CN111931997A - 基于加权偏好的多目标粒子群优化的自然保护区摄像头规划方法 - Google Patents
基于加权偏好的多目标粒子群优化的自然保护区摄像头规划方法 Download PDFInfo
- Publication number
- CN111931997A CN111931997A CN202010729328.2A CN202010729328A CN111931997A CN 111931997 A CN111931997 A CN 111931997A CN 202010729328 A CN202010729328 A CN 202010729328A CN 111931997 A CN111931997 A CN 111931997A
- Authority
- CN
- China
- Prior art keywords
- planning
- camera
- particles
- preference
- natural protection
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000005457 optimization Methods 0.000 title claims abstract description 25
- 230000006870 function Effects 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 230000004297 night vision Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 8
- 238000011423 initialization method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract 1
- 241001465754 Metazoa Species 0.000 description 14
- 241000282414 Homo sapiens Species 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000004883 computer application Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于加权偏好的多目标粒子群优化的自然保护区摄像头规划方法,用于自然保护区内监测摄像头规划的多目标问题。该方法首先运用层次分析法提取出不同自然保护区中对摄像头的多种性能的偏好程度,即权重,其次根据各个指标的权重设置一个加权偏好。然后将加权偏好运用到多目标粒子群优化算法(MOPSO)的全局最优粒子的选择,引导粒子群向偏好区域收敛,最后运用多目标偏好PSO对自然保护区不同类型摄像头数量进行优化,得出问题的优化解集,以供选择。该方法可以针对不同的自然保护区的自然条件,得出不同的规划方案。
Description
技术领域
本发明属于计算机应用技术领域,具体是基于加权偏好的多目标粒子群优化MOPSO用于自然保护区摄像头规划问题的方法。
背景技术
野生动物保护是当今一个非常重要的问题,建立自然保护区是保护野生动物的一个非常有效的方法。建立自然保护区可以保护人类赖以生存和发展的生物多样性,保证生物资源的永续利用,实现可持续发展。同时,建立自然保护区也可以增加人类对野生动物的了解和研究,探索动物在野外环境下的生活习性,也为启发式算法提供启发。
目前,随着人们对自然的关注度越来越高,全球逐渐建立起越来越多的自然保护区,但是为了避免野生动物的生活受到人类的干扰,数据的采集只能通过摄像头记录的方式进行。一般来说,自然保护区的占地面积都非常大,如何合理规划摄像头是一个值得思考的问题。同时,由于不同的自然保护区所处地理位置不同,其自然条件以及气候条件均不同,其中生活的野生动物种类不同,生活习性不同,为了更直观有效的观测野生动物的生活情况,需要不同性能的摄像头进行数据采集。有的地方靠近水源,湿度大,需要防水性能好的摄像机,有的地方气温高,需要耐热性好的摄像机,有的动物常年晚上活动,为了观察其生活情况就需要具有夜视功能的摄像机。如何根据不同的自然保护区的条件,在尽可能降低成本的情况下更有效的观察野生动物的生活情况,给出最合理的摄像头规划方案,在现如今非常重要。
