---

1.摘要

本文提出了一种基于Otsu方法的多阈值图像分割改进鲸鱼优化算法（RAV-WOA）。RAV-WOA算法能够在分割灰度图像和彩色图像时，自动选择最优阈值，并确保高效性和高质量。本文引入了反向学习策略来优化鲸鱼种群的初始化，提升了初始种群的质量。此外，针对全局搜索能力和局部开发能力的平衡问题，同时加入了自适应加权策略会根据适应度值和迭代次数进行动态调整。

2.鲸鱼优化算法WOA原理

SCI二区|鲸鱼优化算法（WOA）原理及实现

3.改进策略

自适应加权策略

本文提出了一种可变自适应权重机制，用于动态调整领头鲸的最优位置。当领头鲸远离最优位置时，自适应权重会对其产生较强的扰动；而当领头鲸接近最优位置时，扰动则会减弱。在鲸鱼搜索猎物时，首先根据适应度值对个体鲸鱼进行排序，并将当前处于最佳和最差位置的鲸鱼划分为三等份，得到适应度阈值$s_1$和$s_2$，其中$s_1<s_2$。然后，当前鲸鱼的位置与这两个阈值$s_1$和$s_2$进行比较，从而实现动态的自适应位置更新。
$$\omega =\{\begin{array}{llc}{\omega }_{avg}+({\omega }_{avg}-{\omega }_{\min })\frac{f_i-s_1}{f_{\min }-s_1}& f_i<s_1& \\ \tau (\frac{t-t_{\max }}{ϵ-t_{\max }})+\phi (\frac{f_i-s_1}{s_2-f_i})& s_1<f_i<s_2& \\ {\omega }_{avg}-({\omega }_{\max }-{\omega }_{avg})(\frac{f_i-s_2}{f_{\max }-s_2})& f_i>s_2& \end{array}$$

自适应权重策略被应用于鲸鱼的螺旋狩猎行为和周围的狩猎行为，鲸鱼位置更新：
$$\{\begin{array}{ll}X(t+1)& =\omega \cdot X(t)-A\cdot Difp\le ath\\ & \\ X(t+1)& =D^{\prime }\cdot e^{bl}\cdot \cos (2\pi l)+\omega \cdot X^{\ast }(t)ifp>ath\end{array}$$

水平交叉和垂直交叉策略

在鲸鱼优化算法（WOA）中，处于最优位置的鲸鱼对整个种群起着引导作用。如果此时最优位置的鲸鱼陷入局部最优解，其他鲸鱼个体将会向局部最优解聚集，从而导致种群多样性的降低。为了平衡算法的全局开发能力与局部搜索能力，引入了水平交叉和垂直交叉策略。水平交叉策略允许种群在搜索空间的边界时增强算法的全局搜索能力，而垂直交叉策略则允许种群在不同维度之间进行交叉操作，帮助种群在某一维度上跳出局部最优解。通过比较水平交叉和垂直交叉策略产生的最优解与其父代个体，选择较优的结果作为算法的最优解。
$$\begin{array}{rl}{E}_{i,d}^{hc}& =u_1\cdot Q_{i,d}+(1-u_1)\cdot Q_{j,d}+v_1\cdot (Q_{i,d}-Q_{j,d})\\ E_{j,d}^{hc}& =u_2\cdot Q_{j,d}+(1-u_2)\cdot Q_{i,d}+v_2\cdot (Q_{j,d}-Q_{i,d})\end{array}$$

$$Q_{i,d_1}^{vc}=q\cdot Q_{i,d_1}+(1-q)\cdot Q_{i,d_2}$$

流程图

4.结果展示

CEC2019

图像分割

5.参考文献

[1] Ma G, Yue X. An improved whale optimization algorithm based on multilevel threshold image segmentation using the Otsu method[J]. Engineering Applications of Artificial Intelligence, 2022, 113: 104960.

6.代码获取