粒子群算法改進(jìn)研究及其在圖像檢索中的應(yīng)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(dāng)今的優(yōu)化領(lǐng)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(jìn)的PSO算法應(yīng)運而生，但是這些改進(jìn)算法仍存在計算復(fù)雜度高、收斂速度慢等缺點，因此對粒子群算法進(jìn)行有效的改進(jìn)仍然是目前學(xué)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(xué)習(xí)因子的粒子群改進(jìn)算法”。該算法首先利用粒子適應(yīng)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(jìn)化表現(xiàn)差的粒子從而加快其收斂速度；用“認(rèn)知模型”進(jìn)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(jìn)化的粒子，采用動態(tài)調(diào)整學(xué)習(xí)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(fù)實驗分析，得出學(xué)習(xí)因子隨著進(jìn)化推進(jìn)的最優(yōu)變化規(guī)律，并給出了學(xué)習(xí)因子的最佳函數(shù)

3、表達(dá)式。仿真結(jié)果表明，利用本文提出改進(jìn)的PSO算法優(yōu)化4種具有代表性的基準(zhǔn)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(jìn)行預(yù)處理，用預(yù)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(jìn)行編碼，把目標(biāo)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(jìn)行適應(yīng)度評價，采用這種方式一來解決了算法適應(yīng)度函數(shù)難于構(gòu)造的問題；二來保證了適應(yīng)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(jìn)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