智能优化算法及其应用研究

摘要：

智能优化算法具有全局的、并行高效的优化性能、鲁棒性、通用性强、无需问题特殊信息等优点,已经被广泛应用于计算机科学、优化调度问题、运输问题、组合优化问题、工程优化设计等众多领域并引起了国内国外学者的广泛关注,掀起了研究热潮。智能优化算法的典型代表基于微粒群优化算法以及克隆选择算法越来越多的受到人们的关注,尤其以这些算法的改进及算法在诸多领域的应用为研究热点,对算法性能的要求也越来越高,如何设计一个鲁棒性好,速度快,精确度高,性能稳定的智能优化算法问题仍是研究的重点。 本文主要针对智能优化算法及其应用领域--配准领域做了一些研究。主要研究的智能优化算法为QPSO算法以及改进的免疫克隆选择算法,并结合Hausdorff距离以及特征点抽取对不同传感器的图像进行配准,最后用实验验证了算法的性能以及有效性。具体内容如下: (1)由于图像配准是图像融合的一个重要步骤,为此提出了一种自动图像配准算法。该算法将两幅图像分别进行梯度特征变换,再用模糊聚类方法提取特征点,然后选用Hausdorff距离构造目标函数,量子粒子群优化算法(QPSO)来求解配准所需的仿射变换参数对特征点集进行匹配。实验结果表明,采用特征点来计算Hausdorff距离大大降低了运算量,而且基于Hausdorff距离的量子粒子群优化自动配准算法,无需点与点之间的直接对应,本文方法可用于两幅差异较大图像的配准,具有较强的鲁棒性,有较高的配准精度和较快的速度。 (2)由于传统的免疫克隆选择算法存在着收敛速度较慢且需在求解问题时提前设定参数的问题,本文在此基础上,添加了具有自适应变换的免疫概率以及克隆概率,并引入群体灾变思想,从而提出了无记忆库的自适应免疫克隆选择算法(AICA)。群体灾变算法可以使算法尽快摆脱迟钝状态,并使种群能够保持抗体多样性。自适应方法的应用不仅增强了免疫概率和克隆概率在求解问题时的灵活性,也可以使算法在进化初期有较强的全局搜索能力和较弱的局部搜索能力,并随着进化的进行,局部搜索能力逐步增强,全局搜索能力逐步减弱,从而能够找到全局最优点。由于AICA虽具有记忆功能,但只记忆一代数据,为了增加算法的记忆功能,本文又提出了在AICA的基础上添加记忆库算子的有记忆库的自适应免疫克隆选择算法(AICAM),加强了寻优能力。并应用于TSP问题进行性能检测,仿真实验结果表明,与传统的免疫克隆算法相比,本文算法有效克服了过早收敛问题,保持了抗体的多样性,而且收敛速度较快。 (3)由于改进的免疫克隆算法具有较快的收敛速度和较高全局搜索能力,本文将改进方法应用于多传感器的图像配准技术,并利用模糊聚类方法提取特征点,Hausdorff距离为搜索准则来进行图像配准,进一步的加快了对转换参数的搜索速度,以及提高了全局搜索能力。在图像差异较大,特征点相似度较低的情况下仍能求得较好的配准参数。

展开