粒子群算法及其在图像分割中的应用.docx

分类号宙级博士等位卷文题目：粒子群算法及其在图像分割中的应用与生先英文并列题目：ThCStudyofthePartic1.eSwarmOPtimiZationandHsAPPHCatjoI1.inImageSegmentation研究生：高浩专业：轻工信息技术与工程研究方向：轻工过程模型化及控制导师：须文波指导小组成员：学位授予日期：辩论委员会主席：袁景淇江南大学地址：无锡市蠡湖大道1800号二00九年十二月独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果.尽我所知，1.了文中将别加以标注和致福的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含本人为获得江南大学或其它教育机构的学位或证书而使用过的材料.与我一同工作的同志对本研究所做的任何奉献均巳在论文中作了明磷的说明并表示谢意.签名：日期：关于论文使用授权的说明本学位论文作者完全了解江南大学有关保存、使用学位论文的规定：江南大学有权保存并向国家有关部门或机构送交论文的复印件和碰叁，允许论文被查阅和借阅，可以将学位论文的全部英局部内容编入有关数据算进行检索，可以采用影印、编印或扫描答复制手段保存、汇编学位论文，并且本人电子文档的内容和版质论文的内容相一致。保密的学位论文在解密后也遵守此规定.签名：导师签名：日期：摘要粒了群优化算法源于鸟群和鱼群群体运动行为的研究,是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、收敛速度快，所需领域知识少。该算法的出现引起了学者们极大的关注，已在函数优化、神经网络训练、组合优化、机器人路径规划等领域获得了广泛应用，并取得了较好的效果。尽管粒子群优化算法开展近十年，但无论是理论分析还是实践应用都尚未成熟，有大量的问题值得研究.本文从算法机理、算法改进和葬法应用等方面对其进行了系统性的研究。此外，图像分割是图像分析和模式识别的苜要问题，也是图像处理的经典难题之一。本文将微粒群算法和图像分割法相结合，提出了基于改进PSO算法的分割算法，在取得良好的分割效果的同时，运用算法的并行搜索机制显著的提高/分割速度。论文具体内容如下：(1) 对粒子群算法及其理论根底(优化方法和进化汁算)进行了详细的综述.首先本文概述了优化方法的产生和开展，着重介绍了优化方法的根本思想、研究领域、应用开展情况：阐述了进化计算的产生、定义以及研究内容，并介绍了几种典型的进化计算方法，包括遗传算法、进化策略、微分进化等：最后介绍r粒子群优化舞法，阐述了粒子群优化算法的起源，介绍了粒子群优化算法的初始版本和标准版本，从理论研究和应用研究的角度综述了粒子群优化研究的现状，总结了标准粒子群优化算法存在的问题.同时本文使用r蒙特卡罗方法对粒子的行为进行了研究，结果显示Pso算法在迭代后期具有搜索能力较弱的缺点，同时也给出了如何提高PSO算法收敛性的方法。此外，九个标准测试函数用来测试PSO算法和其他几种流行的进化计算方法的性能，结果验证了PSO有着其他进化算法无法比较的快速收敛等特性。(2) 尽管PSO克法比其他算法时史杂函数有岩较强的寻优能力以及收敛速度快等特点，但是它依然无法保证在搜索空间中找到全局最优点。因此在本文中引入了具有若更强全局搜索能力的QPSo兜法来进行研究改进。但是由于QPSO同PSO算法一样的是,它也把粒了作为个整体来进行更新,因此QPSO算法同样具有维数限制的缺点。通过把一个具有复杂高维的粒子分解为多个一维的子个体进行优化，使用协作方法的QPSO算法能够很好的克服这一缺点。八个测试函数以及应用于图像分割领域的最大类间方差法(OTSU方法)在本文中用来测试改进以后的QPSo.算法的成绩。仿真结果说明,与其他算法比较来看，协作方法帮助QpSO算法获得更精确的解。它同样也克服了OTSU方法受维数束缚的被陷.(3) 在分析了粒子群全局收敛能力的根底之上，针对粒子群算法局部收敛和搜索精度低的问题，提出了种全局的基于GaUSSian变异的粒子揖算法(GGPSO).该算法结合J'局部和全局变异因子使算法在全局和局部搜索能力中找到J'一个很好的平衡，并证明了它能以概率1收敛到全局最优解。