《基于群落动态分配的粒子群优化算法》由会员分享，可在线阅读，更多相关《基于群落动态分配的粒子群优化算法（6页珍藏版）》请在金锄头文库上搜索。
1、!“#!$%“!#!“#$%6,4,?/6,3 1%和(“)$%=)5$ 那么合并所得到的子代群落*“+,=#!并保证每个群落的规模满足J=“+A(!:;,将个体初始位置赋给个体历史最优解$?9)$?!-!$?!$?!%!+!$?!.#!并计算种群历史最优解$!同时将初始群落的最优个体位置作为群落的目标$B9)$C!,令D)B$)!#若满足终止条件!则输出结果并结束循环!否则转向第)E#步$)%#对于每个粒子的位置按下列式子进行调整*?!E8F:?!E4=?!E9?!E9H*8Q!-R?!EIH*8Q?!E9H*-,!-R?!EJH*-,#).#%?!E9%?!E4?!E)S#%?!E6?!E
2、99*8Q!-R6?!EI9*8Q6?!E99*-,!-R6?!EJ9*-,#)#其中式)P#第一项中F为#T-等人引入的惯性权重*U+!通常该参数随算法循环次数增加而线性递减!可按F)D#DBMUHBMVFD K)%;L+.MG加以调整)-%;L+.MG为最大循环次数#,第二项和第三项分别为“#6中粒子的认知(和社会(部分,最后一项则为该文新增加的群落(部分!个体%?属于第C个群落,=,9*8(+3提出的非凸病态二次函数! 在!“?$%“?$!/B4C的初始化参数为-(FK H0K12O* P*60O2(-!$Q!9B4C01002003004005006007008009001000PSO
3、CDAPSOI(3$“%21+*)$“!M9B4C图/()*+,-(.函数的平均适应度进化曲线图9B4C表$B4C和A9B4C在三类函数上重复测试$“次的平均最优解及标准差大小!函数理论最优解!算法获得平均最优解标准差B4CA9B4CB4CA9B4C456077*-#$#“;!M $!Q $S#“; QM ;? + 0/6 2;? A-C!DEEF%DEG$HDEG!(%K;-=/ %/B?8/ 3B,64.(B50 /40 0-C/4= 1;95? 0.6B04;/-) 2;89B0/04; 2;?:4 0; U)5- 3/6)4 /4= ./-04565? 2;=- +S;6B04;/-)
4、 2;89B0/.4(/ X(Q ./-0456 ?;- 4760/=0-;6 4 6675? 2;=- +S;6B04;/-) 2;89B0/04;!$NND(4?4 ;? 0./6 2;? +S;6B04;/-)2;89B0/04;!DEE!($“8“9“:“:!“:$“:8“:9“!“$(;$(“%(;%(“!(;!(“:(;:(“编码时间类数文献“$“%“!“:“平均比较次数文献(#(% ?,2量化! 最优匹配块的位置用:! ?,2量化!这样在没有对编码结果作进一步熵编码的情况下!压缩比为$(#$作为比较!本文实现了文献结论为了在加速分形编码的过程中不至于损失太多的解码质量!本文提出了
5、一种基于二维特征向量的自适应分类方法 利用,分割Z合并!再分割Z再合并-的过程对定义域块库进行分类实验表明相对于均匀分类和基于定义域块数目的自适应分类!经过此分类方法后的定义域块库更利于值域块找到最优匹配块!而且由于各区间定义域块数目分布更加均匀!也会使得值域块找到最优匹配块的搜索量大大减少 本文使用图像的:(!阶矩不变量作为图像的主副特征!可以寻找其它主副特征用来更好的对定义域块库进行分类! 这是笔者将来的努力方向 &收稿日期%!“8年B月$参考文献!&: A340)C6D E F! 本文主要研究量子行为粒子群算法(Quantum-behaved Particle Swarm Optimiz
6、ation，QPSO)，分析研究了算法的基本原理，针对该算法执行过程中可能出现的早熟问题，提出了几种算法的改进方法；与此同时，为了进一步提高算法的速度，对该算法的并 行化进行了研究，以进一步提高算法的全局性和性能，在上述研究的基础上，对它在实际优化问题中的应用进行了研究。主要研究内容包括： (1)针对算法在解一些多峰函数或具有局部最优解的复杂优化问题时，因mbest参数而存在粒子快速收敛于局部最优解趋于同一化，导致算法在后期的收敛速度和搜索能力变差的缺点。提出了基于邻域模型的QPSO算法(Neigborhood Topology QPSO，NQPSO)。 通过动态调整算法的邻域，使得算法保持多
7、个吸引子来避免早熟，增强了个体的寻优能力。实验证明，该算法有效地提高了种群的多样性，其全局搜索能力和局部搜索能力均优于QPSO和SPSO算法，尤其体现在解决高维的优化问题。 (2)针对算法可能的早熟问题，提出了它的一种改进算法。即在算法中引入Gauss扰动，通过施加于群体的平均最好位置上的扰动，使得粒子种群保持群体的活性与多样性，从而防止算法早熟的发生。对一些标准测试函数的仿真实验表明，改进算法的性能比 一般QPSO算法有所提高。 (3)提出了算法的另外两种改进，即具有多阶段的QPSO算法(A Multi-PhasedQPSO，MQPSO)以及多样性维持的QPSO算法(Diversity-Ma
8、intained QPSO，DMQPSO)。前者引入了多个子群体和多个搜索阶段，使群体能保持持续的搜索能力；后者通过对群体多样性 的控制，使之维持在一定的水平，同样能保持粒子群的持续运行能力。这两种方法是防止早熟收敛的有效方法并且可能在很多方面使得算法性能得到提高。 (4)研究了算法的并行化处理方法，通过研究常用和较新出现的进化算法的并行化方法，利用岛屿模型将粒子群分割成若干子群体，每个子群体分别在不同的处理机上进行搜索，定期相互交换信息，从而维持整个群体的多样性，提高算法的性能。与此同时 ，利用群体智能算法内在的并行性，设计和构建了基于动态邻域拓扑结构的并行计算模型，分别采用MPI、Open
9、MP以及MPI+OpenMP混合编程实现了基于邻域模型的并行QPSO算法。实验显示基于邻域模型的并行QPSO算法在求解非线性优化问题上表现出良好的性 能。 (5)研究了算法在实际优化问题中的应用，包括图像对准、图像分割等，仿真实验显示，QPSO算法及其改进能有效的应用于图像处理等实际优化问题。 文章首先介绍课题的研究背景、研究目标，以及常用进化算法。第二章介绍PSO算法的基本原理和实现方式，然后介绍基于Delta势阱的量子行为PSO算法，即QPSO算法的基本原理。第三章针对QPSO算法存在的问题，在算法中引入了动态可变的邻域拓扑模型 和算子，提出了基于邻域模型的QPSO算法。第四章针对算法在运
10、行过程中存在的多样性缺失问题，提出利用高斯扰动来改善算法运行过程中粒子的多样性，即带有高斯扰动的QPSO算法(GQPSO)。给出了GQPSO算法的基本原理和工作流程，然后给出了三种方法 加入高斯扰动，最后利用标准测试函数对三种算法的性能进行了实验测试。第五章将算法进行阶段划分，通过不同阶段的参数设置，改善算法的性能，提出了多阶段QPSO算法，利用两种方法来改进QPSO算法的性能，一种是维持粒子群多样性的方法来提高 QPSO算法的全局搜索能力，称之为DQPSO算法。另一种是具有多群体和多阶段的量子行为的QPSO算法(MQPSO)。第六章根据大规模复杂优化问题对算法速度和时间上的要求，研究算法的并
11、行化方法，以提高算法的性能和速度。第七章详细描述了算法在实际优 化问题中的应用，如约束函数优化、医学图像配准、图像分割等方面的具体应用。本章对QPSO算法、并行QPSO算法在图像处理领域的应用进行了初步的研究，首先分析医学图像配准问题，然后采用基于最大互信息的相似性度量和QPSO算法，对采用核磁共振 成像MR图像和计算机断层扫描成像CT图像进行了图像配准实验，其次研究了QPSO算法及具有高斯扰动的QPSO算法(GQPSO)在图像聚类分割中的应用，提出了基于QPSO算法的聚类算法，并利用三种算法对9幅图像进行了聚类分割实验比较。第八章为总结和展望 ，总结本课题在研究改进算法中取得的成果，提出未来
12、研究的方向。5.期刊论文 冯斌.石锦风.孙俊.FENG Bin.SHI Jin-feng.SUN Jun 基于QPSO算法的作业车间调度问题的研究 -计算机工程与设计2007,28(23)针对现行的遗传算法存在进化速度过慢和过早收敛的局限,以及粒子群优化算法搜索空间有限、容易陷入局部最优点的缺陷,提出将一种基于量子行为的粒子群优化算法应用于作业车间调度问题.将该问题中的每个调度组成一个多维向量,以此向量作为量 子粒子群优化算法中的粒子进行进化,由此在解空间内搜索最优解.实例仿真结果表明,该算法收敛速度快、全局收敛性能好,可以得到比遗传算法、粒子群优化算法更佳的调度效果,证明了算法的有效性.6.
13、学位论文 赵懿丹 两种群体智能算法的研究及其应用 2009群体智能是模拟自然界生物的群体行为而构造的随机优化算法，它为寻找一些复杂问题如约束性，非线性和求极值等的解决方案提供了新的思路。蚁群算法与粒子群优化算法是群体智能中的两种最重要的方法，将其应用到生物信息学中的基础任务序列 比对中正是本文的研究内容。一方面，蚁群算法已被应用到序列比对中，但传统蚁群算法只能应用于相近长度的序列比对且容易陷入局部最优。为通过蚁群算法获得一个准确的基因序列比对算法，本文给出了一种新的基于蚁群算法的DNA序列比对方法。该方法通过在不同时刻调节蚂 蚁起、止位置，修正信息素，来避免局部最优，特别是可以根据行走路径去除
14、比对差异大的路径得分，使算法具有较好比对不同长度序列的能力，一定程度上摆脱了传统方法的应用局限性。实验结果表明这种新颖的序列比对算法是有效的和可行的。另一方 面，粒子群优化算法源于对鸟群运动行为的模拟，其特点是简单、需调整参数较少、收敛速度快且易于实现，本文首先介绍了粒子群优化算法求解问题的优越性，并提出了一种粒子群优化算法的改进：根据不同应用给出相应的自适性惯性权重，同时参考其 它优秀粒子的位置，均衡该粒子的当前最优位置，改进的粒子群算法具有使粒子更符合进化特点、加快算法的收敛速度、改善粒子群优化算法的搜索性能、提高全局收敛的优点。本文将粒子群优化算法应用于解决序列比对问题上，并结合序列比对
15、特点给出 了粒子初始位置的约束条件和粒子在运动过程中的移动策略，通过实验说明了方法的可行性和有效性。本文对改进后的蚁群算法和粒子群优化算法进行比较分别说明了各自算法在双序列比对方面的特点。通过将改进后的蚁群算法和粒子群优化算法实际应用于松树cDNA序列中特征的提取，证明了蚁群算法与粒子群优化算法在序列查找问题中的可行性，表 现了群体智能的广泛应用空间和令人满意的优化性能。7.学位论文 赵吉 群体智能算法研究及其应用 2010群体智能优化算法是一种近年来新兴的优化方法，是受到关注最多的优化研究领域之一，其模拟社会性动物的各种群体行为，利用群体中的个体之间的信息交互和合作来实现寻优的目的。与其它类
16、型的优化方法相比，其实现较为简单、效率较高。粒子群优化算法(Particle Swarm Optimization，PSO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、收敛速度较快，所需领域知识少。具有量子行为的粒 子群优化(Quantum-behaved Particle Swarm Optimization，QPSO)算法是在深入研究PSO算法单个粒子收敛行为的基础上，受量子物理学的启发而提出，QPSO算法具有控制参数更少，收敛速度快，全局搜索能力强等特点。 本文以PSO算法与QPSO算法的理论分析及改进方法研究为重点，系统的研究了QPSO算法及其改进算法在相关方面的应用，具体内容如下： (1)从最优化问题概念及其求解方法入手，阐述了智能智能优化算法研究背景，详细