发明内容
针对目前市面上摄像头种类,各摄像头的性能不同,其主要解决的问题不同,自然保护区在进行野生动物观测时的摄像头选择规划困难,本发明提出了基于加权偏好的MOPSO用于自然保护区摄像头规划问题的方法。
本发明的技术方案为:基于加权偏好的多目标粒子群优化的自然保护区摄像头规划方法,包括下列步骤:
步骤1:提取出不同自然保护区对于摄像头性能,包括夜视性能,防水性能,耐高温性能的偏好程度;
步骤2:采用均匀初始化方法,初始化摄像头规划的种群,每个粒子代表一种摄像头规划方案;
步骤3:计算摄像头规划粒子在各目标函数上的值,将生成的非支配解集存储到外部存档中;
步骤4:选择摄像头规划粒子的全局引导者,引导摄像头规划种群向偏好区域搜索;
步骤5:更新粒子群优化PSO公式,并为摄像头规划粒子的位置增加扰动,增加种群的多样性;
步骤6:计算摄像头规划粒子在各目标函数上的值,用来评价每个摄像头规划种群中的粒子好坏;
步骤7:将非支配规划解集加入外部存档,更新与维护外部存档;
步骤8:如满足终止条件,进入步骤9,否则跳入步骤4进行循环;
步骤9:结束。
进一步,所述的步骤1包含下列步骤:
步骤1.1:首先将需要决策的自然保护区摄像头数量,考虑的因素包括夜视性能,防水性能,耐高温性能按照它们之间的关系分为高层与低层;
步骤1.2:构造对比判断矩阵,将摄像头规划所考虑的因素如夜视性能,防水性能,耐高温性能两两比较,通过相对尺度标量来刻画规划中的两两因素之间的相对重要性程度,两两对比时采用的相对尺度标量设置如下:
uij取值为1是表示:ui与uj的重要性相同;
uij取值为3是表示:ui比uj的重要性稍强;
uij取值为5是表示:ui比uj的重要性强;
uij取值为7是表示:ui比uj的重要性明显的强;
uij取值为9是表示:ui比uj的重要性非常的强;
当uij取值为2,4,6,8表示:ui与uj的重要性之比在上述相邻等级之间;
当uij取值为1/2,……,1/9表示:uj与ui的重要性之比为以上uij的相反数;
其中ui表示第i个摄像头规划中的因素,uj为第j个摄像头规划中的因素;
根据上面的uij计算方法,得到的多个uij构成判别对比矩阵;
此矩阵的将在下面被使用,用来求各自然保护区摄像头规划各方案的相对权重值;
步骤1.3:层次单排序指的是,对于上一层而言,本层次规划的各个因素的相对重要性的排序,即根据对比判断矩阵求出各个摄像头性能的因素的相对权重,可写成向量形式,即w=(w1,w2,…,wn)T,得到的w即为对比判断矩阵A的特征向量,可以作为摄像头规划的各因素对于决策目标产生影响的权向量,即相对重要性的评价。
进一步,所述的步骤2包含下列步骤:
步骤2.1:初始化PSO算法的参数,如惯性权重ω,r1 r2随机数,函数的上下界,学习因子C1 C2;
步骤2.2:初始化摄像头规划种群的种群大小,迭代次数,随机初始化n个粒子的速度,位置,本发明采用均匀初始化的方法,即让n个粒子的位置,均匀的分布在函数的上界与下界之间,使得初始化的粒子能够布满整个决策空间。
进一步,所述的步骤3包含下列步骤:
根据各个自然保护区摄像头规划的指标建立相应的规划模型,其中,摄像头建设的的总成本为Ei,规划建立的各级别摄像头数量为Ai(i=1,2,3,4,5),自然保护区摄像头的利用率是野生动物总数Mi与摄像头总数Ci的比值,因此可知模型优化的目标是Min EiMaxφi;
计算各个粒子在两个目标函数上的值,根据pareto支配关系,确定非支配解,所谓的pareto支配关系如下:
对于种群P中的任意两个个体xa和xb,若同时满足:
则称个体xa支配xb,Fi()为目标函数,并将得到的非支配解集存放到外部存档中。进一步,所述的步骤4包含下列步骤:
步骤4.1:根据层次分析法所求的自然保护区摄像头规划中各因素的权重值,代入下式,求得每个粒子加权偏好值;
步骤4.2:在将种群中的粒子按照fitness从低到高进行排序,在fitness较高前10%中随机选择一个作为全局引导粒子,引导种群中的粒子向偏好区域移动。
进一步,所述的步骤5包含下列步骤:
步骤5.1:更新种群中的粒子速度vid,公式如下:
vid=ω*vid+C1*r1*(pbest-xid)+C2*r2*(gbest-xid)
