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