[发明专利]一种基于蜂群算法的遥感影像有理函数模型结构优化方法

权利要求书

1.一种基于蜂群算法的遥感影像有理函数模型结构优化方法，其特征在于它的步骤如下：

步骤一：构造一个待求解的二值向量x={x_i},(i=1,2,…,D,x_i={0,1})，其长度D为待优化的遥感影像的有理函数模型RFM参数项系数的个数；根据已知地面控制点GCP的实际坐标，将根据RFM模型解算出对应影像点的影像坐标，与实际GCP对应影像坐标之间的误差，作为收益度函数f(x)，则显然f(x)越小，则优化的收益度越好；进而通过以下步骤找到使f(x)达到最小值的解x；

步骤二：初始化蜂群算法参数，所述参数包括蜜蜂总数PN，将蜜蜂分为三类，S蜂PN/2个，E蜂0个，O蜂PN/2个，设定S蜂启动阈值Limit，解空间维数D；设定迭代终止条件：最大迭代次数和收益度阈值；

步骤三：蜂群初始化，令每一个蜜蜂对应一个解x，首先由PN/2个S蜂找到PN/2个初始解x_i(i=1,2,…,PN/2)，为每个解设置一个S蜂启动计数器Failure(i)，并将其置零，计算各解的收益度f(x_i)，存储当前全局最优解x_best，，随后S蜂全部变为E蜂，即此时PN/2个E蜂对应PN/2个初始化解，随后进入E蜂优化阶段；

步骤四：迭代开始：首先是E蜂优化阶段：每个E蜂修正其对应解x_i(i=1,2,…,PN/2)，计算修正后的解所对应的收益度f(x'_i)，比较f(xi)和f(x'_i)，若f(xi)≥f(x'_i)，则保留当前E蜂所对应的解x_i不变，同时Failure(i)=Failure(i)+1；若f(xi)<f(x'_i)则用x'_i替换当前E蜂所对应的解x_i，替换完成后统一仍用x_i表示；

步骤五：计算各个E蜂招募概率p(i)=1-f(xi)Σi=1PN/2f(xi)(i=1,2,···,PN/2);]]>

步骤六：O蜂优化阶段：对PN/2个E蜂优化后所获得的PN/2个解x_i(i=1,2,…,PN/2)，每一个O蜂根据轮盘赌准则，首先生成一个[0,1]之间的随机数p_o，逐次与各E蜂所对应的招募概率p(i)进行比较，若p_o<p(i)，则当前O蜂对该E蜂进行修正，每一个O蜂只修正一个E蜂；以此原则，能保证招募概率大的E蜂，即更好的解获得更大概率的修正次数；计算每个被O蜂修正后的解x'_i所对应的收益度f(x'_i)，与步骤四中类似，比较f(x'_i)与当前解的收益度f(x_i)，若f(x_i)≥f(x'_i)，则保留解x_i不变，同时Failure(i)=Failure(i)+1；若f(x_i)<f(x'_i)则用x'_i替换当前解x_i，替换完成后统一仍用x_i表示；

步骤七：计算并比较经过O蜂优化后的PN/2个解的收益度f(x_i)(i=1,2,…,PN/2)，选出对应最小f(x)值的解x_iter，进而比较f(x_iter)与当前全局最优解所对应的收益度f(x_best)，若f(x_iter)≥f(x_best)，则保留原最优解x_best不变；若f(x_iter)<f(x_best)，则用x_iter替换x_best成为新的全局最优解，替换完成后统一仍用x_best表示；

步骤八：判断迭代终止条件情况，若迭代次数已到达最大迭代次数MCN，或者当前全局最优解对应收益度f(x_best)已经达到或小于收益度阈值FT，则优化完成，将所得的解对应原RFM模型参数项，保留数值为1的项，舍弃数值为0的项，即为优化后的RFM模型；若不满足，则进行步骤九；

步骤九：判断各解对应的S蜂启动计数器Failure(i)值是否超过阈值Limit，若未超过，则返回步骤四；若超过，则进行步骤十；

步骤十：启动S蜂，此时设定一个额外的S蜂，产生一个新的解x，取代对应Failure(i)超出Limit的解x_i，成为新的一个E蜂，并返回步骤四，进行下一轮迭代，直至步骤八满足迭代终止条件。