改進利用蟻群規(guī)則挖掘算法進行遙感影像分類

吳孔江，曾永年，靳文憑，何麗麗，李 靜

中南大學(xué) 地球科學(xué)與信息物理學(xué)院 空間信息技術(shù)與可持續(xù)發(fā)展研究中心，湖南 長沙 410083

1 引 言

遙感信息提取是遙感應(yīng)用分析的基礎(chǔ)，是遙感數(shù)據(jù)轉(zhuǎn)換為可用地理信息的技術(shù)核心［1－2］。因此，遙感影像分類方法的研究一直是遙感科學(xué)領(lǐng)域的重要研究內(nèi)容之一。近年來，眾多研究人員在遙感分類方面作了大量的研究，提出了許多遙感分類新方法。但當(dāng)區(qū)域景觀較為復(fù)雜、空間異質(zhì)性較高時，現(xiàn)有的遙感影像分類方法往往難以獲得較高的分類精度。然而，人工智能方法與技術(shù)在處理復(fù)雜對象時具有較為明顯的優(yōu)勢，目前遙感信息提取中正不斷汲取和集成人工智能領(lǐng)域的研究成果，智能化已成為遙感數(shù)據(jù)處理與信息提取的時代特征［3］。文獻［4］提出的蟻群智能算法是智能理論和方法的典型代表之一，它是通過模擬螞蟻群體覓食尋徑行為的抽象而提出的一種基于群體智能的啟發(fā)式仿生進化算法［5］，已經(jīng)成功應(yīng)用于旅行商問題、區(qū)位選址、線狀目標(biāo)簡化等多個領(lǐng)域［6－8］。基于蟻群算法的規(guī)則挖掘最初由文獻［9］提出，該算法主要是利用蟻群覓食原理在數(shù)據(jù)庫中搜索最優(yōu)規(guī)則。文獻［10—13］等嘗試性地將蟻群分類規(guī)則挖掘算法引入遙感影像分類。研究表明，該算法能夠獲得比極大似然法、決策樹法等傳統(tǒng)分類算法更好的分類效果。這是因為蟻群算法具有以下優(yōu)勢：該算法利用了正反饋原理，在一定程度上可以加快進化過程；智能個體之間不斷進行信息交流和傳遞，具有較強的發(fā)現(xiàn)最優(yōu)解的能力；同時，蟻群規(guī)則挖掘算法是一種無參數(shù)分類的智能算法，具有較強的魯棒性，不會由于一個或者某幾個智能個體的故障而影響到整個問題的求解。但簡單的蟻群算法也存在一些缺陷，如容易陷入局部最優(yōu)解、收斂慢和計算時間長等問題［9，14］，所挖掘出來的規(guī)則往往較多且復(fù)雜，不利于分類工作的進行和分類效率的提高。因此，如何在較短的時間內(nèi)發(fā)現(xiàn)具有更強的預(yù)測能力，包括更少的規(guī)則集以及形式更簡單的分類規(guī)則是值得研究的問題。

為了探索在短時間內(nèi)發(fā)現(xiàn)更優(yōu)的分類規(guī)則，提高分類精度，本文將變異算子引入蟻群規(guī)則挖掘算法中，同時在信息素濃度更新上采取自適應(yīng)調(diào)整策略，試圖改進已有的蟻群規(guī)則挖掘算法，并與傳統(tǒng)規(guī)則挖掘算法進行對比分析，驗證改進型的蟻群規(guī)則挖掘算法在遙感影像分類應(yīng)用中的優(yōu)勢。以長沙市2006年TM影像為試驗數(shù)據(jù)，分別對其分類精度和效率進行了分析與評價。

2 Ant－miner算法

文獻［9］提出的蟻群規(guī)則挖掘算法（Ant－miner）將螞蟻構(gòu)造規(guī)則的過程分為3個階段［9］。首先，從一條空路徑開始重復(fù)選擇屬性節(jié)點增加到路徑上，直到得到一條完整路徑，即構(gòu)造了一條分類規(guī)則；然后，進行規(guī)則的剪枝，移去多余不相關(guān)的屬性節(jié)點，避免分類規(guī)則對樣本的過度擬合；最后，更新所有路徑上的信息素濃度，對下一只螞蟻構(gòu)造規(guī)則施加影響。

