式網狀被動感測器系統量測數據關聯，《系統工程與電子技術》2004年 第12期
基於核方法的分類型屬性數據集模糊聚類演算法，《華南理工大學學報：自然科學版》2004年 第9期
基於模糊決策的密集多回波環境下航跡起始演算法，《雷達與對抗》2004年 第3期
紅外感測器陣列基於信息冗餘性的目標定位，《系統工程與電子技術》2004年 第8期
基於核方法的模糊聚類演算法，《西安電子科技大學學報》2004年 第4期
一種用於模式識別的多色Voronoi圖，《系統工程與電子技術》2004年 第7期
基於DSP的短波電台無線數據傳輸網路實現，《深圳大學學報：理工版》2004年 第3期
基於直方圖的自適應圖像去噪濾波器，《電子學報》2004年 第7期
自適應模糊Hough變換，《電子學報》2004年 第6期
基於主動秘密共享的安全容忍入侵方案，《蘭州交通大學學報》2004年 第1期
基於模糊熵的多值圖像恢復方法，《西安電子科技大學學報》2004年 第2期

⑶ 翅脈的拓展

1) vein 翅脈
1. Research on Applying Vein Feature for Mathematical Morphology in Classification and Identification of Butterflies(Lepidoptera:Rhopalocera);
翅脈的數學形態特徵在蝴蝶分類鑒定中的應用研究
2. Significant mutations were observed in forewing vein of honeybee as lower develop ed temperature.
發現羽化後的蜜蜂翅脈發生明顯變異,已初步發現8類翅脈增加的變異。
2) Venation 翅脈
1. The variability of wing venation at the intraspecific level was discussed .
首次描述並圖示了沼澤野蜓RudiaeschnalimnobiaRen ,1996雄性化石 ,討論了其翅脈的變異特徵 ,化石采自遼寧省北票市上侏羅統義縣組地層中。
3) vein features
翅脈特徵
1.According to the characteristics of the butterfly image which has directional feature,a segmentation algorithm combined the directional wavelet transform with the ant colony algorithm is proposed to extract the butterfly-vein features effectively.
針對翅脈特徵的有效提取問題,根據蝶翅圖像具有方向性的特點,提出了方向小波變換與蟻群演算法相結合的分割方法。
4) venation repairing 翅脈修補
5) reticulate vein 網狀翅脈
1.Firstly, the high resolution pictures of dragonfly wings from sample tests were studied, the unique feature of the reticulate vein structure and the details of dragonfiy wings were figured out.
首先，對實驗中獲取的高清晰度的蜻蜒翅膀數碼圖片進行了細致地分析，了解了翅膀的網狀翅脈結構特徵和一些細部構造。
6) Venation of Hind Wings 後翅翅脈

⑷ 大數據時代空間數據挖掘的認識及其思考

引言

空間數據挖掘（Spatial Data Mining，SDM）即找出開始並不知道但是卻隱藏在空間數據中潛在的、有價值的規則的過程。具體來說，空間數據挖掘就是在海量空間數據集中，結合確定集、模糊集、仿生學等理論，利用人工智慧、模式識別等科學技術，提取出令人相信的、潛在有用的知識，發現空間數據集背後隱藏的規律、聯系，為空間決策提供理論技術上的依據[1]。

1.空間數據挖掘的一般步驟

空間數據挖掘系統大致可以分為以下步驟：

（1）空間數據准備：選擇合適的多種數據來源，包括地圖數據、影像數據、地形數據、屬性數據等。

（2）空間數據預處理和特徵提取：數據預處理目的是去除數據中的雜訊，包括對數據的清洗、數據的轉換、數據的集成等。特徵提取是剔除掉冗餘或不相關的特徵並將特徵轉化為適合數據挖掘的新特徵。

（3）空間數據挖掘和知識評估：採用空間數據挖掘技術對空間數據進行分析處理和預測，從而發現數據背後的某種聯系。然後結合具體的領域知識進行評估，看是否達到預期效果。

2.空間數據挖掘的方法研究

空間數據挖掘是一門綜合型的交叉學科，結合了計算機科學、統計學、地理學等領域的很多特性，產生了大量處理空間數據的挖掘方法。

2.1 空間關聯規則

關聯規則挖掘是尋找數據項之間的聯系，表達式形式是X→Y，其中X與Y是兩種不相交的數據項集，即X∩Y=？覫。KOPERSKI K等人將關聯規則與空間資料庫相結合，提出了空間關聯規則挖掘[2]。空間關聯規則將數據項替換為了空間謂詞，一般表達形式如下：

