CN102722570A - 一种面向地理空间优化的人工免疫智能优化系统 - Google Patents
一种面向地理空间优化的人工免疫智能优化系统 Download PDFInfo
- Publication number
- CN102722570A CN102722570A CN2012101804557A CN201210180455A CN102722570A CN 102722570 A CN102722570 A CN 102722570A CN 2012101804557 A CN2012101804557 A CN 2012101804557A CN 201210180455 A CN201210180455 A CN 201210180455A CN 102722570 A CN102722570 A CN 102722570A
- Authority
- CN
- China
- Prior art keywords
- immune
- operator
- space
- application
- optimization problem
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种面向地理空间优化的人工免疫智能优化系统,包括免疫算子库、问题应用库和应用平台模块,所述免疫算子库,用于存储免疫算子插件;所述问题应用库,用于存储解决空间优化问题的应用插件;所述应用平台模块,用于根据用户选择,从免疫算子库调用相应的免疫算子插件确定克隆选择算法,以及从问题应用库中调用相应的应用插件,确定用户所需解决特定空间优化问题的抗体编码和亲和度评价函数;根据确定的抗体编码和亲和度评价函数,采用克隆选择算法获得用户所需解决特定空间优化问题的最优解。本发明所提供人工免疫智能优化系统,可以集成目前在地学领域内使用最广的克隆选择算法,具有通用性、可扩展性和开放性。
Description
技术领域
本发明属于地理信息科学技术领域,特别是涉及一种面向地理空间优化的人工免疫智能优化系统。
背景技术
空间优化是采用空间搜索方法获取在一定限制条件和特定目标(社会、经济、生态目标等)约束下效益最优的空间实体分布状态。地理学研究领域中的许多复杂空间问题最终都可以归结为空间优化问题,如设施选址(公园、医院、大型超市选址等)、路线优化(物流配送路径优化等)、资源环境监测网络优化(疾病、大气污染、水污染监测站的空间位置布设等)、资源优化配置(水资源和土地资源的优化配置等)。随着地理信息系统(Geographic Information System, GIS)技术在空间数据的采集、存储、表达与分析能力的日益增强,应用GIS技术求解空间优化问题已成为当前GIS应用领域的三大前沿方向之一。然而,空间优化问题通常涉及对非线性、多因素和多层次的复杂关系进行建模,传统的GIS所提供的叠置分析、网络分析和缓冲区分析等空间分析功能无法实现对这些复杂关系进行建模、表达、推理和学习。
随着进化计算和生物群智能等智能计算方法在解决高维、非线性问题上的优越性日益凸显,采用智能计算方法解决空间优化问题也开始得到地理学领域内诸多学者的重视。人工免疫系统(Artificial Immune System, AIS)作为一种新型的智能仿生算法也开始广泛应用于空间优化问题求解。人工免疫系统是一类在计算机环境下对生物免疫系统的学习、记忆、识别等免疫原理进行模拟的智能仿生算法的总称,其中包括基于阴性选择原理的阴性选择算法(Negative Selection Algorithm, NSA)、基于克隆选择原理的克隆选择算法(Clonal Selection Algorithm, CSA)、和基于免疫学习机理的免疫网络模型(Artificial Immune Network)等。相对于遗传算法、人工神经网络等智能计算方法,国内外有关人工免疫系统的研究起步相对较晚,但发展迅速,并广泛应用于计算机病毒防治、网络攻击识别、模式识别和数据挖掘等众多领域。在空间优化相关研究领域,人工免疫算法已在遥感图像处理、空间数据挖掘、路径优化、设施布局、土地利用等方面取得了重要进展。其中,基于群体智能的克隆选择算法是目前在空间优化相关领域中研究最多、应用最广的一种基于人工免疫原理的智能算法。
然而,在国内外现有研究与应用中,大多倾向于从特定问题的建模与求解需求出发设计针对特定问题的免疫算法,而对于通用智能计算平台的研究较少。目前国内外影响较大的面向空间优化的智能优化平台主要有黎夏等人开发的GeoSOS。然而,GeoSOS较多的关注于地理模拟问题,智能优化算法主要作为地理模拟的规则提取方法。而对于空间优化问题的求解,该系统目前只提供了面向选址问题和路线选取问题的蚁群优化算法。相对于复杂的空间优化问题和广泛存在的各类型地理空间优化问题,该系统的通用性、扩展性和用户可定制等方面的功能还有待加强。
