混合蛙跳演算法matlab

A. 蛙跳演算法的過程

全局搜索過程
步驟l 初始化。確定蛙群的數量、種群以及每個種群的青蛙數。
步驟2 隨機產生初始蛙群，計算各個蛙的適應值。
步驟3 按適應值大小進行降序排序並記錄最好解Px，並且將蛙群分成族群。把F個蛙分配到m個族群Y，Y，Y…,Y中去，每個族群包含n個蛙，從而使得Yk=[X(j),f(j)|X(j)=X(k+m*(j-1), f(j)=f(k+m*(j-1),j=1,…,n,k=1,…,m].這里X（j）表示蛙群中的第j蛙，f(j)表示第j個蛙的目標函數值。
步驟4根據SFLA演算法公式，在每個族群中進行元進化。
步驟5將各個族群進行混合。在每個族群都進行過一輪元進化之後，將各個族群中的蛙重新進行排序和族群劃分並記錄全局最好解Px。
步驟6檢驗計算停止條件。如果滿足了演算法收斂條件，則停止演算法執行過程，否則轉到步驟3。通常而言，如果演算法在連續幾個全局思想交流以後，最好解沒有得到明顯改進則停止演算法。某些情況下，最大函數評價次數也可以作為演算法的停止准則。
局部搜索過程
局部搜索過程是對上述步驟4的進一步展開，具體過程
如下：
步驟4—1設im=O，這里im是族群的計數器。用來與族群總數m進行比較。設iN=0，這里iN是局部進化的計數器，用來與Ls進行比較。
步驟4-2根據式(1)在第l，，1個族群中選擇q個蛙進入子族群，確定Pb和Pw並設im=im+1。
步驟4-3設iN=iN+1。
步驟4—4根據式(2)和式(3)改進子族群中的最差蛙的位置。
步驟4—5如果步驟4—4改進了最差蛙的位置(解)，就用新產生的位置取代最差蛙的位置。否則就採用Px代替式(2)中的PB，重新更新最差蛙的位置。
步驟4—6如果步驟4-5沒有改進最差蛙的位置，則隨機產生一個處於濕地中任何位置的蛙來替代最差的蛙。
不管執行了以上三次跳躍中的任何一次，需重新計算本子群的最優個體Pb和最差個體Pw。
步驟4—7如果iN<LS，則轉到步驟4-3。
步驟4—8如果im<m，則轉到步驟4-2，否則轉到全局搜索過程的步驟5。
演算法停止條件
SFLA通常採用兩種策略來控制演算法的執行時間：
1)在最近的K次全局思想交流過程之後，全局最好解沒有得到明顯的改進；
2)演算法預先定義的函數評價次數已經達到。
3)已有標准測試結果。
無論哪個停止條件得到滿足，演算法都要被強制退出整個循環搜索過程。

B. 智慧工地中的圖像感測技術的應用進展

本文內容來自以下文章：

楊曉嬌,於忠,冮軍.智慧工地中的圖像感測技術的應用進展[J].四川建築,2021,41(S1):41-44.

摘要：文章對智慧工地中的圖像感測技術的發展歷程、以及圖像技術、視頻技術、激光雷達點雲技術在建築工地中的應用作介紹，並介紹了智能演算法在圖像處理技術領域的發展應用。最後提出為了更好地滿足施工監管的需求，圖像技術可以通過視頻技術、激光雷達點雲技術在時間、空間上進行交叉驗證，以提高圖像識別的准確性。在智能演算法與圖像耦合技術方面應結合三維技術形成更加准確地實時反饋信號指導工程施工。

關鍵詞：圖像感測技術; 視頻技術; 激光雷達點雲技術; 智能演算法

智慧工地和智慧建築的興起與當今智能化、信息化的發展有著緊密的聯系。隨著我國城鎮化進程的加快，建築施工過程日益復雜，施工現場安全問題，如勞務人員安全帽和安全繩佩戴、施工現場臨時用電混亂、臨邊防護等問題，也日益凸顯出來，使得傳統施工安全監管技術已經無法滿足目前現場施工安全的要求。藉助計算機和人工智慧技術的快速發展，圖像感測技術憑借 處理精度高、靈活性強、再現性好、適用面廣等特點 成功應用於建築施工安全管理等過程，為項目管理人員提供施工現場的安全隱患、施工動態及進度的實時反饋，提高了建築施工安全管理效率。

