CN105512752A - 一种城市公共服务设施选址方法 - Google Patents
一种城市公共服务设施选址方法 Download PDFInfo
- Publication number
- CN105512752A CN105512752A CN201510854595.1A CN201510854595A CN105512752A CN 105512752 A CN105512752 A CN 105512752A CN 201510854595 A CN201510854595 A CN 201510854595A CN 105512752 A CN105512752 A CN 105512752A
- Authority
- CN
- China
- Prior art keywords
- gene
- score
- pool
- gene pool
- addressing
- 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
- 238000010187 selection method Methods 0.000 title abstract 4
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 66
- 230000002068 genetic effect Effects 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 35
- 108090000623 proteins and genes Proteins 0.000 claims description 162
- 238000010353 genetic engineering Methods 0.000 claims description 27
- 206010064571 Gene mutation Diseases 0.000 claims description 18
- 230000014509 gene expression Effects 0.000 claims description 14
- 108020004999 messenger RNA Proteins 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 7
- 230000009471 action Effects 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 abstract 1
- 101150103518 bar gene Proteins 0.000 description 5
- 238000002922 simulated annealing Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/123—DNA computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种城市公共服务设施选址方法,涉及地理信息系统技术领域,以人口分布栅格数据为基础,仿真了改进的遗传算法在公共服务设施选址时的作用过程,实现了在给定条件下优化选址的功能。本发明属于城市规划领域,可以应用于智能交通、智慧城市、地理信息系统优化选址方法的仿真实验,从而为城市公共服务设施选址的研究提供参考和依据。
Description
技术领域
本发明涉及一种城市公共服务设施选址方法,属于地理信息系统领域。
背景技术
对于一个寻址过程而言,一般需要如下参数:(1)寻址范围地图数据,寻址范围内的地图数据包括了用于评价寻址结果的数据参数,一般而言以栅格数据的形式提供给寻址人、寻址程序;(2)寻址点个数,建筑作用范围。寻址点个数指的是所需要寻找的建筑的个数,现实工作生活中一般都需要寻找多个建筑的最优建筑地址,在多个建筑的最优建筑地址的寻找过程中,枚举方法因计算量大以及容易出错已经不再适用。建筑作用范围指的是单个建筑可以产生作用的范围,作为评价寻址结果的一个重要参数提供给寻址人、寻址程序;(3)寻址目标,寻址目标一般是使得寻址结果最优或者最符合所设定条件,或者是最快最优地找寻到一个符合目标的解。
所以对于一个寻址过程,寻址地图、寻址参数和寻址目标必不可少。
