粒子群优化算法的改进在图像中应用与研究.pdf

摘要 摘要 群体智能优化算法的基本思想是模拟自然界的群体行为来构造随机优化算法。典型 的群体智能优化算法有M．Dorigo提出的蚁群算法(AntColony Swarm J．Kennedy与R．Ebcrhart提出的粒子群算法(Particle 群体智能优化算法在很多领域都得到了有效的研究和应用，已经成为人工智能以及经 济、社会学、生物科学、计算机科学等交叉学科的研究热点。研究群体智能优化算法内 在的原理，探索算法的改进措施，不仅可以改进群智能优化算法的优化性能，更为其应 用于大规模的组合优化问题等提供了可能性。 ParticleSwarm 本文主要研究量子行为粒子群算法(Quantum-behavedOptimization， QPSO)，分析研究了算法的基本原理，针对该算法执行过程中可能出现的早熟问题，提 出了几种算法的改进方法；与此同时，为了进一步提高算法的速度，对该算法的并行化 进行了研究，以进一步提高算法的全局性和性能，在上述研究的基础上，对它在实际优 化问题中的应用进行了研究。主要研究内容包括： (1)针对算法在解一些多峰函数或具有局部最优解的复杂优化问题时，因mbest 参数而存在粒子快速收敛于局部最优解趋于同一化，导致算法在后期的收敛速度和有哪些信誉好的足球投注网站 TopologyQPSO， 能力变差的缺点。提出了基于邻域模型的QPSO算法(Neighborhood NQPSO)。通过动态调整算法的邻域，使得算法保持多个吸引子来避免早熟，增强了个 体的寻优能力。实验证明，该算法有效地提高了种群的多样性，其全局有哪些信誉好的足球投注网站能力和局部 有哪些信誉好的足球投注网站能力均优于QPSO和SPSO算法，尤其体现在解决高维的优化问题。 (2)针对算法可能的早熟问题，提出了它的一种改进算法。即在算法中引入Gauss 扰动，通过施加于群体的平均最好位置上的扰动，使得粒子种群保持群体的活性与多样 性，从而防止算法早熟的发生。对一些标准测试函数的仿真实验表明，改进算法的性能 比一般QPSO算法有所提高。 Multi．Phased (3)提出了算法的另外两种改进，即具有多阶段的QPSO算法(A QPSO，DMQPSO)。 前者引入了多个子群体和多个有哪些信誉好的足球投注网站阶段，使群体能保持持续的有哪些信誉好的足球投注网站能力；后者通过对群 体多样性的控制，使之维持在一定的水平，同样能保持粒子群的持续运行能力。这两种 方法是防止早熟收敛的有效方法并且可能在很多方面使得算法性能得到提高。 (4)研究了算法的并行化处理方法，通过研究常用和较新出现的进化算法的并行 化方法，利用岛屿模型将粒子群分割成若干子群体，每个子群体分别在不同的处理机上 进行有哪些信誉好的足球投注网站，定期相互交换信息，从而维持整个群体的多样性，提高算法的性能。与此同 时，利用群体智能算法内在的并行性，设计和构建了基于动态邻域拓扑结构的并行计算 行QPSO算法。实验显示基于邻域模型的并行QPSO算法在求解非线性优化问题上表现 出良好的性能。 摘要 (5)研究了算法在实际优化问题中的应用，包括图像对准、图像分割等，仿真实 验显示，QPSO算法及其改进能有效的应用于图像处理等实际优化问题。 文章首先介绍课题的研究背景、研究目标，以及常用进化算法。第二章介绍PSO 算法的基本原理和实现方式，然后介绍基于Delta势阱的量子行为PSO算法，即QPSO 算法的基本原理。第三章针对QPSO算法存在的问题，在算法中引入了动态可变的邻域 拓扑模型和算子，提出了基于邻域模型的QPSO算法。第四章针对算法在运行过程中存 在的多样性缺失问题，提出利用高斯扰动来改善算法运行过程中粒子的多样性，即带有 出了三种方法加入高斯扰动，最后利用标准测试函数对三种算法的性能进行了实验测 试。第五章将算法进行阶段划分，通过不同阶段的参数设置，改善算法的性能，提出了 多阶段QPS