進入21世紀，圖像感測技術的應用范圍被逐漸拓寬，甚至在某些領域已經取得突破。然而，對計算機計算速度、存儲容量要求較高，圖像處理使用頻帶較寬、以及在成像、傳輸方面還有一定的技術難度等因素，制約了圖像感測技術的進一步發展。

目前，智慧工地系統中包含了大量的各類感測器和核心的數據實時處理技術，也由此帶來了大量的數據獲取、傳遞和處理。隨著智能技術的發展，視頻圖像信息在建築信息數據中的佔比越來越大，利用圖像感測技術對建築施工進度、人員安全帶和防護柵欄等安全裝置狀態識別、工程質量評價以及施工現場揚塵監測等過程進行實時反饋，實現建築施工過程中的信息識別、安全監管、決策分析等功能，使得圖像感測技術成為建築施工管理過程中的重要技術手段之一。

1 圖像及視頻感測技術在智慧工地中的應用

1.1 圖像技術在建築工地中的應用

圖像技術總體上可以分為 圖像分析、圖像重建和圖像的像質改善 三大部分，在建築施工中圖像技術一般用於圖像分析，如人臉識別、安全帽/繩識別、火災識別、混凝土結構監控等。

1. 2 視頻技術在建築工地的應用

建築工地是一個復雜龐大的區域，利用視頻技術對建築物內部各個位置情況進行監管，對建築施工現場安全管理進行實時監控。從現有的研究和應用案例來看，建築工地對視頻監控的需求主要集中在: 地基基礎、地面施工、高層作業以及文明施工檢查 等階段。其中， 安全問題 是各個階段最突出的問題之一，利用視頻技術對施工現場的深基坑、高邊坡支護安全、模板工程安全、臨邊洞口防護、腳手架搭設安全等過程進行監管，既減輕了監管人員的工作強度，又加強了建設行政主管部門以及監管機構的調控監控力度，提高了工作效率。

1.3 激光雷達點雲技術在建築工地的應用

近年來，利用激光雷達技術處理大規模的地理空間數據，發展了計算機視覺、計算機圖形學。從有關於建築重建、圖像以及激光雷達建模的文獻中發現，其中很大一部分內容致力於基於圖像的方法進行 建築重建 。激光雷達利用點雲成型技術能快速獲取大范圍區域表面采樣點的三維空間數據，正是由於其在建模工作上的高效性，因而在 建築規劃、建築施工以及文物保護等 方面起到了重要作用。

2 智能演算法對於圖像技術在智慧建築領域發展的影響

2.1 智能演算法在圖像處理技術中的發展

智能演算法自提出以來就引起了國內外眾多學者的廣泛關注，經過多年的發展和創造，智能優化演算法已成功應用在國民經濟的各個領域，為生產生活中的許多復雜問題提供了一個高效可行的解決方案，成為了學術領域中一個重要的研究方向。其中比較經典的智能優化演算法有: 遺傳演算法(GA)、蟻群演算法(ACO)、粒子群演算法(PSO)、差分進化演算法(DE)、混合蛙跳演算法(SFLA)、人工蜂群演算法 等。 在圖像處理技術上蟻群演算法和粒子群演算法是最常用的演算法 。

總的來說，智能演算法用於圖像處理技術的優化具有兩個方面的重要作用。 一是基於大數據信息平台的信息匯總數據智能處理分析，引導圖像處理技術的優化和發展; 二是基於大數據技術對於數字信號的處理架構以及模型優化，能夠有效輔助現有圖像處理技術，實現圖像處理技術的快速升級。

2.2 智能演算法和圖像耦合技術對感測建模方法的改進

利用 智能演算法與圖像耦合技術 處理施工過程中火災識別、污染識別、勞務人員安全識別等問題具有高速、便捷等特點。智能演算法與圖像之間的耦合技術主要利用圖像本身具有的張量結構，且張量結構具有良好的表達能力和計算特性，因此可以利用智能演算法對張量結構進行分解並快速而高質量對圖像進行壓縮和提取相關特徵信息，從而可以利用獲取的信息進行快速的感測建模。施工現場的大氣污染防治作為建築工地的重要工作之一，利用圖像處理技術對施工過程中的揚塵、裸土覆蓋等問題進行智能識別，通過智能演算法與圖像之間的耦合技術對施工現場的揚塵、煙霧、裸土等信息進行提取感測建模，實現快速識別、抓取、處理等功能，並生成相應的數學模型對施工過程進行預測、評估等，指導施工現場管理。