其中i表示第i个粒子,d表示第d维,v表示速度,ω是惯性权重,r1 r2是均匀分布在(0,1)之间的随机数,C1 C2是学习因子,pbest与gbest分别表示粒子的个体最优值和全局最优值;
步骤5.2:更新种群中的粒子位置,公式如下:
xid=xid+vid
xid=fa(xi)
其中,xid表示粒子位置,fa()代表加入的扰动,在本发明中具体来讲,首先随机生成一个在0到1之间的随机数a,若a<0.2则实施扰动,对于D维坐标系的一个点P(x1,x2,…,xd),其中xj∈[a,b],a与b分别表示为j维上x的下界与上届,则fa(xi)的操作为:
xj=a+b-xj,j=1,2,…,d。
进一步,所述的步骤6中,计算种群中的各粒子在两个目标函数上的函数值,根据pareto支配关系,确定支配规划解集。
进一步,所述的步骤7包含下列步骤:
将本次迭代得到的非支配规划解集加入到外部存档中,并维护外部存档,删除被支配的规划解集,当外部存档的数量高于一定数量时,本发明根据fitness值来执行删去一部分粒子,具体过程如下:
将外部存档中的粒子按照fitness从低到高进行排序,在fitness较低10%中随机选择一个规划方案,将其删去,重复,直到外部存档中的粒子数量达到要求,从而保存了种群中的偏好值较高的规划粒子;最后,为了验证算法的可行性,本发明将基于加权偏好的多目标粒子群优化用于自然保护区摄像头规划方法分别在二维与三维标准测试函数进行测试。
本发明具有以下技术效果:
根据步骤1,本发明采用了层次分析法来提取不同自然保护区对摄像机性能中的各个因素的相对重要性,即权重,通过此操作,可以更好的进行野生动物生活习性观察,根据具体的不同自然保护区的具体情况,为其量身制定不同的规划方案,从而更好的保护野生动物。
根据步骤2,本发明采用了均匀初始化的方法来初始化种群中粒子的初始位置,与一般的随机初始化不同,该初始化方法能够将粒子均匀的分布在整个决策空间。它的优点在于能够在一定程度上解决粒子群早熟(得到相对较优的方案)的问题,使得种群在搜索的过程中多样性增加,从而更快更容易获得更好的规划方案,为自然保护区提供最好的摄像头布置方案。
根据步骤4,本发明设置了一个加权偏好值,根据加权偏好值来选择种群的全局引导者,这样的优点是引导种群向偏好的区域进行搜索,从而节约了计算成本,得到的规划方案更符合各个自然保护区的实际生态环境,最大程度地满足需求。
根据步骤7,本发明设置了一个加权偏好值,当外部存档中的非支配解数量超过要求时,与以往删去拥挤距离小的粒子不同,本发明选择删去加权偏好值较低的非支配解,直到外部存档中的非支配解的数量达到要求,这样可以删去与偏好不符合的粒子即规划方案,从而保留更适合的规划方案。
由此可见,该方法的效果是可以根据不同自然保护区的生态环境对摄像机性能的偏好程度,得出不同的规划方案,能够满足不同的需要。
附图说明
图1是本发明中的一种基于加权偏好的MOPSO用于自然保护区摄像头规划问题的方法的流程图;
图2是该算法在二维标准函数ZDT1上测试的结果。
图3是该算法在三维标准函数DTLZ2上测试的结果。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好的理解本发明。需要特别提醒注意的是,在以下的描述中,已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
本发明所采用的算法原理为:多目标粒子群优化算法(MOPSO)用于求解多个相互矛盾的目标。解决多目标问题是依赖pareto支配关系,尽可能地找到一组能最大化满足各个目标的集的集合。然而在现实问题中我们并不需要所有的非支配解,只需要满足我们要求的一小部分解供选择即可。偏好多目标粒子群优化算法应运而生。它通过提取不同自然保护区对摄像机性能的偏好,将其应用到算法搜索过程中,引导粒子群向偏好区域搜索,从而得到一小部分解,其又能够满足偏好,从而更好的运用于实际问题。
符号说明
如图1所示,本发明的一种基于加权偏好的MOPSO用于自然保护区摄像头规划问题的方法,包括下列步骤:
步骤1:提取出不同自然保护区对于摄像头性能(如夜视性能,防水性能,耐高温性能等)的偏好程度。
步骤2:采用均匀初始化方法,初始化摄像头规划的种群,每个粒子代表一种摄像头规划方案。
