改进离散灰狼算法的初始化方法

假设狼群的规模为SN。为了完成狼群捕食行为，必须根据实际应用对α、β、δ和ω四个种群的灰狼进行初始化。在MT分割领域，初始化的SN个可行解（即狼的位置）用一组阈值（i=1，2，…，SN）表示。其计算公式如公式4.11所示。区别于GWO，MT分割的阈值是一组离散量，且全部用整数来表示（图像的灰度值为0～255之间的整数，因此阈值一般也会用整数来表示）。为了将连续灰狼算法离散化，在种群初始化过程中，按照公式4.11所产生的实数类型的数据以向零取整的方式实现离散化。

式中，被定义为向零取整；rand（SN，1）为随机数产生函数；ub和lb为阈值的上界和下界。在MT分割问题中，ub和lb分别取值为255和0。设置上界和下界的目的主要是为了在算法迭代的过程中，保证阈值不会超出图像灰度等级的合理范围。

经过公式4.11的初始化，由于rand（SN，1）随机函数的存在，可能会出现超出［lb，ub］区间的情况。如果初始化阈值在［lb，ub］范围之内，则继续执行算法后续过程；否则使用公式4.12将超出合理取值范围的阈值重新初始化，同时将重新计算的阈值进行向零取整操作，然后继续执行算法的后续步骤。(www.xing528.com)

与第2章中采用的方法类似，基于MDGWO的适应度值函数如公式4.13所示。在每次迭代过程中，前三位的最优解被分别赋值给与此同时三个最优解的适应度值和对应阈值被作为经验值记录下来。

其中，由公式3.5（MQABC中定义的Kapur熵）和公式4.7（Otsu方法）计算得到。