專(zhuān)利名稱(chēng)：一種隨機(jī)分布型地理要素的多目標(biāo)協(xié)同抽樣方案設(shè)計(jì)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種多目標(biāo)協(xié)同抽樣方案設(shè)計(jì)方法，尤其是涉及ー種隨機(jī)分布型地理要素的多目標(biāo)協(xié)同抽樣方案設(shè)計(jì)方法。
背景技術(shù)：
地理要素包括地形、氣候、水文、生物和土壌等，對(duì)其實(shí)施準(zhǔn)確的調(diào)查是解釋地理要素空間分布規(guī)律和演變過(guò)程的關(guān)鍵，也是資源管理、災(zāi)害管理、生態(tài)環(huán)境治理以及全球變化研究的需要。在實(shí)際操作過(guò)程中，研究人員為了節(jié)約抽樣成本和提高抽樣效率，通常僅設(shè)計(jì)ー套抽樣方案同時(shí)實(shí)施多種地理要素指標(biāo)的空間抽樣調(diào)查任務(wù)，因此如何設(shè)計(jì)抽樣方案保證多指標(biāo)的抽樣精度要求成為學(xué)者們關(guān)注的焦點(diǎn)。目前存在的兩類(lèi)空間抽樣策略中，基于設(shè)計(jì)的抽樣策略(Design based sampling)適用于大尺度、大樣本量的多抽樣目標(biāo)抽樣，而在處理數(shù)據(jù)缺失(Missing data) 和數(shù)據(jù)分析等問(wèn)題上存在不足；基于模型的抽樣策略(Model based sampling)通過(guò)構(gòu)建總體的擬合模型能夠避免數(shù)據(jù)缺失對(duì)抽樣結(jié)果的影響，在實(shí)際應(yīng)用中較多關(guān)注單一指標(biāo)。隨機(jī)分布型自然地理要素空間分布上同時(shí)具有隨機(jī)性和空間結(jié)構(gòu)性，因此適合應(yīng)用地統(tǒng)計(jì)學(xué)相關(guān)原理和方法探索其空間分布規(guī)律，構(gòu)建空間分布的總體模型，輔助進(jìn)行空間抽樣方案設(shè)計(jì)?？梢?jiàn)，改進(jìn)基于模型抽樣策略，構(gòu)建ー種多要素協(xié)同抽樣的方法已經(jīng)成為自然地理要素空間抽樣方法的一種發(fā)展趨勢(shì)。從本質(zhì)上看，多抽樣目標(biāo)協(xié)同抽樣需要同時(shí)滿(mǎn)足不同指標(biāo)對(duì)抽樣精度的要求，因此屬于多目標(biāo)優(yōu)化范疇內(nèi)的問(wèn)題。傳統(tǒng)多目標(biāo)協(xié)同方法將加權(quán)平均法或最小閾值法與模擬退火求解算法進(jìn)行結(jié)合，效果顯著。加權(quán)平均法(Weighted Average method, WA)的核心思想是采用加權(quán)求和的方式將多目標(biāo)問(wèn)題轉(zhuǎn)換為單目標(biāo)問(wèn)題，以多指標(biāo)的聯(lián)合克里金方差達(dá)到最小作為最優(yōu)抽樣方案的判斷依據(jù)。在加權(quán)求和時(shí)，為了保證不同指標(biāo)的克里金方差值具有相同的量綱，通過(guò)將克里金方差除以相應(yīng)指標(biāo)協(xié)半變異方差函數(shù)的基臺(tái)值方法方式對(duì)其進(jìn)行標(biāo)準(zhǔn)化處理。最小閾值法(Minimum Threshold Method,MT)的核心思想是為每個(gè)指標(biāo)設(shè)定合適的最小克里金方差目標(biāo)值，并在每次樣點(diǎn)位置變更時(shí)要保證所有指標(biāo)的克里金方差低于或者盡可能接近該目標(biāo)值。