粒子群算法及其在圖像分割中的應(yīng)用與研究.pdf

1、粒子群優(yōu)化算法源于鳥群和魚群群體運動行為的研究，是一種新的群體智能優(yōu)化算法，是演化計算領(lǐng)域中的一個新的分支。它的主要特點是原理簡單、參數(shù)少、收斂速度快，所需領(lǐng)域知識少。該算法的出現(xiàn)引起了學者們極大的關(guān)注，已在函數(shù)優(yōu)化、神經(jīng)網(wǎng)絡(luò)訓練、組合優(yōu)化、機器人路徑規(guī)劃等領(lǐng)域獲得了廣泛應(yīng)用，并取得了較好的效果。盡管粒子群優(yōu)化算法發(fā)展近十年，但無論是理論分析還是實踐應(yīng)用都尚未成熟，有大量的問題值得研究。
　　 本文從算法機理、算法改進和算法應(yīng)用

2、等方面對其進行了系統(tǒng)性的研究。此外，圖像分割是圖像分析和模式識別的首要問題，也是圖像處理的經(jīng)典難題之一。本文將微粒群算法和圖像分割法相結(jié)合，提出了基于改進PSO算法的分割算法，在取得良好的分割效果的同時，運用算法的并行搜索機制顯著的提高了分割速度。論文具體內(nèi)容如下：
　　 (1)對粒子群算法及其理論基礎(chǔ)(優(yōu)化方法和進化計算)進行了詳細的綜述。首先本文概述了優(yōu)化方法的產(chǎn)生和發(fā)展，著重介紹了優(yōu)化方法的基本思想、研究領(lǐng)域、應(yīng)用發(fā)展情況

3、；闡述了進化計算的產(chǎn)生、定義以及研究內(nèi)容，并介紹了幾種典型的進化計算方法，包括遺傳算法、進化策略、微分進化等；最后介紹了粒子群優(yōu)化算法，闡述了粒子群優(yōu)化算法的起源，介紹了粒子群優(yōu)化算法的初始版本和標準版本，從理論研究和應(yīng)用研究的角度綜述了粒子群優(yōu)化研究的現(xiàn)狀，總結(jié)了標準粒子群優(yōu)化算法存在的問題。同時本文使用了蒙特卡羅方法對粒子的行為進行了研究，結(jié)果顯示PSO算法在迭代后期具有搜索能力較弱的缺點，同時也給出了如何提高PSO算法收斂性的方法

4、。此外，九個標準測試函數(shù)用來測試PSO算法和其他幾種流行的進化計算方法的性能，結(jié)果驗證了PSO有著其他進化算法無法比擬的快速收斂等特性。
　　 (2)盡管PSO算法比其他算法對復雜函數(shù)有著較強的尋優(yōu)能力以及收斂速度快等特點，但是它依然無法保證在搜索空間中找到全局最優(yōu)點。因此在本文中引入了具有著更強全局搜索能力的QPSO算法來進行研究改進。但是由于QPSO同PSO算法一樣的是，它也把粒子作為一個整體來進行更新，因此QPSO算法同樣

5、具有維數(shù)限制的缺點。通過把一個具有復雜高維的粒子分解為多個一維的子個體進行優(yōu)化，使用協(xié)作方法的QPSO算法能夠很好的克服這一缺點。八個測試函數(shù)以及應(yīng)用于圖像分割領(lǐng)域的最大類間方差法(OTSU方法)在本文中用來測試改進以后的QPSO算法的成績。仿真結(jié)果表明，與其他算法比較來看，協(xié)作方法幫助QPSO算法獲得更精確的解。它同樣也克服了OTSU方法受維數(shù)束縛的缺陷。
　　 (3)在分析了粒子群全局收斂能力的基礎(chǔ)之上，針對粒子群算法局部收

6、斂和搜索精度低的問題，提出了一種全局的基于Gaussian變異的粒子群算法(GGPSO).該算法結(jié)合了局部和全局變異因子使算法在全局和局部搜索能力中找到了一個很好的平衡，并證明了它能以概率1收斂到全局最優(yōu)解。典型函數(shù)優(yōu)化的仿真結(jié)果表明，該算法不僅可有效的避免標準PSO算法的早熟收斂，而且具有尋優(yōu)能力強、搜索精度高、穩(wěn)定性好等優(yōu)點。同時針對圖像信息處理中的圖象分割這一難點問題，以Kapur算法為優(yōu)化目標，驗證了該算法克服了圖象分割中尋優(yōu)速

7、度慢的缺點，與其他群體算法比較獲得了更大的適應(yīng)度函數(shù)值。因此，該算法更適合于圖像分割以及相關(guān)的函數(shù)優(yōu)化問題。
　　 (4)在分析了粒子群收斂性的基礎(chǔ)之上，針對粒子群(PSO)算法后期搜索能力下降的問題，提出了一種基于適度隨機搜索策略的粒子群算法(IRPSO).該方法在提高粒子群算法收斂速度的前提下，有效的提高了粒子的全局搜索能力。另外，由于該方法只有一個控制參數(shù)和迭代公式，因此更為簡單易實現(xiàn)。典型函數(shù)優(yōu)化的仿真結(jié)果表明，該算法相