多尺度变换和粒子群优化的图像融合方法

在图像融合领域,基于多尺度变换的图像融合方法是研究的热点,文中提出了一种基于多尺度变换和粒子群优化的图像融合方法,对基于多尺度变换得到的融合图像,利用粒子群优化进行进一步处理,并讨论了优化算法中初始图像质量对最终结果的影响。实验结果表明,该算法具有较好的融合结果,且优化时选取偏差大的初始图像粒子,能够获得更好的融合结果。     

基于细菌觅食与粒子群的改进混合算法

针对粒子群优化算法（PSO）在优化过程中易陷入局部极值而产生“早熟”现象,文中提出一种基于细菌觅食与粒子群的改进混合算法。粒子群优化算法与细菌觅食优化算法的结合,增强了算法的全局搜索能力,使算法具有全局搜索能力强的优点。选用Matlab进行仿真实验,实验结果进一步显示了改进混合算法的优化能力优于基本PSO算法和基本BFO算法,收敛速度快,且具有较好的鲁棒性。     

基于自适应粒子群优化算法的限速标志识别

针对经典的粒子群优化算法收敛性能不足的问题,提出了一种自适应粒子群优化算法。该算法对进化过程中的收敛方向进行动态调整,通过学习因子对参数选取过程进行调节,使收敛的初期趋向全局最优,后期趋向局部最优。采用自适应粒子群优化算法对支持向量机模型参数进行优化,并应用于限速标志的识别,实验结果表明,文中基于自适应粒子群优化算法的方法拥有较高的识别率,同时算法收敛性显著高于经典的粒子群优化算法。     

基于异步粒子群优化算法的图像分割方法

在标准粒子群优化算法的每一次迭代中,粒子都是同时更新,然而在现实世界中(比如鸟群)粒子的更新并不是同时的.模拟现实的鸟群更新,找到一种异步粒子群优化算法.异步粒子群优化算法是将粒子的更新顺序进行改进,在每次迭代中将所有粒子按适应度的优劣排序,从而每个粒子在更新时都能利用到当代群体的信息,所以算法更易于收敛.提出一种基于异步粒子群优化算法的图像分割方法,用异步粒子群优化算法自适应选取图像的分割阈值.实验表明,与基本的粒子群优化算法相比,该算法比较稳定,易于收敛到最优解,分割速度较快.     

用于体绘制可视化的交互式直方图传递函数设计研究

医学图像体绘制可视化可以直接显示体数据的内部信息,成为可视化研究的一个重要的领域。由于医学图像数据本身的复杂性和传递函数的设计的灵活性,可视化传递函数成为研究的热点。通过CT,MRI设备获取的体数据,其质量受噪声影响严重,首先使用非线性增强方法对数据进行预处理,之后对体数据进行边界体素预判,并构造二维直方图用以设计传递函数,最终用光线投射算法绘制体数据。利用文中方法对大小为256×256×161的牙齿数据集进行非线性增强去噪,并设计传递函数,牙齿数据噪声得到了有效地抑制,不同边界区分比较明显。此外对牙齿体数据进行边界体素预判后,通过二维直方图查找边界的时间由78.2s减少至28.3s。实验结果表明,文中方法能有效地去除噪声、查找边界并提高绘制速度。基于构造出的直方图能够方便进行半自动化传递函数设计,提高绘制结果的质量。     

基于PSO的关联规则挖掘方法及应用

本文简要描述了关联规则问题及二进制粒子群优化算法(Binary Particle Swarm Optimization,BPSO),提出了一种基于粒子群优化算法的关联规则挖掘算法.仿真试验研究了关联规则在股市走势中的应用,选取相对强弱指标RSI,收集交易数据进行实证分析,得出若干条有用的关联规则.     

自适应分解式多目标粒子群优化算法

为了提高多目标粒子群优化算法解的分布性,文中提出了一种自适应分解式多目标粒子群优化算法（Adaptive Multiobjective Particle Swarm Optimization based on Decomposed Archive,AMOPSO-DA）.首先,设计了一种基于优化解空间分布信息的外部档案更新策略,有效提升了AMOPSO-DA的空间搜索能力;其次,提出了一种基于粒子进化方向信息的飞行参数调整方法,有效平衡了AMOPSO-DA的探索和开发能力.最后,将提出的AMOPSO-DA应用于多目标优化问题,实验结果表明,文中提出的AMOPSO-DA能够获得分布性较好的优化解.     

基于粒子群算法的数值积分方法研究

提出了一种基于粒子群算法的不等距节点数值积分方法.该方法初始时在积分区间内任意选取一定的节点,通过粒子群算法优化这些节点,最后得出比较精确的积分结果.本算法计算精度高,对被积函数要求低.数值积分算例验证了本算法的有效性和正确性,因此在工程实际中具有一定的参考和应用价值.     

基于GIS和差分进化粒子群的变电站选址方法

文中提出了一种基于地理信息系统(GIS)和差分进化改进粒子群的配电网变电站优化选址方法。该方法利用GIS确定变电站数量,基于变电站投资运行费用建立有约束条件的目标函数,采用粒子群算法进行变电站选址优化。针对粒子群算法易陷入局部最优且收敛速度慢的问题,借助差分进化引入两个变异因子,在提升粒子群算法收敛速度的同时,避免其陷入局部最优。算例分析结果表明,该方法具有较好的寻优能力和收敛特性,能够有效实现变电站选址优化。     

基于余弦距离的多目标粒子群优化算法

针对粒子群优化算法具有的个体分布不均匀以及重复个体较多等缺陷,提出了一种基于余弦距离的多目标粒子群优化算法,该算法根据外部精英存储策略,利用余弦距离排挤机制来选取最分散的粒子,扩大 Pareto最优解集的收敛性和多样性,增强算法的全局寻优能力。通过采用标准多目标优化问题ZDTl～ZDT3进行仿真实验与粒子群算法、混沌粒子群算法、基于拥挤距离的多目标优化算法对比表明,该算法在Pareto前沿的收敛性和多样性方面均优于基于拥挤距离排挤机制,并具有较高的效率