PSO-EB算法的波段选择流程是什么？

PSO算法进行多目标优化时，随着参数及迭代次数的变化，粒子的速度和位置也发生相应的变动，粒子的位置不断朝着最优的方向移动，迭代若干次后得到最优组合。靠法中惯性权值ω的选取影响了粒子的全局搜索能力与局部搜索能力，为了非顾局部与全局搜索能力之间的平衡，提出了PSOEB波段选择算法。该算社采用随机惯性权值的方式，在每次选代结束时，随机生成新的惯性权值。算法步骤如下。

(1)初始化粒子群。每个粒子由高光谱图像波段组合、惯性权值ω、加速因子C这3部分组成。初始种群中粒子随机生成3部分的初始值，初始种群的大小根据计算的复杂程度进行合理设置，保证初始种群中含有较多的可能解。

(2)根据波段组合熵、方差和类别间B距离计算波段组合适应度值，通过PSO算法判别其与最优组合的切合程度。在构建适应度方程的过程中，分别把以上3项指标作为适应度，计算其相应的参数值。种群中粒子适应度值的大小表征粒子的切合程度，用来评价粒子的优劣，适应度较优的粒子被保留，适应度较差的粒子则被淘汰。

(3)比较种群中粒子的适应度值，寻找符合条件的粒子，并将符合条件的粒子放入非劣解集合中。在多目标优化问题求解中，最重要的是求解非劣解和非劣解集。所谓非劣解就是在多目标优化问题的可行域中存在一个问题解， 使其他可行解都不劣于该问题解，则该问题解就称为非劣解，全部的非劣解组成的集合即为非劣解集。

PSO-EB波段选择算法中，需满足波段组合熵较大、方差较大以及所选择类别a、b之间的B距离较大，同时满足这3个条件的波段组合则为非劣解，并将其放入非劣解集中。非劣解集中的解为个体历史最优位置，在第0代中随机从个体历史最优位置中抽取一个作为全局最优。

(4)根据方程式计算种群中粒子的运动速度。粒子的速度分别受全局最优粒子和个体最优粒子的影响，其中，全局最优粒子为从非劣解集中随机选择的粒子。粒子速度更新后，判定粒子的新速度是否超过极限速度，如超过极限速度则根据方程式更改速度。

(5)根据方程式更新种群中粒子的位置。在更新的过程中，判新的位置是否超过了粒子所在波段分组的范围，如超出波段分组范围则进行相应的操作，避免新粒子所处的位置超出所在波段分组范围。

(6)更新种群的个体历史最优位置和群体历史位置。更新的过程可分为两步:首先把新产生的非劣解集合与旧的非劣解集合井，然后在合井集合中去掉相互受支配的非劣解，筛选出新的非劣解集合。

(7)判断迭代是否结束，未达到迭代停止条件则更新加速因子，跳转至第(4)步继续进行操作。

基于粒子群优化算法的高光谱波段选择算法，充分利用了粒子群优化算法的优点，所选出的波段组合在确保波段信息量较大、波段间相关性小的同时，确保了类别间的可分性较大。