A1∧A2∧…∧An→B1∧B2∧…∧Bm（3）

令A=（A1，A2，…，An），B=（B1，B2，…，Bm），A和B分別表示Ai和Bj的謂詞集合，A和B可以是空間謂詞或非空間謂詞，但是必須至少包含一個空間謂詞且A∩B=？覫。SHEKHAR S和HUANG Y針對空間關聯規則的特點提出了把關聯規則的思想泛化成空間索引點集的空間同位規則的概念，在不違背空間相關性的同時用鄰域替換掉了事務[3]。時空關聯不僅涉及事件在空間中的關聯，還考慮了空間位置和時間序列因素。國內的柴思躍、蘇奮振和周成虎提出了基於周期表的時空關聯規則挖掘方法[4]。

2.2 空間聚類

空間聚類分析是普通聚類分析的擴展，不能完全按照處理普通數據的聚類分析方法來處理空間數據。由於存在地理學第一定律，即空間對象之間都存在一定的相關性，因此在空間聚類分析中，對於簇內的定義，要考慮空間自相關這一因素。通過對空間數據進行自相關分析，可判斷對象之間是否存在空間相關性，從而可合理判斷出對象是否可以分為一簇。

基本的聚類挖掘演算法有：

（1）劃分聚類演算法：存在n個數據對象，對於給定k個分組（k≤n），將n個對象通過基於一定目標劃分規則，不停迭代、優化，直到將這n個對象分配到k個分組中，使得每組內部對象相似度大於組之間相似度。

（2）層次聚類演算法：通過將數據不停地拆分與重組，最終把數據轉為一棵符合一定標準的具有層次結構的聚類樹。

（3）密度聚類演算法：用低密度的區域對數據對象進行分割，最終將數據對象聚類成為若干高密度的區域。

（4）圖聚類演算法：用空間結點表示每個數據對象，然後基於一定標准形成若乾子圖，最後把所有子圖聚類成一個包含所有空間對象的整圖，子圖則代表一個個空間簇。

（5）網格聚類演算法：把空間區域分割成具有多重解析度的和有網格結構特性的若干網格單元，在網格單元上對數據進行聚類。

（6）模型聚類演算法：藉助一定的數學模型，使用最佳擬合數據的數學模型來對數據進行聚類，每一個簇用一個概率分布表示。

僅採用一種演算法通常無法達到令人滿意的預期結果，王家耀、張雪萍、周海燕將遺傳演算法與K-均值演算法結合提出了用於空間聚類分析的遺傳K-均值演算法[5]。現實空間環境中，存在很多像道路、橋梁、河流的障礙物，張雪萍、楊騰飛等人把K-Medoids演算法與量子粒子群演算法結合進行帶有空間障礙約束的聚類分析[6]。

2.3 空間分類

分類，簡單地說是通過學習得到一定的分類模型，然後把數據對象按照分類模型劃分至預先給定類的過程。空間分類時，不僅考慮數據對象的非空間屬性，還要顧及鄰近對象的非空間屬性對其類別的影響，是一種監督式的分析方法。

空間分類挖掘方法有統計方法、機器學習的方法和神經網路方法等。貝葉斯分類器是基於統計學的方法，利用數據對象的先驗概率和貝葉斯公式計算出其後驗概率，選擇較大後驗概率的類作為該對象映射的類別。決策樹分類器是機器學習的方法，採取從上到下的貪心策略，比較決策樹內部節點的屬性值來往下建立決策樹的各分支，每個葉節點代表滿足某個條件的屬性值，從根節點到葉節點的路徑表示一條合適的規則。支持向量機也是機器學習的方法，思路是使用非線性映射把訓練數據集映射到較高維，然後尋找出最大邊緣超平面，將數據對象分類。神經網路是一種模擬人神經的網路，由一組連接的輸入和輸出單元組成，賦予各個連接相應的權值，通過調節各連接的權值使得數據對象得到正確分類。

針對融入空間自相關性的空間分類挖掘，SHEKHAR S等人使用空間自回歸模型和基於貝葉斯的馬可夫隨機場進行空間分類挖掘[7]，汪閩、駱劍承、周成虎等人將高斯馬爾可夫隨機場與支持向量機結合並將其用於遙感圖像的信息提取[8]。

2.4 其他空間挖掘方法

空間數據挖掘的方法多種多樣，其他還包括：空間分析的方法，即利用GIS的方法、技術和理論對空間數據進行加工處理，從而找出未知有用的信息模式；基於模糊集、粗糙集和雲理論的方法可用來分析具有不確定性的空間數據；可視化方法是對空間數據對象的視覺表示，通過一定技術用圖像的形式表達要分析的空間數據，從而得到其隱含的信息；國內張自嘉、岳邦珊、潘琦等人將蟻群演算法與自適應濾波的模糊聚類演算法相結合用以對圖像進行分割[9]。

