基于改进混沌PSO的多相机组网优化研究

曾祥进 田金文 陈建 刘柯

摘 要：多相机组网网络设计具有多参数、多约束、运算量大等特点，在理论上是一个复杂的优化策略问题，寻找其绝对精确的最优解通常需要很大的运算量，因此在实现时必须考虑算法效能。利用基于粗糙集的启发式属性约简算法获得特征属性的约简，在此基础上利用改进的支持向量机对约简信息进行预测。为了获得最优预测精度，采用混沌粒子群优化（PSO）算法以避免SVM预测模型的局部优化。最后通过实验对粒子群优化（PSO）算法、改进的PSO（IPSO）算法与混沌PSO（CPSO）算法性能进行比较，分析结果表明，相比于其它方法，该方法在收敛速度以及防止局部寻优等性能方面有较大提高。

关键词：PSO;多相机组网;混沌粒子群;网络优化

DOI：10. 11907/rjdk. 181991

中图分类号：TP319文献标识码：A文章编号：1672-7800（2019）004-0123-04

0 引言

在集成电路生产线，往往采用多台设备（上料机、点胶机、固晶机、引线键合机等）组成流水线。为完成小批量、多样式芯片的加工生产，需采用分布式多相机对样片进行识别与定位，因此涉及到对多相机组网网络设计相关问题的研究。多相机组网网络设计具有多参数、多约束、运算量大等特点，在理论上是一个复杂的优化策略问题，寻找其绝对精确的最优解通常需要很大的运算量，因此在实现时必须考虑算法效能。

不当的SVM结构参数可能导致预测精度降低，为了克服该问题，对其进行优化是十分必要的。粒子群优化（PSO）算法具有良好的全局搜索能力，已被广泛应用于人工神经网络与SVM优化中[1-7]，并取得了较好效果，提高了优化效率。现行PSO 算法在搜索性能方面主要存在两个问题： ①在搜索开始阶段收敛较快，在趋近于极值点时的局部搜索调整却比较慢， 而且不能保证收敛到局部最优点; ② 种群多样性损失过快， 导致算法早熟[8-17]。针对相关问题，程毕芸等[18]提出一种基于优秀系数的局部搜索混沌离散粒子群优化（ILCDPSO） 算法，并用于求解旅行商问题（TSP）;徐文星等[19]将混沌PSO作为全局搜索器， 并采用SQP加速局部搜索，使粒子能够在快速局部寻优基础上对整个空间进行搜索;周燕等[20]提出一种新的自适应惯性权重混沌PSO 算法，该算法可分析不同参数情况下各算法性能之间的关系。为了消除PSO在SVM优化中的缺陷，本文利用基于粗糙集的可辨识矩阵的启发式属性约简算法获得特征属性的约简，在此基础上再利用改进的支持向量机对约简信息进行预测。为了获得最优预测精度，同时采用混沌粒子群优化（PSO）算法防止SVM预测模型的局部优化，从而使预测精度显著提高。

1 待优化的多相机参数

针对集成电路封装生产线特点， 本文主要对电路板上的芯片位置、引线位置、引脚等进行定位测量，因此将其简化为特征点加以考虑。

建立的相机简化模型如图1所示， 以单个相机为例，假设特征点i对应于第i个相机，将特征点i的单位法向量L作為对称轴， 设圆锥角度为q，[α]、[β]为球面坐标AE角， 则有：

2 改进的优化算法

在预测优化过程中，将所有特征属性归一化后再进行样本建模，显然将增加系统计算量。此外，如果将样本所有特征属性送入支持向量机进行预测，则对于某些不必要的特征属性，还可能引起系统的预测误判。因此，必须研究一种针对属性特征重要性的判别方法。本文引入粗糙集理论判断样本属性重要性，并得到属性约简。

式（7）中[ψ]为一般参数，显然，属性出现频率越大，其重要性也越强。因此，通过式（7）的启发式规则，先计算各属性重要性，然后消去重要性较小的属性，从而得到相对最小约简属性。

