基于分层自主学习的改进粒子群优化算法

针对粒子群优化(PSO)算法容易陷入局部最优、收敛精度不高、收敛速度较慢的问题,提出一种基于分层自主学习的改进粒子群优化(HCPSO)算法。首先,根据粒子适应度值和迭代次数将种群动态地划分为三个不同阶层;然后,根据不同阶层粒子特性,分别采用局部学习模型、标准学习模型以及全局学习模型,增加粒子多样性,反映出个体差异的认知对算法性能的影响,提高算法的收敛速度和收敛精度;最后,将HCPSO算法与PSO算法、自适应多子群粒子群优化(PSO-SMS)算法以及动态多子群粒子群优化(DMS-PSO)算法分别在6个典型的测试函数上进行对比仿真实验。仿真结果表明,HCPSO算法的收敛速度和收敛精度相对给出的对比算法均有明显提升,并且算法执行时间和基本PSO算法执行时间差距在0. 001量级内,在不增加算法复杂度的情况下算法性能更高。

一种改进PCA-SIFT和粒子群优化的图像匹配算法

图像匹配里传统的尺度不变特征变换(SIFT)因为存在数量与维数相对较多,导致出现计算量大匹配时间长的问题。故提出了一种基于PCA-SIFT的改进算法。该算法采用了一种圆形描述符对SIFT降维,同时利用主成分分析(PCA)法对描述符进一步降维,以此来减少描述符的维度带来的大量数据;在匹配时通过分层粒子群算法优化欧式距离与余弦相似度函数,根据粒子的差异性进行分阶层处理,寻找函数的极值,以此找到匹配点;通过实验对比发现特征点减少了5%~10%,时间也相对减少,改进的PCA-SIFT匹配算法可以有效地提升匹配的准确率。