基于蟻群算法的地理信息多目標(biāo)帕累托解的可視化方法
【專利摘要】本發(fā)明公開(kāi)了一種基于蟻群算法的地理信息多目標(biāo)帕累托解的可視方法，利用地理信息數(shù)據(jù)和與目標(biāo)優(yōu)化相關(guān)的統(tǒng)計(jì)數(shù)據(jù)，包括以下步驟：步驟一、設(shè)定蟻群算法初始時(shí)刻的位置，該位置即用戶在想要探索的區(qū)域通過(guò)點(diǎn)擊選擇的地點(diǎn)；步驟二、設(shè)定目標(biāo)條件和約束條件；步驟三、設(shè)定單一目標(biāo)和相應(yīng)的權(quán)重；步驟四、設(shè)定全局的目標(biāo)函數(shù)；步驟五、執(zhí)行改進(jìn)蟻群算法；步驟六、計(jì)算出帕累托解，并實(shí)現(xiàn)可視化表示；步驟七、利用可視化交互操作進(jìn)行驗(yàn)證，若所獲得的帕累托解不是理想結(jié)果，則調(diào)整步驟一至步驟三的設(shè)定值，直至獲得理想結(jié)果。本發(fā)明通過(guò)交互的算法，提升用戶的個(gè)人知識(shí)在算法中的人為影響，用戶控制蟻群算法中螞蟻的位置，讓探索區(qū)域可以用戶自定義。
【專利說(shuō)明】基于蟻群算法的地理信息多目標(biāo)帕累托解的可視化方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及地理信息（GIS)領(lǐng)域和可視化領(lǐng)域的結(jié)合，特別是涉及一種地理信息 多目標(biāo)帕累托解的可視化方法。

【背景技術(shù)】
[0002] 基于地理信息上的多目標(biāo)探索決策是一個(gè)非常復(fù)雜的問(wèn)題。如果將傳統(tǒng)方法結(jié)合 一個(gè)可視化的分析框架就可解決這類(lèi)問(wèn)題，這其中包含了多目標(biāo)優(yōu)化算法、可視分析和交 互技術(shù)。
[0003] 多目標(biāo)優(yōu)化算法與數(shù)學(xué)優(yōu)化難題中的多目標(biāo)函數(shù)優(yōu)化算法相關(guān)聯(lián)而且是相似的。 目標(biāo)優(yōu)化決策需要在兩個(gè)或者多個(gè)相互沖突的目標(biāo)中進(jìn)行妥協(xié)。然而，這些問(wèn)題是非常難 解決的。其原因是：首先，如果用戶有多個(gè)不同的目標(biāo)，且這些目標(biāo)都是非常絕對(duì)的、很難量 化和需要實(shí)時(shí)調(diào)整的；那么，難點(diǎn)包含多目標(biāo)和多約束都需要被非常合適的規(guī)定，優(yōu)化其中 的任何一個(gè)都可能是一個(gè)NP難度問(wèn)題；相關(guān)的技術(shù)挑戰(zhàn)是如何同時(shí)考慮到所有的目標(biāo)和 約束并且在沖突的情形下發(fā)現(xiàn)妥協(xié)的方法。其次，盡管當(dāng)前的分析方法能夠減少算法的復(fù) 雜度，但是仍然存在許多的問(wèn)題，即優(yōu)化的結(jié)果可能只是局部最優(yōu)的結(jié)果，另一種情形就是 優(yōu)化的算法在利用地理信息的數(shù)據(jù)計(jì)算的時(shí)候可能是不收斂的。再次，本領(lǐng)域需要一個(gè)更 加方便和可以交互的系統(tǒng)。用戶需要可信任算法。


【發(fā)明內(nèi)容】