目前选址方法通常有模拟退火算法,禁忌搜索算法,遗传算法,蚁群算法等,模拟退火算法模仿固定物质的退火过程,其中能量函数用目标函数的某种形式来表示,算法的目标是搜索能量最低的系统状态,伴随温度下降,模拟退火算法以小概率选择能量升高的相邻状态,但实现全局收敛的时间性能较差;禁忌搜索标记已经得到的局部最优解,并在进一步迭代过程中避开这些解,因此对于初始解有较强的依赖性;遗传算法模拟生物种群的进化过程,以获得竞争力较强地下一代种群为目标进行迭代过程,因此普通的遗传算法有收敛速度慢、易早熟的不足;蚁群算法模仿蚂蚁依赖信息素进行通信而显示出的社会行为,是一种通用的随机试探法,但本身很复杂,一般需要较长的搜索时间。
发明内容
本发明所解决的问题:克服现有技术遍历方法计算时间长、普通遗传算法容易早熟的特点,根据用户所设定的寻址参数,在给定的寻址地图中寻找多个建筑点,使得建筑所覆盖面积内受众最大,通过改进遗传算法,仿真公共服务设施选址时的作用过程,实现了在给定条件下优化选址的功能。
本发明采用的技术方案为一种城市公共服务设施选址方法,步骤如下:
如图1所示:
第一步:导入地图数据:打开存储了人口分布栅格数据的文本文档,设定选择区域边界大小,设定寻址结果的存储路径;设定选择区域边界大小之后,在打开的人口分布栅格数据的文本文档中,读取研究区域的内容,作为选择区域的地图;
第二步:设定寻址目标:设定设址点的个数和单个建筑覆盖范围,这两个参数将作为第三步选址运算的运行参数;
第三步:遗传算法的实现:在第一步获得的选择区域的地图中,根据第二步设定的设址点个数和单个建筑覆盖范围,利用改进的较快速的选择和淘汰操作的遗传算法计算覆盖范围最大的目标序列;
第四步:寻址结果的存储和显示:将第三步获得的覆盖范围最大的目标序列存储在第一步设定好的寻址结果存储路径下。
所述第三步的改进的较快速的选择和淘汰操作的遗传算法实现过程为:
(1)初始化算法参数:根据第一步设定的选择区域边界大小计算表示一个地址时所需要的基因位数,根据第二步设定的设址点个数计算表达所需设施点个数个地址时所需要的基因长度,初始化遗传算法所需要的运行参数,所述运行参数包括交叉概率、基因突变率、参与算法的个体数和遗传操作的代数;然后随机生成父本基因池,清空子代基因池和总基因池,并进行一次遗传操作,遗传操作为基因交叉和基因突变,生成基因序列,再将生成的基因序列放置在子代基因池中;
(2)计算基因池得分:在第一步所读取的选择区域内,分别计算由(1)获得的各基因序列表达的选址结果的覆盖范围,并作为它们的对应得分;
(3)选择和淘汰操作:
有A和B两种方式,对于较快速的选择和淘汰操作,选择A,对于较少进化代数的选择和淘汰操作,选择B;
A.较快速的选择和淘汰操作:将父本基因池和子代基因池中的全部个体放置在总基因池中,根据(2)获得的得分将基因池进行排序,使得得分高的个体处于基因池的前部,而得分低的个体处于基因池的后面;将总基因池中前(1)中初始化的参与算法个体数个个体替代父本基因池,再对父本基因池进行一次遗传操作:基因交叉和基因突变,将生成的基因序列放置在子代基因池中;
B.较少进化代数的选择和淘汰操作:根据(2)获得的得分,对子代基因池和父本基因池分别进行排序,得到两个基因池中得分最高的个体;如果子代基因池中的个体最高得分比父本基因池中的最高得分要低,就视为这一次遗传操作失败了,将重新进行对父本基因池进行基因交叉和基因突变这两个遗传操作,生成(1)中初始化的参与算法个体数个个体放置在子代基因池中,再进行(2)计算基因池得分和(3)选择和淘汰的操作;如果此次遗传操作成功,则将子代和父本基因池中的全部个体放置在总基因池中,根据(2)获得的得分将基因池进行排序,使得得分高的个体处于基因池的前部,而得分低的个体处于基因池的后面;将总基因池中前(1)中初始化的参与算法个体数个个体替代父本基因池,再对父本基因池进行一次遗传操作:基因交叉和基因突变,将生成的基因序列放置在子代基因池中;
(4)迭代操作:重复(2)计算基因池得分和(3)选择和淘汰操作,直到达到(1)中预设的遗传操作的代数的边界值;
(5)邻域搜索:在遗传算法所得到的结果周围进行邻域搜索,经过(1)~(4)的操作,遗传算法如果没有收敛到全局最优解,也是收敛到离全局最优解很近的局部最优解上,对经过(1)~(4)得到的遗传算法结果进行一次邻域搜索,试探是否有更优的解,对局部最优解的邻域搜索时长与寻址点个数正相关。
