基于模拟退火算法的多观察点设置方法技术

本发明专利技术提供了一种基于模拟退火算法的多观察点设置方法，首先根据需要设置的观察点的个数ｎ和实际处理的地形大小将地形分为Ｋ等块；然后随机在每个地形块中选择ｎ／Ｋ个观察点，并计算所有观察点的视域以及视域合并后的可视覆盖范围；以前一步得到的结果作为初始状态，采用新改进的模拟退火算法分别求出每个地形块中的最佳观察点组合，由此即可得到近似全局的观察点设置。本发明专利技术从目标函数和退温函数两个方面对经典的模拟退火算法进行了改进，克服了基于传统模拟退火算法的设置方案效率低下，不能应用于实际的缺点，时间效率提高１５－２０倍，精度损失在２％以内。

【技术实现步骤摘要】

本专利技术属于地形分析
，具体涉及一种基于人工智能的能够快速寻找到地形上最有利的观察点的方法。
技术介绍
地形可视性分析(Terrain Visibility Analysis)是运用计算几何原理和计算机图形学技术解决地形上观察点集合的可视性问题的方法和技术。在给定观察点性质(人，转发站等)条件下，该观察点在其视线可达范围内的可见区域构成该观察点的视域。地形可视性分析中的观察点设置问题是指对于一块地形区域，寻找尽可能少的观察点，使它们的联合视域覆盖该地形区域中一定比率的面积。基于地形可视性分析的多观察点最优部署是指对于指定区域，在给定观察点性质(目视，雷达等)和可视范围的条件下，寻找尽可能少的观察点，使它们的联合视域覆盖最大侦察区域。多观察点最优设置是地形分析的一项重要内容，许多应用可以归结为观察点设置问题，例如电信基站选址，濒危动物保护观察站设置，最佳风力发电位置选择等等，在民用上的典型应用是无线基站位置选取。最传统的解决方法是采用沙盘或电子沙盘，凭经验来选址。随着计算机技术的发展应用，解决最优观察点设置问题的方法基本上都是基于对真实地形离散化采样后的数据进行计算机仿真分析。这些数据根据格式不同分为两类——不规则三角形网(Triangulated Irregular Network，TIN)和规则正方形格网(Regular SquareGrid，RSG)，后者由于地形离散采样点之间间隔固定便于进行分析与计算而被广泛应用于观察点设置分析中。这些仿真分析也基本上都是采用贪婪算法，即通过比较所有观察点组合的联合视域，从中找到最佳的观察点组合。这种方法的一个最大的缺点是其计算量随着问题复杂程度的增大呈指数级增长，远远超出现有计算机的计算能力，因此不能够实用化。为解决计算量过大这一问题，Franklin W.提出了将大地形分块然后进行迭代求解(Franklin，W.R.and Vogt，C.，2004.Efficient Multiple Observer Sitingon Large Terrain Cells，GIScience 2004 Third International Conference onGeographic Information Science.University of Maryland Conference Center，USA.)；Rana提出了基于地形特征的待选观察点集合概念，通过只比较满足一定地形特征(如山脊，制高点等)的观察点集合来达到减少计算量的目的(Rana，S.，2003.Fast approximation of visibility dominance using topographic features astargets and the associated uncertainty，Photogrammetric EngineeringandRemote Sensing，69(8)，881-888.)；Kim Y.H.提出了基于人工智能算法的解决办法，例如使用模拟退火算法(Simulated Annealing Algorithms，SA)和遗传算法(Genetic Algorithms，GA)(Kim，Y.H.，Rana，，S.，Wise，S.，2004.Exploring multiple viewshed analysis using terrain features andoptimisation techniques.Computers and Geosciences，30(9-10)，pp.1019-1032.)。这些方法虽然很大程度上减少了计算量，使问题的解决变为可能，然而对于一些问题规模较大或是需要实时解决的场合，这些方法的仿真效率仍然很低，例如在400*400数据点的地形上设置两个观察点共耗时1.14小时(4104秒)。模拟退火算法是基于Monte Carlo迭代求解策略的一种随机寻优算法，其出发点是基于物理退火过程与组合优化之间的相似性。模拟退火算法由某一较高初温开始，利用具有概率突跳特性的Metropolis抽样策略在待选观察点组合中进行随机搜索，伴随温度的不断下降重复抽样过程，最终得到问题的全局最优解。经典的模拟退火算法中，新状态产生函数，新状态接受函数，退温函数，抽样稳定准则和退火结束准则以及初始温度是直接影响算法优化结果的主要环节。在给定地形数据和观察点个数的条件下，随机选择满足个数的观察点作为当前最佳观察点组合，计算它们的联合视域覆盖范围(通过状态函数求得，经典模拟退火算法中没有给出具体的函数形式，需要根据问题自行确定)。在初始退火温度t0下，将每个当前最佳观察点在以各自位置为中心R为半径(R和t0成正比)的范围内随机变换位置，得到一组新的观察点，计算这组新观察点的联合视域覆盖范围，如果大于上一次的值则马上接受这组观察点为当前最佳观察点组合，如果不是，则随机生成一个数，该数在0和1之间，如果该数大于0.5则也接受这组观察点位置为当前最佳观察点组合，否则认为当前最佳观察点组合不变。在这个退火温度下，不断重复上述工作，直到有N次(N事先确定)都出现了当前最佳观察点组合不变的情况，这时进入下一个退火温度tk其中tk＝t0·λk，0＜λ＜1，λ为退温系数。重复进行上述操作直到tk小于一个给定的值，这时候的当前最佳观察点组合就是最终解。模拟退火算法的实验性能具有质量高、初值鲁棒性强、通用易实现的优点。但是，为了寻找到最优解，算法通常要求较高的初温、较慢的降温速率、较低的终止温度以及各温度下足够多次的抽样，因而模拟退火算法往往优化过程较长，从而制约了该算法在解决多观察点设置问题的应用。另外，上述解决方法都是着眼于减少待比较的观察点组合数量来提高仿真效率的，而忽略了影响问题复杂程度的一个十分重要的因素——地形数据的大小，也就是地形数据的格网点数n。对于相同的地形区域，采用不同大小的数据(即不同的分辨率)其问题复杂程度有很大的差别。综上，现有的解决多观察点设置问题的方法主要有两类。一类是通过限制观察点所在位置(例如山脊，高地等)来减少需比较的观察点组合；另一类是通过引入人工智能算法(例如模拟退火算法，遗传算法等)通过比较少数观察点组合得到近似全局最优解来达到提高仿真效率的目的。上述两种方法主要是从如何减少待比较的观察点组合数量的角度来实现问题解决的可行性的。但是从问题的复杂性分析可以清楚的看到，影响问题解决可行性的一个很大的因素是地形数据的大小对同样一块地形，在不同分辨率的地形数据上进行多观察点设置的仿真计算复杂性差异巨大。所以，从地形数据角度分析和解决多观察点设置问题，提高问题解决的可行性和效率的潜力是巨大的。
技术实现思路
为了克服计算上的效率问题，本专利技术提出了一种基于改进后的模拟退火算法的的多观察点优化设置的办法，在保证精度的前提下，在求解最优观察点组合的时间上明显优于基于经典的模拟退火算法的解决办法，使得通过计算寻找多观点优化位置成为了一项实用技术。本专利技术的技术方案如下，包括以下步骤一、根据需要设置的观察点的个数n和实际处理的地形大小将地形分为K等块，则每块内观察点个数为n/K，n能被K整除。为方便计算，K可以取2的整数幂本文档来自技高网...

【技术保护点】
基于模拟退火算法的多观察点设置方法，其特征在于包括以下步骤：（１）根据需要设置的观察点的个数ｎ和实际处理的地形大小将地形分为Ｋ等块，则每块内观察点个数为ｎ／Ｋ，ｎ能被Ｋ整除；（２）随机在每个地形块中选择ｎ／Ｋ个观察点，并计算 所有观察点的视域以及视域合并后的可视覆盖范围；（３）以步骤（２）得到的结果作为初始状态，采用模拟退火算法分别得出每个地形块中的最佳观察点组合，每个地形块的观察点的变化限制在该地形块内部；由此得到全局的观察点设置；所述的模拟退 火算法，具有如下的状态函数和退温函数：状态函数为：φ（ｏ↓［ｋ］）＝ｆ（ｏ↓［ｋ］）＋ｇ（ｏ↓［ｋ］），ｋ＝１，２…ｎ，其中＊＊＊，ｖ（ｏ↓［ｋ］）是观察点集合ｏ↓［ｋ］的视域，ｇ（ｏ↓［ｋ］）是与观察点集合中观察点之间平均距离成反 比的惩罚函数；退温函数为：＊＊＊，其中ｃ＝１／２.（０．５）↑［α］，ｔ↓［ｋ］＝ｔ↓［０］.λ↑［ｋ］，ｔ↓［０］为初始温度，ｔ↓［ｋ］为经过ｋ步退温后达到的温度，λ为退温系数，０＜λ＜１，λ、α、γ的取值根据对退温过程的控制需要 而设定。...

【技术特征摘要】

【专利技术属性】
技术研发人员：吕品，张金芳，李磊，鲁敏，李原野，
申请(专利权)人：中国科学院软件研究所，
类型：发明
国别省市：11[中国|北京]