CN113268837A - 一种采用c4.5决策树算法的电缆路径寻优方法 - Google Patents

Abstract

本发明提供了一种采用C4.5决策树算法的电缆路径寻优方法，包括以下步骤：S1：将实际的桥架布置图进行有向网络建模；S2：采用最短路径算法，对任意两点间的最短路径和最短路径的长度进行计算，路径的表现形式为具有一个起点和一个终点，起点和终点之间具有多个顶点，根据这个路径，起点到终点的边的长度和最短，即电缆敷设的长度最短；本发明可将诸多实际因素引入，使算法更适合实际的运用场景，提高单次敷设成功率和自动化程度，减少后期人工调整的工作量。

Description

一种采用C4.5决策树算法的电缆路径寻优方法

技术领域

本发明涉及电缆敷设路径设计技术，具体涉及一种采用C4.5决策树算法的电缆路径寻优方法。

背景技术

电缆敷设时需要设置专用材料进行支撑和保护，比如桥架、支架、钢管、槽盒以及电缆沟等，因此这些管路的走向也就决定了电缆可以敷设的通道。在实际工程中，电缆通道的安装位置受到现场条件的制约，无法随意布置，一般需先完成桥架、埋管以及电缆沟等设计。

在传统的电缆统计方法中，由人工逐一确定每根电缆的敷设路径并计算其长度，但是这种方式工作量大，效率低下，而且在网络较复杂时，人工确定的电缆路径较为随意，很难做到最优。引入计算机自动化设计进行电缆的统计目前是一种趋势，目前的算法设计中最经常采用的是最短路径算法。但是目前最短路径算法有以下局限性：

1、最短路径算法较为理想化，而实际的电缆敷设环境较为复杂。对于实际敷设中遇到的比如容积率、弯头数量、施工效率以及双重化设备电缆的不同路径等因素缺乏考虑。

2、最短路径算法的自动化程度依旧不够高，在实际使用中，在采用最短路径算法完成路径设计后，因为只考虑了距离一个维度，人工复核时结果中会有较多的不合理之处，所以还需要后期对不合理的地方进行手动调整，这个也会耗费大量的时间和精力。

发明内容

本发明的目的在于，提供一种采用C4.5决策树算法的电缆路径寻优方法，本发明可将诸多实际因素引入，使算法更适合实际的运用场景，提高单次敷设成功率和自动化程度，减少后期人工调整的工作量。

为此，本发明采用以下技术方案：

一种采用C4.5决策树算法的电缆路径寻优方法，其特征在于：包括以下步骤：

S1：将实际的桥架布置图进行有向网络建模；

S2：采用最短路径算法，对任意两点间的最短路径和最短路径的长度进行计算，路径的表现形式为具有一个起点和一个终点，起点和终点之间具有多个顶点，根据这个路径，起点到终点的边的长度和最短，即电缆敷设的长度最短；

S3：利用决策树理论，采用C4.5决策树算法，对S2中得到的最短路径，引入影响路径选择的多个因素，对最短路径进行进一步处理，得到最优路径；

进一步的：所述有向网络建模，将桥架的三通及三通以上的连接段作为一个顶点，并按顺序编号，作为网络的顶点；两点之间若有实际桥架连接，则认为两点之间有边，边的属性有两个：权重和方向；边只指定了单个方向的，电缆走向只能按指定方向；边同时指定了正反向和反方向的，则认为边是双向的，即电缆走向是双向的。

进一步的：所述最短路径算法的具体步骤如下：

S2-1：将步骤S1中建立的有向网络进行命名，为第一名称，然后将该名称中所有的边的方向取反，并进行命名，为第二名称；设a、b为网络中某相邻两点，在第一名称网络中，如果ab边的方向为a→b，L_ab为ab两点间的实际长度，如果ab边的方向为b→a,则L_ab为正无穷大；

S2-2：根据每个顶点的编号i，可以建立集合D(V₁，V₂，V₃，.....，V_i)；其中各元素初始值为正无穷大；以及集合P(U₁，U₂，U₃，......，U_i)，其初始为空集合，若某一根电缆起点编号为Start，终点编号为End，从终点往起点回溯，此时将集合D(V₁，V₂，V₃，.....，V_i)中V_end值由正无穷改为0；