在Ant－miner算法的遙感影像分類規(guī)則挖掘中，算法的目的是從訓(xùn)練樣本中挖掘出分類規(guī)則，每個螞蟻不斷尋找分類規(guī)則，最終挖掘出一個最優(yōu)的規(guī)則集，其中屬性節(jié)點對應(yīng)遙感影像訓(xùn)練樣本波段的離散值，類節(jié)點對應(yīng)目標(biāo)地類。路徑為屬性節(jié)點和類節(jié)點的連線，其中每個屬性節(jié)點最多出現(xiàn)一次且必須有類節(jié)點，如圖1所示，每條路徑即為一條分類規(guī)則。規(guī)則挖掘中每個規(guī)則的形式一般為：if〈conditions〉then〈class〉，規(guī)則中的conditions包含一組屬性節(jié)點（termij，其中i為條件屬性數(shù)，j為屬性i的取值個數(shù)）條件集合，一般表示為term1and term2and…，而每一個term就是一個〈attribute operation value〉，如〈波段1＜20.5〉；class定義了樣本的預(yù)測類，這些樣本的預(yù)測屬性滿足規(guī)則條件所定義的所有條件［15］。

由于Ant－miner算法在規(guī)則剪枝和部分參數(shù)設(shè)置等方面操作過于簡單，在進行較為復(fù)雜的工作如遙感分類時，往往難以獲得理想的結(jié)果。

圖1 分類規(guī)則對應(yīng)的路徑Fig.1 Route corresponding to classification rule

3 Ant－miner算法改進

3.1 Ant－miner算法存在的問題分析

蟻群算法具有較強的發(fā)現(xiàn)最優(yōu)解能力，且具有較好的魯棒性。但Ant－miner算法也有一些系統(tǒng)本身所具有的不足，主要表現(xiàn)如下［14，16－17］：

（1）蟻群系統(tǒng)的一個比較大的風(fēng)險就是容易收斂于局部最優(yōu)解。這是因為，在蟻群系統(tǒng)中，螞蟻更多地采用自然的方式來執(zhí)行信息素的更新，即每個螞蟻一旦獲得某個解，不管質(zhì)量如何，都會依據(jù)該解來進行全局信息素更新。這樣會引起在搜索初期螞蟻的運動是隨機的，獲得的解并不一定是最優(yōu)解，這會使得一些較差路徑上信息素增強，對后續(xù)螞蟻進行錯誤引導(dǎo)，從而導(dǎo)致規(guī)則的質(zhì)量不高。

（2）Ant－miner算法往往需要較長的搜索時間，主要原因是在進化的初始階段，各個路徑上的信息素差別很小，同時在信息素濃度更新時，信息素揮發(fā)系數(shù)一般采用相同的固定值，雖然對全局信息素進行了更新，但對下只螞蟻選擇路徑時所產(chǎn)生的影響效果并不明顯，螞蟻的運動很隨機，特別在遙感分類試驗中，波段數(shù)據(jù)量大且土地覆蓋類型復(fù)雜，更難在短時間內(nèi)發(fā)現(xiàn)最優(yōu)路徑。只有經(jīng)過較長一段時間，才能使得較好的路徑上信息素濃度高于其他路徑，隨著這一過程的進行，路徑上的信息量差別越來越明顯，從而得到最優(yōu)路徑。

（3）Ant－miner算法最初只考慮了可用規(guī)則集的預(yù)測準(zhǔn)確度，沒有考慮規(guī)則的精簡性，所挖掘出來的規(guī)則往往較多且復(fù)雜。采用逐個去掉每個屬性節(jié)點的規(guī)則剪枝策略，使得到的最終規(guī)則不一定是最精簡的最優(yōu)解，這就需要更多更復(fù)雜的規(guī)則來提升規(guī)則集的預(yù)測準(zhǔn)確度。

3.2 蟻群規(guī)則挖掘算法的改進

本文在Ant－miner算法的基礎(chǔ)上對信息素濃度更新函數(shù)進行優(yōu)化，對揮發(fā)系數(shù)進行自適應(yīng)調(diào)整，對剪枝后的規(guī)則執(zhí)行變異，以期在短時間內(nèi)挖掘出更優(yōu)規(guī)則集。

3.2.1 信息素濃度更新的改進

式中，τij為條件屬性節(jié)點的信息素濃度，當(dāng)?shù)谝恢晃浵侀_始構(gòu)造路徑時，所有屬性節(jié)點的信息素濃度被初始化為相同的值；ρ為信息素的揮發(fā)系數(shù)；Q為分類規(guī)則的有效性，其衡量公式為

