13865247895
网站首页 关于我们
技术认证
产品中心
成功案例
新闻动态
在线留言
联系我们

新闻动态

它的边界有多大?

发布时间:2019-08-02

  1.本站不保证该用户上传的文档完整性,不预览、不比对内容而直接下载产生的反悔问题本站不予受理。

  第九章 智能化空间分析;随着GIS应用水平的不断提高,人们开始逐渐关注地理空间数据的模糊性、不确定性及其分析方法,显然,传统基于确定性数据的分析模型已经不能有效地解答这一问题。同时,越来越多的复杂应用问题也对GIS空间分析功能提出了更高的要求。 ;地学工作者把数学、计算机科学和信息科学领域的智能计算技术引入地学研究,将模糊数学、神经网络、遗传算法等人工智能技术与GIS相结合,试图把不确定的数据处理转换为可靠、精确的知识和信息分析,以提高GIS空间数据分析和空间问题模拟的准确度。智能计算将数值计算与语义表达、形象思维等高级智能行为联系起来,通过模拟人脑判断与推理的行为与过程,处理关系错综复杂的数据,使高维非线性随机、动态或混沌系统行为的分析、预测和决策问题通过软计算找到有效的解决途径。 ;1、 地理空间数据的不确定性概念 不确定性是指处于混沌或模糊边缘的现象,是客观世界的固有特征,存在于自然科学技术、社会经济和人文科学的各个领域。 地理空间数据是对地理空间现象和过程的抽象和近似表达,存在着广泛的不确定性。空间数据不确定性可以理解为关于空间位置、空间现象、过程和特征不能被准确确定的程度。不确定性问题贯穿于整个数据的生命周期,可能随时间发生变化,致使地理空间数据分析与管理极其复杂。;? Ronen(1988)在“Uncertainty Analysis”一书中指出,空间数据的不确定性一般指误差、精度、精确度、正确度和合理性; ? Heuvelink(1993)认为不确定性是误差的同义词; ? Michael Goodchild(1995)把不确定性看作比误差更为一般的数据质量问题,即数据不确定性的含义要比误差更为广泛; ? Vander Wel(2000)将数据中的不确定性理解为某个具体数据特征不能表达的和有关真值知识的有用概念;;? Gottsegen(2001)则认为不确定性概念比误差或精度以及限制性概念要广,它可以看作是知识多少有点不完备的数据,这些数据是不可信的和不知道的; ? Keith Beren(2002)认为不确定性是对模型可能输出结果的风险性评估,它是评估模型正确性的一种方法,与风险性相联系; ? Peter Fisher(2003)指出空???数据不确定性是用来表述所有已经发表的与位置信息不确定相关的研究和一些认为与数据质量互补的研究领域的研究,并将空间数据不确定性的研究分为误差(error)、模糊(vagueness)、歧义(ambiguity)和不一致(discord)四个方面。 ;总的看来,绝大多数观点认为空间数据的不确定性与空间数据质量有关,但并不局限于数据质量问题。空间数据的不确定性是指信息源没有完全表达的程度,不仅包含能够观测的误差要素,也包含复杂的、难于观测的要素。; 从不同的角度,空间数据不确定性可划分为不同类型。根据空间数据的时间、空间、属性基本要素,可以分为时间不确定性、空间不确定性和属性不确定性;空间数据的不确定性类型分为概念不确定性和量测不确定性。 前者是指客观实体特征向地理信息系统空间目标转化过程引起的不确定性,后者是指对空间目标赋值的不确定性。 ;不确定性还常常被分为随机不确定性和模糊不确定性,分别由随机性和模糊性引起。 随机性指不知是否会发生的事件中包含的不确定性,如人口的分布、迁移,泥石流、地震的发生等均具有随机性; 模糊性则是已经出现或将会出现但难以给出精确定义的事件中所包含的不确定性,如利用地理信息系统分析某城市繁华区人口密度时,难以给“密度大”、“密度较大”、“密度小”等词语精确的定义,即是一种模糊不确定性。 ;在现实世界中,有些事件往往既包含随机不确定性,又包含模糊不确定性。 “明天下雪的可能性很小”,既包含随机不确定性,又包含模糊不确定性。下不下雪是随机的,具有随机不确定性;可能性很小却是模糊的,具有模糊不确定性。 ;GIS空间数据的不确定性包括空间位置的不确定性、属性不确定性、时域不确定性、逻辑上的不一致性及数据的不完整性。 空间位置的不确定性指作为空间实体的点、线、多边形或者栅格像素在图形或图像表达中与其真实值的误差程度; 属性不确定性是在采集、描述和分析真实世界中客观实体的过程中,实体属性的量测、分析值围绕其属性真值,在时间和空间内的随机不确定性变化域; ;时域不确定性是指在描述地理现象时,时间描述上的差别; 逻辑上的不一致性指数据结构内部的不一致性,特别是指拓扑逻辑上的不一致性; 数据的不完整性是指GIS没有尽可能完全地表达给定的目标。 地理信息系统不确定性研究还包括模型的不确定性、GIS数据产品的不确定性和GIS工程的不确定性等。 ; 智能化GIS是指与专家系统、人工神经网络、模糊逻辑、遗传算法等相结合的GIS,即人工智能技术在GIS中的应用。 ;目前对智能化GIS 有两种理解: (1)是指在GIS系统中应用人工智能技术,建立智能化时空数据处理和分析模型,在人工智能理论支持下对时空信息进行处理和分析,即在地学规律指导下,结合具体的地学知识和地理信息,通过地学分析和GIS、人工智能等技术获得更精确的分析结果。; (2)智能化GIS是GIS系统作为一种分析处理空间信息的通用技术应用于某一个领域,使管理水平、决策系统智能化。 例如,在智能交通系统中,通过采用电子技术、地理信息系统技术、通信技术等高新技术对传统的交通运输系统及管理体制进行改造,形成一种信息化、智能化和社会化的新型现代交通系统。;;;; 智能化空间分析技术 GIS空间分析是利用各种空间分析模型、空间操作技术对海量的空间数据进行有效处理,发现新知识和规律,其中必然涉及各种智能分析方法的运用问题。 智能化的空间分析方法可以解决更加复杂的地理问题,并且提高解决地理问题的效率和精度。 从近几十年的发展来看,智能化空间分析方法主要经历了从决策树、基于知识的专家系统到基于智能计算分析方法的不同阶段。;决策树(Decision Tree)是在已知各种情况发生概率的基础上,通过构成决策树来求取净现值的期望值大于等于零的概率,评价项目风险,判断其可行性的决策分析方法,是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干,故称决策树。在机器学习中,决策树是一个预测模型,他代表的是对象属性与对象值之间的一种映射关系。 ;专家系统是一个智能计算机程序系统,其内部含有大量的某个领域专家水平的知识与经验,能够利用人类专家的知识和解决问题的方法来处理该领域问题。也就是说,专家系统是一个具有大量的专门知识与经验的程序系统,它应用人工智能技术和计算机技术,根据某领域一个或多个专家提供的知识和经验,进行推理和判断,模拟人类专家的决策过程,以便解决那些需要人类专家处理的复杂问题,简而言之,专家系统是一种模拟人类专家解决领域问题的计算机程序系统。 ;人工智能(Artificial Intelligence) ,英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。 ; 智能化空间分析重点要解决空间知识的发现、表达、推理与计算等问题。 对于描述性知识来说,符号方法是一种重要的知识表达与推理手段,如逻辑(模糊与非模糊)、产生式系统、语义网、面向对象的技术以及综合方法等。 基于知识的决策可以由以知识工程及人工智能理论为基础的决策支持系统来完成,智能知识的表达与推理是智能化空间决策支持系统的核心。; 在人工智能中,地理现象、地理事实、地理概念、地理规律等统称地理知识,将地理知识应用在空间分析中则形成了“地理专家系统”。 20世纪80~90年代,基于知识的地理专家系统是地理研究方法中比较流行的模式,例如wayre等人提出的有关铁路与高速公路交叉口安全管理与分析的基于知识的GIS;Lam David等人将专家系统、神经网络与GIS相结合建立了用于环境管理的决策支持系统;南京大学开发的用于寻找地下水的专家系统等,都较好地解决了有关的非线性地理问题。;; 美国学者James在1992年首次提出了智能计算技术的概念。智能计算以数据为基础,即使在对象模型和边界条件不够精确和完整的情况下,也能够获得合理的解释,因此能够有效地解决系统中一些非线性和不确定性的问题。 智能计算技术是基于计算的,或者基于计算和基于符号物理相结合的各种智能理论、模型、方法的综合集成,对于具有大规模并行分布式的结构性知识分析处理,具有其他技术无可替代的优越性。 ;1 人工智能技术的产生与发展 智能是个体有目的的行为、合理的思维以及有效地适应环境的综合性能力。 人工智能(artificial intelligence,AI)是指通过对人类智力活动奥秘的探索与记忆思维的研究,开发人类智力活动的潜能、探讨用各种机器模拟人类智能的途径,使人类的智能得到物化、延伸和扩展的一门学科。它与生物工程和空间技术成为当今世界的三大尖端技术。;人工智能发展简史;主要事件: ◆ 1930~40s,智能界主要进行机器智能的理论思考,数理逻辑和关于计算的新思想促成了人工智能的产生和发展。 ◆ 1946年第一台电子计算机ENIAC面世,为AI的产生奠定了必要的技术基础。 ◆ 1950年,英国数学家Turing在神经学和心理学的启发下,提出了计算机能够思维的论断,把符号处理过程中的形式推理上升到思维的高度,为AI奠定了理论基础。; ◆ 1943年,McCullonch和Pitts根据动物神经元的生理特点提出了人工神经元的数学模型,即MP神经元模型,多个MP神经元组成的MP神经网络可以完成一些简单的逻辑功能。 ◆ 1950s开始,神经网络成为人工智能的主要研究领域,建立了第一个真正的人工神经网络模型,到60年代初,神经网络研究收到科学界的高度重视,人工智能研究进入高潮。 ◆ 1970s,专家系统在人工智能界显示出强大的生命力,建立了各领域的应用专家系统。; ◆1980年代,专家系统和知识工程在世界范围内得到迅速发展,实现了从理论研究走向实际应用,从一般思维规律的探讨走向专门知识运用的突破。 ◆1970年代初,Holland提出了遗传算法的基本定理。遗传算法(Genetic algorithms,GA)起源于对生物系统进行的计算机模拟研究,是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应优化概率搜索算法。80年代后遗传算法得到广泛的应用。 ◆1980年代末以后,神经网络、模糊逻辑与遗传算法开始进行交叉和结合,形成了人工智能的新的研究方向——智能计算(Computational intelligence)。;2 智能计算的概念 智能计算也称为“软计算”,迄今为止没有统一的定义,大体有以下几种: (1)智能计算就是受自然界或生物界规律的启迪,根据其原理模拟设计求解问题的算法,如人工神经网络技术、遗传算法、进化规划、模拟退火技术和群集智能技术等。 (2)智能计算(包括神经网络、进化、遗传、生态等理论)作为第二代人工智能方法,是连接主义、分布式人工智能和自组织系统理论共同发展的结果。; (3)智能计算是用计算机模拟和再现人类的某些智能行为。