基于蚁群算法的地理信息多目标帕累托解的可视化方法

摘要

本发明公开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，利用地理信息数据和与目标优化相关的统计数据，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；步骤五、执行改进蚁群算法；步骤六、计算出帕累托解，并实现可视化表示；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。本发明通过交互的算法，提升用户的个人知识在算法中的人为影响，用户控制蚁群算法中蚂蚁的位置，让探索区域可以用户自定义。

主权项

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*AvaluePBvalue＝condB*BvaluePCvalue＝condC*CvaluePDvalue＝condD*DvaluePEvalue＝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。