式中，TP表示滿足規(guī)則條件，所屬于的類別與規(guī)則預(yù)測類別相同的記錄數(shù)量；FN表示不滿足規(guī)則條件，所屬于的類別與規(guī)則預(yù)測類別相同的記錄數(shù)量；TN表示不滿足規(guī)則條件，所屬于的類別與規(guī)則預(yù)測類別不同的記錄數(shù)量；FP表示滿足規(guī)則條件，所屬于的類別與規(guī)則預(yù)測類別不同的記錄數(shù)量。

其次，對原有算法中的信息素揮發(fā)系數(shù)ρ進行改進。一般來講，ρ（0＜ρ＜1）過小會使信息素在少數(shù)路徑上聚集過多，造成后來的螞蟻絕大部分選擇局部最優(yōu)路線，降低算法全局最優(yōu)解的搜索能力；ρ過大又會使各條路徑上的信息素難以在較短的時間內(nèi)區(qū)別開來，導(dǎo)致算法收斂速度緩慢，從而延長計算時間。因此，ρ的大小直接關(guān)系到蟻群算法的全局搜索能力及其收斂速度。在Ant－miner算法中，ρ設(shè)為一個簡單的固定值，使得螞蟻搜索時間較長且不易得到最優(yōu)規(guī)則，從而影響分類結(jié)果的精度和效率。本文對ρ進行自適應(yīng)調(diào)整，取ρ的初始值ρ（0）＝0，當(dāng)算法求得的最優(yōu)解在多次循環(huán)內(nèi)沒有明顯的改進時，采取調(diào)整參數(shù)策略。在本文遙感分類試驗中，經(jīng)過對樣本數(shù)據(jù)的分析并反復(fù)試驗，得到最優(yōu)系數(shù)值為0.95，如下式

式中，ρmin為最小值。

對ρ采取自適應(yīng)調(diào)整，一方面使得螞蟻在走過的路徑上留下的信息素能夠較為平穩(wěn)緩和地增加，避免增加的太快對后續(xù)螞蟻造成影響而陷入局部最優(yōu)解；另一方面，當(dāng)算法多次循環(huán)無明顯改進時，能夠加大螞蟻走過路徑上信息量的揮發(fā)，啟發(fā)后續(xù)螞蟻尋找其他路徑，加大搜索范圍。這樣既可以保留上次搜索得到的有效信息，在較好區(qū)域可以進行更精細的搜索，加快算法收斂，又可以保證大范圍搜索的有效性。

3.2.2 變異算子的引進

為了加快進化過程，縮短計算時間，變異策略被引入到蟻群算法求解旅行商、圖像處理等問題當(dāng)中，并取得了較好的效果［16－20］，但在遙感分類方面的應(yīng)用則未見報道。因此，本文將變異算子引入蟻群算法中，以提高某個螞蟻搜索到的規(guī)則的質(zhì)量，并縮短計算時間。具體方法為，對于剪枝后的規(guī)則，執(zhí)行單點變異，即隨機選擇某個屬性節(jié)點，用這個屬性節(jié)點對應(yīng)屬性的另一個屬性節(jié)點取代原有屬性節(jié)點從而構(gòu)成新的規(guī)則，如果新規(guī)則的有效性大于原有規(guī)則，則進行變異，否則不進行變異。這個操作簡單，且只需很短的時間，卻能擴大搜索范圍，提高修剪后的規(guī)則質(zhì)量，從而可以加快算法收斂速度。變異算子的形式化描述如下。

3.3 改進蟻群規(guī)則挖掘算法過程

改進蟻群規(guī)則挖掘算法的過程如圖2所示。在迭代運算過程中，每只螞蟻都構(gòu)造出一條規(guī)則，經(jīng)過規(guī)則修剪后執(zhí)行變異，得到有效性好而且形式簡單的規(guī)則，這些規(guī)則當(dāng)中有效性最好的由于其信息素濃度逐漸增強而得以保留，并添加到最優(yōu)規(guī)則集中，其他有效性較差的規(guī)則被丟棄。訓(xùn)練樣本集則進行相應(yīng)修改，符合最優(yōu)規(guī)則條件的樣本將從訓(xùn)練樣本集中移除，這實質(zhì)上是一種序列覆蓋算法，這樣得到新的樣本集，開始下一次迭代。在下一次迭代運算前，更新信息素濃度，此時所有屬性節(jié)點的信息素濃度將被重新初始化。當(dāng)多次循環(huán)最優(yōu)解無明顯改進時，信息素揮發(fā)系數(shù)按照公式（4）進行自適應(yīng)調(diào)整。直到剩余的訓(xùn)練樣本數(shù)小于預(yù)定的樣本數(shù)M。

