粒子群算法優(yōu)化及其在圖像檢索中的應(yīng)用研究.pdf

1、粒子群優(yōu)化算法是一種基于群體智能的進化計算技術(shù)，是受到了鳥類規(guī)律性集群活動的啟發(fā)，進而在群體智能基礎(chǔ)上建立的數(shù)學模型。粒子群優(yōu)化算法在對動物群體行為觀察的基礎(chǔ)上，利用了群體中個體間的信息共享，使整個群體在求解空間中呈現(xiàn)從無序到有序的進化過程，進而得到問題的最優(yōu)解。該算法的優(yōu)勢在于簡單、容易實現(xiàn)并且沒有過多參數(shù)需要調(diào)整。目前已被廣泛應(yīng)用于函數(shù)優(yōu)化，組合優(yōu)化，神經(jīng)網(wǎng)絡(luò)訓練，模糊系統(tǒng)控制等領(lǐng)域。然而粒子群算法在理論與實踐上都不夠成熟，在使用粒

2、子群算法解決實際問題，尤其是復雜優(yōu)化問題時，存在早熟、收斂精度低和收斂速度慢等問題。因此，如何有效地改進粒子群算法以使其能夠更好地求解實際問題，成為了近年來該領(lǐng)域?qū)＜抑攸c研究的問題。
　　針對粒子群算法存在的上述問題，本文提出了一種采用混沌搜索的自適應(yīng)粒子群優(yōu)化算法。該算法采用了均勻設(shè)計的思想構(gòu)造初始種群，使初始種群更均勻地分布在搜索空間中，從而增加了初始種群的多樣性，增強了算法的全局搜索能力；在算法迭代過程中設(shè)計了自適應(yīng)因子，并

3、結(jié)合凹函數(shù)的特性改進了慣性權(quán)值的更新策略，使慣性權(quán)值的更新更符合種群進化的特征，提高了算法的搜索效率；在算法搜索過程中提出了采用混沌擾動的局部搜索策略，利用了混沌的不可預(yù)測性，有效地避免了算法過早陷入局部最優(yōu)解的現(xiàn)象，從而提高了收斂精度。實驗結(jié)果表明，本文提出的算法能夠更快、更準確地收斂并有效地克服早熟現(xiàn)象。
　　隨著計算機和網(wǎng)絡(luò)技術(shù)的不斷發(fā)展，數(shù)字圖像等多媒體技術(shù)被廣泛應(yīng)用。如何有效地組織、管理以及查找圖像成為亟待解決的問題。圖

4、像檢索技術(shù)在這樣的背景下被提出。鑒于粒子群算法的并行搜索及學習進化特性，本文提出了基于改進的粒子群算法的圖像檢索方法。在基于內(nèi)容的圖像檢索領(lǐng)域，采用單一的顏色視覺特征往往不能明確地表達圖像的內(nèi)容，融合多種特征的圖像檢索技術(shù)成為了研究的熱點。本文設(shè)計了圖像的不變矩向量作為圖像的特征，兼顧了顏色及其空間分布等信息。在圖像特征提取時，對圖像進行幾何分割，計算各圖像塊的顏色矩、圖像邊緣和信息熵等不變量構(gòu)造圖像的特征向量。并采用了本文改進的粒子群