S2-3：找出集合D(V₁，V₂，V₃，.....，V_i)中的最小值元素，设为第n个元素，其值为V_n，将此值记下，然后在集合中删除该元素(在第一次寻找中，这个元素编号即为S2-2中设定的End)；

S2-4：遍历第二名称网络中所有以n为端点的边，并设m为边的另一端点；对于集合D(V₁，V₂，V₃，.....，V_i)中的所有V_m，若V_k+L_nm<V_m，则令V_m＝V_k+L_nm；因为n即为最短路径的途径点，存入集合P(U₁，U₂，U₃，......，U_i)中，记录途径点；

S2-5：重复步骤S2-3和S2-4，直到到达起点，最后可以得到第一名称网络中Start和End两点间的最短长度和最短路径经过的所有中间点。

进一步的：所述决策树算法对最短路径进行进一步处理的具体步骤如下：

S3-1：选择决定电缆走向的多个因素，并将这些需要考虑的因素编号为因素A，因素B，因素C，因素D...，因素N；

S3-2：针对需考虑的n个因素的每种可能情况建立不同的样本组合，样本个数为X，并在建立的样本组合下，对每一个当前所在顶点，决定是否按步骤S2中确定的最短路径作为接下来的电缆路径，以符号M表示该选择，作为目标变量，其取值为“是”和“否”；样本组合示例如下表所示：

S3-3：在样本组合中，设目标变量M的结果，选“是”的有X₁组，选“否”的有X₂组，则样本总数为X＝X₁+X₂组，则计算M的经验熵为：

H(M)＝-P₁*log(P₁)-P₂*log(P₂)

其中：P₁＝X₁/X，P2＝X₂/X

S3-4：在样本组合中，设因素A有j种不同的具体情况，编号为A₁，A₂，A₃，...，A_j，各情况出现的个数为Y₁，Y₂，Y₃，...，Y_j，Y₁+Y₂+Y₃+...+Y_j＝X；假设在第j个情况中，步骤S3-2中的目标变量M选“是”的为Y_j1组，选“否”的为Y_j2组，Y_j1+Y_j2＝Y_j，则计算M在因素A下的经验条件熵为：

H(M/A)＝Y₁/X*H(A₁)+Y₂/X*H(A₂)+Y₃/X*H(A₃)+....+Y_j/X*H(A_j)

上式中，第j个情况中H(A_j)计算如下：

H(A_j)＝-P_j1*log(P_j1)-P_j2*log(P_j2)

其中：P_j1＝Y_j1/Y_j，P_j2＝Y_j2/Y_j

S3-5：将步骤S3-3和S3-4中得到的H(M)和H(M/A)，计算因素A的信息增益g(M，A)：

g(M，A)＝H(M)-H(M/A)

利用步骤S3-3和S3-4中的参数：Y₁，Y₂，Y₃...Y_j可得因素A的经验熵为：

H(A)＝-Y₁/X*log(Y₁/X)-Y₂/X*log(Y₂/X)......-Y_j/X*log(Y_j/X)

S3-6：利用步骤S3-5中的结果，计算采用决策树C4.5算法下的因素A的信息增益率为：

gr(M，因素A)＝g(M，A)/H(A)

同理，重复步骤S3-3至S3-6，可得gr(M，因素B)，gr(M，因素C)，gr(M，因素D)....gr(M，因素N)；

S3-7：比较gr(M，因素A)、gr(M，因素B)、gr(M，因素C)、gr(M，因素D)....gr(M，因素N)之间的大小，最大的因素作为决策树根节点，次小的作为下一个分枝节点，依次排序，最小的作为最末的分枝节点。

进一步的：所述S3-1中影响因素可能包括：本路径中目前的容积率、弯头数量、施工效率以及电缆敷设中其他关心的因素。

综上所述，某电缆选定最短路径后，该电缆敷设将面临着是否按最短路径选定的路径往前走的问题。各因素按照决策树选定的根、分支节点的排序依次进行考虑，决策过程如下：如果考虑了因素A后，若之前选定的最短路径中有路径不符合因素A，则将该段路径在网络图中断开，按照新的网络图再进行一次最短路径计算，并重新进行决策，直至符合因素A的要求；其他因素B，C，D也采用类似步骤，直至通过所有因素决策，得到的最终路径即为最优路径。

