粒子群优化算法源于鸟群和鱼群群体运动行为的研究,是一种新的群体智能优化算法,是演化计算领域中的一个新的分支。它的主要特点是原理简单、参数少、收敛速度快,所需领域知识少。该算法的出现引起了学者们极大的关注,已在函数优化、神经网络训练、组合优化、机器人路径规划等领域获得了广泛应用,并取得了较好的效果。尽管粒子群优化算法发展近十年,但无论是理论分析还是实践应用都尚未成熟,有大量的问题值得研究。本文从算法机理、算法改进和算法应用等方面对其进行了系统性的研究。此外,图像分割是图像分析和模式识别的首要问题,也是图像处理的经典难题之一。本文将微粒群算法和图像分割法相结合,提出了基于改进PSO算法的分割算法,在取得良好的分割效果的同时,运用算法的并行搜索机制显著的提高了分割速度。论文具体内容如下:(1)对粒子群算法及其理论基础(优化方法和进化计算)进行了详细的综述。首先本文概述了优化方法的产生和发展,着重介绍了优化方法的基本思想、研究领域、应用发展情况;阐述了进化计算的产生、定义以及研究内容,并介绍了几种典型的进化计算方法,包括遗传算法、进化策略、微分进化等;最后介绍了粒子群优化算法,阐述了粒子群优化算法的起源,介绍了粒子群优化算法的初始版本和标准版本,从理论研究和应用研究的角度综述了粒子群优化研究的现状,总结了标准粒子群优化算法存在的问题。同时本文使用了蒙特卡罗方法对粒子的行为进行了研究,结果显示PSO算法在迭代后期具有搜索能力较弱的缺点,同时也给出了如何提高PSO算法收敛性的方法。此外,九个标准测试函数用来测试PSO算法和其他几种流行的进化计算方法的性能,结果验证了PSO有着其他进化算法无法比拟的快速收敛等特性。(2)尽管PSO算法比其他算法对复杂函数有着较强的寻优能力以及收敛速度快等特点,但是它依然无法保证在搜索空间中找到全局最优点。因此在本文中引入了具有着更强全局搜索能力的QPSO算法来进行研究改进。但是由于QPSO同PSO算法一样的是,它也把粒子作为一个整体来进行更新,因此QPSO算法同样具有维数限制的缺点。通过把一个具有复杂高维的粒子分解为多个一维的子个体进行优化,使用协作方法的QPSO算法能够很好的克服这一缺点。八个测试函数以及应用于图像分割领域的最大类间方差法(OTSU方法)在本文中用来测试改进以后的QPSO算法的成绩。仿真结果表明,与其他算法比较来看,协作方法帮助QPSO算法获得更精确的解。它同样也克服了OTSU方法受维数束缚的缺陷。(3)在分析了粒子群全局收敛能力的基础之上,针对粒子群算法局部收敛和搜索精度低的问题,提出了一种全局的基于Gaussian变异的粒子群算法(GGPSO).该算法结合了局部和全局变异因子使算法在全局和局部搜索能力中找到了一个很好的平衡,并证明了它能以概率1收敛到全局最优解。典型函数优化的仿真结果表明,该算法不仅可有效的避免标准PSO算法的早熟收敛,而且具有寻优能力强、搜索精度高、稳定性好等优点。同时针对图像信息处理中的图象分割这一难点问题,以Kapur算法为优化目标,验证了该算法克服了图象分割中寻优速度慢的缺点,与其他群体算法比较获得了更大的适应度函数值。因此,该算法更适合于图像分割以及相关的函数优化问题。(4)在分析了粒子群收敛性的基础之上,针对粒子群(PSO)算法后期搜索能力下降的问题,提出了一种基于适度随机搜索策略的粒子群算法(IRPSO).该方法在提高粒子群算法收敛速度的前提下,有效的提高了粒子的全局搜索能力。另外,由于该方法只有一个控制参数和迭代公式,因此更为简单易实现。典型函数优化的仿真结果表明,该算法相对于比较算法来说获得了更好的性能。同时针对图像分割这一难点问题,以互信息熵差为优化目标,验证了该算法在比较算法中获得了更好的分割效果。论文最后对所做工作进行了总结,并提出了进一步研究的方向。