发明内容
本发明试图克隆选择算法的基本特点出发,结合地理空间优化计算的需求,设计面向地理空间优化的免疫算法模型框架。在此基础上借鉴国内外现有研究成果,为相关研究人员提供一个可扩展、可定制、通用的计算平台,推进人工免疫系统在地理空间优化问题研究领域的研究,进而为开展相关的实践工作提供决策支持。
本发明的技术方案为一种面向地理空间优化的人工免疫智能优化系统,包括免疫算子库、问题应用库和应用平台模块,免疫算子库、问题应用库分别和应用平台模块进行通信连接;
所述免疫算子库,用于存储免疫算子插件;
所述问题应用库,用于存储解决空间优化问题的应用插件;
所述应用平台模块,用于根据用户选择,从免疫算子库调用相应的免疫算子插件确定克隆选择算法,以及从问题应用库中调用相应的应用插件,确定用户所需解决特定空间优化问题的抗体编码和亲和度评价函数;根据确定的抗体编码和亲和度评价函数,采用克隆选择算法获得用户所需解决特定空间优化问题的最优解。
而且,所述克隆选择算法由9个由免疫算子插件提供的算子组成,分别用于执行种群初始化、免疫选择、克隆、变异、交叉、自定义算子、亲和度评价、克隆抑制和免疫补充。
所述采用克隆选择算法获得用户所需解决特定空间优化问题的最优解,具体步骤如下:
步骤1,根据抗体编码,进行种群初始化;
步骤2,对种群依次执行免疫选择、克隆、变异、交叉、自定义算子提供的操作、亲和度评价、克隆抑制和免疫补充;所述亲和度评价根据亲和度评价函数执行;
步骤3,判断是否终止,否则返回步骤2,是则解码输出作为最优解。
而且,所述抗体编码的实现方式为,每个抗体对应一种空间实体的分布状态,抗体的每一个基因位保存了某个空间实体的状态信息。
而且,所述亲和度评价函数根据解决空间优化问题的社会目标、经济目标和生态目标确定。
而且,设置基础类库,用于提供免疫算子插件接口和空间优化问题接口,通过免疫算子插件接口开发的免疫算子插件输入到免疫算子库中并存储,通过空间优化问题接口开发的解决空间优化问题的应用插件输入到问题应用库并存储。
本发明的优点在于:通过人工免疫智能优化系统,可以集成目前在地学领域内使用最广的克隆选择算法,设计了基于标准接口的算法改进和优化问题扩展机制,为平台的通用性、可扩展性和开放性奠定了基础。人工免疫智能优化系统的开发与实现将为国内外相关研究者与决策部门提供一个集成的、开放的空间优化仿真平台,进而为推进免疫算法在地理空间优化问题研究领域的应用提供有力支持。本发明将地理空间智能优化技术与软件工程思想和技术进行了有机结合,从软件角度进行了实现。
附图说明
图1 为本发明实施例的系统架构图;
图2为本发明实施例的面向空间优化的克隆选择算法框架图;
图3为本发明实施例的免疫算子插件的结构域工作原理示意图;
图4为本发明实施例的空间优化问题插件的结构与工作原理示意图;
图5为本发明实施例的城市数据集分布示意图;
图6为本发明实施例的优化结果示意图。
具体实施方式
以下结合附图和实施例详细说明本发明技术方案。
本发明提供一种面向地理空间优化的人工免疫智能优化系统,使用人工免疫系统中的克隆选择算法来求解地理空间优化问题。
所述人工免疫系统(Artificial Immune System, AIS),是一类模拟生物免疫系统(主要是人体的免疫系统)的各种原理和机制而开发的智能算法的总称。主要包括基于阴性选择原理的阴性选择算法(Negative Selection Algorithm, NSA)、基于克隆选择原理的克隆选择算法(Clonal Selection Algorithm, CSA)、和基于免疫学习机理的免疫网络模型(Artificial Immune Network)等。
所述克隆选择算法,是指通过模拟自然免疫系统中的“克隆选择”现象而开发的人工免疫算法。在自然免疫系统中,只有能够识别抗原的细胞被克隆和变异,并被保留下来,不能识别抗原的细胞则不被选择。采用克隆选择算法解决问题的基本思路是将问题的“解”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,找到与抗原亲和度最高的抗体,最终解决问题。
所述地理空间优化,是采用空间搜索方法获取在一定限制条件和特定目标(社会、经济、生态目标等)约束下效益最优的空间实体分布状态。在地理学研究领域和现实决策过程中的许多复杂空间问题最终都可以归结为典型的空间优化问题,如公共设施选址问题、路线优化问题、资源的空间布局优化问题等。
将空间优化问题表达为计算机可理解的计算模型是求解空间优化问题的必要途径。类似于一般性优化问题,地理空间优化问题通常也可以抽象的表述为如下形式:
Max f(x)
Subject to:
[C.E.]
