基于双混沌优化搜索的改进粒子群算法及应用

针对现有算法在智能电阻箱动态误差校正方面存在的收敛速度慢、计算精度低,且易进入“局部最优”的陷阱等缺点,展开对智能电阻箱动态示数校正过程的重构及设计,并对动态误差校正优化算法进行研究.在双混沌优化系统中添加扰动因子与指数自适应学习方式改进搜索策略;在粒子群算法中将惯性权重因子修正为自适应权重因子,将学习因子修正为异步线性学习因子以优化算法,进而提出一种改进的粒子群优化算法(AL-DCPSO).利用8个经典函数对算法性能进行测试后,将这种算法应用在某型号智能电阻箱动态误差校正的过程中,研究结果表明:改进后的算法具有更高的计算精度(达到0.001)与更强的寻优能力,且在优化过程中呈现出较强的自适应学习能力,计算过程较为稳定,鲁棒性有效提升,耗时在阈值范围内有所增加.其创新性在于将双混沌优化机制的优点与粒子群算法相结合,应用到智能电阻箱动态误差校正的过程中,对动态误差校正方法进行了一定拓展,为粒子群优化算法在具体实际优化过程中的关键参数选取与策略设计,有效提升算法优化性能提供了一些借鉴.

一种混沌优化机制的双量子粒子群优化算法

针对量子粒子群优化算法(quantum delta Particle Swarm Optimization,PSO)在处理高维复杂函数时存在收敛速度慢、易陷入局部最优和算法通用性不强等缺点,提出了一种基于混沌优化机制的双量子粒子群优化算法。它借鉴群体位置方差的早熟判断机制,同时提出了一种逐步缩小搜索变量空间的新方法。典型数值实验表明,该算法效率高、优化性能好、对初始位置具有很强的鲁棒性。尤其是该算法具有很强的避免局部极小能力,其性能远远优于单一优化方法。

一种基于混沌优化机制的双粒子群优化算法

针对标准粒子群优化算法PSO(Particle Swarm Optimization)在处理高维复杂函数时存在收敛速度慢、易陷入局部最优和算法通用性不强等缺点,提出了一种基于混沌优化机制的双粒子群优化算法。它借鉴群体适应值方差的早熟判断机制,同时提出了一种逐步缩小搜索变量空间的新方法。典型数值实验表明,该算法效率高、优化性能好、对初值具有很强的鲁棒性。尤其是该算法具有很强的避免局部极小能力,其性能远远优于单一优化方法。

结合Contourlet与ACPSO的红外热波图像增强

针对无损检测红外热波图像对比度低、边缘模糊、含大量噪声的问题,提出了基于Contourlet变换和混沌变异双粒子群优化(adaptive chaotic variation particle swarm optimization,ACPSO)的自适应增强方法。红外热波图像经Contourlet变换分解成低通和带通方向子带。低通子带系数依据一种适应于人类视觉系统的灰度级变换调整,待定参数由ACPSO确定,为了得到最佳增强效果,适应度函数由一种对比度测量函数确定;带通方向子带系数的调整则采用非线性增益函数实现,从而抑制噪声并增强细节。大量红外热波图像增强实验结果表明,与现有的4种增强方法相比,能大大提高缺陷和背景之间的对比度,增强缺陷的边缘细节。进一步采用倒数熵多阈值分割方法时,能更有效地提取缺陷,为后续准确进行缺陷识别和尺寸测量奠定了基础。