CN104199884A - 一种基于r覆盖率优先的社交网络观察点选取方法 - Google Patents

Abstract

本发明公开了一种基于R覆盖率优先的社交网络观察点选取方法，该方法的核心思想，是将观察点集在网络中的R覆盖率作为判断观察点定位性能的依据，在指定观察点数量的情况下，选取网络中R覆盖率最大的一组节点作为观察点，使得这组观察点可以用尽可能小的计算消耗达到最高的定位准确率。本发明中的观察点选取方法是用于传播信息源定位的，对于相同的观察点数目，本发明具有更高的定位准确率。该方法能找到一组优化的观察点集合，这组观察点集合可以满足在固定观察点数量的情况下，其定位准确率更高；在保证定位准确率的情况下，需要的观察点更少，计算消耗也更小。

Description

一种基于R覆盖率优先的社交网络观察点选取方法

技术领域

本发明属于社交网络技术领域，具体为一种基于R覆盖率优先的社交网络观察点选取方法。

背景技术

伴随着博客(Blog)、微博(Micro-Blog)等新型社交网络服务的大量出现，社交网络(Social Networks Services，SNS)已经成为社会大众获取信息的重要渠道之一。社交网络上的信息传播为人们带来方便的同时，也为网络谣言的扩散提供了一种途径。因此需要对社交网络中信息扩散源进行定位，进而对舆情进行监控。一种可行的定位方法，是在网络中部署观察点，对信息源进行似然估计。

现有的观察点选取方法，是在网络中选取中心性特征值较大的节点作为观察点。通过这种方法得到的观察点，其定位准确率低，且计算消耗大，不适用于庞大的社交网络。针对上述情况，本发明提出了一种基于R覆盖率优先的社交网络观察点选取方法，其目的是提高扩散源定位的准确率。通过该方法得到的观察点集，在固定观察点数量的情况下，其定位准确率更高；在保证定位准确率的情况下，需要的观察点更少，计算消耗也更小。准确的定位社交网络中的谣言扩散源点，是一种有效的网络舆情监控手段。现有的一种定位方法，是在网络中部署少量的观察点，根据观察点记录的信息首次传入时间和传入方向，计算候选信息源的似然估计值，进而推断信息源。这种方法的定位准确性和计算消耗，都与观察点在网络中的部署位置有关。

现有的观察点选取方法，一种是从网络中随机选取一定数量的观察点，另一种是优先选取网络中中心性特征值(例如度数中心性、介数中心性、紧密度中心性、特征向量中心性、聚类系数、K-核等)大的节点。这两类方法选取的观察点集合，其定位准确率均较低，如果需要保证一个较高的定位准确率，就需要增加观察点的个数。但是，随着观察点数量的增加，计算的消耗也随之增加。对于社交网络这样规模庞大的用户群体来说，这样的计算消耗会严重影响定位的及时性。

发明内容

为了解决现有技术中存在的问题，本发明提供一种基于R覆盖率优先的社交网络观察点选取方法，找到一组优化的观察点集合，这组观察点集合可以满足在固定观察点数量的情况下，其定位准确率更高；在保证定位准确率的情况下，需要的观察点更少，计算消耗也更小。该方法的核心思想，是将观察点集在网络中的R覆盖率作为判断观察点定位性能的依据(理论依据下面有证明过程)，在指定观察点数量的情况下，选取网络中R覆盖率最大的一组节点作为观察点，使得这组观察点可以用尽可能小的计算消耗达到最高的定位准确率。其技术方案为：

一种基于R覆盖率优先的社交网络观察点选取方法，用m表示种群规模，G表示遗传代数，t表示当前种群代数，G(t)表示第t代种群，size(G(t))表示第t代种群中染色体个数，

算法.R覆盖率优先观察点集选取算法

输入：遗传代数G，种群规模m

输出：一组R覆盖率优先的观察点集

包括以下步骤：

步骤1：当t＝0时，初始化G(0)；

步骤2：如果t＜G

步骤3：计算G(t)中染色体的适应度函数值：取为适应度函数，其中T_i满足 $\left\{\begin{array}{cc}\mathrm{if}& x_i=0,T_i=\mathrm{\φ}\\ \mathrm{if}& x_i=1,T_i=T_{x_i}\end{array}\right..$ 即对于染色体上的基因x_i来说，当x_i＝0时，T_i为空；当x_i＝1时，以网络中节点i为根做R阶生成树，得到全部满足|E(s，x_i)|≤r的节点的集合