下面是粗糙集的启发式属性约简算法：

输入：决策表

输出：相对约简

算法步骤如下：①计算可辨识矩阵;②确定核属性，并找出不含核属性的属性集合;③得到步骤②属性组合的合取范式形式[F=∧（∨cij： （i=1，2，3？s;j=1，2，3？m））]，然后将得到的属性集合转化为析取范式形式;④依据式（7）计算并判断所得属性的重要性;⑤根据步骤④得到重要性较小的属性并将其减去，得到约简后的属性。将约简后的特征属性送入支持向量机样本建模器中进行建模。

对于基于LS-SVM的RBF，高斯核宽度与正则化因子在SVM泛化能力中发挥了很大作用，因此对这两个参数的优化是十分必要的，本文采用混沌PSO算法优化LS-SVM参数。

2.1 混沌粒子群优化算法

粒子群优化算法是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法，并已成功应用于神经网络、SVM等优化中[10-11]。粒子群优化算法搜索能力较差， 搜索精度低， 容易陷入局部极小解，并且对参数具有一定依赖性，因此，本文提出应用混沌搜索以增加粒子多样性。混沌搜索可以在搜索空间得到所有状态，生成逼近优化解决方案的邻居以保持解的多样性。混沌与PSO的结合可以防止优化过程出现早熟。

2.2 预测模式

本文将各个相机位姿与成像参数作为待求解参数，为了提高预测模型的健壮性，采用混沌粒子群优化算法优化LS-SVM的正则化因子C与核宽度σ。

预测过程如下：①在各种约束条件下，将各个相机位姿与成像参数作为待求解参数，即式（5）简化的3参数[Xi=[σiqiN]T]，随机初始化种群中各粒子的位置与速度;②评价每个粒子适应度，并认为适应度最佳的粒子位置为当前最优解;③根据当前最优解不断更新调整每个粒子的位置与速度，重新计算当前最优解;④采用混沌PSO优化正则化因子C和核宽度σ，累加每个SVM模型并输出预测结果，若已达到预设的迭代次数或运算精度，则停止搜索并输出结果，否则返回步骤②。输出结果中包含待求解的各项参数，即相机位姿与成像参数等。

采用PSO算法根据不同的随机输入可能得到不同结果，需要进行多次计算，从中选择最优个体。

3 实验

为了验证算法性能，模拟设计集成电路封装生产流水线的摄相机分布，其在Z平面投影为1m*2m，如图2所示。 通过设定投影间隔，得到相应的网格点。在设计过程中，所有相机采用同一型号， 并统一使用大恒uc130及25mm镜头。根据封装生产线IC操作的投影面积1m*2m，估计所需相机个数为12个。图3 为当相机增加时个体的适应值变化曲线。由图3可知，随着相机个数增多，适应值增加量基本呈逐渐减少趋势。

在PSO优化过程中，设[c1=c2=1.2]，[ω=0.7]，粒子群大小为40。对于Logistic混沌搜索，设置[μ=3]，[a=1.1]，[b=0.2];对于Henon混沌搜索，设置[c=1.4]，[d=0.41]。Logistic和Henon混沌搜索性能比较如图4、图5所示。从图中可以看出，Henon稳定区间优于Logistic，可提供更稳定的PSO最优拟合值，从而提高了混沌优化工作效率。表1 给出了10个相机的优化配置结果分析。

不同模型预测性能比较如表2所示。由表可知，本文方法比PSO-SVM和SVM模型预测效果更好，通过混沌搜索处理以避免局部最小值，能够减少0.42%以上的预测误差。对于每种型号相机，多次改变输入相机个数，可得到不同相机个数下最优的组网摄像测量精度。根据精度随相机个数变化的曲线，从曲线中选择满足精度要求的该型号相机个数及对应的优化配置。

由表3可以看出，在35次实验中，改进CPSO 算法的实验结果与IPSO 算法结果相比，CPSO算法能收敛到最优值的次数有所提高，算法平均值也更接近最优解，说明本文算法的性能有了一定程度提高。表4给出了当种群大小为30时，各种算法求解结果的比较。从表中可以看出，在相同迭代次数下，改进CPSO算法求解的最优解更接近系统值。

4 结语

多相机组网网络设计具有多参数、多约束、运算量大等特点，在理论上是一个复杂的策略优化问题，寻找其绝对精确的最优解通常需要非常大的运算量，因此在实现时必须考虑算法效能。本文提出一种新的预测混合智能模型，结合粗糙集理论约简特征量和SVM的监督学习挖掘成像参数数据中明显与潜在的模式，采用混沌PSO算法优化SVM参数。实验结果证明，所提出的预测优化方法相比于传统方法是可行且有效的，预测优化效果优于未采用粗糙集理论约简特征与混沌PSO处理的模型。

参考文献：

[1] KENNEDY J，EBERHART R C. Particle swarm optimization[M]. New York：Springer US， 2011.

