自適應(yīng)CPSO算法研究及其在圖像分割中的應(yīng)用.pdf

1、粒子群優(yōu)化(Particles Swarm Optimization，PSO)算法是源于鳥(niǎo)群覓食的一種啟發(fā)式群智能優(yōu)化算法。粒子群優(yōu)化算法因其收斂速度快，思想簡(jiǎn)單和易于實(shí)現(xiàn)而受到廣泛的關(guān)注和深入地研究。PSO算法在函數(shù)優(yōu)化、神經(jīng)網(wǎng)絡(luò)訓(xùn)練、模糊控制等工業(yè)技術(shù)中得到了很好的應(yīng)用。
　　國(guó)內(nèi)外研究學(xué)者針對(duì)粒子群算法易陷入局部極值，在算法迭代后期收斂速度慢，極易出現(xiàn)早熟現(xiàn)象等缺陷做了大量研究，并提出了改進(jìn)方法，主要可分為3類:對(duì)算法本身參

2、數(shù)的改進(jìn)，對(duì)算法進(jìn)化過(guò)程的改進(jìn)以及與其它算法相結(jié)合的改進(jìn)。這些改進(jìn)的算法都在一定程度上加快了算法的收斂速度，盡可能地抑制算法的早熟現(xiàn)象。
　　本文針對(duì)PSO算法易陷入局部極值、算法后期收斂速度慢以及尋優(yōu)結(jié)果精度不高的問(wèn)題做了以下方面的改進(jìn):
　　(1)提出了一種改進(jìn)的自適應(yīng)粒子群優(yōu)化(Improved Adaptive Particles Swarm Optimization，IAPSO)算法，根據(jù)粒子與全局最優(yōu)粒子位置間的

3、距離對(duì)標(biāo)準(zhǔn)粒子群優(yōu)化算法中的慣性權(quán)重作了動(dòng)態(tài)調(diào)整，并且與帶有動(dòng)量因子的位置更新方程相結(jié)合;
　　(2)在保留IAPSO算法優(yōu)勢(shì)的基礎(chǔ)上，針對(duì)算法后期仍然會(huì)出現(xiàn)陷入局部極值的情況，加入了混沌優(yōu)化方法，提出了一種自適應(yīng)混沌粒子群優(yōu)化(Adaptive Chaos Particles Swarm Optimization,ACPSO)算法，用混沌變量來(lái)初始化粒子的位置和速度，并用新的無(wú)限折疊混沌映射對(duì)算法進(jìn)行混沌變異，從當(dāng)前群體中擇優(yōu)選

4、擇部分粒子進(jìn)行混沌優(yōu)化。最后將ACPSO算法應(yīng)用到圖像分割中。
　　對(duì)改進(jìn)算法采用標(biāo)準(zhǔn)測(cè)試函數(shù)進(jìn)行對(duì)比測(cè)試實(shí)驗(yàn)，從算法收斂速度上看，ACPSO算法比IAPSO算法提高1.825～20.06倍，比基本PSO算法提高4.63～32.55倍;而IAPSO算法比基本PSO算法提高3.27～14.66倍，比帶收縮因子的PSO算法提高了1.51～2.05倍;從尋優(yōu)精度上看，ACPSO算法至少以75％的成功率精確地收斂到最優(yōu)解?；贏CPSO算