بهینه‌سازی ساختار توابع کسری با استفاده از پیکربندی جدیدی از الگوریتم بهینه‌سازی توده ذرات در شرایط وجود نقاط کنترل محدود

روش‌های فراابتکاری به‌طور گسترده‌ای در تعیین ساختار بهینه مدل توابع کسری استفاده می‌شوند. در این روش‌ها با حذف تعدادی از ضرایب توابع کسری، صحت تصحیح هندسی تصاویر ماهواره‌ای با قدرت تفکیک بالا را افزایش می‌دهند. روش‌های مذکور برای تعیین مقادیر ضرایب توابع کسری، از روش کمترین مربعات برمبنای تعدادی نقطه‌ی کنترل زمینی استفاده می‌کنند. به دلیل هزینه‌بر بودن استفاده از نقاط کنترل زمینی، مساله استفاده از نقاط کنترل زمینی محدود، به چالشی جدی در پژوهش‌های جدید تبدیل شده است. ازآنجاکه تابع سازگاری در روش‌های فرا ابتکاری خود تابعی از تعداد نقاط کنترل زمینی است، در این مطالعه، یک پیکربندی جدید و صحیح از الگوریتم بهینه سازی توده ذرات برای یافتن تعداد ضرایب توابع کسری بهینه در شرایط استفاده از تعداد نقاط کنترل محدود تحت عنوان الگوریتم بهینه سازی گسستهباینری توده ذرات برای مدل توابع کسری (dbpsorfm) ارائه شده است. با تکیه بر این اصل که حداکثر تعداد ضرایب موجود در ساختار توابع کسری دوبرابر تعداد نقاط کنترل است، در شرایط استفاده از نقاط کنترل با تعداد محدود، یا به عبارتی تعداد کمتر از 39 نقطه، نمی توان تمامی 78 ضریب ممکن را در ساختار توابع کسری دخیل کرد. ازاین رو در روش پیشنهادی به جای استفاده از شکل مرسوم ذره ها با مقادیر باینری، از ذره ای با یک بخش گسسته و یک بخش باینری استفاده شده است. تعداد بیت های هر ذره در این الگوریتم چهار برابر تعداد نقاط کنترل است که نیمی از آن ها به بخش گسسته و نیم دیگر به بخش باینری اختصاص دارند. بخش گسسته شامل شماره ضرایب توابع کسری و بخش باینری با دارا بودن مقادیر صفر و یک، حضور یا عدم حضور ضریب متناظر در بخش گسسته را در ساختار توابع کسری نشان می دهد. ایده ی اصلی این پژوهش تعریف ساختار گسستهباینری الگوریتم فراابتکاری توده ذرات در مساله مدل توابع کسری است. این روش از طرفی با ذات الگوریتم‌های فرا ابتکاری سازگار بوده و از طرف دیگر با کاهش قابل‌توجه فضای جستجو به بهبود نتایج می‌انجامد. روش پیشنهادی برروی انواع مختلفی از داده‌ها با قدرت تفکیک بالا آزمایش شد که نتایج پژوهش حاکی از برتری روش پیشنهادی در مقایسه با رویکرد متداول در الگوریتم‌های فرا ابتکاری موجود بود.

Optimization of RFM's Structure Using a New Reformulation of PSO in Case of Limited GCPs

Metaheuristic algorithms have been widely used in determining the optimum rational polynomial coefficients (RPCs). By eliminating a number of unnecessary RPCs, these algorithms increase the accuracy of geometric correction of highresolution satellite images. To this end, these algorithms use ordinary least squares and a number of ground control points (GCPs) to determine RPCs' values. Due to the cost of GCPs collection, using limited GCPs has become an attractive topic in various researches. In this study, a new reformulation of particle swarm optimization (PSO) algorithm, namely, DiscreteBinary PSO for Rational Function Model (DBPSORFM), is presented to find the optimal number and combination of RPCs in the case of limited GCPs. Based on the fact that the maximum number of RPCs, the values of which are obtained through least squares, is twice the number of GCPs, the particle of the proposed algorithm is composed of two binary and discrete parts. The discrete part contains the number of rational coefficients that can vary from 1 to 78. In the binary section, which contains 0 and 1 values, the absence or presence of the corresponding coefficient in the discrete section is investigated. This method is not only compatible with the nature of the metaheuristic algorithms but also significantly reduces the search space. The proposed method has been tested on various types of highresolution data. The results of the experiments indicate the superiority of the proposed method in comparison with the conventional approach in metaheuristic algorithms.