圖2 改進蟻群規(guī)則挖掘算法原理Fig.2 Principle of rule mining based on improved ant colony algorithm

4 遙感影像分類試驗

基于蟻群算法的遙感分類主要由3部分組成：分類規(guī)則挖掘、土地覆蓋分類和分類精度評價。分類規(guī)則主要通過蟻群算法從訓(xùn)練數(shù)據(jù)中挖掘出來，本文中蟻群規(guī)則挖掘算法是在Visual Studio 2008環(huán)境中用C＃語言編程實現(xiàn)的。土地覆蓋分類則是根據(jù)蟻群算法挖掘出來的分類規(guī)則對遙感影像分類。分類精度評價是用驗證樣本數(shù)據(jù)對分類結(jié)果進行檢驗評價。由于蟻群規(guī)則挖掘算法只能處理離散化的數(shù)據(jù)，盡管遙感數(shù)據(jù)各波段的值為0～255的離散值，但波段的區(qū)間過多，會影響蟻群算法的效率和規(guī)則的質(zhì)量，因此，在建立規(guī)則之前需要將訓(xùn)練數(shù)據(jù)集進行離散化，即將各波段數(shù)據(jù)劃分為有限的區(qū)間。本文采用基于信息熵的離散化方法離散遙感影像波段值［21］。

4.1 試驗區(qū)與數(shù)據(jù)

試驗中采用的數(shù)據(jù)是2006年11月1日獲取的長沙市地區(qū)的TM衛(wèi)星數(shù)據(jù)，經(jīng)過影像拼接、幾何校正、輻射校正和影像裁剪等預(yù)處理后，選取的研究范圍為長沙城區(qū)，分辨率為30m，選擇的波段為1～5波段和7波段，共6個波段數(shù)據(jù)。圖3為本研究區(qū)域5、4、3波段所合成的假彩色影像圖。以研究區(qū)域2006年1∶50 000的土地利用現(xiàn)狀圖為參考，結(jié)合同期IKONOS影像數(shù)據(jù)，通過目視解譯獲取不同土地利用類型，以此作為本文遙感影像的訓(xùn)練區(qū)選取及分類精度評價的先驗數(shù)據(jù)。輔助參考數(shù)據(jù)為該研究區(qū)域數(shù)字化地形圖等。

訓(xùn)練樣本的選擇直接影響蟻群算法挖掘的規(guī)則質(zhì)量，進而影響分類結(jié)果。通過野外調(diào)查和對照土地利用現(xiàn)狀數(shù)據(jù)，采用分層隨機采樣的方法來獲取訓(xùn)練樣本和驗證數(shù)據(jù)集，如表1所示。確定的土地利用覆蓋類型分別為：水體、建設(shè)用地、林地、裸地和農(nóng)業(yè)用地，訓(xùn)練數(shù)據(jù)集的樣本數(shù)為1010，驗證數(shù)據(jù)集的樣本數(shù)為1204。

表1 訓(xùn)練樣本和驗證樣本Tab.1 The training data and test data

圖3 長沙市區(qū)TM影像5、4、3假彩色合成圖Fig.3 TM image（5、4、3）false color composite graph of Changsha city

4.2 分類規(guī)則挖掘與試驗結(jié)果

在運用蟻群算法挖掘遙感影像分類規(guī)則時，離散化后的各波段值作為螞蟻路徑的屬性節(jié)點，分類類別作為螞蟻路徑的類節(jié)點，每條路徑對應(yīng)一條分類規(guī)則。本試驗利用改進的蟻群規(guī)則挖掘算法共獲得了11條分類規(guī)則，利用Ant－miner算法共獲得了23條分類規(guī)則，表2列出了部分分類規(guī)則，其中B1、B2、…、B5和B7分別對應(yīng)波段1、波段2、…、波段5和波段7。根據(jù)所獲得的分類規(guī)則，對試驗影像進行分類，分類結(jié)果見圖4（a）和圖4（b）。同時，用相同的訓(xùn)練樣本數(shù)據(jù)對影像用決策樹法和極大似然方法進行了分類，分類結(jié)果見圖4（c）和圖4（d）。

