基于高斯扰动的量子粒子群优化算法

针对量子粒子群优化（QPSO）算法在优化过程中面临早熟问题,提出了在粒子的平均位置或全局最优位置上加入高斯扰动的QPSO算法,可以有效地阻止粒子的停滞,因此较容易地使粒子避免陷入局部最优。为了评估算法的性能,利用标准测试函数对标准PSO算法、QPSO算法以及基于高斯扰动的QPSO算法进行了比较测试。其结果表明,该算法具有较强的全局搜索能力和较快的收敛速度。     

基于量子粒子群算法的Ostu图像阈值分割

二维Ostu方法同时考虑了图像的灰度信息和像素间的空间邻域信息,是一种有效的图像分割方法.针对二维Ostu方法计算量大的特点,采用量子粒子群算法来搜索最优二维阈值向量,每个粒子代表一个可行的二维阈值向量,通过各个粒子的飞行来获得最优阈值.结果表明,所提出的方法不仅能得到理想的分割结果,而且计算量大大减少,达到了快速分割的目的,便于二维Ostu方法的实时应用.     

基于高斯扰动的粒子群优化算法

针对标准粒子群优化(PSO)算法易陷入局部最优、进化后期收敛速度慢和收敛精度低的缺点,提出一种基于高斯扰动的粒子群优化算法。该算法采用对粒子个体最优位置加入高斯扰动策略,有效地防止算法陷入局部最优,加快收敛并提高收敛精度。在固定评估次数的情况下,对8个常用的经典基准测试函数在30维上进行了仿真。实验结果表明,所提算法在收敛速度和寻优精度上优于一些知名的粒子群优化算法。     

基于量子行为的微粒群优化算法的图像分割

在图像处理中提出的图像颜色分割是一个重要性和具有挑战性的难题。当一幅图像中包含相似的和(或者)非固定的纹理区域时,难以计算出精确的纹理区域和分割区域的最优的数目。在这篇文章中,寻找出了一种实用而广泛的图像分割方法——基于量子行为的微粒群优化算法(QPSO)的图像颜色分割方法,把图像分割问题看作一个最优化问题,并且采用QPSO的进化策略聚类颜色特征空间中的区域。QPSO不仅参数个数少,随机性强,并且能覆盖所有解空间,保证算法的全局收敛。文中给出了三幅图像的分割效果,证明了QPSO算法在自动的和无监督的颜色分割上具有很好的效能。     

基于量子粒子群的改进模糊聚类图像分割算法

提出了一种基于量子粒子群的改进模糊聚类图像分割算法。针对FCM图像分割算法对聚类中心初始值比较敏感的缺点,利用量子粒子群优化算法强大的全局搜索能力寻找最优解,能够有效降低图像分割算法对初始值的依赖程度;同时,用一种新的基于簇密度的距离度量公式来计算图像特征点与聚类中心点的距离,其在确定类中心时考虑数据集的全局信息,并且在迭代过程中采用动态隶属度,能够降低噪声干扰。仿真实验结果证明改进算法具有较好的性能。     

基于高斯扰动的粒子群优化算法

针对标准粒子群优化(PSO)算法易陷入局部最优、进化后期收敛速度慢和收敛精度低的缺点,提出一种基于高斯扰动的粒子群优化算法。该算法采用对粒子个体最优位置加入高斯扰动策略,有效地防止算法陷入局部最优,加快收敛并提高收敛精度。在固定评估次数的情况下,对8个常用的经典基准测试函数在30维上进行了仿真。实验结果表明,所提算法在收敛速度和寻优精度上优于一些知名的粒子群优化算法。     

基于精英粒子群优化算法的图像分割方法

结合模式识别理论的聚类思想,将基于群智能理论的粒子群优法算法加以改进应用于图像分割中,提出一种基于精英粒子群优化算法的图像分割方法。新方法基于Pareto的精英理论对粒子群算法加以改进,在每次迭代中,生成一个Pareto精英群体,每个粒子更新时的全局极值都是从精英群体中随机选取一个个体作为全局极值。用改进的粒子群优化算法自适应选取分割阈值。实验表明,与遗传算法及标准的粒子群优化算法相比,对于具体的问题该算法具有较好的聚类效果,能够较好地分割图像。     

基于量子空间的粒子群算法在图像分割中的应用研究

研究图像的空间信息和灰度的图像分割,从中提取感兴趣的目标.传统的粒子群算法后期容易陷入早熟收敛状态,阈值选取时不能保证概率为1时收敛到全局最优解,导致计算时间延长,计算量增大,运算效率较低,抗噪能力差,最终造成分割效果不好.为了提高图像分割效率和分割精度,提出一种基于量子空间的粒子群算法的图像分割算法( QDPSO算法).该方法通过最优阈值来划分像素,实现图像分割.实验结果表明,与传统的粒子群分割算法相比,该算法不仅得到了更高的分割精度,还大大减少了计算量,能够一定程度上改善图片分割的效率和质量.     

基于粒子群优化算法的图像分割研究

借助于粒子群优化算法,进一步对图像分割技术开展相关研究,具体研究方法是针对常规分割技术与现代分割技术的联合运用,通过对粒子群优化算法,建立并且完善具有一定自适应功能的图像分割方法,以此可以达到自动、精确以及快速分割图像的重要作用.     

基于多种群量子粒子群优化的属性约简

现代工业发展要求迅速、可靠地实现故障诊断。针对粒子群约简算法易陷入局部最优等问题,提出了一种多种群量子粒子群优化算法（MIQPSO）。该算法对量子粒子群算法进行分群,并通过接种疫苗,指导粒子朝更优化方向进化,提高了量子粒子群的收敛速度和寻优能力。利用UCI相关数据集,通过对Hu算法、粒子群算法、量子粒子群算法、多种群量子粒子群算法的粗糙集属性约简验证,结果表明,基于多种群量子粒子群优化的约简算法具有良好的约简效果。     

基于量子行为粒子群算法的微电网优化配置

关于微电网的优化配置问题,是在功率平衡等一系列约束的前提下,以投资成本、环境因素等为目标,优化配置微电网中各微电源的数量.微电网的优化配置是一个动态多维非线性优化问题,传统的优化算法收敛速度慢,容易陷入局部最优,而量子行为粒子群算法以其搜索能力强、收敛速度快和解的精度高等特点,可以很好的求解微电网的优化配置问题.以某地的气象和负荷数据为例,在满足用户的冷热电负荷需求前提下,求解微电网的配置.结果表明,采用量子行为粒子群算法,可以得到各微电源容量的最佳配比方案.     

基于云模型的自适应量子粒子群算法

利用云模型理论能兼顾随机性和模糊性的特质, 提出一种基于云模型的自适应量子粒子群优化算法。首先分析量子粒子群算法的控制机制, 在此基础上, 使用云算子实现对每个粒子的吸收扩张因子自适应控制, 达到在进化过程中对粒子飞行位置动态调整的目的, 使算法具有较快的收敛速度和较强的全局搜索能力。同时, 补充针对性的优化方案, 有效避免算法陷入局部最优。对典型测试函数的仿真对比实验表明, 该算法具有寻优能力强、搜索精度高、稳定度好等优点, 相比其它同类算法具有一定优势。     

基于量子行为粒子群优化的软子空间聚类算法*

针对软子空间聚类算法搜寻聚类中心点容易陷入局部最优的缺点,提出在软子空间聚类框架下,结合量子行为粒子群优化(QPSO)和梯度下降法优化软子空间聚类目标函数的模糊聚类算法.根据QPSO全局寻优的特点,求解子空间中全局最优中心点,利用梯度下降法收敛速度快的特点,求解样本点的模糊权重和隶属度矩阵,最终获取样本点的最优聚类结果.在UCI数据集上的实验表明,文中算法可提高聚类精度和聚类结果的稳定性.     

基于QPSO数据聚类的图像颜色分割

聚类算法在数据分析及数据挖掘等许多领域有广泛应用,在聚类方法中引入一种新的距离度量标准替代传统的Euclidean距离度量标准以提高其健壮性,并在此基础上提出基于粒子群算法(Particle Swarm Optimization,简称PSO)的聚类方法和基于量子行为的微粒群优化算法(Quantum-behaved Particle Swarm Optimization,简称QPSO)的聚类方法,然后将两种聚类方法应用于图像分割.实验结果表明,基于QPSO的聚类方法性能优于基于PSO的聚类方法.     

基于分块互信息和量子粒子群算法的图像配准

多模图像的配准是图像融合等图像处理需要先行解决的问题.本文提出了一种基于分块互信息和量子粒子群的配准方法,在配准中利用分块互信息值为相似性测度,并用量子粒子群算法求解配准所需的空间变换参数.实验表明:该方法能够避免陷入局部极小值而且速度得到明显改善,其运用于多模图像配准,可以得到理想的效果.     

量子粒子群优化算法在摄像机标定中的应用

摄像机标定是三维重构中最关键的一步,它的精度直接决定了三维重构结果的逼真程度。为了能够提高摄像机标定的精度,克服传统优化算法易陷入局部最小,反投影误差大等缺点,首次将量子粒子群优化算法（Quantum-Behaved Particle Swarm Optimization,QPSO）应用于摄像机标定中。该方法利用传统的线性方法求得初始值,利用QPSO对初始值进行优化。实验数据表明,基于QPSO的摄像机标定的平均反投影误差小于一个像素,是一种可行的方法,且与智能优化算法PSO相比,基于QPSO的摄像机标定具有更小的误差。     

基于探索与利用平衡理论的灾变粒子群算法

基于算法只有适应优化问题的特性才能表现出优异性能的观点,在探索与利用平衡的理论框架下将灾变机制引入粒子群算法。在对灾变的强度和范围进行深入研究的基础上,提出4种控制灾变的方法,并通过多组正交实验研究最佳的灾变触发方式。通过实验分析得出如下结论：灾变对高维问题的作用有限;灾变强度控制在15%以下为宜;以种群多样性作为灾变的触发条件,能得到较好效果。以上述结论为基础提出自适应灾变粒子群算法,并通过与其他算法对比验证文中算法具有较好性能。     

基于高斯变异的量子粒子群算法

粒子群算法相对于其他优化算法来说有着较强的寻优能力以及收敛速度快等特点,但是在多峰值函数优化中,基本粒子群算法存在着早熟收敛现象。针对粒子群算法易于陷入局部最小的弱点,提出了一种基于高斯变异的量子粒子群算法。该算法使粒子同时具有良好的全局搜索能力以及快速收敛能力。典型函数优化的仿真结果表明,该算法具有寻优能力强、搜索精度高、稳定性好等优点,适合于工程应用中的函数优化问题。