[B.C.]
式中,f(x)为目标函数,”Subject to”引导的为约束条件。其中:”C.E.”为条件方程(Condition Equations),通常用一组等式或不等式对表述问题求解的约束条件;”B.C”为边界条件(Boundary Conditions),用于指定各决策变量的求解域。由上式可知,地理空间优化问题求解的本质是在一定条件约束和变量值域约束下,求得目标函数的最大值及相应的决策变量值的过程。
由于地理空间优化问题涵盖了地理学中诸多复杂问题,相对于数学函数优化等其他非空间优化问题,地理空间优化问题的建模与求解更为复杂,主要体现在以下几个方面。
(1)地理空间优化问题的表达。采用人工免疫算法解决优化问题时,首先需要采取一定的方式(二进制、实数、字符)对问题进行编码,将待求解优化问题的“解”映射为人工免疫系统可以理解的“抗体”。优化问题的每一个变量构成“抗体”相应的“基因位”。然而,采用二进制、实数或字符编码,以一维或多维数组对问题进行编码的方式,往往不能很好的表达地理空间优化问题中的空间实体的空间位置、拓扑关系等因素。
(2)地理空间优化目标的制定。空间优化问题通常需要在一定应用场景的指导下,结合特定的社会经济环境设计优化目标和抗体亲和度评价函数。由于社会经济系统的复杂性,空间优化问题大多属于多目标优化问题,且不同类型空间优化问题的优化目标不同、同一空间优化问题在不同时间、空间上的优化目标也存在较大差异。
(3)优化问题的约束条件设计。相对于非空间优化问题,地理空间优化问题的约束条件除了需要处理一般数学关系约束条件外,还需要处理地理问题特有的约束条件(空间拓扑关系约束等)。此外,在地理空间优化问题求解中,“抗体”的变异操作不再以随机的方式进行,而是在特定领域知识约束下的变异。例如,在求解土地资源优化配置问题时,对某一地块的地类编码的变异必须根据该地块的自然和社会经济特性以及相邻地块的属性综合确定该地块的地类编码变异域值范围。
(4)基本免疫算法的改进需求。为解决基本免疫算法容易陷入局部最优、解决算法收敛太慢等问题,在进行空间优化问题求解时,通常需要对基本免疫算法进行改进以提高算法的性能。在大多数情况下,空间优化问题的求解主要从2个方面对基本免疫算法进行改进:(1)与其他全局优化搜索算法结合,避免算法陷入局部最优。如引入遗传算法的交叉机制,或将蚁群优化算法与免疫算法相结合等。(2)将免疫算法与领域内传统的局部搜索算法相结合,提高算法收敛的速度。
(5)算法的输入输出数据。不同空间优化问题在编码方式、亲和度函数、约束条件等方面的差异,必然导致了算法运行时的输入/输出数据在内容、结构、格式与表达方式上各不相同。
综上所述,采用免疫算法解决空间优化问题,必须针对特定问题设计特定的编码方式、目标函数、约束条件和输入输出数据内容。空间优化问题的特异性增大了通用计算平台的设计与开发的难度。此外,对免疫算法进行改进的需求也要求计算平台必须具备开放、可扩展的特点。
基于空间优化问题求解的上述特点和基本需求,为解决智能优化平台的通用性和开放性等技术难题,本发明首先设计了一个开放式、可扩展的面向地理空间优化的克隆选择算法框架。算法框架设计的基本原则是将算法的一般性原理与空间优化问题的特殊性相分离,关键技术步骤包括:(1)将克隆选择算法流程分解成9个基本算子单元,并将算子分成“操作抗体基因”的算子和“不操作抗体基因”的算子;(2)地理空间优化问题建模。根据问题的特点设计问题编码方式,将优化问题表述为免疫算法的“抗体”。其中,每个“抗体”对应一种空间实体的分布状态,抗体的每一个基因位保存了某个空间实体的状态信息,如空间位置、拓扑关系和属性状态等;(3)根据地理空间优化的社会目标、经济目标和生态目标等,提取抗体的亲和度评价函数;(4)依次经过选择、克隆、变异、亲和度评价、克隆抑制和免疫补充等免疫操作,完成免疫抗体的进化,并获得最优解。
本发明的人工免疫智能优化系统在计算机中的实现以“算法与问题相分离”为基本原则,预期可对免疫算法研究者、空间优化问题研究者、决策者与决策部门3类用户角色开放。其中,(1)免疫算法研究者对于免疫算法有着深入的研究,能够为本系统提供性能更高的通用免疫算子,丰富系统的算子库;(2)空间优化问题研究者无需详细了解免疫算法的原理与免疫进化流程,只需将待求解的空间优化问题按照系统提供的接口,定义和扩展问题的编码方式、优化方案评价函数(亲和度函数)和约束条件等内容,完成空间优化问题的计算机建模,并开发相应的应用(Application),丰富系统的应用库;(3)决策者与决策部门是本系统的最终使用者,他们可通过本系统使用前2类用户提供的算子和应用,解决实际空间优化问题。
基于上述思路设计的面向地理空间优化的人工免疫智能优化系统,包括免疫算子库、问题应用库和应用平台模块,免疫算子库、问题应用库分别和应用平台模块进行通信连接;
所述免疫算子库,用于存储免疫算子插件;
所述问题应用库,用于存储解决空间优化问题的应用插件;