表2 改進蟻群算法和Ant－miner算法挖掘的部分分類規(guī)則Tab.2 Part of classification rules from improved ant colony algorithm and Ant－miner algorithm

圖4 長沙市區(qū)TM影像土地覆蓋分類結(jié)果圖Fig.4 Land cover classification results of Changsha city TM image

4.3 分類精度評價

為了對比這4種方法的精度，用驗證樣本數(shù)據(jù)對改進蟻群算法、Ant－miner算法、決策樹法和極大似然方法分別進行了精度評價，得到混淆矩陣如表3、表4、表5、表6所示。對比表3、表4和表6，可以看出基于改進蟻群算法的分類結(jié)果比極大似然分類法的總體精度提高了7.31%，Kappa系數(shù)提高了0.093 5；基于Ant－miner算法的分類結(jié)果比極大似然分類法的總體精度提高5.15%，Kappa系數(shù)提高了0.065 7，說明蟻群智能分類方法能較為真實地反映實際的土地利用覆蓋類型。對比表3和表4，可以看出基于改進蟻群算法的分類結(jié)果比Ant－miner算法總體精度提高了2.16%，Kappa系數(shù)提高了0.027 8，特別對林地和裸地分類精度提高較多，說明本文所提出的改進策略是可行的、有效的。對比表4、表5和表6，可以看出基于改進蟻群算法的分類結(jié)果比決策樹法總體精度提高了4.82%，Kappa系數(shù)提高了0.062；基于Ant－miner算法的分類結(jié)果比決策樹法總體精度提高了2.66%，Kappa系數(shù)提高了0.034 2，說明蟻群規(guī)則挖掘算法用于分類較傳統(tǒng)的決策樹算法也有一定優(yōu)勢。

表3 長沙市區(qū)改進蟻群算法遙感土地覆蓋分類精度評價Tab.3 Accuracy assessment on improved ant colony algorithm land cover classification of Changsha city

表4 長沙市區(qū)Ant－miner算法遙感土地覆蓋分類精度評價Tab.4 Accuracy assessment on Ant－miner algorithm land cover classification of Changsha city

表5 長沙市區(qū)決策樹法遙感土地覆蓋分類精度評價Tab.5 Accuracy assessment on Decision tree algorithm land cover classification of Changsha city

表6 長沙市區(qū)極大似然法遙感土地覆蓋分類精度評價Tab.6 Accuracy assessment on ML algorithm land cover classification of Changsha city

為了進一步體現(xiàn)基于蟻群算法的遙感分類的優(yōu)勢，以及本文對算法改進的可靠性。對決策樹法、Ant－miner算法和改進蟻群算法所挖掘出來的規(guī)則進行對比，3種方法的所有規(guī)則個數(shù)和平均term的個數(shù)如表7所示。對比表7可以看出，改進蟻群算法所挖掘出來的規(guī)則數(shù)目大大減少，同時單個規(guī)則也較為簡潔。與決策樹和Antminer相比，本文算法不僅能發(fā)現(xiàn)預(yù)測能力更強的規(guī)則集，而且在形式上也更簡單，包括更少規(guī)則的規(guī)則集和更短的規(guī)則。同時，表8對比了改進蟻群算法和Ant－miner算法的計算時間，改進蟻群算法比Ant－miner算法的計算時間縮短5.41s，計算效率相對提高43%，試驗結(jié)果充分說明改進蟻群算法能夠有效的節(jié)省計算時間，大大提高了分類效率。

表7 3種算法挖掘的規(guī)則個數(shù)和平均規(guī)則數(shù)Tab.7 The mining rules number and the average number of rules by three of the algorithm

表8 改進蟻群算法和Ant－miner算法的計算時間Tab.8 The calculation time of improved ant－miner and ant－miner s

5 結(jié) 論

（1）蟻群智能算法具有較強的魯棒性、自適應(yīng)性、非線性和正反饋機制，能夠為遙感數(shù)據(jù)的智能化處理提供一種有效的方法和途徑，因此在進行復(fù)雜的遙感影像分類時具有較為明顯的優(yōu)勢。但簡單蟻群算法也存在容易陷入局部最優(yōu)解、收斂慢和計算時間長等問題，為了解決這些問題，本文在Ant－miner算法基礎(chǔ)上改進信息素濃度更新策略，引進變異算子，提出了基于改進蟻群規(guī)則挖掘算法，相對于Ant－miner算法和決策樹方法而言，改進蟻群規(guī)則挖掘算法能夠發(fā)現(xiàn)更好的分類規(guī)則，包括更強的預(yù)測能力，有更短的規(guī)則和更少的規(guī)則集。

（2）將改進蟻群規(guī)則挖掘算法應(yīng)用于長沙市城區(qū)的遙感影像分類，取得了較為理想的分類結(jié)果。并與Ant－miner算法、決策樹法和極大似然法進行了對比研究，其中改進蟻群算法總體精度為90.78%，Kappa系數(shù)為0.882 1；Ant－miner算法總體精度為88.62%，Kappa系數(shù)為0.854 3；決策樹法總體精度為85.96%，Kappa系數(shù)為0.820 1；極大似然法總體精度為83.47%，Kappa系數(shù)為0.788 6。這表明改進蟻群算法比Ant－miner算法、決策樹法和極大似然法的分類精度更高。同時，試驗結(jié)果還表明，改進蟻群算法比Ant－miner算法的計算時間縮短5.41s，計算效率相對提高43%，充分說明改進蟻群算法能夠有效地節(jié)省計算時間，提高分類效率。

（3）蟻群算法為遙感數(shù)據(jù)分類提供了一種新的方法，但蟻群算法用于遙感數(shù)據(jù)處理還處于起步階段，對該算法進行進一步的優(yōu)化和完善將是以后研究中的重點。目前該算法只能處理離散化的數(shù)據(jù)，無需離散化而直接應(yīng)用蟻群算法進行計算是下一步的研究目標(biāo)。

［1］ WILKINSOMG G.Results and Implications of a Study of Fifteen Years of Satellite Image Classification Experiments［J］.IEEE Transaction on Geoscience and Remote Sensing，2005，43（3）：433－440.

［2］ ZHENG Zhong，ZENG Yongnian，LIU Huimin，et al.The Errors Analysis of Combined Classifier Based on Parallel Structure［J］.Remote Sensing Technology and Application，2011，26（3）：340－347.（鄭忠，曾永年，劉慧敏，等.并聯(lián)結(jié)構(gòu)組合分類器的誤差分析［J］.遙感技術(shù)與應(yīng)用，2011，26（3）：340－347.）

［3］ MA Jianwen，LI Qiqing，HASIBAGAN，et al.Remote Sensing Data Processing Method and Program Design［M］.Beijing：Science Press，2005：1－20.（馬建文，李啟青，哈斯巴干，等.遙感數(shù)據(jù)智能處理方法與程序設(shè)計［M］.北京：科學(xué)出版社，2005：1－20.）

［4］ COLOMI A，DORIGO M，MANIEZZO V.Distributed Optimization by Ant Colonies［C］∥Proceedings of the 1st European Conference on Artificial Life.Paris：Elsevier Publishing，1991：134－142.

［5］ LU D，WENG Q.A Survey of Image Classification Methods and Techniques for Improving Classification Performances［J］.International Journal of Remote Sensing，2007，28（5）：824－849.

［6］ DORIGO M，GAMBARDELLA L M.Ant Colony System：A Cooperative Learning Approach to the Traveling Salesman Problem［J］.IEEE Transactions on Evolutionary Computation，1997，1（1）：53－66.

［7］ ZHAO Yuan，ZHANG Xinchang，KANG Tingjun.A Parallel Ant Colony Optimization Algorithm for Site Location［J］.Acta Geodaetica et Cartographica Sinica，2010，39（3）：322－327.（趙元，張新長，康停軍.并行蟻群算法及其在區(qū)位選址中的應(yīng)用［J］.測繪學(xué)報，2010，39（3）：322－327.）

［8］ ZHENG Chunyan，GUO Qingsheng，HU Huake.The Simplification Model of Linear Objects Based on Ant Colony Optimization Algorithm［J］.Acta Geodaetica et Cartographica Sinica，2011，40（5）：635－638.（鄭春燕，郭慶勝，胡華科.基于蟻群優(yōu)化算法的線狀目標(biāo)簡化模型［J］.測繪學(xué)報，2011，40（5）：635－638.）

［9］ PARPINELL R S，LOPES H S，F(xiàn)REITAS A A.Data Mining with an Ant Colony Optimization Algorithm［J］.IEEE Transaction on Evolutionary Computation，2002，6（4）：321－332.