3.結論

空間數據挖掘作為數據挖掘的延伸，有很好的傳統數據挖掘方法理論的基礎，雖然取得了很大進步，然而其理論和方法仍需進一步的深入研究。伴隨著大數據時代，面對越來越多的空間數據，提升數據挖掘的准確度和精度是一個有待研究的問題。同時現在流行的空間數據挖掘演算法的時間復雜度仍停留在O（nlog（n））~O（n3）之間，處理大量的異構數據，數據挖掘演算法的效率也需要進一步提高。數據挖掘在雲環境下已經得到很好的應用[10]，對於處理空間數據的空間雲計算是有待學者們研究的方向。大多數空間數據挖掘演算法沒有考慮含有障礙約束的情況，如何解決現實中障礙約束問題值得探討。帶有時間屬性的空間數據呈現出了一種動態、可變的空間現象，時空數據挖掘將是未來研究的重點。

由於數據挖掘涉及多種學科，其基本理論與方法也已經比較成熟，針對空間數據挖掘，如何合理地利用和拓展這些理論方法以實現對空間數據的挖掘仍將是研究人員們需要長期努力的方向。

參考文獻

[1] 李德仁，王樹良，李德毅.空間數據挖掘理論與應用（第2版）[M].北京：科學出版社，2013.

[2] KOPERSKI K， HAN J W. Discovery of spatial association rules in geographic information databases[C]. Procedings of the 4th International Symposium on Advances in Spatial Databases， 1995： 47-66.

[3] SHEKHAR S， HUANG Y. Discovering spatial co-location patterns： a summary of results[C]. Procedings of the 7th International Symposium on Advances in Spatial and Temporal Databases， 2001：236-256.

[4] 柴思躍，蘇奮振，周成虎．基於周期表的時空關聯規則挖掘方法與實驗[J]．地球信息科學學報，2011，13（4）：455-464.

[5] 王家耀，張雪萍，周海燕.一個用於空間聚類分析的遺傳K-均值演算法[J].計算機工程，2006，32（3）：188-190.

[6] Zhang Xueping， Du Haohua， Yang Tengfei， et al. A novel spatial clustering with obstacles constraints based on PNPSO and K-medoids[C]. Advances in Swarm Intelligence， Lecture Notes in Computer Science （LNCS）， 2010： 476-483.

[7] SHEKHAR S， SCHRATER P R， VATSAVAI R R， et al．Spatial contextual classification and prediction models for mining geospatial data[J]． IEEE Transactions on Multimedia， 2002， 4（2）：174-187.

[8] 汪閩，駱劍承，周成虎，等.結合高斯馬爾可夫隨機場紋理模型與支撐向量機在高解析度遙感圖像上提取道路網[J].遙感學報，2005，9（3）：271-275.

[9] 張自嘉，岳邦珊，潘琦，等.基於蟻群和自適應濾波的模糊聚類圖像分割[J].電子技術應用，2015，41（4）：144-147.

[10] 石傑.雲計算環境下的數據挖掘應用[J].微型機與應用，2015，34（5）：13-15.