[0004] 為了克服上述現(xiàn)有技術(shù)存在的問(wèn)題，本發(fā)明提出了一種基于蟻群算法的地理信息 多目標(biāo)帕累托解的可視方法，通過(guò)改進(jìn)的蟻群算法對(duì)地理信息處理后得出來(lái)的帕累托解的 可視化表示，幫助用戶進(jìn)行基于地理信息方面的決策，提供給用戶一種可以反饋和交互的 優(yōu)化算法方法，并且設(shè)計(jì)出一個(gè)可視分析的框架來(lái)動(dòng)態(tài)的調(diào)整算法的解來(lái)影響最后的結(jié) 果，用戶可以通過(guò)可視化的表示來(lái)查看結(jié)果，同時(shí)通過(guò)交互來(lái)影響最后算法的結(jié)果。
[0005] 本發(fā)明提出一種基于蟻群算法的地理信息多目標(biāo)帕累托解的可視方法，利用地理 信息數(shù)據(jù)和與目標(biāo)優(yōu)化相關(guān)的統(tǒng)計(jì)數(shù)據(jù)，用可視分析技術(shù)展示多目標(biāo)優(yōu)化結(jié)果，其特征在 于，該方法包括以下步驟：
[0006] 步驟一、設(shè)定蟻群算法初始時(shí)刻的位置，該位置即用戶在想要探索的區(qū)域通過(guò)點(diǎn) 擊選擇的地點(diǎn)；
[0007] 步驟二、設(shè)定目標(biāo)條件和約束條件；
[0008] 步驟三、設(shè)定單一目標(biāo)和相應(yīng)的權(quán)重；
[0009] 步驟四、設(shè)定全局的目標(biāo)函數(shù)F，
[0010] F = MAX (condA*Avalue+condB*Bvalue-condC*Cvalue-condD*Dvalue+condE*Eva lue)其中：condA、condB、condC、condD、condE這些變量的值的范圍是0-1，表示的是用戶 限定各個(gè)單目標(biāo)所占全局目標(biāo)的權(quán)重分布；
[0011] 步驟五、執(zhí)行改進(jìn)蟻群算法，
[0012] 步驟六、計(jì)算出帕累托解，帕累托解的組成是根據(jù)用戶自定義的目標(biāo)組成的[PFva lue，PAvalue，PBvalue，PCvalue，PDvalue，PEvalue]，PFvalue 代表的是目標(biāo)函數(shù)的最優(yōu)解， 但是有時(shí)候并不是目標(biāo)最優(yōu)就是用戶偏好的最優(yōu)，用戶可能會(huì)根據(jù)某個(gè)維度重新設(shè)置權(quán) 重，獲得更好的最優(yōu)。同時(shí)PFvalue的值在蟻群算法進(jìn)行比較的時(shí)候會(huì)影響信息素的值，各 個(gè)參數(shù)的定義如下：
[0013] PAvalue = condA^Avalue
[0014] PBvalue = condB^Bvalue
[0015] PCvalue = condOCvalue
[0016] PDvalue = condD^Dvalue
[0017] PEvalue = condE^Evalue
[0018] 當(dāng)蟻群算法執(zhí)行結(jié)束之后，我們將根據(jù)計(jì)算出結(jié)果的解進(jìn)行排序，選取出前15% 的記錄，用平行坐標(biāo)坐標(biāo)的方式可視化表示，用戶可以直觀查看解，同時(shí)再進(jìn)行調(diào)節(jié)參數(shù)重 新計(jì)算。
[0019] 步驟七、利用可視化交互操作進(jìn)行驗(yàn)證，若所獲得的帕累托解不是理想結(jié)果，則調(diào) 整步驟一至步驟三的設(shè)定值，直至獲得理想結(jié)果。
[0020] 所述改進(jìn)蟻群算法，具體包括以下步驟：
[0021] 用戶在指定的地圖區(qū)域內(nèi)用鼠標(biāo)點(diǎn)選初始螞蟻的位置；
[0022] 用戶在不同的地方點(diǎn)選了 30只螞蟻的位置后，開(kāi)始執(zhí)行算法：
