基于粒子群算法的码书设计研究.docVIP

基于粒子群算法的码书设计研究 摘 要：在基于粒子群算法码书设计研究中，提出采用随机概率扰动的方式作为基本粒子群算法的全局极值更新条件，从而增加全局最优区域的搜索能力，避免了粒子过早的“趋同性”。 关键词：矢量量化；码书设计；粒子群算法 1引言 码书设计是矢量量化的关键技术，码书性能的好坏直接影响到矢量量化的效果。研究码书设计算法的目的就是寻求有效的算法尽可能找到全局最优或接近全局最优的码书以提高码书性能，并尽可能减少计算复杂度。 由Linde、Buzo和Gray于1980年首先提出一种有效和直观的矢量量化码书设计算法——LBG算法[1]。该算法容易实现、理论严密，但计算量大且易陷入局部最优解。针对这些问题，学者们开始提出各种改进的算法，如模拟退火码书设计算法[2]、禁止搜索码书设计算法[3]、神经网络码书设计[4]以及蚁群算法码书设计[5]等，实验证明，这些算法均在不同程度上改善码书质量，但均存在不同的问题。 粒子群算法（Particle Swarm Optimization, PSO）[6]是在1995年由美国社会心理学家James Kennedy和电气工程师Russell Eberhart共同提出的。自粒子群算法提出以来，由于它的计算快速性和算法本身的易实现性，引起了国际上相关领域众多学者的关注和研究。PSO算法最早应用于人工神经网络的训练方法，随后，在函数优化、约束优化、极大极小问题、多目标优化等问题中均得到了成功的应用。针对PSO应用到码书设计中容易陷入局部最优解的问题，又由于模拟退火算法具有全局搜索能力的特点，提出将模拟退火算法及PSO共同应用到码书设计中，实验证明，本文算法有一定的可行性。 2标准粒子群算法 标准粒子群算法[7~8]（PSO）是一种有效的全局寻优算法，它是基于群体智能理论的优化算法，通过群体中粒子间的合作和竞争产生的群体智能指导优化搜索。与进化算法比较，PSO也采用了“群体”和“进化”的概念，同样是依据个体（微粒）的适应值大小进行操作。所不同的是PSO保留了基于种群的全局搜索策略，且它不象其他算法那样对于个体使用进化算法，而是将每个个体看作是在n维搜索空间中的一个没有重量和体积的微粒，并在搜索空间中以一定的速度飞行。该飞行速度由个体的飞行经验和群体的飞行经验进行动态调整。 在每次迭代中，每个个体（微粒）根据下式来调整它的飞行速度和位置： (1) (2) 其中，下标“j”表示粒子的第j维，“i”表示粒子i，“t”表示第t代，、为加速常数，通常在0~2间取值，，为两个相互独立的随机函数。 粒子群算法的基本实现步骤如下， 步骤1，在初始化范围内，对粒子群进行随机初始化，包括随机位置和速度。 步骤2，计算每个粒子的适应值。 步骤3，对于每个粒子，将其适应值与所经历过的最好位置的适应值进行比较，如果更好，则将其作为粒子的个体历史最优值，用当前位置更新个体历史最好位置。 步骤4，对每个粒子，将其历史最优适应值与群体内或邻域内所经历的最好位置的适应值进行比较，若更好，则将其作为当前的全局最好位置。 步骤5，根据式（1）和式（2）对粒子的速度和位置进行对比。 步骤6，若未达到结束条（件通常为足够好的适应值或达到一个预设最大代数），则返回步骤2。 3基于粒子群算法的码书设计 基于粒子群算法的码书设计[9]是利用标准粒子群算法有良好的全局搜索性，使每个粒子对要聚类的训练矢量进行搜索、聚类，每个粒子都能得到一组码书，更新胞腔质心。若满足了终止条件，则输出最好的那组码书；否则，再重新聚类，直到产生性能足够好的码书为止。 3.1粒子群码书设计算法的编码表示与适应度选择 粒子群算法采用实数编码，一个编码对应一个可行解。在本文算法中，采用的是基于聚类中心的编码方式，也就是每个粒子的位置是由n个聚类中心组成。粒子除了位置以外，还有速度和适应值。由于训练矢量维数为d，因此粒子的位置X是维变量，所以粒子的速度V也应当是维变量，另外每个粒子还有一个适应度。 当粒子初始位置确定时，也就是聚类中心确定时，为训练矢量集，则聚类的划分由下面的最近邻法则决定。 若满足： (3) 则属于第j类。聚类完后，可得第j类的类内离散度为。 对于某粒子，按照以下方法计算其适应度： （1）按照最近邻法则（3）式，确定与该粒子对应的聚类划分。 （2）根据聚类划分，计算类内离散度和，即各类中矢量到对应类中心的距离的总和。 （3）个体的适应度可采用，其中是总类内离散度和，L是调节常数，根据具体情况定。这样个体的适应度与离散度和负相关，离散度和越小，个体适应度越大。 3.2 粒子群码书设计算法的实现步骤 步骤1，种群的初始化。在初始化粒子时，先