自然启发视频压缩算法及应用：研究与比较

工程科学与技术，国际期刊23（2020）507审查用于高效视频压缩的自然启发算法（NIA）Hussain Ahmed Choudhurya，Nidul Sinhab，Monjul Saikiac计算机科学系工程，国家技术学院，Silchar，Dist-Cachar，788010 Assam，印度b电气工程系，国家技术学院，Silchar，Dist-Cachar，788010 Assam，印度c印度阿鲁纳恰尔邦Nirjuli NERIST计算机科学工程系阿提奇莱因福奥文章历史记录：收到2019年2019年8月26日修订2019年10月9日接受在线发售2019年保留字：视频压缩块匹配算法遗传算法（Genetic Algorithms）A B S T R A C T视频中的运动估计是一个具有挑战性的优化问题，其目标是使当前帧中的宏块（MB）与参考帧中的MB之间的误差最小化或最大由于传统的基于模式的块匹配算法发展速度快，数量多，几乎达到饱和状态。但与此同时，基于自然遗传学的新算法如遗传算法、进化算法、粒子群优化算法和差分进化算法的迅速发展，显示了这些算法在优化方面的潜力，也为研究人员在运动估计领域中应用这些自然启发的算法提供了广阔的空间。随后，研究人员开始一个接一个地实现许多自然启发的算法，有时被称为软计算技术，用于解决运动估计的优化问题，并证明软计算技术比传统的基于模式或基于预测的块匹配算法具有巨大的优势。在本文中，自然启发的视频运动估计实现的几种算法进行了审查和性能进行比较，突出的竞争优势，现有的固定模式搜索算法的软计算技术©2019 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍在过去的几十年中，视频的使用已经增加了许多倍，因此这些视频的处理变得非常重要并且需求很高但同时，由于带宽有限，视频需要压缩，以便有效地处理。在这样做时，称为运动估计（ME）的过程起着至关重要的作用，并且我们可以说完整的视频压缩过程取决于如何有效地估计帧中对象的运动。ME通过匹配过程来实现，该匹配过程被称为块匹配，其中当前帧的宏块（MB）与参考帧中的MB匹配。运动估计的这个问题本质上是一个优化问题，其中焦点总是在减少搜索点以找到参考帧中当前块的最佳匹配，而不损害重构图像的质量。运动估计过程研究*通讯作者。电 子 邮 件 地 址 ： hussain@rs.cse.student.nits.ac.in （ H.A.Choudhury ） ， nidul.sinha@nits.ac.in（N. Sinha），msk@nerist.ac.in（M. Saikia）。由Karabuk大学负责进行同行审查早在1981年，Jain和Jain就开始研究这个问题，并提出了固定大小块匹配（FSBM）技术[1]。在此之后，第一个也是最有效但计算量大的算法，穷举搜索（ES）[1-现有的楼宇管理设施主要分为三类，涵盖了近90%的楼宇管理设施。第一类被称为基于模式的块匹配算法（PBBMA），因为它们基于搜索点的不同模式，即，正方形、矩形、六边形或菱形等，例如三步搜索（TSS）[2]、新三步搜索（NTSS）[4]、四步搜索（4SS）[5]、菱形搜索（DS）[6，39]、基于六边形的BMA（HEXBMA）[7，12]、交叉菱形搜索（CDS）[8]、新CDS[9]、小CDS、修改的菱形搜索模式（MDSP）[10]、简化的菱形搜索（RDS）[11，13]等。第二类别考虑当前MB与相邻MB之间的相关性，并将其用于预测运动，例如，相关搜索算法[15，16]，自适应十字形模式搜索（ARPS）[11，14，17第三类包括所有基于通过模仿自然遗传学或自然事件而开发的算法的BMA。