Infrared Image Segmentation Based on Improved Spotted Hyena Optimizer
-
摘要: 针对斑点鬣狗优化算法（spotted hyena optimizer，SHO）容易陷入局部最优解、求解质量低等缺点，本文提出使用Lévy飞行和单纯形搜索算法改进SHO（spotted hyena optimizer based on simplex method and Lévy flight, Lévy_SM_SHO）。将Lévy_SM_SHO与Lévy飞行斑点鬣狗优化算法（spotted hyena optimizer based on Lévy flight, Lévy_SHO）、单纯形搜索斑点鬣狗优化算法（spotted hyena optimizer based on simplex method, SM_SHO）和SHO在测试函数上结果进行对比，实验证明改进算法能够取得较好的优化结果。并将Lévy_SM_SHO算法用于红外图像阈值分割问题，通过与粒子群算法（particle swarm optimization, PSO）分割结果对比，证明Lévy_SM_SHO算法能够取得较好的阈值分割结果。
-
关键词:
- Lévy飞行 /
- 单纯形搜索算法 /
- Lévy_SM_SHO /
- Lévy_SHO /
- SM_SHO
Abstract: Based on the shortcomings of the spotted hyena optimizer (SHO), falling into a local optimal solution or a low-quality solution is easy. In this study, the Lévy flight and simplex method are proposed to improve the SHO(Lévy_SM_SHO). Comparing Lévy_SM_SHO to Lévy flight spotted hyena optimizer (Lévy_SHO), simplex method spotted hyena optimizer (SM_SHO), and spotted hyena optimizer (SHO) on the test function, the experiment proves that the improved algorithm can achieve better optimization results. Finally, the Lévy_SM_SHO algorithm is applied to the infrared image threshold segmentation problem. By crosschecking the segmentation results with the particle swarm optimization algorithm (PSO), we proved that the Lévy_SM_SHO algorithm can achieve better threshold segmentation results.-
Keywords:
- lévy flight /
- simplex search algorithm /
- Lévy_SM_SHO /
- Lévy_SHO /
- SM_SHO
-
0. 引言
随着红外制导技术的不断发展，装有红外传感器的导弹是飞机的最主要威胁，据统计，1973-2001年有49%的飞机损失来自红外导弹，其中1984-2001年90%的飞机损失来自红外导弹[1-2]。为保护飞机免受红外制导导弹的攻击，红外干扰弹应运而生，现今发展的红外干扰弹包括多点源红外干扰弹和面源红外干扰弹。多点源红外干扰弹依靠烟火药柱产生一个与飞机红外辐射特性类似，但能量大于飞机辐射能量2~10倍的热源，以质心干扰的方式达到欺骗来袭红外制导导弹的目的[3]；面源红外干扰弹依靠在空间形成大面积红外辐射云团，使飞机“淹没”在红外辐射云团中，以掩盖飞机自身的红外辐射特征，导致红外导引头无法分辨飞机红外辐射源和面源红外干扰弹辐射源[4-5]，飞机采用机动规避的方式逃逸出导引头视场，从而免遭红外制导导弹的攻击；多点源红外干扰弹在空中形成强红外辐射源诱骗红外导引头，面红外辐射源在空中形成大面积红外辐射源掩盖飞机自身的红外辐射源，两者结合，可有效迷惑红外制导导引头，提高载机的自卫对抗能力。
飞机的红外辐射特性是红外制导导弹识别、捕获、跟踪、摧毁飞机的信号来源，飞机的红外辐射信号主要由机身蒙皮、尾喷管和尾焰组成[4]，其中尾焰和尾喷管是飞机红外辐射的主要来源，红外制导导弹从不同方向攻击飞机时，由于方向不同，导致导引头探测目标的辐射强度和辐射面积差异很大，飞机投放干扰弹的时机和种类也不同。因此，探测飞机在不同方向的辐射特征对干扰弹弹种选择具有重要意义。
本文采用光谱辐射计、中波红外热像仪、长波红外热像仪对飞机在不同方向上的红外辐射性能进行测试，研究飞机发动机工作时在不同方向上的红外辐射性能，指导飞机应对不同方向来袭的红外制导导弹时红外干扰弹投放使用策略。
1. 测试
1.1 测试场景