如果某一指標(biāo)的克里金方差等于其目標(biāo)值表明當(dāng)前樣本方案能夠精確描述該指標(biāo)的空間變異規(guī)律；而如果低于其目標(biāo)值，則表明當(dāng)前樣本方案存在一定的冗余。但是，上述傳統(tǒng)方法存在一定不足，如對(duì)于復(fù)雜的多目標(biāo)問(wèn)題加權(quán)平均法的權(quán)值難以獲取，并且設(shè)定的權(quán)重通常會(huì)導(dǎo)致某些目標(biāo)達(dá)到最優(yōu)而其他目標(biāo)卻較差的極端情況；最小閾值法要求所有目標(biāo)值均要達(dá)到預(yù)定的最優(yōu)值，因此可能搜索不到最優(yōu)解，并且對(duì)于ー些目標(biāo)可能較難設(shè)定最優(yōu)值；另外，已有更加高效的搜索算法可用于替代模擬退火算法。協(xié)同微粒群算法(CoorperativeParticle Swarm Optimization，CPS0)能夠通過(guò)個(gè)體的相互影響和相互合作，自發(fā)地完成時(shí)間、空間和功能上有序的群體行為，在多目標(biāo)優(yōu)化領(lǐng)域得到廣泛的應(yīng)用。該算法通過(guò)采用獨(dú)立與協(xié)同相結(jié)合的進(jìn)化方式，大大地提高了算法的全局收斂能力。因此，引入二進(jìn)制協(xié)同微粒群算法進(jìn)行多地理要素協(xié)同抽樣具有較大的可操作性和應(yīng)用空間。

發(fā)明內(nèi)容
本發(fā)明主要是解決現(xiàn)有技術(shù)所存在的技術(shù)問(wèn)題；提供了一種能夠節(jié)約實(shí)地抽樣成本，能提高地理要素多指標(biāo)協(xié)同抽樣方案設(shè)計(jì)效率，抽樣樣點(diǎn)布設(shè)過(guò)程具有自組織性、優(yōu)化性和智能性的一種隨機(jī)分布型地理要素的多目標(biāo)協(xié)同抽樣方案設(shè)計(jì)方法。本發(fā)明的上述技術(shù)問(wèn)題主要通過(guò)以下技術(shù)方案解決一種隨機(jī)分布型地理要素的多目標(biāo)協(xié)同抽樣方案設(shè)計(jì)方法，其特征在于，包括以下步驟步驟1，選擇多個(gè)具有隨機(jī)分布特征的地理要素作為抽樣指標(biāo)，獲取指標(biāo)的預(yù)采樣樣點(diǎn)數(shù)據(jù)，將抽樣區(qū)域進(jìn)行格網(wǎng)劃分，形成的網(wǎng)格單元作為抽樣單元，抽樣區(qū)域內(nèi)的抽樣單元集合作為抽樣框；步驟2，利用普通克里金法探索預(yù)采樣數(shù)據(jù)的空間變異結(jié)構(gòu)，擬合生成各個(gè)指標(biāo)的理論半變異函數(shù)，根據(jù)理論半變異函數(shù)和步驟1中的預(yù)采樣樣點(diǎn)數(shù)據(jù)，采用高斯序貫隨機(jī)模擬方法得到各個(gè)指標(biāo)的空間分布總體；步驟3，根據(jù)指標(biāo)的精度要求和先驗(yàn)方差計(jì)算最小協(xié)同樣本量，并設(shè)置協(xié)同微粒群算法參數(shù)；步驟4，利用協(xié)同微粒群算法對(duì)現(xiàn)有預(yù)采樣樣點(diǎn)方案進(jìn)行優(yōu)化，得到多指標(biāo)協(xié)同抽樣方案，所述現(xiàn)有預(yù)采樣樣點(diǎn)方案即步驟1所述的獲取指標(biāo)的預(yù)采樣樣點(diǎn)數(shù)據(jù)。