一种带交叉因子的双向寻优粒子群优化算法

来源 :计算机应用研究 | 被引量 : 8次 | 上传用户:lindashu
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
针对传统粒子群算法易早熟、精度低、后期收敛速度慢等问题,结合反向学习理论,提出了一种基于交叉因子的双向寻优粒子群优化算法(CBMPSO)。该算法使初始种群在搜索区域均匀分布,计算粒子及其反向粒子的适应值,取最优作为初始种群;迭代过程增加对全局最差粒子的跟踪,随机开启基于交叉因子的双向学习机制。对几种典型函数的测试结果表明,CBMPSO算法的寻优能力及收敛速度有了显著提高,并且能够有效避免早熟收敛问题。
其他文献
首先对去身份识别技术的应用背景和影响因素进行了概括;然后对以影响因素为基础的去身份识别研究成果进行了全面论述,并对去身份识别算法的健壮性要求进行了讨论;最后归纳了当前研究存在的问题与挑战。
为了使曲线易于实现光滑拼接,同时具有对应于相同控制顶点的不同形状,这里定义了具有凸包性、对称性等基本性质的新曲线。它具有形状可调性,插值于控制多边形首末边的中点,在拼接时,只要前一条曲线的末控制边与后一条曲线的首控制边重合,两者便G2连续。由曲线的拼接条件采用特殊方式定义的组合曲线在各连接点处自动G2连接。组合曲线的各曲线段可以由不同数量的控制点定义,可以取不同的形状参数,因此同一组控制点可以定义
为有效避免有监督局部保持投影算法在小样本情况下导致类内分离度矩阵奇异的问题,提出一种基于最大分离度差的有监督局部保持投影算法。提出类内分离度和类间分离度的概念,以类内分离度矩阵和类间分离度矩阵为基础构造基于差模式的鉴别准则,并将该算法推广到非线性情况下,提出基于最大分离度差的有监督核局部保持投影算法。Yale、ORL和CAS-PEAL-R1-POSE人脸库上的实验结果表明所提方法是有效的。
心内膜三维可视化可用于辅助心内科导管消融手术中靶点的准确定位和消融。为满足术中图像导航需求,针对由心内膜结构上动态采集到的三维坐标点的稀疏性和散乱性进行分析,提出一种心内膜三维模型实时构建方法。以采集到的稀疏采样点云的空间坐标数据构建心内膜网格模型,并以薄板样条(thin plate splines,TPS)作为网格模型弯曲能量的约束准则,通过对心内膜网格模型的形变逼近目标结构,快速准确达到收敛条
针对和声搜索算法的不足,提出了一种自适应改进和声—单纯形进化算法(AIHSEA)。通过在新算法中加入变异策略对和声微调进行改进来增强算法的鲁棒性;适时执行单纯形算子增加群体搜索的方向性来加快搜索;采用自适应参数HMCR、PAR和BW调节全局和局部搜索。采用六个标准的优化算法测试函数对AIHSEA进行测试,并与HS、IHS和GHS算法进行对比,仿真结果表明AIHSEA算法具有较强的精确寻优和跳出局部
负载均衡问题是当前云计算研究的重要问题。由于云计算中的负载均衡存在效率低、准确性不高以及资源需求动态变化等问题,建立了云计算环境下的负载均衡模型,通过在发送者策略中引入混沌算法和在接收者策略中引入萤火虫算法,提高了目标节点的最优化选择以及转移任务量的准确性。仿真实验表明,改进后的资源负载算法能够有效地避免负载处理的不均衡,提高系统整体处理能力。
针对人体姿势估计算法部分节点效果差的问题,提出降低训练开销并增加用多视角深度图的后处理改进技术。首先生成一个规模减小而包含常见典型动作的训练集合,并用小型集群服务器训练后进行骨架节点的估计,之后对置信度不高的骨架节点,在深度图投影得到侧视图和顶视图中再次计算需修正的骨架节点的后处理方法以提高节点的准确度。实验表明,在使用样本数量少一个数量级的情况下能取得比微软原算法平均误差小9 mm的结果。
优化网络的拓扑结构是互连网络研究的重要研究方向。局部扭立方体(locally twisted cube,LTQn)是对超立方体(hypercube,Qn)互连网络的优化变种,然而当对LTQn升级时,需要成倍地增加网络的节点,这不利于LTQn的应用和发展。为了克服LTQn这一缺陷,提出了一种新的互连网络拓扑结构:局部扭立方体环互连网络(locally twisted cube-connected r
针对鲁棒稀疏编码(RSC)计算复杂度大的问题,利用协作表示适合于人脸识别的优点,提出了一种鲁棒协作表示(RCR)的人脸识别算法。首先,认为编码余项和编码系数是分别独立同分布的,RCR寻求稀疏编码问题的最大似然估计解;然后,利用迭代重加权协作表示算法来解决RCR模型;最后,对测试图像进行分类和识别。实验结果表明,与其他算法相比,RCR在大幅降低计算复杂度的同时保证了识别率。RCR是一种有效的人脸识别
针对小基高比立体匹配当中的亚像素级视差精度和匹配效率较低问题,提出一种基于变分原理的亚像素级立体匹配方法。该方法以规范互相关函数作为能量函数的数据项,并将图像驱动的平滑项和视差驱动的平滑项相结合作为能量函数的平滑项,然后通过变分原理获得能量函数的欧拉方程,最后通过连续过松弛法进行迭代求解获得亚像素级视差。实验结果表明,提出的亚像素级匹配方法不但可以获得较高精度的亚像素级视差,得到更为精确的高程信息