［10］ WANG Shugen，YANG Yun，LIN Ying，et al.Automatic Classification of Remotely Sensed Images Based on Artificial Ant Colony Algorithm［J］.Computer Engineering and Applications，2005，41（29）：77－80.（王樹根，楊耘，林穎，等.基于人工蟻群優(yōu)化算法的遙感圖像自動分類［J］.計算機工程與應(yīng)用，2005，41（29）：77－80.）

［11］ YE Zhiwei，ZHENG Zhaobao，WAN Youchuan，et al.A Novel Approach for Feature Selection Based on Ant Colony Optimization Algorithm［J］.Geomatics and Information of Wuhan University，2007，32（12）：1127－1130.（葉志偉，鄭肇葆，萬幼川，等.基于蟻群優(yōu)化的特征選擇新方法［J］.武漢大學(xué)學(xué)報：信息科學(xué)版，2007，32（12）：1127－1130.）

［12］ LIU Xiaoping，LI Xia，HE Jinqiang，et al.Classification of Remote Sensing Images Based on Ant Colony Optimization［J］.Journal of Remote Sensing，2008，12（2）：253－262.（劉小平，黎夏，何晉強，等.基于蟻群智能的遙感影像分類新方法［J］.遙感學(xué)報，2008，12（2）：253－262.）

［13］ DAI Qin，LIU Jianbo.Research on Remote Sensing Image Classification Using Ant Colony Optimization Based Classification Rule Mining Algorithm ［J］.Computer Engineering and Application，2008，44（15）：12－14.（戴芹，劉建波.基于蟻群優(yōu)化分類規(guī)則挖掘的遙感圖像分類研究［J］.計算機工程與應(yīng)用，2008，44（15）：12－14.）

［14］ DORIGO M，MANIEZZO V，COLORNI A.Ant System：An Autocatalytic Optimizing Process［R］.Milan：Politecnico di Milano，1991.

［15］ ZHANG Weijiao，LIU Chunhuang，YIN Xiaofeng.Application Research on Data Mining Using Ant Colony Algorithm［J］.Computer Engineering and Applications，2004，40（28）：171－173.（張惟皎，劉春煌，尹曉峰.蟻群算法在數(shù)據(jù)挖掘中的應(yīng)用研究［J］.計算機工程與應(yīng)用，2004，40（28）：171－173.）

［16］ LI Shiyong.Ant Conoly Algorithm and Application［M］.Harbin：Harbin Institute of Technology Press，2004.（李士勇.蟻群算法及其應(yīng)用［M］.哈爾濱：哈爾濱工業(yè)大學(xué)出版社，2004.）

［17］ WU Zhenglong，Wang Rujing，Teng Mingui，et al.Mining Classification Rule Based on Colony Algorithm ［J］.Computer Engineering and Application，2004，40（2）：30－33.（吳正龍，王儒敬，滕明貴，等.基于蟻群算法的分類規(guī)則挖掘算法［J］.計算機工程與應(yīng)用，2004，40（20）：30－33.）

［18］ MICHALEWICCZ Z.Genetic Algorithms＋Data Structures＝Evolution Programs［M］.2nd ed.New York：Springer Verlag，1994.

［19］ WU Qinghong，ZHANG Jihui，XU Xinhe.An Ant Colony Algotithm with Mutation Features［J］.Journal of Computer Research and Development，1999，36（10）：1240－1245.（吳慶洪，張記會，徐心和.具有變異特征的蟻群算 法 ［J］.計 算 機 研 究 與 發(fā) 展，1999，36（10）：1240－1245.）

［20］ LIU Shuo，WU Honggan，WEN Qingke.Segmentation of Remote Sensing Image Based on a Combination of Genetic Algorithm and Ant Colony Algorithm［J］.Geomatics and Information of Wuhan University，2009，34（6）：679－683.（劉朔，武紅敢，溫慶可.基于遺傳和蟻群組合算法優(yōu)化的遙感圖像分割［J］.武漢大學(xué)學(xué)報：信息科學(xué)版，2009，34（6）：679－683.）

［21］ XIE Hong，CHENG Haozhong，NIU Dongxiao.Discretization of Continuous Attributes in Rough Set Theory Based on Information Entropy［J］.Chinese Journal of Computers，2005，28（9）：1570－1574.（謝宏，程浩忠，牛東曉.基于信息熵的粗糙集連續(xù)屬性離散化算法［J］.計算機學(xué)報，2005，28（9）：1570－1574.）