所述应用平台模块,用于根据用户选择,从免疫算子库调用相应的免疫算子插件确定克隆选择算法,以及从问题应用库中调用相应的应用插件,确定用户所需解决特定空间优化问题的抗体编码和亲和度评价函数;根据确定的抗体编码和亲和度评价函数,采用克隆选择算法获得用户所需解决特定空间优化问题的最优解。
为便于扩展,本发明进一步提出设置基础类库,用于提供免疫算子插件接口和空间优化问题接口,通过免疫算子插件接口开发的免疫算子插件输入到免疫算子库中并存储,通过空间优化问题接口开发的解决空间优化问题的应用插件输入到问题应用库并存储。因此,基础类库和免疫算子库、问题应用库分别进行通信连接,向免疫算子库、问题应用库提供访问。为便于兼容,系统的所有免疫算子插件都采用一致的标准开发,因此免疫算子插件接口是一种标准算子接口。同样的,系统的所有解决特定空间优化问题的应用插件都采用一致的标准开发,采用标准空间优化问题接口。
见附图1,本发明实施例的人工免疫智能优化系统的具体包括基础类库、免疫算子库、问题应用库和应用平台模块四个组成部分,
(1)所述基础类库,主要包括免疫算子插件接口的定义、空间优化问题接口的定义和抗体抽象类定义。抗体抽象类定义包括抗体基类定义、抗体种群定义等。一些相关的公共基础算法(随机数算法等)和用户控件也可被集成在该类库中,以便算法研究者通过免疫算子插件接口进行算法改进,或空间优化问题研究者通过空间优化问题接口进行应用开发时调用。
(2)所述免疫算子库,包含了一系列基于标准算子接口的免疫算子插件,为免疫算法提供多种操作算子,如算子插件1、算子插件2……算子插件n,此处n为免疫算子库中免疫算子插件的数目。各免疫算子插件可通过程序集反射机制,在应用平台模块的人机交互界面中向用户提供算子操作参数等算子描述信息,以供用户选择与配置。
(3)所述问题应用库,包含了由空间优化问题研究者开发的用户解决特定空间优化问题的应用插件,如应用插件1、应用插件2……应用插件n,此处n为问题应用库中应用插件的数目。各应用插件同样可以程序集反射的方式,在应用平台模块的人机交互界面中向用户提供当前插件所包含优化问题的编码、输入数据和目标函数配置等问题描述信息。
(4)所述应用平台模块,可采取人机交互界面(即免疫算法运行配置界面)与算法执行内核相分离的思想进行设计:用户通过免疫算法运行配置界面完成优化问题的定义和免疫算法的定义(包括算法流程的定制和免疫算子的选择),并将用户的配置结果保存为XML格式的算法运行配置文件发送给算法执行内核。算法执行内核从配置文件中解析读取各项配置参数信息,动态调用指定的算子插件和问题应用插件完成免疫算法流程的构建,最终执行优化计算并输出优化方案。算法执行过程包括对输入数据进行初始化,然后依次执行算子1、算子2…直到所有选择的算子执行完,然后判断是否结束,否则返回重复执行各算子,是则解码输出优化方案。输入数据主要包括亲和度评价函数所需的基础数据和参数。包括各种类型的矢量图形数据和栅格图形数据等。具体要根据优化问题的进行确定。例如在旅行商问题里,输入数据就是指包含各从城市点位置信息的矢量图形信息。
参见附图2,实施例的克隆选择算法由9个由免疫算子插件提供的算子组成,分别用于执行种群初始化、免疫选择、克隆、变异、交叉、自定义算子、亲和度评价、克隆抑制和免疫补充。各算子的实现可参考现有克隆选择算法的实现。自定义算子主要根据空间优化问题求解的实际需求进行确定,例如在解决旅行商路径优化问题中,可以在克隆选择算法中的变异、交叉步骤之后添加一个用于路径优化的K-Opt算子以加快免疫算法的收敛速度。K-Opt算子可采用现有K-Opt算法实现,本发明不予赘述。
所述采用克隆选择算法获得用户所需解决特定空间优化问题的最优解,具体步骤如下:
步骤1,根据抗体编码,进行种群初始化;
步骤2,对种群依次执行免疫选择、克隆、变异、交叉、自定义算子提供的操作、亲和度评价、克隆抑制和免疫补充;所述亲和度评价根据亲和度评价函数执行;
步骤3,判断是否终止,否则返回步骤2,是则解码输出作为最优解,即得到执行优化后的空间实体分布状态。
通过抗体编码,每个抗体对应一种空间实体的分布状态,抗体的每一个基因位保存了某个空间实体的状态信息,如如空间位置、拓扑关系和属性状态等。具体实施时,亲和度评价函数可根据解决空间优化问题的社会目标、经济目标和生态目标等确定。进行种群初始化时,一般应该按照一定的约束条件进行,对种群执行各算子时也会按照相应的约束条件,例如每个基因位上的数值都是取值范围为[0-100]的实数。抗体编码方案和亲和度评价函数、约束条件都可由用户选择的应用插件提供。各算子可分成“操作抗体基因”的算子和“不操作抗体基因”的算子,例如变异算子属于前者,免疫选择属于后者。
