仿生優(yōu)化算法在平版印刷專色配色及油墨預置中的應用研究.pdf

1、近幾年來，人工智能技術得到了長足的發(fā)展，特別是仿生優(yōu)化算法更是不斷涌現(xiàn)，仿生算法的提出大多是受自然界中生物群體行為的啟發(fā)，這些優(yōu)化算法的發(fā)展為復雜優(yōu)化問題的求解提供了有效的解決渠道。本文針對目前使用比較廣泛，同時也是比較典型的兩種仿生優(yōu)化方法（和聲搜索優(yōu)化算法和生物地理優(yōu)化算法），分析兩種算法各自的特點，引入局部搜尋機制，研究提高算法性能的方法與策略，并在此基礎上提出相應的改進算法，用于解決平版印刷中的實際問題。總的來講，本文主要的工作

2、內(nèi)容與相關研究成果可歸納如下:
　　(1)對仿生優(yōu)化算法的框架模型進行了總結，給出了幾種常用的改進策略和機制。在此基礎上，以生物地理優(yōu)化算法為例，提出了一種混合算法，該算法采用對立學習機制來產(chǎn)生較優(yōu)初始群體，引入和聲搜索算法中“調(diào)音”操作來提高其局部搜索能力，從而實現(xiàn)算法全局探索和局部開發(fā)能力的平衡，提高算法整體尋優(yōu)能力。為驗證所提混合算法的性能，將其應用于混沌系統(tǒng)的參數(shù)優(yōu)化估計。仿真分析分別以典型的無時滯混沌系統(tǒng)和時滯混沌系統(tǒng)為

3、對象，結果表明，在無噪聲和含噪聲條件下，所提混合算法可以得到比現(xiàn)有典型算法更好的參數(shù)估計結果，驗證了所提算法的有效性和魯棒性。
　　(2)研究分析了平版印刷中專色油墨配色算法存在的問題，提出一種基于光譜的專色油墨配色模型。針對該配色模型配方計算過程中存在的問題，將其轉換為一帶多約束復雜優(yōu)化問題。在所提基于生物地理優(yōu)化的混合算法基礎上，進一步引入約束處理機制，用于解決該優(yōu)化問題。實驗通過隨機選取已知配方的測試樣本，與現(xiàn)有典型算法進行

4、比較，結果表明，在所有測試樣本中，所提算法均表現(xiàn)出更優(yōu)的收斂性能。為了進一步驗證所提專色油墨配色模型的性能，將其與目前使用較為廣泛的FMⅢ配色軟件進行比較，實驗結果表明，在大部分測試樣本中，所提模型能得到比FMⅢ配色軟件精確更高的配方，相應色差值也更小，并且所得結果的色差值均在允許規(guī)定范圍以內(nèi)。
　　(3)在分析平版印刷工藝及相應輸墨系統(tǒng)特點的基礎上，提出了一種全局和聲搜索優(yōu)化的平版印刷油墨預置方法，該方法采用最小二乘支持向量機建