选择飞机0°、正侧向90°、尾后180°三个测试角度，选择合适测试点，飞机发动机处于正常工作状态，测试场景示意图如图 1所示，测试距离300 m，飞机包络尺寸为不大于50 m×50 m×10 m，飞机发动机直径不大于1 m，因此，在测试场景下飞机可当作点目标。
1.2 测试方法
1.2.1 光谱辐射计标定
试验前应对光谱辐射计进行标定，在同一测试条件下，对黑体和被测试目标进行测试，标定对应温度下的黑体温度。
$$ I（\lambda ）=\frac{({V}_{\rm{s}}-{V}_{\rm{b}}){R}^{2}}{({V}_{\rm{BB}}-{V}_{\rm{Bb}}){L}^{2}}\times M({T}_{\rm{BB}})\times \frac{\rm{π}{D}^{4}}{4}$$ (1) 式中：Vs、Vb分别为飞机的信号、飞机附近的背景信号；VBB、VBb分别为黑体的信号、背景信号；R为测试距离；L为黑体标定距离；TBB为黑体温度；M(TBB)为黑体在TBB的光谱辐射出射度；D为光阑口径。
1.2.2 测试方法
选定不同方位（迎头、正侧向、尾后），架好仪器设备，发动机处于正常工作状态下，测试飞机的中/长波红外辐射强度、辐射面积。
1.3 数据处理
1.3.1 光谱辐射计测试数据处理
辐射计测试时，首先采用标准黑体源对光谱辐射计进行标定，得到光谱辐射计的光谱响应曲线；随后，采用标定后的光谱辐射计对待测对象进行测试，经过光谱强度积分和大气修正得到测试飞机的辐射强度曲线[6]。
按式(2)计算光谱响应系数：
$$K\left( \lambda \right) = \frac{{\Delta {V_{\rm{c}}}\left( \lambda \right) \cdot {{\left( {{L_{\rm{c}}}} \right)}^2}}}{{{A_{{\rm{bb}}}} \cdot P\left( {\lambda ,{T_{\rm{c}}}} \right)}}$$ (2) 式中：K(λ)为标定系数，V/(W/(μm·m2))；ΔVc(λ)为标定电压，V；Lc为标定距离，m；Abb为黑体腔口面积，m2；P(λ, Tc)为黑体的光谱辐亮度，W/(μm·sr·m2)；Tc为黑体温度，K。
按式(3)计算红外辐射强度：
$$I = \frac{1}{{{\tau _{\rm{a}}}}}\int_{{\lambda _{\min }}}^{{\lambda _{\max }}} {\frac{{\Delta {V_{\rm{m}}}\left( \lambda \right) \cdot {{\left( {{L_{{\rm{ob}}}}} \right)}^2}}}{{K\left( \lambda \right)}}} {\rm{d}}\lambda $$ (3) 式中：I为辐射强度，W/sr；ΔVm(λ)为测试电压，V；Lob为测试距离，m；λmin、λmax分别为波段的波长下限和上限，μm；τa为大气透过率（采用Lowtran大气模型根据实时气象条件计算）。
1.3.2 中长波红外热像仪测试数据处理
热像仪测试时，首先采用标准黑体源对热像仪进行标定，得到热像仪的辐射响应定标文件（定期进行）；采用热像仪对待测对象进行测试，得到飞机在不同方向上的温度分布图像，根据测试距离、视场角分辨率及图像像元数计算特征辐射面积S：
$$ \mathit{S}{\rm{ = }}{\mathit{n}_{\rm{T}}}{\rm{\cdot}}\mathit{\gamma }{\rm{\cdot}}\mathit{d} $$ (4) 式中：nT为视场内温度为某特定值或特定范围内的像元数目；γ为仪器角分辨率，rad/像元；d为测试距离，m。可根据需要，提取热像中目标的温度分布特征和目标图像特征。
1.4 测试结果
1.4.1 测试数据
1）光谱辐射计测试结果（迎头）
按照上述测试方法和数据处理方法，对光谱辐射计测试数据进行处理，得到飞机在中长波红外的辐射强度随时间的关系如图 2所示。
![]()
图 2 迎头测试中长波红外辐射强度随时间的关系图Figure 2. Plot of middle-long wave infrared radiation intensity over time in head-on test由图 2可知，测试时，3~5 μm的光谱辐射强度和8~14 μm的光谱辐射强度值均较低，这是由于测试时，机身遮挡，导致尾焰的辐射强度大部分被遮挡。
2）中红外热像仪测试结果（迎头）
按照1.3.2测试方法和数据处理方法，对中红外热像仪测试数据进行处理，得到飞机在中红外的特征辐射面积时间变化关系如图 3所示。
![]()
图 3 中波红外特征辐射面积随时间的变化关系图Figure 3. Middle wave infrared characteristic radiation area over time由图 3可知，中红外热像仪测试得到辐射面积最大为3.68 m2，且辐射面积随时间变化。这是由两种原因造成的，第一是飞行员操作时，不可能保证飞机发动机一直处于同一种工作状态，而是在某一工作状态附近波动；第二是由于气候原因，由于风速、风向等时刻变化，导致发动机尾焰在与大气环境传热传质过程中一直处于变化状态，从而导致特征辐射面积发生变化。
3）长波红外热像仪测试结果（迎头）
按照1.3.2测试方法和数据处理方法，对长波红外热像仪测试数据进行处理，得到飞机在长波红外的辐射面积随时间变化关系如图 4所示。
