基于复合种群初始化和多策略学习的粪甲虫优化用于多级阈值图像分割

摘要 随着数字图像多阈值分割中阈值数量的增加，确定理想阈值的复杂性急剧上升，给传统方法带来了重大挑战。粪甲虫优化（DBO）是一种模仿粪甲虫行为的元启发式算法，包括滚动粪球、雌性甲虫产卵、小甲虫寻找食物以及盗贼甲虫偷窃。然而，原始DBO存在收敛速度慢和次优解的问题。本文提出了一种改进的DBO算法，命名为复合种群初始化和多策略学习的DBO（CMDBO），以解决这些问题。改进包括使用混沌映射和对抗学习初始化种群，使较弱个体能够向较强个体学习，并应用准中心对抗基础学习以提高收敛速度和解的准确性。为了验证其搜索性能，CMDBO在CEC2017函数集上进行了测试，并与几种算法进行了比较。此外，CMDBO还应用于多阈值图像分割。实验结果表明，所提出的CMDBO在收敛速度和解的准确性方面达到了最佳整体性能.