CN102663562A - 一种基于克隆选择算法的土地资源评价因子级别划分方法 - Google Patents
一种基于克隆选择算法的土地资源评价因子级别划分方法 Download PDFInfo
- Publication number
- CN102663562A CN102663562A CN2012101181467A CN201210118146A CN102663562A CN 102663562 A CN102663562 A CN 102663562A CN 2012101181467 A CN2012101181467 A CN 2012101181467A CN 201210118146 A CN201210118146 A CN 201210118146A CN 102663562 A CN102663562 A CN 102663562A
- Authority
- CN
- China
- Prior art keywords
- antibody
- affinity
- population
- evaluation
- factor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Abstract
本发明涉及一种基于克隆选择算法的土地资源评价因子级别划分方法,充分利用克隆选择算法在优化问题求解方面的优势,将克隆选择算法引入评价因子级别划分问题的求解;根据评价因子级别划分问题的特点,设计了克隆选择算法亲和度函数和约束条件,构建了适用于评价因子级别划分的克隆选择算法模型。本发明能够为土地资源质量评价的因子影响分析提供科学、准确的基础依据,进而为促进土地资源的合理利用提供技术支持。
Description
技术领域
本发明属于土地资源评价技术领域,特别是涉及一种基于克隆选择算法的土地资源评价因子级别划分方法。
背景技术
(1)土地资源质量评价技术
随着21世纪的到来,人类面临的人口问题、粮食安全问题等诸多全球性问题日益严峻。我国作为人口大国,土地资源相对稀缺,如何合理利用土地,实现土地资源的可持续利用是当前迫切需要解决的问题。因此,采用科学的技术手段和方法对土地资源的质量进行评价,是促进土地资源合理利用的必要手段。
根据联合国粮农组织FAO的定义,土地资源评价是指对土地针对特定的利用方式所表现出来的效果进行评估的过程,包括对土地的形态、土壤、植被、气候等方面属性进行质量综合鉴定,从而区分并比较不同土地利用方式对评价目标所表现出的适宜性程度。有关文献:[1]FAO.Land Evaluation.Towards a revised framework.2007.。在借鉴国外先进技术的基础上,我国已形成了包括针对农用地与建设用地的土地分等、定级、估价、土地适宜性评价、土地集约利用评价、土地退化评价等在内的符合当前国情需求的土地评价体系。
在进行评价土地资源质量时,对土地资源质量有着显著影响的各种因素实体如商服中心、集贸市场、灌溉水源、道路网络等对象,被定义为“土地资源评价因子”(简称为“评价因子”)或“土地资源评价指标”。由于评价因子的规模(或大小)的差异将直接导致评价因子所具备的功能和作用存在差别,其对土地质量的影响的空间范围和强度也存在明显的不同,在进行评价因子分析时也需要进行区别对待。例如城镇土地资源评价中,大小和规模不同的商服中心、医院等服务设施,其所具备的功能和能提供的各类服务也不同,进而对土地资源质量的空间影响范围、作用方式和强度也各不相同。因此,在进行土地资源评价时,需要根据评价因子规模将其划分为若干级别,分别对不同级别的评价因子的空间影响范围和作用强度进行分析。有关文献:[2]国家质量监督检验检疫总局.城镇土地分等定级规程(GB/T 18507-2001)[S].2001;有关文献:[3]国土资源部.农用地定级规程(TD/T 1005-2004)[S].2003。(2)土地资源质量评价因子级别划分技术
然而,目前有关土地评价因子级别划分的方法主要是根据带分级的评价因子规模指数,由土地评价专家根据自身经验人为将土地评价因子划分为若干级别。(注:规模指数用于反映各因子对象对土地资源质量的影响程度,规模指数越大,则其对土地资源质量影响的强度越大。规模指数通常根据能够反应评价因子大小、规模的一系列指标综合计算得到,其计算方法在相关的土地评价标准规范中都有较为详细的阐述,如城镇土地分等定级规程、农用地定级规程等,不是本发明的关注重点。)其缺点主要在于主观性太强,划分结果的科学性严重依赖于专家经验。因此,为了更加科学、合理的划分土地评价因子,进而为土地评价因子空间影响范围和强度分析提供准确的基础数据支持,必须开发出更为合理的土地评价因子级别划分方法。
克隆选择算法(Clonal Selection)是一种模拟生物免疫系统中的“克隆选择”现象的算法,它是人工免疫系统(Artificial Immune System)中的一种。采用克隆选择算法求解问题的基本思路是将问题的求解过程表示成抗体,把待求解的问题映射为抗原,抗体不断通过克隆、变异等免疫进化过程,剔除亲和度低的抗体,最终找到与抗原亲和度最高的抗体,最终解决问题。
采用克隆选择算法解决问题的基本流程见附图1:根据待求解的问题,进行编码,进行抗体种群初始化,进行亲和度评价,进行记忆种群初始化,然后进行克隆选择过程,包括选择、克隆、高频率变异、亲和度评价、克隆抑制、免疫补充、判断是否满足终止条件,不满足则迭代执行克隆选择过程,直到满足终止条件时进行解码,获得问题的解。克隆选择算法作为一种随机搜索算法,即使搜索空间非常大、非常复杂,克隆选择算法也能找到全局最优解。相对于传统的搜索算法,克隆选择算法具有自组织、自适应、自学习性特性;相对于遗传算法等智能优化算法通过引入记忆种群、高频变异等机制克服了遗传算法等进化算法收敛速度慢等不足。因而被广泛应用于组合优化、机器学习、聚类分析、路径优化和资源优化配置等领域。有关文献:[4]梁勤欧.人工免疫系统与GIS空间分析应用[M].2011.武汉:武汉大学出版社.
