CN104732091A - 基于自然选择蚁群算法的元胞自动机河床演变预测方法 - Google Patents
基于自然选择蚁群算法的元胞自动机河床演变预测方法 Download PDFInfo
- Publication number
- CN104732091A CN104732091A CN201510133630.0A CN201510133630A CN104732091A CN 104732091 A CN104732091 A CN 104732091A CN 201510133630 A CN201510133630 A CN 201510133630A CN 104732091 A CN104732091 A CN 104732091A
- Authority
- CN
- China
- Prior art keywords
- ant
- cellular
- river bed
- algorithm
- taboo list
- 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.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于自然选择蚁群算法的元胞自动机河床演变预测方法,获取数据和构建相应的数据库,数据库包括河床演变的属性数据和地理空间数据;构建河床演变预测模型,对河床演变进行预测与分析,最后输出预测结果;其中,河床演变预测模型首先构建蚁群算法,用自然选择策略来优化蚁群算法,用优化的蚁群算法构建元胞自动机算法模型,将构建的模型应用到河床演变预之中。本发明的有益效果是采用自然选择策略蚁群算法的元胞自动机演变预测河床演变方法,该方法充分利用改进元胞自动机能较好模拟空间信息的优势,预测方法简单,效率高。
Description
技术领域
本发明属于智能算法技术领域,涉及基于自然选择蚁群算法的元胞自动机河床演变预测方法。
背景技术
现有的算法对于河床演变预测,方法复杂,且预测准确率低。
河床演变是河道水流与河床相互作用且不断发生时空变化的结果,河床演变受到诸多因素影响,影响河床演变的因素复杂多变,加上它们相互作用,使河床演变问题异常复杂,规律难寻。河床演变预测是河床演变分析的重要内容之一,怎样用科学合适的方法来研究河床演变预测是该领域研究的热点。目前的河床演变预测方法复杂,并且预测结果不准确。传统河床演变预测方法的缺点是工作效率较低、模型较复杂等。
目前已存在用蚁群算法挖掘元胞自动机的应用案例,但还没有基于自然选择策略的蚁群算法挖掘元胞自动机演变预测的应用案例。
发明内容
本发明的目的在于提供基于自然选择蚁群算法的元胞自动机河床演变预测方法,解决了目前的河床演变预测方法复杂、工作效率低的问题。
元胞自动机能的关键是如何定义转换规则,但目前所提取的转换规则大都是隐含的,是通过数学公式来表达,如何确定公式中的参数较为困难。改进的蚁群算法用来提取元胞自动机转换规则是非常适合的,其所提取的转换规则不需要通过数学公式来表达,能方便和准确地描述河床演变中的复杂关系。
本发明所采用的技术方案是按照以下步骤进行:
步骤一:获取数据和构建相应的数据库,数据库包括河床演变的属性数据和地理空间数据;
步骤二:构建河床演变预测模型,对河床演变进行预测与分析,最后输出预测结果;
其中,河床演变预测模型首先构建蚁群算法,用自然选择策略来优化蚁群算法,用优化的蚁群算法构建元胞自动机算法模型,将构建的模型应用到河床演变预之中。
进一步,所述步骤二中构建蚁群算法:
步骤502参数初始化;
步骤503循环次数为Nc,Nc=Nc+1;
步骤504蚁群的禁忌表索引号k=1;
在这里为每只蚂蚁建立一个禁忌表tabuk(k=1,2,…,m),将第k只蚂蚁访问过的位置放入禁忌表中,禁忌表不是固定不变的,随着第k只蚂蚁的运动进行动态调整,和allowedk对应的禁忌表tabuk,该表记录了蚂蚁k已走过的路径;
步骤505蚂蚁数目为k,k=k+1;
步骤506蚂蚁个体根据状态转移公式计算的概率选择元素;
步骤507修改禁忌表指针,即选择好之后蚂蚁移动到新的元素,并把该元素移动到蚂蚁个体的禁忌表中;
步骤507a若集中元素未遍历完,即k<蚂蚁总数m,则跳转到步骤504,否则执行步骤508;
步骤508根据蚁群算法公式更新每条路径上的信息量;
步骤508a若满足结束条件,即循环次数满足条件,则输出程序计算结果,否则清空禁忌表并跳转到步骤502;
步骤509输出程序计算结果;
步骤5010结束。
进一步,所述步骤二中自然选择策略优化蚁群算法:
步骤601初始信息素分布规则;
信息素的初始分布矩阵公式如下所示:
公式中,τij(0)为信息素的初始分布矩阵,dij为实体i与实体j之间的距离,n表示实体的规模;
步骤602路径选择概率更新规则;
蚂蚁选择下一个节点的概率公式为:
其中,为t时刻位于i的蚂蚁k选择j为目标的概率,其计算公式如上式所示,a是残留信息相对重要程度;β是期望值的相对重要程度;allowedk是所有可能的目标位置;规定每只蚂蚁选择的位置必须是不曾到过的,只有到达过所有的位置后才到回到出发位置,在这里为每只蚂蚁建立一个禁忌表tabuk(k=1,2,…,m),将第k只蚂蚁访问过的位置放入禁忌表中,禁忌表不是固定不变的,随着第k只蚂蚁的运动进行动态调整,和allowedk对应的禁忌表tabuk,该表记录了蚂蚁k已走过的路径;为自然选择策略求得的路径选择概率,蚂蚁在进行路径选择时引入随机进化因子rand,使得蚂蚁在选择下一个概率时依赖其它蚂蚁反馈的信息程度有所降低,这就有效地避免了蚁群受局部最优解的干扰;
步骤603信息素优化更新规则;
计算公式如下所示:
算法在第N次迭代后蚁群找到此次迭代的最优解,Dτij表示该最优解中子路径(i,j)上的信息素首次更新,路径信息素的首次更新公式如下式所示:
上述公式中,D(i,j)表示i,j之间的距离;Li表示第i只蚂蚁在本次循环中所走路径的长度;Lk表示第k只蚂蚁在本次循环中所走路径的长度,初始时Dτij(0)=C,在进行最优解路径上的信息素的首次更新后,再对最优解上的各子路径进行贡献度判定,对满足贡献度阈值的子路径信息素进行二次强化更新,Dτij(enforce)即为满足信息素更新的路径信息素二次增量,Q为信息素的增强系数,Dτij(new)是路径(i,j)上最终的信息素总量,q0则是路径贡献度阈值。
进一步,所述步骤二中构建元胞自动机算法:
步骤701元胞空间;
元胞空间:一个标准的细胞自动机由元胞、元胞状态、邻域和状态更新规则构成,用数学表示为:
A=(L,d,S,N,f)
其中L为元胞空间;d为元胞自动机内元胞空间的维数;S是元胞有限的、离散的状态集合;N为某个邻域内所有元胞的集合;f为局部映射或局部规则;
步骤702规则/变换函数;
任意一个n维元胞自动机定义成如下四元组
C=(Dn,S,N,f)
式中,Dn为n维欧氏空间,S是有限状态集合,r表示元胞自动机的格位,对于格位r上的元胞在t时刻的状态表示为
S(r,t)={S1(r,t),S2(r,t),…,Sk(r,t)}
Sk(r,t)表示格位r上的元胞在t时刻的第k个状态;N为r为中心元胞的邻域,是Dn的有限的序列子集
N={N1,N2,…,Nq}
Nq表示元胞r的第q个邻居相对于r的位置;f为S(r,t)→S(r,t+1)的转化规则
f={f1,f2,…fm}
fm表示元胞的空间的第m个转化规则;若元胞的当前状态为S(r,t),那么它下一个状态的第j个转化规则为
S(r,t+1)=fj(S(r+N1,t),S(r+N2,t),…,S(r+Nq,t))j=1,2,…,m
考虑二维空间,即D2,那么元胞的状态写为:S(r,t)=S(x,y,t),x,y为元胞在空间中的二维坐标,则有元胞的转换规则:
S(x,y,t+1)=f(S(x,y,t),…,S(x,y,t-k),S(x-1,y-1,t),S(x-1,y,t),S(x-1,y+1,t)
S(x,y-1,t),S(x,y+1,t),S(x+1,y-1,t),S(x+1,y,t),S(x+1,y+1,t))
其中,函数f(x)是待学习的转换函数,通过历史数据学习得到。
本发明的有益效果是采用自然选择策略蚁群算法的元胞自动机演变预测河床演变方法,该方法充分利用改进元胞自动机能较好模拟空间信息的优势,预测方法简单,效率高。
附图说明
图1基于自然选择策略蚁群算法的元胞自动机河床演变预测方法的流程图;
图2蚁群算法的基本流程图;
图3自然选择策略蚁群算法的流程图;
图4元胞自动机的基本流程图。
具体实施方式
下面结合具体实施方式对本发明进行详细说明。
元胞自动机能较好地模拟空间信息,该模型的关键是如何定义转换规则,但目前所提取的转换规则大都是隐含的,是通过数学公式来表达规则,如何确定公式中的参数较为困难。蚁群算法用来提取元胞自动机转换规则是非常适合的,该算法模仿蚂蚁寻找食物的方式来构造转换规则,其所提取的转换规则毋需通过数学公式来表达,能更方便和准确地描述自然界中的复杂关系,并且这些规则比数学公式更容易让人理解,然后用构建的模型来训练学习河床演变时间序列数据。
如图1至图4所示,本发明按照以下步骤进行:
步骤一:获取数据和构建相应的数据库;
步骤20获取数据,包括河床演变的属性数据和地理空间数据;
步骤30构建空间数据库和属性数据库,对获取的原始数据进行相应的筛选和处理;
空间数据库利用相应的GIS软件对已有的栅格数据或不规范地图数据进行数字化处理,制成一幅数字化地图;
属性数据库,包括航道演变预测所需的水文数据、地理信息等数据,可利用SQL Server等数据库软件构建。