本發(fā)明采用基于“環(huán)狀模型”的二進(jìn)制協(xié)同微粒群算法生成隨機(jī)分布型自然地理要素的多目標(biāo)空間協(xié)同抽樣方案，適用于在有效保持各個(gè)指標(biāo)樣點(diǎn)的代表性和抽樣精度的前提下通過(guò)構(gòu)建一套抽樣方案對(duì)多指標(biāo)同時(shí)進(jìn)行空間抽樣，能夠節(jié)約實(shí)地抽樣成本；以平均克里金方差和信息熵為微粒適應(yīng)度的衡量準(zhǔn)則，采用最小協(xié)同樣本量、抽樣可達(dá)性和抽樣費(fèi)用作為樣點(diǎn)空間布設(shè)的條件約束，動(dòng)態(tài)尋找可變樣本量與可變樣點(diǎn)布局的最優(yōu)組合方案，提高了抽樣樣點(diǎn)布設(shè)過(guò)程的自組織性和優(yōu)化性；本發(fā)明方法繼承了協(xié)同微粒群算法的特性，自組織自學(xué)習(xí)能力強(qiáng)、智能化程度高，提高了自然地理要素多指標(biāo)協(xié)同抽樣方案的設(shè)計(jì)效率。在上述的一種隨機(jī)分布型地理要素的多目標(biāo)協(xié)同抽樣方案設(shè)計(jì)方法，所述的步驟 3中，計(jì)算最小協(xié)同樣本量的步驟如下定義抽樣樣本空間A，抽樣單元數(shù)為N，抽樣指標(biāo)數(shù)量為V，設(shè)指標(biāo)i存在一個(gè)最優(yōu)的抽樣設(shè)計(jì)，其精度要求是Pi，對(duì)應(yīng)的樣本容量為Ili ；步驟3. 1，設(shè)定指標(biāo)1的精度要求P1、總體均值P1、指標(biāo)1抽樣均值、以及標(biāo)準(zhǔn)差
S1，采用傳統(tǒng)隨機(jī)抽樣方法中的最小樣本量計(jì)算公式確定指標(biāo)1的最小樣本容量為Ii1，形成的抽樣樣本為ξ ?。?br> 權(quán)利要求
1.一種隨機(jī)分布型地理要素的多目標(biāo)協(xié)同抽樣方案設(shè)計(jì)方法，其特征在于，包括以下步驟步驟1，選擇多個(gè)具有隨機(jī)分布特征的地理要素作為抽樣指標(biāo)，獲取指標(biāo)的預(yù)采樣樣點(diǎn)數(shù)據(jù)，將抽樣區(qū)域進(jìn)行格網(wǎng)劃分，形成的網(wǎng)格單元作為抽樣單元，抽樣區(qū)域內(nèi)的抽樣單元集合作為抽樣框；步驟2，利用普通克里金法探索預(yù)采樣數(shù)據(jù)的空間變異結(jié)構(gòu)，擬合生成各個(gè)指標(biāo)的理論半變異函數(shù)，根據(jù)理論半變異函數(shù)和步驟1中的預(yù)采樣樣點(diǎn)數(shù)據(jù)，采用高斯序貫隨機(jī)模擬方法得到各個(gè)指標(biāo)的空間分布總體；步驟3，根據(jù)指標(biāo)的精度要求和先驗(yàn)方差計(jì)算最小協(xié)同樣本量，并設(shè)置協(xié)同微粒群算法參數(shù)；步驟4，利用協(xié)同微粒群算法對(duì)現(xiàn)有預(yù)采樣樣點(diǎn)方案進(jìn)行優(yōu)化，得到多指標(biāo)協(xié)同抽樣方案，所述現(xiàn)有預(yù)采樣樣點(diǎn)方案即步驟1所述的獲取指標(biāo)的預(yù)采樣樣點(diǎn)數(shù)據(jù)。