https://doi.org/10.1016/j.jestch.2019.10.0012215-0986/©2019 Karabuk University.出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestch508H.A. Choudhury等人/工程科学与技术，国际期刊23（2020）507被称为自然启发BMA的智能，例如用于运动估计的遗传算法[21-优化是将问题的解决方案从更好到最好的过程，或者是为了使系统/算法表现得最好或尽可能有效而采用的过程方法。近年来，由于自然界和生物现象具有解决包括计算机科学问题在内的复杂现实生活问题的能力，诸如自然启发算法、进化算法、群他们采用的优化过程启发了研究人员将自然的逻辑和过程应用于解决日常问题。在所有的自然或模仿自然的算法中，基于群智能的算法（SIA）得到了最高的普及，并被广泛应用于优化。除了是非确定性算法之外，随机优化算法在本质上可以是启发式的或在本质上是元启发式的1.1. 论文结构在第2节中，讨论了这项调查背后的动机;第3节对所有自然启发的算法进行了分类。第4节概述了与本主题相关的所有关键概念。在第5节和第6节中简要介绍了几乎所有基于NIA的BMA的文献调查，并与现有算法获得的结果进行了详细的比较研究，在第7节中得出结论，然后致谢。2. 研究的动机视频压缩的研究并不是新的，从过去的近四十年来一直在继续。该地区仍然吸引着Fig. 1. NIA的分类（第1层）。图二、生物启发算法的分类（第2层）。由于视频在过去的十年里，视频和通信的使用。 ME的过程也是一个古老的话题，但自然启发算法的探索为优化问题带来了新的维度，NIA的应用不仅给出了更好的结果，而且克服了基于规则模式的BMA的许多缺点。在视频处理领域中，关于最近开发或最近实现的生物启发算法（BIA）的论文或研究工作非常有限。为了探讨NIA应用于有效ME的优点和缺点，从而产生有效的视频压缩及其范围，本文进行了详细的调查。3. 自然启发算法（NIA）每一个元启发式算法都有许多代理，它们通过应用一定程度的随机化和一些预先确定的规则来模仿自然行为来探索搜索空间。在基于元进化的算法中，可以实现高度并行以获得最优结果，例如粒子群优化（PSO）、蚁群优化（ACO）等。在图1 - 4 中 ， 我 们 可 以 使 用 集合 论 概 念 来 强 调 以 下 事 实 ： 所 有 基 于 群 体 智 能 的 算 法（ S I A s ） 都 是 生 物 启 发 算 法 （ B I A ） ， 而 B I A 又 是 自 然 启发 算 法 （ N I A ） 的 一 部 分 ， 但 反 过 来 并 不 正 确 ， 也 就 是说 ， 所 有 N I A 都 不 是 生 物 启 发 算 法 。根据Fister et al.[20]，所有的自然启发算法分为基于群智能的算法（SIA），基于化学的算法/基于物理的算法（CBA/PBA）和生物1. 粒子群优化算法2. 人工蜂群优化3. 布谷鸟搜索4. 蚁群优化5. Cat Swarm优化（CSO）6. 基于人类行为的粒子群算法7. 蜘蛛猴优化（SMO）8. 蝙蝠算法9. 萤火虫算法等。图三. SIA的分类（Layer-3）。见图4。 PBA或CBA的分类（第4层）。启发式算法（BIA），如图1所示。进一步的分类也显示在图2和图3中。2比4根据Nazmul et al. [21]，NIA可以分为PBA，CBA和BBA（基于生物学的基于群智能的算法（SIA）H.A. Choudhury et 其他/工程 科学 和技术， 国际 杂志 23 （2020）507509算法）。