ارزیابی جامع الگوریتم‌های بهینه‌سازی ژنتیک استاندارد، ژنتیک بهبودیافته و ازدحام ذرات بهبود یافته در کشف ترکیب بهینه ترم‌های توابع کسری وابسته به زمین

استفاده از توابع کسری، در غیاب اطلاعات افمریز مدار ماهواره و هندسه داخلی سنجنده، یکی از بهترین روش‌ها برای زمین‌مرجع‌سازی تصاویر ماهواره‌ای و استخراج اطلاعات مکانی از تصاویر ماهواره‌ای است. تعداد زیاد ترم‌ها و عدم تفسیرپذیری آنها، باعث‌شده تا تعدد نقاط کنترل مورد‌نیاز و ایجاد خطای پارامتر‌های اضافه، به‌عنوان مهم‌ترین ضعف‌های توابع کسری وابسته به زمین شناخته شوند. استفاده از الگوریتم‌های بهینه‌سازی، یکی از راهکار‌های مناسب رفع این ضعف‌ها است. به‌همین‌دلیل از الگوریتم‌های بهینه‌سازی مختلف، برای کشف ترکیب بهینه ترم‌های توابع کسری وابسته به زمین استفاده شده است. از آنجا که سازوکار هریک از این الگوریتم‌ها با یکدیگر متفاوت است، میزان کارایی و خصوصیات مختلف این الگوریتم‌ها در کشف ترکیب بهینه ترم‌های توابع کسری وابسته به زمین متفاوت است اما تفاوت‌های موجود به‌صورت جامع، مورد مقایسه و تحلیل قرار نگرفته است. در این مقاله، به‌منظور بررسی کامل و جامع توانایی‌های سه الگوریتم بهینه‌سازی ژنتیک، ژنتیک بهبودیافته و ازدحام ذرات بهبودیافته در کشف ترکیب بهینه ترم‌های توابع کسری از دیدگاه‌های مختلف از جمله دقت، سرعت، تعداد نقاط کنترل مورد نیاز و قابلیت اطمینان به نتایج بدست آمده، از 4 تصویر ماهواره‌ای متعلق به سنجنده‌های geoeye-1، ikonos-2، spot31ª و spot-3-1b استفاده شده است. اختلاف دقت کمتر از 0.4 پیکسل در نتایج هر یک از الگوریتم‌های بهینه‌سازی، 10 تا 12 برابر‌بودن سرعت الگوریتم ژنتیک بهبودیافته نسبت به دو الگوریتم دیگر، به ترتیب برتری 45.25 و 27 درصدی درجه آزادی الگوریتم بهینه‌سازی ازدحام ذرات بهبودیافته نسبت به الگوریتم ژنتیک بهبودیافته و ژنتیک و پراکندگی نسبتا یکسان نتایج هر یک از الگوریتم‌ها در 10 بار اجرای برنامه، حاکی از آن است که دقت هر سه الگوریتم بهینه‌سازی نسبتا یکسان، سرعت الگوریتم ژنتیک بهبودیافته بیشتر، تعداد نقاط کنترل مورد نیاز الگوریتم ازدحام ذرات بهبودیافته کمتر از دو الگوریتم دیگر و قابلیت اطمینان به نتایج هر یک از الگوریتم‌های بهینه‌سازی به منظور کشف ترکیب بهینه ترم‌های توابع کسری وابسته به زمین، یکسان است.

Comprehensive assessment of standard genetic optimization algorithm, modified genetic optimization algorithm and modified particle swarm optimization algorithm for optimization of terraindependent rational function models

In the absence of satellite ephemeris data and inner geometry of satellite’s sensor, utilization of Rational Function Models (RFMs) is one of the best approaches to georeferencing satellite images and extracting spatial information from them. However, since RFMs have high number of coefficients, then usually high number of control points is needed for their estimation. In the other hand, RFM terms are uninterpretable and all of them causes overparametrization error which count as the most important weakness of the terraindependent RFMs. Utilization of optimization algorithms is one of the best approaches to eliminate these weaknesses. Therefore, various optimization algorithms have been used to discover the optimal composition of RFM’s terms. Since the mechanism of these algorithms is different, the performance and feature characteristics of these algorithms differ in the discovery of the optimal composition traindependent RFM’s terms. But the existing differences not comprehensively analyzed. In this paper, in order to comprehensive assessment the abilities of Genetic Optimization Algorithm (GA), Genetic modified Algorithm (GM), and a modified Particle Swarm Optimization (PSO) in terms of accuracy, quickness, number of control points required, and reliability of results, are evaluated. These methods are evaluated using for different datasets including a GeoEye1, an IKONOS2, a SPOT31A, and a SPOT31B satellite images. In terms of accuracy achieved, difference between these methods was less than 0.4 pixel. In terms of speed of evaluation of parameters, GM was 10 to 12 time more quickly in comparison with two other algorithms. In terms of control points required, degree of freedom of modified PSO was 45.25 percent and 27 percent more than GM and GA respectively, and finally in terms of reliability, the dispersion of RMSE obtained in 10 runs of three algorithms are relatively same. These results indicated that accuracy and reliability of all three methods are almost the same, speed of GM is higher and modified PSO needs less control points to optimize terraindependent RFM