來源 | AET電子技術應用

⑸ 求教：蟻群演算法選擇最短路徑問題

這個例子其實是當初數模比賽時用來完成碎片拼接的，但其所用到原理還是求解最短路徑的原理。但這里的最短路徑和數據結構中最短路徑有一定的區別。在數據結構中，對於最短路徑的求解常用的一般有Dijkstra演算法與Floyd演算法，但對於要求出一條經過所有的點的並且要求路徑最短，這些演算法還是有一定的局限性的。而蟻群演算法則很好地滿足了這些條件。話說回來，很想吐槽一下網路流傳的一些蟻群演算法的例子，當初學習這個時候，身邊也沒有相關的書籍，只好到網上找例子。網上關於這個演算法源代碼的常見的有2個版本，都是出自博客，但是在例子都代碼是不完整的，缺失了一部分，但就是這樣的例子，居然流傳甚廣，我很好奇那些轉載這些源碼的人是否真的有去學習過這些，去調試過。當然，我下面的例子也是無法直接編譯通過的，因為涉及到圖像讀取處理等方面的東西，所以就只貼演算法代碼部分。但是對於這個問題蟻群演算法有一個比較大的缺點，就是收斂很慢，不過對於數量小的路徑，效果還是很好的。function bestqueue =aco1(nt,nc_max,m ,st, sd ,Alpha ,Beta ,Rho ,Q,gethead,getend)%參數解釋：%nt 路徑所經過的點的個數；%nc_max 迭代的次數；%m 螞蟻的個數；%st 起點序號；%sd 終點序號；%Alpha 信息素系數；�ta 啟發因子系數；%Rho 蒸發系數；% Q 信息量；%gethead getend 是用來求距離矩陣的，可根據實際情況修改
% nt = 209;%碎片個數full = zeros(nt,nt);tic;%初始化距離矩陣for i =1:nt for t = 1:nt if i ~= t full(i,t) = sum(abs(getend(:,i) - gethead(:,t))); else full(i,t) = inf; end endend% a =full(156,187)eta = 1./full;%啟發因子，取距離的倒數% eta% e = eta(4,2)tau = ones(nt,nt);%信息素矩陣% tabu = zeros(nt,nt);%禁忌矩陣，取螞蟻數量和碎片數量一致，以減少迭代次數nc =1;%初始化迭代次數;rbest=zeros(nc_max,nt);%各代最佳路線rbest(:,1) = (linspace(st,st,nc_max))';rbest(:,nt) =(linspace(sd,sd,nc_max))'; lbest=zeros(nc_max,1);%各代最佳路線的長度pathlen = 0;%臨時記錄每代最佳路線長度stime = 1;%記錄代數進度for i = 1:nc_max % 代數循環 delta_tau=zeros(nt,nt);%初始化改變數 stime for t = 1:m % 對螞蟻群體的循環， tabu=zeros(1,nt);%禁忌向量，標記已訪問的碎片，初試值設為0，訪問之後則變為1; viseted = zeros(1,nt);%記錄已訪問的元素的位置 tabu(st) = 1;%st為起點，在此表示為碎片矩陣的編號，因為已經將蟻群放在起點，故也應將禁忌向量和位置向量的狀態進行修改 tabu(sd) =1;%同上 visited(nt) = sd ;%同上； visited(1) = st;%同上； ht = 0; for r = 2:nt-1 %記錄了還沒訪問的圖片編號 vp = 1;%visited指示量 pp = [];%置空的概率向量 jc = 0; %獲取尚未訪問的位置的向量。 wv = zeros( nt -2 - ht ); for k =1 : nt if tabu(k) == 0 jc = jc +1; wv(jc) = k; end end% a =(tau(visited(end),ju(3))^Alpha)*(eta(visited(end),ju(3))^Beta)% visited(end) %計算選擇的概率 for k=1:length(wv) pp(k)=(tau(visited(vp),wv(k))^Alpha)*(eta(visited(vp),wv(k))^Beta);%下一張碎片的選擇概率計算，p =（信息素^信息素系數）*（啟發因子^啟發因子系數） end pp=pp./(sum(pp));%歸一化 pcum =cumsum(pp); psl = find(pcum >= rand);%輪盤賭法 to_visit= wv(psl(1)) ;%完成選點 tabu(to_visit) =1; visited(r) = to_visit; ht =ht +1;%已訪問碎片個數變化 vp =vp+1; end %路徑變化信息 %對單個螞蟻的路徑進行統計 sum1 =0; for pr = 1:nt -1 x = visited(pr); y = visited(pr+1) ; sum1 =sum1 + full(x,y); end% vcell{t} =visited;%元胞記錄每個螞蟻的路徑，即碎片順序;% msum(t) = sum1; %信息素變化； for ww=1:(nt-1) delta_tau(visited(ww),visited(ww+1))=delta_tau(visited(ww),visited(ww+1)) + Q/sum1; end% delta_tau(visited(end),visited(1))=delta_tau(visited(end),visited(1))+Q/(sum1/100);% if t == m & i == nc_max % bestqueue = visited% end if t == m bestqueue = visited end end tau=(1-Rho).*tau+delta_tau; %完成信息素的更新，找出現有的最新的最佳路徑,即信息素最多的路徑； stime =stime +1;end toc;

⑹ 蟻群優化演算法的使用-編碼的問題！

「蟻群演算法」學習包下載

下載地址： http://board.verycd.com/t196436.html (請使用 eMule 下載)