从方法论的角度,计算智能大体可以分为三种基本类型: ◆以符号操作为基本特征的符号机制,从抽象层次模拟和再现人类的某些智能行为,演绎方法构成其主要的逻辑框架; ◆以人工神经网络为代表的联结机制,从神经元相互作用的层次模拟再现人类的智能行为; ◆以遗传算法为代表的进化机制,从自然进化的角度探寻智能的形成方式。 ; (4)智能计算广义地讲就是利用仿生学思想,基于生物体系的生物进化、细胞免疫、神经细胞网络等某些机制,用数学语言抽象描述的计算方法,用以模拟生物体系和人类的智能机制。 从方法论的角度和目前的研究状况看,智能计算有下面几种基本类型: ◆处理不确定信息的模糊数学和粗集理论; ◆再现人类某些智能行为的神经网络; ◆以模拟生物进化规律为特征的遗传算法; ◆以免疫操作为基本特征的免疫算法; ◆以DNA复制为基本特征的DNA计算。;3 智能计算技术的特点及组成 (1)智能计算技术的特点 ◆智能性 智能计算技术的智能性包括自适应、自组织和自学习性等,这些特征使得该技术能够根据环境的变化自动发现环境的特性和规律。 ◆稳健性 稳健性是指在不同环境和条件下算法的适用性和有效性,利用智能计算技术求解不同问题时,只需要设计相应的适应性评价函数,不需要修改算法的其他部分。; ◆不确定性 智能计算的不确定性是伴随其随机性而来的,其主要操作都含有随机因子,从而在算法的进化过程中,事件发生与否带有较大的不确定性。 ◆强化计算 智能计算不需要很多待求解的背景知识,而主要依赖于大量快速的运算,从数据集中寻找规则或者规律,这是智能计算的主要特征。; ◆容错性 神经元网络和模糊推理系统都有很好的容错性,从神经元网络中删除一个神经元,或从模糊推理系统中去掉一条规则,并不会破坏整个系统,由于具有并行和冗余的特征,系统可以继续工作。 ◆全局优化 传统的计算方法一般采用的是梯度下降的爬山策略,遇到多峰函数时容易陷入局部最优,遗传算法能在解空间的多个区域内同时进行搜索,并且能够以较大的概率跳出局部最优以找出整体最优解。;(2)智能计算技术的组成 Zadeh提出的智能计算的组成 模糊逻辑(fuzzy logic) 神经网络(neural network) 概率推理(probabilistic reasoning) 进化计算(evolutional computation) 学习理论(learning theory) 置信网络(belief network) 混沌理论(chao theory) 其中进化计算包括遗传算法、进化策略和进化规划等三个分支。; 有些研究者认为智能计算还应当包括非线性科学中的小波分析、混沌动力学、分形几何理论、免疫算法(immune algorithms)、DNA计算、模拟退火技术(simulated annealing algorithms)、多智能体系统(multi-agent)以及粗集(rough sets)理论和云理论(cloudy theory)等。 智能计算并不是单一的方法,而是众多方法和技术的集合,实际应用中更多的是将多种方法有机结合起来,寻求效率的最大化。;模糊一词源于英文Fuzzy,具有“不分明的”或“边界不清楚”的含义。1965年,美国加利福尼亚大学扎德(L.A.Zadeh)教授首次提出“模糊集合”的概念,并给出模糊概念的定量表示法,从此诞生了对模糊信息进行理论分析和数学求解的模糊理论。 ;自然界的许多现象很难用“是”或“不是”、“对”或“不对”这样非此即彼的精确语言来描述,地理空间信息分析本质上具有某种程度的模糊性。 不同土地类型的界线是模糊的;天气预报中说的“局部地区有小雨”,局部地区指的是哪里,它的边界有多大?;1. 模糊集合 模糊集合是一组具有连续隶属度的元素所组成的集合。在经典的集合论中,一个元素x相对于集合S的关系可表示如下: 而在模糊集合论中,x是否属于S由0到1之间的数即属于的程度用隶属度来表示,且: 。 