发明内容
针对现有土地资源评价中评价因子级别划分方法的局限性,发明一种智能化、自动化的基于克隆选择算法的土地资源评价因子级别划分方法。为科学合理的研究与分析评价因子对土地资源质量的影响提供准确的基础依据,为合理、可持续利用土地资源提供技术方法支持。
本发明提供的技术方案一种基于克隆选择算法的土地资源评价因子级别划分方法,其特征是:包括以下步骤,
步骤1,输入每个评价因子的规模指数,规模指数是取值范围为[0-100]的实数;
步骤2,设抗体种群规模为L,其中记忆抗体规模为M,抗体的基因位长度为K,第i个基因位上存储第i个级别的中心规模指数,i的取值为1、2...K,中心规模指数为范围[0-100]内的实数值;采用随机的方式生成L个长度为K的抗体,得到初始的抗体种群,以初始的抗体种群为当前的父代种群,进入步骤3;
步骤3,对当前的父代种群中各抗体分别进行亲和度评价;
步骤4,对当前的父代种群中各抗体根据步骤3所得亲和度进行降序排列,将前M个抗体标记为记忆抗体种群,剩下的L-M个抗体标记为父代种群中的非记忆抗体;
步骤5,根据亲和度高低,从当前的抗体种群中选择出n个亲和度最好的抗体,其中n为预设的参数;
步骤6,对步骤5选出的n个抗体进行克隆,克隆后所得所有抗体构成一个新种群;克隆时,抗体的亲和度越高,被复制的倍数越大;
步骤7,对步骤6所得新种群中的各个抗体进行高频率变异,得到变异后的新种群;
高频率变异的实现方式为,某抗体的每个基因位按照概率Pm随机确定该基因位是否进行变异,若执行变异,则该基因位上的数值更改为一个随机生成的范围[0-100]内的实数值;其中,概率Pm根据抗体的亲和度动态计算得到,抗体亲和度越大,则Pm越小;
步骤8,对步骤7所得变异后的新种群中的每个抗体进行亲和度评价,
步骤9,克隆抑制,包括将步骤7所得变异后的新种群中所有抗体按照亲和度高低进行排序,并依次替换父代种群中亲和度低的记忆抗体;
步骤10,免疫补充,包括采用随机的方式生成d个新抗体的临时种群,计算临时种群中各抗体的亲和度,将临时种群中的抗体按亲和度高低进行降序排列,并依次替换父代种群中亲和度低的非记忆抗体,其中d为预设的参数;
步骤11,判断是否满足终止条件,不满足则以根据步骤10和步骤11对父代种群替换的结果作为当前的父代种群,返回步骤5继续进行克隆选择,直至满足终止条件,进入步骤12;
步骤12,取根据步骤10和步骤11对父代种群替换的结果中亲和度值最高的抗体作为最终的评价因子级别划分方案,根据最终的评价因子级别划分方案得到最优的评价因子分级结果;
步骤3、步骤8、步骤10中对每个抗体进行亲和度评价,实现方式包括以下步骤,
步骤a,对每个抗体的基因位所存储的各级别中心规模指数,按照最小距离原则和步骤1输入的规模指数,将各评价因子划分到距离最近的一个级别中;
步骤b,采用亲和度函数评价各抗体的亲和度,亲和度函数如下式:
式中,ci表示第i个级别的中心规模指数,J为第i个级别内评价因子的个数,xj为被划分到第i个级别内的第j个评价因子的规模指数。
而且,步骤7中,终止条件为满足以下三种条件任一,
(一)达到设定的最大进化代数;
(二)达到设定的最长执行时间;
(三)进化陷入停滞;当连续y代的抗体种群最高亲和度与上一代差值都小于预设的阈值时认定进化陷入停滞,y为预设的自然数。
而且,步骤6中,某个抗体被克隆的倍数通过如下公式计算得到:
式中,i表示步骤5选出的n个抗体中第i个,Nc为抗体被克隆的倍数,β是用户预设的增值系数,L为抗体种群规模、round为取整数操作。
而且,步骤11中,概率Pm根据下式计算得到
式中:Pm为抗体t被克隆的变异率,P0是用户预设的最大变异率,fmax为抗体种群中亲和度最大值,fmin为抗体种群中亲和度的最小值,ft为抗体t的亲和度。
本发明的技术方案总体上具有简单、自动化、智能化特点,相对于目前在实际工程中广泛应用的各种评价因子级别划分方法,本发明充分利用克隆选择算法在优化问题求解方面的优势,将克隆选择算法引入评价因子级别划分问题的求解;根据评价因子级别划分问题的特点,设计了克隆选择算法亲和度函数和约束条件,构建了适用于评价因子级别划分的克隆选择算法模型。本发明能够为土地资源质量评价的因子影响分析提供科学、准确的基础依据,进而为促进土地资源的合理利用提供技术支持。
附图说明
图1是克隆选择算法的基本流程;
图2是本发明实施例的评价因子级别划分所用抗体编码示意图;
图3是本发明实施例的抗体变异原理示意图。
图4是本发明实施例的克隆抑制原理示意图。
具体实施方式
土地资源质量评价因子级别划分的基本要求是“级别内对象差距最小化,级别间对象差距最大化”。因此,土地资源质量评价因子级别划分的过程就可以转换为寻找最优级别中心的过程。采用克隆选择算法解决土地资源质量评价因子级别划分问题的本质就是利用克隆选择中“抗体”进化机制来实现评价因子规模指数类中心的优化问题。
