[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

说明书

本发明公开了一种基于策略改进樽海鞘智能算法的双星光谱拟合方法，首先将待拟合的观测光谱波段设置其在双星模型下的理论光谱星族样本库；然后运用策略改进樽海鞘智能算法对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。本发明将混沌映射、以及反向学习方法应用于种群初始化，使得种群个体的初始位置分布更均匀，种群多样性更加明显，有利于避免传统算法前期的早熟收敛问题；采用随机游走策略来实现食物源的位置更新，有利于跳出局部收敛陷阱，进一步增强了算法的全局寻优性能；策略改进后的樽海鞘智能算法收敛速度更快，收敛更为平滑，更利于跳出局部早熟，将策略改进后的樽海鞘智能算法应用于双星光谱拟合时，拟合速度更快，拟合精度更高。

技术领域

本发明属于大数据处理技术领域，具体涉及一种基于策略改进樽海鞘智能算法的海量双星光谱数据拟合方法。

背景技术

星系或星团的光谱主要来自恒星。星系的光谱蕴含了大量的星系物理信息，如何快速、准确的分析星系的观测光谱从而获得星系的相关物理参数估计，是研究星系演化形成的关键。随着巡天技术的发展，越来越多的高质量的星系观测光谱数据被采集。星族合成方法即是用星族的积分特性例如光谱等和观测到的或者理论星族模型比对，从而确定构成该星系的恒星成分及物理参数的过程。研究表明星系中双星占比超过50％，双星星族合成是对天体物理研究具有重要意义，被列为未来几十年星族合成的六大挑战之一。光谱拟合是星族合成方法的关键，是利用星族可计算特征量(如光谱分布等)通过拟合来估计星族的相关参数信息。具体来说是从模型光谱库中找到最逼近观察光谱的模型光谱，星族光谱拟合的实质是在模型光谱库对应的参数空间进行搜索，找到与被拟合的观察光谱最小值χ²＝∑[(f_obλ-f_thλ)²ω_λ]所对应的模型光谱，其中f_obλ和f_thλ分别为观测和理论光谱，而ωλ是波长λ的权重，最佳结果对应于min(χ₂)，在大多数情况下，ω_λ＝1/E_oλ²表示使用观察误差，ω_λ也可以根据特殊要求分配给固定的值，其本质是一个最优化问题，该问题数据规模庞大、目标函数不易求导。

近年来，发式的搜索算法凭借其独特的全局寻优能力而受到了学术和工业界的广泛关注，它们被普遍认为比传统寻优方法具有更大的机会找到全局最优解，因此提出多种基于元启发式算法来拟合双星光谱模型参数。

双星光谱拟合传统的方法是采用网格搜索法，其性能主要受光谱数据的海量规律下导致效率较低，全局寻优能力不足。实验表明采用全网格搜索方法在个人普通电脑上拟合一条全光谱段拟合大约需要7.5个小时。现有的结合启发式智能算法拟合的方法采用Metropolis模拟退火算法(SA，Simulated Annealing)与Markov链，尽管模拟退火算法从任意初始点开始，若按照一定条件产生足够长的Markov链，则算法以概率1.0收敛于全局极小点，但是，实际运行时，由于Markov链的长度与运算时间都是有限的，因此，算法通常表现为较强的局部搜索能力，而全局搜索能力较差，且最终的收敛结果受初始值影响较大。标准的樽海鞘算法(Salp Swarm Algorithm)由Seyedali Mirjalili和Amir H.Gandomi等人于2017年提出，是一种模仿樽海鞘觅食群智能仿生优化算法。相比模拟退火法，这种基于种群的元启发式算法比基于单体的元启发式算法有优势。具体如下:1.搜索过程从随机生成的种群开始。2.多种群可以在搜索空间内共享信息，避免局部最优解。3.基于多种群的元启发式算法的搜索能力优于基于单体的元启发式算法。然而，标准的樽海鞘算法以樽海鞘链基于群体最优的方式能够实现快速收敛，然而在全局搜索多样性上有所不足，由于种群多样性的局限和食物源更新机制的不足在多峰值问题上极易陷入局部早熟，不易跳出局部最优陷阱，收敛速度慢，精度不高，不容易找到拟合度更优的全局估计参数。

发明内容