近一百多篇文章，打包壓縮後有 24.99MB ，基本上是從維普資料庫中下載來的，僅供學習和研究之用，請務用於商業活動或其他非法活動中，各文章版權歸原作者所有。

如果您覺得本人這樣做侵犯了您的版權，請在本帖後回復，本人會馬上刪除相應的文章。

以下是文件列表，全是 PDF 格式的：

基於蟻群優化演算法遞歸神經網路的短期負荷預測
蟻群演算法的小改進
基於蟻群演算法的無人機任務規劃
多態蟻群演算法
MCM基板互連測試的單探針路徑優化研究
改進的增強型蟻群演算法
基於雲模型理論的蟻群演算法改進研究
基於禁忌搜索與蟻群最優結合演算法的配電網規劃
自適應蟻群演算法在序列比對中的應用
基於蟻群演算法的QoS多播路由優化演算法
多目標優化問題的蟻群演算法研究
多線程蟻群演算法及其在最短路問題上的應用研究
改進的蟻群演算法在2D HP模型中的應用
製造系統通用作業計劃與蟻群演算法優化
基於混合行為蟻群演算法的研究
火力優化分配問題的小生境遺傳螞蟻演算法
基於蟻群演算法的對等網模擬器的設計與實現
基於粗粒度模型的蟻群優化並行演算法
動態躍遷轉移蟻群演算法
基於人工免疫演算法和蟻群演算法求解旅行商問題
基於信息素非同步更新的蟻群演算法
用於連續函數優化的蟻群演算法
求解復雜多階段決策問題的動態窗口蟻群優化演算法
蟻群演算法在鑄造生產配料優化中的應用
多階段輸電網路最優規劃的並行蟻群演算法
求解旅行商問題的混合粒子群優化演算法
微粒群優化演算法研究現狀及其進展
隨機攝動蟻群演算法的收斂性及其數值特性分析
廣義蟻群與粒子群結合演算法在電力系統經濟負荷分配中的應用
改進的蟻群演算法及其在TSP中的應用研究
蟻群演算法的全局收斂性研究及改進
房地產開發項目投資組合優化的改進蟻群演算法
一種改進的蟻群演算法用於灰色約束非線性規劃問題求解
一種自適應蟻群演算法及其模擬研究
一種動態自適應蟻群演算法
螞蟻群落優化演算法在蛋白質折疊二維親-疏水格點模型中的應用
用改進蟻群演算法求解函數優化問題
連續優化問題的蟻群演算法研究進展
蟻群演算法概述
Ant colony system algorithm for the optimization of beer fermentation control
蟻群演算法在K—TSP問題中的應用
Parallel ant colony algorithm and its application in the capacitated lot sizing problem for an agile supply chain
基於遺傳蟻群演算法的機器人全局路徑規劃研究
改進的蟻群演算法在礦山物流配送路徑優化中的研究
基於蟻群演算法的配電網路綜合優化方法
基於蟻群演算法的分類規則挖掘演算法
蟻群演算法在連續性空間優化問題中的應用
蟻群演算法在礦井通風系統優化設計中的應用
基於蟻群演算法的液壓土錨鑽機動力頭優化設計
改進蟻群演算法設計拉式膜片彈簧
計算機科學技術
基本蟻群演算法及其改進
TSP改進演算法及在PCB數控加工刀具軌跡中的應用
可靠性優化的蟻群演算法
對一類帶聚類特徵TSP問題的蟻群演算法求解
蟻群演算法理論及應用研究的進展
基於二進制編碼的蟻群優化演算法及其收斂性分析
蟻群演算法的理論及其應用
基於蟻群行為模擬的影像紋理分類
啟發式蟻群演算法及其在高填石路堤穩定性分析中的應用
蟻群演算法的研究現狀
一種快速全局優化的改進蟻群演算法及模擬
聚類問題的蟻群演算法
蟻群最優化——模型、演算法及應用綜述
基於信息熵的改進蟻群演算法及其應用
機載公共設備綜合管理系統任務分配演算法研究
基於改進蟻群演算法的飛機低空突防航路規劃
利用信息量留存的蟻群遺傳演算法
An Improved Heuristic Ant-Clustering Algorithm
改進型蟻群演算法在內燃機徑向滑動軸承優化設計中的應用
基於蟻群演算法的PID參數優化
基於蟻群演算法的復雜系統多故障狀態的決策
蟻群演算法在數據挖掘中的應用研究
基於蟻群演算法的基因聯接學習遺傳演算法
基於細粒度模型的並行蟻群優化演算法
Binary-Coding-Based Ant Colony Optimization and Its Convergence
運載火箭控制系統漏電故障診斷研究
混沌擾動啟發式蟻群演算法及其在邊坡非圓弧臨界滑動面搜索中的應用
蟻群演算法原理的模擬研究
Hopfield neural network based on ant system
蟻群演算法及其實現方法研究
分層實體製造激光頭切割路徑的建模與優化
配送網路規劃蟻群演算法
基於蟻群演算法的城域交通控制實時滾動優化
基於蟻群演算法的復合形法及其在邊坡穩定分析中的應用
Ant Colony Algorithm for Solving QoS Routing Problem
多產品間歇過程調度問題的建模與優化
基於蟻群演算法的兩地之間的最佳路徑選擇
蟻群演算法求解問題時易產生的誤區及對策
用雙向收斂蟻群演算法解作業車間調度問題
物流配送路徑安排問題的混合蟻群演算法
求解TSP問題的模式學習並行蟻群演算法
基於蟻群演算法的三維空間機器人路徑規劃
蟻群優化演算法及其應用
蟻群演算法不確定性分析
一種求解TSP問題的相遇蟻群演算法
基於蟻群優化演算法的彩色圖像顏色聚類的研究
鈑金件數控激光切割割嘴路徑的優化
基於蟻群演算法的圖像分割方法
一種基於蟻群演算法的聚類組合方法
圓排列問題的蟻群模擬退火演算法
智能混合優化策略及其在流水作業調度中的應用
蟻群演算法在QoS網路路由中的應用
一種改進的自適應路由演算法
基於蟻群演算法的煤炭運輸優化方法
基於蟻群智能和支持向量機的人臉性別分類方法
蟻群演算法在啤酒發酵控制優化中的應用
一種基於時延信息的多QoS快速自適應路由演算法
蟻群演算法中參數α、β、ρ設置的研究——以TSP問題為例
基於人工蟻群優化的矢量量化碼書設計演算法
具有自適應雜交特徵的蟻群演算法
蟻群演算法在原料礦粉混勻優化中的應用
基於多Agent的蟻群演算法在車間動態調度中的應用研究
用蟻群優化演算法求解中國旅行商問題
蟻群演算法在嬰兒營養米粉配方中的應用
蟻群演算法在機械優化設計中的應用
蟻群優化演算法的研究現狀及研究展望
蟻群優化演算法及其應用研究進展
蟻群演算法的理論與應用
簡單蟻群演算法的模擬分析
一種改進的蟻群演算法求解最短路徑問題
基於模式求解旅行商問題的蟻群演算法
一種求解TSP的混合型蟻群演算法
基於MATLAB的改進型基本蟻群演算法
動態蟻群演算法求解TSP問題
用蟻群演算法求解類TSP問題的研究
蟻群演算法求解連續空間優化問題的一種方法
用混合型螞蟻群演算法求解TSP問題
求解復雜TSP問題的隨機擾動蟻群演算法
基於蟻群演算法的中國旅行商問題滿意解
蟻群演算法的研究現狀和應用及螞蟻智能體的硬體實現
蟻群演算法概述
蟻群演算法的研究現狀及其展望
基於蟻群演算法的配電網網架優化規劃方法
用於一般函數優化的蟻群演算法
協同模型與遺傳演算法的集成
基於蟻群最優的輸電網路擴展規劃
自適應蟻群演算法
凸整數規劃問題的混合蟻群演算法
一種新的進化演算法—蛟群演算法
基於協同工作方式的一種蟻群布線系統