步骤3:计算摄像头规划粒子在各目标函数上的值,将生成的非支配解集存储到外部存档中。
步骤4:选择摄像头规划粒子的全局引导者,引导摄像头规划种群向偏好区域搜索。
步骤5:更新PSO公式,并为摄像头规划粒子的位置增加扰动,增加种群的多样性。
步骤6:计算摄像头规划粒子在各目标函数上的值,用来评价每个摄像头规划种群中的粒子好坏。
步骤7:将非支配规划解集加入外部存档,更新与维护外部存档。
步骤8:如满足终止条件,进入步骤9,否则跳入步骤4进行循环
步骤9:结束
整个过程的流程图如下图1所示。
本发明基于加权偏好的PSO用于摄像头规划问题优化的方法,所述的步骤1包含下列步骤:
步骤1.1:首先将决策的目标(自然保护区摄像头数量),考虑的因素如待机性能、夜视性能,防水性能,耐高温性能等等按照它们之间的关系分为高层与低层,其中高层为待机性能等大部分摄像机均需满足的,低层为夜视性能、耐高温性能等特定环境下摄像机需要满足的。
步骤1.2:构造对比判断矩阵。将摄像头规划所考虑的因素如夜视性能,防水性能,耐高温性能等两两比较。通过相对尺度标量来刻画规划中的两两因素之间的相对重要性程度,两两对比时采用的相对尺度标量设置如下:
u<sub>ij</sub>取值 | 含义 |
1 | u<sub>i</sub>与u<sub>j</sub>的重要性相同 |
3 | u<sub>i</sub>比u<sub>j</sub>的重要性稍强 |
5 | u<sub>i</sub>比u<sub>j</sub>的重要性强 |
7 | u<sub>i</sub>比u<sub>j</sub>的重要性明显的强 |
9 | u<sub>i</sub>比u<sub>j</sub>的重要性非常的强 |
2,4,6,8 | u<sub>i</sub>与u<sub>j</sub>的重要性之比在上述相邻等级之间 |
1/2,……,1/9 | u<sub>j</sub>与u<sub>i</sub>的重要性之比为以上u<sub>ij</sub>的相反数 |
其中ui表示第i个摄像头规划中的因素,uj为第j个摄像头规划中的因素
根据上面的uij计算方法,得到的多个uij构成判别对比矩阵,如下:
u<sub>1</sub> | u<sub>2</sub> | u<sub>3</sub> | |
u<sub>1</sub> | u<sub>11</sub> | u<sub>21</sub> | u<sub>31</sub> |
u<sub>2</sub> | u<sub>12</sub> | u<sub>22</sub> | u<sub>32</sub> |
u<sub>3</sub> | u<sub>13</sub> | u<sub>23</sub> | u<sub>33</sub> |
此矩阵将在下面被使用,用来求摄像头规划各方案的相对权重值。
步骤1.3:层次单排序指的是,对于上一层而言,本层次规划的各个因素的相对重要性的排序,即根据对比判断矩阵求出各个摄像头性能的因素的相对权重,可写成向量形式,即w=(w1,w2,…,wn)T。w求解方法如下:
由上述公式求得的w即为对比判断矩阵A的特征向量,可以作为摄像头规划的各因素对于决策目标产生影响的权向量,即相对重要性的评价。
上述的步骤2包含下列步骤:
步骤2.1:初始化PSO算法的参数,包括惯性权重ω,r1 r2随机数,函数的上下界,学习因子C1 C2,其中ω计算公式如下:
其中,now_num是当前迭代次数,iter_num是总迭代次数。
步骤2.2:初始化摄像头规划种群的种群大小,迭代次数,随机初始化n个粒子的速度,位置,本发明采用均匀初始化的方法,即让n个粒子的位置,均匀的分布在函数的上界与下界之间,使得初始化的粒子能够布满整个决策空间;
上述的步骤3包含下列步骤:
根据各个自然保护区摄像头规划的指标建立相应的规划模型,其中,摄像头建设的的总成本为Ei,规划建立的各级别摄像头数量为Ai(i=1,2,3,4,5),Qj是不同种类摄像头的成本价格,自然保护区摄像头的利用率是野生动物总数Mi与摄像头总数Ci的比值,相关公式如下:
因此可知模型优化的目标是Min Ei Maxφi,设置2个目标函数,R、Q分别为最终结果,该算法求解最小值,因此在优化最大值时采用取负数的方法进行,具体公式如下:
F1(xi)=R
F2(xi)=-Q
计算各个粒子在两个目标函数上的值,根据pareto支配关系,确定非支配解,所谓的pareto支配关系如下:
对于种群P中的任意两个个体xa和xb,若同时满足:
则称个体xa支配xb,并将得到的非支配解集存放到外部存档中。
上述的步骤4包含下列步骤:
步骤4.1:根据层次分析法所求的自然保护区摄像头规划中各因素的权重值,代入下式,求得每个粒子加权偏好值,公式如下:
fitness=w1*F1(xi)+w2*F2(xi)
w1为目标函数F1(xi)的权重,w2为目标函数F2(xi)的权重。
步骤4.2:在将种群中的粒子按照fitness从低到高进行排序,在fitness较高前10%中随机选择一个作为全局引导粒子,引导种群中的粒子向偏好区域移动。
上述的步骤5包含下列步骤:
步骤5.1:更新种群中的粒子速度,公式如下:
vid=ω*vid+C1*r1*(pbest-xid)+C2*r2*(gbest-xid)
其中i表示第i个粒子,d表示第d维,v表示速度,ω是惯性权重,r1 r2是均匀分布在(0,1)之间的随机数,C1 C2是学习因子。pbest与gbest分别表示粒子的个体最优值和全局最优值。
步骤5.2:更新种群中的粒子位置,公式如下:
xid=xid+vid
xid=fa(xi)
其中,xid表示粒子位置,fa()代表加入的扰动,在本发明中具体来讲,首先随机生成一个在0到1之间的随机数a,若a<0.2(该数可自行选择)则实施扰动,对于D维坐标系的一个点P(x1,x2,…,xd),其中xj∈[a,b],a与b分别表示为j维上x的下界与上届,则fa(xi)的操作为:
xj=a+b-xj,j=1,2,…,d
上述的步骤6包含下列步骤:
计算种群中的各粒子在两个目标函数上的函数值,根据pareto支配关系(前面已说明),确定支配规划解集。
上述的步骤7包含下列步骤:
将本次迭代得到的非支配规划解集加入到外部存档中,并维护外部存档,删除被支配的规划解集,当外部存档的数量高于一定数量时,本发明根据fitness值来执行删去一部分粒子,具体过程如下:
将外部存档中的粒子按照fitness从低到高进行排序,在fitness较低10%中随机选择一个规划方案,将其删去,重复,直到外部存档中的粒子数量达到要求,从而保存了种群中的偏好值较高的规划粒子。
最后,为了验证算法的可行性,本发明将基于加权偏好的MOPSO用于自然保护区摄像头规划问题的方法分别在二维与三维标准测试函数进行测试。测试结果如说明书附图中图2,图3所示。
综上,本发明的一种基于加权偏好的MOPSO用于自然保护区摄像头规划问题的方法,用于规划不同生态环境的自然保护区中不同性能摄像机数量的多目标问题。该方法首先运用层次分析法提取出不同自然保护区对摄像机夜视性能、防水性能、耐高温性能等多个指标的偏好程度,即权重,其次根据各个指标的权重设置一个加权偏好。然后将加权偏好运用到MOPSO的全局最优粒子的选择,引导粒子群向偏好区域收敛,最后运用多目标偏好PSO对自然保护区摄像头规划问题进行优化,得出问题的优化解集,以供选择。该方法可以针对不同的自然保护区的自然条件,得出不同的规划方案。
Claims (8)
1.基于加权偏好的多目标粒子群优化的自然保护区摄像头规划方法,其特征在于,包括下列步骤:
步骤1:提取出不同自然保护区对于摄像头性能,包括夜视性能,防水性能,耐高温性能的偏好程度;
步骤2:采用均匀初始化方法,初始化摄像头规划的种群,每个粒子代表一种摄像头规划方案;
步骤3:计算摄像头规划粒子在各目标函数上的值,将生成的非支配解集存储到外部存档中;
步骤4:选择摄像头规划粒子的全局引导者,引导摄像头规划种群向偏好区域搜索;
步骤5:更新粒子群优化PSO公式,并为摄像头规划粒子的位置增加扰动,增加种群的多样性;
步骤6:计算摄像头规划粒子在各目标函数上的值,用来评价每个摄像头规划种群中的粒子好坏;
步骤7:将非支配规划解集加入外部存档,更新与维护外部存档;
步骤8:如满足终止条件,进入步骤9,否则跳入步骤4进行循环;
步骤9:结束。
2.根据权利要求1所述的基于加权偏好的多目标粒子群优化的自然保护区摄像头规划方法,其特征在于,所述的步骤1包含下列步骤:
步骤1.1:首先将需要决策的自然保护区摄像头数量,考虑的因素包括夜视性能,防水性能,耐高温性能按照它们之间的关系分为高层与低层;
步骤1.2:构造对比判断矩阵,将摄像头规划所考虑的因素包括夜视性能,防水性能,耐高温性能两两比较,通过相对尺度标量来刻画规划中的两两因素之间的相对重要性程度,两两对比时采用的相对尺度标量设置如下:
uij取值为1是表示:ui与uj的重要性相同;
uij取值为3是表示:ui比uj的重要性稍强;
uij取值为5是表示:ui比uj的重要性强;
uij取值为7是表示:ui比uj的重要性明显的强;
uij取值为9是表示:ui比uj的重要性非常的强;
当uij取值为2,4,6,8表示:ui与uj的重要性之比在上述相邻等级之间;
当uij取值为1/2,……,1/9表示:uj与ui的重要性之比为以上uij的相反数;
其中ui表示第i个摄像头规划中的因素,uj为第j个摄像头规划中的因素;
根据上面的uij计算方法,得到的多个uij构成判别对比矩阵;
此矩阵的将在下面被使用,用来求各自然保护区摄像头规划各方案的相对权重值;
步骤1.3:层次单排序指的是,对于上一层而言,本层次规划的各个因素的相对重要性的排序,即根据对比判断矩阵求出各个摄像头性能的因素的相对权重,可写成向量形式,即w=(w1,w2,…,wn)T,得到的w即为对比判断矩阵A的特征向量,可以作为摄像头规划的各因素对于决策目标产生影响的权向量,即相对重要性的评价。
3.根据权利要求1所述的基于加权偏好的多目标粒子群优化的自然保护区摄像头规划方法,其特征在于,所述的步骤2包含下列步骤:
步骤2.1:初始化PSO算法的参数,包括惯性权重ω,r1 r2随机数,函数的上下界,学习因子C1 C2;
步骤2.2:初始化摄像头规划种群的种群大小,迭代次数,随机初始化n个粒子的速度,位置,本发明采用均匀初始化的方法,即让n个粒子的位置,均匀的分布在函数的上界与下界之间,使得初始化的粒子能够布满整个决策空间。
4.根据权利要求1所述的基于加权偏好的多目标粒子群优化的自然保护区摄像头规划方法,其特征在于,所述的步骤3包含下列步骤:
根据各个自然保护区摄像头规划的指标建立相应的规划模型,其中,摄像头建设的的总成本为Ei,规划建立的各级别摄像头数量为Ai(i=1,2,3,4,5),自然保护区摄像头的利用率是野生动物总数Mi与摄像头总数Ci的比值,因此可知模型优化的目标是Min Ei Maxφi;
计算各个粒子在两个目标函数上的值,根据pareto支配关系,确定非支配解,所谓的pareto支配关系如下:
对于种群P中的任意两个个体xa和xb,若同时满足:
则称个体xa支配xb,Fi()为目标函数,并将得到的非支配解集存放到外部存档中。
5.根据权利要求1所述的基于加权偏好的多目标粒子群优化的自然保护区摄像头规划方法,其特征在于,所述的步骤4包含下列步骤:
步骤4.1:根据层次分析法所求的自然保护区摄像头规划中各因素的权重值,求得每个粒子加权偏好值;
步骤4.2:在将种群中的粒子按照fitness从低到高进行排序,在fitness较高前10%中随机选择一个作为全局引导粒子,引导种群中的粒子向偏好区域移动。
6.根据权利要求1所述的基于加权偏好的多目标粒子群优化的自然保护区摄像头规划方法,其特征在于,所述的步骤5包含下列步骤:
步骤5.1:更新种群中的粒子速度vid,公式如下:
vid=ω*vid+C1*r1*(pbest-xid)+C2*r2*(gbest-xid)
其中i表示第i个粒子,d表示第d维,v表示速度,ω是惯性权重,r1 r2是均匀分布在(0,1)之间的随机数,C1 C2是学习因子,pbest与gbest分别表示粒子的个体最优值和全局最优值;
步骤5.2:更新种群中的粒子位置,公式如下:
xid=xid+vid
xid=fa(xi)
其中,xid表示粒子位置,fa()代表加入的扰动,在本发明中具体来讲,首先随机生成一个在0到1之间的随机数a,若a<0.2则实施扰动,对于D维坐标系的一个点P(x1,x2,….,xd),其中xj∈[a,b],a与b分别表示为j维上x的下界与上届,则fa(xi)的操作为:
xj=a+b-xj,j=1,2,…,d。
7.根据权利要求1所述的基于加权偏好的多目标粒子群优化的自然保护区摄像头规划方法,其特征在于,所述的步骤6中,计算种群中的各粒子在两个目标函数上的函数值,根据pareto支配关系,确定支配规划解集。
8.根据权利要求1所述的基于加权偏好的多目标粒子群优化的自然保护区摄像头规划方法,其特征在于,所述的步骤7包含下列步骤:
将本次迭代得到的非支配规划解集加入到外部存档中,并维护外部存档,删除被支配的规划解集,当外部存档的数量高于一定数量时,本发明根据fitness值来执行删去一部分粒子,具体过程如下:
将外部存档中的粒子按照fitness从低到高进行排序,在fitness较低10%中随机选择一个规划方案,将其删去,重复,直到外部存档中的粒子数量达到要求,从而保存了种群中的偏好值较高的规划粒子;最后,为了验证算法的可行性,本发明将基于加权偏好的多目标粒子群优化用于自然保护区摄像头规划方法分别在二维与三维标准测试函数进行测试。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010729328.2A CN111931997A (zh) | 2020-07-27 | 2020-07-27 | 基于加权偏好的多目标粒子群优化的自然保护区摄像头规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010729328.2A CN111931997A (zh) | 2020-07-27 | 2020-07-27 | 基于加权偏好的多目标粒子群优化的自然保护区摄像头规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111931997A true CN111931997A (zh) | 2020-11-13 |
Family
ID=73314664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010729328.2A Pending CN111931997A (zh) | 2020-07-27 | 2020-07-27 | 基于加权偏好的多目标粒子群优化的自然保护区摄像头规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111931997A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050177530A1 (en) * | 2002-01-17 | 2005-08-11 | Yaochu Jin | Fuzzy preferences in multi-objective optimization (moo) |
CN106096791A (zh) * | 2016-06-24 | 2016-11-09 | 电子科技大学 | 一种多监视区域下的mimo雷达偏好优化布站方法 |
CN106600961A (zh) * | 2016-12-22 | 2017-04-26 | 南京师范大学 | 一种监控摄像机路网覆盖优化方法 |
CN110633845A (zh) * | 2019-08-27 | 2019-12-31 | 江苏大学 | 一种基于加权偏好的pso用于金融投资问题优化的方法 |
-
2020
- 2020-07-27 CN CN202010729328.2A patent/CN111931997A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050177530A1 (en) * | 2002-01-17 | 2005-08-11 | Yaochu Jin | Fuzzy preferences in multi-objective optimization (moo) |
CN106096791A (zh) * | 2016-06-24 | 2016-11-09 | 电子科技大学 | 一种多监视区域下的mimo雷达偏好优化布站方法 |
CN106600961A (zh) * | 2016-12-22 | 2017-04-26 | 南京师范大学 | 一种监控摄像机路网覆盖优化方法 |
CN110633845A (zh) * | 2019-08-27 | 2019-12-31 | 江苏大学 | 一种基于加权偏好的pso用于金融投资问题优化的方法 |
Non-Patent Citations (2)
Title |
---|
梁家栋;张天贤;杨益川;崔国龙;孔令讲;杨晓波;杨建宇;: "多监视区域偏好可控的MIMO雷达优化布站算法", 现代雷达, no. 06 * |
高飞;王美珍;刘学军;王自然;: "一种监控摄像机网络-路网覆盖优化调度方法", 武汉大学学报(信息科学版), no. 03 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fausto et al. | From ants to whales: metaheuristics for all tastes | |
CN105488528B (zh) | 基于改进自适应遗传算法的神经网络图像分类方法 | |
Gaing | Discrete particle swarm optimization algorithm for unit commitment | |
Domhan et al. | Speeding up automatic hyperparameter optimization of deep neural networks by extrapolation of learning curves | |
Nadimi-Shahraki et al. | A systematic review of the whale optimization algorithm: theoretical foundation, improvements, and hybridizations | |
CN113468803B (zh) | 一种基于改进的woa-gru洪水流量预测方法及系统 | |
CN108596243B (zh) | 基于分级注视图和条件随机场的眼动注视图预测方法 | |
CN109241829A (zh) | 基于时空注意卷积神经网络的行为识别方法及装置 | |
Sharma et al. | A review on artificial bee colony and it’s engineering applications | |
CN114841055B (zh) | 一种基于生成对抗网络的无人机集群任务预分配方法 | |
Bacanin et al. | RFID network planning by ABC algorithm hybridized with heuristic for initial number and locations of readers | |
CN109670655B (zh) | 一种电力系统多目标粒子群优化调度方法 | |
CN110633845A (zh) | 一种基于加权偏好的pso用于金融投资问题优化的方法 | |
CN113434856A (zh) | 一种基于psogwo-svm算法的网络入侵检测方法 | |
Kurada et al. | A preliminary survey on optimized multiobjective metaheuristic methods for data clustering using evolutionary approaches | |
CN113722980A (zh) | 海洋浪高预测方法、系统、计算机设备、存储介质、终端 | |
CN115759458A (zh) | 基于综合能源数据处理和多任务深度学习的负荷预测方法 | |
Devika et al. | Bio-inspired optimization: algorithm, analysis and scope of application | |
CN113435101B (zh) | 一种基于粒子群优化的支持向量机停电预测方法 | |
CN111061165A (zh) | 一种船舶相对碰撞危险度模型的验证方法 | |
CN108509840B (zh) | 基于量子记忆优化机制的高光谱遥感图像波段选择方法 | |
CN111931997A (zh) | 基于加权偏好的多目标粒子群优化的自然保护区摄像头规划方法 | |
CN112329906A (zh) | 一种基于粒子群算法的人工智能金融风险度量方法 | |
Kumar et al. | Sigmoidal salp swarm algorithm | |
CN111225367A (zh) | 基于混合粒子群算法的rfid网络规划方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |