模拟退火微粒群混合算法的研究及应用

【摘要】： 自从20世纪80年代以来,群体智能(Swarm Intelligence)作为一个新兴领域,引起了许多研究人员的关注,已经成为人工智能以及社会、经济、生物等交叉学科的热点和前沿领域。人工神经网络、模拟退火算法、遗传算法、粒子群优化算法和蚁群算法,通过模拟某些自然现象和过程发展起来,为优化理论提供了新的思路和手段。1995年提出的微粒群算法简单容易实现,需调整的参数不多,收敛速度快。已广泛应用于目标函数优化、动态环境优化、神经网络训练等多个领域,并在IEEE进化计算年会(IEEE Annual Conference Of Evolutionary Computation,CEC)上成为一个独立的研究分枝。 模拟退火算法(Simulated Annealing,SA)作为局部搜索算法的扩展,是1982年由S.Kirkpatrick等人提出的一种模拟金属退火机理而建立的随机优化方法。SA接受新模型的方式使其成为一种全局最优算法,并得到理论证明与实际应用的验证。正是由于这种优势的存在,人们成功地将该思想引入组合优化理论。近年来该算法引起了大规模优化设计、数值分析、复杂布局等领域广泛的重视。 计算机技术、多媒体技术以及Intemet技术的长足发展导致大量图象的出现,目前一个相当重要而又富有挑战性的研究课题:如何有效地、快速地从大规模的图象数据库中检索出需要的图象。基于内容的图象检索技术的研究正是为了解决利用自动获取的图象特征,从图象数据库中检索出相关图象的问题。近年来,此项技术的研究非常活跃,在许多领域都有应用。 本文主要内容是将模拟退火算法和微粒群优化算法结合起来,并围绕基于内容的图象检索中的一些关键技术,进行了一些探索性的研究。该内容属于图象信息检索和智能算法优化领域的研究重点,具有相当的理论意义和实际应用价值,为设计新的智能分类检索思路的开拓提供支撑平台。主要工作包括: 1.提出了一种动态自适应微粒群优化算法DAPSO PSO算法存在易陷入局部最优,出现早熟收敛的问题,许多研究都集中于惯性权重w的改进上。具有不同惯性权重的粒子各尽其责,全局寻优和局部寻优同时进行,在保证算法能全局收敛和收敛速度之间做了一个很好的折衷。当算法未搜索到全局最优适应值时,或不满足最优要求时,可采用惯性权重的变异策略。可以较大的概率产生小幅度的扰动以实现局部搜索,又可适当产生大幅度扰动以实现大步长迁移来走出局部极小区域。 2.提出一种基于“小世界”的动态自适应微粒群优化模型DWPSO 现有的微粒群算法及其变种皆有着收敛速度慢、容易陷入局部极值等问题,再针对动态自适应微粒群算法有早熟收敛的现象,本文提出一种基于“小世界”的动态自适应微粒群优化模型。在动态小世界微粒群算法的基础上,引入杂交及变异机制,从而减少计算时间以及避免早熟现象。 3.结合微粒群优化算法和模拟退火算法,提出SA-DWPSO混合算法。在理论上已证明,微粒群优化算法并不能保证收敛于最优解,甚至局部最优解。模拟退火算法已被证明依概率1收敛于全局最优解,因此可以使用模拟退火算法作为PSO算法的收敛依据。通过微粒群局部收敛性与模拟退火全局收敛性的融合,有效的克服了微粒群算法的早熟收敛现象,加快收敛速度。 4.模拟退火算法和改进的微粒群算法两者有机结合,协同搜索,可保持二者的搜索优势,具有良好的互补性。将该混合算法应用到基于图象特征的图象分类检索中去,达到较好的分类结果。利用VC++.NET 2008、SQL Server2005数据库系统和MATLAB在WindowsXP平台上开发完成。分别针对图像的检索、分类、优化等进行了实验分析,设计结果令人满意。