本文是对Kamlesh Mistry等人的《A Micro-GA Embedded PSO Feature Selection Approach to Intelligent Facial Emotion Recognition》一文的阅读记录。其程序复现请参考https://github.com/ShaquallLee/mGAPSO

一、目的

This paper aims to deal with such challenges to produce effective and optimized discriminative facial representations to benefit real-time facial expression recognition.（目的在于解决产生有效且优化的有区分度面部表示来优化实时面部表情识别这样的问题）

其程序流程如下：

二、创新点

1、A modified LBP

2、A novel mGA-embedded PSO algorithm

1）算法更新策略

他这的更新策略跟传统的PSO基本相同，但pid、pgd在此处不同的是它不是当前的局部最优和全局最优，其策略如下：

即，pid为之前所有代数局部最优的平均值，而pgd在原全局最优的基础上加了个高斯突变

2）适应度（fitness）公式

其中wa以及wf为固定权重，wa + wf = 1。accuracy是分类器的准确率，number_features是选择的特征的数量。由公式可看出fitness与accuracy成正比，与number_features成反比，即该公式是为了在特征数少的基础上得到最高的准确率。

3）相似度计算公式（使用的直方图相似计算公式）

4）算法伪代码

该算法在改进的PSO基础上，使用了mGA的方法，即微型遗传算法，它是有重初始化机制的小种群遗传算法，之前就被人提出，且通过实验得到一个小的种群在非线性问题上也有很好的效果。PSO与mGA结合方式，通过多次循环，通过最高相似度或最低相似度的基础上通过全局最优gbest找到另外4个个体组成mGA，之后对mGA进行其他算法操作。

在每次循环的mGA中，将种群中每个染色体分成五部分，对每一部分去做改进的PSO算法，各个部分得到最优之后，将五个部分合成一个新的染色体，与原gbest进行比较，选择较好作为新的gbest。

三、结论

使用CK+ 和 MMI这两个数据集来测试并对比效果，如下：

四、总结

1、为什么要用PSO？

evolutionary computational (EC) algorithms show powerful global search capabilities, and have been widely accepted as effificient techniques for feature selection . Among different EC algorithms, the particle swarm optimization (PSO) algorithm is motivated by the flocking behaviors of birds, and has been extensively used for feature optimization with the benefits of a low computational cost and a fast convergence speed.（进化算法表现了很强的全局搜索能力，并作为高效技术被广泛应用于特征选择。在不同的进化算法中，粒子群优化算法是根据鸟的群体行为给提出，并由于其较低的计算花费以及快的熟练速度较多地应用于特征选取。）

2、有什么值得借鉴的点?

（1）速度更新策略

（2）mGA的应用

（3）相似度最高、最低交替使用的方式