[发明专利]基于蚁群算法的地理信息多目标帕累托解的可视化方法

说明书

技术领域

本发明涉及地理信息(GIS)领域和可视化领域的结合，特别是涉及一种地理信息多目标帕累托解的可视化方法。

背景技术

基于地理信息上的多目标探索决策是一个非常复杂的问题。如果将传统方法结合一个可视化的分析框架就可解决这类问题，这其中包含了多目标优化算法、可视分析和交互技术。

多目标优化算法与数学优化难题中的多目标函数优化算法相关联而且是相似的。目标优化决策需要在两个或者多个相互冲突的目标中进行妥协。然而，这些问题是非常难解决的。其原因是：首先，如果用户有多个不同的目标，且这些目标都是非常绝对的、很难量化和需要实时调整的；那么，难点包含多目标和多约束都需要被非常合适的规定，优化其中的任何一个都可能是一个NP难度问题；相关的技术挑战是如何同时考虑到所有的目标和约束并且在冲突的情形下发现妥协的方法。其次，尽管当前的分析方法能够减少算法的复杂度，但是仍然存在许多的问题，即优化的结果可能只是局部最优的结果，另一种情形就是优化的算法在利用地理信息的数据计算的时候可能是不收敛的。再次，本领域需要一个更加方便和可以交互的系统。用户需要可信任算法。

发明内容

为了克服上述现有技术存在的问题，本发明提出了一种基于蚁群算法的地理信息多目标帕累托解的可视方法，通过改进的蚁群算法对地理信息处理后得出来的帕累托解的可视化表示，帮助用户进行基于地理信息方面的决策，提供给用户一种可以反馈和交互的优化算法方法，并且设计出一个可视分析的框架来动态的调整算法的解来影响最后的结果，用户可以通过可视化的表示来查看结果，同时通过交互来影响最后算法的结果。

本发明提出一种基于蚁群算法的地理信息多目标帕累托解的可视方法，利用地理信息数据和与目标优化相关的统计数据，用可视分析技术展示多目标优化结果，其特征在于，该方法包括以下步骤：

步骤一、设定蚁群算法初始时刻的位置，该位置即用户在想要探索的区域通过点击选择的地点；

步骤二、设定目标条件和约束条件；

步骤三、设定单一目标和相应的权重；

步骤四、设定全局的目标函数F，

F＝MAX(condA*Avalue+condB*Bvalue-condC*Cvalue-condD*Dvalue+condE*Evalue)其中：condA、condB、condC、condD、condE这些变量的值的范围是0-1，表示的是用户限定各个单目标所占全局目标的权重分布；

步骤五、执行改进蚁群算法，

步骤六、计算出帕累托解，帕累托解的组成是根据用户自定义的目标组成的[PFvalue,PAvalue,PBvalue,PCvalue,PDvalue,PEvalue]，PFvalue代表的是目标函数的最优解，但是有时候并不是目标最优就是用户偏好的最优，用户可能会根据某个维度重新设置权重，获得更好的最优。同时PFvalue的值在蚁群算法进行比较的时候会影响信息素的值，各个参数的定义如下：

PAvalue＝condA*Avalue

PBvalue＝condB*Bvalue

PCvalue＝condC*Cvalue

PDvalue＝condD*Dvalue

PEvalue＝condE*Evalue

当蚁群算法执行结束之后，我们将根据计算出结果的解进行排序，选取出前15％的记录，用平行坐标坐标的方式可视化表示，用户可以直观查看解，同时再进行调节参数重新计算。

步骤七、利用可视化交互操作进行验证，若所获得的帕累托解不是理想结果，则调整步骤一至步骤三的设定值，直至获得理想结果。

所述改进蚁群算法，具体包括以下步骤：

用户在指定的地图区域内用鼠标点选初始蚂蚁的位置；

用户在不同的地方点选了30只蚂蚁的位置后，开始执行算法：

对于30只蚂蚁，同时开始进行寻路，当每只蚂蚁迭代次数少于500次时，重复执行以下处理，即根据信息素溶度随机出来的随机数(1,2,3,4,5,6,7,8)，其中每个数字代表的是一个方向，1代表向上，2代表向右上，3代表向右，4代表向右下，5代表向下，6代表向左下，7代表向左，8代表向左上；

如果挑选的方向是走不通的，那么重新在挑选一个方向；

如果挑选的方向是走得通的，判断蚂蚁走过的地方是否满足条件：

若蚂蚁走过的地方满足条件，那么更新这块的信息素+0.001f，然后计算蚂蚁的步长，以跳出局部极值；