基于粒子群算法的矢量元胞自动机转换规则获取-论文.pdf

基于粒子群算法的矢量元胞自动机转换规则获取-论文.pdf

ID:53029409

大小:557.21 KB

页数:4页

时间:2020-04-14

基于粒子群算法的矢量元胞自动机转换规则获取-论文.pdf_第1页
基于粒子群算法的矢量元胞自动机转换规则获取-论文.pdf_第2页
基于粒子群算法的矢量元胞自动机转换规则获取-论文.pdf_第3页
基于粒子群算法的矢量元胞自动机转换规则获取-论文.pdf_第4页
资源描述:

《基于粒子群算法的矢量元胞自动机转换规则获取-论文.pdf》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库

1、第38卷第3期现代测绘Vo1.38。No.32015年O5月ModernSurveyingandMappingMay2015基于粒子群算法的矢量元胞自动机转换规则获取沈泉飞,曹敏,董玉军(1.江苏省基础地理信息中心,江苏南京210013;2.南京师范大学虚拟地理环境教育部重点实验室,江苏南京210023)摘要本文提出了一种基于粒子群算法来自动获取矢量元胞自动机转换规则的新方法。采用粒子群算法所提取的转换规则毋需通过数学公式来表达,能更方便和准确地描述自然界中的复杂关系,并且这些规则比数学公式更容易让人理解。以丹阳市城市扩展为例,使用粒子群算法挖掘元胞

2、自动机转换规则模拟该研究区域的城市扩展过程,并对模拟结果进行了精度评价。关键词粒子群算法元胞自动机转换规则城市扩展中图分类号:尸208文献标识码:A文章编号:1672—4097(2015)03一oo11—04拟丹阳市区城市化过程,并评价其模拟精度,对模1引言拟结果进行验证分析。元胞自动机(CellularAutomata,CA)是一种时2基于PSO的矢量CA规则获取方法间、空间和状态都离散,空间相互作用和时间因果关系都为局部的网格动力学模型。它通过简单的2.1规则构造局部转换规则对复杂系统的时间演化过程进行模粒子群算法的规则构造定义每个粒子对应的拟,

3、体现了“复杂系统来自简单子系统的相互作用”一条路径,相应产生一条规则。规则为属性节点和这一复杂性科学的精髓[1],成为模拟城市演变的类节点的连线,其中每个属性节点最多只出现一次有效工具。为了克服栅格CA的不足,有学者开始且必须有类节点。如图1所示,每条路径对应一条采用矢量数据研究矢量元胞自动机(Vectorbased分类规则,规则的挖掘可以当作是在多维空间中对CA,VCA)对复杂地理系统的模拟理论和方法。最优解的搜索。分类规则格式如下:元胞转换规则的定义和获取是CA模型的关IF一A西ANDXlb0<键[3]。粒子群优化算

4、法(ParticleSwarmOptimiza—一tion,PSO)最早是由Kennedy和Eberhart于1995THENClassC年提出的E。他们最初是希望模拟鸟群寻找食物的其中A曲为分类变量,A曲为连续变量,X、X现象,实验却发现仿真模型中蕴含很强的优化能分别为某一连续型变量的上限与下限。在处理连力,这便形成了粒子群优化算法的最初版本。之续型变量过程中,粒子被视为如X、X-№的变量,通后,Shi和Eberhart[5]引入惯性权重以更好控制算过调整自己的位置来改变规则中某一连续变量的法的开发和探索能力,从而形成标准粒子群优化算上限与下限,最

5、终达到最优。法。粒子群算法由于在解决复杂组合优化类问题属性1方面所具有的优越性,被广泛应用于组合优化、约\一束优化、多目标优化、动态系统优化等应用中_6,,属性2但它在规则挖掘方面的研究却非常有限。Sousa属性3一/等[8]在2003年提出了基于粒子群算法的规则挖掘算法,但这个算法是以二进制为编码的。后来,刘属性n一/X小平首次将基于粒子群的分类规则挖掘算法尝试类别一性地引进到遥感影像中[9]。本文将研究一种基于粒子群算法的矢量元胞图1粒子群算法中分类规则对应的路径自动机模型,使用粒子群算法自动挖掘构造矢量CA的转换规则,并以丹阳市区为研究案例区域

6、,模*项目来源:国家自然科学基金资助项目(41101349);江苏省高校自然科学研究资助项目(13KJB420003)12现代测绘第38卷2.2规则评价自身最优解P,计算整个粒子群最优适应度值,把分类规则(粒子)的适应度用来衡量粒子位置该值赋给全局最优解P。的优劣,是判断粒子飞行方向的指南针。合理选择(2)更新速度和位置适应度函数对问题的求解有着重要的作用,本文分根据以下更新粒子的位置和速度:类规则的适应度如:Ⅵ一Ⅵ+C1rand()(P—Xi)+C2rand()(P一X)(8)Q一×cXi—Xi+V/(9)其中,TP(TruePos)为满足规则且和

7、规则预测类型其中,rand()是均匀分布在(0,1)之间的随机相同的样本数,FP(FalsePos)为满足规则且和规则数,C1,C2是学习因子,通常c1一C2。预测不同的样本数,TN(TrueNeg)为不满足规则且(3)根据公式(1)计算每个粒子的适应度值Q。和规则预测不同的样本数,FN(FalseNeg)为不满足(4)更新个体最优位置,比较当前适应度值与规则且和规则预测相同的样本数。自身最优解P。,若当前粒子适应度值优于自身最优2.3规则挖掘解P则更新自身最优解P,否则就不进行更新粒子群算法挖掘分类规则模仿了鸟类的觅食操作。行为。粒子在每个属性取值

8、范围搜索最优上界X+(5)更新全局最优位置,计算所有粒子最优适和最优下界X一,对有个属性的研究区域来说,则应

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。