粒子群优化算法的改进及其应用研究

发布时间：2017-08-12 07:23

  本文关键词：粒子群优化算法的改进及其应用研究

  更多相关文章： 粒子群优化算法 TSP 多序列比对 图像增强

【摘要】： 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。
【关键词】：粒子群优化算法 TSP 多序列比对 图像增强
【学位授予单位】：陕西师范大学
【学位级别】：硕士
【学位授予年份】：2010
【分类号】：TP18
【目录】：

• 摘要3-5
• Abstract5-10
• 第1章 绪论10-16
• 1.1 研究背景和课题意义10-12
• 1.2 研究内容和创新点12-13
• 1.3 论文结构13-16
• 第2章 粒子群算法及其他智能优化算法16-26
• 2.1 遗传算法(GA)16-17
• 2.1.1 遗传算法的原理及应用16
• 2.1.2 遗传算法的流程16-17
• 2.2 模拟退火算法(SA)17-18
• 2.2.1 模拟退火算法原理及应用17-18
• 2.2.2 模拟退火算法的流程18
• 2.3 蚁群优化算法18-19
• 2.3.1 蚁群算法的原理及应用18-19
• 2.3.2 蚁群算法的流程19
• 2.4 粒子群优化算法19-26
• 2.4.1 粒子群优化算法的原理及特点19-21
• 2.4.2 粒子群优化算法的流程21
• 2.4.3 粒子群优化算法的改进21-23
• 2.4.4 粒子群优化算法的应用23-26
• 第3章 改进的自组织粒子群算法求解旅行商问题26-36
• 3.1 引言26-27
• 3.2 自组织机制27-28
• 3.2.1 自组织进化理论27
• 3.2.2 自组织临界理论27-28
• 3.3 改进的自组织粒子群算法28-30
• 3.3.1 自组织惯性权重28-29
• 3.3.2 自组织加速系数29
• 3.3.3 变异策略29-30
• 3.4 基于交换子和交换序的改进自组织PSO算法求解TSP30-32
• 3.4.1 交换子和交换序30-31
• 3.4.2 基于交换子和交换序的改进自组织PSO求解TSP的流程31
• 3.4.3 时间复杂度分析31-32
• 3.5 仿真实验32-34
• 3.6 结论34-36
• 第4章 改进的混合粒子群算法求解旅行商问题36-50
• 4.1 引言36
• 4.2 PSO算法与GA、SA、ACO算法的比较36-37
• 4.3 混合粒子群优化算法(Hybrid PSO,HPSO)37-39
• 4.3.1 广义粒子群优化模型(General PSO,GPSO)37-38
• 4.3.2 混合粒子群优化算法38
• 4.3.3 交叉策略和变异策略38-39
• 4.4 改进的混合PSO(LD-HPSO)算法求解TSP问题39-41
• 4.4.1 改进的接受差解策略39
• 4.4.2 LD-HPSO算法求解TSP问题的流程39-40
• 4.4.3 仿真实验结果40-41
• 4.5 基于雁群启示的混合粒子群算法(Geese-HPSO)求解TSP问题41-48
• 4.5.1 PSO算法易早熟收敛的原因41-42
• 4.5.2 雁群飞行特征与PSO算法的融合42-43
• 4.5.3 基于雁群启示的混合PSO算法(Geese-HPSO)43
• 4.5.4 Geese-HPSO求解TSP的步骤43-44
• 4.5.6 仿真实验44-48
• 4.6 小结48-50
• 第5章 基于混沌粒子群优化的多序列比对算法50-58
• 5.1 引言50
• 5.2 多序列比对问题50-52
• 5.2.1 问题描述50-51
• 5.2.2 问题结果的评判标准51-52
• 5.3 混沌粒子群优化算法52-54
• 5.3.1 混沌及其特性52
• 5.3.2 PSO算法早熟现象的判定52-53
• 5.3.3 CPSO算法53-54
• 5.4 基于混沌粒子群优化算法的多序列比对算法54-55
• 5.4.1 相关的几个定义54
• 5.4.2 算法需解决的几个问题54-55
• 5.4.3 算法流程55
• 5.5 仿真实验55-57
• 5.6 小结57-58
• 第6章 压缩速度范围粒子群算法的图像自适应增强58-68
• 6.1 引言58
• 6.2 灰度变换58-60
• 6.2.1 灰度非线性变换59
• 6.2.2 灰度变换曲线的自动拟合59-60
• 6.2.3 图像质量的评价标准60
• 6.3 压缩速度范围的改进粒子群算法60-62
• 6.3.1 自适应的平衡搜索策略60-61
• 6.3.2 压缩速度范围的PSO算法61-62
• 6.4 压缩速度范围改进PSO算法(CV-PSO)实现灰度自适应增强62-63
• 6.4.1 算法流程62
• 6.4.2 时间复杂度分析62-63
• 6.5 仿真实验63-66
• 6.6 结论66-68
• 第7章 总结与展望68-72
• 7.1 本论文的总结68-69
• 7.2 未来研究的展望69-72
• 参考文献72-78
• 致谢78-80
• 攻读硕士学位期间的研究成果80-81

【参考文献】

中国期刊全文数据库 前10条

1 陈炳瑞,冯夏庭;压缩搜索空间与速度范围粒子群优化算法[J];东北大学学报(自然科学版);2005年05期

2 吕振肃,侯志荣;自适应变异的粒子群优化算法[J];电子学报;2004年03期

3 杨维,李歧强;粒子群优化算法综述[J];中国工程科学;2004年05期

4 董超俊,刘智勇,邱祖廉;灾变粒子群优化算法及其在交通控制中的应用[J];计算机工程与应用;2005年29期

5 高鹰,谢胜利;基于模拟退火的粒子群优化算法[J];计算机工程与应用;2004年01期

6 刘金洋;郭茂祖;邓超;;基于雁群启示的粒子群优化算法[J];计算机科学;2006年11期

7 郭文忠;陈国龙;;求解TSP问题的模糊自适应粒子群算法[J];计算机科学;2006年06期

8 黄岚,王康平,周春光,庞巍,董龙江,彭利;粒子群优化算法求解旅行商问题[J];吉林大学学报(理学版);2003年04期

9 曾建潮,崔志华;一种保证全局收敛的PSO算法[J];计算机研究与发展;2004年08期

10 高尚,韩斌,吴小俊,杨静宇;求解旅行商问题的混合粒子群优化算法[J];控制与决策;2004年11期

中国博士学位论文全文数据库 前2条

1 唐贤伦;混沌粒子群优化算法理论及应用[D];重庆大学;2007年

2 王俊伟;粒子群优化算法的改进及应用[D];东北大学;2006年

中国硕士学位论文全文数据库 前1条

1 司徒浩臻;基于遗传算法的多序列比对算法研究[D];暨南大学;2006年

，

本文编号：660408