CN104766359B - 一种飞虫运动模型噪声项的确认方法 - Google Patents
一种飞虫运动模型噪声项的确认方法 Download PDFInfo
- Publication number
- CN104766359B CN104766359B CN201510164063.5A CN201510164063A CN104766359B CN 104766359 B CN104766359 B CN 104766359B CN 201510164063 A CN201510164063 A CN 201510164063A CN 104766359 B CN104766359 B CN 104766359B
- Authority
- CN
- China
- Prior art keywords
- winged insect
- motion model
- energy term
- weight
- insect motion
- 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.)
- Active
Links
- 241000256626 Pterygota <winged insects> Species 0.000 title claims abstract description 113
- 230000033001 locomotion Effects 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012790 confirmation Methods 0.000 title claims abstract description 15
- 238000011156 evaluation Methods 0.000 claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 230000002068 genetic effect Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 6
- 238000013210 evaluation model Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 28
- 230000006399 behavior Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 241001465754 Metazoa Species 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000024703 flight behavior Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000029264 phototaxis Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种飞虫运动模型噪声项的确认方法，包括以下步骤：选取多个飞虫运动模型；根据飞虫运动模型的仿真数据与参考数据的相似程度计算每个飞虫运动模型的评价函数；初始化每个评价函数的权重和参数集合，设定参数集合中的参数范围；计算得到各飞虫运动模型的最优参数，以及最优参数下对应的能量项的值；建立能量项矩阵；计算得到标准化参数及其权重；与预设条件比较，符合输出结果，不符合进行迭代；选定评价函数的值最低的飞虫运动模型对应的噪声项作为最终结果；本发明采用信息熵方法动态计算评价模型中各能量项权重，使得各运动模型的比较更加公平，得到最优的噪声项结果。
Description
技术领域
本发明涉及计算机群组动画技术领域，尤其涉及的是一种飞虫运动模型噪声项的确认方法。
背景技术
飞虫群是地球上种类最多的动物之一，大自然中随处可见飞虫的群体行为，飞虫通过个体之间的局部交互，最终形成整个飞虫群的行为。飞虫群表现出许多与其它动物不一样的群体行为，比如聚集、相变、趋光性、大规模迁徙、逃跑等等。社会学家和人类学家提出了很多模型来表示动物的这种群体行为，这些模型经常被应用到计算机动画、虚拟现实、游戏等领域。