他们进一步将BBA分为三类，即SIA，生物启发算法（但不是SIA）和EA（进化算法）。4. 使用的相关术语或概念NIA广泛应用于工程、基础科学和许多其他学科的不同领域。在我们的研究中，我们将只考虑和讨论在运动估计中，特别是在视频压缩中，不同的NIA的实现。视频在质量方面变得越来越好，这在数字世界中由比特表示。表示这些高清晰度（HD）视频所需的比特非常大，并且需要越来越多的空间来存储这样的视频。由于视频的使用和有限的存储空间的巨大增长，对视频压缩的需求不断增加，这允许使用较少的比特数来表示视频与视频压缩过程相关的不同概念是运动估计（ME）、块匹配（BM）、运动矢量（MV）等，下面讨论这些概念，随后描述由不同算法使用的4.1. 运动估计和块匹配视频压缩是一个高要求和重要性的过程，其应用随着时间的推移而急剧扩展视频压缩的关键部分是运动估计，它决定或起着最重要的我们估计运动估计的最流行的过程是通过将当前帧的MB与参考帧的MB进行比较来完成的，并且被称为基于块的ME或BME。BMA的完整过程如图所示。 5和运动估计过程中所示的图。 六、用于匹配两个并置MB及其相邻MB的标准有平均绝对差（MAD）、绝对差和（SAD）和均方误差（MSE）等，但其中SAD因其计算简单、复杂度较低而最为常用。4.2. 不同BIA中使用的概念术语：4.2.1. 基因染色体借助一组称为基因的参数，可以表示问题的潜在基因结合在一起形成染色体，染色体是一串值，例如，如果我们需要10位（适当/适当缩放）来表示一个变量，那么具有 3 个变量的函数，比如 F（x;y;z），它将被最大化，那么染色体将由30个基因表示，并将需要30个二进制位。图五. BMA法来见图6。 ME过程详细信息。4.2.2. 染色体表示：在2D空间中，坐标x和y的数据由染色体表示，该染色体由两个基因（即目标基因和策略基因）的集合表示。目标基因定义图像中的实际坐标，并且参考帧中的搜索窗口大小确定目标基因的值。4.2.3. 交叉将染色体的一部分（溶液）与染色体的相应部分结合或交换以产生后代（新溶液）的过程称为交换。我们可以说父母染色体之间的基因交换。4.2.4. 突变遗传操作子突变用于一小部分（通常为10%）群体大小，并将遗传多样性从一代引入下一代。基因值，即，由于突变，问题的解决方案可能从一代到另一代完全改变。因此，为了寻求更好的解决方案，遗传算法使用变异。4.2.5. 加权函数（WF）和PBME近几十年来，人们对基于块的快速运动估计技术提出了很高的要求，因此研究人员开发了许多新的基于模式的块匹配算法，新算法总是或在大多数情况下优于旧算法。结果表明，加权函数在微机电过程中起着关键作用发现在平面上所有方向上寻找最佳匹配所需的搜索点数是最少的，它是搜索位置的函数通过分析PBME的搜索方法，我们可以找到相关的WF。由于WF影响运动估计算法的性能，因此设计在所有搜索位置上具有最低WF值的快速运动估计算法已成为必要。大多数基于模式的搜索算法经历粗略的初始搜索阶段，其中重点是找到最佳MV的粗略位置，以及精细的结束搜索阶段因此，我们需要为两个阶段设计两种搜索模式，即。大搜索模式用于第一阶段，小模式用于第二阶段。5. 调查现有的相关国家执行机构基于模式的BMA在大多数研究论文和调查论文中几乎是丰富的。所以调查是在有效的情况下进行的-510H.A. Choudhury等人/工程科学与技术，国际期刊23（2020）507.Σ初始种群基于NIA的BMA技术，其中一些技术解释如下。5.1. 基于遗传算法的变异：由于性能因素，变异算子用于寻找全局最优值，而不是交叉。算法：基于GA的ME遗传算法[22]是一种有效的搜索算法，最优化算法的灵感来自达尔文它就像一个随机的搜索过程当将GA应用于像运动估计[23在编码过程中，每个解点用有限长的染色体基因表示。由于我们选择的是一个初始种群，因此每条染色体都被视为该种群的一个个体。我们选择M个个体的初始种群，即染色体，并且相同大小的种群迭代进化几代，直到算法收敛。为了产生新的群体，使用选择、交叉、突变和其他遗传算子，其遵循自然选择的过程使用GA[23-26]的BM框图如图7所示，算法步骤如表算法：基于GA的ME所由于运动向量在2D空间中使用x，y坐标表示为MV_x; y_y，因此我们将MV编码为_x1; x2;. ; x n;y1;y2;. 其中xi;yi = 0或1，其表示向量的符号，即0表示正，1表示负MV，并且n = 1/2 log2Sm] n =1，Sm¼Max Sx;Sy，其中Sx¼搜索窗口宽度的一半，Sy =搜索窗口宽度的一半。5.1.1. 5.1.1适应度函数采用绝对差和作为个体5.1.2. 5.1.2初始种群在选择初始种群时，考虑了帧中MV之间的中心偏置性质和相似性，并相应地在8个方向上随机地选取初始搜索点，即个体。5.1.3. 基因算子：使用以下类型的运算符选择算子：具有较高适应值的染色体将存活到下一代，并且经过一定的迭代，具有最高适应值的染色体将被选择为最终解。见图7。 基于遗传算法的BM结构框图。1. 初始种群的选择如图所示。 82. 计算每一条染色体3. 根据上述规则复制具有最佳适应值的染色体。4. 我们将停止一旦停止标准相匹配，否则继续与步骤2 3。5. 将最强染色体转换为搜索点，得到最终结果。5.2. 四步遗传搜索（4GS）曼·F因此，[31-38]提出了四步遗传搜索（4GS），以克服GA在实际应用中的计算困难，它使用了四步搜索（4SS）和GA的概念。4GS的MSE性能类似于全搜索（FS），而该算法所需的计算类似于三步搜索（3SS），但仅为FS的计算要求的14%。4GS的框图如图9所示，步骤在算法：ME中简要介绍。该算法连续运行四代并停止;这就是为什么它被称为四步搜索。在其他情况下，当任何染色体的平均绝对误差（MAE）变为零时，搜索停止。这是4GS中使用的两个停止标准在该遗传算法中，S表示二维（2D）搜索空间，其中MV的Xi^x分量和Yi^y分量。MV和第i个染色体Ci的数目表示如下（等式11）。1）、见图8。 遗传搜索的初始搜索模式。最佳幸存者见图9。 四步遗传搜索的框图。繁殖和突变评价●选择●H.A. Choudhury et 其他/工程 科学 和技术， 国际 杂志 23 （2020）507511ðÞ.ðÞ¼我...“X¼n！>>;Ci½fXi;YigXi½xi;k-1;. . . ;xi;0;Y iyi; k-1;. ; yi; 0000000其中染色体Xi，n和Yi，n是十进制编码的染色体，染色体的长度由k给出。算法：4：ME基于快速模式的运动估计技术称为简易菱形模式搜索（ERPS）。JTJang等人[34]提出了该算法的这种混合版本，如果与其他现有的非遗传ME算法相比，该算法没有任何开销，因为它使用了GA的概念，而通过将再生阶段与突变阶段合并来避免GA的完整结构。ERPS是修改后的自适应十字形模式搜索（ARPS）[24]其中没有初始道路模式，只有一个预测i. 在中心搜索区域附近，随机选择块的最大如果一个宏块的最大运动是p像素，那么染色体的长度将是log22pii. 评估：评估每个染色体的适应度值，并从N个染色体中选择n个染色体用于繁殖。这里使用的适应度函数由等式给出。（二）、运动矢量（PMV）被用作初始点，其由等式（1）给出。（6）. GRPS搜 索 模 式 类 似 于 Diamond Search 使 用 的 Small Diamond SearchPattern。GRPS算法具有WF，如等式（1）所示。