CN116595120A - 基于遗传算法的地图面要素注记自动配置方法 - Google Patents
基于遗传算法的地图面要素注记自动配置方法 Download PDFInfo
- Publication number
- CN116595120A CN116595120A CN202310882955.3A CN202310882955A CN116595120A CN 116595120 A CN116595120 A CN 116595120A CN 202310882955 A CN202310882955 A CN 202310882955A CN 116595120 A CN116595120 A CN 116595120A
- Authority
- CN
- China
- Prior art keywords
- annotation
- conflict
- model
- genetic algorithm
- value
- 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.)
- Granted
Links
- 230000002068 genetic effect Effects 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000005484 gravity Effects 0.000 claims abstract description 9
- 238000005549 size reduction Methods 0.000 claims abstract description 9
- 238000013210 evaluation model Methods 0.000 claims description 35
- 210000000349 chromosome Anatomy 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 9
- 108090000623 proteins and genes Proteins 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 5
- 238000011549 displacement method Methods 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 abstract description 5
- 238000005457 optimization Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000007373 indentation Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000004907 gland Anatomy 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
- G06F16/24575—Query processing with adaptation to user needs using context
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- 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
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Machine Translation (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开一种基于遗传算法的地图面要素注记自动配置方法,利用重心注记模式生成面状要素的初始注记点集合,首先采用遗传算法求取初始注记点集合的整体最优解,将获得收敛后的注记配置的近似最优解配置的注记点集合构建注记冲突模型,最终利用字号缩小式自动注记配置方法对存在注记压盖且冲突数量超过预期值的情况,进一步优化冲突注记的位置配置,直至新生成冲突模型符合预期值即配置结束,可有效地解决全局搜索算法预处理之后局部注记密集冲突问题。
Description
技术领域
本发明涉及地图注记技术领域,尤其涉及一种基于遗传算法的地图面要素注记自动配置方法。
背景技术
注记自动化问题是一个复杂的空间位置优化组合难题,一直作为地图制图自动化中的热点问题在深入研究。借助计算机进行注记自动配置,不断提高注记自动化水平,促进注记的配置方法从传统手工或计算机辅助人机交互式配置手段向自动配置转变,力求最终效果能够达到或尽可能接近人工手工配置的效果,能够提高制图的生产效率。
面状要素作为地理要素中不可或缺的有机组成部分,其注记配置情况往往比较复杂,不仅要考虑注记与要素之间冲突、注记位置关联性、优先级等情况,还要考虑注记与注记之间冲突、注记配置的美观程度等情况,对其进行深入研究尤为重要。比如,当对比例尺较小、内容密度较大的地图进行地物要素注记配置的时候,通常面临面要素形状很小、注记文字长度较大等容易造成冲突问题。
