基于人工免疫系統(tǒng)的多目標(biāo)優(yōu)化與SAR圖像分割.pdf

1、最優(yōu)化問題是工程實(shí)踐和科學(xué)研究中的主要問題形式之一，其中，僅有一個(gè)目標(biāo)函數(shù)的最優(yōu)化問題被稱為單目標(biāo)優(yōu)化問題，目標(biāo)函數(shù)超過一個(gè)并且需要同時(shí)處理的最優(yōu)化問題被稱為多目標(biāo)優(yōu)化問題(Multi-objective Optimization Problems，MOPs)。本論文對其前沿方向之一--人工免疫多目標(biāo)優(yōu)化模型進(jìn)行了深入分析，針對高維多目標(biāo)優(yōu)化問題、新型支配機(jī)制、自適應(yīng)克隆策略、高效的多樣性保持技巧等具有挑戰(zhàn)性的問題進(jìn)行了深入的研究，結(jié)合

2、國家自然科學(xué)基金項(xiàng)目、國家“973”項(xiàng)目和“863”計(jì)劃等，將提出的方法成功用于合成孔徑雷達(dá)(SyntheticAperture Radar，SAR)圖像分割難題。本論文工作可以概括如下：
　　 (1)目標(biāo)維數(shù)較高的多目標(biāo)優(yōu)化問題的難點(diǎn)在于，隨著非支配解急劇增加，經(jīng)典算法由于缺乏足夠的選擇壓力導(dǎo)致性能急劇下降。為此，提出了基于偏好等級免疫記憶的克隆選擇多目標(biāo)優(yōu)化算法，用于解決目標(biāo)維數(shù)較高的優(yōu)化問題。利用決策者提供的偏好信息來為抗

3、體分配偏好等級，根據(jù)該值比例克隆抗體，增大抗體的選擇壓力，加快收斂速率。根據(jù)偏好信息來縮減Pareto前沿，并利用有限的偏好解估計(jì)該前沿。同時(shí)，建立了免疫記憶種群來保留較好的非支配解，采用ε支配機(jī)制來保持記憶抗體種群的多樣性。實(shí)驗(yàn)結(jié)果表明，對于高達(dá)8目標(biāo)的優(yōu)化問題，該算法取得了較好的實(shí)驗(yàn)效果。
　　 (2)新型支配機(jī)制的研究是進(jìn)化多目標(biāo)優(yōu)化領(lǐng)域中的熱點(diǎn)和難點(diǎn)之一，其中，ε支配最具代表性。但是，它的缺點(diǎn)在于對于不同幾何形狀Pare

4、to前沿的問題，其性能十分敏感。本論文提出了改進(jìn)ε支配機(jī)制的等度規(guī)映射方法，采用等度規(guī)映射把解映射到低維流形空間，發(fā)現(xiàn)隱藏于非支配解的幾何分布，在該空間進(jìn)行ε支配的剪枝操作。與傳統(tǒng)的ε支配相比，該機(jī)制不會(huì)丟失部分有效解，能夠較好地保持解分布的均勻性。為克服傳統(tǒng)ε支配丟失部分極端解的不足，設(shè)計(jì)了極端解校驗(yàn)算子。與四個(gè)代表的相關(guān)算法相比，本文提出的ε支配和極端解校驗(yàn)算子能夠較好地保持解分布的均勻性和寬廣性，明顯地改進(jìn)了傳統(tǒng)ε支配。
　

5、　 (3)算法的效率與進(jìn)化搜索過程的自適應(yīng)性操作密切相關(guān)。傳統(tǒng)算法多一成不變地為所有個(gè)體建立非支配等級關(guān)系，帶來了計(jì)算資源的浪費(fèi)。本論文研究了基于在線非支配抗體的自適應(yīng)多目標(biāo)優(yōu)化算法，該算法根據(jù)當(dāng)前的非支配抗體數(shù)量，把搜索階段劃分為三個(gè)不同時(shí)期，它們分別具有局部搜索和全局搜索以及混合搜索特性。當(dāng)需要執(zhí)行全局搜索時(shí)，為所有個(gè)體建立非支配等級關(guān)系；當(dāng)非支配抗體較多時(shí)，即需要局部搜索時(shí)，可以完全拋棄支配抗體，僅僅選取非支配抗體參與操作。此外