与现有技术相比，本发明具有以下有益效果：

本发明采用了C4.5决策树算法和最短路径算法相结合的电缆路径智能寻优方法。通过最短路径算法得到最短距离及路径后，再利用决策树算法引入其他因素，对所选路径进行决策，通过决策进行调整优化，选择出综合最优的路径。本发明有效提高了电缆路径算法的实用性、成功率以及自动化程度。而且本发明中的方法具有开放性和普适性，对于不同的场景，根据现实情况，选择不同的因素和判断条件，再按照前述流程即可得到该场景下的最优选择路径，具有广泛的应用空间。

附图说明

图1是本发明的建立有向网络图的流程图；

图2是本发明寻找最短路径的流程图；

图3是本发明决策树C4.5算法的流程图；

图4是有向网络图建模示例一的桥架布置图；

图5是有向网络图建模示例一的有向网络图；

图6是决策树分支图。

具体实施方式

下面结合附图和实施例对本发明作进一步的说明，但并不作为对本发明限制的依据。

如图1-图6所示，本发明提供的一种采用C4.5决策树算法的电缆路径寻优方法，包括以下步骤：

S1：将实际的桥架布置图进行有向网络建模；

S2：采用最短路径算法，对任意两点间的最短路径和最短路径的长度进行计算，路径的表现形式为具有一个起点和一个终点，起点和终点之间具有多个顶点，根据这个路径，起点到终点的边的长度和最短，即电缆敷设的长度最短；

S3：利用决策树理论，采用C4.5决策树算法，对S2中得到的最短路径，引入影响路径选择的多个因素，对最短路径进行进一步处理，得到最优路径；

所述步骤S3中引入多个影响路径选择的多个因素，对最短路径进行进一步处理的具体步骤如下：从根节点开始，对影响敷设的某一因素进行测试，根据测试结果，将实例分配到其子节点(每一个子节点对应着特征的一个取值)，递归的进行测试和分配，直至叶节点，得到分类结果。

所述有向网络建模，将桥架的三通及以上的连接段作为一个顶点，并按顺序编号，作为网络的顶点；两点之间若有实际桥架连接，则认为两点之间有边，边的属性有两个：权重和方向；权重即指两点间桥架的实际长度，方向即指通过指定某一顶点为起点，另一顶点为终点，由起点指向终点为正反向，终点指向起点则为反方向。边只指定了单个方向的，电缆走向只能按指定方向；边同时指定了正反向和反方向，则认为边是双向的，即电缆走向可以是双向的。

在本实施例中，根据图4的桥架布置图可以得出一套图5所示的有向网络图，为了便于计算机识别和处理该有向网络图，需要将该图转换如下有向网络表：

表2有向网络表

所述最短路径算法的具体步骤如下：

S2-1：将步骤S1中建立的有向网络进行命名，为Network，然后将该名称中所有的边的方向取反，并进行命名，为R-Network；设a、b为网络中某相邻两点，L_ab为a指向b的有向边，L_ba为b指向a的有向边，如果a，b两点间电缆只能从a敷设到b，在Network网络中，L_ab值为ab两点间的实际长度，L_ba值为正无穷大；如果a，b两点间电缆可以在两个方向上敷设，则L_ab和L_ba值相等，都为ab两点间实际长度。

S2-2：根据每个顶点的编号i，可以建立集合D(V₁，V₂，V₃，.....，V_i)；其中各元素初始值为正无穷大；以及集合P(U₁，U₂，U₃，......，U_i)，其初始为空集合，若某一根电缆起点编号为Start，终点编号为End，从终点往起点回溯，此时将集合D(V₁，V₂，V₃，.....，V_i)中V_end值由正无穷改为0；

S2-3：当n的值不等于起点编号Start时(在第一次寻找中，这个元素编号即为S2-2中设定的End)，遍历集合D(V₁，V₂，V₃，.....，V_i)中的值，若V_k的值最小，则使n＝k，

设最小距离为SP(shortest-path)，令SP＝V_k；

删除集合D(V₁，V₂，V₃，.....，V_i)中的V_k元素；

S2-4：遍历R-Network网络中所有以n为端点的边，并设m为边的另一端点；对于集合D(V₁，V₂，V₃，.....，V_i)中的所有V_m，若V_k+L_nm<V_m，则令V_m＝V_k+L_nm；因为n即为最短路径的途径点，存入集合P(U₁，U₂，U₃，......，U_i)中，记录途径点；

