CN100504924C

CN100504924C - 基于多分辨率处理的多观察点设置方法

Info

Publication number: CN100504924C
Application number: CNB2007100032303A
Authority: CN
Inventors: 吕品; 李磊; 张金芳; 鲁敏; 李原野
Original assignee: Institute of Software of CAS
Current assignee: Institute of Software of CAS
Priority date: 2007-02-02
Filing date: 2007-02-02
Publication date: 2009-06-24
Anticipated expiration: 2027-02-02
Also published as: CN101017571A

Abstract

本发明提供了基于多分辨率处理的多观察点设置方法，对于特定的地形块，首先进行多分辨率处理得到不同分辨率的地形数据。对于特定地形块上给定的观察点个数，首先基于该地形块的最低分辨率地形数据使用基于人工智能算法的多观察点设置方法得到在该分辨率数据上的观察点集合；再以所得到的观察点为初始值，采用双线性插值的方法找到其对应的高一级分辨率地形数据上的对应位置，重新使用基于人工智能算法的多观察点设置方法，在低一级分辨率地形数据上得到的初始值基础上计算在较高分辨率数据上的观察点集合。照此方法，直至得到基于原始分辨率地形数据下的观察点位置。本发明方法在保证问题解决准确性的前提下，有效地缩短了解决问题所消耗的时间。

Description

基于多分辨率处理的多观察点设置方法

技术领域

本发明属于地形分析技术领域，具体涉及一种基于多分辨率处理的能够快速寻找到地形上最有利的观察点的方法。

背景技术

地形可视性分析(Terrain Visibility Analysis)是运用计算几何原理和计算机图形学技术解决地形上观察点集合的可视性问题的方法和技术。在给定观察点性质(人，转发站等)条件下，该观察点在其视线可达范围内的可见区域构成该观察点的视域。

地形可视性分析中的观察点设置问题是指对于一块地形区域，寻找尽可能少的观察点，使它们的联合视域覆盖该地形区域中一定比率的面积。基于地形可视性分析的多观察点最优部署是指对于指定区域，在给定观察点性质(目视，雷达等)和可视范围的条件下，寻找尽可能少的观察点，使它们的联合视域覆盖最大侦察区域。多观察点最优设置是地形分析的一项重要内容，许多应用可以归结为观察点设置问题，例如电信基站选址，濒危动物保护观察站设置，最佳风力发电位置选择等等，在民用上的典型应用是无线基站位置选取。

最传统的解决方法是采用沙盘或电子沙盘，凭经验来选址。随着计算机技术的发展应用，解决最优观察点设置问题的方法基本上都是基于对真实地形离散化采样后的数据进行计算机仿真分析。这些数据根据格式不同分为两类——不规则三角形网(Triangulated Irregular Network，TIN)和规则正方形格网(Regular SquareGrid，RSG)，后者由于地形离散采样点之间间隔固定便于进行分析与计算而被广泛应用于观察点设置分析中。这些仿真分析也基本上都是采用贪婪算法，即通过比较所有观察点组合的联合视域，从中找到最佳的观察点组合。这种方法的一个最大的缺点是其计算量随着问题复杂程度的增大呈指数级增长，远远超出现有计算机的计算能力，因此不能够实用化。

为解决计算量过大这一问题，Franklin W.提出了将大地形分块然后进行迭代求解(Franklin，W.R.and Vogt，C.，2004.Efficient Multiple Observer Sitingon Large Terrain Cells，GIScience 2004 Third International Conference onGeographic Information Science.University of Maryland Conference Center，USA.)；Rana提出了基于地形特征的待选观察点集合概念，通过只比较满足一定地形特征(如山脊，制高点等)的观察点集合来达到减少计算量的目的(Rana，S.，2003.Fast approximation of visibility dominance using topographic features astargets and the associated uncertainty，Photogrammetric EngineeringandRemote Sensing，69(8)，881-888.)；Kim Y.H.提出了基于人工智能算法的解决办法，例如使用模拟退火算法(Simulated Annealing Algorithms，SA)和遗传算法(Genetic Algorithms，GA)(Kim，Y.H.，Rana，，S.，Wise，S.，2004.Exploring multiple viewshed analysis using terrain features andoptimisation techniques.Computers and Geosciences，30(9-10)，pp.1019-1032.)。这些方法虽然很大程度上减少了计算量，使问题的解决变为可能，然而对于一些问题规模较大或是需要实时解决的场合，这些方法的仿真效率仍然很低，例如在400*400数据点的地形上设置两个观察点共耗时1.14小时(4104秒)。