[0023] 對(duì)于30只螞蟻，同時(shí)開(kāi)始進(jìn)行尋路，當(dāng)每只螞蟻迭代次數(shù)少于500次時(shí)，重復(fù)執(zhí)行 以下處理，即根據(jù)信息素溶度隨機(jī)出來(lái)的隨機(jī)數(shù)（1，2, 3, 4, 5, 6, 7, 8)，其中每個(gè)數(shù)字代表的 是一個(gè)方向，1代表向上，2代表向右上，3代表向右，4代表向右下，5代表向下，6代表向左 下，7代表向左，8代表向左上；
[0024] 如果挑選的方向是走不通的，那么重新在挑選一個(gè)方向；
[0025] 如果挑選的方向是走得通的，判斷螞蟻?zhàn)哌^(guò)的地方是否滿足條件：
[0026] 若螞蟻?zhàn)哌^(guò)的地方滿足條件，那么更新這塊的信息素+0. 001f，然后計(jì)算螞蟻的步 長(zhǎng)，以跳出局部極值；
[0027] 若螞蟻?zhàn)哌^(guò)的地方不滿足條件，那么更新這塊的信息素的值-0. 001f然后計(jì)算螞 蟻的步長(zhǎng)，以跳出局部極值；
[0028] 直至迭代次數(shù)超過(guò)500次，算法結(jié)束。
[0029] 與現(xiàn)有技術(shù)相比，本發(fā)明設(shè)計(jì)出了在地理信息上優(yōu)化算法和人為交互方法想聯(lián)合 的方法，在這個(gè)框架上面，實(shí)現(xiàn)以下有益技術(shù)效果：
[0030] 1、克服了算法不收斂的難題，用戶可以強(qiáng)制停止優(yōu)化算法的執(zhí)行過(guò)程和減少必要 的時(shí)間；
[0031] 2、避免了算法局部最優(yōu)的問(wèn)題，通過(guò)定義初始螞蟻的區(qū)域來(lái)讓算法處理的時(shí)候跳 出局部最優(yōu)解；
[0032] 3、減少了探索解的空間，增加了用戶領(lǐng)域知識(shí)作為算法的初始解；
[0033] 4、在地理信息處理上，改進(jìn)了蟻群算法，使得更加的適應(yīng)地理數(shù)據(jù)；
[0034] 5、多目標(biāo)的帕累托解的可視化表示方法、
[0035] 6、交互的算法可以提升用戶的個(gè)人知識(shí)在算法處理過(guò)程中增加人為的影響，用戶 可以控制蟻群算法中螞蟻的位置，讓探索的區(qū)域可以用戶自定義化。

【專利附圖】

【附圖說(shuō)明】
[0036] 圖1為本發(fā)明的一種基于蟻群算法的地理信息多目標(biāo)帕累托解的可視化方法的 整體流程示意圖；
[0037] 圖2為本發(fā)明實(shí)施例的可視化的多目標(biāo)的帕累托最優(yōu)解跟單目標(biāo)最優(yōu)解之間的 關(guān)系不意圖；
[0038] 圖3為經(jīng)過(guò)小波全局閾值去噪后的脈象信號(hào)波形示意圖。

【具體實(shí)施方式】
[0039] 下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明技術(shù)方案進(jìn)行詳細(xì)描述。
[0040] 本發(fā)明中的地理信息數(shù)據(jù)分為兩種，一種是可以量化的數(shù)據(jù)，另一種是不能夠進(jìn) 行量化的數(shù)據(jù)；能夠量化的數(shù)據(jù)中可以選擇值的最大最小值，同時(shí)可以設(shè)置權(quán)限；0C，其中 〇是objective的縮寫(xiě)，表示的是用戶的目標(biāo)，C是conditional的縮寫(xiě)，表示的是條件，在 系統(tǒng)中C是必須得滿足的條件，比如：在300米范圍內(nèi)至少有個(gè)地鐵站。0是可計(jì)算的目標(biāo)， 比如：26-50歲人口密度最大化，人口密度是可以量化和計(jì)算的?？梢詫⒛硞€(gè)目標(biāo)設(shè)定為約 束（C)，也可以設(shè)置為目標(biāo)（0)。