[发明专利]一种基于SFLA算法的深度图像模式划分简化方法

权利要求书

1.一种基于SFLA算法的深度图像模式划分简化方法，其特征在于，包括：

初始化，设定初始种群；

适应度降序排列，将初始种群中所有元素样本根据适应度函数从高到底进行排列，形成一个序列；

模因组分类，将元素样本均分为多个模因组；

群组演化，获取每个模因组内适应度最佳的个体数据和适应度最差的个体数据，以及整体中适应度最高的个体数据，通过计算结合个体适应度变化使用新个体数据代替原有个体数据；

整体重排，在所有模因组完成上述步骤重复达到指定次数后，重新计算所有个体的适应度，进行排列，如果达到收敛标准，就停止计算并且输出结果，否则重新进入上述模因组分类步骤进行计算。

2.如权利要求1所述的简化方法，其特征在于，所述群组演化，获取每个模因组内适应度最佳的个体数据和适应度最差的个体数据，以及整体中适应度最高的个体数据，通过计算结合个体适应度变化使用新个体数据代替原有个体数据，包括：

记录每个模因组内适应度最佳的个体数据和适应度最差的个体数据，以及整体中适应度最高的个体数据；

改变极值个体的位置，通过算法使得个体适应度的上升，使用新个体数据取代原个体数据，若个体适应度未上升，则执行下一步；

用整体中适应度最高的个体的数据取代每个模因组内适应度最佳的个体数据，重复上述改变极值个体的位置步骤，如果适应度未上升，则进入下一步；

随机生成一个个体数据代替适应度最低的个体数据。

3.如权利要求2所述的简化方法，其特征在于，所述改变极值个体的位置，通过算法使得个体适应度的上升，使用新个体数据取代原个体数据，若个体适应度未上升，则执行下一步，包括：

通过算法1使得适应度最佳的个体适应度上升，则新个体取代了原先个体；

如果个体适应度未产生变化，就用所述整体中适应度最高的个体的数据取代所述适应度最差的个体数据重复算法1，执行取代过程；

若仍无变化则操作算法2；

如果通过算法2使得适应度最差的个体适应度上升，则新个体取代了原先的最差个体。

4.如权利要求3所述的简化方法，其特征在于，所述算法1可以为：

Δp₁＝C1·rand()·(Pg_i-Pw_i)

pb_iⁿ⁺¹＝pb_iⁿ+Δp₁

其中，Pb_i为每个模因组内适应度最佳的个体，Pw_i为适应度最差的个体，Pg为整体中适应度最高的个体，rand()是0～1之间的随机数，n是迭代次数，C1是经过理论推导得出的随机变量。

5.如权利要求3所述的简化方法，其特征在于，所述算法2可以为：

Δp₂＝C2·rand()·(Pb_i-Pw_i)

pw_iⁿ⁺¹＝pw_in+Δp₂

其中，Pb_i为每个模因组内适应度最佳的个体，Pw_i为适应度最差的个体，Pg为整体中适应度最高的个体，rand()是0～1之间的随机数，n是迭代次数，C2是经过理论推导得出的随机变量。

6.如权利要求1所述的简化方法，其特征在于，所述收敛标准可以为达到最大全局迭代运算次数。

7.如权利要求6所述的简化方法，其特征在于，所述最大全局迭代运算次数为5次。

8.如权利要求6所述的简化方法，其特征在于，所述收敛标准还可以为全局最优解连续三次为同一值。

9.如权利要求1所述的简化方法，其特征在于，所述设定的次数为2-4次。