现有技术中,引用改进的人工智能算法解决制图面要素注记配置问题具有很好的适用性和优越性,在获取注记配置的整体最优解问题的解决方案上,通常代表性的有遗传算法、神经元网络算法、模拟退火,以及爬山法等,其中,采用遗传算法解决地图注记整体配置问题是最具潜和优越性的解决方案,可参考樊红所著的《地图注记自动配置的研究》。上述的方法仍有两个方面不足:(1)基于全局搜索算法求取近似最优解之后,地图整体面状区域中仍有局部区域注记密集冲突情况,在求取整体最优解后的冲突模型处理方法上仍有改进空间;(2)地图面状要素注记配置过分引用且依赖传统智能算法本身,少有紧密结合问题实际并做出算法优化改进。
发明内容
针对上述问题,本发明提出一种基于遗传算法的地图面要素注记自动配置方法,主要解决背景技术中的至少一个问题。
为解决上述技术问题,本发明的技术方案如下:
一种基于遗传算法的地图面要素注记自动配置方法,包括以下步骤:
S1,利用重心注记模式对待注记的面状要素生成对应的初始注记点位置和初始注记文字,所述初始注记点位置和所述初始注记文字合并形成初始注记点集合;
S2,采用遗传算法对所述初始注记点集合进行预处理,生成初始群体,构建适应度评价模型,并为所述适应度评价模型设计遗传算子,以及选定遗传参数的形式,经迭代计算获得收敛后的注记配置的近似最优解,定义为遗传算法预处理注记点集合;
S3,为所述遗传算法预处理注记点集合中的面状要素建立外框矩形,并根据各个所述外框矩形之间的相交情况构建注记冲突模型;
S4,若所述注记冲突模型存在冲突且超过预期值,利用字号缩小式自动注记配置方法优化存在冲突注记的位置配置,获取的字号缩小式处理注记点集合返回S3重新构建注记冲突模型,直至所述注记冲突模型符合预期值,若所述注记冲突模型符合预期值,则配置结束。
在一些实施方式中,在S2中,首先利用基因编码对所述初始注记点集合构建预设数量的个体,并将携带的所述个体组成预设长度的染色体,将所述染色体定义为候选解,利用随机数发生器生成预设规模的所述初始群体。
在一些实施方式中,在S2中,所述染色体的编码采用整数向量的形式进行表达,每条所述染色体表示一个向量,每个所述向量视为面状要素注记的一种配置方案,所述染色体的基因表示分量,每个所述分量视为一个注记的候选位置。
在一些实施方式中,在S2中,构建注记配置评价模型对适应度函数模型进行评判,用于选择进化所述初始种群的下一代个体,所述注记配置评价模型包括冲突评价模型、关联性评价模型及优先级评价模型。
在一些实施方式中,在S2中,所述冲突评价模型的计算方法包括:式中,/>为注记总个数,为冲突注记个数,点/>或/>为第/>个注记的矩形框的一个顶点,/>为点/>的横坐标,/>为点/>的纵坐标,/>为第/>个注记的冲突评价结果取值,值域为{0,1},有冲突取值1,无冲突则取值0,R表示由注记字符长、宽构成一定平面空间范围大小的矩形框,、/>分别为矩形框对应横坐标上最小值和最大值,/>、/>分别为矩形框对应纵坐标上最小值和最大值。
在一些实施方式中,在S2中,所述关联性评价模型的计算方法包括:式中,/>为注记总个数,/>为关联注记个数,/>为初始标注点位/>的注记,/>是被包含在/>点对应面状要素所建立矩形范围内的其他任一注记,/>、/>分别表示/>到/>、/>注记框的垂直距离,/>为第/>个注记的关联性评价结果取值,值域为{0,1}。
在一些实施方式中,在S2中,所述优先级评价模型的计算方法包括:式中,/>为注记总个数,/>为第/>个注记的备选位置模型取值,优先级评价采用13备选位置模型,则/>。
在一些实施方式中,在S2中,所述适应度函数模型的计算方式包括:式中,/>代表第/>项因素评价模型的权重值,/>代表第/>项因素评价模型计算值,/>和/>取值0~1。
在一些实施方式中,在S4中,对于存在冲突且超过预期值的所述注记冲突模型,采用穷举策略和局部遍历策略,通过对角线相反位移法确定所述注记冲突模型在缩小字号后外框矩形的顶点位置,获取冲突注记的最佳候选位置。
在一些实施方式中,在S4中,若字号缩小式处理注记点集合返回S3重新构建注记冲突模型,则设定默认注记字符字号大小20、每次字号缩小尺度0.5、种群规模为350、进化代数150、交叉概率0.7、变异概率0.1、冲突权重系数0.7、相关性权重系数0.2,以及优先级权重系数0.1。
本发明的有益效果为:通过利用重心注记模式生成面状要素的初始注记点集合,首先采用遗传算法求取初始注记点集合的整体最优解,将获得收敛后的注记配置的近似最优解配置的注记点集合构建注记冲突模型,最终利用字号缩小式自动注记配置方法对存在注记压盖且冲突数量超过预期值的情况,进一步优化冲突注记的位置配置,直至新生成冲突模型符合预期值即配置结束,可有效地解决全局搜索算法预处理之后局部注记密集冲突问题。
附图说明
图1为本发明实施例公开的基于遗传算法的地图面要素注记自动配置方法的流程示意图;
图2为采用面状要素候选注记备选位置模型的示意图;