也就是说,它允许表示一个元素部分地属于某一集合的情况。 ;例如,利用普通集合理论,难以描述两种土壤类型间的渐变区域,因此很难确切地描述土壤类型的空间扩展、分布,应用模糊集合理论可以解决该问题。把土壤类型定义为一个具有空间扩展的集合体,其边界区域可以用隶属度函数定义一个传递区域,该隶属度函数可用于描述空间内任何一点属于该土壤的程度。 模糊集合理论在处理不确定性问题时,用自然语言进行有关的空间查询具有较大的优势。例如要实现这样一个查询,靠近某一监测站的范围在哪里?“靠近某一监测站台”区域可以用空间域中的模糊子集来描述。 ;模糊逻辑是智能计算的一个重要分支,采用模糊逻辑可以用直观的规则代替复杂的数学模型。 “模糊逻辑本身绝不模糊” 从技术角度看,模糊逻辑是一种直觉经验和启发式进行工作且能涵盖基于模型系统的技术,是一种可以用来设计、优化和相对易于实现较复杂系统的有效方法。它既可看作是一种有助于实现具有鲁棒性和可容忍系统缺陷的???统工程法则,也是一种模仿人的思考方式接受不精确不完全信息进行推理的技巧。;模糊逻辑是由二值逻辑到无限值逻辑的推广。模糊逻辑不仅将二值逻辑的线],而且还在无限值逻辑中插入了模糊集和模糊关系。;(1)命题的条件、结论甚至命题本身是模糊的 “若水土保持专家系统的智能效果好,则该系统是李四开发的”,该命题的结论是二值逻辑,但条件是模糊的; “若遥感图像是来自陆地卫星的,则分辨率是较高的”,该命题的条件是二值逻辑,但结论是模糊的; “若某幅遥感图像的分辨率高,则这幅遥感图像的质量好”,该命题中“分辨率高”和“质量好”都是模糊的,故命题本身是模糊的。;(2)事实和规则的条件只是近似吻合时的推理 这类问题在专家系统中特别突出。因为任何一个专家系统都不可能包括所有规则,更不可能考虑与规则近似的特殊规则。 若河流总长度是6300 km,则该河流为长江。现在已知某河流长度为6105 km,该如何做出结论,即“该河流是什么河”这样的问题就是模糊逻辑所要解决的问题。;(3)命题的条件和结论缀有模糊量词 如果在条件和(或)结论中带有诸如很大、很好、能力强、很高这样一些模糊量词,二值逻辑将无法处理,只有模糊逻辑能很好地处理这类问题。;1. 模糊空间信息表达 ;在经典集合论中,可以设1表示湖泊,0表示沼泽地,如图9.6(b)所示 在模糊集合中,该影像信息分为两层栅格数据来表示,即湖泊层和沼泽层,每层的值表示所在位置具有某类属性的隶属度,各层同一位置的隶属度总和应满足归一化条件,即为1。;元素隶属于模糊集合的程度可以通过一个一般化的特征函数来度量,该函数称为隶属函数。一个模糊集合以隶属函数和隶属度进行描述与量化,因此,隶属函数是描述模糊概念的关键,是模糊集理论的基石。 ;从理论上讲,隶属函数的确定过程是客观的,但事实上现在还没有一个完全客观的评定标准。在通常情况下确定粗略的隶属函数,然后通过“学习”和实践检验逐步修改和完善, 已经提出和应用的确定隶属度的方法有主观评分法、模糊统计法、蕴含解析定义法、可变模型法、相对选择法、滤波函数法及二元对比排序法等。 在处理模糊空间信息时,常用主观评分法和借助模糊分布来确定隶属函数。;1. 模糊单词 在模糊集合论中,通常用隶属函数表示模糊单词。例如,一组监测站点离沼泽边距离为1~10 km,距离“近”、“中等”、“远”可表示如图9.9。其中,“远”的隶属函数为 ;;模糊查询语言中有些词放在另一些单词前面,用来调整、修饰原来的词义,这些词可看成是一种算子。算子有很多类型,经常使用的有语气算子、模糊化算子和判定化算子。;(1)语气算子:如“极”、“非常”、“相当”、“比较”等,放在另一些词前面,可以修饰这些词的肯定程度; (2)模糊化算子:“大概”、“近乎”、“大约”等词缀在一个单词前面,可以把该词的意义模糊化; (3)判定化算子:“偏向”、“多半是”、“倾向于”等词的作用为化模糊为比较粗糙的判断,故称为判定化算子。