[理学]蚁群智能与空间优化.pptVIP

蚁群智能与GIS结合的论文 Li X, Chen Y M, Liu X P, Li D, He J Q. Forthcoming. Concepts, methodologies, and tools of an integrated Geographical Simulation and Optimization System (GeoSOS). International Journal of Geographical Information Science. XX(7), XX – 857 (SCI论文) Li X, Lao C H, Liu X P, Chen Y M. Forthcoming. Coupling urban cellular automata with ant colony optimization for zoning protected natural areas under a changing landscape. International Journal of Geographical Information Science. XX(7), XX – 857 (SCI论文) Li X, He J Q, Liu X P. 2009. Ant intelligence for solving optimal path-covering problems with multi-objectives. International Journal of Geographical Information Science. 23(7), 839 – 857 (SCI论文) Li X, He J Q, Liu X P. 2009. Intelligent GIS for solving high-dimensional site selection problems using ant colony optimization techniques. International Journal of Geographical Information Science. 23(3-4), 399-416. (SCI论文) 地理模拟优化系统GeoSOS 谢谢大家！ * 信息素子模型 放大这八个栅格之间信息的差别 选择区域内信息素的最大值，而不是每个区域内的栅格平均值信息素浓度来引导。 方向子模型 在不过分增加路径长度的同时，使蚂蚁构造的路径尽可能的经过那些人口密度大的区域。引导蚂蚁往权重值大的栅格旁边或者本身经过。 另外加入一个目的地引导引子，引导蚂蚁向目的地靠拢，最终到达目的地。 以上两者通过右图的方式共同构成引导函数 禁忌表更新策略 禁忌表用来保存蚂蚁经过的栅格。 禁忌表用来防止蚂蚁再走已走过的路径及已走过路径覆盖的区域，保证解的初步优良性，重复覆盖的路径一般是比较差的结果。 信息素更新策略 蚂蚁在经过的地方留下信息素，以引导后续蚂蚁的行走，这是蚁群算法的灵魂所在。 对于每个栅格，保留经过其最好路径的适应度值 更新信息素时，按这个最优适应值进行更新 为防止过快收敛而进入局部搜索，按以下小窗口的方式更新。 假定F5F4F1F8F7F9F2F6F3中对前三个栅格进行更新信息素，则只对第5、4、1三个栅格更新信息素。 栅格路径后处理 在蚂蚁构造一条完整的路径后，对路径进行后处理，后处理主要冗余栅格的去除下图和路径的拉伸。 冗余去除 路径拉伸 模型验证及实验结果 a,b 理想数据 c 广州市真实数据 模型参数确定 Iteration Ants α β ρ Rcov r 200 20 2 1 0.9 10 3 模型使用的参数 优化结果 理想数据a 理想数据b 广州数据 适应度变化 蚁群算法在路径的优化过程中能较好的收敛 运行200次时，平均适应度值和最大适应度值的变化情况 与传统蚁群算法对比 传统蚁群算法 改进的蚁群算法 Application of ACO Pheromone updating and optimal path finding 正向与反向路径对比 表明所设计的模型具有较强的稳健性。 正向 反向 与Dijkstra算法对比 Dijkstra算法 Dijkstra算法（缓冲） 适应度值比较 本方法明显优于Dijkstr算法。 空间优化问题与蚁群智能 1 基于蚁群智能的点状地物优化（设施选址） 2 基于蚁群智能的线状地物优化 3 基于蚁群智能的面状地物优化 4 结论及展望 5 面状物体优化 应用范围 生态保护区 自然保护区 农田保护区 公园学校 其它面状物体的选址 面状物体优化 单个面状地块 公园，学校占据一定面积的实体等 确定其边界 多个面状地块 农田保护区 确定面状地块的个