然而，智能演算法與圖像耦合技術的感測建模方法僅僅是獲取圖像中的 二維數據信息 進行快速建模，對施工現場出現的問題作出的響應更多隻是簡單提取建模、分析、以及預警等，很難進一步提高精度。因此， 智能演算法與圖像之間的耦合技術應結合三維技術進行更加精確的數據信息提取，從而形成精度更高的實時反饋、預測模型、評價模型等指導現場施工實現精確識別、預測告警、以及深度治理等功能 。

3 總結和展望

本文主要對圖像感測技術的發展歷程，以及 圖像技術、視頻技術、激光雷達點雲技術 在建築中的應用進行了概述，指出隨著建築施工過程的日益復雜，建築體量增大，僅僅依靠圖像識別技術對勞務人員、安全帽佩戴、煙霧情況進行識別已經無法滿足工地現場管理的要求，因此目前圖像技術應與視頻技術相結合，以提高圖像識別的准確性。並提出利用激光雷達點雲與視頻圖像技術對施工過程中的揚塵、裸土識別等進行交叉驗證，以提高識別精度，實現建築施工污染源的精準定位、智能預測、深度治理。文中還對智能演算法、以及其在圖像處理技術領域的應用進行了介紹，提出智能演算法與圖像耦合技術對於感測建模方法應結合三維技術進行更加精確的數據信息提取，從而形成精度更高的實時反饋、各類模型等指導現場工地施工。

C. 最常見的人工智慧演算法都有哪些

神經網路演算法、蟻群演算法、混合蛙跳演算法、蜂群演算法。

D. 優化演算法筆記（二）優化演算法的分類

（以下描述，均不是學術用語，僅供大家快樂的閱讀）

在分類之前，我們先列舉一下常見的優化演算法（不然我們拿什麼分類呢？）。
1遺傳演算法Genetic algorithm
2粒子群優化演算法Particle Swarm Optimization
3差分進化演算法Differential Evolution
4人工蜂群演算法Artificial Bee Colony
5蟻群演算法Ant Colony Optimization
6人工魚群演算法Artificial Fish Swarm Algorithm
7杜鵑搜索演算法Cuckoo Search
8螢火蟲演算法Firefly Algorithm
9灰狼演算法Grey Wolf Optimizer
10鯨魚演算法Whale Optimization Algorithm
11群搜索演算法Group search optimizer
12混合蛙跳演算法Shuffled Frog Leaping Algorithm
13煙花演算法fireworks algorithm
14菌群優化演算法Bacterial Foraging Optimization
以上優化演算法是我所接觸過的演算法，沒接觸過的演算法不能隨便下結論，知之為知之，不知為不知。其實到目前為止優化演算法可能已經有幾百種了，我們不可能也不需要全面的了解所有的演算法，而且優化演算法之間也有較大的共性，深入研究幾個之後再看其他優化演算法上手速度會灰常的快。
優化演算法從提出到現在不過50-60年（遺傳演算法1975年提出），雖種類繁多但大多較為相似，不過這也很正常，比較香蕉和人的基因相似度也有50%-60%。當然演算法之間的相似度要比香蕉和人的相似度更大，畢竟人家都是優化演算法，有著相同的目標，只是實現方式不同。就像條條大路通羅馬，我們可以走去，可以坐汽車去，可以坐火車去，也可以坐飛機去，不管使用何種方式，我們都在去往羅馬的路上，也不會說坐飛機去要比走去更好，交通工具只是一個工具，最終的方案還是要看我們的選擇。

上面列舉了一些常見的演算法，即使你一個都沒見過也沒關系，後面會對它們進行詳細的介紹，但是對後面的分類可能會有些許影響，不過問題不大，就先當總結看了。
再對優化演算法分類之前，先介紹一下演算法的模型，在筆記（一）中繪制了優化演算法的流程，不過那是個較為簡單的模型，此處的模型會更加復雜。上面說了優化演算法有較大的相似性，這些相似性主要體現在演算法的運行流程中。
優化演算法的求解過程可以看做是一個群體的生存過程。