⑺ 尋找配送商應注意哪些

http://www.equn.com/forum/viewthread.php?tid=6768 近一百多篇文章，打包壓縮後有 24.99MB ，基本上是從維普資料庫中下載來的蟻群演算法(ant colony optimization, ACO)，又稱螞蟻演算法，是一種用來在圖中尋找優化路徑的機率型技術。它由Marco Dorigo於1992年在他的博士論文中引入，其靈感來源於螞蟻在尋找食物過程中發現路徑的行為。引言 20世紀50年代中期創立了仿生學，人們從生物進化的機理中受到啟發，提出了許多用以解決復雜優化問題的新方法，如進化規劃、進化策略、遺傳演算法等，這些演算法成功地解決了一些實際問題．20世紀90年代義大利學者M．Dorigo，V．Maniezzo，A．Colorni等從生物進化的機制中受到啟發，通過模擬自然界螞蟻搜索路徑的行為，提出來一種新型的模擬進化演算法—— 蟻群演算法．用該方法求解TsP問題、分配問題、job-shop調度問題，取得了較好的試驗結果．雖然研究時間不長，但是現在的研究顯示出，蟻群演算法在求解復雜優化問題 方面有一定優勢，表明它是一種有發展前景的演算法．蟻群演算法的原理： 研究表明：螞蟻在覓食途中會留下一種外激素．螞蟻利用外激素與其他螞蟻交流、合作，找到較短路徑．經過某地的螞蟻越多，外激素的強度越大．螞蟻擇路偏向選擇外激素強度大的方向．這種跟隨外激素強度前進的行為會隨著經過螞蟻的增多而加強，因為通過較短路徑往返於食物和巢穴之間的螞蟻能以更短的時間經過這條路徑上的點，所以這些點上的外激素就會因螞蟻經過的次數增多而增強．這樣就會有更多的螞蟻選擇此路徑，這條路徑上的外激素就會越來越強，選擇此路徑的螞蟻也越來越多．直到最後，幾乎所有的螞蟻都選擇這條最短的路徑．這是一種正反饋現象。 以下是文件列表，全是 PDF 格式的：基於蟻群優化演算法遞歸神經網路的短期負荷預測 蟻群演算法的小改進 基於蟻群演算法的無人機任務規劃 多態蟻群演算法 MCM基板互連測試的單探針路徑優化研究 改進的增強型蟻群演算法 基於雲模型理論的蟻群演算法改進研究 基於禁忌搜索與蟻群最優結合演算法的配電網規劃 自適應蟻群演算法在序列比對中的應用 基於蟻群演算法的QoS多播路由優化演算法 多目標優化問題的蟻群演算法研究 多線程蟻群演算法及其在最短路問題上的應用研究 改進的蟻群演算法在2D HP模型中的應用 製造系統通用作業計劃與蟻群演算法優化 基於混合行為蟻群演算法的研究 火力優化分配問題的小生境遺傳螞蟻演算法 基於蟻群演算法的對等網模擬器的設計與實現 基於粗粒度模型的蟻群優化並行演算法 動態躍遷轉移蟻群演算法 基於人工免疫演算法和蟻群演算法求解旅行商問題 基於信息素非同步更新的蟻群演算法 用於連續函數優化的蟻群演算法 求解復雜多階段決策問題的動態窗口蟻群優化演算法 蟻群演算法在鑄造生產配料優化中的應用 多階段輸電網路最優規劃的並行蟻群演算法 求解旅行商問題的混合粒子群優化演算法 微粒群優化演算法研究現狀及其進展 隨機攝動蟻群演算法的收斂性及其數值特性分析 廣義蟻群與粒子群結合演算法在電力系統經濟負荷分配中的應用 改進的蟻群演算法及其在TSP中的應用研究 蟻群演算法的全局收斂性研究及改進 房地產開發項目投資組合優化的改進蟻群演算法 一種改進的蟻群演算法用於灰色約束非線性規劃問題求解 一種自適應蟻群演算法及其模擬研究 一種動態自適應蟻群演算法 螞蟻群落優化演算法在蛋白質折疊二維親-疏水格點模型中的應用 用改進蟻群演算法求解函數優化問題 連續優化問題的蟻群演算法研究進展 蟻群演算法概述 Ant colony system algorithm for the optimization of beer fermentation control 蟻群演算法在K—TSP問題中的應用 Parallel ant colony algorithm and its application in the capacitated lot sizing problem for an agile supply chain 基於遺傳蟻群演算法的機器人全局路徑規劃研究 改進的蟻群演算法在礦山物流配送路徑優化中的研究 基於蟻群演算法的配電網路綜合優化方法 基於蟻群演算法的分類規則挖掘演算法 蟻群演算法在連續性空間優化問題中的應用 