步骤4：对G(t)进行复制操作，将父染色体存入G(t+1)；

步骤5：如果size(G(t))＜m；

步骤6：执行交叉操作，将新生成的染色体存入G(t+1)；

步骤7：执行变异操作，将新生成的染色体存入G(t+1)；

步骤8：否则

步骤9：t+1，跳到步骤2；

步骤10：否则

步骤11：得到当前种群中适应度函数值最大的染色体，解码得到对应的观察点集合。

与现有技术相比，本发明的有益效果为：

本发明在已知网络拓扑结构和观察点数量的情况下，应用该算法，可以找到网络中一组R覆盖率最大的节点集合。该算法以遗传算法为基础，将网络中的节点映射为染色体中的基因。观察点选取方法是用于传播信息源定位的，与其他观察点选取方法相比，对于相同的观察点数目。本方法具有更高的定位准确率其有益效果具体表现在以下两个方面：

1.当网络中的观察点数量指定时，通过本发明所提出的观察点选取策略得到的观察点集，可以达到更高的定位准确率，提高了网络定位的性能。

2.当应用中需要保证一个较高的定位准确率时(例如，定位准确率不能低于80％)，那么本发明所提出的观察点选取策略需要的观察点数量明显少于现有方法，可以大大减少定位过程中的计算消耗。

附图说明

图1是覆盖集合示意图；

图2是交叉操作的过程；

图3是变异操作的过程。

具体实施方式

下面结合附图和具体实施方式对本发明的技术方案作进一步说明。

本发明提出的基于R覆盖率优先的社交网络观察点选取方法，其目的是找到一组优化的观察点集合，这组观察点集合可以满足在固定观察点数量的情况下，其定位准确率更高；在保证定位准确率的情况下，需要的观察点更少，计算消耗也更小。该方法的核心思想，是将观察点集在网络中的R覆盖率作为判断观察点定位性能的依据(理论依据下面有证明过程)，在指定观察点数量的情况下，选取网络中R覆盖率最大的一组节点作为观察点。

进一步，为了得到网络中R覆盖率最大的一组节点，本发明提出了基于R覆盖率优先的观察点集选取算法。在已知网络拓扑结构和观察点数量的情况下，应用该算法，可以找到网络中一组R覆盖率最大的节点集合。该算法以遗传算法为基础，将网络中的节点映射为染色体中的基因，具体内容如下：

用m表示种群规模，G表示遗传代数，t表示当前种群代数，G(t)表示第t代种群，size(G(t))表示第t代种群中染色体个数。

算法。R覆盖率优先观察点集选取算法

输入：遗传代数G，种群规模m

输出：一组R覆盖率优先的观察点集

BEGIN

1.当t＝0时，初始化G(0)；

2.IF t＜G

3.计算G(t)中染色体的适应度函数值

4.对G(t)进行复制操作，将父染色体存入G(t+1)；

5.IF size(G(t))＜m：

6.执行交叉操作，将新生成的染色体存入G(t+1)；

7.执行变异操作，将新生成的染色体存入G(t+1)；

8.ELSE

9.t+1，跳到步骤2；

10.ELSE

11.得到当前种群中适应度函数值最大的染色体，解码得到对应的观

察点集合；

END

对于一个社交网络，应用R覆盖率优先观察点集选取算法得到的，即为指定观察点数量下的一组优化观察点集合。将这组观察点集合部署在网络中，记录每个观察点首次收到信息的信息传入时间和信息传入方向，就可以计算网络中的候选源点(非观察点节点)的似然估计值估计值最大的候选源点，即为估算的信息扩散源点。具体计算公式如下：

$\hat{s}=\frac{\exp (-\frac{1}{2}{(d-{\mathrm{\μ}}_s)}^T{\mathrm{\Λ}}_s^{-1}(d-{\mathrm{\μ}}_s))}{\sqrt{\left|{\mathrm{\Λ}}_s\right|}}$

其中，[d]_k＝t_k+1-t₁，[μ_s]_k＝μ·(|p(s_i，o_k+1)|-|p(s_i，o₁)|)p(u，v)表示u到v之间的最短路径，|p(u，v)|表示这条最短路径的长度；μ表示网络中信息从一个节点传播到另一个节点所需时间的均值，σ²表示方差。

