[发明专利]基于遗传蜂群算法的高光谱遥感影像波段选择方法

摘要

本发明公开了一种基于遗传蜂群算法的高光谱遥感影像波段选择方法，分类精度高，显著改善了高光谱遥感影像波段选择方法的分类精度，且分类性能较遗传算法、蚁群算法和人工蜂群算法相比，有着明显优势。遗传算法具有较强的全局搜索能力而收敛速度却随迭代次数增加而趋于缓慢，人工蜂群算法在全局搜索方面存在缺陷但算法收敛速度快。本发明将遗传算法和蜂群算法结合起来，形成优势互补，即使得算法同时拥有全局搜索能力强和收敛速度快的优势。从而，使得在保证分类精度较高的前提下，算法执行效率也较高。

主权项

基于遗传蜂群算法的高光谱遥感影像波段选择方法，其特征在于：包括以下步骤：S1：子空间划分：对原始数据进行子空间划分；S2：初始化：设定遗传算法和人工蜂群算法的各个参数值：遗传算法的参数值包括交叉概率Pc、变异概率Pm、终止迭代次数N、当前进化代数t＝0；人工蜂群算法的参数值包括蜜源维数D、蜜源数量SN、当前蜜源位置yi＝初始蜜源位置xi、当前迭代次数g＝0、迭代最大次数G和蜜源被更新的最大次数Llimit；其中，xi是一个D维向量，xi＝(xi1,xi2,xi3,…,xiD)T，i＝1,2,3,…,SN；S3：求解当前蜜源位置yi的适应度值fit(yi)；S4：引领蜂搜索：引领蜂如果搜寻到新的蜜源位置vi，则根据式(1)来决定是否用新的蜜源位置vi替换当前蜜源位置yi：yi=vifit(vi)>fit(yi)yifit(vi)≤fit(yi)---(1)]]>式(1)中，fit(vi)为新的蜜源位置vi的适应度值；新的蜜源位置vi是一个D维列向量，vi中的元素vij根据式(2)得到：式(2)中，k∈{1,2,…,SN}，j∈{1,2,…,D}，k、j在其各自取值区间内随机选取且k≠i；是介于[‑1,1]之间均匀分布的随机数；S5：根据式(3)计算第i个蜜源的选择概率Pi：Pi=fitiΣk=1SNfitk---(3)]]>式(3)中，fiti为第i个蜜源的适应度值，fitk为第k个蜜源的适应度值；S6：跟随蜂搜索：跟随蜂根据选择概率Pi的大小来挑选蜜源，利用式(2)在所选蜜源的邻域搜寻产生一个新的蜜源，计算该新蜜源的适应度值，并按照式(1)保留适应度值高的蜜源位置；S7：侦查蜂搜索：当跟随蜂在所选蜜源位置邻域搜索次数未达到Llimit，而搜寻产生的新蜜源位置的适应度值相对于原所选蜜源位置的适应度值有所提高，则执行步骤S8；当跟随蜂在所选蜜源位置邻域搜索次数已达到Llimit，则引领蜂变为侦查蜂，按照式(4)随机生成新的蜜源位置，计算新蜜源的适应度值，与原蜜源适应度值比较，按公式(1)保留适应度值高的蜜源，然后进行步骤S9；yij＝yminj+rand(0,1)(ymaxj‑yminj)      (4)式(4)中，yminj为当前蜜源位置yi的第j维向量的最小值，ymaxj为当前蜜源位置yi的第j维向量的最大值；S8：判断引领蜂的适应度值是否大于初始蜜源位置的适应度值fit(xi)：如果是，则记录当前蜜源位置yi；否则，则返回步骤S4；S9：判断迭代次数g是否等于迭代最大次数G：如果等于，则输出最优的蜜源位置；否则，则返回步骤S4；S10：交叉操作：步骤S8记录的所有蜜源位置中，每个蜜源位置作为一个个体，每两个个体按照交叉概率Pc进行交叉操作，得到新解，求出新解的适应度值；如果新解的适应度值比父代的适应度值好，则用新解代替父代执行步骤S11，否则用父代执行步骤S11；S11：变异操作：引入遗传算法的变异算子，步骤S8记录的所有蜜源位置中的最差蜜源位置按照变异概率Pm通过变异算子来提高适应度值，如果适应度值变大则进行步骤S12；S12：求解每个蜜源的目标函数值，将获得的最优适应度值以及相应参数记录下来；S13：判断迭代次数g是否等于最大迭代次数G：如果等于，则输出最优适应度值相应参数值，并记录相对应的蜜源位置；否则，则返回步骤S4。