图3为采用改进方法的面状要素地图注记效果的局部示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,下面结合附图和具体实施方式对本发明的内容做进一步详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部内容。
本实施例提出了一种基于遗传算法的地图面要素注记自动配置方法,通过利用重心注记模式生成面状要素的初始注记点集合,首先采用遗传算法求取初始注记点集合的整体最优解,将获得收敛后的注记配置的近似最优解配置的注记点集合构建注记冲突模型,最终利用字号缩小式自动注记配置方法对存在注记压盖且冲突数量超过预期值的情况,进一步优化冲突注记的位置配置,直至新生成冲突模型符合预期值即配置结束,可有效地解决全局搜索算法预处理之后局部注记密集冲突问题。
如图1所示,本方法包括以下步骤S1-S4:
S1,利用重心注记模式对待注记的面状要素生成对应的初始注记点位置和初始注记文字,初始注记点位置和初始注记文字合并形成初始注记点集合。
在S1中,地图面状要素的初始注记点位置生成方式通常包括骨架线注记模式、边界线注记模式、单连通面域点注记模式、散列式面域点注记模式及重心注记模式5种,本实施采用重心注记模式生成初始注记点集合,将配置注记文字水平放置至面状图斑的重心位置,主要针对总体面状要素形状比较规则,非狭长而窄的面状要素。
S2,采用遗传算法对初始注记点集合进行预处理,生成初始群体,构建适应度评价模型,并为适应度评价模型设计遗传算子,以及选定遗传参数的形式,经迭代计算获得收敛后的注记配置的近似最优解,定义为遗传算法预处理注记点集合。
S2基于自动注记问题的整体最优解理论,将遗传算法应用于解决面状要素注记配置问题。根据所述初始注记点集合配置模拟初始种群,构建适应度评价模型、设计遗传算子和选定遗传参数的形式,反复迭代计算,获得收敛后的注记配置的近似最优解为遗传算法预处理注记点集合。并且在S2中,整体最优解理论是用全局搜索算法来计算处理地图注记配置面临的多目标空间位置分布上的优化组合问题,从而获得整体最优解,形成的整个解决方案为一套全局优化方法。全局优化方法通常分为确定性方法和随机性方法两类,本实施采用的遗传算法是一种通过模拟自然进化过程获取最优解的随机全局优化方法,利用概率机制来描述其求解迭代过程,获取目标函数存在的一个或多个最优解即为注记整体配置问题的最优解方案。
在一示例中,首先利用基因编码对初始注记点集合构建预设数量的个体,并将携带的个体组成预设长度的染色体,将染色体定义为候选解,利用随机数发生器生成预设规模的初始群体。
染色体的编码采用整数向量的形式进行表达,每条染色体表示一个向量,每个向量视为面状要素注记的一种配置方案,染色体的基因表示分量,每个分量视为一个注记的候选位置。假定个面状要素需要注记,即表示染色体长度为/>,采用/>备选位置模型,/>个候选位置按优先顺序可用0~P-1表示。如图2所示,本实施采用13备选位置模型,相应基因代码值域即为{0,1,2,3,4,5,6,7,8,9,10,11,12}。
通常顾及注记与待标注要素之间所属关系、注记与重要地理要素及注记之间的避让关系、注记文字符合制图可读性习惯等因素。构建注记配置评价模型对适应度函数模型进行评判,用于选择进化初始种群的下一代个体,注记配置评价模型包括冲突评价模型、关联性评价模型及优先级评价模型。
冲突评价模型的计算方法包括:式中,/>为注记总个数,为冲突注记个数,点/>或/>为第/>个注记的矩形框的一个顶点,/>为点/>的横坐标,/>为点/>的纵坐标,/>为第/>个注记的冲突评价结果取值,值域为{0,1},有冲突取值1,无冲突则取值0,R表示由注记字符长、宽构成一定平面空间范围大小的矩形框,、/>分别为矩形框对应横坐标上最小值和最大值,/>、/>分别为矩形框对应纵坐标上最小值和最大值。
关联性评价是将注记初始点位与备选注记的关系的评价用作整体注记关联性评价。关联性评价模型的计算方法包括:/>式中,/>为注记总个数,/>为关联注记个数,/>为初始标注点位/>的注记,/>是被包含在点对应面状要素所建立矩形范围内的其他任一注记,/>、/>分别表示/>到/>、/>注记框的垂直距离,/>为第/>个注记的关联性评价结果取值,值域为{0,1}。
优先级评价采用13备选位置模型,则。
适应度函数模型的计算方式包括:/>式中,/>代表第/>项因素评价模型的权重值,/>代表第/>项因素评价模型计算值,/>和/>取值0~1。
在遗传参数选定上,须借助多次试验论证确定的先验范围为依据,注记或种群数量影响算法收敛速度,交叉概率制约着算法局部搜索的性能取值范围介于0.4~0.7,变异概率能增大进化过程中种群中个体多样性取值不大于0.2,终止代数取决于最大适应度计算值已经处于最稳定阶段。通过遗传算子进行染色体交换和变异操作,逐代进化,反复迭代计算直到满足终止条件为止。
S3,为遗传算法预处理注记点集合中的面状要素建立外框矩形,并根据各个外框矩形之间的相交情况构建注记冲突模型。