![]()
图 4 长波红外辐射面积随时间的变化关系图Figure 4. Long wave infrared characteristic radiation area over time由图 4可知，长波红外热像仪测试得飞机的最大红外特征辐射面积约为5.4 m2，比中红外辐射面积高，这也是由于飞机发动机尾焰的大部分红外辐射被飞机机身遮挡，而机身蒙皮在长波红外的辐射特征比中红外的辐射特征明显。
1.4.2 数据分析
用同样的方式测试飞机在同样工作状态下，正测向、尾向的红外辐射特征。将测试数据用同样的方式处理，得到测试结果如表 1所示。
表 1 飞机红外辐射特征测试结果汇总Table 1. Summary of aircraft radiation characteristics test resultsTest direction and angle Wave length Radiation intensity/(W/Sr) Radiation area/m2 Head-on 0° 3 to 5 μm 50.00 3.68 8 to 14 μm 50.00 5.40 Lateral 90° 3 to 5 μm 68.00 25.90 8 to 14 μm 150.00 12.53 Stern 180° 3 to 5 μm 140.00 8.85 8 to 14 μm 80.00 1.05 测试数据可得如下结论：①飞机正侧向的中长波红外辐射面积比迎头和尾后都高，这是由于正侧向时，飞机最大截面与红外热像仪视场垂直，导致红外辐射面积最大；②飞机尾后的中长波红外辐射强度远远高于正侧向和迎头，尤其是中红外辐射强度达到最高，说明发动机工作时，尾焰和尾喷管能显著提高飞机的红外辐射特征，但是辐射面积较小；③由于飞机机身的遮挡作用，飞机的红外辐射强度和面积均最小。
2. 红外干扰弹使用策略
2.1 红外干扰机理
2.1.1 面源红外干扰弹干扰红外导弹机理分析
面源红外干扰弹投放后在载机附近迅速扩散开来形成红外干扰云团，其与被保护载机的红外图像相似，或改变载机的红外图像特征，欺骗红外成像制导导弹，继而诱使红外成像制导导弹偏离被保护的载机。面源红外干扰弹对抗红外成像制导导弹，各个阶段可以采用不同的方式进行干扰[7]。
目标搜索阶段，导弹距离目标通常很远，目标机形成的红外图像很小，处于点目标阶段，当面源红外干扰弹连续投放后，在真目标附近形成大面积红外辐射云团，掩盖目标的红外辐射特征，使红外成像制导导弹导引头无法锁定真目标，面源红外干扰弹起到“隐真示假”的作用。
目标跟踪阶段初期，弹目距离逐渐缩短，目标形成的红外图像逐渐变大，且逐渐显示目标的外形特征，此时，红外成像制导导弹使用形心跟踪或是质心跟踪方式跟踪目标。当连续投放面源红外干扰弹后，在目标附近形成大面积红外辐射云团，其红外特征与目标相似，并与目标融合在一起形成共同的目标信息，甚至完全掩盖目标的红外辐射特征，从而改变导弹视场内的目标红外辐射特征，常用的灰度、面积、长宽比、圆度等识别特征均发生较大变化，制导系统难以识别出真目标，此时，实际目标的特征或运动参数将以不稳定或“非目标”的方式变化（如机动逃逸），而面源红外干扰弹的特征保持稳定（持续燃烧或连续投放），此时，成像导弹的识别系统将会锁定假目标，而达到干扰目的。
目标跟踪阶段后期，弹目距离很近，目标在导引头视场内外形特征清楚，导引头可根据目标的外形特征（面积、长宽比、圆度等）对目标进行跟踪。此时，连续投放面源红外干扰弹后，面源红外干扰弹形成大面积红外辐射云团，与目标红外辐射特征融合，增大了整个红外辐射云团的辐射面积，改变目标的外形特征，增大导引头识别算法的运算量和识别难度，使其难以识别真目标，导致成像导引头无法通过目标的面目标特征识别出目标，从而有效降低其命中目标概率。
2.1.2 点源红外干扰弹干扰红外导引头机理分析
点源红外干扰弹发射后形成单个热点目标，连续投放后形成多个点目标，通过质心干扰的方式诱骗红外制导导引头哦。由于点源红外干扰弹能量高，远大于飞机的红外辐射强度，在对抗早期第一代、第二代红外制导导引头时有效；随着具有辐射强度阈值鉴别能力的第三代、第四代红外制导导引头的装备，点源红外干扰弹由于能量太高，且干扰源数量少，干扰效能不高的缺点越来越明显。因此，点源红外干扰弹逐步被多点源红外干扰弹取代。
2.1.3 多点源红外干扰弹干扰红外导弹机理分析
多点源红外干扰弹发射后形成多个分散的点源红外干扰弹，连续投放后形成多个点状发热体。采用多发齐射或多方位齐射时，可迅速在一定空域形成红外高辐射区，在导引头瞬时视场内形成持续的多个干扰源，将目标信号淹没，且多点源红外干扰弹的辐射能量比点源红外干扰弹的小，略高于飞机，导引头无法通过强度阈值鉴别滤除干扰，导引头必须处理多组脉冲信号，降低了其检测目标的概率，红外导引头即使启动了抗干扰措施，但因探测器的噪声几何级数增大，而难以提取有效的制导信号，从而起到保护载机的作用[8]。
2.2 干扰策略分析
根据飞机发动机工作时，飞机不同方向上的红外辐射特征数据，以及多点源红外干扰弹、面源红外干扰弹的特点，可分析出飞机在面临不同方向成像红外导弹导引头时红外干扰弹的使用策略[9]。
