微粒群算法是上个世纪90年代提出的一种基于群体智能理论的优化算法,通过群体中粒子间的合作与竞争产生的群体智能指导优化搜索。相比于进化算法,微粒群算法保留了基于种群的全局搜索策略,采用简单的速度位移模式,避免了复杂的遗传操作,同时它特有的记忆使其可以动态跟踪当前的搜索情况以调整其搜索策略,具有全局收敛能力和鲁棒性,且不需要借助问题的特征信息。微粒群算法的特点吸引了大量学者对其进行研究,并被广泛的应用到了各个领域。微粒群算法是基于同种群体内信息共享的假设而提出的,它反映了在一个种群中的个体之间的合作关系。然而,在自然界的生态系统中,很多物种是通过和其他物种相互作用来提高自己的生存能力的。这种相互作用存在于所有的生物机体中,从细胞到高级动物,同时也存在于动物和植物之间。为了克服微粒群算法的缺点并且受到协同进化的启发,从而产生了协同微粒群算法的思想。图像分割是图像处理到图像分析的关键步骤。由于图像目标和背景之间差异的多样性以及噪声的影响,使得图像分割变得困难,目前图像分割仍然是研究的热点之一。传统的图像分割方法对某些图像是有效的,但是对一些特殊领域的图像和具有特殊特征的图像来说并不一定有效。目前还没有一种通用的图像分割方法。本文致力于研究协同微粒群算法,并将其应用到图像分割中。本文的主要工作为:1、提出了一种协同微粒群算法受自然界共生现象的启发,将协同进化与微粒群算法相结合,并将高斯概率分布应用到随机数的生成以及粒子变异中,提出了一种使用高斯分布的协同微粒群算法(CPSO-G),进化过程中,粒子不仅要与本种群内的其他粒子交换信息而且还要受到其他种群的影响。利用高斯概率分布来生成随机数,可以加速局部搜索收敛速度。将高斯概率分布应用到粒子变异中,此分布能够增加粒子多样性从而跳出局部极值点。实验数据表明,此算法在一定程度上避免了陷入局部极值点并且加快了收敛速度。2、将协同微粒群算法用于图像分割在众多图像分割方法中,模糊C-均值(FCM)聚类算法是一种结合无监督聚类和模糊集合概念的图像分割技术,比较有效,但存在着受初始聚类中心和隶属度矩阵影响,可能收敛到局部极小的缺点。根据微粒群算法和模糊C-均值聚类的特点,提出一种基于CPSO-G及模糊C-均值聚类的图像分割方法。实验结果证明这种算法可以有效地克服模糊C-均值聚类算法依赖初始聚类中心的不足,获得较好的分割效果。