上述解决方法都是着眼于减少待比较的观察点组合数量来提高仿真效率的，而忽略了影响问题复杂程度的一个十分重要的因素——地形数据的大小，也就是地形数据的格网点数n。通常情况下，地形被建模为一个2.5维的表面模型，即地形数据只反映地球表面特征信息。对这个表面模型进行数字化处理，即采用有限个数的地表采样点来反映连续的地形表面信息。具体到地形可视性分析领域，主要涉及地表采样点之间的位置信息，水平方向相临的两采样点之间的间隔则称之为分辨率。对于相同的地形区域，采用不同大小的数据(即不同的分辨率)其问题复杂程度有很大的差别。

另外，对于经典的模拟退火算法而言，它是基于Monte Carlo迭代求解策略的一种随机寻优算法，其出发点是基于物理退火过程与组合优化之间的相似性。模拟退火算法由某一较高初温开始，利用具有概率突跳特性的Metropolis抽样策略在待选观察点组合中进行随机搜索，伴随温度的不断下降重复抽样过程，最终得到问题的全局最优解。经典的模拟退火算法中，新状态产生函数，新状态接受函数，退温函数，抽样稳定准则和退火结束准则以及初始温度是直接影响算法优化结果的主要环节。在给定地形数据和观察点个数的条件下，随机选择满足个数的观察点作为当前最佳观察点组合，计算它们的联合视域覆盖范围(通过状态函数求得，经典模拟退火算法中没有给出具体的函数形式，需要根据问题自行确定)。在初始退火温度t₀下，将每个当前最佳观察点在以各自位置为中心R为半径(R和t₀成正比)的范围内随机变换位置，得到一组新的观察点，计算这组新观察点的联合视域覆盖范围，如果大于上一次的值则马上接受这组观察点为当前最佳观察点组合，如果不是，则随机生成一个数，该数在0和1之间，如果该数大于0.5则也接受这组观察点位置为当前最佳观察点组合，否则认为当前最佳观察点组合不变。在这个退火温度下，不断重复上述工作，直到有N次(N事先确定)都出现了当前最佳观察点组合不变的情况，这时进入下一个退火温度t_k其中t_k＝t₀·λ^k，0<λ<1，λ为退温系数。重复进行上述操作直到t_k小于一个给定的值，这时候的当前最佳观察点组合就是最终解。模拟退火算法的实验性能具有质量高、初值鲁棒性强、通用易实现的优点。但是，为了寻找到最优解，算法通常要求较高的初温、较慢的降温速率、较低的终止温度以及各温度下足够多次的抽样，因而模拟退火算法往往优化过程较长，从而制约了该算法在解决多观察点设置问题的应用。

综上，现有的解决多观察点设置问题的方法主要有两类。一类是通过限制观察点所在位置(例如山脊，高地等)来减少需比较的观察点组合；另一类是通过引入人工智能算法(例如模拟退火算法，遗传算法等)通过比较少数观察点组合得到近似全局最优解来达到提高仿真效率的目的。上述两种方法主要是从如何减少待比较的观察点组合数量的角度来实现问题解决的可行性的。但是从问题的复杂性分析可以清楚的看到，影响问题解决可行性的一个很大的因素是地形数据的大小对同样一块地形，在不同分辨率的地形数据上进行多观察点设置的仿真计算复杂性差异巨大。所以，从地形数据角度分析和解决多观察点设置问题，提高问题解决的可行性和效率的潜力是巨大的。

发明内容

为了克服计算上的效率问题，本发明提出了一种基于对地形数据进行多分辨率处理的采用人工智能算法的多观察点优化设置的办法，在保证精度的前提下，在求解最优观察点组合的时间上明显优于现有的基于人工智能算法的解决办法，使得通过计算寻找多观点优化位置成为了一项实用技术。