;结构化查询语言SQL是标准的关系查询语言,其一般形式为: SELECT 字段名 FROM 表名 WHERE 查询条件 ;例如,某区域水库状况的数据库文件如表9.3所示。若查询集雨面积为320 km2、总库容为3.54亿m3、年均发电量为4200万千瓦时的水库,用标准SQL可表示如下: SELECT 水库 FROM 表9.3 WHERE 集雨面积=320 AND 总库容=3.54 AND 年均发电量= 4 200 查询结果为{水库3}。;;若要查询集雨面积较大、总库容约为3.5亿m3、年均发电量偏低的水库,用模糊扩展SQL可表示如下: SELECT 水库 FROM 表9.3 WHERE 集雨面积=‘较大’AND 总库容=‘约3.5’ AND 年均发电量=‘偏低’ ;模糊查询的关键是如何将模糊扩展SQL查询语言转化为标准SQL形式。主要有两种转化方法: (1)正向法 按查询条件将要查询的字段值代入相应的隶属函数中,计算出隶属度表,设定总隶属度阈值,再进行隶属度查询。 (2)反向法 通过给定一个隶属度的值,计算出该隶属度阈值相应字段的取值范围,再将该取值范围取代原来字段应满足的“模糊”条件。 ;① 解译扩展SQL 语句,将SELECT和FROM部分原封不动地拷入相应的标准SQL; ② 提取扩展SQL语句中的WHERE部分,将其存入一字符串; ③ 对该字符串进行解译,提取出每一字段名和等号后字符串部分。逐一显示字段名和字段名后的字符串部分,由用户选择适当的隶属函数。若系统中缺乏合适的隶属函数,用户可以自行键入。然后,由用户给出适当的隶属阈值,系统将自动计算出相应的字段取值范围并取代等号后的字符串部分,再通过AND和OR组成标准SQL的WHERE语句。 ;地理现象和过程的非平衡性、多尺度性、层次性、不确定性、自相似性、随机性、交互性等特点决定了地理空间是一个复杂性系统。研究具有描述、模拟空间复杂现象的新一代空间分析模型,是地理学重要课题之一。非线性理论和方法对于模拟和揭示具有非线性、自组织性、开放性等特征的地理复杂系统及其规律具有明显的优势。;人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型,由大量的节点(或称神经元)和之间相互联接构成。每个节点代表一种特定的输出函数,称为激励函数(activation function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值,称之为权重,这相当于人工神经网络的记忆。网络的输出则依网络的连接方式,权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近,也可能是对一种逻辑策略的表达。 ;又称为人工神经系统(Artificial Neural System,ANS)、神经网络(Neural System,NN)、自适应系统(Adaptive Systems)、自适应网(Adaptive Networks)、联接模型(Connectionism)等。它是一个并行的分布处理结构,由多个处理单元及其联结的无向讯号通道互连而成。这些处理单元(Processing Element,PE)具有局部内存,并可以完成局部操作。每个处理单元有一个单一的输出联结,这个输出可以根据需要被分支成希望个数的许多并行联结,且这些并行联结都输出相同的信号,即相应处理单元的信号大小不因分支的多少而改变。 ;;基于人工神经网络的地理分类问题一般可在GIS中建立空间信息库,选取样本数据,训练Kohonen’s SOM,然后对“未知”样本进行分类预测和容错检验。 Kohonen’s SOM(自组织人工神经网络模型)模型凭藉较强的识别能力、处理非线性问题的适应性更适合于多因子非线性判别分类问题,即使输入信息误差增大,模型也不会引起分类的错误。 ;(1)初始化:定义数据源几何维度和神经元阵列的大小; (2)每个神经元有一个权重向量(Weight),设定这些权重的初始值; (3)选择一个数据案例,该案例包含变量值并且对数据应用任何相关的度量噪声; (4)寻找距离该数据案例最近或与该数据案例最相似的神经元; (5)调整所有获胜神经元拓扑邻域的权重; (6)化简学习参数和邻域权重; (7)重复(3)~(6)步直至收敛,通常需要运算100 000至1 000 000次甚至更多; (8)标注神经元,检查自组织地图。;;遗传算法(Genetic Algorithm)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法,它最初由美国Michigan大学J.Holland教授于1975年首先提出来的,并出版了颇有影响的专著《Adaptation in Natural and Artificial Systems》,GA这个名称才逐渐为人所知,J.Holland教授所提出的GA通常为简单遗传算法(SGA)。 ;遗传算法是从一组随机产生的初始解开始,经过对“染色体”一系列的迭代进化将“染色体”的优质基因组合遗传得到后代,最后收敛于最好的“染色体”,即得到问题的最优或次优解。利用遗传算法模拟或求解地理空间问题可以解决GIS工程中的许多难题,提高GIS对非线性问题的解决能力,可以对多方面地理问题进行优化决策,最终得出较为可靠的结果。;遗传算法是基于自然选择和种群基因的一种随机搜索算法。遗传算法中个体被编码为染色体串,其适应环境的能力由适应度来判断。 基本的遗传算法包括三个操作算子:选择、交叉和变异。 选择过程中,具有高适应度的个体在下一代中会复制出更多的个体,而低适应度的个体会慢慢灭绝;交叉是遗传算法的一个关键算子,比较形象的交叉操作是随机选择一对父代个体和一个交叉点,交换父代个体中该点右边的基因以形成两个子代个体,该操作并不产生新的基因,但能组合好染色体。 ;变异则是以很低的概率进行基因突变,以在种群中产生新的基因,使种群跳出局部极小点。虽然不同的编码方案、选择策略和遗传算子相结合可构成不同的遗传算法,但不同遗传算法在计算中的迭代过程大体相同,都包括编码、选择、交叉、变异和解码等五个阶段。 ;遗传算法随机地在道路沿线产生若干点,形成一条路线,由此可满足几何约束。 地理信息系统的算法读取这些数据,并沿中心线产生一带状区域,计算与地理信息相关的成本并将结果输出到外部程序,外部程序将计算其他成本 总成本将输入到遗传算法程序中进行优化决策。 遗传算法由若干初始值开始,在新一代中寻找较好的目标函数值,算法通过产生新的变量值及将前一代中的若干好的属性相组合产生新的个体来改进优化结果,基于目标改进来选择进一步繁殖的个体,其优化步骤为: ;(1)由遗传算法随机产生若干可选方案,将其输入到地理信息系统中,遗传算法产生新的一代; (2)由地理信息系统自身算法计算与位置有关的成本; (3)将成本结果输出到包含遗传算法的外部程序; (4)在外部程序中计算与长度有关的成本,这些成本是优化模型的构成部分; (5)在外部程序中计算总成本,并将其输送到遗传算法子程序中进行优化决策; (6)在这一代中寻找最好的方案,计算目标函数的变化; (7)随后的若干代中,若目标值的变化可以忽略不记,则优化停止,否则,重复第一步到第(6)步。“忽略不记”与“许多”可由决策者人为确定。

  请自觉遵守互联网相关的政策法规,严禁发布色情、暴力、反动的言论。用户名:验证码:匿名?发表评论