在S3中,构建注记冲突模型是将遗传算法处理剩下的冲突注记之间的关系结构化表达,本实施是对地图中面状要素逐个建立外接矩形框,只需对矩形框内的其他注记进行搜索,计算并判断与目标注记的相交关系。矩形框的范围是由注记字符串长、宽构成大小决定,通常顾及面状要素形状、大小的复杂性,将矩形搜索向外扩大一定范围。
S4,若注记冲突模型存在冲突且超过预期值,利用字号缩小式自动注记配置方法优化存在冲突注记的位置配置,获取的字号缩小式处理注记点集合返回S3重新构建注记冲突模型,直至注记冲突模型符合预期值,若注记冲突模型符合预期值,则配置结束。
在S4中,字号缩小式注记配置方法的基本思想是从降低冲突注记矩形框的重叠面积大小、不破坏原注记位置全貌和不增加图面额外冲突的角度出发,仅对冲突注记大小实施靶式缩进,实现注记文字按指定尺度缩小字号以达到减小冲突的配置策略。在冲突模型分解上,在介于通常冲突发生存在的冲突数量,将已有的冲突模型分解为三种:2冲突模型、3冲突模型和大于或等于4冲突模型。在位置缩进配置上,依照模型简单和复杂类别,对于存在冲突且超过预期值的注记冲突模型,采用穷举策略和局部遍历策略,通过对角线相反位移法确定注记冲突模型在缩小字号后外框矩形的顶点位置,获取冲突注记的最佳候选位置。
对于不满足预期值的注记冲突模型,进入迭代程序,具体的迭代方式如下。
S401,根据所述字号缩小式处理注记点集合构建注记冲突模型,通过对面状要素的注记建立外框矩形,并判断矩形之间相交情况获取注记冲突模型。
S402,对上述注记冲突模型若存在冲突且超过预期值,继续利用字号缩小式自动注记配置方法进一步优化冲突注记的位置配置,直至新生成冲突模型符合预期值即配置结束;否则,配置结束。
在S4中,若字号缩小式处理注记点集合返回S3重新构建注记冲突模型,则设定默认注记字符字号大小20、每次字号缩小尺度0.5、种群规模为350、进化代数150、交叉概率0.7、变异概率0.1、冲突权重系数0.7、相关性权重系数0.2,以及优先级权重系数0.1。
上述实施例只是为了说明本发明的技术构思及特点,其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰,都应涵盖在本发明的保护范围内。
Claims (10)
1.一种基于遗传算法的地图面要素注记自动配置方法,其特征在于,包括以下步骤:
S1,利用重心注记模式对待注记的面状要素生成对应的初始注记点位置和初始注记文字,所述初始注记点位置和所述初始注记文字合并形成初始注记点集合;
S2,采用遗传算法对所述初始注记点集合进行预处理,生成初始群体,构建适应度评价模型,并为所述适应度评价模型设计遗传算子,以及选定遗传参数的形式,经迭代计算获得收敛后的注记配置的近似最优解,定义为遗传算法预处理注记点集合;
S3,为所述遗传算法预处理注记点集合中的面状要素建立外框矩形,并根据各个所述外框矩形之间的相交情况构建注记冲突模型;
S4,若所述注记冲突模型存在冲突且超过预期值,利用字号缩小式自动注记配置方法优化存在冲突注记的位置配置,获取的字号缩小式处理注记点集合返回S3重新构建注记冲突模型,直至所述注记冲突模型符合预期值,若所述注记冲突模型符合预期值,则配置结束。
2.如权利要求1所述的基于遗传算法的地图面要素注记自动配置方法,其特征在于,在S2中,首先利用基因编码对所述初始注记点集合构建预设数量的个体,并将携带的所述个体组成预设长度的染色体,将所述染色体定义为候选解,利用随机数发生器生成预设规模的所述初始群体。
3.如权利要求2所述的基于遗传算法的地图面要素注记自动配置方法,其特征在于,在S2中,所述染色体的编码采用整数向量的形式进行表达,每条所述染色体表示一个向量,每个所述向量视为面状要素注记的一种配置方案,所述染色体的基因表示分量,每个所述分量视为一个注记的候选位置。
4.如权利要求1所述的基于遗传算法的地图面要素注记自动配置方法,其特征在于,在S2中,构建注记配置评价模型对初始群体的适应度函数模型进行评判,用于选择进化所述初始群体的下一代个体,所述注记配置评价模型包括冲突评价模型、关联性评价模型及优先级评价模型。
5.如权利要求4所述的基于遗传算法的地图面要素注记自动配置方法,其特征在于,在S2中,所述冲突评价模型的计算方法包括:式中,/>为注记总个数,为冲突注记个数,点/>或/>为第/>个注记的矩形框的一个顶点,/>为点/>的横坐标,/>为点/>的纵坐标,/>为第/>个注记的冲突评价结果取值,值域为/>,有冲突取值1,无冲突则取值0,R表示由注记字符长、宽构成一定平面空间范围大小的矩形框,、/>分别为矩形框对应横坐标上最小值和最大值,/>、/>、分别为矩形框对应纵坐标上最小值和最大值。
6.如权利要求4所述的基于遗传算法的地图面要素注记自动配置方法,其特征在于,在S2中,所述关联性评价模型的计算方法包括:/>式中,/>为注记总个数,/>为关联注记个数,/>为初始标注点位/>的注记,/>是被包含在/>点对应面状要素所建立矩形范围内的其他任一注记,/>、/>分别表示/>到/>、/>注记框的垂直距离,/>为第/>个注记的关联性评价结果取值,值域为/>。