本发明的技术方案如下：

基于多分辨率处理的多观察点设置方法，包括以下步骤：

一、根据需要设置的观察点的个数n和实际处理的地形大小将地形分为K等块，则每块内观察点个数为n/K，n能被K整除。为方便计算，K可以取2的整数幂。

二、随机在每个地形块中选择n/K个观察点，并计算所有观察点的视域以及视域合并后的可视覆盖范围。

三、以第二步得到的每个地形块中观察点、观察点的视域以及视域合并后的可视覆盖范围作为初始状态，采用人工智能算法分别求出每个地形块中的最佳观察点组合，每个地形块的观察点的变化限制在该地形块内部，由此即可得到近似全局的观察点设置。本步骤中，所述每个地形块中的最佳观察点组合是通过如下方法得出的：

首先对所述地形块进行地形多分辨率处理，得到该地形块的不同分辨率的地形数据；从分辨率最低的地形数据开始，重复进行如下操作，直至得到该地形块基于原始分辨率地形数据下的最佳观察点位置：

采用人工智能算法获得所述地形块基于低一级分辨率地形数据上的最佳观察点集合，并以所得到的最佳观察点为初始值，采用双线性插值的方法找到其对应的高一级分辨率地形数据上的对应位置，在低一级分辨率地形数据上得到的初始值基础上得到高一级分辨率数据上的最佳观察点集合。

所述的人工智能算法可以是模拟退火算法或者遗传算法。模拟退火算法还可以进行改进，改进后的算法具有如下新的状态函数和退温函数：

(a)状态函数为

，其中

f (o_{i}) = \frac{1}{\underset{i = 1,2, \cdot \cdot \cdot, n / K}{\cup} v (o_{i})},

v(o_i)是观察点集合o_i的视域。g(o_i)是与观察点集合中观察点之间平均距离成反比的惩罚函数。

(b)退温函数为

{t'}_{k} = [\begin{matrix} c \cdot {({t_{k}}^{α})}^{1 / γ} & t_{k} < = 0.5 \\ {[1 - c \cdot {(1 - t_{k})}^{α}]}^{1 / γ} & t_{k} > 0.5 \end{matrix}],

其中c＝1/[2·(0.5)^a]，t_k＝t₀·λ^k，t₀为初始温度，t_k为经过k步退温后达到的温度，λ为退温系数，0<λ<1，λ、α、γ的取值根据对退温过程的控制需要而设定。

进一步，上述的基于多分辨率处理的多观察点设置方法，所述进行地形多分辨率处理可以采用如下方法：设地形的格网点数为N*N

(a)对原始地形进行离散余弦变换，得到变换矩阵A；

(b)抽取矩阵A的前N/r行和N/r列，组成矩阵B；

(c)对矩阵B进行离散余弦反变换得到分辨率为原始地形1/r的地形；

(d)对不同的取值r，重复操作(a)、(b)、(c)得到不同分辨率的地形数据。

上述的状态函数和退温函数是发明人经过艰辛的研究设计出来的，以下将详细描述新的状态函数和退温函数是如何设计出来的。

发明人首先测定观察点之间距离与联合视域覆盖率的平均增加值的变化关系，这一研究是基于水平方向2米、垂直方向0.5米精度的DEM(数字高程模型)数据的基础上的。发明人选取了六组不同特征的地形块作为测试样本，分别代表最典型的五种地形：平原、丘陵、峡谷、山脉以及一种混合多种地形特征的复杂地形。地形数据采样点数为1024×1024，样本统计指标如表1所示。

表1：地形样本的统计指标

	高程最小值	高程最大值	高程平均值	高程方差
	高程最小值	高程最大值	高程平均值	高程方差	样本1	693.1	794.2	712.2	84.28
样本2	939.3	2531.5	1731.2	250.34	样本1	693.1	794.2	712.2	84.28
样本2	939.3	2531.5	1731.2	250.34	样本3	1197.6	2452.1	1636.8	470.6
样本4	250.0	461.3	364.4	1272.6	样本3	1197.6	2452.1	1636.8	470.6
样本4	250.0	461.3	364.4	1272.6	样本5	2153.5	2570.1	2372.7	2030.2
样本6	930.4	2481.7	2023.6	3677.1	样本5	2153.5	2570.1	2372.7	2030.2