（五）WFGRPS最大值为5;4个绝对值，最大值为5; 4个绝对值，最大值为5。PMV¼中位数。MVL;MVU;MVURfi CiMAEC i if MAECi6 MAECn中文（简体）如果MAECn6 MAECið2Þ其中，对于图10（a），用于找到MV_x;y_i的搜索点的最小数量由"abs_x_y_i abs_y_i”给出其中fi Ci=第i条染色体的适合度，0 6i6 N1.染色体的适应度值越低，染色体表示MV越好iii. 再生：对于再生决策标准，存在n个离散区间。该间隔具有范围ri，其由等式（1）计算。（三）需要检查最佳匹配的搜索点是5个，包括中心点，因此，WF由等式2给出。（5）. GRPS的过程在算法：GRPS算法中提到。算法：GRPS算法ri¼i-1k¼0fk;我fkk¼0ð3Þ1. 第二阶段：使用预测的运动矢量（PMV）作为起始点，并将其设置为父对象。其中边界 染色体Cj被选择用于繁殖，如果随机生成该染色体的再生指数ti，如果ti2rj。然后，n个染色体复制新的N个染色体，并将被发送到变异池，如加权轮盘赌方法。iv. 突变：N个染色体中的每个新染色体C将使用一对突变算子进行突变。当前世代决定变异步长的大小。对于前三代，此大小取为2。对于第四代，大小将为1。存在八种不同类型的变异算子，并且算子恒等式p将在0-7的范围内。不同的染色体数n决定p使得pn mod8。变异算子和操作对与Eq.（四）iω½j=4]ymut½j- 1Kω½ 1=4]9>2. 变异阶段：突变从菱形模式的未选中点中随机选择子点或突变点，并将中心作为父点。一维数组用于记录是否检查位置。在粗搜索模式中，检查图10（a）中由“黑圈”表示的四个位置中的一个3. 竞争对手：基于预定义的最小匹配标准，即当前帧和参考帧之间的绝对差之和（SAD），从父帧和子帧或突变帧中选择一个幸存者可能有两种情况：A. 如果亲本存活，检查菱形剩余点中是否有其他未检查的突变体。如果发现未检查的突变体，则进行步骤2，即突变，如果没有突变体，即突变。所有点检查为i¼ ðpþ2Þdiv4j¼ ðpþ2Þdiv 4k¼pdi4;l¼pmod4>=0nð4Þ如图10（b）中的黑点所示，则进入结束阶段。B. 否则，将幸存的突变设置为下一个父代，并转到步骤2。X¼XnxmutωsizeY0Ynymutωsizev. 选择：基于适应度函数值从2N个染色体中选择N个染色体。适应度函数的值越小，染色体的繁殖和选择机会越好。最差的染色体被淘汰了。vi.重复从II到V的步骤直到第4代，具有最小适应值的染色体的MV将给出最佳MV。5.3. 遗传菱形模式搜索在遗传菱形模式搜索（GRPS）[33-2. 末期：如果没有变种人了，选择当前的幸存者，最佳MV见图10。 搜索模式。X512H.A. Choudhury等人/工程科学与技术，国际期刊23（2020）507XGRPS的流程图如图所示。图10示出了图11中所示的搜索模式，并且其相关联的搜索模式在图10中示出。在步骤2（S2）中，它在图10（a）中的所有搜索点中随机检查一个点（例如，黑色）。 步骤3B（S3B）的条件是是否已经检查了图105.4. 动量导向遗传菱形模式搜索J. J. Tsai等[38]提出了动量导向的遗传菱形模式搜索（MomentumDirected Genetic Rhombus Pattern Search，MD-GRPS），并利用GRPS中的加权函数（Weighted Function，WF）对各种模式搜索的搜索位置进行建模，但WF存在一些缺陷，未能正确解释遗传模式搜索的搜索模式。因此，他们开发了新的细化加权函数（RWF），它可以解释遗传和非遗传搜索模式的搜索点的行为，并克服WF的问题RWF被用来开发一个新的算法称为MD-GRPS。