7.如权利要求4所述的基于遗传算法的地图面要素注记自动配置方法,其特征在于,在S2中,所述优先级评价模型的计算方法包括:/>式中,/>为注记总个数,/>为第/>个注记的备选位置模型取值,优先级评价采用13备选位置模型,则。
8.如权利要求4所述的基于遗传算法的地图面要素注记自动配置方法,其特征在于,在S2中,所述适应度函数模型的计算方式包括:/>式中,/>代表第/>项因素评价模型的权重值,/>代表第/>项因素评价模型计算值,/>和/>取值0~1。
9.如权利要求1所述的基于遗传算法的地图面要素注记自动配置方法,其特征在于,在S4中,对于存在冲突且超过预期值的所述注记冲突模型,采用穷举策略和局部遍历策略,通过对角线相反位移法确定所述注记冲突模型在缩小字号后外框矩形的顶点位置,获取冲突注记的最佳候选位置。
10.如权利要求1所述的基于遗传算法的地图面要素注记自动配置方法,其特征在于,在S4中,若字号缩小式处理注记点集合返回S3重新构建注记冲突模型,则设定默认注记字符字号大小20、每次字号缩小尺度0.5、种群规模为350、进化代数150、交叉概率0.7、变异概率0.1、冲突权重系数0.7、相关性权重系数0.2,以及优先级权重系数0.1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310882955.3A CN116595120B (zh) | 2023-07-19 | 2023-07-19 | 基于遗传算法的地图面要素注记自动配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310882955.3A CN116595120B (zh) | 2023-07-19 | 2023-07-19 | 基于遗传算法的地图面要素注记自动配置方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116595120A true CN116595120A (zh) | 2023-08-15 |
CN116595120B CN116595120B (zh) | 2023-11-17 |
Family
ID=87606684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310882955.3A Active CN116595120B (zh) | 2023-07-19 | 2023-07-19 | 基于遗传算法的地图面要素注记自动配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116595120B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117523041A (zh) * | 2024-01-04 | 2024-02-06 | 广州海洋地质调查局三亚南海地质研究所 | 一种对重叠注记的引线配置方法、装置、设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120281014A1 (en) * | 2010-01-07 | 2012-11-08 | Suzhou Xintu Grographic Information Technology Co., Ltd. | Method and apparatus for detecting and avoiding conflicts of space entity element annotations |
CN104699822A (zh) * | 2015-03-30 | 2015-06-10 | 武汉大学 | 一种地图点要素注记自动配置方法 |
-
2023
- 2023-07-19 CN CN202310882955.3A patent/CN116595120B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120281014A1 (en) * | 2010-01-07 | 2012-11-08 | Suzhou Xintu Grographic Information Technology Co., Ltd. | Method and apparatus for detecting and avoiding conflicts of space entity element annotations |
CN104699822A (zh) * | 2015-03-30 | 2015-06-10 | 武汉大学 | 一种地图点要素注记自动配置方法 |
Non-Patent Citations (2)
Title |
---|
樊红, 刘开军, 张祖勋: "基于遗传算法的点状要素注记的整体最优配置", 武汉大学学报(信息科学版), no. 06, pages 12 - 17 * |
王志杰: "基于遗传算法的点状要素注记配置设计与实现", 《中国优秀硕士学位论文全文数据库信息科技辑(月刊)》, no. 1, pages 140 - 20 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117523041A (zh) * | 2024-01-04 | 2024-02-06 | 广州海洋地质调查局三亚南海地质研究所 | 一种对重叠注记的引线配置方法、装置、设备及介质 |
CN117523041B (zh) * | 2024-01-04 | 2024-04-30 | 广州海洋地质调查局三亚南海地质研究所 | 一种对重叠注记的引线配置方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116595120B (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116595120B (zh) | 基于遗传算法的地图面要素注记自动配置方法 | |
CN108428015B (zh) | 一种基于历史气象数据和随机模拟的风电功率预测方法 | |
CN113867369B (zh) | 一种基于交流学习的海鸥算法的机器人路径规划方法 | |
CN114047770B (zh) | 一种多内心搜寻改进灰狼算法的移动机器人路径规划方法 | |
Froese et al. | The border k-means clustering algorithm for one dimensional data | |
CN105303450A (zh) | 基于谱聚类改进交叉的复杂网络社区发现方法 | |
CN110162060B (zh) | 一种基于改进烟花爆炸算法的机器人路径规划方法 | |
Tapia et al. | Optimized micro-hydro power plants layout design using messy genetic algorithms | |
CN105512752A (zh) | 一种城市公共服务设施选址方法 | |
Yi et al. | Intelligent prediction of transmission line project cost based on least squares support vector machine optimized by particle swarm optimization | |
CN108376183A (zh) | 一种基于最大熵原理的城市ca模型构建方法 | |
Dong et al. | Ship pipe route design using improved multi-objective ant colony optimization | |
CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
CN110222816B (zh) | 深度学习模型的建立方法、图像处理方法及装置 | |
CN113486429A (zh) | 一种基于插值算法的空间汇交结构自动化建造方法 | |
Feng et al. | An optimised cellular automata model based on adaptive genetic algorithm for urban growth simulation | |
CN114818320B (zh) | 一种巨型河网水动力数学模型率定方法、系统及存储介质 | |
CN114742593A (zh) | 一种物流仓储中心优化选址方法及系统 | |
CN112148030B (zh) | 一种基于启发式算法的水下滑翔机路径规划方法 | |
Gerey et al. | Groundwater single-and multiobjective optimization using Harris Hawks and Multiobjective Billiards-inspired algorithm | |
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 | |
CN114063623B (zh) | 一种基于多策略改进的黏菌算法的机器人路径规划方法 | |
Lückehe et al. | Simulated Annealing With Parameter Tuning for Wind Turbine Placement Optimization. | |
CN116882305B (zh) | 基于预搜索加速的二氧化碳水气交替驱油多目标优化方法 | |
Luo et al. | Accelerated genetic algorithm based on real number coding for solving mobile communication network site planning |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |