粒子群优化算法(Particle Swarm Optimization,以下简称PSO算法)模拟了生物界中鸟群觅食的过程实现了问题寻优,其算法操作简单、涉及参数少,因此在当今的优化领域中受到越来越多人的关注。PSO算法的主要缺点是易于陷入局部最优解、收敛精度低。为此一些改进的PSO算法应运而生,但是这些改进算法仍存在计算复杂度高、收敛速度慢等缺点,因此对粒子群算法进行有效的改进仍然是目前学者研究的一个热点。本文针对粒子群算法在陷入局部最优时难于跳出的缺陷,提出了一种“基于种群分类与动态学习因子的粒子群改进算法”。该算法首先利用粒子适应值的统计规律将粒子分成好、适中、差3类,用“社会模型”进化表现差的粒子从而加快其收敛速度;用“认知模型”进化表现好的粒子从而提高其收敛精度;而对于利用“完全模型”进化的粒子,采用动态调整学习因子的方法,从而大大提高了算法的优化效率和优化精度。本文通过反复实验分析,得出学习因子随着进化推进的最优变化规律,并给出了学习因子的最佳函数表达式。仿真结果表明,利用本文提出改进的PSO算法优化4种具有代表性的基准函数,无论是在优化精度方面还是在优化效率方面,均较PSO-σ算法在性能上有本质的提高。鉴于PSO算法“并行搜索”和“具有记忆”的特性,本文还提出一种“基于粒子群算法的交互式图像检索方法”,该方法首先采用“变均分单元”法对图像进行预处理,用预处理后得到的图像矩阵形成特征向量,用特征向量对粒子进行编码,把目标图像看成问题的解,检索图像的过程就可以看成是利用粒子群算法在特征空间搜寻最优解的过程。在检索过程中,该方法采用人机交互的方式对粒子(即图像)进行适应度评价,采用这种方式一来解决了算法适应度函数难于构造的问题;二来保证了适应性评价的客观性。该方法将PSO算法“并行搜索”和“具有记忆”的特性与人机交互的检索方式结合,从而保证了检索到的图像和人们的检索意图一致。最后通过对基于遗传算法的交互式检索方法与本文提出方法进行仿真对比,证实了本文提出的检索方法在基于内容的图像检索中的有效性。目前国内外还没有利用PSO算法的思想进行图像检索的论文发表,本文将PSO算法引入到基于内容的图像检索中,拓展了算法的应用领域,是一次成功的尝试。