空间数据智能挖掘系统：混沌免疫克隆选择聚类算法与GIS的耦合集成

混沌克隆算法具有许多优点，在聚类过程中通过混沌克隆算子指导算法寻找最优聚类方案，能克服传统聚类算法的缺点。从数据模型的角度看，混沌免疫克隆选择算法是基于编码串的，而土地用途分区的对象——图斑作为空间数据呈面状分布，因此需要对土地利用数据进行处理以符合算法对种群的要求。对于矢量格式的数据来说，通常在GIS规范下的土地利用数据每个利用单元均具有唯一的内部编码，自然可以把这些内部编码按一定顺序排列，通过编码构建起抗原群落，然后根据初始种群生成方法产生一定规模的抗体初始种群，在此基础上按混沌免疫克隆选择算子和4.2节提出的迭代算子不断迭代，直到满足迭代终止条件。在这过程中，GIS以其强大的空间数据处理能力为初始抗原种群的生成提供数据，同时也用来对不断克隆记忆生成的记忆群体进行可视化表达，以方便模型的校验和科学合理的方案生成。

基于混沌免疫原理的多目标聚类算法就是将聚类问题转换为一个在满足一系列约束条件下，使目标函数(抗体-抗原亲和度函数)取得最小的优化问题。在基于混沌免疫克隆选择算法的聚类分析中，把要分类的数据对象视为抗原，把聚类中心看作免疫系统中的抗体，数据对象的聚类过程就是免疫系统不断产生抗体、识别抗原，最后产生出可以捕获抗原的最佳抗体过程。GIS不仅可以做数据的编辑、处理和分析，还可以在数据挖掘方面强化人工智能的执行质量(Feng-Tyan Lin，2000)。通过免疫克隆选择聚类算法与GIS的耦合集成，形成一个空间数据智能挖掘系统，用来对复杂空间问题进行建模分析。二者耦合集成的框架大致概括如图4-6所示。

(www.xing528.com)

图4-6　混沌免疫克隆选择聚类算法与GIS的耦合集成框架

为了利用混沌免疫克隆选择算法解决数据集聚类问题——土地用途分区，把这一问题看作以图斑X＝{x1，x2，…，xn}为变量的聚类优化问题：max{f(e-1(A))：A∈I}，其中具有有限长度的字符串A＝a1a2…al是变量X的抗体编码，记为X＝e-1(A)；集合I称为抗体空间；f为I上的正实数函数，称为抗体-抗原亲和度函数。因此，在进行利用免疫克隆选择算法进行分区前首先要解决以下四个问题：①土地用途分区聚类问题编码；②构造用来度量每个抗体对聚类问题的响应程度的抗体-抗原亲和度函数；③混沌免疫克隆选择操作的参数选择与确定，以确保高效收敛到最优解；④混沌扰动如何增加。