针对已获取的初始数据,利用相应的GIS软件和数据库软件筛选出研究区域所需的数据,进而构建研究所需的数据库。对于空间数据,可用GIS软件,譬如ArcGIS和SuperMap等,对初始数据进行裁剪、渲染等操作,筛选出研究区域内的空间数据;对属性数据,可用SQL Server或Oracle等数据库软件,编写相应的存储过程或查询语句等操作来筛选出所需区域内的数据。元胞自动机适合于模拟空间数据和进行时间序列预测,通过以上软件选择出来的数据,包括空间数据和属性数据,并由相应的索引连接起来,里面包含可用于时间序列预测的数据,适合用于时间序列的预测。
步骤二:构建河床演变预测模型;
首先构建蚁群算法,自然选择策略来优化蚁群算法,用优化的蚁群算法构建元胞自动机算法模型,将构建的模型应用到河床演变预之中;
该部分主要包括步骤50蚁群算法、步骤60自然选择策略蚁群算法和步骤70元胞自动机。首先构建蚁群算法,自然选择策略来优化蚁群算法,用优化的蚁群算法构建元胞自动机算法;
本发明用自然选策略蚁群算法来挖掘提取元胞自动机的转换规则,然后将构建的新模型应用到河床演变预之中,对河床演变时间序列数据进行训练与学习,从而实现基于该新模型的河床演变预测与分析。最后输出预测结果。
在用新预测模型训练完河床演变预测数据之后,输出和保存预测结果。
前面的得到的河床演变数据库,主要用于改进的元胞自动机的预测。
元胞自动机适合于模拟空间数据和进行时间序列预测,通过相关软件选择出来的数据,包括空间数据和属性数据,两种数据库由相应的索引连接,数据库中有可用于时间序列预测的数据,适合用时间序列模型进行学习预测。
步骤50构建蚁群算法;
步骤502参数初始化;
步骤503循环次数为Nc,Nc=Nc+1;
步骤504蚁群的禁忌表索引号k=1;
在这里为每只蚂蚁建立一个禁忌表tabuk(k=1,2,…,m),将第k只蚂蚁访问过的位置放入禁忌表中,禁忌表不是固定不变的,随着第k只蚂蚁的运动进行动态调整,和allowedk对应的禁忌表tabuk,该表记录了蚂蚁k已走过的路径。
步骤505蚂蚁数目为k,k=k+1;
步骤506蚂蚁个体根据状态转移公式计算的概率选择元素;
步骤507修改禁忌表指针,即选择好之后蚂蚁移动到新的元素,并把该元素移动到蚂蚁个体的禁忌表中;
步骤507a若集中元素未遍历完,即k<蚂蚁总数m,则跳转到步骤504,否则执行步骤508;
步骤508根据蚁群算法公式更新每条路径上的信息量;
步骤508a若满足结束条件,即循环次数满足条件,则输出程序计算结果,否则清空禁忌表并跳转到步骤502;
步骤509输出程序计算结果;
步骤5010结束。
步骤60自然选择策略优化蚁群算法;
自然选择策略蚁群算法:包括初始信息素分布规则、路径选择概率更新规则、信息素优化更新规则。
步骤601初始信息素分布规则;
在蚂蚁算法求解问题中,选择下一个位置的依据主要2点:第一,t时刻连接节点位置i和位置j的路径上残留信息的浓度,由该算法提供;第二,由i转移到j的启发信息,它是由待解决问题给出,由该待解决问题具体相关算法实现。求解问题中一般取ηij=1/dij,dij表示节点位置i,j之间的距离。
在蚁群算法中信息素的初始分布为一常数,蚁群首次迭代时,各条路径中信息素对蚂蚁的诱导力均相同,此时蚂蚁搜索路径主要取决于节点间的距离,即距离越短,该路径被选择的概率越大而这条路径可能导致蚂蚁选择一条较长的路径作为最优解,使得算法的精度有待提高。为改善基本蚁群算法的这种缺陷,在算法迭代初期利用实体间的距离与规模之商作为初始信息素分布矩阵,以减少蚁群算法因首次选择较短路径而陷入局部最优解的概率。改进后蚁群算法,信息素的初始分布矩阵公式如下所示:
公式中,τij(0)为信息素的初始分布矩阵,dij为实体i与实体j之间的距离,n表示实体的规模。
步骤602路径选择概率更新规则;
生物在竞争中适应力强的保存下来,适应力差的被淘汰。根据这一原理引入随机进化因子(REF,random evolution factor)和进化飘变阈值(EDT,evolution driftthreshold)两个概念。EDT表示蚂蚁选择下个路径节点的概率的变异阈值,REF表示蚂蚁选择下个路径节点的概率变异参数。
每只蚂蚁按照预定的规则选择下一跳节点的概率,之后再对每只蚂蚁求得的概率进行进化选择,每只蚂蚁均会被分配一个REFk,当REFk的值大于EDT时,则表明蚂蚁在选择下一跳节点的概率需要进行修正,蚂蚁选择下一个节点的概率公式为:
其中,为t时刻位于i的蚂蚁k选择j为目标的概率,其计算公式如上式所示。a是残留信息相对重要程度;β是期望值的相对重要程度;allowedk是所有可能的目标位置;规定每只蚂蚁选择的位置必须是不曾到过的,只有到达过所有的位置后才到回到出发位置。在这里为每只蚂蚁建立一个禁忌表tabuk(k=1,2,…,m),将第k只蚂蚁访问过的位置放入禁忌表中,禁忌表不是固定不变的,随着第k只蚂蚁的运动进行动态调整,和allowedk对应的禁忌表tabuk,该表记录了蚂蚁k已走过的路径;为自然选择策略求得的路径选择概率。该方法中蚂蚁在进行路径选择时引入随机进化因子rand,使得蚂蚁在选择下一个概率时依赖其它蚂蚁反馈的信息程度有所降低,这就有效地避免了蚁群受局部最优解的干扰。
步骤603信息素优化更新规则;
为了改善蚂蚁倾向于选择非最优路径上的较短路径,而错过最优路径中的较长路径,该算法引入路径贡献度(CDSP,contribution degree of sub-paths),其计算公式如下所示:
算法在第N次迭代后蚁群找到此次迭代的最优解,Dτij表示该最优解中子路径(i,j)上的信息素首次更新。路径信息素的首次更新公式如下式所示:
上述公式中,D(i,j)表示i,j之间的距离,这里可以称为先验知识;Li表示第i只蚂蚁在本次循环中所走路径的长度。
其中Lk表示第k只蚂蚁在本次循环中所走路径的长度。初始时Dτij(0)=C,在进行最优解路径上的信息素的首次更新后,再对最优解上的各子路径进行贡献度判定,路径的贡献度计算公式如上式所示。对满足贡献度阈值的子路径信息素进行二次强化更新,Dτij(enforce)即为满足信息素更新的路径信息素二次增量,Q为信息素的增强系数。Dτij(new)是算法中路径(i,j)上最终的信息素总量,而q0则是路径贡献度阈值。
为提高效率,本发明用自然选择策略来优化蚁群算法,新的蚁群算法再用于挖掘提取元胞自动机的转换规则,而转换规则是最重要的内容。
步骤70构建元胞自动机算法;
该部分主要包括元胞空间和元胞转换规则两部分。
步骤701元胞空间;
元胞空间:一个标准的细胞自动机(A)由元胞、元胞状态、邻域和状态更新规则构成。用数学表示为:
A=(L,d,S,N,f)
其中L为元胞空间;d为元胞自动机内元胞空间的维数;S是元胞有限的、离散的状态集合;N为某个邻域内所有元胞的集合;f为局部映射或局部规则。
元胞空间是元胞所分布的空间网点的集合。理论上元胞空间在各个维向上是无限延伸的,为了能够在计算机上实现,而定义了边界条件,包括周期型、反射型和定值型。
一个元胞通常在一个时刻只有取自一个有限集合的一种状态,例如{0,1}。元胞状态可以代表个体的态度、特征、行为等。在空间上与元胞相邻的细胞称为邻元,所有邻元组成邻域。
步骤702规则/变换函数;
元胞自动机的关键是如何定义转换规则,但目前所提取的转换规则大都是隐含的,是通过数学公式来表达规则,如何确定公式中的参数较为困难。蚁群算法自下而上的研究思路与元胞自动机的思想不谋而合,用来提取元胞自动机转换规则是非常适合的。蚁群算法模仿蚂蚁寻找食物的方式来构造转换规则。该模型所提取的转换规则毋需通过数学公式来表达,能更方便和准确地描述自然界中的复杂关系,并且这些规则比数学公式更容易让人理解。
任意一个n维元胞自动机都可以定义成如下四元组
C=(Dn,S,N,f)
式中,Dn为n维欧氏空间,S是有限状态集合,r表示元胞自动机的格位,对于格位r上的元胞在t时刻的状态可以表示为
S(r,t)={S1(r,t),S2(r,t),…,Sk(r,t)}
Sk(r,t)表示格位r上的元胞在t时刻的第k个状态;N为r为中心元胞的邻域,是Dn的有限的序列子集
N={N1,N2,…,Nq}
Nq表示元胞r的第q个邻居相对于r的位置;f为S(r,t)→S(r,t+1)的转化规则
f={f1,f2,…fm}
fm表示元胞的空间的第m个转化规则。若元胞的当前状态为S(r,t),那么它下一个状态的第j个转化规则为
S(r,t+1)=fj(S(r+N1,t),S(r+N2,t),…,S(r+Nq,t))j=1,2,…,m
也就是说,元胞下一时刻的状态只与它当前邻居的状态有关。
以下为模型的建立:在论域内各个区域首先对数据进行网格划分,在常规元胞自动机模型的基础之上,引入分区机制,将论域空间分为9个区域。
基于元胞自动机模型中的相关概念:
1)元胞:所讨论的论域范围内的实测数据点,可以是个人、金融机构、企业等。元胞与邻居之间的联系表明各个元胞互相影响的关系;
2)元胞空间:考虑二维空间,即D2,那么元胞的状态可以写为:S(r,t)=S(x,y,t),x,y为元胞在空间中的二维坐标。将平面划分成100×100的网格,每个网格代表一个元胞。网格的规模可随着模拟的区域范围大小而改变。
3)邻居形式:为了方便起见,选用典型的Moore型邻居,元胞的邻居由周围的8个元胞组成;
4)元胞状态空间:元胞的状态S(x,y,t)表示t时刻位置(x,y)的高程。
5)元胞的转换规则:
S(x,y,t+1)=f(S(x,y,t),…,S(x,y,t-k),S(x-1,y-1,t),S(x-1,y,t),S(x-1,y+1,t)
S(x,y-1,t),S(x,y+1,t),S(x+1,y-1,t),S(x+1,y,t),S(x+1,y+1,t))
其中,函数f(x)是待学习的转换函数,可以通过历史数据学习得到。
本发明的优点还在于:传统河床演变预测方法的缺点是工作效率较低、模型较复杂等,为了改善这方面的问题,本发明提出了一种自然选择策略蚁群算法的元胞自动机演变预测方法,该方法充分利用改进元胞自动机能较好模拟空间信息的优势。针对蚁群算法存在的早熟、随机搜索时间长的缺陷,本发明根据生物进化过程中的自然选择思想对蚁群算法进行改进。新算法可以跳出当前局部最优解,继续寻找全局最优解,并将该算法应用元胞自动机的规则挖掘之中。预测方法简单,工作效率高。
Claims (4)
1.基于自然选择蚁群算法的元胞自动机河床演变预测方法,其特征在于:按照以下步骤进行:
步骤一:获取数据和构建相应的数据库,数据库包括河床演变的属性数据和地理空间数据;
步骤二:构建河床演变预测模型,对河床演变进行预测与分析,最后输出预测结果;
其中,河床演变预测模型首先构建蚁群算法,用自然选择策略来优化蚁群算法,用优化的蚁群算法构建元胞自动机算法模型,将构建的模型应用到河床演变预之中。
2.按照权利要求1所述基于自然选择蚁群算法的元胞自动机河床演变预测方法,其特征在于:所述步骤二中构建蚁群算法:
步骤502参数初始化;
步骤503循环次数为Nc,Nc=Nc+1;
步骤504蚁群的禁忌表索引号k=1;
在这里为每只蚂蚁建立一个禁忌表tabuk(k=1,2,…,m),将第k只蚂蚁访问过的位置放入禁忌表中,禁忌表不是固定不变的,随着第k只蚂蚁的运动进行动态调整,和allowedk对应的禁忌表tabuk,该表记录了蚂蚁k已走过的路径;
步骤505蚂蚁数目为k,k=k+1;
步骤506蚂蚁个体根据状态转移公式计算的概率选择元素;
步骤507修改禁忌表指针,即选择好之后蚂蚁移动到新的元素,并把该元素移动到蚂蚁个体的禁忌表中;
步骤507a若集中元素未遍历完,即k<蚂蚁总数m,则跳转到步骤504,否则执行步骤508;
步骤508根据蚁群算法公式更新每条路径上的信息量;
步骤508a若满足结束条件,即循环次数满足条件,则输出程序计算结果,否则清空禁忌表并跳转到步骤502;
步骤509输出程序计算结果;
步骤5010结束。
3.按照权利要求1所述基于自然选择蚁群算法的元胞自动机河床演变预测方法,其特征在于:所述步骤二中自然选择策略优化蚁群算法:
步骤601初始信息素分布规则;
信息素的初始分布矩阵公式如下所示:
公式中,τij(0)为信息素的初始分布矩阵,dij为实体i与实体j之间的距离,n表示实体的规模;
步骤602路径选择概率更新规则;
蚂蚁选择下一个节点的概率公式为:
其中,为t时刻位于i的蚂蚁k选择j为目标的概率,其计算公式如上式所示,α是残留信息相对重要程度;β是期望值的相对重要程度;allowedk是所有可能的目标位置;规定每只蚂蚁选择的位置必须是不曾到过的,只有到达过所有的位置后才到回到出发位置,在这里为每只蚂蚁建立一个禁忌表tabuk(k=1,2,…,m),将第k只蚂蚁访问过的位置放入禁忌表中,禁忌表不是固定不变的,随着第k只蚂蚁的运动进行动态调整,和allowedk对应的禁忌表tabuk,该表记录了蚂蚁k已走过的路径;为自然选择策略求得的路径选择概率,蚂蚁在进行路径选择时引入随机进化因子rand,使得蚂蚁在选择下一个概率时依赖其它蚂蚁反馈的信息程度有所降低,这就有效地避免了蚁群受局部最优解的干扰;
步骤603信息素优化更新规则;
计算公式如下所示:
算法在第N次迭代后蚁群找到此次迭代的最优解,Δτij表示该最优解中子路径(i,j)上的信息素首次更新,路径信息素的首次更新公式如下式所示:
上述公式中,D(i,j)表示i,j之间的距离;Li表示第i只蚂蚁在本次循环中所走路径的长度;Lk表示第k只蚂蚁在本次循环中所走路径的长度,初始时Δτij(0)=C,在进行最优解路径上的信息素的首次更新后,再对最优解上的各子路径进行贡献度判定,对满足贡献度阈值的子路径信息素进行二次强化更新,Δτij(enforce)即为满足信息素更新的路径信息素二次增量,Q为信息素的增强系数,Δτij(new)是路径(i,j)上最终的信息素总量,q0则是路径贡献度阈值。
4.按照权利要求1所述基于自然选择蚁群算法的元胞自动机河床演变预测方法,其特征在于:所述步骤二中构建元胞自动机算法:
步骤701元胞空间;
元胞空间:一个标准的细胞自动机由元胞、元胞状态、邻域和状态更新规则构成,用数学表示为:
A=(L,d,S,N,f)
其中L为元胞空间;d为元胞自动机内元胞空间的维数;S是元胞有限的、离散的状态集合;N为某个邻域内所有元胞的集合;f为局部映射或局部规则;
步骤702规则/变换函数;
任意一个n维元胞自动机定义成如下四元组
C=(Dn,S,N,f)
式中,Dn为n维欧氏空间,S是有限状态集合,r表示元胞自动机的格位,对于格位r上的元胞在t时刻的状态表示为
S(r,t)={S1(r,t),S2(r,t),…,Sk(r,t)}
Sk(r,t)表示格位r上的元胞在t时刻的第k个状态;N为r为中心元胞的邻域,是Dn的有限的序列子集
N={N1,N2,…,Nq}
Nq表示元胞r的第q个邻居相对于r的位置;f为S(r,t)→S(r,t+1)的转化规则
f={f1,f2,…fm}
fm表示元胞的空间的第m个转化规则;若元胞的当前状态为S(r,t),那么它下一个状态的第j个转化规则为
S(r,t+1)=fj(S(r+N1,t),S(r+N2,t),…,S(r+Nq,t))j=1,2,…,m
考虑二维空间,即D2,那么元胞的状态写为:S(r,t)=S(x,y,t),x,y为元胞在空间中的二维坐标,则有元胞的转换规则:
S(x,y,t+1)=f(S(x,y,t),…,S(x,y,t-k),S(x-1,y-1,t),S(x-1,y,t),S(x-1,y+1,t)
S(x,y-1,t),S(x,y+1,t),S(x+1,y-1,t),S(x+1,y,t),S(x+1,y+1,t))
其中,函数f(x)是待学习的转换函数,通过历史数据学习得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510133630.0A CN104732091A (zh) | 2015-03-25 | 2015-03-25 | 基于自然选择蚁群算法的元胞自动机河床演变预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510133630.0A CN104732091A (zh) | 2015-03-25 | 2015-03-25 | 基于自然选择蚁群算法的元胞自动机河床演变预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104732091A true CN104732091A (zh) | 2015-06-24 |
Family
ID=53455973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510133630.0A Pending CN104732091A (zh) | 2015-03-25 | 2015-03-25 | 基于自然选择蚁群算法的元胞自动机河床演变预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104732091A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909214A (zh) * | 2017-11-30 | 2018-04-13 | 国网江西省电力有限公司电力科学研究院 | 一种基于改进型蚁群算法的配网低电压自动治理方法 |
CN108156643A (zh) * | 2017-12-26 | 2018-06-12 | 中国联合网络通信集团有限公司 | 一种路由选择方法及系统 |
CN109137816A (zh) * | 2018-08-23 | 2019-01-04 | 湖北省水利水电规划勘测设计院 | 一种基于主流摆型波震荡机制的河型划分方法 |
CN111722925A (zh) * | 2020-06-05 | 2020-09-29 | 中国科学院自动化研究所 | 用于动态边缘计算的协同调度方法、系统、装置 |
CN111782500A (zh) * | 2019-06-28 | 2020-10-16 | 北京沃东天骏信息技术有限公司 | 用于生成数据的方法和装置 |
CN111929633A (zh) * | 2020-05-31 | 2020-11-13 | 宁夏隆基宁光仪表股份有限公司 | 一种基于融合蚁群算法的电能表检测系统及方法 |
CN113255221A (zh) * | 2021-05-28 | 2021-08-13 | 中国石油大学(华东) | 一种基于元胞自动机推演的井间连通性分析方法与装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6910057B2 (en) * | 2001-10-17 | 2005-06-21 | Hewlett-Packard Development Company, L.P. | Truth table candidate reduction for cellular automata based random number generators |
US6985918B2 (en) * | 2001-10-17 | 2006-01-10 | Hewlett-Packard Development Company, L.P. | Random number generators implemented with cellular array |
US7571200B2 (en) * | 2002-04-24 | 2009-08-04 | Hewlett-Packard Development Company, L.P. | Seedable pseudo-random number generator |
CN102238562A (zh) * | 2010-04-29 | 2011-11-09 | 电子科技大学 | 一种无线传感器网络覆盖优化方法 |
CN102608916A (zh) * | 2012-02-15 | 2012-07-25 | 浙江工业大学 | 一种基于元胞机的大型零件柔性作业车间的动态调度方法 |
CN102999922A (zh) * | 2012-11-19 | 2013-03-27 | 常熟理工学院 | 一种基于多任务蚂蚁系统的多细胞自动跟踪方法及其系统 |
CN103886187A (zh) * | 2014-03-06 | 2014-06-25 | 清华大学 | 一种基于数据同化的河道水沙实时预测方法 |
-
2015
- 2015-03-25 CN CN201510133630.0A patent/CN104732091A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6910057B2 (en) * | 2001-10-17 | 2005-06-21 | Hewlett-Packard Development Company, L.P. | Truth table candidate reduction for cellular automata based random number generators |
US6985918B2 (en) * | 2001-10-17 | 2006-01-10 | Hewlett-Packard Development Company, L.P. | Random number generators implemented with cellular array |
US7571200B2 (en) * | 2002-04-24 | 2009-08-04 | Hewlett-Packard Development Company, L.P. | Seedable pseudo-random number generator |
CN102238562A (zh) * | 2010-04-29 | 2011-11-09 | 电子科技大学 | 一种无线传感器网络覆盖优化方法 |
CN102608916A (zh) * | 2012-02-15 | 2012-07-25 | 浙江工业大学 | 一种基于元胞机的大型零件柔性作业车间的动态调度方法 |
CN102999922A (zh) * | 2012-11-19 | 2013-03-27 | 常熟理工学院 | 一种基于多任务蚂蚁系统的多细胞自动跟踪方法及其系统 |
CN103886187A (zh) * | 2014-03-06 | 2014-06-25 | 清华大学 | 一种基于数据同化的河道水沙实时预测方法 |
Non-Patent Citations (5)
Title |
---|
YUREN ZHOU ET AL ;: "《Ant Colony Optimization With Combining Gaussian Eliminations for Matrix Multiplication》", 《IEEE TRANSACTIONS ON CYBERNETICS》 * |
刘树龙: "《复杂系统的元胞自动机方法研究及其在河道演化建模中的应用》", 《万方学位论文库》 * |
吴华锋 等;: "《基于自然选择策略的蚁群算法求解TSP问题》", 《通信学报》 * |
张利平 等;: "《改进蚁群算法在车间作业调度中的应用研究》", 《三峡大学学报(自然科学版)》 * |
王强: "《GIS在河道冲淤及河床演变分析中的应用》", 《中国优秀博硕士学位论文全文数据库 (硕士)工程科技Ⅱ辑 》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909214A (zh) * | 2017-11-30 | 2018-04-13 | 国网江西省电力有限公司电力科学研究院 | 一种基于改进型蚁群算法的配网低电压自动治理方法 |
CN107909214B (zh) * | 2017-11-30 | 2021-07-02 | 国网江西省电力有限公司电力科学研究院 | 一种基于改进型蚁群算法的配网低电压自动治理方法 |
CN108156643A (zh) * | 2017-12-26 | 2018-06-12 | 中国联合网络通信集团有限公司 | 一种路由选择方法及系统 |
CN108156643B (zh) * | 2017-12-26 | 2020-06-02 | 中国联合网络通信集团有限公司 | 一种路由选择方法及系统 |
CN109137816A (zh) * | 2018-08-23 | 2019-01-04 | 湖北省水利水电规划勘测设计院 | 一种基于主流摆型波震荡机制的河型划分方法 |
CN111782500A (zh) * | 2019-06-28 | 2020-10-16 | 北京沃东天骏信息技术有限公司 | 用于生成数据的方法和装置 |
CN111929633A (zh) * | 2020-05-31 | 2020-11-13 | 宁夏隆基宁光仪表股份有限公司 | 一种基于融合蚁群算法的电能表检测系统及方法 |
CN111722925A (zh) * | 2020-06-05 | 2020-09-29 | 中国科学院自动化研究所 | 用于动态边缘计算的协同调度方法、系统、装置 |
CN111722925B (zh) * | 2020-06-05 | 2024-03-15 | 中国科学院自动化研究所 | 用于动态边缘计算的协同调度方法、系统、装置 |
CN113255221A (zh) * | 2021-05-28 | 2021-08-13 | 中国石油大学(华东) | 一种基于元胞自动机推演的井间连通性分析方法与装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN1987906B (zh) | 土地利用变化动态预测的方法 | |
CN107067091B (zh) | 一种基于蚁群优化算法的城市生态用地空间规划模型 | |
CN103150614B (zh) | 一种土地利用空间自动配置方法 | |
CN106716479A (zh) | 从局部模型导出性能的计算机实现方法 | |
Demetriou et al. | A spatial genetic algorithm for automating land partitioning | |
Yang et al. | An improved artificial bee colony algorithm for optimal land-use allocation | |
CN105512759A (zh) | 一种基于生物地理学优化算法的城市ca模型参数优化方法 | |
CN107705556A (zh) | 一种基于支持向量机和bp神经网络结合的交通流预测方法 | |
CN102750732A (zh) | 基于gis系统的土地资源利用变化动态预测模型及其使用方法 | |
CN101419623B (zh) | 地理模拟优化系统 | |
Yuan et al. | Regional land-use allocation using a coupled MAS and GA model: From local simulation to global optimization, a case study in Caidian District, Wuhan, China | |
Zhao et al. | An adaptive agent-based optimization model for spatial planning: A case study of Anyue County, China | |
CN107578121A (zh) | 基于改进萤火虫算法优化svm的变电工程造价预测方法 | |
CN113919606B (zh) | 一种分布式光伏电站智能选址方法及系统 | |
CN107807909A (zh) | 一种区域土地用途调控政策模拟与效应分析方法 | |
CN102646164A (zh) | 一种结合空间滤波的土地利用变化建模方法及其系统 | |
CN102184328A (zh) | 一种土地利用演化ca模型转换规则优化方法 | |
CN102722570B (zh) | 一种面向地理空间优化的人工免疫智能优化系统 | |
Zhang et al. | Basic farmland zoning and protection under spatial constraints with a particle swarm optimisation multiobjective decision model: a case study of Yicheng, China | |
CN108416524A (zh) | 基于一张图通用框架的产业规划精细化解读方法 | |
CN115238950A (zh) | 一种基于蚁群算法的输电线路路径智能选择方法及系统 | |
Duan et al. | Elliott wave theory and the Fibonacci sequence-gray model and their application in Chinese stock market | |
Bai et al. | Evaluation for development effect of enterprise innovation with neural network from low-carbon economy | |
CN107491841A (zh) | 非线性优化方法及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150624 |