具体的测定方法是：对某一个测试样本地形，随机选取一个观察点，计算其视域覆盖范围。然后在该观察点所在的地形块内随机选取一个观察点，计算两个观察点的联合视域覆盖范围，并求出联合视域的增加值，重复同样的过程50000次，计算两观察点X和Y方向的平均距离和联合视域覆盖率的平均增加值之间的变化关系。对所有六块地形重复上述操作，制作变化曲线，得到的结果见图2。找出曲线上变化率大的区间，作为模拟退火函数设计的依据。从图2可知，若观察点之间的距离过近则会降低所有观察点视域合并后的总视域覆盖范围，所以新状态函数的设计应当同时考虑观察点视域合并后的总体视域范围和观察点之间的距离。因此，改进的模拟退火算法的新状态函数包含两部分：

O_i表示由n/K个观察点组成的观察点集合。考虑到模拟退火算法得到的结果是解空间中的最小值，所以新状态函数中的

f (o_{i}) = \frac{1}{\underset{i = 1,2, \cdot \cdot \cdot, n / K}{\cup} v (o_{i})},

即为所有当前观察点总体视域范围的倒数，其中v(o_i)为观察点集合O_i的视域。而g(o_i)为与观察点之间距离相关的惩罚函数，可由两部分组成：与分块内部各观察点之间平均距离成反比的惩罚函数g₁(o_i)，和与相临分块之间各观察点之间平均距离成反比的惩罚函数g₂(o_i)。若观察点之间平均距离越小，则惩罚函数值越大，产生的效果是在这种情况下得到的新解则越不容易被接受，因此新的状态函数避免了观察点设置“聚集”的情况的产生。

发明人对退温函数也进行了新的设计。根据图2所示的观察点之间距离和覆盖率增量之间的变化关系，解决多观察点最优位置设置问题应采取的退温策略是在延长高温状态持续时间的同时，缩短低温状态的持续时间。为此，引入温度控制调节函数调制指数退温函数t_k，得到新的退温函数

{t'}_{k} = \{\begin{matrix} c \cdot {({t_{k}}^{α})}^{1 / γ} & t_{k} < = 0.5 \\ {[1 - c \cdot {(1 - t_{k})}^{α}]}^{1 / γ} & t_{k} > 0.5 \end{matrix},

其中c＝1/[2·(0.5)^a]，t_k＝t₀·λ^k，0<λ<1，λ、α、γ的具体取值根据对退温过程的控制设定。

关于λ、α、γ的具体取值，可以根据对退温过程的控制需要(即设定各种边界条件)计算得出。举例如下：

为达到控制退温过程的目的，引入边界条件：

边界条件1：设经典退火算法中第k₁步退温到初始温度的70％，则在新的退温过程中达到同样的状态时的退火步数为2·k₁；

边界条件2：设经典退火算法中第k₂步退温到初始温度的10％，则在新的退温过程中达到同样的状态时的退火步数为k₂/2。

根据边界条件1和2，可解得α/γ≈3.98。

设α/γ＝β可以证明

\lim_{γ &RightArrow; \infty} {k_{\max} | t_{k_{\max}} = t_{0}} = \log 1 / \begin{matrix} 2^{β} \\ λ^{β} \end{matrix},

其中k_max为在退火过程中保持退火初温的最大步数，如表2。

表2：不同退火系数退下退火温度保持初温的最大步数

λ	0.5	0.6	0.7	0.8	0.9
λ	0.5	0.6	0.7	0.8	0.9	k<sub>max</sub>	1	1.35	1.9	3.1	6.6

进一步引入边界条件3：设退火过程中在k_max步时的退火温度为初温的80％可以解得不同退火系数条件下对应的α和γ，如表3。

表3：满足三条边界条件时对应不同退火系数下的α和γ

λ	0.5	0.6	0.7	0.8	0.9
λ	0.5	0.6	0.7	0.8	0.9	α	11.43	10.81	9.09	11.43	12.06
γ	2.86	2.70	2.27	2.86	3.03	α	11.43	10.81	9.09	11.43	12.06

