1.3 群優化算法在目標跟蹤中的應用

1.3.1 元啟發式優化算法

跟蹤算法的主要目的是找到目標模型和一組潛在解之間的最佳匹配，近似于在合理的運行時間內，在離散搜索空間中找到一個滿意的解。目標跟蹤的解決方法與元啟發式優化算法的求解行為一致。元啟發式優化算法可以看作一種近似求解算法，它為解決采用傳統優化技術所無法解決的優化問題提供了技術保證。大多數元啟發式優化算法的健壯性通常來自它的本質啟發。

元啟發式優化算法通過模仿生物或物理現象來解決優化問題，可以分為基于進化的方法、基于物理的方法和基于群體的方法?；谶M化的方法受到自然進化規律的啟發，搜索過程從隨機產生的種群開始，進行幾代種群的進化。這類方法的優點是，最優的個體總是結合在一起形成下一代個體，使得種群可以在幾代進化的過程中得到優化。受進化論啟發的最流行的技術是遺傳算法（Genetic Algorithm，GA）[71]，它模擬了達爾文的進化論。其他流行的算法有基于概率的增量學習（Probability Based Incremental Learning，PBIL）[72]、遺傳規劃（Genetic Programming，GP）[73]和基于生物地理學的優化器（Biogeography-Based Optimizer，BBO）[74]等。

基于物理的方法模擬了宇宙中的物理規則。最受歡迎的算法有模擬退火算法（SA）[75]、引力搜索算法（Gravitational Search Algorithm，GSA）[76]、人工化學反應優化算法（Artificial Chemical Reaction Optimization Algorithm，ACROA）[77]、射線優化算法（Ray Optimization，RO）[78]及曲線空間優化算法（Curved Space Optimization，CSO）[79]等。

基于群體的方法模仿動物群體社會行為的群居技術，即群優化算法。群優化算法中最為人熟知的是PSO算法。它是由Kennedy和Eberhart[80]開發的。PSO算法的靈感來自鳥類群體的社會行為。它使用大量粒子在搜索空間中尋找最佳解，同時在各粒子的路徑中跟蹤最佳位置。還有另一種比較常用的基于群體的算法是蟻群優化（Ant Colony Optimization，ACO）算法，由Dorigo等人[81]首先提出。該算法的靈感來自螞蟻尋找離巢穴最近的路徑和食物來源方面的行為。其他流行的群優化算法還有海豚回聲定位（Dolphin Echolocation，DE）算法[82]、蜂群算法（Artificial Bee Colony，ABC）[83]、布谷鳥搜索（CS）算法[84]、蝙蝠算法（Bat-inspired Algorithm，BA）[85]、螢火蟲算法（Firefly Algorithm，FA）[86]、蜻蜓算法（Dragonfly Algorithm，DA）[87]、蟻獅優化（ALO）算法[88]、鯨魚優化算法（Whale Optimization Algorithm，WOA）[89]、樽海鞘群算法（Salp Swarm Algorithm，SSA）[90]、蝴蝶算法（Butterfly-inspired Algorithm）[91]等。

另外，也有其他受人類行為啟發的元啟發式優化算法，目前流行的有基于教學學習的優化（Teaching Learning Based Optimization，TLBO）算法[92]、禁忌搜索（Taboo Search，TS）算法[93]、群體搜索優化器（Group Search Optimizer，GSO）算法[94]、內部搜索算法（Interior Search Algorithm，ISA）[95]、團體咨詢優化（Group Counseling Optimization，GCO）算法[96]等。

1.3.2 基于群優化算法的目標跟蹤方法

由1.3.1節可知，模仿動物群體社會行為的群優化算法在元啟發式優化算法中研究最多、發展最快，它們具有一個共同的特征，即搜索過程分為兩個階段：探索階段和開發階段。在探索階段，移動（設計變量的擾動）應盡可能隨機化；開發階段可以定義為對搜索空間中有希望的區域進行詳細調查的過程。種群中的每個個體都具有相對較低的智能因子，從而提高了其有效探索搜索空間的能力；群體中進行溝通和共享信息的能力會增強群體的整體智力，并帶來更好的解決方案。因為具有較強的全局尋優能力，所以很多群優化算法已被應用于目標跟蹤方法研究中，通過將跟蹤問題轉換為全局匹配獲得最優解的處理方式，實現目標狀態的跟蹤。表1.3列出了部分群優化算法在目標跟蹤中的應用。

盡管各種基于群優化及其改進的跟蹤方法不斷被提出，但沒有哪種方法能夠適應所有的問題。因此，更多的方法被繼續引入目標跟蹤領域。本書提出基于群優化及其改進的跟蹤方法解決目標跟蹤中的突變運動問題。

1.3.3 基于混合群優化算法的目標跟蹤方法

前文提及的算法在某些特定問題上表現較好，而在其他問題上則表現較差。到目前為止，如何針對優化問題設計一種新的啟發式優化算法仍然是一個懸而未決的問題[113]。

群優化領域研究大致有3個重點方向：提出新的算法、改進現有算法和混合不同的算法。其中，第三個研究方向是通過雜交或混合不同的算法來改革已有的成果或解決不同的問題[114]。近年來，混合算法由于在處理許多具有不確定性、復雜性、不精確性和模糊性的現實問題方面效率較高，越來越受到歡迎。

針對高維優化問題，元啟發式優化算法采用了不同的探索和利用策略?；旌显獑l式優化算法是解決高維問題的最新研究趨勢，克服了一種算法搜索能力較差和另一種算法開發能力較差的缺點。在大量文獻中均提及混合元啟發式算法，如混合Cat Swarm Optimization（CSO）[115]、Particle Swarm and Artificial Bee Colony （PS-ABC）[116]、Hybrid Spiral-Dynamic Bacteria-Chemotaxis（HSDBC）[117]、Genetic Algorithms and Cross Entropy（GACE）[118]、Cultural Algorithms Framework with Trajectory-Based Search[119]、Artificial Bee Colony Algorithm Based on Improved-Global-Best-Guided Approach and Adaptive-Limit[120]和Gravitational Search Algorithm-Particle Swarm Optimization with Time Varying Acceleration Coefficients[121]等。目前，已有很多混合優化算法被應用于目標跟蹤。Chen等人[122]提出了一種基于歐幾里得距離的混合量子PSO（Hybrid Quantum PSO，HQPSO）算法。Nenavath等人[123-125]提出了混合正余弦算法（Sine Cosine Algorithm，SCA）和基于教與學的優化（Teaching-Learning-Based Optimization，TLBO）算法、混合SCA與PSO算法和SCA與DE算法，并用于全局優化和目標跟蹤。Zhang等人[126]提出了一種基于模擬退火（Simulated Annealing，SA）算法的擴展核相關濾波器（Kernel Correlation Filter，KCF）跟蹤器。Zhang等人[127]提出了一種基于KCF的布谷鳥搜索擴展的跟蹤器。Xu等人[128]提出了一種基于差分進化的跟蹤框架。Gao等人[129]提出了一種基于螢火蟲算法的改進粒子濾波算法，應用于目標跟蹤。Gao等人[130]提出了一種新的元啟發式優化算法——微分和諧搜索（DHS），可用于解決人臉跟蹤問題。Gao等人[131]提出了一種基于蝙蝠的粒子濾波算法。Hua等人[132]提出了一種利用SDAE多級特征學習能力的目標跟蹤算法。這些混合算法在一定程度上均使原始的優化算法在性能上有所提升，并且將其應用在目標跟蹤領域使其跟蹤精度或跟蹤效率得到了很大的提高。