設(shè)定完約束將用戶的設(shè)定值傳遞給后臺(tái)的蟻群算法進(jìn)行 多目標(biāo)優(yōu)化的計(jì)算，設(shè)定全局的目標(biāo)函數(shù)，目標(biāo)函數(shù)的定義是：用戶希望根據(jù)自定義的某種 目的從而達(dá)到此目的的最大化，具體實(shí)例為如果用戶需要在某個(gè)區(qū)域進(jìn)行開(kāi)超市或者開(kāi)酒 店，那么用戶的目標(biāo)就是利潤(rùn)最大化，那么當(dāng)用戶調(diào)整完各個(gè)參量的參數(shù)的時(shí)候，提交時(shí)將 根據(jù)線性的目標(biāo)函數(shù)，此處的目標(biāo)函數(shù)是系統(tǒng)開(kāi)發(fā)人員自定義的，各個(gè)領(lǐng)域的計(jì)算方法公 式是不同的：
[0041] F = MAX (condA*Avalue+condB*Bvalue-condC*Cvalue-condD*Dvalue+condE*Eva lue)
[0042] 此處：F的值就是全局函數(shù)的目標(biāo)值。
[0043] condA, condB, condC, condD, condE這些變量的值的范圍是0-1，表示的是用戶限 定各個(gè)單目標(biāo)所占全局目標(biāo)的權(quán)重分布。
[0044] Avalue:人口密度最大化
[0045] Bvalue: 26-50歲人口密度最大化
[0046] Cvalue:選擇的點(diǎn)的2000米內(nèi)的賓館數(shù)目最少
[0047] Dvalue:選擇點(diǎn)的2000米內(nèi)的星級(jí)數(shù)目小于3顆星的賓館數(shù)目最少
[0048] Evalue.選擇點(diǎn)的周?chē)?500米內(nèi)星級(jí)數(shù)目超過(guò)4顆星的賓館數(shù)目最多
[0049] 其中所有的Avalue, Bvalue, Cvalue, Dvalue, Evalue的值由于各個(gè)指標(biāo)的量綱是 不同的，為了使數(shù)據(jù)更加的科學(xué)和合理，將他們?nèi)慷細(xì)w一化為0-1范圍上的值。
[0050] 如圖2所示，蟻群算法將計(jì)算后的結(jié)果以json格式傳遞給前臺(tái)，前臺(tái)（web)通過(guò) 解析json格式的數(shù)據(jù)，用可視化中的平行坐標(biāo)系將蟻群算法跑出來(lái)的帕累托解。
[0051] 本發(fā)明的帕累托解的組成是根據(jù)用戶自定義的目標(biāo)組成的[PFvalue，PAvalue，PB value, PCvalue, FOvalue, PEvalue]，PFvalue代表的是目標(biāo)函數(shù)的最優(yōu)解，但是有時(shí)候并不 是目標(biāo)最優(yōu)就是用戶偏好的最優(yōu)，用戶可能會(huì)根據(jù)某個(gè)維度重新設(shè)置權(quán)重，獲得更好的最 優(yōu)。同時(shí)PFvalue的值在蟻群算法進(jìn)行比較的時(shí)候會(huì)影響信息素的值，各個(gè)參數(shù)的定義如 下：
[0052] PAvalue = condA*Avalue
[0053] PBvalue = condB*Bvalue
[0054] PCvalue = condOCvalue
[0055] PDvalue = condD*Dvalue
[0056] PEvalue = condE*Evalue