1）当来袭红外制导导弹从尾后攻击飞机时，开始导弹距飞机较远，飞机在红外导引头中显示为一个热点，此时采用多点源红外干扰弹，以质心干扰的方式诱骗红外导引头；随着来袭导弹与飞机距离缩短，飞机在导引头中面积逐渐增大，采用面源红外干扰弹，其红外辐射云团与飞机融合，改变目标的红外辐射特征和在导引头视角下的面目标特征，使导引头分辨不出目标，从而形成有效干扰。多点源红外干扰弹和面源红外干扰弹组合使用，两者结合可有效干扰红外导引头。
2）当来袭红外制导导弹侧向攻击飞机时，由于飞机在红外导引头中显示的面积较大，且能量较高，此时可采用面源红外干扰弹有效掩盖目标的红外辐射特征，干扰来袭导弹导引头。
3）当来袭红外制导导弹迎头攻击飞机时，由于此时飞机在红外导引头中显示的面积和能量均很低，此时采用多点源红外干扰弹和面源红外干扰弹组合使用，通过多点源红外干扰弹的质心干扰，形成假目标，结合面源红外干扰弹的大面积特征，掩盖目标的红外辐射特征，隐藏真实目标特征，点和面结合，达到“隐真示假”的效果，可有效干扰红外制导导弹导引头。
3. 结论
本文以飞机为研究对象，采用光谱辐射计、中长波红外热像仪测试了飞机发动机工作时，飞机迎头、正侧向、尾向3个不同方向上的红外辐射特征，根据红外辐射特征，结合多点源红外干扰弹、面源红外干扰弹的特点，分析了飞机在面临不同方向来袭红外制导导弹时干扰弹的投放策略。当来袭导弹从尾后攻击时，远距时采用多点源红外干扰弹、中近距时采用面源红外干扰弹；侧向攻击时，采用面源红外干扰弹；迎头攻击时，采用点源、面源组合使用，可形成有效干扰。
-
![]()
图 4 基于PSO-Otsu和Lévy_SM_SHO-Otsu算法的断路器瓷套二阈值分割结果
Figure 4. Two threshold segmentation results of ceramic sleeve of circuit breaker based on PSO-Otsu and Lévy_SM_SHO-Otsu algorithms
![]()
图 5 基于PSO-Otsu和Lévy_SM_SHO-Otsu算法的断路器静触头二阈值分割结果
Figure 5. Two threshold segmentation results of circuit breaker static contacts based on PSO-Otsu and Lévy_SM_SHO-Otsu algorithms
表 1 测试函数
Table 1 Test functions
Function Expression Dimension Search range Minimum F5 ${f_{\rm{5}}}{\rm{(}}x{\rm{) = }}\sum\limits_{i{\rm{ = 1}}}^n {{\rm{[100(}}{x_{i{\rm{ + 1}}}} - {x_i}^{\rm{2}}{{\rm{)}}^{\rm{2}}}{\rm{ + (}}{x_i} - {\rm{1}}{{\rm{)}}^{\rm{2}}}{\rm{]}}} $ 30 [-30, 30] 0 F6 ${f_6}(x) = \sum\limits_{i = 1}^n {{{(|{x_i} + 0.5|)}^2}} $ 30 [-100, 100] 0 F13 $\begin{gathered} {f_{13}}(x) = 0.1\{ {\sin ^3}(3{\rm{ \mathsf{ π} }}{x_1}) + \sum\limits_{i = 1}^n {{{({x_i} - 1)}^2}} [1 + {\sin ^2}(3{\rm{ \mathsf{ π} }}{x_i})] \\ \;\;\;\;\;\;\;\;\;\;\; + {({x_n} - 1)^2}[1 + {\sin ^2}(2{\rm{ \mathsf{ π} }}{x_n})]\} + \sum\limits_{i = 1}^n {u({x_i}, 5, 100, 4)} \\ \end{gathered} $
$u({x_i}, a, k, m) = \left\{ {\begin{array}{*{20}{c}} {k{{({x_i} - a)}^m}, \;\;\;{x_i} > a\;\;\;\;\;} \\ {0, \;\;\;\;\;\;\;\; - a \leqslant {x_i} \leqslant a\;\;} \\ {k{{( - {x_i} - a)}^m}, \;\;{x_i} < a\;\;} \end{array}} \right.$30 [-50, 50] 0 F16 ${f_{16}}(x) = 4{x_1}^2 - 2.1{x_1}^4 + \frac{1}{3}{x_1}^6 + {x_1}{x_2} - 4{x_2}^2 + 4{x_2}^4$ 2 [-5, 5] -1.0316 F17 ${f_{17}}(x) = {({x_2} - \frac{{5.1}}{{4{{\rm{ \mathsf{ π} }}^2}}}{x_1}^2 + \frac{5}{{\rm{ \mathsf{ π} }}}{x_1} - 6)^2} + 10(1 - \frac{1}{{8{\rm{ \mathsf{ π} }}}})\cos {x_1} + 10\;\;\;\;\;\;\;\;\;\;\;$ 2 [-5, 5] 0.398 F20 ${f_{20}}(x) = - \sum\limits_{i = 1}^4 {{c_i}} \exp ( - \sum\limits_{j = 1}^3 {{a_i}_j{{({x_j} - {p_{ij}})}^2}} )$ 6 [0,1] -3.3 
