The present invention relates to a multi object relational division processing method of buoy data, multi object relational classification processing method the buoy data comprises the following steps: obtaining the typhoon and buoy buoy data; build relation graph; multi-objective problem formulation; to construct the NSGA II algorithm buoy data customization (non dominated sorting genetic algorithm with elitist preservation strategy); multi-objective layout method of buoy data output. The utility model has the advantages that will be all in the sea buoy chart, buoy distribution storage area; the micro buoy data correlation area to maximize, minimize, the cross correlation of interval micro micro communication time is minimized, and the load balance of micro area; marine emergency early warning and forecast, typhoon data analysis provide an efficient retrieval method, and improve forecasting accuracy; support ability quality, promote the business of the conventional numerical model assimilation prediction effect, disaster prevention and mitigation and emergency decision making and prediction of law enforcement and other marine activities.
【技术实现步骤摘要】
一种浮标数据的多目标关联度划分处理方法
本专利技术涉及海洋数据划分处理
,具体地说,是一种浮标数据的多目标关联度划分处理方法。
技术介绍
现有的浮标按海区单点存储不能及时响应跨海区灾害的数据获取,无法为海洋灾害发生时提供快速高效的数据访问服务,将浮标依赖灾害影响程度构建成图,利用图划分方法进行划分后应用,能够更高效的使用浮标数据。图划分方法是将具有相关性的、复杂的边关系根据顶点与顶点间的紧密程度聚类的一种方法,良好的图划分算法能够对数据关联性布局提供依据。在无结构图多层级划分方法METIS中,利用图粗糙方法(CoarseningPhase)将复杂图规模逐步缩减,然后进行图划分(InitialPartitioningPhase)并对图进行处理,在处理结束后,执行图复原方法(UncoarseningPhase)。其中图粗糙方法利用“超点”(CreateMultinode)以及最大化匹配(MaximalMatching),图划分方法与图复原方法中应用了如Kernighan-LinAlgorithm等多种算法。该方法的优点在与:①图粗糙时能得到较好的全局视图(globalview),②图复原中利用KL算法可以得到较好的本地视图(localview)③结合全局视图与本地视图在图划分步骤时的选择对图影响较小的划分算法④图粗糙的并行化较为容易且运算时间得到优化。METIS结合几种启发式算法在图粗糙、图划分、图复原上提升了切分规模,使用贪婪算法(GR)等进行改进,使METIS优于原始的MGP方法。但这种做法将粗糙图进行划分后,反映在原始图上可能不是最优结果。一种过程 ...
【技术保护点】
一种浮标数据的多目标关联度划分处理方法,其特征在于,所述浮标数据的多目标关联度划分处理方法包括以下步骤:S01:获取历年台风与浮标数据;S02:构建浮标关系图;S03:多目标问题公式化;S04:构建针对浮标数据定制的NSGA‑II算法(带精英保存策略的非支配排序遗传算法);S05:输出适合浮标数据的多目标布局方法;所述的S04步骤中的针对浮标数据定制的NSGA‑II算法(非支配排序遗传算法)包括初始化个体算法、选择算子算法、交叉算子算法、变异算子算法、精英保存算法。
【技术特征摘要】
1.一种浮标数据的多目标关联度划分处理方法,其特征在于,所述浮标数据的多目标关联度划分处理方法包括以下步骤:S01:获取历年台风与浮标数据;S02:构建浮标关系图;S03:多目标问题公式化;S04:构建针对浮标数据定制的NSGA-II算法(带精英保存策略的非支配排序遗传算法);S05:输出适合浮标数据的多目标布局方法;所述的S04步骤中的针对浮标数据定制的NSGA-II算法(非支配排序遗传算法)包括初始化个体算法、选择算子算法、交叉算子算法、变异算子算法、精英保存算法。2.根据权利要求1所述的一种浮标数据的多目标关联度划分处理方法,其特征在于,所述的S02步骤中,包括以下步骤S021:台风与浮标关系计算;S022:设立阈值Erosf;S023:将两个浮标的Eros值与阈值Erosf对比;S024:获取浮标关系图;所述的台风与浮标关系计算是利用Eros距离度量方法计算台风参数对浮标的影响系数,所述的台风参数包括台风风向、距离、海温、增水、海压,所述的将两个浮标的Eros值与阈值Erosf对比为若Eros>Erosf,则台风对两者影响程度相似,具有边关系,若Eros<Erosf,则台风对两者影响程度不同,不具有边关系,且Eros值越大表明两者越相似。3.根据权利要求1所述的一种浮标数据的多目标关联度划分处理方法,其特征在于,所述的S03步骤中,包括微区内浮标间关系最大化目标公式化、微区间相关性最小化目标公式化、跨微区通信时间最小化目标公式化、微区完整性约束、微区个数约束;所述的微区内浮标间关系最大化目标公式化的公式为:其中,Cik与Cjk分别表示浮标vi与vj是否属于第k个微区,ωij表示顶点Vi与Vj间的边权值;所述的微区间相关性最小化目标公式化的公式为其中,反映所有微区的数据期望值,用于评估某一微区到微区期望值的差异;所述的跨微区通信时间最小化目标公式化的公式为其中,dlk表示第l次台风是否涉及微区Mk,C代表云计算平台读取单个微区的通信时间,Ty表示台风次数;所述的微区完整性约束的公式为所述的微区个数约束的公式为MNmin≤MN≤MNmax;MN=MNfix,其中,[MNmin,MNmax]是一个范围,MNfix是一个适当的值;所述的微区规模约束的公式为Mmin≤|Mk|≤Mmax;k=1,2,...,MN,其中,[Mmin,Mmax]是微区规模的范围,|Mk|是Mk的大小。4.根据权利要求1所述的一种浮标数据的多目标关联度划分处理方法,其特征在于,所述的初始化个体算法包括以下步骤:S0411:从浮标集合V中抽取K个初始点,并在个体数组中indj中将该点的值依次标记为k(k=1,2,…,K);...
【专利技术属性】
技术研发人员:黄冬梅,赵丹枫,徐宸弋轩,王建,梅海彬,王丽琳,
申请(专利权)人:上海海洋大学,
类型:发明
国别省市:上海,31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。