本发明与现有的技术方法相比有益的效果是:
(1)寻址时间短。相较于遍历方法,多目标下的遗传算法本来就具有用时较短的特点。相较于传统的遗传算法寻址方法而言,改进的较快速的选择和淘汰操作的遗传算法具有寻址时间短的特点。例传统的遗传算法寻址方法在选择区域为10*10的地图上寻找4个建筑地址时需要消耗百毫秒量级的时间,而改进的较快速的选择和淘汰操作的遗传算法在十毫秒量级上便能完成运算。主要是因为传统遗传算法的轮盘赌选择会因为寻址点个数的增加而使得程序运行时间变长。
(2)寻址具有学习性。相较于遍历方法、普通遗传算法而言,寻址过程的发展方向较为随机,而改进的具有较少进化代数的选择和淘汰操作的遗传算法寻址方法,在进化的过程中具有一定的学习性,因此寻址的结果更为优化。传统遗传算法在选择区域为10*10的地图上寻找4个建筑时平均收敛迭代代数为50代左右,而较少进化代数的选择和淘汰操作的遗传算法寻址方法平均在19~20代便完成收敛。
附图说明
图1为本发明实现流程图;
图2为本发明中较快速遗传算法流程图;
图3为本发明中较少进化代数遗传算法流程图。
具体实施方式
下面结合附图及实施例对本发明进行详细说明。
如图1所示,针对城市公共服务设施选址时数据量大,人工计算成本高的特点,将遗传算法应用于设置条件下的城市公共服务设施寻址,以达到快速选址,优化选址的目的,具体实现如下:
准备工作:搭建开发环境
使用MicrosoftVisualC++6.0。
第一步:导入地图数据
1.1打开存储了人口分布栅格数据的的文本文档。
1.2设定选择区域边界大小,选择区域可以是1.1文本文档中的全部数据,也可以是用户指定区域范围内的数据。设定选择区域边界大小之后,将在选择区域边界内的人口分布栅格数据读取,成为接下来步骤所需要的地图。
1.3设定寻址结果的存储路径。在第四步结束之后,选址方法的选择结果将会以文本文档的格式存储在1.3所设定的寻址结果存储路径下。
第二步:设定寻址目标。
2.1设定设址点的个数。设址点个数表明了用户在1.2设定的选择区域内所要找的点的个数,这是一个大于0的正整数。
2.2设定单个建筑覆盖范围。单个建筑的覆盖范围是一个正方形区域,以正方形的边长作为设定的单个建筑覆盖范围的大小。2.1,2.2所设定的这两个参数将作为第三步选址运算的运行参数。
第三步:遗传算法的实现
在第一步获得的选择区域的地图中,根据第二步设定的设址点个数和单个建筑覆盖范围,利用改进的较快速的选择和淘汰操作的遗传算法计算覆盖范围最大的目标序列。
3.1初始化算法参数。
(1)根据1.2设定的选择区域边界大小计算表示一个地址时所需要的基因位数。假设表示一个地址时所需要的基因位数为nBit,选择区域边界大小为N。满足2nBit-1<N≤2nBit。
(2)根据2.1设定的设址点个数以及3.1(1)中得到的表示一个地址时所需要的基因位数nBit计算表达所需设施点个数个地址时所需要的基因长度。假设基因长度为nLength,设址点个数为n。则有:
nLength=nBit×n×2。
(3)初始化遗传算法所需要的运行参数。遗传算法所需要的运行参数有基因交叉概率、基因突变率、参与算法的个体数和遗传操作的代数。为了满足较快速的选择和淘汰操作的遗传算法,默认基因交叉概率为0.9,基因突变率为0.002,参与算法的个体数为50,遗传操作的代数为1000代。
(4)随机生成父本基因池。父本基因池是一个有若干条基因序列的基因序列的组合,基因条数为3.1(3)中设定的参与算法的个体数。每个基因序列长度为3.1(2)中计算出的nLength。基因序列的每一位利用随机函数在0,1中随机产生。
(5)清空子代基因池和总基因池。子代基因池是一个有若干条基因序列的基因序列的组合,基因条数为3.1(3)中设定的参与算法的个体数。每个基因序列长度为3.1(2)中计算出的nLength。总基因池是一个有若干条基因序列的基因序列的组合,基因条数为3.1(3)中设定的参与算法的个体数*2。每个基因序列长度为3.1(2)中计算出的nLength。在3.1(5)中,子代基因池和总基因池每条基因序列的每一位都被置为0。
(6)进行一次遗传操作:基因交叉和基因突变。
基因交叉的步骤:
1)父本基因池中,每条基因序列编号,每条基因序列都设置为未被选择的状态,进行2)。
2)判断是否所有基因都被选中,是则进行10),否则进行3)。
3)利用随机函数产生两个基因编号,进行4)。