所述免疫算子库,可通过定义标准算子接口实现算子功能扩展。免疫算子插件结构与工作原理见附图3。 具体实施时,本领域技术人员可采用现有编程技术预先实现相关的接口、辅助类与枚举类型定义。免疫算法研究者在对算法进行改进时,只需定义一个继承了ICSOperator接口的算子类,并实现该接口的所有方法。为便于实施参考起见,提供实施例的免疫算子扩展的说明:(1)每个免疫算子插件中可封装多个方法函数,构成免疫算子插件的方法集合,如图中方法集合包括多个方法函数Function1、Function2…每个方法函数都具有相应参数描述、方法描述和执行函数。(2)函数方法执行所需的参数信息(如变异率,克隆系数等)通过定义一个CSParameters类型的数组保存,以便向算子使用者提供相关的参数信息。CSParameters类型用于存储算子执行参数的相关信息,包括参数的类型(Type)、值(Value)、值域(domain)和描述信息(Description)等。其中,值域用于检验参数设置的合法性,主要分为数值区间型与枚举型两类,用enumParasDomain枚举进行定义;(3)当免疫算子需要操作抗体基因时,需要指定当前算子的空间优化问题,通过空间优化问题提供的标准函数接口完成相应的基因操作;(4)算子操作的抗体种群(CSPopulation)对象(nPop)_和要执行的方法函数名称(nFunctionName)以参数的形式被传递给插件的任务执行中心Execute(执行)方法,匹配用户指定的执行函数和对应的参数信息,执行计算任务,并将计算结果写入抗体种群返回给应用平台;其中,String是参数的类型,ref 表示的是传递地址的方式,是关键字;(5)定义当前算子在免疫算法流程中操作的阶段(enumOperateStage),为实现免疫算法流程的自定义提供支持。(6)平台程序在识别算子插件时,算子插件通过上述标准接口函数向平台程序提供当前算子插件所包含的方法名称、参数信息、方法描述和执行阶段等有关算子插件的基本描述信息。
所述问题应用库,其基本结构和工作原理见附图4,具体实施时,本领域技术人员可采用现有编程技术预先实现相关接口定义。空间优化问题研究者可继承抗体基类CSAntibody和优化问题定义接口ICSOptimizationProblem将问题的编码方案、亲和度函数、约束条件和输入输出数据等集成到应用插件中。为便于实施参考起见,提供实施例的空间优化问题应用开发的说明:(1)ICSOptimizationProblem接口由用户交互接口和标准函数接口两部分内容组成;(2)用户交互接口用于向宿主平台提供抗体编码配置、亲和度函数配置和输入输出配置的人机交互界面(即用户交互界面)。用户在开发面向特定优化问题的应用插件时需要继承上述接口,并根据优化问题设计界面。运行时,平台从应用插件中动态调用相关用户界面以供用户配置;(3)函数接口部分向相关的免疫算子提供5个标准函数:抗体创建函数、抗体变异函数、亲和度评价函数、自定义优化方法、解码输出函数,分别用于创建抗体(CreateAb)、抗体变异(MutateAb)、亲和度评价(EvaluateAb)、结果输出(WriteResult)和自定义的抗体优化方法(OptimizeAb,用于封装局部搜索等传统优化算法以加快算法收敛速度,可不重写);(4)开发应用插件时必须针对具体问题重写以上函数接口,完成问题的建模。操作抗体基因的免疫算子可通过调用上述标准函数完成对基因的操作,如相应的初始化算子、变异算子、克隆算子、亲和度评价算子、自定义算子、解码输出算子;(5)优化平台通过抗体基类CSAntibody定义了免疫抗体的基本属性(亲和度、抗体长度等)和一般行为,提供基因数据结构。空间优化问题研究者需要结合具体问题设计基因的数据结构,以便生成面向特定空间优化问题的抗体,并实现相关操作方法。
在具体软件实现方面,人工免疫智能优化系统可采用C# 4.0作为软件开发语言,并利用C#语言的程序集反射机制实现免疫算子和问题应用插件的开发基础,采用开源的地理信息平台组件DotSpatial作为空间数据读写、显示和管理的基础支撑技术。
建议人工免疫智能优化系统采用向导式界面提供免疫算法运行配置界面,为用户提供智能地理空间优化计算工具,得到算法运行配置文件。例如具体可设计包括以下几个专业功能模块:
(1)空间优化问题选择:该模块自动识别出系统中包含的空间优化问题应用插件信息,并在界面上向用户提供,由用户选择当前要解决的空间优化问题;
(2)空间优化问题编码配置:该模块根据用户选择的空间优化问题,从用户选择的问题应用插件中提取编码配置界面,以便输入问题编码所需的参数信息。
(3)亲和度函数配置:该模块根据用户选择的空间优化问题,从用户选择的问题应用插件中提取亲和度函数配置界面。用户在此界面中完成相关的输入数据配置和参数配置。
(4)种群初始化设置:用户在此模块中输入抗体种群的初始化参数信息,包括种群规模和记忆抗体种群比例以及种群初始化策略。
(5)免疫算法定制:该模块从系统的免疫算子库中自动识别出各种算子插件,并将各算子的描述信息、参数信息提供给用户。用户可在此模块中根据问题求解的需要自定义算法流程、替换高性能免疫算子。该模块充分体现了本系统的优势:用户可根据需要自定义算法流程、自定义改进算子。
(6)算法终止条件设置:用户在此模块中定义算法的终止条件,如最大进化代数、算法最长执行时间。
(7)结果输出配置:用户在此模块中定义算法优化结果的输出。
