本文關(guān)鍵詞：粒子群優(yōu)化算法的改進(jìn)及其應(yīng)用研究

  更多相關(guān)文章： 粒子群優(yōu)化算法 TSP 多序列比對(duì) 圖像增強(qiáng)

【摘要】： 粒子群優(yōu)化算法(Particle Swarm Optimization, PSO)源于對(duì)鳥(niǎo)類(lèi)覓食過(guò)程中遷徙和聚集的模擬,是一種基于群智能的自適應(yīng)隨機(jī)優(yōu)化算法。PSO算法原理簡(jiǎn)單,參數(shù)少、進(jìn)化初期收斂速度快、易于實(shí)現(xiàn),一經(jīng)提出就引起了眾多學(xué)者的極大關(guān)注,并得到了迅速的發(fā)展。目前已經(jīng)被廣泛應(yīng)用于目標(biāo)函數(shù)優(yōu)化、組合優(yōu)化、圖像處理、信號(hào)處理、決策調(diào)度、神經(jīng)網(wǎng)絡(luò)訓(xùn)練等許多領(lǐng)域。但無(wú)論是理論分析還是實(shí)踐應(yīng)用,PSO算法都尚未成熟,有大量問(wèn)題值得研究。 本文圍繞PSO算法及其應(yīng)用,就如何改進(jìn)傳統(tǒng)PSO算法性能及改進(jìn)算法在TSP問(wèn)題、多序列比對(duì)問(wèn)題、圖像增強(qiáng)等領(lǐng)域的應(yīng)用進(jìn)行了深入的研究。主要的研究工作和創(chuàng)新點(diǎn)可歸納如下： (1)提出了基于交換子和交換序概念的改進(jìn)自組織PSO算法。針對(duì)PSO算法的早熟收斂現(xiàn)象,該算法從種群多樣性出發(fā),采用自組織的慣性權(quán)重和加速系數(shù),并增加了變異操作。借鑒交換子和交換序概念,克服了基本PSO算法難以表達(dá)組合優(yōu)化問(wèn)題的難題。將改進(jìn)算法用于旅行商問(wèn)題(Traveling salesman problem, TSP)的求解,實(shí)驗(yàn)結(jié)果證實(shí)改進(jìn)的自組織PSO算法是有效的。 (2)基于遺傳算法(genetic algorithm,GA)、模擬退火算法(simulated annealing algorithm,SA)求解TSP的成功經(jīng)驗(yàn),在混合PSO(hybrid PSO,HPSO)算法的基礎(chǔ)上,設(shè)計(jì)了求解TSP問(wèn)題的兩種改進(jìn)的混合PSO算法：①接受差解的范圍隨迭代線性遞減的混合PSO算法(Linear-descending hybrid PSO,LD-HPSO):粒子通過(guò)與個(gè)體和全局極值位置交叉獲得更新信息,提出了新的接受差解的策略。②基于雁群?jiǎn)⑹镜幕旌螾SO算法(Geese-inspired hybrid PSO,Geese-HPSO):該算法將粒子按歷史最優(yōu)適應(yīng)度值的好壞排序,后面每個(gè)粒子都只跟隨其前面那個(gè)粒子飛行,重新定義個(gè)體極值為排序后的粒子,全局極值為排序種群中其前面那個(gè)粒子的個(gè)體極值。粒子通過(guò)與重新定義的個(gè)體極值和全局極值交叉獲得更新信息,有效提高了算法的收斂速度和收斂精度。仿真實(shí)驗(yàn)證實(shí)了改進(jìn)算法的有效性和相對(duì)優(yōu)越性,尤其是Geese-HPSO算法表現(xiàn)出更好的全局搜索能力。 (3)設(shè)計(jì)了基于混沌PSO優(yōu)化的多序列比對(duì)算法。該算法針對(duì)PSO算法的早熟收斂現(xiàn)象,采用混沌序列初始化粒子群。利用混沌思想提高了種群的多樣性和粒子搜索的遍歷性。針對(duì)多序列比對(duì)問(wèn)題的SP(Sums-of-Pairs with affine gap penalties)優(yōu)化模型,將混沌PSO(chaotic PSO,CPSO)算法用于多序列比對(duì)問(wèn)題。仿真實(shí)驗(yàn)給出了較好的比對(duì)結(jié)果,證實(shí)了算法的有效性。 (4)基于對(duì)慣性權(quán)重ω和最大飛行速度Vmax的分析,結(jié)合完全覆蓋圖像增強(qiáng)典型變換函數(shù)類(lèi)型的非完全Beta算子,提出了壓縮速度范圍改進(jìn)粒子群算法(PSO with contracted range of search velocity, CV-PSO)的灰度圖像自適應(yīng)增強(qiáng)方法。用于基本圖像和交通圖像的增強(qiáng),并與基本及其它改進(jìn)PSO算法做性能比較。實(shí)驗(yàn)結(jié)果證實(shí)了CV-PSO算法的有效性和優(yōu)越性,且在視覺(jué)效果上優(yōu)于傳統(tǒng)直方圖均衡化法。 總之,本論文針對(duì)傳統(tǒng)PSO算法的不足,結(jié)合實(shí)際應(yīng)用領(lǐng)域,對(duì)其進(jìn)行了較為全面深入的分析和討論,提出了一些有效的改進(jìn)措施,為今后PSO算法的研究提供了借鑒和參考。
【關(guān)鍵詞】：粒子群優(yōu)化算法 TSP 多序列比對(duì) 圖像增強(qiáng)
【學(xué)位授予單位】：陜西師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2010
【分類(lèi)號(hào)】：TP18
【目錄】：

• 摘要3-5
• Abstract5-10
• 第1章 緒論10-16
• 1.1 研究背景和課題意義10-12
• 1.2 研究?jī)?nèi)容和創(chuàng)新點(diǎn)12-13
• 1.3 論文結(jié)構(gòu)13-16
• 第2章 粒子群算法及其他智能優(yōu)化算法16-26
• 2.1 遺傳算法(GA)16-17
• 2.1.1 遺傳算法的原理及應(yīng)用16
• 2.1.2 遺傳算法的流程16-17
• 2.2 模擬退火算法(SA)17-18
• 2.2.1 模擬退火算法原理及應(yīng)用17-18
• 2.2.2 模擬退火算法的流程18
• 2.3 蟻群優(yōu)化算法18-19
• 2.3.1 蟻群算法的原理及應(yīng)用18-19
• 2.3.2 蟻群算法的流程19
• 2.4 粒子群優(yōu)化算法19-26
• 2.4.1 粒子群優(yōu)化算法的原理及特點(diǎn)19-21
• 2.4.2 粒子群優(yōu)化算法的流程21
• 2.4.3 粒子群優(yōu)化算法的改進(jìn)21-23
• 2.4.4 粒子群優(yōu)化算法的應(yīng)用23-26
• 第3章 改進(jìn)的自組織粒子群算法求解旅行商問(wèn)題26-36
• 3.1 引言26-27
• 3.2 自組織機(jī)制27-28
• 3.2.1 自組織進(jìn)化理論27
• 3.2.2 自組織臨界理論27-28
• 3.3 改進(jìn)的自組織粒子群算法28-30
• 3.3.1 自組織慣性權(quán)重28-29
• 3.3.2 自組織加速系數(shù)29
• 3.3.3 變異策略29-30
• 3.4 基于交換子和交換序的改進(jìn)自組織PSO算法求解TSP30-32
• 3.4.1 交換子和交換序30-31
• 3.4.2 基于交換子和交換序的改進(jìn)自組織PSO求解TSP的流程31
• 3.4.3 時(shí)間復(fù)雜度分析31-32
• 3.5 仿真實(shí)驗(yàn)32-34
• 3.6 結(jié)論34-36
• 第4章 改進(jìn)的混合粒子群算法求解旅行商問(wèn)題36-50
• 4.1 引言36
• 4.2 PSO算法與GA、SA、ACO算法的比較36-37
• 4.3 混合粒子群優(yōu)化算法(Hybrid PSO,HPSO)37-39
• 4.3.1 廣義粒子群優(yōu)化模型(General PSO,GPSO)37-38
• 4.3.2 混合粒子群優(yōu)化算法38
• 4.3.3 交叉策略和變異策略38-39
• 4.4 改進(jìn)的混合PSO(LD-HPSO)算法求解TSP問(wèn)題39-41
• 4.4.1 改進(jìn)的接受差解策略39
• 4.4.2 LD-HPSO算法求解TSP問(wèn)題的流程39-40
• 4.4.3 仿真實(shí)驗(yàn)結(jié)果40-41
• 4.5 基于雁群?jiǎn)⑹镜幕旌狭Ｗ尤核惴?Geese-HPSO)求解TSP問(wèn)題41-48
• 4.5.1 PSO算法易早熟收斂的原因41-42
• 4.5.2 雁群飛行特征與PSO算法的融合42-43
• 4.5.3 基于雁群?jiǎn)⑹镜幕旌螾SO算法(Geese-HPSO)43
• 4.5.4 Geese-HPSO求解TSP的步驟43-44
• 4.5.6 仿真實(shí)驗(yàn)44-48
• 4.6 小結(jié)48-50
• 第5章 基于混沌粒子群優(yōu)化的多序列比對(duì)算法50-58
• 5.1 引言50
• 5.2 多序列比對(duì)問(wèn)題50-52
• 5.2.1 問(wèn)題描述50-51
• 5.2.2 問(wèn)題結(jié)果的評(píng)判標(biāo)準(zhǔn)51-52
• 5.3 混沌粒子群優(yōu)化算法52-54
• 5.3.1 混沌及其特性52
• 5.3.2 PSO算法早熟現(xiàn)象的判定52-53
• 5.3.3 CPSO算法53-54
• 5.4 基于混沌粒子群優(yōu)化算法的多序列比對(duì)算法54-55
• 5.4.1 相關(guān)的幾個(gè)定義54
• 5.4.2 算法需解決的幾個(gè)問(wèn)題54-55
• 5.4.3 算法流程55
• 5.5 仿真實(shí)驗(yàn)55-57
• 5.6 小結(jié)57-58
• 第6章 壓縮速度范圍粒子群算法的圖像自適應(yīng)增強(qiáng)58-68
• 6.1 引言58
• 6.2 灰度變換58-60
• 6.2.1 灰度非線性變換59
• 6.2.2 灰度變換曲線的自動(dòng)擬合59-60
• 6.2.3 圖像質(zhì)量的評(píng)價(jià)標(biāo)準(zhǔn)60
• 6.3 壓縮速度范圍的改進(jìn)粒子群算法60-62
• 6.3.1 自適應(yīng)的平衡搜索策略60-61
• 6.3.2 壓縮速度范圍的PSO算法61-62
• 6.4 壓縮速度范圍改進(jìn)PSO算法(CV-PSO)實(shí)現(xiàn)灰度自適應(yīng)增強(qiáng)62-63
• 6.4.1 算法流程62
• 6.4.2 時(shí)間復(fù)雜度分析62-63
• 6.5 仿真實(shí)驗(yàn)63-66
• 6.6 結(jié)論66-68
• 第7章 總結(jié)與展望68-72
• 7.1 本論文的總結(jié)68-69
• 7.2 未來(lái)研究的展望69-72
• 參考文獻(xiàn)72-78
• 致謝78-80
• 攻讀碩士學(xué)位期間的研究成果80-81