4)判断对应基因序列是否被选择,若被选择,则重复3),若未被选择,进行5)。
5)将对应基因序列设置为被选择的状态,一个基因序列设为母本,另一个设为父本,进行6)。
6)利用随机函数产生一个小于1的正小数,判断这个小数是否小于3.1(3)中设定的基因交叉概率。如果小于进行7),否则进行3)。
7)利用随机函数生成基因交叉的起点位号start和终止位号stop,进行8)。
8)判断start是否小于等于stop,如果不是则将它们交换。进行9)。
9)将父本和母本基因序列的start位至stop位的序列交换,完成一次基因交叉过程。进行2)。
10)进行接下来的步骤。
基因突变的步骤:
1)在完成基因交叉的基因池中,设置一个自变量i,i为编号0,进行2)。
2)判断i是否大于等于3.1(3)中设定的参与算法的个体数,如果大于等于进行8),如果小于进行3)。
3)利用随机函数生成一个小于1的正小数,判断这个小数是否小于3.1(3)中设定的基因突变概率。如果小于进行4),否则进行6)。
4)利用随机函数生成一个小于3.1(2)中计算的基因长度nLength的正整数x,进行5)。
5)编号为i的基因序列的x位基因=1-编号为i的基因序列的x位基因。即进行一次基因突变的操作,进行6)。
6)i=i+1。进行7)。
7)进行2)。
8)进行接下来的步骤。
(7)将生成的基因序列放置在子代基因池中。
3.2计算基因池得分。在1.2所读取的选择区域内,根据2.2设定的单个建筑覆盖范围计算基因池中各条基因序列表达的选址结果的覆盖总量,并作为它们的对应得分。
假设选址点坐标为(x,y),设定的单个建筑覆盖范围为3*3。那么这个坐标的得分为:
Score=Map(x-1,y-1)+Map(x-1,y)+Map(x-1,y+1)+Map(x,y-1)+Map(x,y)+Map(x,y+1)+Map(x+1,y-1)+Map(x+1,y)+Map(x+1,y+1)。
其中Map(x,y)表示在1.2所读取的选择区域内坐标为(x,y)的人口分布栅格数据。
计算每条基因序列的得分步骤为:
1)当前基因序列得分设置为0。设置利用地图,利用地图为一个大小与1.2所读取的选择区域大小相等的二维数组,二维数组所有元素置为0表示未利用,进行2)。
2)设置变量i表示建筑号,i=0,进行3)。
3)判断i是否大于等于2.1设定的设址点个数,若大于等于,进行9),若小于则进行4)。
4)根据1.2设定的选择区域边界大小,判断i号建筑覆盖范围内的点是否越界。越界则将越界点的Map值设置为0。进行5)。
5)根据1)设置的利用地图,判断i号建筑覆盖范围内的点是否已经被利用。若已经被利用则将已经被利用点的Map值设置为0。进行6)。
6)按照3.2中之前提到的坐标得分计算方法进行i号建筑的得分计算。计算时将相应坐标的利用地图中的元素置为1,表示这个点已经被利用(计算)过了。进行7)。
7)当前基因序列的得分=当前基因序列得分+i号建筑得分。进行8)。
8)i=i+1。进行3)。
9)当前基因序列的得分计算完毕,可以进行下一步骤。
3.3选择和淘汰操作。
A)较快速的选择和淘汰操作,如图2所示,
1)将父本基因池和子代基因池中的全部个体放置在总基因池中。
2)根据3.2计算的得分将总基因池进行排序,使得得分高的个体处于基因池的前部,而得分低的个体处于基因池的后面。
3)将总基因池中前3.1中初始化的参与算法个体数个个体替代父本基因池。
4)再对父本基因池进行一次3.1(6)中所述的遗传操作:基因交叉和基因突变。
5)将生成的基因序列放置在子代基因池中。
B)较少进化代数的选择和淘汰操作,如图3所示:
1)根据3.2计算的得分,对子代基因池和父本基因池分别进行排序。
2)得到子代基因池和父本基因池中得分最高的个体。
3)如果子代基因池中的个体最高得分比父本基因池中的最高得分要低,就视为这一次遗传操作失败了。
4)对一次失败的遗传操作,重新进行对父本基因池进行基因交叉和基因突变这两个遗传操作,生成3.1中初始化的参与算法个体数个个体放置在子代基因池中。对于成功的一次遗传操作,可以跳过5)进行接下来的遗传算法。
5)再进行3.2计算基因池得分和3.1(6)选择和淘汰的操作。
3.4迭代操作。重复3.2计算基因池得分和3.3选择和淘汰操作,直到达到3.1(3)中预设的遗传操作的代数的边界值。
