基于干扰因子的QPSO算法改进及其应用

基于干扰因子的QPSO算法改进及其应用

论文摘要

群体智能算法是一种进化类算法,是解决优化问题特别是复杂优化问题的有效手段。QPSO是具有全局收敛性的一种新的群体智能算法,并且许多实际应用结果证明,QPSO优于一般的粒子群算法(Particle Swarm Optimization,简称PSO)。因此,本文的研究内容对于群体智能的发展具有一定的学术意义和应用价值。本文首先阐述了传统进化算法-遗传算法(Genetic Algorithm,简称GA)、群体智能算法中的粒子群算法(PSO)和具有量子行为粒子群算法(Quantum-behaved Particle Swarm Optimization,简称QPSO),针对具有量子行为粒子群算法存在的早熟现象,提出了改进的QPSO算法-基于干扰因子的量子粒子群算法(Quantum-behaved Particle Swarm Optimization With Disturbance)。在改进的QPSO算法中引入干扰因子,使得算法能够持续地搜索解空间从而提高算法的全局收敛能力,并且能够有效地避免早熟的发生。在算法搜索过程中引进了判断基准-早熟因子,同时对粒子群的早熟因子设置阈值,当无效迭代高于该阈值时,采用干扰因子操作改变群体的搜索空间,跳出局部收敛。通过几个常用标准测试函数的测试表明,改进的QPSO算法无论是算法性能还是算法稳定性都优于QPSO和PSO算法,因此可以得出以下结论:QPSO算法引入的干扰因子是解决算法早熟问题的有效途径。其次,本文还研究了粒子群算法(PSO)和具有量子行为粒子群算法(QPSO)在图像插值中的应用。图像插值是数字图像处理中的一项基础性技术,有着广泛的应用。基于PSO算法和QPSO算法的图像插值方法,是在以线性最小均方差(LMMSE)所形成的模型中寻找符合条件的最优高分辨率图像估计。图像插值结果表明,将PSO和QPSO应用于图像插值中,能够有效的保护边缘锐化,抑制虚假信息;在相同迭代次数和粒子群规模的前提下,QPSO算法能够得到比PSO算法更优的插值图像。因此,QPSO算法是解决图像插值问题的一种有效方法。

论文目录

  • 摘要
  • Abstract
  • 第一章 绪论
  • 1.1 进化算法的研究现状
  • 1.2 图像插值的发展与现状
  • 1.3 本论文的研究内容和研究方法
  • 第二章 几种进化算法的研究
  • 2.1 优化问题
  • 2.2 遗传算法的研究
  • 2.2.1 遗传算法的基本概念
  • 2.2.2 遗传算法的基本原理
  • 2.2.3 遗传算法的特点
  • 2.2.4 遗传算法的应用
  • 2.3 群体智能算法的研究
  • 2.3.1 粒子群算法(PSO)
  • 2.3.2 具有量子行为的粒子群算法(QPSO)
  • 2.4 本章小结
  • 第三章 具有量子行为的粒子群算法改进
  • 3.1 QPSO 改进算法的引入
  • 3.2 基于干扰因子的QPSO 算法提出及思想
  • 3.3 测试结果与分析
  • 3.3.1 测试函数
  • 3.3.2 结果与分析
  • 3.4 本章小结
  • 第四章 QPSO 算法在图像插值上的应用
  • 4.1 引言
  • 4.2 数字图像插值技术研究
  • 4.2.1 线性图像插值方法
  • 4.2.2 非线性图像插值方法
  • 4.3 边缘保护的图像插值方法提出
  • 4.3.1 图像插值模型推导
  • 4.4 基于粒子群算法的图像插值方法
  • 4.4.1 基于PSO 算法的图像插值方法
  • 4.4.2 基于QPSO 算法的图像插值方法
  • 4.4.3 实验结果与分析
  • 4.5 本章小结
  • 第五章 结论与展望
  • 5.1 结论
  • 5.2 未来研究方向
  • 致谢
  • 参考文献
  • 附录:作者在攻读硕士学位期间发表的论文
  • 相关论文文献

    • [1].一种QPSO的地下浅层震源定位方法[J]. 计算机系统应用 2020(01)
    • [2].基于混合QPSO的模糊柔性作业车间调度问题研究[J]. 系统仿真学报 2020(10)
    • [3].基于时程响应QPSO算法识别结构损伤的研究[J]. 苏州科技大学学报(工程技术版) 2017(02)
    • [4].基于QPSO小波神经网络的网络异常检测[J]. 辽宁工程技术大学学报(自然科学版) 2009(02)
    • [5].基于QPSO的小波神经网络控制器[J]. 黑龙江水利科技 2013(07)
    • [6].基于QPSO算法的信道分配方法[J]. 通信技术 2009(02)
    • [7].基于QPSO灰色神经网络的基坑锚固荷载预测[J]. 科技通报 2016(01)
    • [8].基于改进QPSO算法的小波神经网络参数优化[J]. 辽宁石油化工大学学报 2013(04)
    • [9].基于QPSO算法移动机器人轨迹规划与实验[J]. 控制与决策 2014(12)
    • [10].基于QPSO算法的自抗扰控制器设计及参数整定[J]. 飞行力学 2011(02)
    • [11].求解作业车间调度问题的混合QPSO算法[J]. 合肥工业大学学报(自然科学版) 2009(03)
    • [12].基于改进QPSO算法的电动汽车模糊控制器参数优化[J]. 计算机应用研究 2019(12)
    • [13].基于QPSO算法的冷链物流配送运输问题的研究[J]. 市场周刊(理论研究) 2016(10)
    • [14].基于QPSO的重载齿轮多目标优化设计[J]. 现代机械 2009(05)
    • [15].基于QPSO算法的机器人时间最优轨迹规划[J]. 自动化与仪器仪表 2020(01)
    • [16].基于QPSO的机械臂多项式插值轨迹规划[J]. 传感器与微系统 2020(08)
    • [17].基于QPSO的数控加工切削参数优化[J]. 机械制造与自动化 2010(01)
    • [18].基于QPSO算法和S-系统的基因调控网络分析与重构[J]. 计算机应用研究 2010(09)
    • [19].基于干扰因子的QPSO算法改进[J]. 微电子学与计算机 2008(04)
    • [20].基于随机评价机制的交互式双子群QPSO算法[J]. 控制与决策 2015(03)
    • [21].基于代理模型的QPSO算法及结构优化应用[J]. 中国空间科学技术 2013(04)
    • [22].QPSO算法实现图像边缘检测[J]. 江南大学学报(自然科学版) 2015(02)
    • [23].QPSO算法柔性分子对接问题的研究[J]. 计算机与应用化学 2010(07)
    • [24].基于QPSO算法的模糊逻辑系统的设计及应用[J]. 辽宁工业大学学报(自然科学版) 2016(06)
    • [25].基于QPSO聚类算法的图像分割方法[J]. 科技视界 2016(12)
    • [26].基于QPSO优化投影寻踪的网络入侵检测方法[J]. 计算机工程与应用 2011(28)
    • [27].QPSO算法在朴素贝叶斯分类上的应用研究[J]. 哈尔滨理工大学学报 2010(04)
    • [28].基于量子粒群优化算法的智能电网多目标优化规划研究[J]. 机电信息 2015(09)
    • [29].基于QPSO的双机器人同步焊接路径规划研究[J]. 工业仪表与自动化装置 2015(05)
    • [30].一种基于QPSO的脉冲耦合神经网络参数的自适应确定方法[J]. 模式识别与人工智能 2012(06)

    标签:;  ;  ;  ;  ;  ;  ;  

    基于干扰因子的QPSO算法改进及其应用
    下载Doc文档

    猜你喜欢