公开号为CN 103236072A的中国专利文献公开了一种基于噪声感知的飞虫群模拟方法，该方法包括：(1)用户指定噪声控制参数，生成目标噪声场及其旋度场；(2)用户给定空间信息和网格参数，生成最小耗费场C；(3)用户给定飞虫个数、飞虫群的出生区域以及飞虫的基础飞行速率，使用和C持续获得飞虫个体在每一时刻的速度值，利用这些速度值按帧更新所有飞虫的最新空间位置，模拟飞虫群。该方法通过利用Perlin噪声生成无散噪声场来控制飞虫群的噪声行为，和利用最优路径算法生成空间最小耗费场来导航飞虫群的飞行路径，从而高效地模拟出逼真的飞虫群动画。
由于飞虫个体小，飞行速度快，天生存在不稳定的随机飞行行为，又容易聚集成具有成千上万个体的飞虫群，产生视觉上非常混乱的飞行效果。其中，飞虫群内部个体的噪声是飞虫群的一大特点，飞虫个体的噪声相当于飞虫的随机运动，飞虫运动模型中的噪声项对仿真结果有着不可忽视的影响。
因此，如何选取飞虫运动模型的噪声项，从而使得飞虫运动模型的仿真结果与真实的飞虫运动尽可能地接近，成为一个飞虫群模拟、仿真的重要问题。
发明内容
本发明提供了一种飞虫运动模型噪声项的确认方法，将该方法用于生成与真实运动尽可能接近的飞虫运动模型，使飞虫运动模型中噪声项的确定更加科学，对模型的飞虫运动模型的评价也更加公平。
一种飞虫运动模型噪声项的确认方法，包括以下步骤：
(1)选取多个飞虫运动模型，每个飞虫运动模型包括基础项和噪声项，各飞虫运动模型的基础项相同，各飞虫运动模型的噪声项选用不同类型；
(2)获取真实的飞虫运动数据作为参考数据，并根据飞虫运动模型的仿真数据与参考数据的相似程度计算每个飞虫运动模型的评价函数；
(3)初始化每个评价函数的权重和参数集合，设定参数集合中的参数范围；
(4)以评价函数为目标函数，使用智能优化算法计算得到各飞虫运动模型的最优参数，仿真数据与参考数据相似程度最大时，得到最优参数以及最优参数下对应的能量项的值；
(5)根据步骤(4)得到的最优参数下对应的能量项的值，建立能量项矩阵X＝(xij)l×n：
其中，l为飞虫运动模型个数，n为评价函数的能量项个数，xij表示任一能量项的值，i表示能量项矩阵的第i行，j表示能量项矩阵的第j列，所述能量项矩阵的每一行表示同一飞虫运动模型在最优参数情况下对应的各能量项的值，而能量项矩阵的每一列表示各飞虫运动模型在最优参数下同一指标对应的能量项的值；
(6)使用信息熵方法计算能量项矩阵中各能量项对应的标准化参数及其权重；
(7)当步骤(6)计算得到的权重符合预设条件时，则进入步骤(8)；
不符合预设条件时，利用步骤(4)中得到的最优参数集合以及步骤(6)得到的权重更新飞虫运动模型的权重和参数集合，然后进入步骤(4)进行迭代；
(8)得到各飞虫运动模型的最优参数以及评价函数的各能量项的权重，选定评价函数的值最低的飞虫运动模型对应的噪声项作为最终结果。
参考真实的飞虫群运动的数据，对于给定的有限个具有相同基础项不同噪声项的飞虫运动模型，采用信息熵方法动态计算评价模型中各能量项权重，使得各运动模型的比较更加公平。
同时对于给定的能量项权重，通过智能优化算法，得到评价函数中各能量项的值，得到新的能量项权重，然后进行反复迭代，最终获得各运动模型的评价函数值，选取评价函数值最低的运动模型对应的噪声项作为选定的噪声项，以实现高效地模拟出逼真的飞虫群模型。
智能优化算法是通过模拟自然生态系统机制以求解复杂优化问题的仿生智能优化算法，这样的算法有蚁群算法、遗传算法、粒子群算法、模拟退火法等。
评价函数是指衡量飞虫运动模型模拟结果与真实情况差异的函数，步骤(2)中，任一飞虫运动模型建立的评价函数为其中，P是飞虫运动模型的参数的集合；Φ是指标的集合；φ为集合Φ中的任一指标；能量项Eφ是参考数据和仿真数据在指标φ上的概率密度的差；wφ表示能量项Eφ的权重。
Φ是指标的集合，指标是描述飞虫运动状态的物理量，指标的内容和数量可以认为选定，指标包括：速度，加速度，角速度，加速度，速度的光滑程度，相邻飞虫的最短距离，相邻飞虫的速度差等。
优选的，在步骤(1)中，不同的噪声项包括：白噪声、高斯白噪声、柏林噪声(PerlinNoise)和旋度噪声(Curl Noise)。
智能优化算法采用遗传算法，优选的，在步骤(4)中，使用遗传算法极小化评价函数得到各飞虫运动模型的最优参数，以及最优参数下对应的能量项的值。
遗传算法极小化评价函数的过程参考文章：Deb K,Pratap A,Agarwal S,et al.Afast and elitist multiobjective genetic algorithm:NSGA-II[J].EvolutionaryComputation,IEEE Transactions on,2002,6(2):182-197.
