[發明專利]一種基于蜂群智能的地理元胞自動機轉換規則獲取方法

有效

• 申請號: 201210524512.9
• 申請日: 2012-12-07
• 公開（公告）號: CN102981891A
• 公開（公告）日: 2013-03-20
• 發明（設計）人: 湯國安;陽建逸;曹敏;胡迪
• 申請（專利權）人: 南京師范大學
• 主分類號: G06F9/455
• 分類號: G06F9/455
• 代理公司: 南京知識律師事務所 32207
• 代理人: 李媛媛

技術領域

本發明屬于計算機仿真模擬領域，特別涉及一種地理元胞自動機獲取方法。

背景技術

轉換規則是元胞自動機模型的核心，它是模擬過程邏輯關系的表達，決定了模擬的結果。目前，關于轉換規則的獲取已有大量的研究成果，但是都具有一定的局限性。Clarke等提出的利用肉眼判斷來獲取模型參數值的方法受主觀因素影響很大，且可靠程度有限；利用層次分析法(AHP)確定模型參數值和使用線性logistic回歸的方法提取轉換規則，簡單實用，但是用線性的方法提取復雜的地理現象規律，顯得過于簡單，難以準確的模擬復雜的地理過程；利用神經網絡訓練的方法自動獲取轉換規則，但是神經網絡存在的局部最小值和收斂速度慢等問題，屬于黑箱結構，難以進行優化改進；隨后，黎夏等又提出了利用See5.0決策樹的方法來獲取CA的參數值，此方法容易陷入局部最優；劉小平和黎夏提出了利用核學習機在高維特征空間中提取CA非線性轉換規則的方法，該方法也存在轉換規則物理意義不清晰和運行量大的問題。此外，當研究區域較為復雜時，上述方法在模型結構和參數確定時具有一定的困難。針對此問題，劉小平和黎夏等提出人工蟻群智能算法和PSO算法，PSO算法能夠較好的求解連續優化問題，但在面臨復雜多峰優化問題時，搜索的精度不高，而蟻群算法較好的解決組合優化問題，但是對連續型優化問題的求解能力較弱，并存在初期收斂速度慢，信息素更新能力有限等問題。

發明內容

為了解決傳統元胞自動機轉換規則獲取方法存在的物理意義不清晰、模型結構及參數難以確定的問題，克服已有的群體智能收斂速度慢，容易陷入局部最優的缺點。本發明的目的是提供一種地理元胞自動機轉換規則的獲取方法，該方法以蜂群智能挖掘算法為核心，以地理元胞自動機轉換規則的獲取為目的，利用蜂群智能搜索方式，在多維屬性空間中進行規則搜索，挖掘地理元胞自動機轉換規則，生成地理元胞自動機的轉換規則文檔。

本發明解決其技術問題所采用的技術方案是：

一種基于蜂群智能的地理元胞自動機轉換規則獲取方法，包括以下過程：

(1)隨機構造初始規則，其構造方式為：在各個屬性項節點隨機確定條件值并與一個元胞狀態值構成一條轉換規則，轉換規則即是蜜蜂個體的所對應的蜜源位置；

(2)利用蜂群智能算法優化初始規則，搜索更優的條件值；

(3)蜂群進化過程更新：每一個體利用貪婪算子在更新后的規則和更新前規則之間選擇有效性更高的規則作為新的位置；

(4)到達終止條件時，選擇最高有效性的規則進行修剪并添加到規則集，并移除訓練數據中符合此規則的樣例；

(5)判斷剩余樣例數覆蓋度是否達到閾值；如果達到閾值，則終止對當前類型的規則挖掘，為下一轉換類型挖掘規則；如果沒有達到閾值，則執行步驟(1)-(4)進行下一條規則挖掘。

所述步驟(1)中屬性項節點的條件值確定方式為：連續性屬性節點和離散型屬性節點都隨機在屬性區間內選取兩個值作為上界和下界構成一個區間作為條件項。初始規則的形式化表達為：IF<條件1>And<條件2>……And<條件n>Then元胞狀態，其有效性通過基尼指數進行評價。

所述步驟(5)中的樣例是由屬性項取值構成的特征向量和狀態值組成。所述步驟(4)中的規則是指：樣本每個屬性值都符合規則中的條件項，同時樣例的狀態值等于規則中的狀態值。

本發明是一種基于蜂群智能的元胞自動機轉換規則挖掘方法，通過模擬蜜蜂群搜索最優蜜源的方式，挖掘元胞自動機轉換規則，輸出轉換規則描述文檔。可用于解決符合本發明要求的任何元胞自動機規則獲取問題。

附圖說明

圖1為本發明一種基于蜂群智能的元胞自動機轉換規則挖掘方法的基本流程。

圖2為采用蜂群智能挖掘算法進行規則挖掘的實施實例具體步驟。

圖3為蜂群智能算法集成工具界面。

具體實施方式

下面對本發明實例中的技術方案進行清楚、完整的描述。顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部實施例。基于本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。

本發明一種基于蜂群智能地理元胞自動機轉換規則挖掘方法，如圖1所示，包括以下步驟：

(1)從兩個時期的地理數據中獲取地理現象的變化類型；

(2)根據變化的類型才用分成隨機抽樣的方式獲取訓練樣本和測試樣本；

(3)對每一個變化類型按照如下過程進行規則挖掘：