3.5邻域搜索。针对传统遗传算法容易过早收敛到局部最优解的情况(在实际生活中,局部最优解也往往达到了工程的要求),可以在遗传算法所得到的结果周围进行邻域搜索。经过3.1~3.4的操作,遗传算法如果没有收敛到全局最优解,也是收敛到离全局最优解很近的局部最优解上。因此对经过3.1~3.4得到的遗传算法结果进行一次邻域搜索,试探是否有更优的解。对局部最优解的邻域搜索时长与寻址点个数正相关。
邻域搜索的步骤:
1)获得3.1~3.4之后得到的遗传算法的解以及对应解的得分。进行2)。
2)设置扰动器。扰动器是一个长度为2.1中设定设址点的个数的一维数组。扰动器的每一位设置为0。设置扰动步长为1。进行3)。
3)判断扰动步长是否大于2.2中设定的单个建筑覆盖范围的1/2。若大于进行10),若小于进行4)。
4)坐标扰动。扰动器的i位对应i号建筑,扰动器i位为0则表示不动,i位为1则表示向北移动,i位为2则表示向东移动,i位为3则表示向南移动,i位为4则表示向西移动。移动的步长为3)中的步长。进行5)
5)设址点坐标为4)扰动后的坐标,根据3.2重新计算新坐标对应的得分。如果新坐标得分高于当前最高得分,用新坐标替代当前最高得分对应坐标,用新坐标得分替代当前最高得分。进行6)
6)扰动器的最末尾+1。进行7)
7)判断扰动器最末尾是否为5。为5则将扰动器最末尾置为0,前一位+1。进行8)。否则进行4)。
8)判断扰动器最新更新位是否为5。为5,如果最新更新位为最前位,则将此位置为0,进行9)。否则将此位置为0,前一位+1,进行4)。不为5则进行4)。
9)扰动步长+1。进行3)。
10)获得当前最高得分以及当前最高得分对应坐标,邻域搜索完毕。
第四步:寻址结果的存储和显示。将第三步获得的覆盖范围最大的目标序列存储在第一步设定好的寻址结果存储路径下。
总之,本发明仿真了遗传算法以及改进的遗传算法在fs公共服务设施选址时的作用过程,实现了在给定条件下优化选址的功能。而且,本发明实现了较快速和较少进化代数寻址的方法,这两种方法解决寻址时间长、优化无学习性等问题,以达到快速选址,优化选址的目的。
以上所述仅是针对城市公共服务设施选址方法的实施步骤,应当指出,对于本技术领域的普通技术人员来说,此方法还可以对原有系统在不改变硬件环境的条件下进行升级和增容,这些使用也应视为本发明的保护范围。
Claims (2)
1.一种城市公共服务设施选址方法,其特征在于:步骤如下:
第一步:导入地图数据:打开存储了人口分布栅格数据的文本文档,设定选择区域边界大小,设定寻址结果的存储路径;设定选择区域边界大小之后,在打开的人口分布栅格数据的文本文档中,读取研究区域的内容,作为选择区域的地图;
第二步:设定寻址目标:设定设址点的个数和单个建筑覆盖范围,这两个参数将作为第三步选址运算的运行参数;
第三步:遗传算法的实现:在第一步获得的选择区域的地图中,根据第二步设定的设址点个数和单个建筑覆盖范围,利用改进的较快速的选择和淘汰操作的遗传算法计算覆盖范围最大的目标序列;
第四步:寻址结果的存储和显示:将第三步获得的覆盖范围最大的目标序列存储在第一步设定好的寻址结果存储路径下。
2.根据权利要求1所述的城市公共服务设施选址方法,其特征在于:所述第三步的改进的较快速的选择和淘汰操作的遗传算法实现过程为:
(1)初始化算法参数:根据第一步设定的选择区域边界大小计算表示一个地址时所需要的基因位数,根据第二步设定的设址点个数计算表达所需设施点个数个地址时所需要的基因长度,初始化遗传算法所需要的运行参数,所述运行参数包括交叉概率、基因突变率、参与算法的个体数和遗传操作的代数;然后随机生成父本基因池,清空子代基因池和总基因池,并进行一次遗传操作,遗传操作为基因交叉和基因突变,生成基因序列,再将生成的基因序列放置在子代基因池中;
(2)计算基因池得分:在第一步所读取的选择区域内,分别计算由(1)获得的各基因序列表达的选址结果的覆盖范围,并作为它们的对应得分;
(3)选择和淘汰操作:
有A和B两种方式,对于较快速的选择和淘汰操作,选择A,对于较少进化代数的选择和淘汰操作,选择B;
A.较快速的选择和淘汰操作:将父本基因池和子代基因池中的全部个体放置在总基因池中,根据(2)获得的得分将基因池进行排序,使得得分高的个体处于基因池的前部,而得分低的个体处于基因池的后面;将总基因池中前(1)中初始化的参与算法个体数个个体替代父本基因池,再对父本基因池进行一次遗传操作:基因交叉和基因突变,将生成的基因序列放置在子代基因池中;