有一群原始人，他們要在野外中尋找食物，一個原始人是這個群體中的最小單元，他們的最終目標是尋找這個環境中最容易獲取食物的位置，即最易存活下來的位置。每個原始人都去獨自尋找食物，他們每個人每天獲取食物的策略只有採集果實、製作陷阱或者守株待兔，即在一天之中他們不會改變他們的位置。在下一天他們會根據自己的策略變更自己的位置。到了某一天他們又聚在了一起，選擇了他們到過的最容易獲取食物的位置定居。
一群原始人=優化演算法中的種群、群體；
一個原始人=優化演算法中的個體；
一個原始人的位置=優化演算法中個體的位置、基因等屬性；
原始人變更位置=優化演算法中總群的更新操作；
該位置獲取食物的難易程度=優化演算法中的適應度函數；
一天=優化演算法中的一個迭代；
這群原始人最終的定居位置=優化演算法所得的解。
優化演算法的流程圖如下：

對優化演算法分類得有個標准，按照不同的標准分類也會得到不一樣的結果。首先說一下我所使用的分類標准（動態更新，有了新的感悟再加）：

按由來分類比較好理解，就是該演算法受何種現象啟發而發明，本質是對現象分類。

可以看出演算法根據由來可以大致分為有人類的理論創造而來，向生物學習而來，受物理現象啟發。其中向生物學習而來的演算法最多，其他類別由於舉例有偏差，不是很准確，而且物理現象也經過人類總結，有些與人類現象相交叉，但仍將其獨立出來。
類別分好了，那麼為什麼要這么分類呢？

當然是因為要湊字數啦，啊呸，當然是為了更好的理解學習這些演算法的原理及特點。
向動物生存學習而來的演算法一定是一種行之有效的方法，能夠保證演算法的效率和准確性，因為，如果使用該策略的動物無法存活到我們可以對其進行研究，我們也無法得知其生存策略。（而這也是一種倖存者偏差，我們只能看到行之有效的策略，但並不是我們沒看到的策略都是垃圾，畢竟也發生過小行星撞地球這種小概率毀滅性事件。講個冷笑話開cou心一shu下:一隻小恐龍對他的小夥伴說，好開心，我最喜歡的那顆星星越來越亮了（完）。）但是由於生物的局限性，人們所創造出的演算法也會有局限性：我們所熟知的生物都生存在三維空間，在這些環境中，影響生物生存的條件比較有限，反應到演算法中就是這些演算法在解決較低維度的問題時效果很好，當遇到超高維（維度>500）問題時，結果可能不容樂觀，沒做過實驗，我也不敢亂說。

按更新過程分類相對復雜一點，主要是根據優化演算法流程中更新位置操作的方式來進行分類。更新位置的操作按我的理解可大致分為兩類：1.跟隨最優解；2.不跟隨最優解。
還是上面原始人的例子，每天他有一次去往其他位置狩獵的機會，他們採用何種方式來決定今天自己應該去哪裡呢？
如果他們的策略是「跟隨最優解」，那麼他們選取位置的方式就是按一定的策略向群體已知的最佳狩獵位置（歷史最佳）或者是當前群體中的最佳狩獵位置（今天最佳）靠近，至於是直線跑過去還是蛇皮走位繞過去，這個要看他們群體的策略。當然，他們的目的不是在最佳狩獵位置集合，他們的目的是在過去的途中看是否能發現更加好的狩獵位置，去往已經到過的狩獵地點再次狩獵是沒有意義的，因為每個位置獲取食物的難易程度是固定的。有了目標，大家都會朝著目標前進，總有一日，大家會在謀個位置附近相聚，相聚雖好但不利於後續的覓食容易陷入局部最優。
什麼是局部最優呢？假設在當前環境中有一「桃花源」，擁有上帝視角的我們知道這個地方就是最適合原始人們生存的，但是此地入口隱蔽「山有小口，彷彿若有光」、「初極狹，才通人。」，是一個難以發現的地方。如果沒有任何一個原始人到達了這里，大家向著已知的最優位置靠近時，也難以發現這個「桃源之地」，而當大家越聚越攏之後，「桃源」被發現的可能性越來越低。雖然原始人們得到了他們的解，但這並不是我們所求的「桃源」，他們聚集之後失去了尋求「桃源」的可能，這群原始人便陷入了局部最優。

