張黎黎

為探究水稻紋枯病檢測方法，指導水稻變量施藥并提升水稻品質，研究學者利用極限學習機（ELM）建立無人機高光譜水稻紋枯病診斷模型，并利用粒子群優化算法（Particle Swarm Optimization，PSO）對模型進行優化。PSO是一種仿生優化算法，該算法的核心思想是通過模擬鳥類群體的覓食行為形成的，采用PSO算法尋找ELM中權重和閾值的全局最優值，優化選擇ELM的隱含層偏差和輸入層權重，從而計算出輸出權重矩陣。該研究表明，經PSO優化后的模型，在提升ELM運行速度的前提下精度提高約15%。PSO算法具體優化過程如下。

（1）參數初始化。設置粒子群的最大迭代次數K，種群規模M，學習因子，權重因子ω，粒子維數D。

2 天牛須優化算法在農作物氮素含量反演中的應用

天牛須優化算法（Beetle Antennae Search Algorithm，BASA）是一種高效智能的優化算法，該算法是通過模仿天牛和甲蟲覓食原理而形成的。算法具有運算量小、運算速度快、尋優能力強等特點。為獲取水稻植株的氮素含量情況，指導農戶進行合理的追肥。有研究利用ELM構建了高光譜水稻氮素含量檢測模型。并利用BAS對該模型進行了優化。研究以篩選后的特征波段作為反演模型的自變量輸入量，該算法的具體優化流程如下。

（1）參數初始化。設定ELM的隱含層神經元數量，根據神經元的個數和輸入量的維度確定自變量維度，初始化天牛須算法的起始步長step、步長更改系數eta、迭代次數以及維參數自變量。

（2）計算方向向量。根據正態分布的方式，得到在每次迭代過程中的一維自變量變化的方向向量，記為dire。