EMT-HEE：一种用于高光谱端元提取的进化多任务处理方法

《IEEE Transactions on Emerging Topics in Computational Intelligence》：EMT-HEE: An Evolutionary Multi-Tasking Method for Hyperspectral Endmember Extraction

高光谱图像解混中的进化多任务方法研究。针对解混问题存在的约束性强、搜索空间大、局部最优等问题，提出进化多任务方法EMT-HEE。通过主任务（精确解混）与辅助任务（全局搜索）协同优化，采用双种群进化策略，结合动态范围搜索和知识传递机制，有效提升解混精度。实验证明该方法优于现有算法。

　　

摘要：

端元提取（Endmember Extraction, EE）在高光谱图像的分解过程中起着至关重要的作用，目前已经提出了许多EE算法。其中，基于进化算法（Evolutionary Algorithm, EA）的EE算法由于具备强大的全局搜索能力而备受关注。然而，高光谱EE问题本身是一个受限且具有稀疏性的大规模优化问题，因此很难高效地找到最优解。为了解决这一问题，我们从进化多任务（Evolutionary Multi-tasking）的角度来处理这个复杂的优化问题。具体而言，我们提出了一种名为EMT-HEE的高光谱EE进化多任务方法，该方法通过两个相关任务的协作来获得更高质量的端元。在EMT-HEE中，原始的高光谱EE问题被视为主要任务，其目标是得到最终准确的端元；同时，还构建了一个无约束的辅助任务，用于彻底探索稀疏的大规模搜索空间并避免陷入局部最优解。为了实现进化多任务的思想，分别为这两个任务演化了两个种群（M 和 A）。在演化过程中，针对主要任务提出了一种基于学习的解决方案生成策略，能够产生高质量的解；而对于辅助任务，则开发了一种具有动态范围的全局搜索策略，以生成更多样化的解。为了充分利用每个任务的优势，提出了一对知识转移策略（包括“辅助任务辅助主要任务改进策略”和“主要任务辅助辅助任务提升策略”），这些策略显著提升了任务的性能。通过在不同的高光谱数据集上的验证，结果表明EMT-HEE能够比现有的最先进EE算法提取出更准确的端元。