学位论文 > 优秀研究生学位论文题录展示

粒子群优化算法的改进及其应用研究

作　者: 孙晶晶
导　师: 雷秀娟
学　校: 陕西师范大学
专　业: 计算机应用技术
关键词: 粒子群优化算法 TSP 多序列比对图像增强
分类号: TP18
类　型: 硕士论文
年　份: 2010年
下　载: 291次
引　用: 2次
阅　读: 论文下载

内容摘要

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。

全文目录

摘要  3-5
Abstract  5-10
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TSP  30-32
    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

粒子群优化算法的改进及其应用研究

内容摘要

全文目录

相似论文