下载: 导出CSV
表 2 4种算法在测试函数上的测试结果
Table 2 Test results of 4 algorithms on test functions
Function Indicators SHO Lévy_SHO SM_SHO Lévy_SM_SHO F5 Maximum 28.9838 29.6218 29 29.0713 Minimum 28.7005 28.7027 28.5028 28.4771 Average 28.8738 28.9371 28.7862 28.7253 Standard 0.1025 0.0799 0.0947 0.1582 F6 Maximum 7.06 7.02 7.50 6.19 Minimum 0.326 0.0421 0.0182 0.003723 Average 5.23 4.710 3.26 3.19 Standard 1.93 2.29 2.92 2.25 F13 Maximum 2.99 3.2709 3 3.0271 Minimum 2.86 0.0046 2.7835 0.0023 Average 2.95 1.8008 2.8493 1.6320 Standard 0.0302 1.1731 0.0559 1.1147 F16 Maximum -0.11 -1.0101 0 -1.0094 Minimum -1.03 -1.0316 -1.0316 -1.0316 Average -0.94 -1.0252 -0.9882 -1.0304 Standard 0.147 0.0057 0.1444 0.0031 F17 Maximum 3.597 0.7162 0.51318 0.4690 Minimum 0.398 0.3982 0.3979 0.3979 Average 0.642 0.4282 0.4060 0.4031 Standard 0.484 0.0528 0.0201 0.0108 F20 Maximum -1.6 -2.0591 -2.7087 -2.9141 Minimum -3.1 -3.0991 -3.3031 -3.3047 Average -2.6 -2.7685 -3.167 -3.1990 Standard 0.3 0.2243 0.145831 0.09829
下载: 导出CSV
表 3 基于PSO-Otsu和Lévy_SM_SHO-Otsu的最佳阈值
Table 3 The optimal thresholds based on PSO-Otsu and Lévy_SM_SHO-Otsu algorithms
Infrared image The number of threshold PSO-Otsu Lévy_SM_SHO-Otsu threshold Abnormal temperature distribution in porcelain sleeve of circuit breaker 1 70 70 2 44, 145 46, 143 3 73, 74, 255 70, 76, 255 4 46, 138, 173, 255 46, 73, 144, 255 5 69, 88, 181, 255, 255 46, 54, 132, 139, 255 6 58, 142, 167, 181, 255, 255 53, 65, 76, 144, 255, 255 The circuit breaker still touches the hair to heat 1 63 63 2 51, 147 57, 146 3 44, 72, 255 63, 71, 255 4 38, 80, 123, 255 37, 63, 121, 255 5 58, 70, 135, 150, 255 55, 62, 72, 255, 255 6 54, 71, 97, 186, 246, 255 58, 72, 82, 138, 245, 255
下载: 导出CSV
表 4 基于PSO-Otsu和Lévy_SM_SHO-Otsu算法的适应度函数
Table 4 Fitness function based on PSO-Otsu and Lévy_SM_SHO-Otsu algorithms
Infrared image The number of threshold PSO-Otsu Lévy_SM_SHO-Otsu The value of fitness functions Load switch 1 851.7254 851.7254 2 1096.1 1096.2 3 1631.5 1633.5 4 1746.8 1877 5 2096.3 2197.8 6 2255.8 2614.6 Load switch 1 1282.8 1282.8 2 1486.6 1487 3 2305.5 2362.6 4 2521.7 2565.1 5 2763.8 3437.9 6 3182.6 3635.9
下载: 导出CSV
表 5 基于PSO-Otsu和Lévy_SM_SHO-Otsu算法的PSNR和SSIM值