本发明技术方案可采用计算机软件技术实现自动运行流程。以下结合附图和实施例详细说明本发明技术方案。实施例设计的基于克隆选择算法的土地资源质量评价因子级别划分方法,具体实现过程如下:
步骤1,输入每个评价因子的规模指数,规模指数是取值范围为[0-100]的实数。
实施例获取某一类评价因子(如商服中心)的规模指数。其中规模指数用于反映该评价因子的规模大小,通常由一系列指标(如商服中心的营业额等)综合计算得到,其计算方法非本发明的关注重点,具体可参见相关的土地评价规程。
步骤2,设抗体种群规模为L,其中记忆抗体规模为M,抗体的基因位长度为K,第i个基因位上存储第i个级别的中心规模指数,i的取值为1、2...K,中心规模指数为范围[0-100]内的实数值;采用随机的方式生成L个长度为K的抗体,得到初始的抗体种群,以初始的抗体种群为当前的父代种群,进入步骤3。
本步骤即通过编码,将土地资源评价因子级别划分问题(因子级别划分方案)转换为计算机算法可识别的数据结构(抗体),即每一个抗体即对应一种因子级别划分方案。设评价因子总数为N,划分的级别数为K,采用实数编码构造克隆选择算法的抗体,其中抗体的基因位长度为K,每个基因位上依次存储了1-K各级别的中心规模指数值。各因子按照最小距离原则,将其划分到距离其最近的一个级别。本发明进行了约束条件设计:在土地资源质量评价因子级别划分问题中,各评价因子的规模指数取值范围通常是[0-100]。因此,抗体的各基因位上的取值范围也设置为[0-100]。
设需要将N个商服中心根据规模指数划分成K个级别,则采用克隆选择算法对其进行级别划分的基本思想就是对K个级别的中心规模指数进行优化。由于规模指数为[0-100]之间的数字,故抗体采用实数编码,其长度为K,每个基因位上的值分别代表其中一个级别的中心规模指数。初始的抗体种群中,各抗体的每个基因位上的值由计算机生成的随机数进行填充。
原理见附图2,待分级的评价因子对象集中共有N个评价因子,评价因子1、2、3、4、5、6、7、8、9...N将分到K个级别,具体划分根据每个级别的中心规模指数实现,而K个级别的中心规模指数从级别1、2、3...K存储在抗体的第1、2、3...K个基因位上。
步骤3,对当前的父代种群中各抗体分别进行亲和度评价。
种群中的每个抗体对应一种评价因子级别划分方案。在进行抗体亲和度值计算时需要依次执行以下步骤:1)确定各评价因子归属的级别,即对每个抗体的基因位所存储的各级别中心规模指数,按照最小距离原则和步骤1输入的规模指数,将各评价因子划分到距离最近的一个级别中。具体方法是,分别计算当前待分级评价因子的规模指数与K个类别中心的差值,找出与差值最小的类中心,将其归为该类,参见图2所示。2)应用亲和度评价函数,计算误差平方和,进而确定各抗体的亲和度值。
通常在对分类(分级)结果进行评价时,主要采用误差平方和进行度量,各级别的误差平方和越小,则分类结果越好。其中误差平方和的计算方式见下式:
式中:ci表示第i个级别的中心规模指数,J为第i个级别内评价因子的对象个数,xj为被划分到第i个级别内的第j个评价因子对象的规模指数。在采用克隆选择算法进行问题求解时,通常抗体的亲和度高低反映了抗体(问题的解)满足抗原(问题)的程度,即抗体的亲和度值越大,则抗体(问题对应的解)越优。因此,设计抗体的亲和度函数为误差平方和的倒数,如下式:
式中,ci表示第i个级别的中心规模指数,J为第i个级别内评价因子的个数,xj为被划分到第i个级别内的第j个评价因子的规模指数。
因此,实施例中对每个抗体进行亲和度评价,实现方式包括以下步骤,
步骤a,对每个抗体的基因位所存储的各级别中心规模指数,按照最小距离原则和步骤1输入的规模指数,将各评价因子划分到距离最近的一个级别中;
步骤b,采用亲和度函数评价各抗体的亲和度,亲和度函数如下式:
式中,ci表示第i个级别的中心规模指数,J为第i个级别内评价因子的个数,xj为被划分到第i个级别内的第j个评价因子的规模指数。
步骤4,对当前的父代种群中各抗体根据步骤3所得亲和度进行降序排列,将前M个抗体标记为记忆抗体种群,剩下的L-M个抗体标记为父代种群中的非记忆抗体。
整个抗体种群由两部分组成,一部分是记忆抗体,一部分是非记忆抗体。两部分抗体的更新和进化策略不一样。
记忆抗体:是整个抗体种群中亲和度较高的个体。记忆抗体的更新主要是经过步骤5-步骤9得到的新抗体种群,最后从新种群中选择最好的若干个个体来更新记忆抗体。
非记忆抗体:亲和度相对较差的个体。主要通过步骤10随机产生新抗体进行更新。步骤5,根据亲和度高低,从当前的抗体种群中选择出n个亲和度最好的抗体,其中n为预设的参数。
当n≤M时,被选择的抗体全部来自记忆抗体;当n>M时,则有n-M个抗体来自非记忆抗体。
步骤6,克隆:对步骤5选出的n个抗体进行克隆,克隆后所得所有抗体构成一个新种群;克隆时,抗体的亲和度越高,被复制的倍数越大。
为便于实施参考起见,本发明进一步建议某个抗体被克隆的倍数通过如下公式计算得到:
式中,i表示步骤5选出的n个抗体中第i个,Nc为抗体被克隆的倍数,β是用户预设的增值系数,L为抗体种群规模、round为取整数操作。例如当L=100,β=0.5,则亲和力最高的抗体将被克隆50倍。
步骤7,高频变异:对步骤6所得新种群中的各个抗体进行高频率变异,得到变异后的新种群;
高频率变异的实现方式为,某抗体的每个基因位按照概率Pm随机确定该基因位是否进行变异,若执行变异,则该基因位上的数值更改为一个随机生成的范围[0-100]内的实数值;其中,概率Pm根据抗体的亲和度动态计算得到,抗体亲和度越大,则Pm越小。
对克隆后的新种群实施高频率变异是将抗体上某个基因位上的值随机改成其他值的过程。在进行变异操作时,各抗体上的基因位均按照预设的一定的概率Pm随机确定该基因位是否进行变异。基本操作过程是:遍历抗体上的每一个基因位,在每个基因位置随机生成一个随机数,若随机数小于或等于变异概率,则该基因位执行变异,否则不变异。基本原理见附图3:抗体中有第1、2、3、4、5、6...K个基因位,随机确定第4个基因位进行变异,第4位就是随机变异点。
为便于实施参考起见,本发明进一步建议概率Pm根据下式计算得到
设某抗体记为抗体t。式中,Pm为抗体t被克隆的变异率,P0是用户预设的最大变异率,fmax为抗体种群中亲和度最大值,fmin为抗体种群中亲和度的最小值,ft为抗体t的亲和度。
步骤8,评价:对步骤7所得变异后的新种群中的每个抗体进行亲和度评价。本步骤实现亲和度评价的具体方式与步骤3一致。
步骤9,克隆抑制:包括将步骤7所得变异后的新种群中所有抗体按照亲和度高低进行排序,并依次替换父代种群中亲和度低的记忆抗体。
本步骤用新种群中的优势抗体替换父代记忆种群的较差个体。基本方法是,将新种群按照亲和度值降序排列,从亲和度高的抗体开始遍历新种群。父代记忆种群则从亲和度低的个体开始遍历,依次比较新种群中当前个体和父代记忆种群中当前个体的亲和度值,若其亲和度值大于父代个体,则用新个体更新替换旧个体,否则不替换。新种群中没有用于替换父代的剩余抗体将被抛弃。例如,比较新种群的亲和度最高第1个和父代种群中记忆抗体的亲和度最低第1个抗体,比较新种群的亲和度最高第2个和父代种群中记忆抗体的亲和度最低第2个抗体....直到比较新种群的亲和度最高第i个不大于父代种群中记忆抗体的亲和度最低第i个,结束本步骤,进入步骤10。如图4中所示,将新种群按照亲和度值降序排列,分别为91.2、90.5、89.7、87.2、85.2、83.7、80.2,将父代种群中的记忆抗体按照亲和度值降序排列(之前步骤已经计算亲和度并降序排列),分别为90.1、89.0、85.0、80.1、75.9、72.8、69.0,对比91.2和69.0并替换、对比90.5和72.8并替换...直到83.7小于89.0。
实施例采用以下子步骤实现:
步骤9.1,将步骤7所得变异后的抗体种群中各抗体根据步骤8所得亲和度进行降序排列。
步骤9.2,用新种群中亲和度高的抗体替换父代记忆种群中亲和度低的抗体;基本方法是,按照亲和度从高到低的顺序遍历新种群,依次对比新种群中当前抗体与父代记忆抗体中当前抗体的亲和度值;若新种群中抗体的亲和度大于父代抗体,则替换父代抗体;新种群中剩余的没有用于更新父代记忆抗体的个体将被删除。
步骤9.3,对执行了替换操作的父代记忆抗体按照亲和度值高低重新进行降序排列。
步骤10,免疫补充:包括采用随机的方式生成d个新抗体的临时种群,计算临时种群中各抗体的亲和度,将临时种群中的抗体按亲和度高低进行降序排列,并依次替换父代种群中亲和度低的非记忆抗体;其中d为预设的参数。
实施例采用按照随机的方式产生d个新抗体,其中d为用户预设的参数值。对随机产生的d个抗体进行评价,若随机产生的抗体比当前种群中的某个抗体好,则替换之,否则抛弃新抗体。本步骤实现亲和度评价的具体方式与步骤3一致。替换父代种群中亲和度低的非记忆抗体的具体实现方式与步骤9类似,依次比较新种群的亲和度最高第i个和父代种群中非记忆抗体的亲和度最低第i个即可。
步骤11,判断是否满足终止条件,不满足则以步骤10和步骤11对父代种群替换的结果作为当前的父代种群(即下一代的父代种群),返回步骤5继续进行克隆选择,直至满足终止条件,进入步骤12。
判断抗体种群当前的进化情况是否满足了预设的终止条件,若满足,则进入步骤12,否则进入步骤5如此迭代,直至满足终止条件位置。为防止算法过早终止得不到最优解,或陷入停滞后依然长时间运行,浪费计算时间,本算法执行时预设3种终止条件。当算法运行满足其中任意1条时即可退出。终止条件依次为:1)最大运行代数,即算法运行到预设的代数T时退出,可设置一个较大的运行代数,如1000代;2)最长运行时间,根据计算机软硬件环境及数据规模进行设置,可设置一个较长的运行时间,如2个小时等;3)算法停滞条件,即种群连续y代最优解的亲和度值差值小于预设的阈值时,认为算法陷入停滞,算法退出。可设计程序为,每次步骤10之后对当前的抗体种群(包括步骤10替换后的记忆抗体种群和步骤11后替换后的非记忆抗体种群)中各抗体分别进行抗体亲和度评价计算,具体实现可参见步骤3;然后计算最高亲和度与上一代抗体种群中最高亲和度的差值,连续y代小于预设的阈值时停止返回步骤5。其中y的取值可由本领域技术人员自行设置,建议取值范围为10-30代。代与代之间最优解适应度差的判断阈值通常需要结合特定的问题进行设置。
步骤12,取步骤10和步骤11对父代种群替换的结果中亲和度值最高的抗体作为最终的评价因子级别划分方案,根据最终的评价因子级别划分方案得到最优的评价因子分级结果;
由于之前已评价各抗体亲和度,本步骤可以方便地找出当前的抗体种群中亲和度值最高的抗体,作为最终的评价因子级别划分方案。以此分别计算待分级评价因子对象的规模指数和K个类中心规模指数的差值,将其归入与其差值最小的一类。至此,土地资源质量评价因子级别划分过程结束。
参数设置建议:采用克隆选择算法进行土地资源质量评价因子级别划分时,算法的关键参数设置是否合理也决定了算法的性能和运行结果的准确度。通常为了便于计算,以下参数除了种群规模以外,其他设计抗体个数的参数均用百分比表示,以便计算。涉及的参数及建议的参数设置如下:
参数 | 参数描述 | 建议取值 |
L | 种群规模 | 建议取值50-200 |
Mr | 记忆种群比例 | 建议取值10-40%. |
nr | 克隆选择比率 | 建议取值20-50%. |
β | 增值系数 | 建议取值0.1-2.0 |
P0 | 最大变异概率 | 建议取值范围0.01-0.2 |
dr | 免疫补充率 | 建议取值1-20%. |
T | 进化代数 | 建议取值范围20-200 |
算法实施时可由程序自动计算M=L×Mr、n=L×nr、d=L×dr,无需用户计算再输入。
为便于了解本发明效果起见,以对某地的城镇土地资源质量评价为例进行说明。需要将其中的商服中心因子划分为4个级别分别计算因子的影响范围与作用强度,其中待分级的因子对象及规模指数如下:
ID | 规模指数 | ID | 规模指数 | ID | 规模指数 |
1 | 33.1 | 9 | 59.1 | 17 | 15.4 |
2 | 37.8 | 10 | 30.7 | 18 | 23.2 |
3 | 30.7 | 11 | 22.0 | 19 | 23.6 |
4 | 17.0 | 12 | 24.1 | 20 | 16.5 |
5 | 20.1 | 13 | 21.3 | 21 | 60.3 |
6 | 14.2 | 14 | 13.7 | 22 | 52.0 |
7 | 31.9 | 15 | 10.2 | ||
8 | 66.2 | 16 | 12.8 |
在计算机中编写程序实施以下步骤:
(1)参数设置,设置种群规模为100,记忆种群比率0.2,克隆选择比率0.3,增值系数为0.1,最大变异率为0.1,免疫补充率为5%,进化代数为50代。
(2)编码。采用实数编码,构建长度为4的抗体;
(4)按照以上实施例设计的流程依次执行抗体的评价、选择、克隆、变异、免疫补充等操作,最终得到评价因子分级结果,解码后结果如下:
级别 | 中心规模指数 | 因子个数 |
1 | 88.7 | 4 |
2 | 45.9 | 5 |
3 | 32.3 | 6 |
4 | 20.9 | 7 |
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。例如,本发明技术人员可以根据具体精度要求自行设定级别划分方案;在不影响结果的前提下,具体执行步骤顺序可以调整。
Claims (4)
1.一种基于克隆选择算法的土地资源评价因子级别划分方法,其特征是:包括以下步骤,
步骤1,输入每个评价因子的规模指数,规模指数是取值范围为[0-100]的实数;
步骤2,设抗体种群规模为L,其中记忆抗体规模为M,抗体的基因位长度为K,第i个基因位上存储第i个级别的中心规模指数,i的取值为1、2...K,中心规模指数为范围[0-100]内的实数值;采用随机的方式生成L个长度为K的抗体,得到初始的抗体种群,以初始的抗体种群为当前的父代种群,进入步骤3;
步骤3,对当前的父代种群中各抗体分别进行亲和度评价;
