粒子群優(yōu)化算法的改進(jìn)及其在圖像中的應(yīng)用研究.pdf

1、群體智能優(yōu)化算法的基本思想是模擬自然界的群體行為來構(gòu)造隨機(jī)優(yōu)化算法。典型的群體智能優(yōu)化算法有M.Dorigo提出的蟻群算法(Ant Colony Optimization,ACO)和J.Kennedy與R.Eberhart提出的粒子群算法(Particle Swarm Optimization,PSO)。近年來，群體智能優(yōu)化算法在很多領(lǐng)域都得到了有效的研究和應(yīng)用，已經(jīng)成為人工智能以及經(jīng)濟(jì)、社會學(xué)、生物科學(xué)、計算機(jī)科學(xué)等交叉學(xué)科的研究熱點(diǎn)

2、。研究群體智能優(yōu)化算法內(nèi)在的原理，探索算法的改進(jìn)措施，不僅可以改進(jìn)群智能優(yōu)化算法的優(yōu)化性能，更為其應(yīng)用于大規(guī)模的組合優(yōu)化問題等提供了可能性。
　　 本文主要研究量子行為粒子群算法(Quantum-behaved Particle Swarm Optimization，QPSO)，分析研究了算法的基本原理，針對該算法執(zhí)行過程中可能出現(xiàn)的早熟問題，提出了幾種算法的改進(jìn)方法；與此同時，為了進(jìn)一步提高算法的速度，對該算法的并行化進(jìn)行了研

3、究，以進(jìn)一步提高算法的全局性和性能，在上述研究的基礎(chǔ)上，對它在實際優(yōu)化問題中的應(yīng)用進(jìn)行了研究。主要研究內(nèi)容包括：
　　 (1)針對算法在解一些多峰函數(shù)或具有局部最優(yōu)解的復(fù)雜優(yōu)化問題時，因mbest參數(shù)而存在粒子快速收斂于局部最優(yōu)解趨于同一化，導(dǎo)致算法在后期的收斂速度和搜索能力變差的缺點(diǎn)。提出了基于鄰域模型的QPSO算法(Neigborhood Topology QPSO，NQPSO)。通過動態(tài)調(diào)整算法的鄰域，使得算法保持多個吸引

4、子來避免早熟，增強(qiáng)了個體的尋優(yōu)能力。實驗證明，該算法有效地提高了種群的多樣性，其全局搜索能力和局部搜索能力均優(yōu)于QPSO和SPSO算法，尤其體現(xiàn)在解決高維的優(yōu)化問題。
　　 (2)針對算法可能的早熟問題，提出了它的一種改進(jìn)算法。即在算法中引入Gauss擾動，通過施加于群體的平均最好位置上的擾動，使得粒子種群保持群體的活性與多樣性，從而防止算法早熟的發(fā)生。對一些標(biāo)準(zhǔn)測試函數(shù)的仿真實驗表明，改進(jìn)算法的性能比一般QPSO算法有所提高。

5、
　　 (3)提出了算法的另外兩種改進(jìn)，即具有多階段的QPSO算法(A Multi-PhasedQPSO，MQPSO)以及多樣性維持的QPSO算法(Diversity-Maintained QPSO，DMQPSO)。前者引入了多個子群體和多個搜索階段，使群體能保持持續(xù)的搜索能力；后者通過對群體多樣性的控制，使之維持在一定的水平，同樣能保持粒子群的持續(xù)運(yùn)行能力。這兩種方法是防止早熟收斂的有效方法并且可能在很多方面使得算法性能得到提

6、高。
　　 (4)研究了算法的并行化處理方法，通過研究常用和較新出現(xiàn)的進(jìn)化算法的并行化方法，利用島嶼模型將粒子群分割成若干子群體，每個子群體分別在不同的處理機(jī)上進(jìn)行搜索，定期相互交換信息，從而維持整個群體的多樣性，提高算法的性能。與此同時，利用群體智能算法內(nèi)在的并行性，設(shè)計和構(gòu)建了基于動態(tài)鄰域拓?fù)浣Y(jié)構(gòu)的并行計算模型，分別采用MPI、OpenMP以及MPI+OpenMP混合編程實現(xiàn)了基于鄰域模型的并行QPSO算法。實驗顯示基于鄰域

7、模型的并行QPSO算法在求解非線性優(yōu)化問題上表現(xiàn)出良好的性能。
　　 (5)研究了算法在實際優(yōu)化問題中的應(yīng)用，包括圖像對準(zhǔn)、圖像分割等，仿真實驗顯示，QPSO算法及其改進(jìn)能有效的應(yīng)用于圖像處理等實際優(yōu)化問題。
　　 文章首先介紹課題的研究背景、研究目標(biāo)，以及常用進(jìn)化算法。第二章介紹PSO算法的基本原理和實現(xiàn)方式，然后介紹基于Delta勢阱的量子行為PSO算法，即QPSO算法的基本原理。第三章針對QPSO算法存在的問題，在

8、算法中引入了動態(tài)可變的鄰域拓?fù)淠Ｐ秃退阕?，提出了基于鄰域模型的QPSO算法。第四章針對算法在運(yùn)行過程中存在的多樣性缺失問題，提出利用高斯擾動來改善算法運(yùn)行過程中粒子的多樣性，即帶有高斯擾動的QPSO算法(GQPSO)。給出了GQPSO算法的基本原理和工作流程，然后給出了三種方法加入高斯擾動，最后利用標(biāo)準(zhǔn)測試函數(shù)對三種算法的性能進(jìn)行了實驗測試。第五章將算法進(jìn)行階段劃分，通過不同階段的參數(shù)設(shè)置，改善算法的性能，提出了多階段QPSO算法，利用

9、兩種方法來改進(jìn)QPSO算法的性能，一種是維持粒子群多樣性的方法來提高QPSO算法的全局搜索能力，稱之為DQPSO算法。另一種是具有多群體和多階段的量子行為的QPSO算法(MQPSO)。第六章根據(jù)大規(guī)模復(fù)雜優(yōu)化問題對算法速度和時間上的要求，研究算法的并行化方法，以提高算法的性能和速度。第七章詳細(xì)描述了算法在實際優(yōu)化問題中的應(yīng)用，如約束函數(shù)優(yōu)化、醫(yī)學(xué)圖像配準(zhǔn)、圖像分割等方面的具體應(yīng)用。本章對QPSO算法、并行QPSO算法在圖像處理領(lǐng)域的應(yīng)用