[2] ZHANG X， ZHU Z， YUAN Y， et al. A universal and flexible the odolite-camera system for making accurate  measurements over large volumes[J]. Optics and Lasers in Engineering，2012，50 （11）：1611-1620.

[3] 唐賢伦，周维，张衡， 等. 一种基于多目标混沌 PSO 的机器人足球防守策略[J]. 系统仿真学报， 2014， 26（1）： 51-55.

[4] 丁旭，吴晓蓓，黄成. 基于改进粒子群算法和特征点集的无线传感器网络覆盖问题研究[J]. 电子学报， 2016， 44（4）： 967-973.

[5] MEZURA-MONTS E，CETINA-DOMINGUEZ O. Empirical analysis of a modified artificial bee colony for constrained numerical optimization[J]. Applied Mathematics and Computation，2012，218（22）： 10943-10973.

[6] YANG  J，PENG C，XIAO J， et al. Application of video metric technique to deformation measurement for large-scale composite wind turbine blade[J]. Applied Energy， 2012，98：292-300.

[7] 柏连发，韩静，张毅. 采用改进梯度互信息和粒子群优化算法的红外与可见光图像配准算法[J].  红外与激光工程，2012，41（1）：248-252.

[8] 冯琳， 冉晓渂，梅关林. 基于改进粒子群算法的无线传感网络覆盖优化[J]. 太赫兹科学与电子信息学报，2015，13（3）：486-491.

[9] KENNEDY J， EBERHART R C. A discrete binary version of the particle swarm algorithm [C]. Proceedings of the 1997 World Multi-Conference on Systemic，Cybernetics and Informatics，1997： 4104-4109.

[10] 刘道华，原思聪，兰洋，等. 混沌映射的粒子群优化方法[J]. 西安电子科技大学学报：自然科学版，2010，37（4）：764-769.

[11] 雷秀娟，付阿利，孙晶晶，等. 改进 PSO 算法的性能分析与研究[J]. 计算机应用研究，2010，27（2）：453-458.

[12] 敖永才，师奕兵，张伟，等. 自适应惯性权重的改进粒子群算法[J]. 电子科技大学学报，2014，43（6）： 874-880.

[13] YING SONG，CHEN ZENG-QIANG，YUAN ZHU-ZHI. New chaotic PSO-based neural network predictive control for nonlinear process[J]. IEEE Transactions on Neural Networks，2007，18（2）：595-601.

[14] PEDIWAL J，MAHOR A，KHATRI N. Exponential decreasing inertia weight particle swarm optimization in economic load dispatch[J]. International Journal of Engineering Innovations & Research，2012（5）：380-384.

[15] 湯可宗，柳炳祥，杨静宇，等. 双中心粒子群优化算法[J]. 计算机研究与发展，2012，49（5）：1086-1094.

[16] 杜继永，张凤鸣，李建文，等. 一种具有初始化功能的自适应惯性权重粒子群算法[J]. 信息与控制，2012， 41（2）：165-169.

[17] 朱喜华，李颖晖，李宁，等. 基于群体早熟程度和非线性周期振荡策略的改进粒子群算法[J]. 通信学报， 2014， 35（2）： 182-189.

[18] 程毕芸，鲁海燕，徐向平，等. 求解旅行商问题的改进局部搜索混沌离散粒子群优化算法[J]. 计算机应用，2016，36（1）：138-142，149.

[19] 徐文星，耿志强，朱群雄，等.  基于SQP局部搜索的混沌粒子群优化算法[J]. 控制与决策，2012，27（4）：557-561.

[20] 周燕，刘培玉，赵静，等.  基于自适应惯性权重的混沌粒子群算法[J]. 山东大学学报：理学版， 2012，47（3）：27-32.

（责任编辑：黄 健）