蟻群演算法在礦井通風系統優化設計中的應用 基於蟻群演算法的液壓土錨鑽機動力頭優化設計 改進蟻群演算法設計拉式膜片彈簧 計算機科學技術 基本蟻群演算法及其改進 TSP改進演算法及在PCB數控加工刀具軌跡中的應用 可靠性優化的蟻群演算法 對一類帶聚類特徵TSP問題的蟻群演算法求解 蟻群演算法理論及應用研究的進展 基於二進制編碼的蟻群優化演算法及其收斂性分析 蟻群演算法的理論及其應用 基於蟻群行為模擬的影像紋理分類 啟發式蟻群演算法及其在高填石路堤穩定性分析中的應用 蟻群演算法的研究現狀 一種快速全局優化的改進蟻群演算法及模擬 聚類問題的蟻群演算法 蟻群最優化——模型、演算法及應用綜述 基於信息熵的改進蟻群演算法及其應用 機載公共設備綜合管理系統任務分配演算法研究 基於改進蟻群演算法的飛機低空突防航路規劃 利用信息量留存的蟻群遺傳演算法 An Improved Heuristic Ant-Clustering Algorithm 改進型蟻群演算法在內燃機徑向滑動軸承優化設計中的應用 基於蟻群演算法的PID參數優化 基於蟻群演算法的復雜系統多故障狀態的決策 蟻群演算法在數據挖掘中的應用研究 基於蟻群演算法的基因聯接學習遺傳演算法 基於細粒度模型的並行蟻群優化演算法 Binary-Coding-Based Ant Colony Optimization and Its Convergence 運載火箭控制系統漏電故障診斷研究 混沌擾動啟發式蟻群演算法及其在邊坡非圓弧臨界滑動面搜索中的應用 蟻群演算法原理的模擬研究 Hopfield neural network based on ant system 蟻群演算法及其實現方法研究 分層實體製造激光頭切割路徑的建模與優化 配送網路規劃蟻群演算法 基於蟻群演算法的城域交通控制實時滾動優化 基於蟻群演算法的復合形法及其在邊坡穩定分析中的應用 Ant Colony Algorithm for Solving QoS Routing Problem 多產品間歇過程調度問題的建模與優化 基於蟻群演算法的兩地之間的最佳路徑選擇 蟻群演算法求解問題時易產生的誤區及對策 用雙向收斂蟻群演算法解作業車間調度問題 物流配送路徑安排問題的混合蟻群演算法 求解TSP問題的模式學習並行蟻群演算法 基於蟻群演算法的三維空間機器人路徑規劃 蟻群優化演算法及其應用 蟻群演算法不確定性分析 一種求解TSP問題的相遇蟻群演算法 基於蟻群優化演算法的彩色圖像顏色聚類的研究 鈑金件數控激光切割割嘴路徑的優化 基於蟻群演算法的圖像分割方法 一種基於蟻群演算法的聚類組合方法 圓排列問題的蟻群模擬退火演算法 智能混合優化策略及其在流水作業調度中的應用 蟻群演算法在QoS網路路由中的應用 一種改進的自適應路由演算法 基於蟻群演算法的煤炭運輸優化方法 基於蟻群智能和支持向量機的人臉性別分類方法 蟻群演算法在啤酒發酵控制優化中的應用 一種基於時延信息的多QoS快速自適應路由演算法 蟻群演算法中參數α、β、ρ設置的研究——以TSP問題為例 基於人工蟻群優化的矢量量化碼書設計演算法 具有自適應雜交特徵的蟻群演算法 蟻群演算法在原料礦粉混勻優化中的應用 基於多Agent的蟻群演算法在車間動態調度中的應用研究 用蟻群優化演算法求解中國旅行商問題 蟻群演算法在嬰兒營養米粉配方中的應用 蟻群演算法在機械優化設計中的應用 蟻群優化演算法的研究現狀及研究展望 蟻群優化演算法及其應用研究進展 蟻群演算法的理論與應用 簡單蟻群演算法的模擬分析 一種改進的蟻群演算法求解最短路徑問題 基於模式求解旅行商問題的蟻群演算法 一種求解TSP的混合型蟻群演算法 基於MATLAB的改進型基本蟻群演算法 動態蟻群演算法求解TSP問題 用蟻群演算法求解類TSP問題的研究 蟻群演算法求解連續空間優化問題的一種方法 用混合型螞蟻群演算法求解TSP問題 求解復雜TSP問題的隨機擾動蟻群演算法 基於蟻群演算法的中國旅行商問題滿意解 蟻群演算法的研究現狀和應用及螞蟻智能體的硬體實現 蟻群演算法概述 蟻群演算法的研究現狀及其展望 基於蟻群演算法的配電網網架優化規劃方法 用於一般函數優化的蟻群演算法 協同模型與遺傳演算法的集成 基於蟻群最優的輸電網路擴展規劃 自適應蟻群演算法 凸整數規劃問題的混合蟻群演算法 一種新的進化演算法—蛟群演算法 基於協同工作方式的一種蟻群布線系統