为便于说明本发明效果起见,选取旅行商问题(Traveling Salesman Problem, TSP)作为系统应用实施案例。TSP问题的基本要求是:给定一个城市站点集合,查找出从某个城市出发,并通过所有给定的城市站点后,最终再回到起点城市的最小成本(成本可以是距离或时间)路线。TSP问题的求解过程十分复杂,且随着城市站点数量的增加,求解难度程序出指数上升的特点。TSP问题由于其解空间的多维、多局部极值特性,吸引了诸多智能计算研究者的兴趣,并被广泛用于测试和评价智能算法的计算性能。
为综合测试计算系统的功能和算法的性能,利用本发明实施例提供的系统进行了实验:使用佐治亚理工学院TSP问题研究小组发布的38个城市数据集(http://www.tsp.gatech.edu/world/countries.html , Djibouti-38 Cities )作为测试数据。该数据集迄今为止找到的最优路径长度为6656,各城市站点的空间位置和编号见附图5,图中每个小方块表示一个城市,数字表示该城市在数据集中的编号。计算任务要求是:从38个城市中的任意一点出发,依次经过其余的37个城市,最终再回到起点城市。为提高算法效率,添加自定义的交叉算子以引入遗传算法的交叉机制。算法基本参数设置为:种群规模100、记忆抗体规模15、增殖系数0.25、成熟因子0.15、变异概率0.05、交叉概率0.25、种群补充更新比率为0.1,最大进化代数60。算法执行60代后得到最优解路径长度和图形与已知最优解一致,计算结果见附图6,图中每一个小方块代表一个城市,方块与方块之间的连线表示旅行商走过的路线。
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。
Claims (5)
1.一种面向地理空间优化的人工免疫智能优化系统,其特征在于:包括免疫算子库、问题应用库和应用平台模块,免疫算子库、问题应用库分别和应用平台模块进行通信连接;
所述免疫算子库,用于存储免疫算子插件;
所述问题应用库,用于存储解决空间优化问题的应用插件;
所述应用平台模块,用于根据用户选择,从免疫算子库调用相应的免疫算子插件确定克隆选择算法,以及从问题应用库中调用相应的应用插件,确定用户所需解决特定空间优化问题的抗体编码和亲和度评价函数;根据确定的抗体编码和亲和度评价函数,采用克隆选择算法获得用户所需解决特定空间优化问题的最优解。
2.如权利要求1所述面向地理空间优化的人工免疫智能优化系统,其特征在于:所述克隆选择算法由9个由免疫算子插件提供的算子组成,分别用于执行种群初始化、免疫选择、克隆、变异、交叉、自定义算子、亲和度评价、克隆抑制和免疫补充;
所述采用克隆选择算法获得用户所需解决特定空间优化问题的最优解,具体步骤如下:
步骤1,根据抗体编码,进行种群初始化;
步骤2,对种群依次执行免疫选择、克隆、变异、交叉、自定义算子提供的操作、亲和度评价、克隆抑制和免疫补充;所述亲和度评价根据亲和度评价函数执行;
步骤3,判断是否终止,否则返回步骤2,是则解码输出作为最优解。
3.如权利要求1所述面向地理空间优化的人工免疫智能优化系统,其特征在于:所述抗体编码的实现方式为,每个抗体对应一种空间实体的分布状态,抗体的每一个基因位保存了某个空间实体的状态信息。
4.如权利要求1所述面向地理空间优化的人工免疫智能优化系统,其特征在于:所述亲和度评价函数根据解决空间优化问题的社会目标、经济目标和生态目标确定。
5.如权利要求1或2或3或4所述面向地理空间优化的人工免疫智能优化系统,其特征在于:设置基础类库,用于提供免疫算子插件接口和空间优化问题接口,通过免疫算子插件接口开发的免疫算子插件输入到免疫算子库中并存储,通过空间优化问题接口开发的解决空间优化问题的应用插件输入到问题应用库并存储。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210180455.7A CN102722570B (zh) | 2012-06-04 | 2012-06-04 | 一种面向地理空间优化的人工免疫智能优化系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210180455.7A CN102722570B (zh) | 2012-06-04 | 2012-06-04 | 一种面向地理空间优化的人工免疫智能优化系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102722570A true CN102722570A (zh) | 2012-10-10 |
CN102722570B CN102722570B (zh) | 2014-09-03 |
Family
