1、20世紀80年代出現(xiàn)一類新的算法——群智能算法,它一出現(xiàn)便引起了廣泛的關(guān)注,為社會經(jīng)濟等交叉學科的發(fā)展做出新的貢獻,并成功推動了人工智能的發(fā)展。群智能算法是根據(jù)群體生物自然生活習性,綜合每個生物個體智能而得到的一種具有全局優(yōu)化性質(zhì)的隨機搜索算法。群智能算法相對其他數(shù)學優(yōu)化方法的優(yōu)越性主要體現(xiàn)在:(1)具有解決優(yōu)化問題的一般形式,對優(yōu)化問題條件依耐性少;(2)能夠在短時間內(nèi)搜索到問題的滿意解,且能夠解決大規(guī)模的優(yōu)化問題。群智能算法的發(fā)展為

2、解決困難優(yōu)化問題,尤其是NP難問題上提供強有力的幫助。所以對這些優(yōu)化算法的改進和應用研究顯得十分重要。
　　活動輪廓模型又稱為Snake模型,它不同于計算機視覺理論所描述的自下而上的信息處理過程,它在充分利用高層信息的基礎(chǔ)上,自上而下地處理信息,在圖像分割、立體匹配、目標跟蹤、輪廓提取等許多領(lǐng)域得到廣泛應用。該模型的有限的搜索空間難以搜索到凹陷的目標邊界,并且只能分割單個目標。Snake模型的這些缺陷限制了Snake的使用范圍。將

3、Snake模型和群智能算法結(jié)合,在不增加額外計算量的前提下克服Snake模型的這些缺陷。將群體智能算法應用到圖像分割,進一步研究群體智能算法的應用。
　　本文研究了改進粒子群算法及其與模擬退火的混合算法,討論了基于多種群螢火蟲算法搜索策略的活動輪廓模型。具體工作如下:
　　第一,考慮粒子群優(yōu)化算法中粒子間的協(xié)同作用,引入Gaussian核函數(shù),研究基于區(qū)域影響的粒子群算法(GPSO)。為了充分利用粒子群算法的快速全局收斂性和

4、模擬退火算法能夠跳出局部最優(yōu)陷阱的優(yōu)點,得到高精度的最優(yōu)解,將GPSO算法與模擬退火算法相結(jié)合,研究了一種新的混合粒子群算法?；旌纤惴ㄔ贕PSO算法處于停滯狀態(tài)時候,于搜索到的最優(yōu)位置用模擬退火算法擾動,繼續(xù)尋找最優(yōu)解。數(shù)值實驗結(jié)果表明,新混合算法兼顧了GPSO和模擬退火算法的優(yōu)點,具有收斂速度快、搜索精度高、魯棒性好等性能。
　　第二,為了克服傳統(tǒng)活動輪廓模型不能準確處理凹陷邊緣的缺陷,提出了多種群螢火蟲算法用來提高活動輪廓控制