理论依据证明：

为了得到一种有效的观察点选取方法，本发明从观察点部署位置与定位准确率之间的关系入手，通过分析观察点部署位置对特定信息源和任意信息源定位准确率想影响，得到一种基于R覆盖率优先的观察点选取策略。具体过程如下：

对于网络G和观察点集合定义信息源点定位的准确率为：

定义1(特定源点的定位准确率)。令信息扩散源点为s_i，独立进行n次信息传播，若基于定位算法得到的预期源点则认为定位命中，记n次实验中定位命中的次数为m，则称基于观察点集合O，s_i的定位准确率为

定义2(任意源点的定位准确率)。随机选取网络中x个候选源点s_i，独立进行x次信息传播，记命中次数为y，则称网络G基于观察点集合O的定位准确率为P_o＝y/x。

由于实际网络中无法预知传播源点，因此本发明主要考虑针对任意源点的定位准确率，且假设网络G不随时间变化。因为定位准确率很大程度上受定观察点的个数及部署策略影响，所以本发明从研究网络中特定源点的定位准确率与观察点部署位置之间的关系入手，分析观察点部署与定位准确率的关系。

基于观察点的定位方法，其理论依据是建立在最短路径假设基础上的，即在计算似然估计值时，假设信息在节点间是沿着最短路径进行传播的，并通过对比信息传播延迟(观察点记录的信息到达时间的差值)的理论值和观察到的实际值，得到候选源点的似然估计值。理论传播延迟与实际传播延迟的相似度越高，计算的似然估计值误差越低，因此可以得到如下定理。

对于一组观察点取s为某一指定候选源点，p(m，n)表示节点m与n之间的最短路径，假设o₁为距离s最近的观察点，有如下定理

定理1。设不同的两个观察点集合O₁和O₂，其相对于s的定位准确率分别为和那么当l(s，O₁)＞l(s，O₂)时，有

证明：

以网络G中某一s∈G为候选源点，消息在未知时刻t^*开始传播，o₁和o_i分别在时刻t₁和t₁收到消息，因为网络中各边传播延迟θ_i满足θ-N(μ，σ²)，则有

$t_1=t^{*}+\underset{{\mathrm{\θ}}_i\∈p(s,o_1)}{\mathrm{\Σ}}{\mathrm{\θ}}_i$

$t_i=t^{*}+\underset{{\mathrm{\θ}}_i\∈p(s,o_k)}{\mathrm{\Σ}}{\mathrm{\θ}}_i$

$t_k-t_1=\underset{{\mathrm{\θ}}_i\∈p(s,o_k)}{\mathrm{\Σ}}{\mathrm{\θ}}_i-\underset{{\mathrm{\θ}}_i\∈p(s,o_1)}{\mathrm{\Σ}}{\mathrm{\θ}}_i$

设为基于O的p(s，o_i)和p(s，o₁)上边的传播延迟θ_i的算术均值，则有

${\stackrel{\‾}{\mathrm{\θ}}}_o=(\underset{{\mathrm{\θ}}_i\∈p(s,o_k)}{\mathrm{\Σ}}{\mathrm{\θ}}_i-\underset{{\mathrm{\θ}}_i\∈p(s,o_1)}{\mathrm{\Σ}}{\mathrm{\θ}}_i)/\left(\right|p(s,o_i)|-|p(s,o_1)\left|\right)$

由期望与方差的性质可知

$\begin{array}{c}E\left({\stackrel{\‾}{\mathrm{\θ}}}_o\right)=E\left[\left(\frac{1}{\left|p(s,o_i)\right|-\left|p(s,o_1)\right|}(\underset{{\mathrm{\θ}}_i\∈p(s,o_k)}{\mathrm{\Σ}}{\mathrm{\θ}}_i-\underset{{\mathrm{\θ}}_i\∈p(s,o_1)}{\mathrm{\Σ}})\right)\right]\\ =\frac{1}{\left|p(s,o_i)\right|-\left|p(s,o_1)\right|}[\underset{{\mathrm{\θ}}_i\∈p(s,o_k)}{\mathrm{\Σ}}E\left({\mathrm{\θ}}_i\right)-\underset{{\mathrm{\θ}}_i\∈p(s,o_1)}{\mathrm{\Σ}}E\left({\mathrm{\θ}}_i\right)]\\ =\frac{1}{\left|p(s,o_i)\right|-\left|p(s,o_1)\right|}\left(\right|p(s,o_i)|\·\mathrm{\μ}-|p(s,o_1)|\·\mathrm{\μ})=\mathrm{\μ}\end{array}$

$\begin{array}{c}D\left({\stackrel{\‾}{\mathrm{\θ}}}_o\right)=D\left[\left(\frac{1}{\left|p(s,o_i)\right|-\left|p(s,o_1)\right|}(\underset{{\mathrm{\θ}}_i\∈p(s,o_k)}{\mathrm{\Σ}}{\mathrm{\θ}}_i-\underset{{\mathrm{\θ}}_i\∈p(s,o_1)}{\mathrm{\Σ}}{\mathrm{\θ}}_i)\right)\right]\\ =\frac{1}{{\left(\right|p(s,o_i)|-|p(s,o_1)\left|\right)}^2}[\underset{{\mathrm{\θ}}_i\∈p(s,o_k)}{\mathrm{\Σ}}D\left({\mathrm{\θ}}_i\right)+\underset{{\mathrm{\θ}}_i\∈p(s,o_1)}{\mathrm{\Σ}}D\left({\mathrm{\θ}}_i\right)]\\ =\frac{1}{{\left(\right|p(s,o_i)|-|p(s,o_1)\left|\right)}^2}\left(\right|p(s,o_i)|\·{\mathrm{\σ}}^2+|p(s,o_1)|\·{\mathrm{\σ}}^2)\\ =\frac{\left|p(s,o_i)\right|+\left|p(s,o_1)\right|}{{\left(\right|p(s,o_i)|-|p(s,o_1)\left|\right)}^2}{\mathrm{\σ}}^2\end{array}$

利用切比雪夫不等式可得

$P\left\{\right|{\stackrel{\&OverBar;}{\mathrm{\&theta;}}}_o-\mathrm{\&mu;}|<\mathrm{\&epsiv;}\}\&GreaterEqual;1-\frac{\left(\right|p(s,o_i)|+|p(s,o_1)\left|\right){\mathrm{\&sigma;}}^2}{{\left(\right|p(s,o_i)|-|p(s,o_1)\left|\right)}^2{\mathrm{\&epsiv;}}^2}$

其中，ε为任意正数，当|p(s，o_i)-|p(s，o₁)|→∞时，有因此有

$\mathrm{lim\; P}\left\{\right|{\stackrel{\&OverBar;}{\mathrm{\&theta;}}}_o-\mathrm{\&mu;}|<\mathrm{\&epsiv;}\}=1$

说明当|p(s，o_i)-|p(s，o₁)|→∞时，算术均值无限接近数学期望μ，有[d]_k≈[μ]_k。

因此，当l(s，O₁)＞l(s，O₂)时，有即比更接近于μ，因此基于O₁的实际信息传播延迟与理论信息传播延迟间的误差更小。因为本发明采用的信息定位方法，是通过计算理论信息传播延迟相对于实际信息传播延迟的概率密度分布来实现的，因此实际信息传播延迟与理论信息传播延迟间的误差越小，定位准确率越高。所以，对于O₁和O₂，有

证明完毕。

定理1表明，对于某一特定信息源来说，观察点到该信息源的距离差的和较大时，理论传播延迟可以更准确的反应出信息传播过程中的真实情况，指定信息源在计算过程中的相似度也更高，被选为实际信息源的概率也就更大。也就是说，对于该源点的定位准确率也就更高。

如果有一组观察点集合可以满足，对于每一个指定候选源点来说，均具有较高的定位准确率，那么这组观察点部署对于任意信息源的定位准确率较高。以定理1中的结论为基础，得到定理2。

定理2。设网络G中任意候选源点s_i到距离其最近的观察点的距离为对于一组观察点O，候选源点集合s中的最大值那么对于两个观察点集合O₁和O₂，其对应的定位准确率为和，那么当时，有

证明：

对于一组观察点O，取G中任意两个候选源点s_i和s_j，o_i和o_j分别表示距离s_i和s_j最近的观察点，则有 $\left|p(s_i,o_i)\right|=p_{{\min s}_i}\&le;r_o,\left|p(s_j,o_j)\right|=p_{{\min s}_j}\&le;r_o,$ 那么，s_i，s_j和o_j构成了一个三角形，根据三角形边的性质，有

$\left|p(s_i,o_j)\right|\&GreaterEqual;\left|p(s_i,s_j)\right|-p_{\min s_j}$

其中，当o_j在p(s_i，s_j)上时，因此，当s_i为候选源点时，s_i到o₁与s_i到o_j之间的路径差满足

$\left|p(s_i,o_j)\right|-\left|p(s_i,o_i)\right|\&GreaterEqual;\left|p(s_i,s_j)\right|-p_{{\min s}_j}-p_{{\min s}_i}$

$\begin{array}{c}l(s_i,O)=\underset{j=1,j\&NotEqual;i}{\overset{K}{\mathrm{\&Sigma;}}}\left(\right|p(s,o_j)|-|p\left({s,o}_1\right)\left|\right)\\ \&GreaterEqual;\left[\underset{j=1,j\&NotEqual;i}{\overset{K}{\mathrm{\&Sigma;}}}\right|p(s_i,s_j)|-\underset{j=1,j\&NotEqual;i}{\overset{K}{\mathrm{\&Sigma;}}}{p}_{{\min s}_j}-(K-1)p_{{\min s}_i}]\end{array}$

取网络中节点的平均路径长度为R，因为所以

l(s_i，O)≥(K-1)(R-2r)

那么，对于两个观察点集合O₁和O₂，当时，有l(s_i，O₁)＜l(s_i，O₂)，由定理1可以得出，当l(s_i，O₁)＜l(s_i，O₂)时，有也就是说，对于某一指定信息源s_i来说，当时，对于O₁和O₂，定位准确率并且对于每一个候选源点s_i，均有 $P_{O_1{s}_i}<P_{O_2{s}_i},$ 那么 $P_{O_1}<P_{O_2}.$

证明完毕。

定理2表明，对于一组观察点集合来说，若对于每一个候选源点，距离其最近的观察点与该节点之间的距离较小，那么这组观察点的定位准确率较高。如果一组观察点能够满足在任意候选源点的一个较小范围内，均存在至少一个观察点，那么这组观察点部署即为一组优化部署。

由定理2可以得出，对于一组观察点来说，距离观察点距离较小的候选源点越多，那么这组观察点的定位准确率越高。也就是说，对于指定数量的观察点，若以一个指定距离为半径(这个距离要尽可能的小)，以观察点集合中的点为圆心做若干个圆去覆盖图中的候选源点，那么能够覆盖候选源点最多的一组观察点为定位准确率最高的一组观察点，即为一组最优的观察点部署。为了得到最优的观察点部署，本发明提出通过计算一组观察点集合的R覆盖率，来衡量这组观察点的定位准确率。观察点集合的R覆盖率定义如下：

定义3[R覆盖率]。在网络G中，对于某一观察点o_i，所有满足|E(s，o_i)|≤r的节点的集合称为观察点o_i的R覆盖集合。集合称为观察点集合O的覆盖集合，称为观察点集合O的R覆盖率。

如图1所示，以一组观察点的1覆盖率为例，在网络中选取观察点集合为{1，2，5，14}，则满足|E(s，o_i)|≤1的候选源点集合{1，2，3，5，8，11，14，16，17，18，19}为该观察点集合的一个1覆盖集合，其1覆盖率为|{1，2，3，5，8，11，14，16，17，18，19}|/20＝0.55

显然，随着Co的增大，可以有更多的候选源点满足在距离其R范围内存在至少一个观察点，那么对于一个观察点集合O来说，随着Co的增大，其定位准确率Po提高。在具体应用过程中，R的取值要视实际情况而定，取决于实际应用网络的拓扑结构以及观察点所占的比例，观察点越少R取值越大，观察点越多R取值越小，原则是观察点的覆盖集基本可以覆盖整个网络的前提下，R的值越小越好。

因此，可以选择R覆盖率作为观察点集合的评价标准。对于相同数量的观察点集合，高R覆盖率的集合具有更高的定位准确率。那么，观察点的优化部署问题就可以转化为R覆盖率的优化问题。

算法步骤详细说明：

基于上述结论，本发明提出了一种基于R覆盖率优先的社交网络观察点选取方法，对于指定数量的观察点，选取R覆盖率最大的一种节点作为观察点。进而，提出R覆盖率优先观察点集选取算法，内容如下：