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 陳炳瑞,馮夏庭;壓縮搜索空間與速度范圍粒子群優(yōu)化算法[J];東北大學(xué)學(xué)報(bào)(自然科學(xué)版);2005年05期

2 呂振肅,侯志榮;自適應(yīng)變異的粒子群優(yōu)化算法[J];電子學(xué)報(bào);2004年03期

3 楊維,李歧強(qiáng);粒子群優(yōu)化算法綜述[J];中國(guó)工程科學(xué);2004年05期

4 董超俊,劉智勇,邱祖廉;災(zāi)變粒子群優(yōu)化算法及其在交通控制中的應(yīng)用[J];計(jì)算機(jī)工程與應(yīng)用;2005年29期

5 高鷹,謝勝利;基于模擬退火的粒子群優(yōu)化算法[J];計(jì)算機(jī)工程與應(yīng)用;2004年01期

6 劉金洋;郭茂祖;鄧超;;基于雁群?jiǎn)⑹镜牧Ｗ尤簝?yōu)化算法[J];計(jì)算機(jī)科學(xué);2006年11期

7 郭文忠;陳國(guó)龍;;求解TSP問(wèn)題的模糊自適應(yīng)粒子群算法[J];計(jì)算機(jī)科學(xué);2006年06期

8 黃嵐,王康平,周春光,龐巍,董龍江,彭利;粒子群優(yōu)化算法求解旅行商問(wèn)題[J];吉林大學(xué)學(xué)報(bào)(理學(xué)版);2003年04期

9 曾建潮,崔志華;一種保證全局收斂的PSO算法[J];計(jì)算機(jī)研究與發(fā)展;2004年08期

10 高尚,韓斌,吳小俊,楊靜宇;求解旅行商問(wèn)題的混合粒子群優(yōu)化算法[J];控制與決策;2004年11期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前2條

1 唐賢倫;混沌粒子群優(yōu)化算法理論及應(yīng)用[D];重慶大學(xué);2007年

2 王俊偉;粒子群優(yōu)化算法的改進(jìn)及應(yīng)用[D];東北大學(xué);2006年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 司徒浩臻;基于遺傳算法的多序列比對(duì)算法研究[D];暨南大學(xué);2006年

，

本文編號(hào)：660408