S2-5：重复步骤S2-3和S2-4，直到到达起点n＝start，最后可以得到Network网络中任意两点间的最短长度SP和最短路径经过的所有中间点，即集合P。

所述决策树算法对最短路径进行进一步处理的具体步骤如下：

S3-1：选择决定电缆走向的多个因素，并将这些需要考虑的因素编号为因素A，因素B，因素C，因素D...，因素n；在本实施例中，考虑了三种因素，即因素A：容积率，因素B：直角弯头数量，因素C：敷设是否更费时。

S3-2：针对需考虑的多个因素去进行不同取值，比如因素A有A₁，A₂，...，A_n种情况，其他因素也类同，建立不同的样本组合，并在建立的样本组合下，对每一个当前所在顶点，决定是否按步骤S2中确定的最短路径作为接下来的电缆路径，以符号M表示目标变量，其取值为“是”和“否”；

在本实例中，考虑了容积率，弯头数量和敷设是否更费时三个因素，并通过专家调查形成了如下训练样本表；

表3训练样本表

S3-3：设目标变量M样本中，其中，选“是”的有X₁组，选“否”的有X₂组，则样本总数为X＝X₁+X₂组，则计算M的经验熵为：

H(M)＝-P₁*log(P₁)-P₂*log(P₂)，log(x)均按照以e为底。

其中：P1＝X₁/X，P2＝X₂/X

所以本实施例中X₁＝3，X₂＝9，X＝3+9＝12，H(M)＝0.5623

S3-4：在样本组合中，设因素A有j种不同的具体情况，编号为A₁，A₂，A₃，...，A_j，各情况出现的个数为Y₁，Y₂，Y₃，...，Y_j，Y₁+Y₂+Y₃+...+Y_j＝X；假设在第j个情况中，步骤S3-2中的目标变量M选“是”的为Y_j1组，选“否”的为Y_j2组，Y_j1+Y_j2＝Y_j，则计算M在因素A下的经验条件熵为：

H(M/A)＝Y₁/X*H(A₁)+Y₂/X*H(A₂)+Y₃/X*H(A₃)+....+Y_j/X*H(A_j)

上式中，第j个情况中H(A_j)计算如下：

H(A_j)＝-P_j1*log(P_j1)-P_j2*log(P_j2)，log(x)均按照以e为底。

其中：P_j1＝Y_j1/Y_j，P_j2＝Y_j2/Y_j

对于其他因素，本过程也是类似的。

所以具体来说，本实施例中，因素A有两种情况：

A₁：≤60％；出现个数Y₁＝6，目标变量M选“是”的Y₁₁＝3，目标变量M选“否”的Y₁₂＝3，可得H(A₁)＝0.693；

A₂：＞60％；出现个数Y₂＝6，目标变量M选“是”的Y₂₁＝0，目标变量M选“否”的Y₂₂＝6，可得H(A₂)＝0；

所以H(M/A)＝0.3456

本实施例中，因素B有三种情况：

B₁：数量≤2；出现个数Y₁＝4，目标变量选“是”的Y₁₁＝2，目标变量M选“否”的Y₁₂＝2，可得H(B₁)＝0.693；

B₂：2<数量<6；出现个数Y₂＝4，目标变量M选“是”的Y₂₁＝1，目标变量M选“否”的Y₂₂＝3，可得H(B₂)＝0.5623；

B₃：数量≥6；出现个数Y₃＝4，目标变量M选“是”的Y₃₁＝0，目标变量M选“否”的Y₃₂＝4，可得H(B₃)＝0；

所以H(M/B)＝0.4184

本实施例中，因素C有三种情况：

C₁：否；出现个数Y₁＝6，目标变量选“是”的Y₁₁＝2，目标变量M选“否”的Y₁₂＝4，可得H(C₁)＝0.6365；

C₂：是；出现个数Y₂＝6，目标变量M选“是”的Y₂₁＝1，目标变量M选“否”的Y₂₂＝5，可得H(C₂)＝0.45；

所以H(M/C)＝0.5432

S3-5：将步骤S3-3和S3-4中得到的H(M)和H(M/A)，计算因素A的信息增益g(M，A)：

g(M，A)＝H(M)-H(M/A)

所以具体来说，本实施例中

g(M，A)＝0.5623-0.3456＝0.2167

g(M，B)＝0.5623-0.4184＝0.1439

g(M，C)＝0.5623-0.5432＝0.0191

利用步骤S3-3和S3-4中的参数：可得因素A的经验熵为：

H(A)＝-Y₁/X*log(Y₁/X)-Y₂/X*log(Y₂/X)......-Y_j/X*log(Y_j/X)，log(x)均按照以e为底。

所以具体来说，本实施例中

H(A)＝-6/12*log(6/12)-6/12*log(6/12)＝0.693

H(B)＝-4/12*log(4/12)-4/12*log(4/12)-4/12*log(4/12)＝1.0986

H(C)＝-6/12*log(6/12)-6/12*log(6/12)＝0.693

S3-6：利用步骤S3-5中的结果，计算采用决策树C4.5算法下的因素A的信息增益率为：

gr(M，A)＝g(M，A)/H(A)

同理，重复步骤S3-3-S3-6，可得gr(M，B)，gr(M，C)；

所以具体来说，本实施例中

gr(M，A)＝0.2167/0.693＝0.314

gr(M，B)＝0.1439/1.0986＝0.1310

gr(M，C)＝0.0191/0.693＝0.0276

S3-7：比较gr(M，A)、gr(M，B)、gr(M，C)之间的大小，最大的因素作为决策树根节点，次小的作为下一个分枝节点，依次排序，最小的作为最末的分枝节点，本例中gr(M，A)>gr(M，B)>gr(M，C)，最终形成的决策树分支图如图6。

综上所述，在电缆敷设过程中，每根电缆有固定的起点和终点，在选定最短路径后，将面临着是否按最短路径选定的路径往前走的决策，根据形成的决策树来分析，在本实例中，决策过程如下：

首先考虑因素A：容积率，如果容积率>60％，则表明第一次选的路径不可用，应该重新选择路径，此时需要将不符合要求的网络边去掉，按照新的网络图再选一遍最短路径；

如果因素A：容积率<＝60％，则需要继续考虑因素B：弯头数量，若弯头数量>＝6，则表明第一次选的路径不可用，应该重新选择路径，此时需要将不符合要求的边长去掉，按照新的网络图再选一遍最短路径；若数量<＝2，则表明第一次选的路径可用，该电缆即可按照该路径敷设；

如果因素B：2<弯头数量<6，则需要继续考虑因素C：敷设是否更费时，若发现敷设将更费时，则表明应该重新选择路径，此时需要将不符合要求的边长去掉，按照新的网络图再选一遍最短路径；若敷设也不会更费时，则表明第一次选的路径可用，该电缆即可按照该路径敷设。

以上实施例仅为本发明的一种较优技术方案，本领域的技术人员应当理解，在不脱离本发明的原理和本质情况下可以对实施例中的技术方案或参数进行修改或者替换，都应涵盖在本发明的保护范围之内。

Claims (4)

1.一种采用C4.5决策树算法的电缆路径寻优方法，其特征在于：包括以下步骤：

S1：将实际的桥架布置图进行有向网络建模；

S2：采用最短路径算法，对任意两点间的最短路径和最短路径的长度进行计算，路径的表现形式为具有一个起点和一个终点，起点和终点之间具有多个顶点，根据这个路径，起点到终点的边的长度和最短，即电缆敷设的长度最短；

S3：利用决策树理论，采用C4.5决策树算法，对S2中得到的最短路径，引入影响路径选择的多个因素，对最短路径进行进一步处理，得到最优路径；

所述决策树算法对最短路径进行进一步处理的具体步骤如下：

S3-1：选择决定电缆走向的多个因素，并将这些需要考虑的因素编号为因素A，因素B，因素C，因素D...，因素N；

S3-2：针对需考虑的n个因素的每种可能情况建立不同的样本组合，样本个数为X，并在建立的样本组合下，对每一个当前所在顶点，决定是否按步骤S2中确定的最短路径作为接下来的电缆路径，以符号M表示该选择，作为目标变量，其取值为“是”和“否”；

S3-3：在样本组合中，设目标变量M的结果，选“是”的有X₁组，选“否”的有X₂组，则样本总数为X＝X₁+X₂组，则计算M的经验熵为：

H(M)＝-P₁*log(P₁)-P₂*log(P₂)

其中：P₁＝X₁/X，P2＝X₂/X

S3-4：在样本组合中，设因素A有j种不同的具体情况，编号为A₁，A₂，A₃，...，A_j，各情况出现的个数为Y₁，Y₂，Y₃，...，Y_j，Y₁+Y₂+Y₃+...+Y_j＝X；假设在第j个情况中，步骤S3-2中的目标变量M选“是”的为Y_j1组，选“否”的为Y_j2组，Y_j1+Y_j2＝Y_j，则计算M在因素A下的经验条件熵为：

H(M/A)＝Y₁/X*H(A₁)+Y₂/X*H(A₂)+Y₃/X*H(A₃)+....+Y_j/X*H(A_j)

上式中，第j个情况中H(A_j)计算如下：

H(A_j)＝-P_j1*log(P_j1)-P_j2*log(P_j2)

其中：P_j1＝Y_j1/Y_j，P_j2＝Y_j2/Y_j

S3-5：将步骤S3-3和S3-4中得到的H(M)和H(M/A)，计算因素A的信息增益g(M，A)：

g(M，A)＝H(M)-H(M/A)

利用步骤S3-3和S3-4中的参数：Y₁，Y₂，Y₃...Y_j可得因素A的经验熵为：

H(A)＝-Y₁/X*log(Y₁/X)-Y₂/X*log(Y₂/X)......-Y_j/X*log(Y_j/X)

S3-6：利用步骤S3-5中的结果，计算采用决策树C4.5算法下的因素A的信息增益率为：

gr(M，因素A)＝g(M，A)/H(A)

同理，重复步骤S3-3至S3-6，可得gr(M，因素B)，gr(M，因素C)，gr(M，因素D)....gr(M，因素N)；

S3-7：比较gr(M，因素A)、gr(M，因素B)、gr(M，因素C)、gr(M，因素D)....gr(M，因素N)之间的大小，最大的因素作为决策树根节点，次小的作为下一个分枝节点，依次排序，最小的作为最末的分枝节点。

2.根据权利要求1所述的一种采用C4.5决策树算法的电缆路径寻优方法，其特征在于：所述有向网络建模，将桥架的三通及三通以上的连接端作为一个顶点，并按顺序编号，作为网络的顶点；两点之间若有实际桥架连接，则认为两点之间有边，边的属性有两个：权重和方向；边只指定了单个方向的，电缆走向只能按指定方向；边同时指定了正反向和反方向的，则认为边是无向的，即电缆走向是双向的。

3.根据权利要求1所述的一种采用C4.5决策树算法的电缆路径寻优方法，其特征在于：所述最短路径算法的具体步骤如下：

S2-1：将步骤S1中建立的有向网络进行命名，为第一名称，然后将该名称中所有的边的方向取反，并进行命名，为第二名称；设a、b为网络中某相邻两点，在第一名称网络中，如果ab边的方向为a→b，L_ab为ab两点间的实际长度，如果ab边的方向为b→a,则L_ab为正无穷大；

S2-2：根据每个顶点的编号i，可以建立集合D(V₁，V₂，V₃，.....，V_i)；其中各元素初始值为正无穷大；以及集合P(U₁，U₂，U₃，......，U_i)，其初始为空集合，若某一根电缆起点编号为Start，终点编号为End，从终点往起点回溯，此时将集合D(V₁，V₂，V₃，.....，V_i)中V_end值由正无穷改为0；

S2-3：找出集合D(V₁，V₂，V₃，.....，V_i)中的最小值元素，设为第n个元素，其值为V_n，将此值记下，然后在集合中删除该元素(在第一次寻找中，这个元素编号即为S2-2中设定的End)；

S2-4：遍历第二名称网络中所有以n为端点的边，并设m为边的另一端点；对于集合D(V₁，V₂，V₃，.....，V_i)中的所有V_m，若V_k+L_nm<V_m，则令V_m＝V_k+L_nm；因为n即为最短路径的途径点，存入集合P(U₁，U₂，U₃，......，U_i)中，记录途径点；

S2-5：重复步骤S2-3和S2-4，直到到达起点，最后可以得到第一名称网络中Start和End两点间的最短长度和最短路径经过的所有中间点。

4.根据权利要求1所述的一种采用C4.5决策树算法的电缆路径寻优方法，其特征在于：所述S3-1中影响因素包括：本路径中目前的电缆容积率、路径中的弯头数量，转弯半径以及垂直路径中是电缆梯架或电缆竖井。

Images