摘要
传统的麻雀搜索算法(sparrow search algorithm,SSA)在寻优过程中存在易陷入局部最优,以及搜索能力不足的问题.为了解决上述问题,提出了一种基于高斯云改进的混沌改进麻雀搜索算法(improved sparrow search algorithm,ISSA).首先,利用伯努利混沌映射初始化种群以提高算法初始种群质量;其次,在发现者位置更新中引入自适应高斯云变异策略来提高算法在迭代过程中的全局搜索能力;最后,利用 t分布反向学习策略对最优位置进行随机反向学习,以提高算法跳出局部最优的能力.在仿真实验中将本算法与其他4种基本算法利用13种基准测试函数进行对比实验,同时与其他的ISSAs进行对比.实验结果表明,本算法具有良好的收敛性以及精度,且全局探索能力相较于原算法大大提高.并将ISSA应用于Kapur熵多阈值图像分割任务中,结果表明,ISSA相较于其他4种基本算法有着更高的分割精度.
NETL
NSTL
维普
万方数据