ID=46948331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210180455.7A Active CN102722570B (zh) | 2012-06-04 | 2012-06-04 | 一种面向地理空间优化的人工免疫智能优化系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102722570B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102945511A (zh) * | 2012-10-23 | 2013-02-27 | 浙江大学 | 基于遥感电子地图的旅行商路径规划方法 |
CN107133416A (zh) * | 2017-05-24 | 2017-09-05 | 西北工业大学 | 一种uuv多层次混杂式免疫智能体结构建模方法 |
CN107644150A (zh) * | 2017-09-08 | 2018-01-30 | 杭州和壹基因科技有限公司 | 一种高密度遗传图谱的构建方法 |
CN107943945A (zh) * | 2017-11-24 | 2018-04-20 | 清华大学 | 一种大数据分析开发平台中异构算子管理方法 |
CN108154221A (zh) * | 2017-12-21 | 2018-06-12 | 武汉大学 | 一种面向“三线”协同优化的粒子群改进算法 |
CN108616892A (zh) * | 2018-03-16 | 2018-10-02 | 重庆邮电大学 | 一种基于混合免疫算法的4g基站选址方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101141140A (zh) * | 2007-09-04 | 2008-03-12 | 西安电子科技大学 | 免疫克隆智能多用户检测方法 |
CN101419623A (zh) * | 2008-12-09 | 2009-04-29 | 中山大学 | 地理模拟优化系统 |
CN101882791A (zh) * | 2010-07-13 | 2010-11-10 | 东北电力大学 | 一种提高可用输电能力的可控串联电容器最优配置方法 |
-
2012
- 2012-06-04 CN CN201210180455.7A patent/CN102722570B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101141140A (zh) * | 2007-09-04 | 2008-03-12 | 西安电子科技大学 | 免疫克隆智能多用户检测方法 |
CN101419623A (zh) * | 2008-12-09 | 2009-04-29 | 中山大学 | 地理模拟优化系统 |
CN101882791A (zh) * | 2010-07-13 | 2010-11-10 | 东北电力大学 | 一种提高可用输电能力的可控串联电容器最优配置方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102945511A (zh) * | 2012-10-23 | 2013-02-27 | 浙江大学 | 基于遥感电子地图的旅行商路径规划方法 |
CN107133416A (zh) * | 2017-05-24 | 2017-09-05 | 西北工业大学 | 一种uuv多层次混杂式免疫智能体结构建模方法 |
CN107133416B (zh) * | 2017-05-24 | 2020-02-14 | 西北工业大学 | 一种uuv多层次混杂式免疫智能体结构建模方法 |
CN107644150A (zh) * | 2017-09-08 | 2018-01-30 | 杭州和壹基因科技有限公司 | 一种高密度遗传图谱的构建方法 |
CN107943945A (zh) * | 2017-11-24 | 2018-04-20 | 清华大学 | 一种大数据分析开发平台中异构算子管理方法 |
CN108154221A (zh) * | 2017-12-21 | 2018-06-12 | 武汉大学 | 一种面向“三线”协同优化的粒子群改进算法 |
CN108616892A (zh) * | 2018-03-16 | 2018-10-02 | 重庆邮电大学 | 一种基于混合免疫算法的4g基站选址方法 |
CN108616892B (zh) * | 2018-03-16 | 2021-09-10 | 重庆邮电大学 | 一种基于混合免疫算法的4g基站选址方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102722570B (zh) | 2014-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102722570B (zh) | 一种面向地理空间优化的人工免疫智能优化系统 | |
Wu et al. | A novel sparrow search algorithm for the traveling salesman problem | |
Zhang et al. | Solution to the time-cost-quality trade-off problem in construction projects based on immune genetic particle swarm optimization | |
CN101419623B (zh) | 地理模拟优化系统 | |
Hahn et al. | Multi-objective robust strategy synthesis for interval Markov decision processes | |
CN110110858A (zh) | 一种基于强化学习的自动化机器学习方法 | |
CN104732091A (zh) | 基于自然选择蚁群算法的元胞自动机河床演变预测方法 | |
Dai et al. | Agent-based model of land system: Theory, application and modelling framework | |
Roberts et al. | Evolutionary multi-objective optimization for landscape system design | |
Qiao et al. | A hybridized parallel bats algorithm for combinatorial problem of traveling salesman | |
Lu et al. | Deep reinforcement learning for solving AGVs routing problem | |
Manca et al. | Fuzzy analysis for modeling regional delineation and development: the case of the Sardinian Mining Geopark | |
Stoter et al. | Towards a generic 3D standardisation approach for the Netherlands supporting different applications and encodings | |
Mou | An efficient ant colony system for solving the new generalized traveling salesman problem | |
Wang et al. | Landscape planning and management methods of beautiful rural pastoral complexes under the background of big data | |
CN103095763A (zh) | 互联网emc / ict 权衡配置方法 | |
Guo et al. | Design of a reinforcement learning-based intelligent car transfer planning system for parking lots | |
Rashevskiy et al. | Using Generative Design Technologies to Create Park Area Layouts for Urban Improvement | |
Affenzeller et al. | Metaheuristic optimization | |
CN102724250A (zh) | 互联网idk / ict 技术设计基础 | |
Gharbi et al. | An association rules based approach to predict semantic land use evolution in the french city of saint-denis | |
Zheng et al. | An autonomous mobile robot path planning strategy using an enhanced slime mold algorithm | |
Chen et al. | A household design method based on improved generative adversarial networks | |
Leng et al. | Spatial analysis and simulation | |
Mayall et al. | Landscape grammar 2: implementation |
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 |