粒子群算法优化及其在图像检索中的应用分析-particle swarm optimization and its application in image retrieval.docxVIP

摘要粒子群优化算法是一种基于群体智能的进化计算技术，是受到了鸟类规律性集群活动的启发，进而在群体智能基础上建立的数学模型。粒子群优化算法在对动物群体行为观察的基础上，利用了群体中个体间的信息共享，使整个群体在求解空间中呈现从无序到有序的进化过程，进而得到问题的最优解。该算法的优势在于简单、容易实现并且没有过多参数需要调整。目前已被广泛应用于函数优化，组合优化，神经网络训练，模糊系统控制等领域。然而粒子群算法在理论与实践上都不够成熟，在使用粒子群算法解决实际问题，尤其是复杂优化问题时，存在早熟、收敛精度低和收敛速度慢等问题。因此，如何有效地改进粒子群算法以使其能够更好地求解实际问题，成为了近年来该领域专家重点研究的问题。针对粒子群算法存在的上述问题，本文提出了一种采用混沌搜索的自适应粒子群优化算法。该算法采用了均匀设计的思想构造初始种群，使初始种群更均匀地分布在搜索空间中，从而增加了初始种群的多样性，增强了算法的全局搜索能力；在算法迭代过程中设计了自适应因子，并结合凹函数的特性改进了惯性权值的更新策略，使惯性权值的更新更符合种群进化的特征，提高了算法的搜索效率；在算法搜索过程中提出了采用混沌扰动的局部搜索策略，利用了混沌的不可预测性，有效地避免了算法过早陷入局部最优解的现象，从而提高了收敛精度。实验结果表明，本文提出的算法能够更快、更准确地收敛并有效地克服早熟现象。随着计算机和网络技术的不断发展，数字图像等多媒体技术被广泛应用。如何有效地组织、管理以及查找图像成为亟待解决的问题。图像检索技术在这样的背景下被提出。鉴于粒子群算法的并行搜索及学习进化特性，本文提出了基于改进的粒子群算法的图像检索方法。在基于内容的图像检索领域，采用单一的颜色视觉特征往往不能明确地表达图像的内容，融合多种特征的图像检索技术成为了研究的热点。本文设计了图像的不变矩向量作为图像的特征，兼顾了颜色及其空间分布等信息。在图像特征提取时，对图像进行几何分割，计算各图像块的颜色矩、图像边缘和信息熵等不变量构造图像的特征向量。并采用了本文改进的粒子群算法进行检索。实验结果表明，本文提出的检索方法能够快速、准确地检索到目标图像。在后续的研究工作中，将继续研究粒子群的优化算法以及与其它算法的结合，进一步加快收敛速度，提高求解精度，使其能够更好地适应实际工程应用中多峰值、多目标问题。关键词：粒子群优化算法均匀设计混沌变异图像检索特征向量AbstractParticleSwarmOptimization(PSO)isanevolutionarycomputationtechnologybasedontheswarmintelligence.Inspiredbybirdsregularclusteractivities,PSOisamathematicalmodelwhichisestablishedonthebasisoftheswarmintelligence.Takingtheadvantageoftheinformation’sharingamongtheindividualswithinthepopulation,ParticleSwarmOptimizationmakestheevolutionprocessofthepopulationtransformfromdisordertoorderinthesolutionspace,andthengetstheoptimalsolution.Theadvantageofthealgorithmissimpleandeasytoimplementwithouttoomanyparameterswhichneedtobeadjusted.Therefore,PSOhasbeenwidelyusedinfunctionoptimization,combinatorialoptimization,neuralnetworktraining,fuzzysystemscontrolandotherfields.However,PSOisimmatureenoughbothintheoryandinpractice.Thereisprematureconvergence,lowconvergenceaccuracy,slowconvergencespeedandotherissuesintheuseofPSOtosolvepracticalproblems,especiallythecomplexoptimizationproblems.Forthisreason,theeffectiveimprovementofPSOalgorithmtomakeitbetteradapttoactualproblemhasbecomethef