论文部分内容阅读
粒子群优化(Particles Swarm Optimization, PSO)算法是源于鸟群觅食的一种启发式群智能优化算法。粒子群优化算法因其收敛速度快,思想简单和易于实现而受到广泛的关注和深入地研究。PSO算法在函数优化、神经网络训练、模糊控制等工业技术中得到了很好的应用。国内外研究学者针对粒子群算法易陷入局部极值,在算法迭代后期收敛速度慢,极易出现早熟现象等缺陷做了大量研究,并提出了改进方法,主要可分为3类：对算法本身参数的改进,对算法进化过程的改进以及与其它算法相结合的改进。这些改进的算法都在一定程度上加快了算法的收敛速度,尽可能地抑制算法的早熟现象。本文针对PSO算法易陷入局部极值、算法后期收敛速度慢以及寻优结果精度不高的问题做了以下方面的改进：(1)提出了一种改进的自适应粒子群优化(Improved Adaptive Particles Swarm Optimization,IAPSO)算法,根据粒子与全局最优粒子位置间的距离对标准粒子群优化算法中的惯性权重作了动态调整,并且与带有动量因子的位置更新方程相结合；(2)在保留IAPSO算法优势的基础上,针对算法后期仍然会出现陷入局部极值的情况,加入了混沌优化方法,提出了一种自适应混沌粒子群优化(Adaptive Chaos Particles Swarm Optimization,ACPSO)算法,用混沌变量来初始化粒子的位置和速度,并用新的无限折叠混沌映射对算法进行混沌变异,从当前群体中择优选择部分粒子进行混沌优化。最后将ACPSO算法应用到图像分割中。对改进算法采用标准测试函数进行对比测试实验,从算法收敛速度上看,ACPSO算法比IAPSO算法提高1.825～20.06倍,比基本PSO算法提高4.63～32.55倍；而IAPSO算法比基本PSO算法提高3.27～14.66倍,比带收缩因子的PSO算法提高了1.51～2.05倍；从寻优精度上看,ACPSO算法至少以75%的成功率精确地收敛到最优解。基于ACPSO算法和二维最大模糊Shannon熵阈值分割方法的图像分割,平均分割标准差较改进前减少了2.27%,迭代速度提高了6.94倍。