基于混沌粒子群优化算法的电力线检测

提出了一种基于混沌粒子群的直线检测算法,并将其应用于电力线自动检测.首先利用Sobel算子对图像进行边缘检测得到候选边缘点;然后从中随机选择若干点对作为初始粒子,每个粒子代表一条直线,并以与其共线的候选边缘点的数目作为其适应度值,迭代过程中用混沌粒子替代最差粒子;最后选择适应度值最高的粒子作为所要检测的直线.实验结果表明:与Hough变换等算法相比,该算法可以有效减少重复计算,提高检测效率和准确率.     

基于粒子群优化的DCT域盲水印算法

提出了一种基于粒子群优化的DCT域盲水印算法.该算法采用粒子群优化在图像DCT变换域中寻找最优的水印嵌入位置,并综合考虑不可见性和鲁棒性两个数字水印基本要求,以PSNR值和NC值的线性组合为适应度函数.根据粒子群算法得到的最优值,将水印信息嵌入到图像分块的DCT变换的AC系数中.实验结果表明,在满足水印不可见性同时,算...     

基于粒子群优化的DCT域盲水印算法

提出了一种基于粒子群优化的DCT域盲水印算法.该算法采用粒子群优化在图像DCT变换域中寻找最优的水印嵌入位置,并综合考虑不可见性和鲁棒性两个数字水印基本要求,以PSNR值和NC值的线性组合为适应度函数.根据粒子群算法得到的最优值,将水印信息嵌入到图像分块的DCT变换的AC系数中.实验结果表明,在满足水印不可见性同时,算法在噪声,压缩,裁剪等攻击下具有较好的鲁棒性.     

基于分层粒子群优化的三维点云配准

为了提高三维点云配准的性能,采用基于分层粒子群优化的迭代最近点算法来完成点云配准;首先将源点云作为粒子群粒子,将粒子分成多个子群,然后以点云的曲率为适应度值,分别求解子群适应度值和全局粒子适应度值,并将子群适应度值、全局粒子适应度值和粒子当前速度三者结合,共同搜寻最优粒子,以得到能够精确表达点云结构的特征点,最后采用迭...     

基于粒子群优化的文本图像倾斜检测

提出一种基于粒子群优化算法和小波变换的无限制文本倾斜检查方法.首先对扫描的文本图像进行小波变换,然后利用小波变换的水平细节子带提取反映图像倾斜的特征,作为粒子群优化算法的适应度函数.最后利用粒子群优化算法在-90°到90°区间进行搜索,得到准确的倾斜角度.由于采用了小波变换,一方面降低了PSO搜索的计算量,又能更好地反映倾斜特征.实验结果表明,该方法能快速准确地检测出各类文本图像的倾斜角度,并具有很好的适应性,不受语言、字体、字号和非文本图形等因素的影响.最后还讨论了粒子数目、迭代次数和适应度函数对算法性能的影响.     

一种改进的粒子群优化算法

在粒子群优化算法的基础上,将粒子群优化算法的速度更新公式中种群最优位置用所有个体的平均值与最优粒子有限邻居个体的平均值加权求和代替;通过将种群平均适应度和整体最优位置适应度的比值作为适应度函数,并引入了加速系数;得到改进的粒子群优化聚类算法既能够充分参考当前粒子的最优信息,也参考了所有个体的最优信息和当前最优粒子有限邻居的最优信息,在进化过程中可以通过新的适应度函数自适应地调整全局搜索和局部搜索的比重对粒子的影响,对算法收敛速度影响较小的前提下较好地提高了收敛精度。最后,选取了4组具有不同分布特征的Benchmark函数作为验证函数,试验结果表明,新算法具有较好的收敛特性。     

基于改进粒子群优化算法的弹道求解方法

为了提高火控系统实时性,提出了基于粒子群优化算法的弹道解算方法,该方法提高了系统响应速度,并为更好地与多核平台下的并行计算相结合提供了基础.首先在预估计瞄准角附近生成并初始化粒子群,然后通过由弹道微分方程等组成的适应度函数对每个粒子的好坏进行评价,最后对粒子群的速度和位置进行更新.为了加快算法的收敛速度,将周氏迭代修正公式计算得到的全局最优粒子的修正角度代替全局最优位置引导粒子群更新.采用实际算例对该方法的可行性与有效性进行了验证.实验结果表明较传统的迭代修正方法其解算速度中提高了约2倍;较传统粒子群算法其粒子群收敛速度加快了约1.5倍.此外该方法最大的优点便是可以与并行计算很好地结合,在多核计算机平台下计算时间还可以进一步缩短.     

一种改进的自适应粒子群优化算法的研究

针对标准粒子群算法（PSO）早熟收敛、进化后期收敛慢和精度较差等缺点,提出一种改进的自适应粒子群优化算法。该算法根据粒子的适应度值一致等价于粒子位置的特点,通过比较粒子适应度值与当前全局最优适应度值的差来自适应调整惯性权值,并按当前种群平均粒距对种群中部分粒子进行变异操作,增加种群多样性,使粒子跳出局部极值。通过几种典型函数的仿真实验表明,该算法在收敛速度和收敛精度上都比标准粒子群优化算法有明显的提高。     

融合简化粒子群的教与学优化算法

教与学优化算法(teaching-learning-based optimization algorithm,TLBO)是一种基于班级"教师阶段"和"学生阶段"的新型群智能优化算法.针对算法求解高维非线性复杂优化问题时精度较低的缺点,提出一种混合的教与学优化算法(HTLBO).首先,对"教师阶段"中的学生平均水平重新定义,并采用一种自适应策略根据粒子的适应度值对学习因子动态取值;然后,在迭代的过程中,根据适应度值将种群分成两个子种群,对于适应度值好的子种群采用改进的教与学优化算法(ATLBO)更新以增加种群的多样性,对于适应度值差的子种群采用简化粒子群算法(SPSO)以提升子种群的收敛性;最后,通过10个无约束优化问题进行对比测试实验,结果显示,HTLBO在探索性能和收敛速度方面优于TLBO等其他4种类型的算法.     

基于PSO的一类线性系统参数辨识方法研究

研究了一种线性系统的参数精确辨识方法;首先采用PSO(Particle Swarm Optimization,粒子群优化)方法对模型进行优化迭代,并选择合适误差准则作为粒子群优化算法的适应度函数,以迭代每个粒子所对应的参数速度和大小;在此基础上,寻找最小适应度值的粒子,推导出最优的适应度函数值,实现系统参数的实时、精确估计;最后通过实验验证了基于粒子群优化算法的参数辨识法的准确性和有效性。