6、，為了較好地完成局部搜索，本章還設(shè)計(jì)一個(gè)基于比例克隆的局部增強(qiáng)搜索算法。本章算法明顯提高了搜索資源的利用率，增強(qiáng)了算法的自適應(yīng)性和有效性，克服了恒定地為所有個(gè)體排序的缺點(diǎn)。
　　 (4)如何獲得穩(wěn)定而高效的免疫多目標(biāo)優(yōu)化算法？針對當(dāng)前免疫多目標(biāo)優(yōu)化算法搜索過程的不穩(wěn)定和多樣性保持質(zhì)量不高等缺點(diǎn)，提出了基于自適應(yīng)等級克隆和動(dòng)態(tài)刪除機(jī)制的高效免疫多目標(biāo)優(yōu)化算法。自適應(yīng)地選擇個(gè)體和分配克隆資源增強(qiáng)了種群進(jìn)化的魯棒性，克服了傳統(tǒng)算法陷入

7、局部Pareto前沿的缺點(diǎn)。個(gè)體的近鄰信息會(huì)隨著個(gè)體的刪除而更新，傳統(tǒng)擁擠距離一次分配機(jī)制的多樣性指標(biāo)具有很大缺陷，而動(dòng)態(tài)的分配機(jī)制可以明顯克服該缺點(diǎn)，利于較好地保持解的多樣性。本章算法在收斂性、多樣性保持和運(yùn)算時(shí)間均獲得滿意的實(shí)驗(yàn)結(jié)果。
　　 (5)針對當(dāng)前單目標(biāo)SAR圖像分割中遇到的單個(gè)聚類指標(biāo)難于發(fā)現(xiàn)復(fù)雜像素分布關(guān)系的缺點(diǎn)，結(jié)合多通道Gabor濾波和灰度共生矩陣對SAR圖像中的紋理信息進(jìn)行描述，首次提出了一種基于免疫多目標(biāo)

8、優(yōu)化的SAR圖像分割方法。多目標(biāo)優(yōu)化可以揭示復(fù)雜樣本特點(diǎn)，對具有不同幾何結(jié)構(gòu)的分類問題均有較好的劃分性能。采用本論文第五章提出的高效人工免疫多目標(biāo)優(yōu)化算法作為本章SAR圖像精細(xì)分割算法依托框架。對于部分紋理圖像和ERS-2衛(wèi)星圖像取得了滿意的分割結(jié)果。實(shí)驗(yàn)結(jié)果展示了免疫多目標(biāo)計(jì)算在SAR圖像分割中的應(yīng)用潛力。
　　 (6)針對當(dāng)前基于進(jìn)化計(jì)算的SAR圖像自動(dòng)分割算法的穩(wěn)定性較差和現(xiàn)有多目標(biāo)分割算法的效率不高等缺點(diǎn)，提出了高效的人

9、工免疫多目標(biāo)像素域SAR圖像自動(dòng)分割算法。多目標(biāo)分割本質(zhì)上是離散的兩目標(biāo)優(yōu)化問題，為此，針對性地采用自適應(yīng)等級均勻克隆機(jī)制和動(dòng)態(tài)擁擠距離的刪除機(jī)制，后者雖然對于目標(biāo)維數(shù)較高的優(yōu)化問題的多樣性保持能力不足，但是對于兩目標(biāo)優(yōu)化問題，其計(jì)算量相對較小，且具有滿意的多樣性保持性能。此外，為了獲得分割圖像在細(xì)節(jié)方面的清晰識(shí)別，本章采用更為直接的SAR圖像斑點(diǎn)噪聲抑制算法，目的在于濾除斑點(diǎn)噪聲的同時(shí)，保留更多的紋理和邊緣等細(xì)節(jié)信息，有利于感興趣目標(biāo)