模擬退火微粒群混合算法的研究.pdf

1、自從20世紀(jì)80年代以來，群體智能(Swarm Intelligence)作為一個(gè)新興領(lǐng)域，引起了許多研究人員的關(guān)注，已經(jīng)成為人工智能以及社會、經(jīng)濟(jì)、生物等交叉學(xué)科的熱點(diǎn)和前沿領(lǐng)域。人工神經(jīng)網(wǎng)絡(luò)、模擬退火算法、遺傳算法、粒子群優(yōu)化算法和蟻群算法，通過模擬某些自然現(xiàn)象和過程發(fā)展起來，為優(yōu)化理論提供了新的思路和手段。1995年提出的微粒群算法簡單容易實(shí)現(xiàn)，需調(diào)整的參數(shù)不多，收斂速度快。已廣泛應(yīng)用于目標(biāo)函數(shù)優(yōu)化、動態(tài)環(huán)境優(yōu)化、神經(jīng)網(wǎng)絡(luò)訓(xùn)練等多

2、個(gè)領(lǐng)域，并在IEEE進(jìn)化計(jì)算年會(IEEE Annual Conference Of Evolutionary Computation，CEC)上成為一個(gè)獨(dú)立的研究分枝。
　　模擬退火算法(Simulated Annealing，SA)作為局部搜索算法的擴(kuò)展，是1982年由S.Kirkpatrick等人提出的一種模擬金屬退火機(jī)理而建立的隨機(jī)優(yōu)化方法。SA接受新模型的方式使其成為一種全局最優(yōu)算法，并得到理論證明與實(shí)際應(yīng)用的驗(yàn)證。正是

3、由于這種優(yōu)勢的存在，人們成功地將該思想引入組合優(yōu)化理論。近年來該算法引起了大規(guī)模優(yōu)化設(shè)計(jì)、數(shù)值分析、復(fù)雜布局等領(lǐng)域廣泛的重視。
　　計(jì)算機(jī)技術(shù)、多媒體技術(shù)以及Intemet技術(shù)的長足發(fā)展導(dǎo)致大量圖象的出現(xiàn)，目前一個(gè)相當(dāng)重要而又富有挑戰(zhàn)性的研究課題:如何有效地、快速地從大規(guī)模的圖象數(shù)據(jù)庫中檢索出需要的圖象?；趦?nèi)容的圖象檢索技術(shù)的研究正是為了解決利用自動獲取的圖象特征，從圖象數(shù)據(jù)庫中檢索出相關(guān)圖象的問題。近年來，此項(xiàng)技術(shù)的研究非?；?/p>

4、躍，在許多領(lǐng)域都有應(yīng)用。
　　本文主要內(nèi)容是將模擬退火算法和微粒群優(yōu)化算法結(jié)合起來，并圍繞基于內(nèi)容的圖象檢索中的一些關(guān)鍵技術(shù)，進(jìn)行了一些探索性的研究。該內(nèi)容屬于圖象信息檢索和智能算法優(yōu)化領(lǐng)域的研究重點(diǎn)，具有相當(dāng)?shù)睦碚撘饬x和實(shí)際應(yīng)用價(jià)值，為設(shè)計(jì)新的智能分類檢索思路的開拓提供支撐平臺。主要工作包括:
　　1.提出了一種動態(tài)自適應(yīng)微粒群優(yōu)化算法DAPSO：
　　PSO算法存在易陷入局部最優(yōu)，出現(xiàn)早熟收斂的問題，許多研究都集中

5、于慣性權(quán)重w的改進(jìn)上。具有不同慣性權(quán)重的粒子各盡其責(zé)，全局尋優(yōu)和局部尋優(yōu)同時(shí)進(jìn)行，在保證算法能全局收斂和收斂速度之間做了一個(gè)很好的折衷。當(dāng)算法未搜索到全局最優(yōu)適應(yīng)值時(shí)，或不滿足最優(yōu)要求時(shí)，可采用慣性權(quán)重的變異策略。可以較大的概率產(chǎn)生小幅度的擾動以實(shí)現(xiàn)局部搜索，又可適當(dāng)產(chǎn)生大幅度擾動以實(shí)現(xiàn)大步長遷移來走出局部極小區(qū)域。
　　2.提出一種基于“小世界”的動態(tài)自適應(yīng)微粒群優(yōu)化模型DWPSO
　　現(xiàn)有的微粒群算法及其變種皆有著收斂速

6、度慢、容易陷入局部極值等問題，再針對動態(tài)自適應(yīng)微粒群算法有早熟收斂的現(xiàn)象，本文提出一種基于“小世界”的動態(tài)自適應(yīng)微粒群優(yōu)化模型。在動態(tài)小世界微粒群算法的基礎(chǔ)上，引入雜交及變異機(jī)制，從而減少計(jì)算時(shí)間以及避免早熟現(xiàn)象。
　　3.結(jié)合微粒群優(yōu)化算法和模擬退火算法，提出 SA-DWPSO混合算法。
　　在理論上已證明，微粒群優(yōu)化算法并不能保證收斂于最優(yōu)解，甚至局部最優(yōu)解。模擬退火算法已被證明依概率1收斂于全局最優(yōu)解，因此可以使用模擬

7、退火算法作為PSO算法的收斂依據(jù)。通過微粒群局部收斂性與模擬退火全局收斂性的融合，有效的克服了微粒群算法的早熟收斂現(xiàn)象，加快收斂速度。
　　4.模擬退火算法和改進(jìn)的微粒群算法兩者有機(jī)結(jié)合，協(xié)同搜索，可保持二者的搜索優(yōu)勢，具有良好的互補(bǔ)性。將該混合算法應(yīng)用到基于圖象特征的圖象分類檢索中去，達(dá)到較好的分類結(jié)果。利用VC++。NET2008、SQL Server2005數(shù)據(jù)庫系統(tǒng)和MATLAB在WindowsXP平臺上開發(fā)完成。分別針對