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
|
相似论文
- 数字图像处理在集装箱检测中的应用研究,TP274.4
- 基于数字图像处理的血管管径自动测量技术,R310
- 压感式指纹识别系统及算法研究,TP391.41
- 基于模糊理论的静脉图像增强算法研究,TP391.41
- 基于物理拓扑感知的Chord算法研究,TP393.02
- CMOS图像传感器的噪声分析及图像处理,TP212
- 基于数字图像处理技术的路面裂缝检测算法研究,TP391.41
- 路面裂缝检测算法研究,TP274
- 基于视觉特性与图像模型的增强算法与性能分析,TP391.41
- 基于偏微分方程的图像去噪与增强研究,TP391.41
- 红外图像增强及基于查找表的彩色化技术研究,TP391.41
- 车辆目标SAR图像预处理方法研究,TN957.52
- 隧道超前地质预报方法及应用研究,U452.11
- 视频监控系统及相关技术的研究与实现,TP277
- 指纹图像预处理算法的研究及DSP实现,TP391.41
- 微光条件下视频目标跟踪关键技术的研究,TP391.41
- C-SIFT算法在视频目标跟踪中的应用研究,TP391.41
- 南昌市大气颗粒物污染特征及其潜在危害,X513
- 大气颗粒物中重金属元素的测定研究,X831
- 基于USB同步传输的超声内窥镜图像采集与处理系统设计,TH776.1
- 免疫遗传算法及其在TSP中的应用研究,TP18
中图分类: > 工业技术 > 自动化技术、计算机技术 > 自动化基础理论 > 人工智能理论
© 2012 www.xueweilunwen.com
|