[0057] 當(dāng)蟻群算法執(zhí)行結(jié)束之后，我們將根據(jù)計(jì)算出結(jié)果的解進(jìn)行排序，選取出前15% 的記錄，用平行坐標(biāo)坐標(biāo)的方式可視化表示，其中的第一列數(shù)據(jù)表示的整體目標(biāo)PFvalue 是目標(biāo)函數(shù)的最優(yōu)解，即效益最大化，剩下的列是單個(gè)目標(biāo)的最優(yōu)解PAvalue, PBvalue, PC value, FOvalue, PEvalue。PAvalue:人口密度最大化。PBvalue :26_50 歲人口密度最大化。 PCvalue :選擇的點(diǎn)的2000米內(nèi)的賓館數(shù)目最少。rovalue :選擇點(diǎn)的2000米內(nèi)的星級(jí)數(shù) 目小于3顆星的賓館數(shù)目最少。PEvalue :選擇點(diǎn)的周?chē)?500米內(nèi)星級(jí)數(shù)目超過(guò)4顆星的 賓館數(shù)目最多。在圖中可以很明顯的看出多目標(biāo)的帕累托最優(yōu)解跟單目標(biāo)最優(yōu)解之間的關(guān) 系。
[0058] 如圖3所示，計(jì)算的最終結(jié)果得到用蟻群算法找出的目標(biāo)點(diǎn)區(qū)域和相應(yīng)的帕累托 解的表示，最底層表示的是蟻群算法的執(zhí)行歷史，同時(shí)通過(guò)迭代的方式展示出來(lái)，可以看出 算法的收斂性和局部最優(yōu)的問(wèn)題。
[0059] 下面以為本發(fā)明實(shí)施方式的詳細(xì)描述。
[0060] 本發(fā)明主要是基于兩類(lèi)數(shù)據(jù)：地理信息數(shù)據(jù)和統(tǒng)計(jì)數(shù)據(jù)，地理信息數(shù)據(jù)主要是在 從網(wǎng)絡(luò)資訊獲取。例如:http://www. openstreetmap. org/,其中提供了基本的地理信息，包 括邊界、建筑物、交通、娛樂(lè)設(shè)施和支持本發(fā)明需求的基本的數(shù)據(jù)。這些數(shù)據(jù)展示在主要的 地圖上。默認(rèn)顯示的只有建筑物、道路、海、河信息以便于減少信息的過(guò)載。其他的信息只 有當(dāng)需要時(shí)才通過(guò)點(diǎn)擊按鈕可以查看相應(yīng)的信息。
[0061] 統(tǒng)計(jì)信息用于為終端用戶做決策支持。本實(shí)施例收集了一些香港的統(tǒng)計(jì)數(shù)據(jù)，大 部分?jǐn)?shù)據(jù)是來(lái)自香港2011年的人口普查的數(shù)據(jù)，它主要包括詳細(xì)的人口信息、區(qū)域邊界、 收入水平、教育情況等。基于這些統(tǒng)計(jì)數(shù)據(jù)，執(zhí)行蟻群算法為終端用戶進(jìn)行決策支持。
[0062] 在數(shù)據(jù)的預(yù)處理階段，將上述的統(tǒng)計(jì)數(shù)據(jù)分為四類(lèi)：人口、經(jīng)濟(jì)、教育和住房情 況。本發(fā)明中的這些數(shù)據(jù)分別按照兩個(gè)層級(jí)進(jìn)行歸納，即第一個(gè)層級(jí)是區(qū)域總體的情況， 第二個(gè)層別是每個(gè)區(qū)域詳細(xì)的情況。例如：對(duì)于收入的數(shù)據(jù)，第一個(gè)層級(jí)表示的是各個(gè)區(qū) 域收入的中位數(shù)，第二個(gè)層級(jí)的數(shù)據(jù)包括沒(méi)有收入的、月收入不超過(guò)6000元的、月收入在 6000-10000元之間的、月收入在10000-20000元之間的、月收入在20000-30000元之間的和 月收入超過(guò)30000元。這些統(tǒng)計(jì)數(shù)據(jù)和地理數(shù)據(jù)可以共享給終端的用戶。
