粒子群算法改進研究及其在圖像檢索中的應用.pdf

1、粒子群優(yōu)化算法(Particle Swarm Optimization，以下簡稱PSO算法)模擬了生物界中鳥群覓食的過程實現(xiàn)了問題尋優(yōu)，其算法操作簡單、涉及參數(shù)少，因此在當今的優(yōu)化領域中受到越來越多人的關(guān)注。PSO算法的主要缺點是易于陷入局部最優(yōu)解、收斂精度低。為此一些改進的PSO算法應運而生，但是這些改進算法仍存在計算復雜度高、收斂速度慢等缺點，因此對粒子群算法進行有效的改進仍然是目前學者研究的一個熱點。 本文針對粒子群算法在

2、陷入局部最優(yōu)時難于跳出的缺陷，提出了一種“基于種群分類與動態(tài)學習因子的粒子群改進算法”。該算法首先利用粒子適應值的統(tǒng)計規(guī)律將粒子分成好、適中、差3類，用“社會模型”進化表現(xiàn)差的粒子從而加快其收斂速度；用“認知模型”進化表現(xiàn)好的粒子從而提高其收斂精度；而對于利用“完全模型”進化的粒子，采用動態(tài)調(diào)整學習因子的方法，從而大大提高了算法的優(yōu)化效率和優(yōu)化精度。本文通過反復實驗分析，得出學習因子隨著進化推進的最優(yōu)變化規(guī)律，并給出了學習因子的最佳函數(shù)

3、表達式。仿真結(jié)果表明，利用本文提出改進的PSO算法優(yōu)化4種具有代表性的基準函數(shù)，無論是在優(yōu)化精度方面還是在優(yōu)化效率方面，均較PSO—σ算法在性能上有本質(zhì)的提高。 鑒于PSO算法“并行搜索”和“具有記憶”的特性，本文還提出一種“基于粒子群算法的交互式圖像檢索方法”，該方法首先采用“變均分單元”法對圖像進行預處理，用預處理后得到的圖像矩陣形成特征向量，用特征向量對粒子進行編碼，把目標圖像看成問題的解，檢索圖像的過程就可以看成是利用粒

4、子群算法在特征空間搜尋最優(yōu)解的過程。在檢索過程中，該方法采用人機交互的方式對粒子(即圖像)進行適應度評價，采用這種方式一來解決了算法適應度函數(shù)難于構(gòu)造的問題；二來保證了適應性評價的客觀性。該方法將PSO算法“并行搜索”和“具有記憶”的特性與人機交互的檢索方式結(jié)合，從而保證了檢索到的圖像和人們的檢索意圖一致。最后通過對基于遺傳算法的交互式檢索方法與本文提出方法進行仿真對比，證實了本文提出的檢索方法在基于內(nèi)容的圖像檢索中的有效性。目前國內(nèi)外