结果表明，该算法比GRPS算法更快地完成了搜索过程。5.5. 遗传增强的Hénical搜索（GEHS）面向点的Hynomial搜索（PHS）[36]对于远离原点的点具有最小的平均搜索点（ASP）。为了充分利用遗传算法的优点，[20]提出了一种PHS与GA相结合的算法。GPHS的流程图如图所示。12和最初的3个步骤与GRPS [18 -22]相同，但具有不同的大搜索模式。在简单遗传算法中，仍然存在一个突变和竞争环当一个孩子（突变体）由父母（幸存者）产生时，两者相互竞争以决定下一代父母，即幸存者。如果幸存者打败了变种人，搜索停止。归一化组失真（NGD）用作成本函数。5.6. 自适应遗传模式搜索算法（AGPS）：GRPS用于在较接近原点的MV（即PMV）中找到最小ASP值，而GPHS用于远离原点的点。由于视频序列的内容在大多数情况下变化非常快且不规则，因此在速度和PSNR的情况下，一个固定的搜索模式可能不足以找到最佳结果。因此，自适应遗传模式搜索（AGPS）[18，20，24]算法结合了两个GRPS和GPHS来寻找最佳MV。AGPS的流程图如图所示。 13岁基于ASP，搜索算法1（SA1）和搜索算法2（SA2）的差异由等式2给出（7）。由于WFSA 1和WFSA 2是固定的，因为它们取决于算法，但是SFS是MV方差的函数，因此很明显DASP也是MV方差的函数对于特定的视频序列，C1也是固定的由IASP表示的适当切换指数或性能指数可以通过将DASP除以C1来获得，并且由等式2给出。(8)其用于决定在模式之间切换的正确时间以降低计算复杂度。DASP¼C1×SFS10x;y10xWFSA110x;y10x-WFSA210x;y10x 7xx;y2AIASP¼DASP=C18当IASP>0时，ERPS将相对于ASP表现得更好，即，将选择基于ERPS的GRPS，而不是GEHS。当我ASP0，GPHS将给出更好的结果，所以将遵循.<因此，可以看出，切换准则是边界值S1：第一步：检查起点并选择为父级S2：突变：从以亲本为中心的菱形图案的未检查点中，随机选择一个突变YS3：竞争：基于预定义的成本标准，在父代和突变体S3A：是否有未检查的突变？Y父母还活着吗NS3B：将获胜者设置为新父代NS4：最新幸存者见图11。 GRPS流程图H.A. Choudhury et 其他/工程 科学 和技术， 国际 杂志 23 （2020）507513¼¼S1：第一步：检查起点并选择为父级和谐记忆初始化S2：突变：从以亲本为中心的Heteroonal模式的未选中点中，随机选择一个突变YS3：竞争：基于预定义的成本标准，在父代和突变体中选择最佳幸存者S3A：任何未选中如果父母还活S3B：设置t r他温内YN作为新父NS4：细化：基于Heteroonal PatternS5：最新幸存者见图12。 GEHS流程图我ASP 0，其可以被视为阈值，可以基于实验重置。观察到大多数测试序列具有IASP>0，因此在大多数情况下选择GRPSP：VARxQ：VARy¼R9使用标准差而不是方差，因为该阈值IASP0是曲线，直线由下式给出：当量(9)为了得到更好的近似方程。（八）、当量(9)用于决定使用哪种算法，其中P，Q和R是使用数据的数值方法找到的。因此， Eq 。(9)被修改为当量（十）、实验选用A<$B<$41和TH<$412作为A：标准x刻度B：标准x刻度10 刻度图十三. AGPS流程图。5.7. ABC-BM算法人工蜂群算法也是一种具有迭代性质的群体智能算法。初始种群被视为随机解或食物源。以下三个主要操作一直应用到最后或找到最佳匹配，即终止条件得到满足。这些是：● 把员工蜜蜂● 旁观的蜜蜂选择食物来源。