为了提高各能量项对评价结果影响的公平性，优选的，在步骤(6)中，使用信息熵方法计算能量项矩阵中各能量项对应的标准化参数及其权重具体步骤包括：
6-1、对能量项矩阵的每一列进行标准化，标准化公式为：
其中是标准化参数，xij为xij标准化后的值；
6-2、权重的计算公式如下：
令R＝(rij)l×n，rij＝1-x′ij；
则每一个能量项的熵为：
其中且当gij＝0时gijlngij＝0；
得到第i个能量项的权重为：
wj表示第j个能量项对应的权重；
ej表示第j个能量项对应的熵；
rij、gij为中间变量。
优选的，在步骤(7)中，预设阈值常量和最大迭代次数，所述的预设条件为：步骤(6)中计算得到的权重与上一次迭代的权重之间的距离小于阈值常量或者当前迭代次数为最大迭代次数。
本发明的飞虫运动模型噪声项的确认方法，通过参考真实的飞虫群运动的数据，对于给定的有限个具有相同基础项不同噪声项的飞虫运动模型，采用信息熵方法动态计算评价模型中各能量项权重，使得各运动模型的比较更加公平，同时对于给定的能量项权重，通过遗传算法计算求解最优参数，得到对应评价函数中各能量项的值，得到新的能量项权重，然后进行反复迭代，最终获得各运动模型的评价函数值，再选取评价函数值最低的运动模型对应的噪声项作为选定的噪声项，以实现高效地模拟出逼真的飞虫群模型。
附图说明
图1为本发明的技术方案的流程图。
具体实施方式
下面结合附图和实施例对本发明技术方案做进一步详细说明。
本实施例的飞虫运动模型噪声项的确认方法，飞虫运动模型是指飞虫群中个体的物理运动方程，利用信息熵计算评价函数各能量项的权重使得各飞虫运动模型的比较更加公平，评价函数是指衡量飞虫运动模型模拟结果与真实情况差异的函数。
如图1所示，本实施例的飞虫运动模型噪声项的确认方法包括以下步骤：
步骤101、设飞虫运动模型为M(P)＝Mbase+Mnoise，其中P为模型M的参数的集合，Mbase表示飞虫运动的基础项，Mnoise表示飞虫运动的噪声项。
常见的飞虫运动噪声项有白噪声、高斯白噪声、Perlin Noise、Curl Noise等，设可选的噪声模型有l个，保持Mbase相同，比较这l个拥有不同噪声项的飞虫运动模型，以确认选用哪个噪声项。
评价函数衡量飞虫运动模型的仿真数据与真实数据(参考数据)的相似程度，函数值越小，说明飞虫运动模型的仿真数据与真实数据越接近，其中Φ是指标的集合，指标是描述飞虫运动状态的物理量。φ是Φ中的任意指标，Eφ为指标φ对应的能量项，表示仿真数据与真实数据在指标φ上的距离，wφ是能量项Eφ的权重，是能量项Eφ对模型评价重要性的体现，权重越大，说明该权重对应能量项对评价结果的影响越大。
输入飞虫运动的真实数据(参考数据)，初始化各飞虫运动模型的权重wφ,wφ满足
并且初始化各飞虫运动模型的参数集合P，设定参数集合P中各参数的取值范围。
步骤102、以评价函数为目标函数，使用遗传算法极小化评价函数计算出参与比较的飞虫运动模型的最优参数，以及最优参数下对应的能量项的值。
根据得到的能量项的值建立能量项矩阵X，设可选的噪声模型个数为l，即有l个拥有相同基础性且不同噪声项的飞虫运动模型参与比较，且评价函数中的能量项个数为n，则能量项矩阵(标准化前)X＝(xij)l×n为：
其中能量项矩阵的每一行表示同一飞虫运动模型在最优参数情况下对应的各能量项的值，而能量项矩阵的每一列则表示同一飞虫运动模型在各自的最优参数下的任一指标对应的能量项的值。
步骤103、为了保证各能量项对评价结果影响的公平性，对矩阵X的每一列进行标准化：
其中是标准化参数，xij为xij标准化后的值；
能量项矩阵中的一行表示某一飞虫运动模型对应的各能量项的值，一列表示某个能量项对应的各飞虫运动模型的值，i表示能量项矩阵的第i行，j表示能量项矩阵的第j列。
令R＝(rij)l×n，rij＝1-x′ij；
则每一个能量项的熵为：
其中且当gij＝0时gijlngij＝0；
得到第i个能量项的权重为：
wj表示第j个能量项对应的权重；
ej表示第j个能量项对应的熵；
rij、gij为中间变量；
通过上述步骤计算得到各能量项对应的标准化参数及其权重。
步骤104、预设阈值常量ε和最大迭代次数，如果步骤103计算得到的权重与上一次迭代得到的权重的距离小于阈值常量ε，第k次迭代与第k+1次迭代的权重之间距离为或者当前迭代次数为最大迭代次数，转到步骤105；否则转到步骤102进行迭代。
步骤105、输出评价结果，即参与评价的l个飞虫运动模型的评价函数值，得到各飞虫运动模型相应的最优参数，以及评价函数的各能量项的权重，将评价函数值最低的模型作为与真实数据(参考数据)最接近的，该模型对应的噪声项被确定为最终选用的噪声项。
综上所述，本实施例的飞虫运动模型噪声项的确认方法，通过参考真实的飞虫群运动的数据，对于给定的有限个具有相同基础项不同噪声项的飞虫运动模型，采用信息熵方法动态计算评价模型中各能量项权重，使得各运动模型的比较更加公平，同时对于给定的能量项权重，通过遗传算法计算求解最优参数，得到对应评价函数中各能量项的值，得到新的能量项权重，然后进行反复迭代，最终获得各运动模型的评价函数值，再选取评价函数值最低的运动模型对应的噪声项作为选定的噪声项，以实现高效地模拟出逼真的飞虫群模型。
Claims (5)
1.一种飞虫运动模型噪声项的确认方法，其特征在于，包括以下步骤：
(1)选取多个飞虫运动模型，每个飞虫运动模型包括基础项和噪声项，各飞虫运动模型的基础项相同，各飞虫运动模型的噪声项选用不同类型；
(2)获取真实的飞虫运动数据作为参考数据，并根据飞虫运动模型的仿真数据与参考数据的相似程度计算每个飞虫运动模型的评价函数；
