Details

Данная работа посвящена модификации метода разностной эволюции, реализованном в программном пакете DEEP, путём внедрения адаптивного разбиения набора индивидов на субпопуляции, а также разработке модификации метода для решения задачи пороговой сегментации изображений. В ходе работы был разработан программный код на языке C, реализующий данную модификацию, и программный код на языке Python, реализующий сегментацию изображений. Для проверки влияния данной модификации на производительность алгоритма были проведены численные эксперименты по оптимизации параметров тестовой функции Растригина и проанализированы полученные результаты. Также модифицированный метод был использован для сегментации изображений. Показано, что внедрение адаптивного разбиения набора индивидов на субпопуляции позволяет снизить количество итераций, необходимых для до-стижения оптимума тестовой функции, кроме того, модифицированный ме-тод разностной эволюции может успешно применяться для решения задачи поиска пороговых уровней для сегментации изображений.

This work is devoted to the modification of the method of difference evolution, implemented in the DEEP software package, by introducing adaptive partitioning of a set of individuals into subpopulations, as well as the development of a modification of the method for solving the problem of threshold segmentation of images. In the course of the work, a program code in the C language was developed that implements this modification, and a program code in Python that implements image segmentation. To test the effect of this modification on the performance of the algorithm, numerical experiments were carried out to optimize the parameters of the Rastrigin test function and the results obtained were analyzed. A modified method was also used for image segmentation. It is shown that the introduction of adaptive partitioning of a set of individuals into subpopulations reduces the number of iterations necessary to achieve the optimum of the test function, in addition, the modified method of difference evolution can be successfully used to solve the problem of finding threshold levels for image segmentation.