Table 5 PSNR and SSIM values based on PSO-Otsu and Lévy_SM_SHO-Otsu algorithms
Infrared image The number of threshold PSO-Otsu Lévy_SM_SHO-Otsu PSNR SSIM PSNR SSIM Load switch 1 18.6778 0.0981 18.6778 0.0981 2 21.0977 0.1753 21.1041 0.1794 3 18.7711 0.0969 18.9324 0.1011 4 21.7095 0.1741 22.3763 0.1806 5 21.3552 0.1266 21.5929 0.1760 6 21.3714 0.1370 21.9312 0.1580 Load switch 1 19.1335 0.1567 19.1335 0.1567 2 20.7128 0.1686 21.2433 0.1720 3 20, 0060 0.1738 20.1006 0.1741 4 22.5955 0.1882 22.6117 0.2747 5 22.6896 0.1892 22.7556 0.1908 6 24.0231 0.1900 24.1233 0.1964
下载: 导出CSV
-
[1] Maryam M, Majid H, Fatemeh N. Air condition's PID controller fine-tuning using artificial neural networks and genetic algorithms[J]. Computers, 2018, 7(2): 32. DOI: 10.3390/computers7020032
[2] Ayala H V H, Coelho L D S. Tuning of PID controller based on a multiobjective genetic algorithm applied to a robotic manipulator[J]. Expert Systems with Applications, 2012, 39(10): 8968-8974. DOI: 10.1016/j.eswa.2012.02.027
[3] Beyer H G, Schwefel H P. Evolution strategies——a comprehensive introduction[J]. Natural Computing, 2002, 1: 3-52. DOI: 10.1023/A:1015059928466
[4] ZHU W, DUAN H. Chaotic predator–prey biogeography-based optimization approach for UCAV path planning[J]. Aerospace Science & Technology, 2014, 32(1): 153-161. http://or.nsfc.gov.cn/bitstream/00001903-5/99973/1/1000009426400.pdf
[5] Ghosh A, Das S, Chowdhury A, et. al. An improved differential evolution algorithm with fitness-based adaptation of the control parameters[J]. Information Sciences, 2011, 181(18): 3749-3765. DOI: 10.1016/j.ins.2011.03.010
[6] 孙云霞, 刘兆刚, 董灵波. 基于模拟退火算法逆转搜索的森林空间经营规划[J]. 林业科学, 2019, 55(11): 52-62. DOI: 10.11707/j.1001-7488.20191107 SUN Yunxia, LIU Zhaogang, DONG Lingbo. Spatial forest management planning based on reversion search technique of simulated annealing algorithm[J]. Scientia Silvae Sinicae, 2019, 55(11): 52-62 DOI: 10.11707/j.1001-7488.20191107
[7] Rashedi E, Nezamabadi-Pour H, Saryazdi S. BGSA: Binary gravitational search algorithm[J]. Natural Computing, 2010, 9(3): 727-745. DOI: 10.1007/s11047-009-9175-3
[8] PAN Q K, WANG L, GAO L. A Chaotic Harmony Search Algorithm for the Flow Shop Scheduling Problem with Limited Buffers[M]. Elsevier Science Publishers B. V., 2011.