(3)初始化每个评价函数的权重和参数集合，设定参数集合中的参数范围；
(4)以评价函数为目标函数，使用智能优化算法计算得到各飞虫运动模型的最优参数以及最优参数下对应的能量项的值；
(5)根据步骤(4)得到的最优参数下对应的能量项的值，建立能量项矩阵X＝(xij)l×n：
其中，l为飞虫运动模型个数，n为评价函数的能量项个数，xij表示任一能量项的值，i表示能量项矩阵的第i行，j表示能量项矩阵的第j列；
(6)使用信息熵方法计算能量项矩阵中各能量项对应的标准化参数及其权重；
(7)当步骤(6)计算得到的权重符合预设条件时，则进入步骤(8)；
不符合预设条件时，利用步骤(4)中得到的最优参数集合以及步骤(6)得到的权重更新飞虫运动模型的权重和参数集合，然后进入步骤(4)进行迭代；
(8)得到各飞虫运动模型的最优参数以及评价函数的各能量项的权重，选定评价函数的值最低的飞虫运动模型对应的噪声项作为最终结果。
2.如权利要求1所述的飞虫运动模型噪声项的确认方法，其特征在于，在步骤(1)中，所述的噪声项包括：白噪声、高斯白噪声、柏林噪声或旋度噪声。
3.如权利要求1所述的飞虫运动模型噪声项的确认方法，其特征在于，在步骤(4)中，使用遗传算法极小化评价函数得到各飞虫运动模型的最优参数，以及最优参数下对应的能量项的值。
4.如权利要求1所述的飞虫运动模型噪声项的确认方法，其特征在于，在步骤(6)中，使用信息熵方法计算能量项矩阵中各能量项对应的标准化参数及其权重具体步骤包括：
6-1、对能量项矩阵的每一列进行标准化，标准化公式为：
<mrow>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>p</mi>
<mrow>
<mn>1</mn>
<mi>j</mi>
</mrow>
</msub>
</mrow>
<msub>
<mi>p</mi>
<mrow>
<mn>2</mn>
<mi>j</mi>
</mrow>
</msub>
</mfrac>
<mo>,</mo>
</mrow>
其中和是标准化参数，x'ij为xij标准化后的值；
6-2、权重的计算公式如下：
令R＝(rij)l×n，rij＝1-x'ij；
则每一个能量项的熵为：
其中且当gij＝0时gijln gij＝0；
得到第i个能量项的权重为：
wj表示第j个能量项对应的权重；
ej表示第j个能量项对应的熵；
rij、gij为中间变量。
5.如权利要求1所述的飞虫运动模型噪声项的确认方法，其特征在于，在步骤(7)中，预设阈值常量和最大迭代次数，所述的预设条件为：步骤(6)中计算得到的权重与上一次迭代的权重之间的距离小于阈值常量或者当前迭代次数为最大迭代次数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510164063.5A CN104766359B (zh) | 2015-04-08 | 2015-04-08 | 一种飞虫运动模型噪声项的确认方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510164063.5A CN104766359B (zh) | 2015-04-08 | 2015-04-08 | 一种飞虫运动模型噪声项的确认方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104766359A CN104766359A (zh) | 2015-07-08 |
| CN104766359B true CN104766359B (zh) | 2017-09-22 |
Family
ID=53648164
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510164063.5A Active CN104766359B (zh) | 2015-04-08 | 2015-04-08 | 一种飞虫运动模型噪声项的确认方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104766359B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108392208B (zh) * | 2018-02-23 | 2020-12-15 | 大同公元三九八智慧养老服务有限公司 | 一种基于多阶段模型的跌倒判断方法 |
| CN110988804B (zh) * | 2019-11-11 | 2022-01-25 | 浙江大学 | 一种基于雷达脉冲序列的雷达辐射源个体识别系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103236072A (zh) * | 2013-04-10 | 2013-08-07 | 浙江大学 | 一种基于噪声感知的飞虫群模拟方法 |
-
2015
- 2015-04-08 CN CN201510164063.5A patent/CN104766359B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103236072A (zh) * | 2013-04-10 | 2013-08-07 | 浙江大学 | 一种基于噪声感知的飞虫群模拟方法 |
Non-Patent Citations (2)
| Title |
|---|
| Entropy method for determination of weight of evaluating indicators in fuzzy synthetic evaluation for water quality assessment;ZOU Zhi-hong et al.;《Journal of Environmental Sciences》;20061231;第18卷(第5期);1020-1023 * |
| Inferring individual rules from collective behavior;Ryan Lukeman et al.;《Proceesings of the National Academy of Sciences》;20100713;第107卷(第28期);12576-12580 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104766359A (zh) | 2015-07-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108717568B (zh) | 一种基于三维卷积神经网络的图像特征提取与训练方法 | |
| Simpson et al. | Penalising model component complexity: A principled, practical approach to constructing priors | |
| CN107229904A (zh) | 一种基于深度学习的目标检测与识别方法 | |
| Xiong et al. | A hybrid model for simulating crowd evacuation | |
| CN106022215B (zh) | 人脸特征点定位方法及装置 | |
| CN112231968A (zh) | 基于深度强化学习算法的人群疏散仿真方法及系统 | |
| CN108062585A (zh) | 一种基于飞蛾扑火算法计算函数最值的方法 | |
| Liapis et al. | Sentient World: Human-Based Procedural Cartography: An Experiment in Interactive Sketching and Iterative Refining | |
| Rodzin et al. | Theory of bionic optimization and its application to evolutionary synthesis of digital devices | |
| CN104766359B (zh) | 一种飞虫运动模型噪声项的确认方法 | |
| CN111157002B (zh) | 基于多智能体进化算法的飞行器3d路径规划方法 | |
| Turan et al. | Using artificial intelligence for modeling of the realistic animal behaviors in a virtual island | |
| CN107886163A (zh) | 基于agn及cnn的单目标优化问题寻优方法及装置 | |
| CN109034278A (zh) | 一种基于极限学习机的elm-in-elm框架集成学习算法 | |
| Lehman et al. | Rewarding reactivity to evolve robust controllers without multiple trials or noise | |
| CN112560326B (zh) | 压力场的确定方法及装置 | |
| CN104766358A (zh) | 一种基于统计评价的飞虫运动模型参数的优化方法 | |
| CN113426109A (zh) | 一种基于因式分解机进行棋牌游戏行为克隆的方法 | |
| Ghasabeh et al. | Community detection in social networks using a hybrid swarm intelligence approach | |
| CN108510073A (zh) | 混合生物地理学的大数据挑战下多层感知器训练优化方法 | |
| Wang et al. | Particle swarm optimization with group decision making | |
| Trojovský et al. | On a new human-based metaheuristic optimization algorithm based on imitating foreign language education process | |
| Cheng-jun et al. | Double inverted pendulum system control strategy based on fuzzy genetic algorithm | |
| Wang et al. | Controlling crowd simulations using neuro-evolution | |
| Sun et al. | Artificial neural network using the training set of DTS for Pacman game |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |