模擬退火微粒群混合算法的研究.pdf

1、自從20世紀80年代以來，群體智能(Swarm Intelligence)作為一個新興領域，引起了許多研究人員的關注，已經(jīng)成為人工智能以及社會、經(jīng)濟、生物等交叉學科的熱點和前沿領域。人工神經(jīng)網(wǎng)絡、模擬退火算法、遺傳算法、粒子群優(yōu)化算法和蟻群算法，通過模擬某些自然現(xiàn)象和過程發(fā)展起來，為優(yōu)化理論提供了新的思路和手段。1995年提出的微粒群算法簡單容易實現(xiàn)，需調(diào)整的參數(shù)不多，收斂速度快。已廣泛應用于目標函數(shù)優(yōu)化、動態(tài)環(huán)境優(yōu)化、神經(jīng)網(wǎng)絡訓練等多

2、個領域，并在IEEE進化計算年會(IEEE Annual Conference Of Evolutionary Computation，CEC)上成為一個獨立的研究分枝。
　　模擬退火算法(Simulated Annealing，SA)作為局部搜索算法的擴展，是1982年由S.Kirkpatrick等人提出的一種模擬金屬退火機理而建立的隨機優(yōu)化方法。SA接受新模型的方式使其成為一種全局最優(yōu)算法，并得到理論證明與實際應用的驗證。正是

3、由于這種優(yōu)勢的存在，人們成功地將該思想引入組合優(yōu)化理論。近年來該算法引起了大規(guī)模優(yōu)化設計、數(shù)值分析、復雜布局等領域廣泛的重視。
　　計算機技術、多媒體技術以及Intemet技術的長足發(fā)展導致大量圖象的出現(xiàn)，目前一個相當重要而又富有挑戰(zhàn)性的研究課題:如何有效地、快速地從大規(guī)模的圖象數(shù)據(jù)庫中檢索出需要的圖象?；趦?nèi)容的圖象檢索技術的研究正是為了解決利用自動獲取的圖象特征，從圖象數(shù)據(jù)庫中檢索出相關圖象的問題。近年來，此項技術的研究非?；?/p>

4、躍，在許多領域都有應用。
　　本文主要內(nèi)容是將模擬退火算法和微粒群優(yōu)化算法結合起來，并圍繞基于內(nèi)容的圖象檢索中的一些關鍵技術，進行了一些探索性的研究。該內(nèi)容屬于圖象信息檢索和智能算法優(yōu)化領域的研究重點，具有相當?shù)睦碚撘饬x和實際應用價值，為設計新的智能分類檢索思路的開拓提供支撐平臺。主要工作包括:
　　1.提出了一種動態(tài)自適應微粒群優(yōu)化算法DAPSO：
　　PSO算法存在易陷入局部最優(yōu)，出現(xiàn)早熟收斂的問題，許多研究都集中

5、于慣性權重w的改進上。具有不同慣性權重的粒子各盡其責，全局尋優(yōu)和局部尋優(yōu)同時進行，在保證算法能全局收斂和收斂速度之間做了一個很好的折衷。當算法未搜索到全局最優(yōu)適應值時，或不滿足最優(yōu)要求時，可采用慣性權重的變異策略?？梢暂^大的概率產(chǎn)生小幅度的擾動以實現(xiàn)局部搜索，又可適當產(chǎn)生大幅度擾動以實現(xiàn)大步長遷移來走出局部極小區(qū)域。
　　2.提出一種基于“小世界”的動態(tài)自適應微粒群優(yōu)化模型DWPSO
　　現(xiàn)有的微粒群算法及其變種皆有著收斂速

6、度慢、容易陷入局部極值等問題，再針對動態(tài)自適應微粒群算法有早熟收斂的現(xiàn)象，本文提出一種基于“小世界”的動態(tài)自適應微粒群優(yōu)化模型。在動態(tài)小世界微粒群算法的基礎上，引入雜交及變異機制，從而減少計算時間以及避免早熟現(xiàn)象。
　　3.結合微粒群優(yōu)化算法和模擬退火算法，提出 SA-DWPSO混合算法。
　　在理論上已證明，微粒群優(yōu)化算法并不能保證收斂于最優(yōu)解，甚至局部最優(yōu)解。模擬退火算法已被證明依概率1收斂于全局最優(yōu)解，因此可以使用模擬

7、退火算法作為PSO算法的收斂依據(jù)。通過微粒群局部收斂性與模擬退火全局收斂性的融合，有效的克服了微粒群算法的早熟收斂現(xiàn)象，加快收斂速度。
　　4.模擬退火算法和改進的微粒群算法兩者有機結合，協(xié)同搜索，可保持二者的搜索優(yōu)勢，具有良好的互補性。將該混合算法應用到基于圖象特征的圖象分類檢索中去，達到較好的分類結果。利用VC++。NET2008、SQL Server2005數(shù)據(jù)庫系統(tǒng)和MATLAB在WindowsXP平臺上開發(fā)完成。分別針對