B.较少进化代数的选择和淘汰操作:根据(2)获得的得分,对子代基因池和父本基因池分别进行排序,得到两个基因池中得分最高的个体;如果子代基因池中的个体最高得分比父本基因池中的最高得分要低,就视为这一次遗传操作失败了,将重新进行对父本基因池进行基因交叉和基因突变这两个遗传操作,生成(1)中初始化的参与算法个体数个个体放置在子代基因池中,再进行(2)计算基因池得分和(3)选择和淘汰的操作;如果此次遗传操作成功,则将子代和父本基因池中的全部个体放置在总基因池中,根据(2)获得的得分将基因池进行排序,使得得分高的个体处于基因池的前部,而得分低的个体处于基因池的后面;将总基因池中前(1)中初始化的参与算法个体数个个体替代父本基因池,再对父本基因池进行一次遗传操作:基因交叉和基因突变,将生成的基因序列放置在子代基因池中;
(4)迭代操作:重复(2)计算基因池得分和(3)选择和淘汰操作,直到达到(1)中预设的遗传操作的代数的边界值;
(5)邻域搜索:在遗传算法所得到的结果周围进行邻域搜索,经过(1)~(4)的操作,遗传算法如果没有收敛到全局最优解,也是收敛到离全局最优解很近的局部最优解上,对经过(1)~(4)得到的遗传算法结果进行一次邻域搜索,试探是否有更优的解,对局部最优解的邻域搜索时长与寻址点个数正相关。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510854595.1A CN105512752A (zh) | 2015-11-30 | 2015-11-30 | 一种城市公共服务设施选址方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510854595.1A CN105512752A (zh) | 2015-11-30 | 2015-11-30 | 一种城市公共服务设施选址方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105512752A true CN105512752A (zh) | 2016-04-20 |
Family
ID=55720714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510854595.1A Pending CN105512752A (zh) | 2015-11-30 | 2015-11-30 | 一种城市公共服务设施选址方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105512752A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779311A (zh) * | 2016-11-24 | 2017-05-31 | 中冶赛迪工程技术股份有限公司 | 基于可靠性的枢纽内行人交通服务设施配置方法和装置 |
CN111461395A (zh) * | 2020-02-24 | 2020-07-28 | 合肥工业大学 | 临时配送中心的选址方法和系统 |
CN112115641A (zh) * | 2020-09-11 | 2020-12-22 | 同济大学 | 一种智能城市信息基础设施规划系统 |
CN113095943A (zh) * | 2021-05-10 | 2021-07-09 | 中国工商银行股份有限公司 | 位置确定方法、位置确定装置、电子设备及可读存储介质 |
CN113379241A (zh) * | 2021-06-09 | 2021-09-10 | 东南大学 | 基于服务等时圈的山地村镇公共服务设施布局方法与系统 |
CN114969237A (zh) * | 2022-07-26 | 2022-08-30 | 广州晨安网络科技有限公司 | 一种地理信息系统的地址自动分析匹配方法 |
-
2015
- 2015-11-30 CN CN201510854595.1A patent/CN105512752A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779311A (zh) * | 2016-11-24 | 2017-05-31 | 中冶赛迪工程技术股份有限公司 | 基于可靠性的枢纽内行人交通服务设施配置方法和装置 |
CN111461395A (zh) * | 2020-02-24 | 2020-07-28 | 合肥工业大学 | 临时配送中心的选址方法和系统 |
CN111461395B (zh) * | 2020-02-24 | 2022-08-02 | 合肥工业大学 | 临时配送中心的选址方法和系统 |
CN112115641A (zh) * | 2020-09-11 | 2020-12-22 | 同济大学 | 一种智能城市信息基础设施规划系统 |
CN113095943A (zh) * | 2021-05-10 | 2021-07-09 | 中国工商银行股份有限公司 | 位置确定方法、位置确定装置、电子设备及可读存储介质 |
CN113379241A (zh) * | 2021-06-09 | 2021-09-10 | 东南大学 | 基于服务等时圈的山地村镇公共服务设施布局方法与系统 |
CN114969237A (zh) * | 2022-07-26 | 2022-08-30 | 广州晨安网络科技有限公司 | 一种地理信息系统的地址自动分析匹配方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105512752A (zh) | 一种城市公共服务设施选址方法 | |
CN102778229B (zh) | 未知环境下基于改进蚁群算法的移动Agent路径规划方法 | |
CN110162041A (zh) | 一种基于自适应遗传算法的机器人路径规划方法 | |
CN109241580B (zh) | 一种地块设计方法、装置、计算机设备和存储介质 | |
CN103136603A (zh) | 一种智能土地利用布局优化配置方法 | |
CN104951834A (zh) | 基于遗传算法和粒子群集成的lssvm风速预测方法 | |
CN106991442A (zh) | 混合蛙跳算法的自适应核k‑means方法与系统 | |
CN110162060B (zh) | 一种基于改进烟花爆炸算法的机器人路径规划方法 | |
Li et al. | A comparative study on prediction methods for China's medium-and long-term coal demand | |
CN107145943A (zh) | 混沌背景中基于改进教学优化算法的检测回声状态网络微弱信号的方法 | |
CN105224738A (zh) | Lssvm非高斯脉动风速预测方法 | |
CN103294875B (zh) | 基于群体智能和自适应评价的群体编队仿真方法 | |
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 | |
CN109961129A (zh) | 一种基于改进粒子群的海上静止目标搜寻方案生成方法 | |
CN105678844A (zh) | 一种基于地物散乱点逐点增加的轮廓构建算法 | |
CN103714211B (zh) | 基于移动模式序列与多智能体粒子群的集成电路布图方法 | |
CN116595120B (zh) | 基于遗传算法的地图面要素注记自动配置方法 | |
CN115826591B (zh) | 一种基于神经网络估计路径代价的多目标点路径规划方法 | |
CN104392317A (zh) | 一种基于遗传文化基因算法的项目调度方法 | |
CN106508027B (zh) | 基于遗传算法的部署图点军标自动避让方法 | |
CN110210623A (zh) | 基于模拟退火和信息熵的自适应多目标混合差分进化算法 | |
CN112101608A (zh) | 一种海上风电场选址方法及装置 | |
CN113645632A (zh) | 基于人工免疫优化和可视多边形算法的5g基站布局方法 | |
CN112487723B (zh) | 一种基于多参数的中水热源泵系统优化设计方法 | |
CN114742593A (zh) | 一种物流仓储中心优化选址方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160420 |
|
WD01 | Invention patent application deemed withdrawn after publication |