[发明专利]基于果蝇优化算法的糖尿病视网膜病变分级深度学习方法

权利要求书

1.一种基于果蝇优化算法的糖尿病视网膜病变分级深度学习方法，其特征是：包括：

(1)基于列维飞行的空间搜索机制

在dim维搜索空间中采用列维步长的阶梯分布，表示为如下公式(1)：

式中，dim是搜索空间的维度，而β代表用于调节稳定性的重要列维指数，u与v则服从标准正态分布，分布如公式(2)所示：

其中，括号外的子母N表示当前公式定义的概率分布为标准正态分布；

式中σ_u和σ_v可由公式(3)计算得出：

式中，Γ表示伽马函数；

(2)基于高斯分布的越界矫正机制

通过观察果蝇在觅食过程中的行为，果蝇种群中某些果蝇会飞出较远的距离，在算法中部分参数会越过由搜索空间的上界ub和下界lb确定的边界，则将果蝇个体的位置坐标X矫正回正确的范围，通过以下公式(4)实现对超出范围的果蝇进行越界矫正：

其中lb和ub分别是搜索空间的上界和下界，式中为dim维；当果蝇越过边界时，立即矫正返回边界，或移动至边界以内范围越界矫正过程公式表达如公式(5)所示：

d_t～N(0,1,dim) (5)

式中，d表示返回距离，t代表是越过边界的果蝇编号；

(3)基于多子群协同的增强机制

1)改进样本划分方法：通过将种群分为M个有相同数量的果蝇个体子群，其中，第m个子群的第i个对象的坐标X_m,i的初始化过程如公式(6)：

式中：X_axis，m为在搜索空间中随机获得的第m个子群的初始坐标，X₀为由等式(7)获得的搜索空间的中心；R₀为根据等式(8)的初始搜索半径，表示点积

X₀＝(lb(:)+ub(:))/2 (7)

R₀＝(ub(:)-lb(:))/2 (8)

2)改进判别变量计算过程：使用基于列维飞行算法随机获得不同子群中搜索的坐标点作为判断变量的方法，如公式(9)：

式中：R为根据等式在每个迭代中的搜索半径，其计算过程如公式(10)；Radio_levy为等式所描述的列维随机过程的比例因子，其计算过程如公式(11)：

R＝R₀*((nit-it)/nit)^pa (10)

其中nit表示总迭代次数，根据湮灭机制计算得到，it则体现当前已执行的迭代次数，Pa为搜索空间的迭代比例因子：

3)改进子群协同机制：在子群间采用由公式(12)所定义的一种改进的子群协作机制，用作多子群机制的补充，以便搜索到每轮算法进行迭代后的最优解：

将坐标X_new代入适应度函数以计算通信气味值Fit_Communitcate，如果Fit_Communitcate小于获得的全局适应度SmellBest，则使用Fit_Communitcate更新全局适应度，并将BestPos值赋给X_new完成最佳位置更新：

(4)基于子群湮灭的算法运算优化机制

1)初始化子群湮灭参数：设置用于子群湮灭的迭代比例stopTimes；设定对M个子群在每个湮灭迭代过程的湮灭比例killRatio；以固定比例reliveRatio随机选择被湮灭的一部分子群，然后将其复活为正常子群并继续进行迭代；利用上述参数，根据湮灭机制得到的总迭代参数nit可以由公式(14)所表示：

2)评估湮灭效率：将所有子群按照适应性降序，更新速率的升序，子群以湮灭时间的降序顺序进行排序，将其中具有更高等级的子群添加到湮灭组kills中；湮灭评估将在经过nit'次的迭代后执行，其中nit'＝nit*10％；

3)实施湮灭：经过nit'次的迭代后，将进行子群的湮灭操作，属于湮灭阵列中的子群将停止进行进一步的优化，并且更新其湮灭参数，降低评估函数迭代次数，以获得更佳的优化方向；

4)湮灭逃逸：在步骤3)中进行子群湮灭操作的同时，根据等式以固定比例reliveRatio随机选择一部分被湮灭的子群将其复活并重新参与迭代优化，其选择方式如公式(15)：

式中：relive为再次复活并参加迭代的子群，Θ表示求两者的差集；

(5)将步骤(1)-(4)集成到现有的FOA中，根据MALBFOA算法进行运算优化；所述MALBFOA算法如下所示：

对象：最小目标气味浓度

输入:适应度函数f(x),最大评估数MaxFEs,总体大小popSize,维度dim,搜索范围lb,ub,

输出:最佳气味浓度SmellBest和最佳位置BestPos.