步骤4,对当前的父代种群中各抗体根据步骤3所得亲和度进行降序排列,将前M个抗体标记为记忆抗体种群,剩下的L-M个抗体标记为父代种群中的非记忆抗体;
步骤5,根据亲和度高低,从当前的抗体种群中选择出n个亲和度最好的抗体,其中n为预设的参数;
步骤6,对步骤5选出的n个抗体进行克隆,克隆后所得所有抗体构成一个新种群;克隆时,抗体的亲和度越高,被复制的倍数越大;
步骤7,对步骤6所得新种群中的各个抗体进行高频率变异,得到变异后的新种群;
高频率变异的实现方式为,某抗体的每个基因位按照概率Pm随机确定该基因位是否进行变异,若执行变异,则该基因位上的数值更改为一个随机生成的范围[0-100]内的实数值;其中,概率Pm根据抗体的亲和度动态计算得到,抗体亲和度越大,则Pm越小;
步骤8,对步骤7所得变异后的新种群中的每个抗体进行亲和度评价,
步骤9,克隆抑制,包括将步骤7所得变异后的新种群中所有抗体按照亲和度高低进行排序,并依次替换父代种群中亲和度低的记忆抗体;
步骤10,免疫补充,包括采用随机的方式生成d个新抗体的临时种群,计算临时种群中各抗体的亲和度,将临时种群中的抗体按亲和度高低进行降序排列,并依次替换父代种群中亲和度低的非记忆抗体,其中d为预设的参数;
步骤11,判断是否满足终止条件,不满足则以步骤10和步骤11对父代种群替换的结果作为当前的父代种群,返回步骤5继续进行克隆选择,直至满足终止条件,进入步骤12;
步骤12,取步骤10和步骤11对父代种群替换的结果中亲和度值最高的抗体作为最终的评价因子级别划分方案,根据最终的评价因子级别划分方案得到最优的评价因子分级结果;
步骤3、步骤8、步骤10中对每个抗体进行亲和度评价,实现方式包括以下步骤,
步骤a,对每个抗体的基因位所存储的各级别中心规模指数,按照最小距离原则和步骤1输入的规模指数,将各评价因子划分到距离最近的一个级别中;
步骤b,采用亲和度函数评价各抗体的亲和度,亲和度函数如下式:
式中,ci表示第i个级别的中心规模指数,J为第i个级别内评价因子的个数,xj为被划分到第i个级别内的第j个评价因子的规模指数。
2.如权利要求1所述基于克隆选择算法的土地资源评价因子级别划分方法,其特征是:步骤11中,终止条件为满足以下三种条件任一,
(一)达到设定的最大进化代数;
(二)达到设定的最长执行时间;
(三)进化陷入停滞;当连续y代的抗体种群最高亲和度与上一代差值都小于预设的阈值时认定进化陷入停滞,y为预设的自然数。
3.如权利要求1或2所述基于克隆选择算法的土地资源评价因子级别划分方法,其特征是:步骤6中,某个抗体被克隆的倍数通过如下公式计算得到:
式中,i表示步骤5选出的n个抗体中第i个,Nc为抗体被克隆的倍数,β是用户预设的增值系数,L为抗体种群规模、round为取整数操作。
4.如权利要求1或2所述基于克隆选择算法的土地资源评价因子级别划分方法,其特征是:步骤7中,概率Pm根据下式计算得到
式中:Pm为抗体t被克隆的变异率,P0是用户预设的最大变异率,fmax为抗体种群中亲和度最大值,fmin为抗体种群中亲和度的最小值,ft为抗体t的亲和度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210118146.7A CN102663562B (zh) | 2012-04-20 | 2012-04-20 | 一种基于克隆选择算法的土地资源评价因子级别划分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210118146.7A CN102663562B (zh) | 2012-04-20 | 2012-04-20 | 一种基于克隆选择算法的土地资源评价因子级别划分方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102663562A true CN102663562A (zh) | 2012-09-12 |
CN102663562B CN102663562B (zh) | 2015-04-29 |
Family
ID=46773042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210118146.7A Active CN102663562B (zh) | 2012-04-20 | 2012-04-20 | 一种基于克隆选择算法的土地资源评价因子级别划分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102663562B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136707A (zh) * | 2013-03-26 | 2013-06-05 | 武汉大学 | 一种土地利用分层配置方法 |