[9] Shaikh N F, Doye D D. An adaptive central force optimization (ACFO) and feed forward back propagation neural network (FFBNN) based iris recognition system[J]. Journal of Intelligent and Fuzzy Systems, 2016, 30(4): 2083-2094. DOI: 10.3233/IFS-151921
[10] 金旭旸. 基于莱维飞行的水波优化算法[J]. 科技创新与生产力, 2019(5): 66-68. DOI: 10.3969/j.issn.1674-9146.2019.05.066 JIN Xuyang. Water wave optimization algorithm based on Lévy flight[J]. Sci-tech Innovation and Productivity, 2019(5): 66-68. DOI: 10.3969/j.issn.1674-9146.2019.05.066
[11] HUANG H, YANG X, HAO Z, et al. A novel ACO algorithm with adaptive parameter[C]//International Conference on Intelligent Computing on Lecture Notes in Computer Science, 2006, 4115: 12-21.
[12] NIU B, ZHU Y, HU K, et al. A novel particle swarm optimizer using optimal foraging theory[C]//International Conference on Intelligent Computing on Computational Intelligence and Bioinformatics, 2006, 4115: 61-71.
[13] Akay B, Karaboga D. A modified Artificial Bee Colony algorithm for real-parameter optimization[J]. Information Sciences, 2012, 192(1): DOI: 10.1016/j.ins.2010.07.015.
[14] QIANG Z, LI H, LIU C, et al. A new extreme learning machine optimized by firefly algorithm[C/OL]//Proceedings of the 2013 Sixth International Symposium on Computational Intelligence and Design of IEEE, 2013: https://ieeexplore.ieee.org/search/searchresult.jsp?newsearch=true&queryText=A%20new%20extreme%20learning%20machine%20optimized%20by%20firefly%20algorithm.
[15] Mukherjee A, Mukherjee V. A solution to optimal power flow with DC link placement problem using chaotic krill herd algorithm[C]// International Conference on Emerging Technological Trends of IEEE, 2016: DOI: 10.1109/ICETT.2016.7873756
[16] JIANG T, ZHANG C. Application of grey wolf optimization for solving combinatorial problems: job shop and flexible job shop scheduling cases[J]. IEEE Access, 2018, 6: 26231- 26240. DOI: 10.1109/ACCESS.2018.2833552
[17] Dhiman G, Kumar V. Spotted hyena optimizer: a novel bio-inspired based metaheuristic technique for engineering applications[J]. Advances in Engineering Software, 2017, 114: 48-70. DOI: 10.1016/j.advengsoft.2017.05.014
[18] Dhiman G, Kaur A. Spotted hyena optimizer for solving engineering design problems[C]// 2017 International Conference on Machine Learning and Data Science (MLDS)of IEEE, 2017: 114-119.
[19] Dhiman G, Kumar V. Spotted Hyena Optimizer for Solving Complex and Non-linear Constrained Engineering Problems[M]//Harmony Search and Nature Inspired Optimization Algorithms, Advances in Intelligent Systems and Computing, Singapore: Springer Singapore, 2019, 741: 857-867.
[20] 贾鹤鸣, 姜子超, 彭晓旭, 等. 基于改进鬣狗优化算法的多阈值彩色图像分割[J]. 计算机应用与软件, 2020, 37(5): 261-267. DOI: 10.3969/j.issn.1000-386x.2020.05.045 JIA Heming, JIANG Zichao, PENG Xiaoxu, et al. Multi-threshold color image segmentation based on improved hyena optimization algorithm[J]. Computer Applications and Software, 2020, 37(5): 261-267. DOI: 10.3969/j.issn.1000-386x.2020.05.045
[21] 孙悦, 何同祥. 基于莱维飞行的改进蚁群算法的PlD参数优化[J]. 仪器仪表用户, 2019, 26(6): 83-85. DOI: 10.3969/j.issn.1671-1041.2019.06.024 SUN Yue, HE Tongxiang. Optimization of PID parameters based on improved ant colony algorithm for Lévy flight[J]. Electronic Instrumentation Customers, 2019, 26(6): 83-85. DOI: 10.3969/j.issn.1671-1041.2019.06.024
