專利名稱：一種基于克隆選擇算法的線要素化簡方法
技術領域：
本發(fā)明屬于地圖自動綜合技術領域，特別是涉及ー種基于克隆選擇算法的線要素化簡方法。
背景技術：
I、地圖自動綜合技術在地圖制圖過程中，由于地圖的用途、比例尺和制圖區(qū)域的特點等因素的不同，通常需要采取概括、抽象的方法來反映來制圖對象的帶有規(guī)律性的類型特征和典型特點，并舍棄那些對該地圖來說是次要的、非本質的物體，這ー過程即為地圖綜合。有關文獻[I]郭慶勝，黃遠林，鄭春燕，蔡永香.空間推理與漸進式地圖綜合[M].2007.武漢武漢大學出版社。隨著測量數字化和地理信息產業(yè)化的發(fā)展，地圖綜合的自動化需求成為必然。從20世紀60年代發(fā)展至今，地圖自動綜合技術得到了國內外許多學者的關注。有關學者在結構化地圖自動綜合、地圖要素形態(tài)特征自動提取、神經網絡在地圖自動綜合種的應用、道格拉斯算法的改進、地圖目標自動選取模型、基于小波分析和分型的地圖自動綜合、基于三角網的地圖自動綜合、地圖要素自動移位、協同地圖自動綜合、漸進式地形自動綜合等研究工作中取得了大量的研究成果。2、線要素化簡技術由于線要素是在地圖上大量存在的最基本的地圖要素(通常占到占整個地圖要素的80%以上)。因此，針對線要素的自動化綜合方法研究已成為地圖綜合研究領域中一個非常重要的方面。線要素的自動化簡作為線要素綜合的重要手段之一，已得到國內外有關學者的持續(xù)關注，并研究實現了大量自動化算法，為推進地圖綜合的自動化作出了重要貢獻。線要素化簡的目標是保證數據質量和可視化要求的同時，盡可能減少曲線上的點數，并保留關鍵點(包括曲線的端點、極值點、拐點等)。但現有大多算法都是從曲線的幾何特征出發(fā)，進行曲線的綜合，而較少考慮到曲線所表示的地理要素的信息，且各算法基于的曲線特征條件不一。如Veregin通過實驗證明利用D-P(道格拉斯)算法在保證一定的精度條件下可刪除大量的點，但其在保留線的特征和位置誤差、數據質量方面并不理想，特別是當距離閾值較大時。有關文獻[2]Veregin H. Quantifyingpositional error induced Dy line simplification. INT. J. geographical IniormationScience. 2000. 14(2) 113-130。且對現有線要素化簡中的傳統(tǒng)算法進行比較分析，發(fā)現運用于線要素的化簡的算法不同所得結果也有差異。目前，要解決此問題應以協同式的策略為最佳，但從長遠來 看，其趨勢應是向著智能化的方向發(fā)展。因為線要素化簡結果的不唯一性，即解不唯一的特性使得線要素的化簡可最終歸結為部分選取的最優(yōu)化問題，這種方法可平衡線要素化簡過程中多個相互制約的約束條件間的矛盾，以獲取圖形化簡效果最佳的解。近幾年，ー些學者按此思路提出了用最優(yōu)化智能方法解決線要素的化簡問題，用于控制線要素的圖形化簡過程。武芳、鄧紅艷和鄭春燕、郭慶勝等分別依據遺傳算法、蟻群優(yōu)化算法的基本原理和方法，顧及幾何精度的同時保證較高的壓縮率，建立了地圖上線要素的化簡模型。實驗表明這些方法能較好地保持線要素的整體形狀，取得良好的化簡效果。有關文獻[3]武芳，鄧紅艷.基于遺傳算法的線要素自動化簡模型.測繪學報.2003. 32(4) =349-355 ;有關文獻[4]鄭春燕，郭慶勝，胡華科.基于蟻群優(yōu)化算法的線狀目標簡化模型.2011. 40(5)635-638。遺傳算法、蟻群算法的成功應用，說明智能優(yōu)化算法是解決線要素化簡優(yōu)化問題的一個有效途徑。隨著計算機性能的提高，以及并行分布式計算的推廣，智能化算法由于自身的優(yōu)勢越來越受到人們的重視。因此，將智能化算法應用到線要素的自動化簡領域，對于保持線要素的全局特征，有著明顯的優(yōu)勢。
3、克隆選擇算法克隆選擇算法(Clonal Selection)是ー種模擬生物免疫系統(tǒng)中的“克隆選擇”現象的算法，它是人工免疫系統(tǒng)(Artificial Immune System, AIS)中的ー種。其基本思路是將問題的求解過程表示成抗體，把待求解的問題映射為抗原，抗體不斷通過克隆、變異等免疫進化過程，剔除親和度低的抗體，最終找到與抗原親和度最高的抗體即為問題的最終解。采用克隆選擇算法解決問題的基本流程見附圖