典型函数优化的仿真结果说明，该算法不仅可有效的防止标准PSO算怯的早熟收敛，而且具有寻优能力强、搜索精度高、稳定性好等优点。同时针对图像信息处理中的图象分割这难点问题，以KaPUr算法为优化目标，验证了该算法克服了图象分割中寻优速度慢的缺点，与其他群体算法比较获得了更大的适应度函数值。因此，该算法更适合于图像分割以及相关的函数优化问题。(4) 在分析r粒子群收敛性的根底之上，针对粒子群(PSO)算法后期搜索能力下降的问题，提出了一种鞋于适度随机搜索策略的粒子群算法(IRPSo).该方法在提高粒子群鸵法收敛速度的前提卜.，有效的提高了粒子的全局搜索能力。另外，由于该方法只有一个控制参数和迭代公式，因此更为简单易实现。典型函数优化的仿真结果说明，该算法相对丁比较算法来说获得了更好的性能。同时针对图像分别这一难点问题，以互信息燃差为优化目标，验证了该算法在比较算法中获得了更好的分割效果。论文最后对所做工作进行了总结，并提出了进一步研究的方向。关使词：进化算法，粒子群算法，图像分割，收敛速度,全局搜索能力，维数约束,荥特卡罗方法AbstractPartic1.eswarmoptimization(PSO)isanevo1.utionarycomputationtechniquedeve1.opedbyDr.EberhartandDr.Kennedyin1995.inspiredbysocia1.behaviorofbirdf1.ockingorfishschoo1.ing.Recent1.y.PSOa1.gorithmhasbeengradua1.1.yattractedmoreattentionoveranotherinte1.1.igenta1.gorithm.PSoissimp1.einconcept,fewinparameters,andeasyinimp1.ementation.Itwasprovedtobeanefficientmethodtoso1.veoptimizationprob1.ems,andhassuccessfu1.1.ybeenapp1.iedintheareaoffunctionoptimization,worktrainingandfuzzycontro1.systems,etc.However,boththeoryandapp1.icationofPSoaresti1.1.farfrommature.ThepapergivesacomprehensivestudyonPSOfromtheaspectofa1.gorithmmechanism,a1.gorithmmodificationanditsapp1.ication.Furthermore,imagesegmentationisthefirstandforemostprob1.eminimageana1.yzingandmoderecognition,andisa1.soatypica1.stumb1.ingb1.ockinimageprocessing.Inordertoraiseitsspeed,wccombinedthemethodofPSOandimagesegmentationa1.gorithmonva1.vesandthereforeproposedsevera1.segmentationa1.gorithmsbasedonimprovedPSO.Aswcachieveaneffectivesegmentation,wca1.soraisedthespeedofthepara1.1.e1.searchingsystem.Themaincontentisasfo1.1.ows:(I)ThepapersurveysPSOa1.gorithmanditsbasictheories(OptimizationmethodandEvo1.ii1.ionarj'Computation.EC).Firstwesummarizethegcnc11Uionanddeve1.opmentofOp1.imiza1.ionmethodindetai1.,andemphasizethebasicidea,researchfie1.dandapp1.ications.Andthenweexpatiatetheemergence,definitionandresearchfie1.d,andsometypica1.ECmethods,c.g.GCnC1.iCA1.gorithm.Evo1.utionary'Strategy.Difcrcntia1.A1.gorithmarcintroduced.At1.astwcintroducePSOa1.gorithm,inc1.udingitsorigina1.editionandstandardedition,summarizeitstheoretica1.andapp1.iedresearch.Moti1.eCar1.onet1.u1.ispresentedioinvestigatetheabi1.ityofpartic1.es.Theresu1.tsrevea1.whythePSOhasre1.ativePoorg1.oba1.searchingabi1.ityinthe1.aststageofiteration,ita1.sogiveshewayhowtoimprovetheconvergencerateofPSO.Furthermore,ninebenchmarkfunctionsareusedtotesttheperformanceofPSOandoherpopu1.arECa1.gorithms.T1.ieresu1.tsshowthatthemeritsofPSOintermsofthe1.astconvergencerate.(2) InspiteofPSOhascomparab1.eorevensuperiorsearchPerformanCeformanyhardoptimizationprob1.emswithfasterandmorestab1.econvergencerates,butitcan'tguaranteetofindtheg1.oba1.optimainthesearchspace.SotheQuantum-behavedPSO(QPSO)a1.gorithmwhichhaspowerg1.oba1.searchingabi1.itythanPSOisintroducedforimprovinginthispaper.ButforQPSOupdatingthepositionofpartic1.easwho1.e-itemwhich1.ikesPSO.ita1.sohastheprob1.emofthecurseofdimensiona1.ity.HencetwonewhybridQPSOa1.gorithmswithCOOPeratiVeme1.hOd(CQPSoandICQPo)isproposedinthispaperforso1.vingthisprob1.em.I1.iecooperativemethodisspecifica1.1.yemp1.oyedtoconquerthe,*curseofdimensiona1.ity",bysp1.ittingapartic1.ewithcompositehigh-dimensiona1.intosevera1.one-dimensiona1.sub-parts.NinebenchmarkfunctionsandMaximizationoftheIneaSUreofseparabi1.ityonthebasisofbetween-c1.assvariancemeth(xi(oftenca1.1.edOTSUmethod),apopu1.arthresho1.dingtechnique,isemp1.oyedtoeva1.uatetheperformanceoftheproposedmethod.Theexperimentresu1.tsshowthat,comparedwiththeexitingECmethods,thecooperativemethodhe1.psthenewPSOa1.gorithmtogetmoreeffectiveandcfficicn1.resu1.ts,ha1.soconquers(hecurseofdi11wnsionoftraditiona1.OTSUmethod.(3) Basedonana1.ysisoftheg1.oba1.searchingabi1.ityofPSO.anewg1.oba1.GaussianPSO(GGPSO)isproposedtoovercometheprob1.emof(heprematureand1.owprecisionofthestandardPSO.Inthisa1.gorithm,combiningwihg1.oba1.and1.oca1.mutatingmethodfindsanexce1.1.entba1.ancebetweeng1.oba1.searchingand1.oca1.searching,whichisa1.soguaranteed(oconvergetotheg1.oba1.optimizationso1.utionwithprobabi1.ityone.Experimentsimu1.ationsshowha(theproposeda1.gorithmcannoton1.yavoidprematurecftcc1.ivc1.ybuta1.sohaspowerfu1.optimizingabi1.ity,goodstabi1.ityandhigheroptimizingprecision.Forso1.vingimageSegmeniaiionwhichisthegreatimportancuinthefie1.dofimageprocessing,weuseKapurfunctionas(heoptimizationobject,andtheexperimentsshowthat(heGGPSOa1.gorithmOutperfbnnsthecompareda1.gorithmsespecia1.1.yinmaximumthefitnessva1.ue,soitcanapp1.iedinimagesegnen(aionandoptimizationprob1.emswe1.1.(4) Basedonana1.ysisoftheconvergenceofpartic1.eswarmoptimization(PSO),anewPSObasedonimprovedModerateRandomSearchingabi1.ity(IRPSO)isPrOPOSedtoovercometheprob1.emofbadsearchingabi1.ityinthe1.aststageofthestandardPSO.Ithe1.psthepartic1.eshavemoreexp1.orationabi1.ityandfastconveijencerate.Furthermore,tortheimproveda1.gorithmon1.yhavingoneparameteranditerationfonnu1.a.itissimp1.erthanPSO.ExperimentsshowthatthePropOSeda1.gorithm>erfonnsmuchbetterthantheothera1.gorithmsintermsofthequa1.ityofso1.ution.Forso1.vingtheprob1.eminimagesegmentation,weusethedifferenceofmutua1.information(DMI)astheoptimizationfunction,andtheexperimentsshowthattheIRPSOa1.gorithmgetsthebe1.terperformanceofimagesegmentationamong(hecompareda1.gorithms.Fina1.1.y,theworkofthisdissertationissummarizedand(heprospectiveoffutureresearchisdiscussed.Keywords:Evo1.utionarjCOn1.PUIa1.ion.partic1.eSwanna1.gorithmimageSCgn1.CntaUon.convergencerate.Ihcg1.oba1.searchingabi1.ity,1.hccurseofdimension.MontcCar1.omethod摘要1AbstractIII第一堂绪论I1.1 课题背景I最优化1最优化方法2基于进化计第求解最优化问题的方法31.2 课88的目标和意义51.3 课题的主要研究工作和组织结构6第二章优化算法介绍92.1 优化研究根底92.1.1 最优化问题92.1.2 局部优化算法102.1.3 全局优化算法102.1.4 没有免费午餐定理I1.2.2 进化计算122.2.1 遗传算法122.2.2 进化策略132.2.3 进化规划142.2.4 蚊群算法142.2.5 微分进化162.3 本章小结16第三章粒子群算法分析173.1 粒子群优化算法173.1.1 算法原理173.1.2 算法流程183.1.3 社会认知行为分析183.1.4 全局模型与局部模型19粒子群改进算法19321与其他算法结合193.2.2基于变异行为的PSo改进算法203.23针对粒子群迭代公式的改进213.3 标准粒子群尊法收敛性分析223.3.1 以往PSO收敛性分析方法223.3.2 基于蒙特卡罗模拟方法的PSO收敛性分析233.4 粒子群律法与其他进化算法比较及分析253.4.1 各种进化算法性能比较253.4.5 比较结果分析283.5 PSo竟法应用303.6 本章小结30第四章基于协作方法的量子粒子群算法及其在图像分割的应用314.1 引言314.2 量子粒子群卯法314.3 基于协作方法的量子粒子群方法324.3.1 324.3.2 精英策略344.3.3 仿真结果比较及其分析35基于CQPSO算法的图像分割应用371.1.1 图像分割概述371.1.2 OTSU分割舞法381.1.3 计算步骤384.5 基于CQPSO的最大类间方差图像分割39算法描述394.5.2算法测试404.6 本章小结54第五章一种全局收敛的PSO鸵法及其在图像分割中的应用565.1 弓I言56基于Gaussian变异的PSO算法56引入Gaussian变异的粒子群算法565.2.2 GGPSO算法585.2.3 GGPSO算法收敛性分析59比较实验及分析61试验设计61仿真结果及分析615.4基于GGPSO方法的图像分割应用64算法描述65算法测试65本章小结71第六堂一种基F随机搜索策略的粒子群算法726.1引言72基于适度随机搜索策略的PSO算法72比照试验74试验设计74仿其结果比较分析74IRPSO算法针对图像分割问题的比较试验76本章小结81第七章结束语83致谢85参考文献86附录:作者在攻读博士学位期间发表的论文94第一章绪论课题背景1最优化最优化已经成为了一个使用非常广泛的术语，最优化的概念反映了人类实践活动中十分普遍的现缴。最优化是一个重要的数学分支，是一门应用性强、内容丰富的学科。例如，工程设计中怎样选择设计参数，使得设计方案既满足设计要求又能降低本钱：资源分配中，怎样分配仃限的资源，使得分配方案既能满足各方面的根本要求，乂能获得好的经济效益；生产方案安排中，选择怎样的方案方案才能提高产值和利润。在人类活动的各个领域中，诸如此类，不胜枚举。这些问题在某种程度上都可.以称为最优化问题。最优化的目的是对于给出的实际问题，从可行的解决方案中找出最好或较好的解决方案来，即要在尽可能节省人力、物力和时间的前提下，争取获得在可能范围内的最正确效果。最优化何题可以追溯到十分古老的极值问题，早在17世纪，英国科学家Ncwton创造微积分的时代，就已提出极值问题,后来乂出现了1.agrange乘数法.1847年法国数学家CaUChy研究/函数值沿什么方向下降最快的问题，提出f最速下降法.1939年前苏联数家11.B.KaHToponHU提出了解决下料问题和运输问题这两种线性规划问题的求解方法。人们关于最优化问题的研究工作，随着历史的开展不断深入。但是，任何科学的进步都会受到历史条件的限制。直至20世纪3()年代，最优化这个古老的课题并未形成独立的系统学科。20世纪40年代以来，随着生产活动和科学研究地不断开展，特别是计算机技术的庙速开展和广泛使用，使最优化问题的研究不仅成为一种迫切需要，而且有了求解的有力工具“因此各种优化理论研究开展迅速，新方法不断出现，实际应用日益广泛,而且在计算机技术的推动下，一些超大规模的优化问题也得以实现，最终使得优化理论与方法在经济规划、工程设计、生产管理、交通运输等方面得到了广泛应用，成为一门十分活泼的学科加。一般来说，最优化问题可以表示为：f!(x)?0.iImmin/(.v)SJ-h（八）=0,j=,.,1.x1X其中，i/r是决策变星，G)为目标函数，X为可行域M(X)、G)为约束函数,M(X)称为不等式约束，4R)称为等式约束。最优化方法为了到达最优化的目标所提出的各种求解最优化问题的方法称为最优化方法。最优化方法是一个以数学为根底的重要的科学分支，它一直受到人们的广泛揖视，并在许多工程领域得到迅速推广和应用，如系统控制、人工智能、模式识别、生产调度、计算机工程等。它对促进运筹学、管理科学、控制论和系统工程等新兴学科的开展起到了重要的作用。最优化方法在实践中的应用可以分为最优设计、最优方案、最优管理和最优控制等四个方面U1.最优设计：在飞机、造船、机械、建筑等工程技术界都已广泛应用圾优化方法于设计中，从各种设计参数的优选到最正确结构形状的选取等，结合有限元方法已使许多设计优化问题得到解决.电子线路的最优设计是另一个应用最优化方法的重要领域。配方配比的优选方面在化工、橡胶、塑料等工业部门都得到成功的应用,并向计算机辅助搜索最正碑配方、配比方向开展。一个新的开展动向是最优设计和计算机辅助设计相结合。最优方案：在编制国民经济和部门经济的方案和农业、交通、能源、环境、生态规划中，在编制企业开展规划和年度生产方案中应用最优化方法的过程称之为最优方案.一个选要的开展趋势是帮助决策部门进行各种优化决策。最优管理：在企业日常生产方案的制订、生产经营的管理和运行中，通过计算机管理系统和决策支持系统等辅助工具的建立和使用，运用最优化方法进行经营管理的过程称为最优管理。在经济管理学上就是在一定人力、物力和财力资源条件下，使经济效果（如产值、利涧等）到达最大，并使投入的人力和物力到达最小的科学方法。最优控制：主要用于对各种控制系统的优化。例如，导弗系统、卫星系统、航天飞机系统、电力系统等高度发杂系统中运用最优化方法。计算机接口装置不断完善和优化方法的进步开展,还为计算机在线生产控制创造了有利条件。最优控制的对象也将从对机械、电气、化工等系统的控制转向对生态、环境以至社会经济系统的控制。求解最优化问题的最优化方法有多种形式。不同类型的最优化问题可以有不同的最优化方法，I可一类型的最优化问题也可有多种最优化方法.某些最优化方法可适用丁不同类型的最优化问题，针对相同的最优化问题，不同的最优化方法具有不同的优化特性。有些最优化方法可以快速求解到局部最优解，有些优化方法具有很好的全局寻优特性。殷来说，求解最优化问题的理想情况是快速有效的得到全局最优解。当然,由于对最优化问题的性质和最优化方法认识的胡乏，这种情况只能在有限的条件下实现。对丁夏杂函数最优化问题,一般很难找到收敛性好且全局最优的最优化方法。一般来说，求解最优化问题可以分为以下几个步骤：提出需要进行优化的问题：建立求解优化问侬的有关数学模型，确定变量，列出目标函数和有关约束条件：分析模型，选择适宜的最优化方法；求解方程：最优解的物证和实施.显然，在最优化问题的数学模型建立后，主要问题是如何通过不同的求解方法解决寻优问题。最优化问题的数学求解方法一般可以分成解析法、直接法、数值计算法等几类M:解析法：对于目标函数及约束条件有简单而明确的解析表达式的非线性优化问题，通常可采用解析法来求解。解析法的求解方法是先按照函数极值的必要条件，用数学分析的方法（求导或变分法）求出其解析解，然后按照充分条件或问题的实际物理意义问接地确定最优解，因此也称间接法。这类方法主要用来解决动态优化问题.其中经典变分法用来求解无约束动态优化问题；极大（极小）值原理和动态规划主要用于求解有约束的动态优化问题。另外，经典微分法可用于求解静态优化问题。直接法：当目标函数较为史杂或拧不能用变量显函数描述或无法用解析法求必要条件时通常可采用直接法来解决.直接法的根本思想是用直接搜索的方法经过一系列的迭代以产生点的序列，使之逐步接近到最优点。这种方法常常是根据经验或通过试收得到所需要的结果，直接法可以分为函数逼近法、区间消去法和爬山法。对于一维搜索（单变量极值问题），主要用消去法或多项式插值法,对于多维搜索问题（多变量极值问题）主要用爬山法。数值计算法：这种方法也是一种直接法，是以梯度法为根底的。它是一种解析与数值计算相结合的方怯。这类方法主要用于多变量的寻优问题，其中最速卜降法、共和梯度法、牛顿法与拟牛顿法、变尺度法和牛顿-高斯最小二乘法等适用丁多变量无约束的优化问题，解决多变量约束的优化问题通常也采用以解析法为根底的数俏解法，这类方法很多，大致可分为以下三种类型：一是将有约束的优化问题转化为一系列无约束的优化问题，然后采用无约束优化方法来求解，这种方法称为变换算法或序列无约束极小化方法,如拉格朗日乘子法和惩罚函数法：二是采用一系列线性或二次规划问题的解来逼近原非线性约束问题的解，这种方法称为线性近似化技术，如序列线性规划化、割平面法和序列二次规划化：三是直接处理约束条件，研究在约束边界处如何搜索以获得使目标函数值逐步改善的可行点列，最后趋近约束问题的极小值点，这种方法称为可行方向法、梯度投膨法和简约梯度法。用数学方法求解优化问胭的历史相对悠久，当前仍然在不断的开屣过程中。这些传统的方法大多是针对某些特定问题的，并且对搜索空间要求相对严格，有些方法还需要使用被优化函数的各阶导数信息。但是,随着科学技术的开展，优化问题也变得更加宏杂。如工程优化所建立的数学函数,往往是带有多种约束条件的笑杂函数,而且大局部是不连续、不可做的隐函数。对于这些豆杂函数来说用常规的数学方法很难或根本无法处理。有些问题甚至无法用函数关系来表达，对于这类问题，采用上述方法，不可能得到圆满的结果。因此，需要进步研究和探索新的优化思想和优化方法。痣于进化计算求解最优化问题的方法承上所述，随着科学技术的开展，实际的优化问题也变得越来越更杂。优化问题表现出了更杂性、约束性、非线性、多极小、建模困难等特点，因此常规的求解方法已很难适用，寻求一些新的优化技术成为一个里:要研究目标和引人注目的研究方向。20世纪80年代以来，进化计算作为一类通过模拟生物进化过程与机制来求解问题的优化技术，为解决复杂优化问题提供了新的思路和方法，近年来受到了人们极大关注。进化计算采用简单的编码技术来表示各种更杂的结构，并通过对组编码进行简单的进化操作和优胜劣汰的自然选择来指导学习和确定搜索的方向,由于采用种群的方式组织搜索，这使得进化计算可以同时搜索解空间的多个区域，而且用种群组织搜索的方式也使得进化计算特别适合大规模并行操作。在赋予进化计算自组织、自适应、自学习等特征的同时，优胜劣汰的自然选择和简单的进化操作使进化计算具有不受其搜索空间限制条件如可微、连续、单峰）的约束及不需要其它辅助信息如导数）的特点。基于进化计鸵求解优化问题的一般步骤为：随机给定组初始解；评价当前这组解的性能；按照一定的方法选出性能优良的解作为进化操作对象；对选出的解进行进化操作（如交叉、变异等）得到新一代解：评价当前新代解的性能，如果满足要求或进化过程到达定代数，过程结束，否那么转到（3）.对于竟杂优化问巡的求解，进化计算有实用性、通用性、灵活性强、效率高等特点,能在更多的情况卜求得有用的（即近似的、次优的和在精度许可范困内的）解。与传统数学方法相比，基于进化计笄方法有如下特点：（1）进化计兑的处理对象可以是参数本身，也可以是经过某种映射形成的特定编码,编码形式可以是矩阵、树、图、集合、串、序列、链和表等。这个特点使进化计算有广泛的应用领域，尤其是对多目标、大规模、高维数、非线性以及带有不可转化约束条件的笑杂优化问题，具有更强的适应性.进化计算通过策略、参数、操作以及兑子的调整，能够很快提高寻优求解的性能，更重要的是进化计算能够通过自身的改进以及同其它方法的交叉融合，在较短的时间内快速进化，这一点表达了进化计算的灵活性。进化计算采用群体搜索策略，而传统方法多采用单点搜索策略,这种特点使进化计算具有极好的全局性，减少陷入局部最优的风险：同时，也使进化计免本身易于大规模并行实现，可充分发挥高性能计算机系统的作用。进化计算具有高效的特点，不是说在拥有同等计算资源时，求解优化问题肯定都比传统方法快（从整体上讲，在近年来多数工程应用中的效率确实高出传统算法，否那么，进化计算的开展速度也不会突飞猛进），更多的是指能锅更充分挖掘计兑机的潜力,比方容易实现并行寻优求解（通过占用更多的冗余计算资源来实现速度的提高）。进化计算根本不依赖搜索空间的知识及其他辅助信息,它采用适应度函数来评价个体，并在此根底上驱动进化过程，而对适应度函数本身无特别严格要求.而传统方法那么要求函数有诸如连续、可微或空间凸性等条件。这使进化计算有更广泛的应用范伟U进化计算用概率的变迁规那么来控制搜索的方向，外表上看好似是在盲目搜索，实际上它遵守某种随机概率，在概率意义上朝最优解方向靠近，因此，它不像通常采用确定性规那么的传统方法，需要构造适宜的下降方向“二十世纪七卜年代以来，一些与经典优化方法不同的的进化计莫方法相继被提出，其中包括遗传总法.1、蚁群算法、粒子群.算法I网以及微分进化算法m1.其中粒子群算法是近年来提出的种简单而高效的进化算法。由于它容易理解、易于实现，所以开展十分迅速，在很多领域得到成功应用.由丁图像分割是图像分析和模式识别的首要问题，也是图像处理的经典难题之一，它是图像分析和模式识别系统的IR要组成局部，并决定图像的最终分析质量和模式识别的判别结果。因此本文针对基于PSO的图像分别算法进行了研究,提出了多个新的解决这类优化问题的算法。1.2课题的目标和恚义粒子群优化匏法有些与遗传算法相似，如它们都是基丁群体的优化技术，有较强的并行性无需梯度信息，只需利用目标的取值信息，具有很强的通用性。但是，粒子群W法比遗传算法更简单、操作更方便。因而,粒了群算法从诞生起，就引起了国内外学者的广泛关注，掀起了该方法的研究热潮,己经广泛应用函数优化、神经网络训练、模糊系统控制M等领域。近年来进化算法已成为分布式人工智能研究的一个重要领域，在美国成立有专门的组织研究群体的仿真：由欧洲联盟资助的进化算法相关研究工程也于2001年在欧洲多个研究机构启动：在国内，国家自然科学基金“十五”期间学科交叉类优先资助领域中，认知科学及其信息处理的研究内容就明确列出了群体智能的进化,自适应与现场认知、相关工程以及复杂系统与复杂性。它的主要研究方向及内容是红杂系统与复杂性的理论与方法研究：物质层次发杂系统的研究：生.命层次复杂系统的研究：社会层次纪杂系统的研究。2(X)1年3月8日在北京召开的第六届全国人工智能联合会议暨“863”方案智能计算机主题学术会议,峨汝为院士特邀报告的主要内容就是进化算法的研究进展。到现在，国家自然科学基金委员会每年都有资助数项粒子群优化算法相关理论和应用的研究。国际上，每年召开的顶级国际会议中以进化算法为主题的会议主要有美国计算机协会(AssociationOfCoinputingMachinery)每年举行的基因与进化计算国际会议(GeneticandEvo1.utionarjrComputationConferences).IEEE计和智能协会(IEEEComputationa1.Inte1.1.igenceSociety)每年举行次的进化计算国际会议(IEEEConferenceonEvo1.utionaiyComputation)以及自2003年起每年举行一次群体智能会议(IEEESWarmInte1.1.igenceSymposium).其中粒子群优化兑法是这些会议的Jg要主题。PSO自1995年提出以来，由于其简单和明确的实际背景，以及前述的诸多优点，使得很多研究界参加到对这种算法的研究中，目前粒子群优化算法的理论研究与应用研究都取得J'很大的进展，对算法的原理己经有J'初步的J'解，算法的应用也已经在不同学科中得以实现,这些研究主要集中在如下几个方面：(1)粒子群优化算法的理论分析具体来说，这个问题的研究分为三个方面：一是单个粒子的运动筑迹，现有的研究发现，单个粒子不断的在各种正弦波上“跳跃”，即其轨迹是各种正弦波的随机的强加组合，这里所用的主要工具是做分方程和差分方程U2：二是收敛性问题，关于粒子群算法的收敛性研究比较多的集中在一些荷化条件下的结果，采用的主要工具是动态系统理论。其它还有采用集合论的方法来研究此问题，得出的结论是（川：在没有任何改进的情况下，原始的粒子群优化算法既不能收敛到全局极值点，也不能收敛到局部极值点，但是这种证明是非构造性证明，对于理解算法的工作原理没有太大帮助。：是整个粒子系统随时间的演化和分布，这方面的研究目前还少有人涉及。（2）粒子群优化算法的改进这方面的内容非常庞杂，从改进的策略来说，可以分为如下几种类型，是从算法本身的改进，例如对算法迭代式的改进Uz或时算法参数的优化优化函数的形状.以上这些方法，从根本上说，主要是为了克服粒子群优化算法在优化多峰更杂函数时，会出现早熟，粒子的多样性减低，以致于不能收敛到全局极值点的现象。（3）粒子群优化算法的应用粒子群优化算法的应用已经