⑻ 請你幫我用matlab gui作一個基於蟻群演算法的TSP問題圖像，要求可以輸入螞蟻數量和城市坐標，輸出最短路徑

n個城市，編號為1---n
for循環的次數是螞蟻重復城市的次數，比如5個螞蟻放到4個城市，需要重復兩遍才能放完螞蟻，每次循環產生n個1---n的隨機數,相當於隨機n個城市，產生城市序列
循環結束
Tabu一句表示將m個螞蟻隨機，每個螞蟻放到前面產生的城市序列中，每個螞蟻一個城市，需要m個，所以提取前面1：m個序列
'表示轉置，沒有多大用處，可能參與後面的計算方便。

我感覺如果m,n很大的話，你這樣做會產生很大的浪費，計算很多的隨機數，這樣的話更好，一句就得：(如果變數Randpos後面沒有用到的話，如果用到了，還要用你的程序)
Tabu=ceil(n*rand(1,m))'

⑼ 跪求基於蟻群演算法的圖像分割源碼，最好是matlab的

同求啊。。。

⑽ 人工智慧醫學影像能識別哪些圖像類型

隨著醫學影像智能化診斷的快速發展，為了滿足愈加復雜的醫學圖像分析和處理要求，人工智慧方法成為近年來醫學圖像處理技術發展的一個研究熱點。本文對近五年來人工智慧方法在醫學圖像處理領域應用的新進展進行綜述。方法：將應用在醫學圖像處理領域主要的幾種人工智慧方法進行了分類總結，討論了這些方法在醫學圖像處理各分支領域的應用，分析比較了不同方法間的優缺點。結果：人工智慧方法應用主要在醫學圖像分割、圖像配准、圖像融合、圖像壓縮、圖像重建等領域；包括蟻群演算法、模糊集合、人工神經網路、粒子群演算法、遺傳演算法、進化計算、人工免疫演算法、粒計算和多Agent技術等；涉及MR圖像、超聲圖像、PET圖像、CT圖像和醫學紅外圖像等多種醫學圖像。結論：由於醫學影像圖像對比度較低，不同組織的特徵可變性較大，不同組織間邊界模糊、血管和神經等微細結構分布復雜，尚無通用方法對任意醫學圖像都能取得絕對理想的處理效果。改進的人工智慧方法與傳統圖像處理方法的結合，在功能上相互取長補短，將是醫學圖像處理技術重要的發展趨勢。關鍵詞：醫學影像；醫學圖像處理；人工智慧