I :根據待求解的問題，進行編碼，初始化抗體種群，抗體親和度評價，記憶種群、非記憶種群初始化，然后執(zhí)行克隆選擇過程，包括選擇、克隆、高頻變異、親和度評價、克隆抑制、免疫補充、判斷是否滿足終止條件，不滿足則迭代執(zhí)行克隆選擇過程，直到滿足終止條件時進行解碼，獲得問題的最優(yōu)解?？寺∵x擇算法作為ー種隨機搜索算法，即使搜索空間非常大、非常復雜，克隆選擇算法也能找到全局最優(yōu)解。相對于傳統(tǒng)的搜索算法，克隆選擇算法具有自組織、自適應、自學習性特性；相對于遺傳算法等智能優(yōu)化算法，克隆選擇算法通過引入記憶種群、高頻變異等機制克服了遺傳算法、蟻群算法等進化算法收斂速度慢等不足。因而被廣泛應用于組合優(yōu)化、機器學習、聚類分析、路徑優(yōu)化和資源優(yōu)化配置等領域。有關文獻[5]梁勤歐.人工免疫系統(tǒng)與GIS空間分析應用[M].2011.武漢武漢大學出版社。

發(fā)明內容
針對現有線要素化簡方法的局限性，結合局部捜索算法發(fā)明ー種基于克隆選擇算法的智能化、自動化的線要素化簡方法。不僅為推動線要素化簡的技術方法體系朝著自動化與智能化發(fā)展提供新的思考方向，豐富相關研究的內容與方法。其研究成果也為實際生產中的制圖綜合提供重要的理論指導和技術方法支持。本發(fā)明提供的技術方案是ー種基于克隆選擇算法的線要素化簡方法，其特征在于，包括以下步驟步驟I，計算線要素上各頂點的貢獻值；步驟2，進行編碼，包括設抗體種群規(guī)模為N，每ー個抗體對應ー種線要素化簡方案，抗體的基因位長度為K, K為線要素上頂點的數目，抗體中姆個基因位存儲的值為O或I,O表示相應頂點為刪除點，I表示相應頂點為保留點；設定每個抗體首尾兩個基因位的始終為I ;
采用隨機的方式生成N個抗體，作為初始的抗體種群；以初始的抗體種群為當前的父代種群，進入步驟3;步驟3，對當前的父代種群中每個抗體評價親和度；步驟4，根據步驟3所得親和度高低，對當前的父代種群所含N個抗體進行降序排列，將前M個抗體標記為父代種群中的記憶抗體，剩下的N-M個抗體標記為父代種群中的非記憶抗體；步驟5，從當前的父代種群所含N個抗體中按親和度從高至低選擇出η個抗體作為克隆對象，其中η為預設的參數；步驟6，克隆，包括對步驟5選出的η個抗體進行復制，克隆后所得所有抗體構成ー個新種群；克隆時，抗體的親和度越高，被復制的倍數越大；步驟7，高頻變異，包括對步驟6所得新種群中各個抗體實施高頻率變異，得到變 異后的新種群；高頻變異時，各抗體的每個基因位按照概率Pm隨機確定是否進行變異，若執(zhí)行變異，則對基因位上的數值取反，否則不變；其中，概率Pni根據抗體的親和度動態(tài)計算得到，抗體的親和度越大，則Pni越??；步驟8，局部捜索，得到局部捜索后的新種群；包括對步驟7所得變異后的新種群中的各個抗體進行解碼，計算每個保留點與相鄰兩保留點連線的垂直距離，若垂直距離小于預設的距離閾值，抗體相應基因位的值由I變?yōu)镺 ;計算各刪除點與相鄰兩保留點連線的垂直距離，若垂直距離大于預設的距離閾值，抗體相應基因位的值由O變?yōu)镮 ;步驟9，對步驟8所得局部捜索后的新種群中每個抗體評價親和度；步驟10，克隆抑制，包括將步驟8所得局部捜索后的新種群中所有抗體按照親和度高低進行排序，并依次替換父代種群中親和度低的記憶抗體；步驟11，免疫補充，包括采用隨機的方式生成d個新抗體的臨時種群，計算臨時種群中各抗體的親和度，將臨時種群中的抗體按親和度高低進行降序排列，并依次替換父代種群中親和度低的非記憶抗體；步驟12，終止條件判斷，包括判斷種群當前的進化得到的優(yōu)化結果是否滿足終止條件，若滿足條件，則終止，解碼得到最優(yōu)的線要素化簡結果；否則以步驟10和步驟11對父代種群替換的結果作為當前的父代種群，返回執(zhí)行步驟5，直至滿足終止條件為止；步驟3、步驟9、步驟11中，對某抗體親和度的評價采用以下親和度函數實現，
權利要求
