協(xié)同量子粒子群優(yōu)化及其應(yīng)用研究.pdf

1、群智能算法是模擬自然界中生物的群體行為而抽象出來的,是一種隨機(jī)搜索的優(yōu)化算法,包括蟻群算法和粒子群算法,其中粒子群算法是Kennedy和Eberhart在1995年提出的一種進(jìn)化優(yōu)化算法。粒子群系統(tǒng)模擬社會(huì)機(jī)制的進(jìn)化過程,在這個(gè)系統(tǒng)里,代表潛在解的粒子個(gè)體在一個(gè)多維空間里飛行以此來找到更優(yōu)的或者最優(yōu)的解。粒子根據(jù)當(dāng)前位置和速度來飛行,也就是有一個(gè)固定的軌跡在它的附近搜索。粒子群算法概念簡(jiǎn)單,參數(shù)容易調(diào)節(jié),所以得到了廣泛的應(yīng)用,并且同時(shí)出

2、現(xiàn)了一系列的改進(jìn)算法。但是因?yàn)樗兴阉鬈壽E并且速度有限,所以很難跳出局部最優(yōu),很容易出現(xiàn)早熟現(xiàn)象。量子粒子群算法的出現(xiàn)解決了搜索范圍有限的問題,它基于量子力學(xué)中的不確定原理,全局搜索能力勝于粒子群算法,但是這也并不是一個(gè)完美的算法,很多改進(jìn)算法也隨之出現(xiàn),但是仍然存在算法復(fù)雜度高,全局搜索能力不夠的缺陷。
　　本文介紹并分析了粒子群算法及其量子粒子群算法,并在已有算法的基礎(chǔ)上做了改進(jìn)并將其應(yīng)用到醫(yī)學(xué)圖像分割中。本文主要工作如下:(

3、1)針對(duì)已存在的量子粒子群算法所存在的缺陷,提出了改進(jìn)的協(xié)同量子粒子群優(yōu)化算法。該算法利用量子力學(xué)中的不確定原理,在粒子更新過程中進(jìn)行多次測(cè)量,得到多個(gè)個(gè)體,為了有效利用每個(gè)個(gè)體的每一維有用信息,再次將多次測(cè)量得到的多個(gè)個(gè)體進(jìn)行協(xié)作處理。對(duì)比實(shí)驗(yàn)表明,該方法加快了收斂速度,不僅在基準(zhǔn)函數(shù)可以得到更好的結(jié)果,在復(fù)雜函數(shù)上也得到了更好的結(jié)果。(2)提出了基于改進(jìn)協(xié)同量子粒子群算法的醫(yī)學(xué)圖像分割方法。該方法將改進(jìn)協(xié)同量子粒子群算法與傳統(tǒng)的最大

4、化類間方差方法相結(jié)合應(yīng)用于醫(yī)學(xué)圖像多閾值分割。對(duì)比試驗(yàn)表明,該方法在相同條件下可以得到更大的類間方差,分割精度提高了。(3)提出了一種多背景變量協(xié)同量子粒子群算法。該算法在協(xié)作過程中每跟一個(gè)粒子協(xié)作完成后用本次協(xié)作完成得到的最優(yōu)的個(gè)體更新為新的背景變量。對(duì)比試驗(yàn)表明,該算法的所搜能力大大提高了,優(yōu)化結(jié)果更加理想。并提出了基于多背景變量協(xié)同量子粒子群算法的醫(yī)學(xué)圖像分割方法。對(duì)比試驗(yàn)表明,該方法的分割精度更高,結(jié)果很好。
　　本文得到