如果他們的策略是「不跟隨最優解」，那麼他們的策略是什麼呢？我也不知道，這個應該他們自己決定。畢竟「是什麼」比「不是什麼」的范圍要小的多。總之不跟隨最優解時，演算法會有自己特定的步驟來更新個體的位置，有可能是隨機在自己附近找，也有可能是隨機向別人學習。不跟隨最優解時，原始人們應該不會快速聚集到某一處，這樣一來他們的選擇更具多樣性。
按照更新過程對上面的演算法分類結果如下

可以看出上面不跟隨最優解的演算法只有遺傳演算法和差分進化演算法，他們的更新策略是與進化和基因的重組有關。因此這些不跟隨最優解的演算法，他們大多依據進化理論更新位置（基因）我把他們叫做進化演算法，而那些跟隨群體最優解的演算法，他們則大多依賴群體的配合協作，我把這些演算法叫做群智能演算法。

目前我只總結了這兩種，分類方法，如果你有更加優秀的分類方法，我們可以交流一下：

目錄
上一篇 優化演算法筆記（一）優化演算法的介紹
下一篇 優化演算法筆記（三）粒子群演算法（1）

E. 蛙跳演算法的原理

蛙跳演算法的思想是：在一片濕地中生活著一群青蛙。濕地內離散的分布著許多石頭，青蛙通過尋找不同的石頭進行跳躍去找到食物較多的地方。每隻青蛙個體之間通過文化的交流實現信息的交換。每隻青蛙都具有自己的文化。每隻青蛙的文化被定義為問題的一個解。濕地的整個青蛙群體被分為不同的子群體，每個子群體有著自己的文化，執行局部搜索策略。在子群體中的每個個體有著自己的文化，並且影響著其他個體，也受其他個體的影響，並隨著子群體的進化而進化。當子群體進化到一定階段以後，各個子群體之間再進行思想的交流（全局信息交換）實現子群體間的混合運算，一直到所設置的條件滿足為止。

