论文部分内容阅读
粒子群算法的局部搜索能力比较强,且算法中的相关参数容易控制及设置,然而,粒子群算法也有一些缺陷,例如易于陷入局部最优,即步入早熟状态。为了处理粒子群算法的缺陷,孙俊等人将粒子群算法与量子空间相结合,提出了基于量子行为的粒子群算法,即QPSO算法,量子粒子群算法优点在于其只需要位置迭代信息,不需要速度信息,且量子粒子群算法的控制因子唯一。同时QPSO算法也有一些缺点,例如在处理高维复杂优化问题时,QPSO算法的搜索能力较弱等等。所以本文从PSO算法和QPSO算法的基本思想及相关模型出发,提出了几种改进的量子粒子群算法,本文的主要内容及工作安排如下:(1)为了更好的改进量子粒子群算法的全局搜索能力,且让QPSO算法能够自身引导优化,我们提出了一种基于动态变异和背景协同的量子粒子群算法,即MCQPSO算法。该算法结合动态变异和背景协同策略。其中,动态变异主要结合柯西变异和收缩因子的动态选择,旨在提高粒子的迭代搜索能力,其次,背景协同主要结合粒子的多次协同测量,且使用背景变量进行更新迭代,其目的在于提高算法的搜索效率,且相应的改变迭代空间中每个个体的更新模式。为了验证MCQPSO算法的全局搜索能力,我们将MCQPSO算法应用到函数优化和医学图像分割中。(2)将MCQPSO算法应用于简单基准函数优化时,实验数据结果表明,有几个基准函数的收敛效果不尽如人意,针对这个缺点,我们再次提出了基于分区协同的量子粒子群算法(SCQPSO)。在种群初始化时,我们巧妙的将种群划分为若干个分区,且每个分区种群数量成倍增加,对每个种群进行迭代搜索求出全局最优值,再将每个分区中的全局最优值有机的结合在一起作为迭代优化的主种群。为了证实SCQPSO算法的相关性能,我们将SCQPSO分别应用于基准函数优化、复杂函数优化和医学图像分割中。(3)当SCQPSO算法作用于复杂函数优化时,随着复杂函数维度的不断上升,SCQPSO算法的迭代搜索能力不断降低,所以某些复杂函数没有收敛到全局最优点,其原因是,在算法迭代后期种群的多样性急剧降低。针对SCQPSO算法的缺点,我们又提出了基于动态反向学习和背景协同的量子粒子群算法(RSCQPSO)。为了验证RSCQPSO算法的收敛性能,将RSCQPSO算法作用于复杂函数优化和CT图像分割中。