2.根據(jù)權(quán)利要求1所述的一種隨機(jī)分布型地理要素的多目標(biāo)協(xié)同抽樣方案設(shè)計(jì)方法， 其特征在于，所述的步驟3中，計(jì)算最小協(xié)同樣本量的步驟如下定義抽樣樣本空間A，抽樣單元數(shù)為N，抽樣指標(biāo)數(shù)量為V，設(shè)指標(biāo)i存在一個(gè)最優(yōu)的抽樣設(shè)計(jì)，其精度要求是Pi，對(duì)應(yīng)的樣本容量為Hi ；步驟3. 1，設(shè)定指標(biāo)1的精度要求P1、總體均值μ工、指標(biāo)1抽樣均值、以及標(biāo)準(zhǔn)差S1, 采用傳統(tǒng)隨機(jī)抽樣方法中的最小樣本量計(jì)算公式確定指標(biāo)1的最小樣本容量為η”形成的抽樣樣本為ξ ??；其中，
3.根據(jù)權(quán)利要求1所述的一種隨機(jī)分布型地理要素的多目標(biāo)協(xié)同抽樣方案設(shè)計(jì)方法， 其特征在于，所述的步驟4具體操作步驟如下步驟4. 1，構(gòu)建微粒與抽樣區(qū)域的映射關(guān)系，依據(jù)映射關(guān)系初始化微粒群S ；步驟4. 2，根據(jù)指標(biāo)數(shù)量V等分微粒群，當(dāng)種群規(guī)模P被V整除時(shí)，則子微粒群Sv的種群規(guī)模Pv = P/V ；當(dāng)種群規(guī)模P不被V整除時(shí)，為了避免微粒群微粒信息丟失，首先確定每個(gè)子群包含的基本微粒個(gè)數(shù)·〃 1￡ )然后將剩余的微粒依次分配給前P — ,+ '二 Ii: i個(gè)子群，對(duì)，于未額外分配微粒的子群則從其中隨機(jī)選擇一個(gè)微粒進(jìn)行復(fù)制，保證每個(gè)子微粒群Sv的種群規(guī)模均為
4.根據(jù)權(quán)利要求3所述的ー種隨機(jī)分布型地理要素的多目標(biāo)協(xié)同抽樣方案設(shè)計(jì)方法， 其特征在干，所述的步驟4. 4中，獨(dú)立進(jìn)化步驟如下步驟4. 4. 1，計(jì)算Sv中每個(gè)微粒Svt (t)的適應(yīng)度；步驟4. 4. 2，確定微粒個(gè)體歷史最佳位置和全局歷史最優(yōu)位置；步驟4. 4. 3，判斷是否滿(mǎn)足終止條件，如果滿(mǎn)足則設(shè)定Flag = true并執(zhí)行步驟4. 5，同時(shí)將步驟4. 4. 1中生成的Sg。(t)作為子群的最優(yōu)抽樣方案輸出，否則將進(jìn)入步驟4. 4. 4 ；步驟4. 4. 4，判斷是否完成一個(gè)協(xié)同周期t。。
= T?！?，如果完成則設(shè)定Flag = false跳至步驟4. 5，并將步驟4. 4. 1中生成的Sgv(t)作為子群的最優(yōu)抽樣方案輸出，否則進(jìn)入步驟 4. 4. 5 ；步驟4. 4. 5，根據(jù)微粒當(dāng)前個(gè)體歷史最佳位置和當(dāng)前全局歷史最優(yōu)位置更新微粒的位置，tcoor自動(dòng)加1，并返回步驟4. 4. 1。
5.根據(jù)權(quán)利要求1所述的ー種隨機(jī)分布型地理要素的多目標(biāo)協(xié)同抽樣方案設(shè)計(jì)方法， 其特征在干，所述的步驟3中，微粒群聚類(lèi)算法的參數(shù)包括種群規(guī)模ρ、最大迭代次數(shù)、慣性權(quán)重w、隨機(jī)參數(shù)A和r2、個(gè)體信息加速常數(shù)C1、社會(huì)信息加速常數(shù)C2、收斂因子χ和子種群協(xié)同周期T?！?，采用最大迭代次數(shù)作為算法終止條件。