本发明的优点和积极效果：

考虑到地形数据的大小是影响问题复杂程度的一个十分重要的因素，对于相同的地形区域，采用不同大小的数据(即不同的分辨率)其问题复杂程度有很大的差别。因此，本发明首先在分析了地形分辨率和问题解决准确度之间关系的基础上，提出了一种基于多分辨率地形格网数据的多观察点设置的优化解决方法。即对于特定的地形块，先进行地形多分辨率处理，得到不同分辨率的地形数据。对于该特定地形块上给定的观察点个数，首先基于该地形块的最低分辨率地形数据使用基于人工智能算法的多观察点设置方法得到在该分辨率数据上的最优观察点集合(图1中初始较优结果)。再以所得到的最优观察点为初始值，采用双线性插值的方法找到其对应的高一级分辨率地形数据上的对应位置，重新使用基于人工智能算法的多观察点设置方法，在前面低一级分辨率地形数据上得到的初始值基础上计算在这一较高分辨率数据上的最优观察点集合(图1中中间次优结果)。按照此方法，从分辨率较低的地形数据开始，直至得到该地形块基于原始分辨率地形数据下的最优观察点位置(图1中最终最优结果)。本发明的方法在保证问题解决准确性的前提下，有效地缩短了解决问题所消耗的时间，实现了平衡多观察者设置问题计算准确度和计算时间两者之间的关系的目的。

另外，在此基础上，本发明从目标函数和退温函数两个方面对经典的模拟退火算法进行了与问题相关的改进。改进的模拟退火算法中目标函数的设计充分考虑了观察点之间距离对联合视域覆盖的影响，新的目标函数结合分块搜索的引入避免了在问题解决过程中搜索到大量无效的观察点组合，从而提高了搜索效率；改进算法的退温函数的设计则充分考虑到多观察点设置问题中不同的搜索温度在解决问题过程中的重要性，从而引入一种新的退温策略，在不影响问题解决准确程度的基础上缩短了问题解决时间。基于改进模拟退火算法的多观察点设置解决方案克服了基于传统模拟退火算法的设置方案效率低下，不能应用于实际的缺点。

发明人使用多分辨率处理(MRP)和传统模拟退火算法(SA)相结合的方法，针对6个地形样本数据，设置不同的观察点个数，和单纯使用传统模拟退火算法(SA)进行比较，观察点高度设定为1.6m，退温参数λ＝0.9，观察点的视域半径为256个地形采样点间隔，得到的实验结果如图6和图7所示。从实验结果可以看到，基于传统模拟退火算法(SA)和多分辨率处理(MRP)相结合的方法解决多观察者最优设置问题，时间效率提高2-3倍，精度损失在2％以内。并且随着问题复杂程度的增加(观察点数量增加，观察点的视域半径增加)，在确保计算精度的前提下，时间效率的提高将更加显著。

发明人使用多分辨率处理(MRP)和改进后的模拟退火算法(ISA)相结合的方法，针对6个地形样本数据，设置不同的观察点个数，和单纯使用模拟退火算法(SA)进行比较，观察点高度设定为1.6m，退温参数λ＝0.9，观察点的视域半径为256个地形采样点间隔，得到的实验结果如图3和图4所示。从实验结果可以看到，基于改进后的模拟退火算法(ISA)和多分辨率处理(MRP)相结合的方法解决多观察者最优设置问题，时间效率提高15-20倍，精度损失在2％以内。并且随着问题复杂程度的增加(观察点数量增加，观察点的视域半径增加)，在确保计算精度的前提下，时间效率的提高将更加显著。

附图说明

图1是采用本发明的方法(MRP+ISA)进行多次逼近求解方案的过程图；

图2是观察点之间距离与联合视域覆盖率的平均增加值的变化关系图；

图3是本发明的方法(MRP+ISA)与传统的采用模拟退火算法(SA)的方法的视域覆盖率和耗时比较，64个观察点；

图4是本发明的方法(MRP+ISA)与传统的采用模拟退火算法(SA)的方法的视域覆盖率和耗时比较，128个观察点；

图5是本发明的方法(ISA)与采用传统模拟退火算法(SA)的退火温度与退火次数比较图。

图6是本发明的方法(MRP+SA)与传统的采用经典模拟退火算法(SA)的方法的视域覆盖率和耗时比较，8个观察点；

图7是本发明的方法(MRP+SA)与传统的采用经典模拟退火算法(SA)的方法的视域覆盖率和耗时比较，64个观察点。

具体实施方式

需要处理的地形是：地形样本1，格网点数1024*1024

需要设置的观察点个数为：64个

退火系数λ＝0.9

第一步，根据需要设置的观察点的个数N和实际处理的地形大小将地形分为8等块每块内观察点个数为64/8＝8。

第二步，随机在每个地形块中选择8个观察点，并计算所有观察点的视域以及视域合并后的可视覆盖范围。

第三步，以第二步得到的结果作为初始状态，采用改进后的模拟退火算法分别求出每个地形块中的最佳观察点组合，每个地形块的观察点的变化限制在该地形块内部。由此即可得到近似全局的观察点设置。

改进的模拟退火算法，具有如下新的状态函数和退温函数：

(a)状态函数为

其中

f (o_{i}) = \frac{1}{\underset{i = 1,2, \cdot \cdot \cdot 8}{\cup} v (o_{i})},

v(o_i)是观察点集合o_i的视域。g(o_i)是与观察点集合中观察点之间平均距离成反比的惩罚函数。g(o_i)＝g₁(o_i)+g₂(o_i)，其中，g₁(o_i)是与分块内部各观察点之间平均距离成反比的惩罚函数，g₂(o_i)是相临分块之间各观察点之间平均距离成反比的惩罚函数，本实施例中

g_{1} (o_{i}) = \frac{2 R}{{AVD}_{1} (o_{i})}, i = 1,2, \cdot \cdot \cdot, 8

g_{2} (o_{i}) = \frac{2 R}{{AVD}_{2} (o_{i})}, i = 1,2, \cdot \cdot \cdot, 8,

其中AVD₁(O_i)为分块内部各观察点之间平均距离，AVD₂(O_i)为相临分块之间各观察点之间平均距离，R为单一观察点的视域半径。

(b)根据退火系数λ＝0.9从退温函数参数表(表3)中查找对应的退温函数的参数α和γ，得到一个具体的退温函数

{t'}_{k} = {\{\begin{matrix} {(2048.12 \cdot ({t_{k}}^{12.06}))}^{1 / 3.03} & t_{k} \leq 0.5 \\ {[1 - 2048.12 \cdot {(1 - t_{k})}^{12.06}]}^{1 / 3.03} & t_{k} > 0.5 \end{matrix}}_{, t_{k} = t_{0} \cdot λ^{k}} .

该地形上的最佳观察点组合是通过下述方法得到的：

先对原始地形数据进行地形多分辨率处理，得到不同分辨率的地形数据，也就是说将涉及到的地形区域进行逐级粗粒度滤波，形成不同精度的地形模型。

以分辨率降为原始地形分辨率1/2为例，地形多分辨率处理是采用离散余弦变换的方法处理地形数据，包括以下操作：

(a)对原始地形进行离散余弦变换得到变换矩阵A。

(b)抽取矩阵A的前512行和512列，组成矩阵B。

(c)对矩阵B进行离散余弦反变换得到分辨率为原始地形1/2的地形。

再以步骤(c)得到的分辨率为原始地形1/2的地形为原始地形，重复进行上述a)b)c)操作，得到地形分辨率为原始值1/4的一块新地形数据。依此类推，得到地形分辨率为原始值1/8的一块新地形数据。

首先基于该地形块的1/8分辨率地形数据使用改进模拟退火算法得到在该分辨率数据上的最优观察点集合。再以所得到的最优观察点为初始值，采用双线性插值的方法找到其对应的1/4分辨率地形数据上的对应位置，重新使用改进模拟退火算法在得到的观察点对应位置的基础上计算在1/4分辨率数据上的最优观察点集合。按照此方法，直至得到该地形块基于原始分辨率地形数据下的最优观察点位置。

图5中，实线曲线为经典模拟退火算法在退火系数为0.9时退火温度和退火循环次数的关系(函数t_k＝(0.9)^k关系，横轴表示k，纵轴表示t_k)，虚线曲线是对应相同退火系数条件下改进模拟退火算法的退火温度和退火循环次数的关系(函数

{t'}_{k} = {\{\begin{matrix} {(2048.12 \cdot ({t_{k}}^{12.06}))}^{1 / 3.03} & t_{k} = {(0.9)}^{k} \leq 0.5 \\ {[1 - 2048.12 \cdot {(1 - t_{k})}^{12.06}]}^{1 / 3.03} & t_{k} = {(0.9)}^{k} > 0.5 \end{matrix}}_{_{}_{}^{}}

关系。横轴表示k，纵轴表示由图5可以看出，在相同的退火系数情况下，改进算法在高温时

的历经时间k大于传统算法在高温时(t_k>0.7)的历经时间k，而在低温时则恰恰相反。

Claims

1.基于多分辨率处理的多观察点设置方法，其特征在于包括以下步骤：

(1)根据需要设置的观察点的个数n和实际处理的地形大小将地形分为K等块，则每块内观察点个数为n/K，n能被K整除；

(2)随机在每个地形块中选择n/K个观察点，并计算所有观察点的视域以及视域合并后的可视覆盖范围；

(3)以步骤(2)得到的每个地形块中观察点、观察点的视域以及视域合并后的可视覆盖范围作为初始状态，采用人工智能算法分别得出每个地形块中的最佳观察点组合，每个地形块的观察点的变化限制在该地形块内部；由此得到全局的观察点设置；所述每个地形块中的最佳观察点组合是通过如下方法得出的：

对所述地形块进行地形多分辨率处理，得到该地形块的不同分辨率的地形数据；从分辨率最低的地形数据开始，重复进行如下操作，直至得到该地形块基于原始分辨率地形数据下的最佳观察点位置：

获得所述地形块基于低一级分辨率地形数据上的最佳观察点集合，并以所得到的最佳观察点为初始值，采用双线性插值的方法找到其对应的高一级分辨率地形数据上的对应位置，然后以得到的这些位置为初始值再次应用人工智能算法获得所述地形块基于高一级分辨率数据上的最佳观察点集合；

所述步骤(3)中采用的人工智能算法为模拟退火算法，所述的模拟退火算法具有如下的状态函数和退温函数：

状态函数为：

其中

f (O_{i}) = \frac{1}{\underset{i = 1,2, \cdot \cdot \cdot, n / K}{\cup} v (O_{i})},

v(o_i)是观察点集合o_i的视域，g(o_i)是与观察点集合中观察点之间平均距离成反比的惩罚函数；

退温函数为：

{t'}_{k} = \{\begin{matrix} c \cdot {({t_{k}}^{α})}^{1 / γ} & t_{k} < = 0.5 \\ {[1 - c \cdot {(1 - t_{k})}^{α}]}^{1 / γ} & t_{k} > 0.5 \end{matrix},

其中c＝1/[2·(0.5)^α]，t_k＝t₀·λ^k，t₀为初始温度，t_k为经过k步退温后达到的温度，λ为退温系数，0<λ<1，λ、α、γ的取值根据对退温过程的控制需要而设定。

2.如权利要求1所述的基于多分辨率处理的多观察点设置方法，其特征在于，所述步骤(3)中进行地形多分辨率处理的方法具体如下：设原始地形的格网点数为N*N，

(a)对原始地形进行离散余弦变换，得到变换矩阵A；

(b)抽取矩阵A的前N/r行和N/r列，组成矩阵B；

3.如权利要求2所述的基于多分辨率处理的多观察点设置方法，其特征在于，所述步骤(1)中将地形分成的块数K为2的整数幂。

4.如权利要求2所述的基于多分辨率处理的多观察点设置方法，其特征在于，所述步骤(3)中的退温函数中，λ＝0.5，α＝11.43，γ＝2.86；或者λ＝0.6，α＝10.81，γ＝2.70；或者λ＝0.7，α＝9.09，γ＝2.27；或者λ＝0.8，α＝11.43，γ＝2.86；或者λ＝0.9，α＝12.06，γ＝3.03。

5.如权利要求2所述的基于多分辨率处理的多观察点设置方法，其特征在于，所述步骤(3)中的退温函数中，g(o_i)＝g₁(o_i)+g₂(o_i)，其中，g₁(o_i)是与地形块内部各观察点之间平均距离成反比的惩罚函数，g₂(o_i)是与相临地形块之间各观察点之间平均距离成反比的惩罚函数。