CN103136586A (zh) * | 2013-03-21 | 2013-06-05 | 信阳师范学院 | 基于克隆选择优化的土地用途分区方法 |
CN103440540A (zh) * | 2013-09-17 | 2013-12-11 | 武汉大学 | 一种土地利用空间布局人工免疫优化模型的并行化方法 |
CN103971312A (zh) * | 2014-05-27 | 2014-08-06 | 武汉大学 | 一种村镇网络节点辐射域导向的农村居民点整治分区方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101201927A (zh) * | 2006-12-14 | 2008-06-18 | 中国科学院东北地理与农业生态研究所 | 区域土地退化的动态评价及分区预警系统 |
CN101625725A (zh) * | 2008-07-11 | 2010-01-13 | 西安电子科技大学 | 基于流形距离的人工免疫无监督图像分类方法 |
CN101894120A (zh) * | 2010-01-06 | 2010-11-24 | 北京师范大学 | 一种区域生态敏感性评价方法 |
-
2012
- 2012-04-20 CN CN201210118146.7A patent/CN102663562B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101201927A (zh) * | 2006-12-14 | 2008-06-18 | 中国科学院东北地理与农业生态研究所 | 区域土地退化的动态评价及分区预警系统 |
CN101625725A (zh) * | 2008-07-11 | 2010-01-13 | 西安电子科技大学 | 基于流形距离的人工免疫无监督图像分类方法 |
CN101894120A (zh) * | 2010-01-06 | 2010-11-24 | 北京师范大学 | 一种区域生态敏感性评价方法 |
Non-Patent Citations (2)
Title |
---|
刘耀林等: "城镇土地分等成果验证研究", 《2006年中国土地学会学术年会论文集》, 1 November 2006 (2006-11-01) * |
胡月明等: "从神经网络中抽取土地评价模糊规则", 《农业工程学报》, vol. 21, no. 12, 31 December 2005 (2005-12-31) * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136586A (zh) * | 2013-03-21 | 2013-06-05 | 信阳师范学院 | 基于克隆选择优化的土地用途分区方法 |
CN103136707A (zh) * | 2013-03-26 | 2013-06-05 | 武汉大学 | 一种土地利用分层配置方法 |
CN103136707B (zh) * | 2013-03-26 | 2016-04-13 | 武汉大学 | 一种土地利用分层配置方法 |
CN103440540A (zh) * | 2013-09-17 | 2013-12-11 | 武汉大学 | 一种土地利用空间布局人工免疫优化模型的并行化方法 |
CN103440540B (zh) * | 2013-09-17 | 2016-01-13 | 武汉大学 | 一种土地利用空间布局人工免疫优化模型的并行化方法 |
CN103971312A (zh) * | 2014-05-27 | 2014-08-06 | 武汉大学 | 一种村镇网络节点辐射域导向的农村居民点整治分区方法 |
CN103971312B (zh) * | 2014-05-27 | 2017-04-26 | 武汉大学 | 一种村镇网络节点辐射域导向的农村居民点整治分区方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102663562B (zh) | 2015-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110570651B (zh) | 一种基于深度学习的路网交通态势预测方法及系统 | |
CN106650767B (zh) | 基于聚类分析和实时校正的洪水预报方法 | |
CN106355334A (zh) | 农田建设区域判定方法 | |
