改進的粒子群算法及在圖像聚類的應用.pdf

1、智能計算算法是受到大自然智慧啟發(fā)而設計出的算法，近十幾年取得了非常廣泛的應用。粒子群算法作為智能計算算法中的典型代表，受到廣大學者的關注，主要集中表現(xiàn)在粒子群算法的改進，及在不同應用領域性能的提升。由于數據優(yōu)化問題不受專業(yè)性限制，便于研究成果的交流，已成為驗證算法性能的首選測試方案；圖像聚類問題是一類重要的應用問題，符合現(xiàn)階段信息時代下實際的要求，適合測試不同算法性能，且可以應用到醫(yī)療和設計等領域。
　　本文研究現(xiàn)有的粒子群算法，

2、并提出改進策略，將其應用到數值優(yōu)化問題與圖像聚類問題，具體工作包括如下。
　　第一，分析比較了目前常用的幾種粒子群算法，為改進算法提供思路。
　　分析了標準的粒子群算法及改進算法的原理、過程和結論，改進的算法包括：按比例隨機初始化粒子群算法、基于個體極值中心點和全局極值點的粒子群算法、粒子群算法與差分進化相結合的混合算法、動態(tài)改變慣性權重的自適應粒子群算法、參考粒子與歷史最優(yōu)粒子距離相結合的粒子群算法、重構慣性權重函數粒子群

3、優(yōu)化算法、增加粒子釋放和速度限制策略的粒子群算法。
　　第二，提出基于適應值引導的粒子群算法，并將其用于求解數值優(yōu)化問題。
　　通過比較上述算法的設計思路，粒子群算法改進方式分為兩種：基于粒子群產生過程的增加粒子群的多樣性和動態(tài)改變權衡系數的值。在進化過程中通過增加粒子群多樣性，避免算法由于粒子進入早熟，同時通過權衡系數調節(jié)算法的全局搜索與局部搜索能力，最終實現(xiàn)算法收斂。
　　本文分析認為：交換信息的侯選粒子應與本粒子

4、相距最近，且適應值高于本粒子的粒子，在此假設的基礎上，提出了基于適應值引導的粒子群算法。在未增加控制參數，無人工干預的前提下，以全局最優(yōu)解為探索方向的出發(fā)點，配合粒子全局最優(yōu)解、粒子歷史最好解、相鄰粒子共同參與，以改變粒子的位置，增加了粒子多樣性。通過非約束性函數與約束函數的數值優(yōu)化問題證明各比較算法的優(yōu)劣性。
　　第三，改進模糊集粒子群算法，用于求解圖像聚類問題。
　　本文分析基于模糊集粒子群算法求解圖像聚類問題的實現(xiàn)過程