[发明专利]一种基于策略改进樽海鞘智能算法的双星光谱拟合方法

权利要求书

1.一种基于策略改进樽海鞘智能算法的双星光谱拟合方法，其特征在于，包含如下步骤：

步骤1：将待拟合的观测光谱波段设置在双星模型下的理论光谱星族样本库；

步骤2:应用策略改进樽海鞘智能算法对步骤1中待拟合的观测光谱在理论光谱星族样本库中进行寻优，获得最优拟合光谱。

2.根据权利要求1所述的一种基于策略改进樽海鞘智能算法的双星光谱拟合方法，其特征在于，所述步骤2具体包括如下子步骤：

步骤2.1：种群初始化及对种群个体实数编码

初始化种群中的个体变量及相关参数，并对种群个体实数编码，其中种群X＝{X_i，i＝1,2,3,……，N}，种群个体X_i＝{X_id，d＝1,2,3,……，D}，N为种群的个数，D为搜索空间的维度；

采用混沌映射函数式(6)对种群个体进行映射，映射方式为式(7)，映射完成后采用式(8)对种群进行反向学习，

X_id＝Xmind+y_id*(Xmaxd-Xmind) (7)

OX_id＝Xm_ind+X_maxd-X_id (8)

式(6)中，混沌映射函数在D维空间中生成混沌序列y＝{y_d,d＝1,2,……,D},yd＝{y_id,i＝1,2,……,N}；

式(7)中，N为种群的个数，Xmind为搜索的下界，Xmaxd为搜索的上界，D为搜索空间的维度；

式(8)中，反向种群OX＝{OX_i,i＝1,2,……,N},反向种群个体OX_i＝{OX_id,d＝1,2,……,D}；

步骤2.2：使用式(5)计算观测光谱的适应值，

χ²＝Σ[(f_obλ-f_thλ)²ω_λ] (5)

式(5)中，f_obλ是观测光谱，f_thλ是理论光谱,而ω_λ是波长λ的权重；对式(5)中获得的适应值进行排序找到最小适应值并赋值给食物源F，作为当前食物适应值；

步骤2.3：根据式(4)按照随机游走策略更新当前食物适应值，即食物源F，并按照精英策略保留，

式(4)中，x_n是第n步后的位置，α_i是步长控制因子，s_i取自柯西分布随机数；

步骤2.4：种群位置更新

计算种群中的个体适应值，将最优适应值所对应的个体位置赋值给食物源F，将种群的前半部分定义为带队樽海鞘，负责引导群体向最优解移动，其位置更新方式为式(2)，

其中，其中是第j维第一只带队樽海鞘的位置，F_j是第j维食物源的位置，c2、c3是(0-1)的随机数，ub_j是第j维搜索空间的搜索上界，lb_j是第j维搜索空间的搜索下界，l为当前迭代次数，L为最大搜索迭代次数，c1为迭代因子，由式(1)确定；

种群的后半部分定义为跟随樽海鞘，其位置更新方式为式(3)，

式(3)中，Xⁱ_j是第i个跟随樽海鞘在第j维搜索空间的位置，X^i-1_j是第i-1个跟随樽海鞘在第j维搜索空间的位置；

步骤2.5：种群中的所有樽海鞘完成位置更新后根据搜索的上界和搜索的下界对种群进行修正，得到更新后的群体中每个个体的适应值；将更新后的群体中的每个个体的适应值与当前食物适应值相比较，若存在优于当前食物适应值的个体，则以适应值更优的樽海鞘个体位置作为新的食物位置，即将最优个体适应值所对应的位置赋值给食物源F；

步骤2.6:判断是否达到最大迭代次数或终止条件，如果达到最大迭代次数或者满足终止条件则算法终止，输出最优个体位置，得到最优拟合光谱。

3.根据权利要求2所述的一种基于策略改进樽海鞘智能算法的双星光谱拟合方法，其特征在于，采用式(9)对步骤2.4中的食物源F的惯性进行自适应调整，

其中it与l定义一致，均为当前迭代次数，ω(it)为当前迭代次数对应的惯性因子，作用在(2)式F_j前：将原来的F_j项替换为ω(it)*F_j，具体如下式所示：