[22] 张烈平, 何佳洁, 于滟琳, 等. 基于蚁群算法优化的布谷鸟搜索算法[J]. 微电子学与计算机, 2018, 35(12): 27-32. https://www.cnki.com.cn/Article/CJFDTOTAL-WXYJ201812005.htm ZHANG Lieping, HE Jiajie, YU Yanlin, et al. A cuckoo search algorithm based on ant colony algorithm optimization[J]. Microelectronics & Computer, 2018, 35(12): 27-32. https://www.cnki.com.cn/Article/CJFDTOTAL-WXYJ201812005.htm
[23] 张新, 李珂, 严大虎, 等. 改进入侵杂草算法求解柔性作业车间调度问题[J]. 系统仿真学报, 2018, 30(11): 446-453. https://www.cnki.com.cn/Article/CJFDTOTAL-XTFZ201811051.htm ZHANG Xin, LI Ke, YAN Dahu et al. Improved intrusion weed algorithm for solving flexible job shop scheduling problem[J]. Journal of System Simulation, 2018, 30(11): 446-453. https://www.cnki.com.cn/Article/CJFDTOTAL-XTFZ201811051.htm
[24] 赵洪, 李伟鹏, 刘铁军. 基于改进莱维飞行的狼群算法及其在翼型气动优化设计中的应用[J]. 科学技术与工程, 2019, 19(18): 315-323. DOI: 10.3969/j.issn.1671-1815.2019.18.048 ZHAO Hong, LI Weipeng, LIU Tiejun. An improved Lévy flight based grey wolf optimization algorithm for aerodynamic design problem[J]. Science Technology and Engineering, 2019, 19(18): 315-323. DOI: 10.3969/j.issn.1671-1815.2019.18.048
[25] 肖石林. 基于Lévy飞行的树种优化算法及在图像分割中的应用[D]. 南宁: 广西民族大学, 2019. XIAO Shilin. Tree Seed Optimization Algorithm Based on LévyFlight and Its Application in Image Segmentation[D]. Nanning: Guangxi University for Nationalities, 2019.
[26] 莫愿斌, 郑巧燕, 马彦追. 单纯形法的布谷鸟搜索算法及其在约束优化问题中的应用[J]. 计算机与应用化学, 2015(2): 213-218. https://www.cnki.com.cn/Article/CJFDTOTAL-JSYH201502019.htm MO Yuanbin, ZHENG Qiaoyan, MA Yanzhui. Cuckoo search based on simplex method and its application on constrained optimization problems[J]. Computers and Applied Chemistry, 2015(2): 213-218. https://www.cnki.com.cn/Article/CJFDTOTAL-JSYH201502019.htm
[27] 莫愿斌, 马彦追, 郑巧燕, 等. 单纯形法的改进萤火虫算法及其在非线性方程组求解中的应用[J]. 智能系统学报, 2014(6): 747-755. https://www.cnki.com.cn/Article/CJFDTOTAL-ZNXT201406020.htm MO Yuanbin, MA Yanzhui, ZHENG Qiaoyan, et al. Improved firefly algorithm based on simplex method and its application in solving non-linear equation groups[J]. CAAI Transactions on Intelligent Systems, 2014(6): 747-755. https://www.cnki.com.cn/Article/CJFDTOTAL-ZNXT201406020.htm
[28] 张红霞, 罗毅, 师瑞峰. 基于单纯形法的改进型人工鱼群算法[J]. 计算机应用, 2011(5): 1321-1323. https://www.cnki.com.cn/Article/CJFDTOTAL-JSJY201105048.htm ZHANG Hongxia, LUO Yi, SHI Ruifeng. Artificial fish swarm algorithm based on simplex method[J]. Journal of Computer Applications, 2011(5): 1321-1323. https://www.cnki.com.cn/Article/CJFDTOTAL-JSJY201105048.htm
[29] 肖辉辉. 基于单纯形法和自适应步长的花朵授粉算法[J]. 计算机工程与科学, 2016, 38(10): 2126-2133. DOI: 10.3969/j.issn.1007-130X.2016.10.025 XIAO Huihui. A flower pollination algorithm based on simplex method and self-adaptive step[J]. Computer Engineering & Science, 2016, 38(10): 2126-2133. DOI: 10.3969/j.issn.1007-130X.2016.10.025
-
期刊类型引用(4)
1. 周萍，代威，陆浩然，常晓华，李强，廖传军，宋海英. 航天装备主动防御隐身技术综述. 安全与电磁兼容. 2025(02): 18-34 . 
百度学术
2. 王东，高俊光，陈磊，张恒伟，路亚旭. 喷气式飞机尾喷管及尾焰红外辐射特性测量分析. 激光与红外. 2024(07): 1097-1101 . 百度学术
3. 王东，李武周，樊仁杰，刘小虎. 运输机迎头飞行状态红外辐射特性测量及分析. 光学与光电技术. 2023(02): 114-119 . 百度学术
4. 胡长德，张海波，王朝晖，王林旭，李子杨，刘婕. 一种红外辐射特性测量教学训练系统. 光学仪器. 2022(04): 10-15 . 百度学术
其他类型引用(1)
计量
- 文章访问数:
- HTML全文浏览量:
- PDF下载量:
- 被引次数: 5
