改進(jìn)的粒子群算法及在圖像聚類的應(yīng)用.pdf

1、智能計(jì)算算法是受到大自然智慧啟發(fā)而設(shè)計(jì)出的算法，近十幾年取得了非常廣泛的應(yīng)用。粒子群算法作為智能計(jì)算算法中的典型代表，受到廣大學(xué)者的關(guān)注，主要集中表現(xiàn)在粒子群算法的改進(jìn)，及在不同應(yīng)用領(lǐng)域性能的提升。由于數(shù)據(jù)優(yōu)化問題不受專業(yè)性限制，便于研究成果的交流，已成為驗(yàn)證算法性能的首選測(cè)試方案；圖像聚類問題是一類重要的應(yīng)用問題，符合現(xiàn)階段信息時(shí)代下實(shí)際的要求，適合測(cè)試不同算法性能，且可以應(yīng)用到醫(yī)療和設(shè)計(jì)等領(lǐng)域。
　　本文研究現(xiàn)有的粒子群算法，

2、并提出改進(jìn)策略，將其應(yīng)用到數(shù)值優(yōu)化問題與圖像聚類問題，具體工作包括如下。
　　第一，分析比較了目前常用的幾種粒子群算法，為改進(jìn)算法提供思路。
　　分析了標(biāo)準(zhǔn)的粒子群算法及改進(jìn)算法的原理、過程和結(jié)論，改進(jìn)的算法包括：按比例隨機(jī)初始化粒子群算法、基于個(gè)體極值中心點(diǎn)和全局極值點(diǎn)的粒子群算法、粒子群算法與差分進(jìn)化相結(jié)合的混合算法、動(dòng)態(tài)改變慣性權(quán)重的自適應(yīng)粒子群算法、參考粒子與歷史最優(yōu)粒子距離相結(jié)合的粒子群算法、重構(gòu)慣性權(quán)重函數(shù)粒子群

3、優(yōu)化算法、增加粒子釋放和速度限制策略的粒子群算法。
　　第二，提出基于適應(yīng)值引導(dǎo)的粒子群算法，并將其用于求解數(shù)值優(yōu)化問題。
　　通過比較上述算法的設(shè)計(jì)思路，粒子群算法改進(jìn)方式分為兩種：基于粒子群產(chǎn)生過程的增加粒子群的多樣性和動(dòng)態(tài)改變權(quán)衡系數(shù)的值。在進(jìn)化過程中通過增加粒子群多樣性，避免算法由于粒子進(jìn)入早熟，同時(shí)通過權(quán)衡系數(shù)調(diào)節(jié)算法的全局搜索與局部搜索能力，最終實(shí)現(xiàn)算法收斂。
　　本文分析認(rèn)為：交換信息的侯選粒子應(yīng)與本粒子

4、相距最近，且適應(yīng)值高于本粒子的粒子，在此假設(shè)的基礎(chǔ)上，提出了基于適應(yīng)值引導(dǎo)的粒子群算法。在未增加控制參數(shù)，無(wú)人工干預(yù)的前提下，以全局最優(yōu)解為探索方向的出發(fā)點(diǎn)，配合粒子全局最優(yōu)解、粒子歷史最好解、相鄰粒子共同參與，以改變粒子的位置，增加了粒子多樣性。通過非約束性函數(shù)與約束函數(shù)的數(shù)值優(yōu)化問題證明各比較算法的優(yōu)劣性。
　　第三，改進(jìn)模糊集粒子群算法，用于求解圖像聚類問題。
　　本文分析基于模糊集粒子群算法求解圖像聚類問題的實(shí)現(xiàn)過程