● 蜜蜂是有决心的。开始计算运动矢量GRPsGEHS端514H.A. Choudhury等人/工程科学与技术，国际期刊23（2020）507i¼P.联系我们ÞJ.ΣJJ基于总ABC的块匹配算法[41]通过以下步骤运行，并使用图中的块图进行描述。 14中，并且在算法：ABC-BMA中提及了ABC-BM中涉及的步骤的细节。算法：ABC-BM算法a) 初始化ABC的参数（限制10）b) 初始种群大小取为5个个体，用P1 ~P5表示.我们取一个空数组T来存储个人信息。清除所有计数器Ai，即A1至A5。c) 使用图15所示的适应度策略计算每个个体计算每个个体的实际SAD值。d) 通过新的评估更新单个数据库数组T。e) 通过使用等式2修改初始群体P的位置。（11）得到新的解集E1;E2;. . E7g.因此，更新计数器Ai，xj;i¼x低量程d0;1Ω：.x高-x低，最高11英寸图14.框图显示了在BM中使用ABC算法。其中j^l; 2;. ;D;i¼ 1; 2;. ;N pj;i分别是参数和个体指数。D-尺寸，Np¼no：食物来源。f) 使用计算策略计算新个体g) 更新单个数据库数组T中的新值。h) 候选解(12)这将被蜜蜂用作偏好指数。图15. 作业成本法的适应度计算策略。5.8. 基于粒子群算法的概率匹配iNpfitii¼1ð12Þ随着粒子群优化算法(PSO)Kennedy和Eberhart[42]在1995年提出了一种新的遗传算法，由于它的优化性能和收敛性，其中fiti是食物源i的适合度值，取决于相应的目标函数Ji。i) 新的搜索位置使用Eq.（13）根据它们的概率Prob i（蜜蜂被送到它们选择的食物源）来产生解向量O1;O2;. . ;O5g并更新Ai。v j;ixj;i/j;i xj;ixj;k13其中，k21;2;.. . ;Np;j2f1;2;;Dg.........k是Np食物来源之一。i是第i个个体的随机选择的j参数，使得i不等于j。/j;i称为比例因子，在[-1，1]j) 再次计算每个个体的适应度值。k) 相应地更新数据库数组Tl) 新的种群P是由Oi和Ei中适应度值较好的解生成的m) 如果Ai超过试验的“极限”，则重新开始解i，并使用Eq.(11)，I是随机生成的。同时，计数器Ai被清除。n) 在当前的新种群中，确定最佳个体。如果新的适应度（SAD）比旧的好，则更新u^best，v^best。o) 如果没有。目标迭代，即 在搜索窗口大小为8的情况下为4，在搜索窗口大小为16的情况下为8，则最佳MV为u^best，v^best。 否则返回步骤（e）。在包括基于块的运动估计算法[43-52]的许多学科PSO是一种基于种群的算法，它模仿鸟群或鱼群的行为，是一种无梯度、自适应的全局优化技术，避免了使用交叉和变异算子，比基于遗传算法的BM更容易实现。Guang-Yu-Du等[43]实现了块匹配运动估计的粒子群算法，克服了局部最优的问题。粒子位置对应于评价的最佳值的适应度函数给出了最佳的运动矢量（MV）。每个粒子代表一个解决方案，它们在搜索空间中飞行，以动态调整的速度搜索最佳位置粒子的速度取决于它自己和同伴的飞行经验。每个颗粒被认为是体积较小的，即D维搜索空间中的一个项Xp最好表示对应于其具有最佳适应值的个人位置的最佳位置或坐标，而Xg最好表示所有粒子Xp最好中的最佳位置。粒子群算法中的粒子作为S i1; S i2;. ; S id）和Xp最好的前一个位置，相同的粒子给出为P i1; P i2;.。. ; P id，也表示为Xp best。与每个粒子相关联的速度矢量V及其位置矢量X使用等式更新。