1)初始化参数：popsize，MaxFEs，M，子群湮灭率killRatio，搜索空间的原始位置R0，搜索空间的原始半径R1，搜索空间的迭代缩放因子Pa；

2)初始化M个子群的初始位置X_axis,m，其中1≤m≤M

For m＝1 to M

For i＝1 to popsize

通过公式(9)初始化第m个子群的第i个位置X_m,i；

将X_m,i代入适应度函数以计算Smell；

End For

[bestSmell,bestIndex]＝min(Smell)；

X_axis,m＝X(bestIndex)；

groupBestSmell_m＝bestSmell；

groupBestPos_m＝X(bestIndex)；

End For

[SmellBest,BestPos]＝min(groupBestSmell)；

3)根据方程式(14)评估湮灭机制，计算迭代次数nit，并初始化最佳嗅觉阵列IterationSmell of nit的迭代次数；

4)按照公式(11)描述的列维随机过程计算比例因子Radio_levy；

5)迭代优化：

while(iterationit＜nit)

根据上文所述，用M个子群的湮灭率killRatio实施子群湮灭，获得湮灭阵列kill；

根据公式(10)动态更新每次迭代的半径R；

R＝R₀×((nit-it)/nit)^pa

For m 1 to M

If m在湮灭阵列kills

继续；

End if

For i 1 to popsize

按照公式(9)所述列维机制更新X_m,i；

计算Smellvalue，确定适应度函数中当前对象数量

End For

[bestSmell,bestIndex]＝min(Smell)；

X_axis,m＝X(bestIndex)；

groupBestSmell_m＝bestSmell；

groupBestPos_m＝X(bestIndex)；

更新第m个子群的湮灭参数；

End For

[SmellBest,BestPos]＝min(groupBestSmell)；

按照公式(12)描述获得子群间交流情况；

将替代坐标X_new代入适应度函数以计算交流气味值Fit_communitcate.

If Fit_communitcate＜SmellBest

SmellBest＝Fit_communitcate；

BestPos＝X_new；

End

iteration＝iteration+1；

IterationSmell_m＝SmellBest；

End While

6)返回min(IterationSmell)；

(6)在MALBFOA算法中，对时间复杂度进行分析，估计nit的迭代次数以及执行子组湮灭机制；

(7)MALBFOA-DL算法

使用MALBFOA模型优化深度卷积神经网络CNN中的三个关键超参数，以生成新的深度学习框架MALBFOA-DL：

在基于果蝇优化算法的糖尿病眼底病变分级深度学习模型中，以预训练的inceptionv3作为基础，迁移训练最后2-4层连接层与分类器，得到一个能够更好的完成对糖尿病性视网膜病变图像数据集进行分类的模型；

1)对数据集进行处理，检查眼睛的分布和严重程度，根据以下量表：0-无DR，1-轻度，2-中度，3-严重，4-增生性DR，临床医生对每个图像中存在的糖尿病性视网膜病进行了区分，对每幅图像按照其是左眼或者右眼以及属于上述量表中哪个级别进行分类；糖尿病性视网膜病变严重程度的分布非常不均匀且极化，其中：第1级，第2级，第3级，第4级和第5级的样本数分别为25810、2443、5292、873和708；

2)使用基于果蝇优化算法的糖尿病眼底病变分级深度学习模型，以可训练模式对最后2-4层完成对Inceptionv3模型的迁移学习，从原始图像中提取深度特征；在模型的训练中，以9︰1的比例将数据随机分为训练集和测试集，分为10轮，平衡训练集中的分布，根据疾病的严重程度将每组训练集分为五类，然后在不同类别中执行替换方法抽样；每个疾病类别的样本量为1000。