[0063] 以香港九龍為例作為本發(fā)明實(shí)施的關(guān)鍵地：該地區(qū)共有2. 1百萬(wàn)常駐人口，五個(gè) 大分區(qū)和120個(gè)子分區(qū)。把傳統(tǒng)的地理信息的矢量數(shù)據(jù)根據(jù)經(jīng)緯度劃分成1000*1000的像 素點(diǎn)，所有的數(shù)據(jù)點(diǎn)代表的是地理信息的一個(gè)矢量小方格，為了方便算法運(yùn)行本發(fā)明就用 這個(gè)點(diǎn)來(lái)代表這個(gè)小塊的區(qū)域，都是蟻群算法所能夠執(zhí)行找到的點(diǎn)。
[0064] 對(duì)于一個(gè)用戶來(lái)說(shuō)，解決問(wèn)題主要包含以下幾個(gè)步驟：
[0065] 定義目標(biāo)和約束
[0066] 約束：a.地點(diǎn)在九龍
[0067] b.在300米范圍內(nèi)至少有個(gè)地鐵站
[0068] c.區(qū)域中的人的平均月收入至少在14000元 [0069] 目標(biāo)：a.人口密度最大化
[0070] b. 26-50歲人口密度最大化
[0071] c.選擇的點(diǎn)的2000米內(nèi)的賓館數(shù)目最少
[0072] d.選擇點(diǎn)的2000米內(nèi)的星級(jí)數(shù)目小于3顆星的賓館數(shù)目最少
[0073] e.選擇點(diǎn)的周?chē)?500米內(nèi)星級(jí)數(shù)目超過(guò)4顆星的賓館數(shù)目最多
[0074] f.在選擇點(diǎn)的300米內(nèi)的公交車(chē)站的數(shù)目最多
[0075] g.選擇點(diǎn)離地鐵站的距離最小化
[0076] 增加蟻群算法開(kāi)始時(shí)候的初始解，該步驟具體包括：初始時(shí)刻，在用戶想要探索的 區(qū)域通過(guò)點(diǎn)擊選擇地點(diǎn)，作為蟻群算法的初始探索解；
[0077] 獲取多目標(biāo)優(yōu)化的最優(yōu)方法結(jié)合和利用可視交互來(lái)驗(yàn)證帕累托解，該步驟具體包 括：通過(guò)蟻群算法返回結(jié)果的json數(shù)據(jù)，將帕累托解以平行坐標(biāo)系和改進(jìn)直方圖的效果展 示出來(lái)，方便用戶對(duì)于全局最優(yōu)解和單一最優(yōu)解之間的關(guān)系的探索；
[0078] 調(diào)整一些約束、權(quán)重和初始解直到獲取一個(gè)用戶滿意的方案為止。
[0079] 以上所述，僅為本發(fā)明的較佳實(shí)施例而已，用于幫助理解本發(fā)明的方法及核心思 想，對(duì)于本領(lǐng)域的一般技術(shù)人員，依據(jù)本發(fā)明的思想，在【具體實(shí)施方式】及應(yīng)用范圍上均會(huì)有 改變之處，所以本說(shuō)明書(shū)內(nèi)容不應(yīng)理解為對(duì)本發(fā)明的限制。
【權(quán)利要求】
1. 一種基于蟻群算法的地理信息多目標(biāo)帕累托解的可視方法，利用地理信息數(shù)據(jù)和與 目標(biāo)優(yōu)化相關(guān)的統(tǒng)計(jì)數(shù)據(jù)，用可視分析技術(shù)展示多目標(biāo)優(yōu)化結(jié)果，其特征在于，該方法包括 以下步驟： 步驟一、設(shè)定蟻群算法初始時(shí)刻的位置，該位置即用戶在想要探索的區(qū)域通過(guò)點(diǎn)擊選 擇的地點(diǎn)； 步驟二、設(shè)定目標(biāo)條件和約束條件； 步驟三、設(shè)定單一目標(biāo)和相應(yīng)的權(quán)重； 步驟四、設(shè)定全局的目標(biāo)函數(shù)F， F = MAX(condA*Avalue+condB*Bvalue-condC*Cvalue-condD*Dvalue+condE*Evalue) 其中：condA、condB、condC、condD、condE這些變量的值的范圍是0-1，表示的是用戶限定各 個(gè)單目標(biāo)所占全局目標(biāo)的權(quán)重分布； 步驟五、執(zhí)行改進(jìn)蟻群算法， 步驟六、計(jì)算出帕累托解，帕累托解的組成是根據(jù)用戶自定義的目標(biāo)組成的[PFvalue， PAvalue, PBvalue, PCvalue, FOvalue, PEvalue]，PFvalue 代表的是目標(biāo)函數(shù)的最優(yōu)解，但是 有時(shí)候并不是目標(biāo)最優(yōu)就是用戶偏好的最優(yōu)，用戶可能會(huì)根據(jù)某個(gè)維度重新設(shè)置權(quán)重，獲 得更好的最優(yōu)。同時(shí)PFvalue的值在蟻群算法進(jìn)行比較的時(shí)候會(huì)影響信息素的值，各個(gè)參 數(shù)的定義如下： PAvalue = condA*Avalue PBvalue = condB*Bvalue PCvalue = condOCvalue PDvalue = condD*Dvalue PEvalue = condE*Evalue 當(dāng)蟻群算法執(zhí)行結(jié)束之后，我們將根據(jù)計(jì)算出結(jié)果的解進(jìn)行排序，選取出前15%的記 錄，用平行坐標(biāo)坐標(biāo)的方式可視化表示，用戶可以直觀查看解，同時(shí)再進(jìn)行調(diào)節(jié)參數(shù)重新計(jì) 算。 步驟七、利用可視化交互操作進(jìn)行驗(yàn)證，若所獲得的帕累托解不是理想結(jié)果，則調(diào)整步 驟一至步驟三的設(shè)定值，直至獲得理想結(jié)果。
2. 如權(quán)利要求1所述的基于蟻群算法的地理信息多目標(biāo)帕累托解的可視方法，其特征 在于，所述改進(jìn)蟻群算法，具體包括以下步驟： 用戶在指定的地圖區(qū)域內(nèi)用鼠標(biāo)點(diǎn)選初始螞蟻的位置； 用戶在不同的地方點(diǎn)選了 30只螞蟻的位置后，開(kāi)始執(zhí)行算法： 對(duì)于30只螞蟻，同時(shí)開(kāi)始進(jìn)行尋路，當(dāng)每只螞蟻迭代次數(shù)少于500次時(shí)，重復(fù)執(zhí)行以下 處理，即根據(jù)信息素溶度隨機(jī)出來(lái)的隨機(jī)數(shù)（1，2, 3, 4, 5, 6, 7, 8)，其中每個(gè)數(shù)字代表的是一 個(gè)方向，1代表向上，2代表向右上，3代表向右，4代表向右下，5代表向下，6代表向左下，7 代表向左，8代表向左上； 如果挑選的方向是走不通的，那么重新在挑選一個(gè)方向； 如果挑選的方向是走得通的，判斷螞蟻?zhàn)哌^(guò)的地方是否滿足條件： 若螞蟻?zhàn)哌^(guò)的地方滿足條件，那么更新這塊的信息素+0. 〇〇lf，然后計(jì)算螞蟻的步長(zhǎng)， 以跳出局部極值； 若螞蟻?zhàn)哌^(guò)的地方不滿足條件，那么更新這塊的信息素的值-o. OOlf然后計(jì)算螞蟻的 步長(zhǎng)，以跳出局部極值； 直至迭代次數(shù)超過(guò)500次，算法結(jié)束。
【文檔編號(hào)】G06F17/30GK104156483SQ201410425441
【公開(kāi)日】2014年11月19日 申請(qǐng)日期:2014年8月26日 優(yōu)先權(quán)日:2014年8月26日
【發(fā)明者】張加萬(wàn), 陳輝, 蔣心怡, 康凱 申請(qǐng)人:天津大學(xué)