F. 鄒采榮的學術成果

一、發表論文(代表作10篇,部分檢索結果：1997開始至今被收錄SCI 33篇、EI 96篇、CPCI 29篇)：
1.Zou-CR, Plotkin-EI, Swamy-MNS, 2-D Fast Kalman Algorithms for Adaptive Parameter-Estimation of Nonhomogeneous Gaussian Markov Random-Field Model,IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS II-ANALOG AND DIGITAL SIGNAL PROCESSING , Vol.41, Iss. 10,pp 678-692,1994;
2. Zou-CR, Plotkin-EI, Swamy-MNS, He-ZY. Recursive-in- Order Least-Squares Parameter-Estimation Algorithm for 2-D Noncausal Gaussian Markov Random-Field Model, CIRCUITS SYSTEMS AND SIGNAL PROCESSING Vol.14 Iss.1,pp 87-110,1995;
3.Luo LJ,Lu Y,Zou CR, Image Sequence Macroblock Classification Using Neural Networks, SIGNAL PROCESSING,Vol.69, Iss. 2,pp.191-198,1998;
4.Wang ZH, He ZY, Zou CR, A Generalized Fast Algorithm for N-d Discrete Cosine Transform and Its Application to Motion Picture Coding, IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS II-ANALOG AND DIGITAL SIGNAL PROCESSING Vol.46, Iss.5, pp.617-627 ,1999;
5. Gao-XQ, Duanmu-CJ, Zou-CR, A Multilevel Successive Elimination Algorithm for Block Matching Motion Estimation, IEEE TRANSACTIONS ON IMAGE PROCESSING,Vol.9, Iss.3, pp.501-504, 2000;
6.Zheng WM, Zhou XY, Zou CR, Facial expression recognition using kernel canonical correlation analysis (KCCA),IEEE TRANSACTIONS ON NEURAL NETWORKS ,Vol.17,pp.233-238,2005;
7.He, Yunhui, Zhao, Li, Zou, Cairong, Face recognition using common faces method,PATTERN RECOGNITION, Vol.39, Iss.11, pp.2218-2222, 2006;
8.Wei Xin, Zhao Li, Zou Cairong,Blind Multiple Access Interference Suppression Algorithm Based on Relaxed Subgradient Projection for DS/CDMA Systems, CIRCUITS SYSTEMS AND SIGNAL PROCESSING Vol.29, Iss.4 pp.769-780,2010;
9.Sun Ning, Ji Zhen-hai, Zou Cai-rong , Two-dimensional Canonical Correlation Analysis and Its Application in Small Sample Size Face Recognition, NEURAL COMPUTING & APPLICATIONS,Vol.19,Iss.3,pp.377-382,2010;
10.Cairong Zou, Chengwei Huang, Dong Han, Li Zhao. Detecting Practical Speech Emotion in a Cognitive Task, Computer Communications and Networks (ICCCN), 2011 Proceedings of 20th International Conference on, Maui, HI, USA, 2011。
二、授權發明專利：
1.一種基於二維偏最小二乘法的面部表情識別方法;
2.一種基於加權主動形狀建模的人臉特徵定位方法;
3.一種人臉身份和表情的同步識別方法;
4.一種雷達脈內調制信號的特徵提取方法;
5.一種基於改進Fukunage-koontz變換的語音情感識別系統;
6.淺海水聲通信系統的間接自適應均衡方法;
7.水聲網路中的節能的媒質訪問控制方法;
8.基於JND和AR模型的感知視頻壓縮方法;
9.基於改進的VLS的立體視頻編碼方法;
10.一種基於支持矢量基的語音情感識別方法;
11.一種適用於中國數字電視地面廣播國家標準的同步方法;
12.基於分數傅里葉變換的二維維納濾波的取證語音增強方法;
13.一種加權次梯度投影的數字助聽器回聲路徑估計方法;
14.基於改進BP演算法的中間視合成方法;
15.一種基於CDMA水聲網路的媒質訪問控制方法。
三、已授權實用新型專利3項：
1.超高精度壓力計量校準儀;
2.新型滴眼裝置;
3.帶有信息檢索的智能電視終端。
四、已授權外觀設計專利1項：
1.活頁式電子樂譜。
五、已登記軟體著作權1項：
1.MusicPro電子樂譜系統軟體V1.0(登記號：2008SR38814)。
六、正在申請並受理發明專利15項：
1.基於樂符知識及雙投影法的樂符基元分割方法;
2.一種基於心電信號與語音信號的雙模態情感識別方法;
3.一種針對煩躁情緒的可據判的自動語音情感識別方法;
4.基於情感對特徵優化的語音情感分類方法;
5.一種分數傅里葉變換上的時頻域掩蔽信息隱藏方法;
6.一種基於分數傅里葉變換域的隱秘信號同步方法;
7.基於分段投影與樂符結構的譜線檢測及刪除方法;
8.基於行遊程鄰接表的樂譜快速連通域分析方法;
9.一種基於多變數統計的助聽器聲源定位方法;
10.一種基於壓縮感測的助聽器聲源定位方法;
11.一種認知無線電功率控制方法;
12.一種基於雲理論與分子動力學模擬的混合蛙跳演算法;
13.基於特徵空間自適應投影的語音情感識別方法;
14.一種跨語言的語音情感識別方法;
15.負面情緒檢測中的基於上下文修正的語音情感識別方法。
七、科技獲獎：
1.「基於面部表情和情感語音的兒童情緒能力分析與分類的研究」獲2009年度江蘇省科學技術進步二等獎.排名 第一;
2.「情感特徵分析與識別的理論與應用」獲2008年教育部自然科學二等獎 排名 第一;
3.「多維數字信號處理的理論與應用研究」 獲1998年國家教育部科技進步(基礎類)二等獎 排名第三;
4.「盲信號模型參數估計的方法研究」獲2000年中國高校科學技術獎勵委員會二等獎 排名第四;
5.「小波與濾波器組的理論及其應用研究」獲2006年教育部自然科學二等獎 排名 第三;
6.「神經網路理論及其智能信息處理應用基礎」獲1998年國家教育部科技進步(基礎類)一等獎 排名第二十二。
八、參編著作：
1.《多維數字信號處理》，何振亞主編，國防工業出版社 1995。獲江蘇省優秀教材一等獎、教育部2001年優秀教材一等獎。