6.根據(jù)權(quán)利要求3所述的ー種隨機(jī)分布型地理要素的多目標(biāo)協(xié)同抽樣方案設(shè)計(jì)方法， 其特征在干，所述的步驟4. 1構(gòu)建的映射關(guān)系中，一個(gè)ニ進(jìn)制微粒為抽樣單元的集合，表示一種抽樣方案，微粒中的每ー個(gè)維度代表一個(gè)抽樣単元，維度值為1表示相應(yīng)抽樣単元被選為樣點(diǎn)，維度值為O表示相應(yīng)抽樣単元未被選為樣點(diǎn)。
7.根據(jù)權(quán)利要求4所述的ー種隨機(jī)分布型地理要素的多目標(biāo)協(xié)同抽樣方案設(shè)計(jì)方法， 其特征在干，所述的步驟4. 4. 1中，微粒的適應(yīng)度采用平均克里金方差和樣點(diǎn)信息熵進(jìn)行衡量，確定微粒Svi在t時(shí)刻個(gè)體歷史最佳位置Sbvi (t)與微粒群全局最佳位置Sgv (t)的步驟如下當(dāng)t+Ι時(shí)刻微粒的適應(yīng)度優(yōu)于其歷史最優(yōu)的適應(yīng)度時(shí)，則將微粒當(dāng)前的位置記錄為個(gè)體歷史最佳位置，否則保持不變；當(dāng)子群Sv在t+1時(shí)刻處于ー個(gè)新的協(xié)同周期內(nèi)的第一代吋，其中t?！? 1，則子群全局最優(yōu)位置等于子群Srt的上個(gè)協(xié)同周期結(jié)束時(shí)得到的全局最優(yōu)位置Sgrt (t)，從而用于保證子群間的信息交換，否則，對(duì)比當(dāng)前子群內(nèi)的最優(yōu)個(gè)體位置與子群歷史全局最優(yōu)位置，將較優(yōu)者即為子群Sv的當(dāng)前全局最優(yōu)位置
8.根據(jù)權(quán)利要求4所述的一種隨機(jī)分布型地理要素的多目標(biāo)協(xié)同抽樣方案設(shè)計(jì)方法， 其特征在于，所述的步驟4. 4. 5中，微粒位置更新即根據(jù)子群Sv中微粒Svi (t)當(dāng)前個(gè)體歷史最佳位置i5bvi(t)和當(dāng)前全局歷史最優(yōu)位置Sgv(t)確定其t+Ι時(shí)刻維度j的取值xvi,j(t+D
全文摘要
本發(fā)明涉及一種隨機(jī)分布型地理要素的多目標(biāo)協(xié)同抽樣方案設(shè)計(jì)方法。1，選擇多個(gè)具有隨機(jī)分布特征的地理要素作為抽樣指標(biāo)，獲取指標(biāo)的預(yù)采樣樣點(diǎn)數(shù)據(jù)；2，利用普通克里金法探索預(yù)采樣數(shù)據(jù)的空間變異結(jié)構(gòu)，擬合生成各個(gè)指標(biāo)的理論半變異函數(shù)，根據(jù)理論半變異函數(shù)和1中的預(yù)采樣樣點(diǎn)數(shù)據(jù)，采用高斯序貫隨機(jī)模擬方法得到各個(gè)指標(biāo)的空間分布總體；3，根據(jù)指標(biāo)的精度要求和先驗(yàn)方差計(jì)算最小協(xié)同樣本量，并設(shè)置協(xié)同微粒群算法參數(shù)；4，利用協(xié)同微粒群算法對(duì)現(xiàn)有預(yù)采樣樣點(diǎn)方案進(jìn)行優(yōu)化，得到多指標(biāo)協(xié)同抽樣方案。本發(fā)明能夠節(jié)約實(shí)地抽樣成本，提高了抽樣樣點(diǎn)布設(shè)過(guò)程的自組織性和優(yōu)化性，提高了地理要素多指標(biāo)協(xié)同抽樣方案的設(shè)計(jì)效率。
文檔編號(hào)G06N3/00GK102542051SQ20111044961
公開(kāi)日2012年7月4日 申請(qǐng)日期2011年12月29日 優(yōu)先權(quán)日2011年12月29日
發(fā)明者劉殿鋒, 劉耀林, 劉艷芳, 趙翔 申請(qǐng)人:武漢大學(xué)