用n维0-1向量{x₁，x₂，…，x_N}表示G中节点是否被选为观察点的状态，其中x_i＝0表示节点i未被选为观察点，x_i＝1表示节点i被选为观察点，k表示在G中可以部署的观察点的个数，C_o表示被选中的k个观察点集合O的覆盖率.那么，达到R覆盖率最大的k个节点的集合即为一组优化部署，可以有约束条件和目标函数为

$\left\{\begin{array}{c}{\mathrm{\&Sigma;}}_{i=1}^N{x}_i\&le;k\\ x_i\&Element;\left\{\mathrm{0,1}\right\},(i=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;N)\end{array}\right.$

max f(x₁，x₂，…x_N)＝maxC_o

显然，上述问题是一个集合覆盖问题，该问题已经被证明是一个NP完全问题.本发明采用遗传算法选取网络中的优化观察点集.将网络中的节点映射为染色体上的基因，通过复制，交叉，变异等一系列操作，模拟基因重组与进化的过程，通过多次重复迭代，直至得到最终的优化结果.

(1)个体编码

设染色体长度等于网络中节点个数n，采用二进制n维矢量x_i作为解空间参数的遗传编码，若染色体串第i位等于1，则表示对应的节点被选为观察点，否则表示该未被选为观察点.设种群规模为m，最大进化代数为G.

(2)适应度函数

取 $f\left(x_i\right)=\left|\underset{i=1}{\overset{N}{\&cup;}}{T}_i\right|$ 为适应度函数，其中T_i满足 $\left\{\begin{array}{cc}\mathrm{if}& x_i=0,T_i=\mathrm{\&phi;}\\ \mathrm{if}& x_i=1,T_i=T_{x_i}\end{array}\right..$ 即对于染色体上的基因x_i来说，当x_i＝0时，T_i为空；当x_i＝1时，以网络中节点i为根做R阶生成树，得到全部满足|E(s，x_i)|≤r的节点的集合

(3)复制操作(select)

计算种群中所有染色体的每一位基因对应值的总和对于满足的染色体，计算其适应度函数值，并将函数值最大的两条染色体保留到下一代种群，作为下一代种群的父染色体.

(4)交叉操作(crossover)

如图2所示，在两条父染色体中，保留其部分基因(保留长度随机选取)，然后将剩余部分的基因交叉互换，得到两个新的染色体存入下一代.

(5)变异操作(mutation)

如图3所示，对一条父染色体，将其某一位基因所对应的值进行取反操作，然后将得到的新染色体存入下一代.

以上所述，仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本技术领域的技术人员，在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变换或等效替换均落入本发明的保护范围内。

Claims (1)

1.一种基于R覆盖率优先的社交网络观察点选取方法，其特征在于，

用m表示种群规模，G表示遗传代数，t表示当前种群代数，G(t)表示第t代种群，size(Gt))表示第t代种群中染色体个数，

算法.R覆盖率优先观察点集选取算法

输入：遗传代数G，种群规模m

输出：一组R覆盖率优先的观察点集

包括以下步骤：

步骤1：当t＝0时，初始化G(0)；

步骤2：如果t＜G

步骤3：计算G(t)中染色体的适应度函数值：取一组节点的R覆盖率值为该组节点的适应度函数，记为 $f\left(x_i\right)=\left|\underset{i=1}{\overset{N}{\&cup;}}{T}_i\right|$ 其中T_i满足 $\left\{\begin{array}{cc}\mathrm{if}& x_i=0,T_i=\mathrm{\&phi;}\\ \mathrm{if}& x_i=1,T_i=T_{x_i}\end{array}\right..$ 即对于染色体上的基因x_i来说，当x_i＝0时，T_i为空；当x_i＝1时，以网络中节点i为根做R阶生成树，得到全部满足|E(s，x_i)|≤r的节点的集合

步骤4：对G(t)进行复制操作，将父染色体存入G(t+1)；

步骤5：如果size(G(t))＜m；

步骤6：执行交叉操作，将新生成的染色体存入G(t+1)；

步骤7：执行变异操作，将新生成的染色体存入G(t+1)；

步骤8：否则

步骤9：t+1，跳到步骤2；

步骤10：否则

步骤11：得到当前种群中适应度函数值最大的染色体，解码得到对应的观察点集合。