论文部分内容阅读
科学研究和工程领域中存在的优化问题具有多约束、非线性、高维度等特点,经典的数值方法很难获得最优解。骨干粒子群优化(Bare-bones Particle Swarm Optimization,简称BPSO)算法由于其结构简洁、易于实现、收敛速度快等优势,已经受到国内外专家学者的关注,并在工业优化、图像处理、数据挖掘等领域得到了广泛的应用。但是,BPSO算法在求解复杂优化问题时,与标准粒子群优化算法(Particle Swarm Optimization,简称PSO)一样存在着早期收敛的现象;为此,本文针对静态非线性优化、约束优化和动态优化中存在的早期收敛现象提出了改进的BPSO算法,并将其应用于解决图像分割问题。本文主要工作如下:(1)针对静态非线性优化问题,提出了自学习的BPSO(Self-learning BPSO,简称SLBPSO)算法。首先,针对BPSO过早收敛的原因进行了分析,提出了自学习策略,设计了一个时变因子用于控制高斯采样的期望,平衡算法的前期探索能力和后期收敛能力;其次,通过对个体最优位置(Pb)和群体最优位置(Gb)的突变操作,有效的提高算法跳出局部最优继续探索的能力。实验结果表明SLBPSO算法在求解静态优化问题上具有很强的竞争力。(2)针对约束优化问题,为了提高求解约束优化问题的收敛精度,提出了求解约束优化问题的BPSO算法。首先,设计了一个自适应的约束放松参数ε,使算法前期充分利用不可行解所提供的有效信息;其次,为了阻止早期收敛,提出了动态学习策略,使粒子可以随机地向群体中的优秀个体学习,并通过自适应权重使群体从全局勘探转向局部利用;最后,依概率采用梯度突变策略,将不可行域中的粒子引入可行域。仿真实验结果表明,算法在求解约束优化问题上具有优越性。(3)针对动态优化问题中所面临的过时记忆和多样性丧失的挑战,提出了求解动态优化问题的多种群BPSO(Multi-swarms BPSO,简称MBPSO)算法。首先通过设置环境勘探粒子及时检测环境的变化,避免了错误的信息误导种群的进化方向;环境改变后,利用上一环境搜索的信息初始化新的种群,提高MBPSO算法快速追踪到当前环境最优解的能力;此外,当种群陷入停滞时,采用新的进化方程以加强粒子的活性和多种群策略维持群体的多样性。仿真实验结果表明,MBPSO算法解决动态优化问题的性能良好。(4)将SLBPSO算法应用于多阈值图像分割,解决了图像分割时存在的计算量大的问题。SLBPSO算法对多种不同类型的图像进行多阈值分割实验,并与穷举分割法、类电磁机制(Electromagnetism-like Mechanism,简称EM)算法、标准PSO算法和人工蜜蜂算法(Artifical Bee Colony,简称ABC)进行比较。实验结果表明:SLBPSO在三阈值分割和四阈值分割时分别比穷举分割法快89.74倍和5368.70倍;同时获取阈值的精确度优于标准PSO、ABC和EM。