1.一種基于克隆選擇算法的線要素化簡方法，其特征在于，包括以下步驟 步驟I，計算線要素上各頂點的貢獻值； 步驟2，進行編碼，包括設抗體種群規(guī)模為N，每一個抗體對應一種線要素化簡方案，抗體的基因位長度為K, K為線要素上頂點的數目，抗體中每個基因位存儲的值為O或1,0表示相應頂點為刪除點，I表示相應頂點為保留點； 設定每個抗體首尾兩個基因位的始終為I ; 采用隨機的方式生成N個抗體，作為初始的抗體種群；以初始的抗體種群為當前的父代種群，進入步驟3; 步驟3，對當前的父代種群中每個抗體評價親和度； 步驟4，根據步驟3所得親和度高低，對當前的父代種群所含N個抗體進行降序排列，將前M個抗體標記為父代種群中的記憶抗體，剩下的N-M個抗體標記為父代種群中的非記憶抗體； 步驟5，從當前的父代種群所含N個抗體中按親和度從高至低選擇出n個抗體作為克隆對象，其中n為預設的參數； 步驟6，克隆，包括對步驟5選出的n個抗體進行復制，克隆后所得所有抗體構成一個新種群；克隆時，抗體的親和度越高，被復制的倍數越大； 步驟7，高頻變異，包括對步驟6所得新種群中各個抗體實施高頻率變異，得到變異后的新種群；高頻變異時，各抗體的每個基因位按照概率Pm隨機確定是否進行變異，若執(zhí)行變異，則對基因位上的數值取反，否則不變； 其中，概率Pm根據抗體的親和度動態(tài)計算得到，抗體的親和度越大，則Pm越??； 步驟8，局部搜索，得到局部搜索后的新種群；包括對步驟7所得變異后的新種群中的各個抗體進行解碼，計算每個保留點與相鄰兩保留點連線的垂直距離，若垂直距離小于預設的距離閾值，抗體相應基因位的值由I變?yōu)? ;計算各刪除點與相鄰兩保留點連線的垂直距離，若垂直距離大于預設的距離閾值，抗體相應基因位的值由0變?yōu)镮 ; 步驟9，對步驟8所得局部搜索后的新種群中每個抗體評價親和度； 步驟10，克隆抑制，包括將步驟8所得局部搜索后的新種群中所有抗體按照親和度高低進行排序，并依次替換父代種群中親和度低的記憶抗體； 步驟11，免疫補充，包括采用隨機的方式生成d個新抗體的臨時種群，計算臨時種群中各抗體的親和度，將臨時種群中的抗體按親和度高低進行降序排列，并依次替換父代種群中親和度低的非記憶抗體； 步驟12，終止條件判斷，包括判斷種群當前的進化得到的優(yōu)化結果是否滿足終止條件，若滿足條件，則終止，解碼得到最優(yōu)的線要素化簡結果；否則以步驟10和步驟11對父代種群替換的結果作為當前的父代種群，返回執(zhí)行步驟5，直至滿足終止條件為止； 步驟3、步驟9、步驟11中，對抗體親和度的評價采用以下親和度函數實現， Nr F = i=l_Nr + Nd 式中，隊表示線要素所有的保留點個數，Ii表示線要素上第i個保留點的貢獻值；Nd表示線要素上所有的保留點中應刪除的個數，通過局部搜索得到應刪除的保留點個數，局部搜索實現方式為，通過解碼抗體，沿線要素的方向依次遍歷并計算各保留點與相鄰兩保留點連線的垂直距離，判斷垂直距離是否小于預設的距離閾值，若是則判斷為應刪除的保留點。
2.如權利要求I所述基于克隆選擇算法的線要素化簡方法，其特征是步驟12中，終止條件為滿足以下三種條件任一， (一)達到設定的最大進化代數； (二)達到設定的最長執(zhí)行時間； (三)進化陷入停滯；當連續(xù)y代與上一代的抗體種群最高親和度差值都小于預設的閾值時認定進化陷入停滯，y為預設的自然數。
全文摘要
本發(fā)明涉及一種基于克隆選擇算法的線要素化簡方法，充分利用克隆選擇算法在優(yōu)化問題求解方面的優(yōu)勢，將克隆選擇算法引入線要素化簡問題的求解；根據線要素化簡問題的特點，設計了克隆選擇算法親和度函數和約束條件，構建了適用于線要素化簡的克隆選擇算法模型；將局部搜索算法與克隆選擇算法結合，充分利用克隆選擇算法的全局搜索能力和局部搜索算法的局部優(yōu)化能力，提高線要素化簡的精度和算法性。本發(fā)明不僅為推動線要素化簡的技術方法體系朝著自動化與智能化發(fā)展提供新的思考方向，豐富相關研究的內容與方法。其研究成果也為實際生產中的制圖綜合提供重要的理論指導和技術方法支持。
文檔編號G09B29/00GK102708405SQ20121011814
公開日2012年10月3日 申請日期2012年4月20日 優(yōu)先權日2012年4月20日
發(fā)明者趙翔, 郭慶勝, 馬瀟雅 申請人:武漢大學