基于随机惯量权重的快速粒子群优化算法

在6个标准测试函数的基础上,对惯量权重进行了调查研究,并且分析了惯量权重对算法的影响,提出了一种让惯量权重的取值随机均匀地落在区间[0.4,0.6]内的新方法,用以平衡全局搜索能力和局部开发能力。数值实验的结果表明,该方法比传统的权重线性递减(LDW)具有更快的收敛速度并且能获得更好的解。

粒子群优化算法惯量权重控制方法的研究

粒子群优化算法(PSO)是一类随机全局优化技术,算法简单、容易实现而功能强大,目前已成为国际进化计算界研究的热点.粒子群算法的性能受到参数惯量权重ω的影响,大量研究表明,较小的ω具有较好的局部搜索能力,可提高求解精度;较大的ω具有较好的全局搜索能力,在一定程度上可以避免陷入局部最优.很多研究者提出了多种动态调整惯量权重的方法.本文系统地介绍和分析比较了目前动态调整惯量权重的4种典型方法,即线性递减惯量权重、随机惯量权重、凹函数递减惯量权重和凸函数递减惯量权重.为了调查这些控制方法对PSO性能的影响,本文在10个不同的单峰和多峰函数上系统地对这4种方法进行了测试和比较,完整的实验结果比较分析对选择合适的参数控制方法以求解单峰函数和多峰函数具有一定的指导作用.

基于自适应惯性权重PSO图像分割方法研究

图像分割是图像特征提取和识别的基础,粒子群优化(PSO)是模拟鸟群觅食行为的优化算法。本文研究了PSO的一个重要参数-惯性权重,及其在优化算法和改进策略中的作用,实现了通过自适应惯性权重的改进策略平衡PSO的全局和局部搜索能力的目的。基于此研究,本文提出了基于自适应惯性权重粒子群优化(AIWPSO)的图像分割方法。该算法通过组合改进的PSO和Otsu来分割图像,并且获得优异的结果。分割的目标具有较高的分割精度,并且分割的图像区域在边界形状中是均匀和准确的。它不仅可以确保分割的精度,还可以保留图像的细节。