(14)和（15）.VIdt 1w ωV idtC1×rand1：×Pid-XidC2×rand2最初的食物来源蜜蜂将产生新的食物来源侦察蜂是选择/决定蜜蜂会选择食物来源H.A. Choudhury et 其他/工程 科学 和技术， 国际 杂志 23 （2020）507515ð Þððþ ÞÞ ðþ Þ¼Xidt1XidtVidt1;16i6N; 16d6D15N =否。粒子数，D =扩散性Vi1;V i2;. . 是粒子i的速度向量，并且位置向量Xi 1;Xi2;. ;X idn，Xid21/2-Xmax;Xmax]。W1/4惯性重量、C1和C2是被称为加速度常数的常数，取为2.0;r1和r2是随机数。在[0，1]之间，Pg和Pi是全局最优和局部最优的。采用粒子群算法进行块匹配，PSO-BM[29-图16显示了初始搜索点的不同可能的搜索模式，其中如果当前块是帧的左上角，则类型A给出初始搜索位置模式或粒子位置。类型B表示MB位于左下角，类型C用于位于最左列但不在角处的MB，并且类型D模式用于MB的所有其他位置。使用PSO的BM流程图如图所示。 十七岁5.9. 基于模式的粒子群算法（PB-PSO）常规PSO已更新，以提供更好的解决方案是的。YitiffXit1PfYitXit1 iff X it1f Y it<ð16Þ运动估计过程具有更好的精度。I. A. Pandian等人[45]，这被称为ME的基于模式的PSO。初始固定搜索模式用于加速收敛，如图18所示。研究发现，在该算法中，算法：PSO-BM算法1. 我们初始化八个粒子随机在八个方向上的初始速度为一个宏块周围的中心。2. 评估适应度值，即每个粒子的SAD3. 基于粒子的适应值，算法使用等式更新个人最佳P最佳和全局最佳G最佳。（十六）Xi是质点i的位置向量f：X i t1是粒子' i '在X i t 1位置的适应度值Yi t 给出粒子i的电流P最佳值。4. 使用Eqs。(14)（15）更新粒子群算法中粒子的位置和速度。5. 将遵循上述步骤，直到满足停止标准。6. Gbest 这个位置将提供最好的MV。可以使用两种可能的停止标准。一种是通过设置迭代的最大数量，使得一旦迭代达到最大值，当前Gbest将是最后一个。第二种方法是通过设置预定义的阈值（非常小）。在每次迭代之后，检查PGbest。如果两个连续的PGbest的变化将小于该阈值，则算法将停止。通常，使用第一停止准则点减少了31%此外，通常的粒子群算法是通过改变加速系数，以实现更准确的结果。5.10. 变异单纯形粒子群优化算法Zhang Ping等人[46，47，50]提出了一种块匹配的混合算法，它是PSO和单纯形搜索方法的混合。粒子群算法具有全局搜索能力，单纯形法具有局部搜索能力，因此本文将两者结合起来，提高了块匹配的性能为了提高局部搜索的准确性和精度，以及粒子群算法的收敛性，采用了单纯形法和变异算子单纯形法在小的或不规则的搜索区域中快速收敛到最小失真点。单纯形一种具有（D + 1）个点的几何图形，称为D维。SM从搜索空间中的D +1个随机点开始，然后计算每个点的适应度值。由于运动估计问题被视为二维问题，因此三角形搜索模式被用于最小误差函数。三角形顶点表示误差函数被评估的点。更新三角形顶点的位置，使得三角形的移动朝向最小可能位置。让变异单纯形粒子群优化算法（MSPSO）首先使用标准粒子群算法，然后使用单纯形法替换最差粒子。单纯形法使用反射、扩展和收缩来替换最差的点以找到更好的点。继续相同的过程，直到满足停止标准，并将获得最终的优化点。算法：MSPSO-BMA中列出了完整的过程.操作，即反射、扩展和收缩，使用以下等式计算：（十七）a：X r¼X c/X c-X w如果fbfrfnb： Xe¼XcbXr-Xc iffrfb

下载后可阅读完整内容，剩余1页未读，立即下载