论文部分内容阅读
粒子群优化算法(Particle Swarm Optimization, PSO)源于对鸟类觅食过程中迁徙和聚集的模拟,是一种基于群智能的自适应随机优化算法。PSO算法原理简单,参数少、进化初期收敛速度快、易于实现,一经提出就引起了众多学者的极大关注,并得到了迅速的发展。目前已经被广泛应用于目标函数优化、组合优化、图像处理、信号处理、决策调度、神经网络训练等许多领域。但无论是理论分析还是实践应用,PSO算法都尚未成熟,有大量问题值得研究。本文围绕PSO算法及其应用,就如何改进传统PSO算法性能及改进算法在TSP问题、多序列比对问题、图像增强等领域的应用进行了深入的研究。主要的研究工作和创新点可归纳如下：(1)提出了基于交换子和交换序概念的改进自组织PSO算法。针对PSO算法的早熟收敛现象,该算法从种群多样性出发,采用自组织的惯性权重和加速系数,并增加了变异操作。借鉴交换子和交换序概念,克服了基本PSO算法难以表达组合优化问题的难题。将改进算法用于旅行商问题(Traveling salesman problem, TSP)的求解,实验结果证实改进的自组织PSO算法是有效的。(2)基于遗传算法(genetic algorithm,GA)、模拟退火算法(simulated annealing algorithm,SA)求解TSP的成功经验,在混合PSO(hybrid PSO,HPSO)算法的基础上,设计了求解TSP问题的两种改进的混合PSO算法：①接受差解的范围随迭代线性递减的混合PSO算法(Linear-descending hybrid PSO,LD-HPSO):粒子通过与个体和全局极值位置交叉获得更新信息,提出了新的接受差解的策略。②基于雁群启示的混合PSO算法(Geese-inspired hybrid PSO,Geese-HPSO):该算法将粒子按历史最优适应度值的好坏排序,后面每个粒子都只跟随其前面那个粒子飞行,重新定义个体极值为排序后的粒子,全局极值为排序种群中其前面那个粒子的个体极值。粒子通过与重新定义的个体极值和全局极值交叉获得更新信息,有效提高了算法的收敛速度和收敛精度。仿真实验证实了改进算法的有效性和相对优越性,尤其是Geese-HPSO算法表现出更好的全局搜索能力。(3)设计了基于混沌PSO优化的多序列比对算法。该算法针对PSO算法的早熟收敛现象,采用混沌序列初始化粒子群。利用混沌思想提高了种群的多样性和粒子搜索的遍历性。针对多序列比对问题的SP(Sums-of-Pairs with affine gap penalties)优化模型,将混沌PSO(chaotic PSO,CPSO)算法用于多序列比对问题。仿真实验给出了较好的比对结果,证实了算法的有效性。(4)基于对惯性权重ω和最大飞行速度Vmax的分析,结合完全覆盖图像增强典型变换函数类型的非完全Beta算子,提出了压缩速度范围改进粒子群算法(PSO with contracted range of search velocity, CV-PSO)的灰度图像自适应增强方法。用于基本图像和交通图像的增强,并与基本及其它改进PSO算法做性能比较。实验结果证实了CV-PSO算法的有效性和优越性,且在视觉效果上优于传统直方图均衡化法。总之,本论文针对传统PSO算法的不足,结合实际应用领域,对其进行了较为全面深入的分析和讨论,提出了一些有效的改进措施,为今后PSO算法的研究提供了借鉴和参考。