Pang et al. | ELECTRE I Decision Model of Reliability Design Scheme for Computer Numerical Control Machine. | |
CN110889562B (zh) | 一种基于情景规划的动态城市模型系统 | |
Jia et al. | An improved method for integrated water security assessment in the Yellow River basin, China | |
CN107610021A (zh) | 环境变量时空分布的综合分析方法 | |
CN107886160B (zh) | 一种bp神经网络区间需水预测方法 | |
Yu et al. | Distinct types of restructuring scenarios for rural settlements in a heterogeneous rural landscape: Application of a clustering approach and ecological niche modeling | |
CN106875060A (zh) | 一种基于全局自动优化算法的洪水实时校正方法 | |
Xu et al. | Comparison of three global optimization algorithms for calibration of the Xinanjiang model parameters | |
CN102867217A (zh) | 基于投影寻踪的设施农业气象灾害风险评价方法 | |
CN102663562A (zh) | 一种基于克隆选择算法的土地资源评价因子级别划分方法 | |
CN108665163A (zh) | 服务于主体功能区的生态功能综合评估方法 | |
Liu et al. | Measurement and analysis of regional flood disaster resilience based on a support vector regression model refined by the selfish herd optimizer with elite opposition-based learning | |
CN101599142A (zh) | 基于空间数据场的土地评价指标分类量化方法 | |
Chen et al. | Combining fuzzy iteration model with dynamic programming to solve multiobjective multistage decision making problems | |
CN109933901B (zh) | 一种生态系统服务价值最优化的mcr城市扩张模拟方法 | |
Du et al. | Regional water resources security grading evaluation considering both visible and virtual water: a case study on Hubei province, China | |
Alturk et al. | Multi-criteria land use suitability analysis for the spatial distribution of cattle farming under land use change modeling scenarios in Thrace Region, Turkey | |
Lee et al. | MCDM approach for identifying urban flood vulnerability under social environment and climate change | |
CN102663230A (zh) | 一种基于遗传算法的土地资源评价因子级别划分方法 | |
Parent et al. | Simulating future forest fragmentation in a Connecticut region undergoing suburbanization | |
CN113836807B (zh) | 一种基于熵值法和长短期记忆神经网络的河湖生态流量预报预警方法 | |
Zhang et al. | Comparative Variance and Multiple Imputation Used for Missing Values in Land Price DataSet. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |