首页 理论教育 遥感技术在城市发展中的人工智能算法应用

遥感技术在城市发展中的人工智能算法应用

时间:2023-09-23 理论教育 版权反馈
【摘要】:元胞自动机和多智能体系统等城市发展智能模拟工具,以自下而上的发展方式,较好地模拟了城市扩张的自发性增长。在利用免疫算法解决具体问题时,抗原通常表示欲求解的问题,抗体表示问题的解。蚁群算法是受到真实的蚁群行为的研究的启发而提出的。

遥感技术在城市发展中的人工智能算法应用

元胞自动机和多智能体系统等城市发展智能模拟工具,以自下而上的发展方式,较好地模拟了城市扩张的自发性增长。其关键是确定合适的转换规则,目前已有多位学者将人工神经网络(黎夏,2002)、遗传算法(杨青生,2007)、免疫算法(刘小平,2008)、群体智能算法(刘小平,2006)等应用在元胞自动机转换规则提取中,且取得了较好的模拟精度和模拟效果。

1.人工神经网络

人工神经网络(Artificial Neural Network,ANN)从信息处理角度对人脑神经元网络进行抽象,建立某种简单模型,按不同的连接方式组成不同的网络(韩力群,2006),其拓扑结构如图1.1所示。20世纪80年代中后期,人工神经网络的研究取得了很大进展(韩力群,2002),已广泛应用于趋势分析、模式识别遥感图像分类中(Paola,1995;Bernard et al,1997;Benediktsson et al,1997)。

人工神经网络由处理单元、网络拓扑结构及训练规则3部分构成:处理单元模拟人脑神经元的功能,是人工神经网络操作的基本单元。一个处理单元有多个输入和输出路径,输入端起到信息传递作用,输出端将处理后的信息从一个处理单元传给下一个处理单元,具有相同功能的处理单元构成处理层(王野乔,1997)。网络拓扑结构决定各处理单元、各层之间信息的传递方式与途径(修丽娜,等,2003)。训练规则主要有联想学习、误差传播学习、概率式学习和竞争式学习4种(周成虎,等,1999)。

2.遗传算法

遗传算法借鉴了自然界中的生物进化,以自然选择和遗传理论为基础,并在算法中体现了“适者生存”的规律。遗传算法最早由密歇根大学的Holland教授(Holland,1975)提出,此后逐渐发展并成功解决了不同领域的一系列优化、调度、数据挖掘等问题。

遗传算法把问题的解表示成“染色体”,即以二进制或者浮点数编码表示的串。然后给一圈“染色体”即“初始种群”,也就是假设解集,把这些假设解置于问题的“环境”中,并按照适者生存和优胜劣汰的原则,从中选择出较适应环境的“染色体”进行复制、交叉、变异等过程,产生更适应环境的新一代“染色体”群。这样,一代代地进化,最后收敛到最适应环境的一个“染色体”上,经过解码就得到问题近似最优解。

图1.1 人工神经网络拓扑结构示意图

基本遗传算法的数学模型可表示为:

式中,C为个体的编码方法;E为个体适应度评价函数;P0为初始种群;M为种群大小;φ为选择算子;Γ为交叉算子;Ψ为变异算子;T为遗传运算停止条件。

遗传算法的具体步骤如下:

①对问题进行编码;(www.xing528.com)

②定义适应度函数后,生成初始化群体;

③对于得到的群体进行选择、复制、交叉、变异操作,生成下一代种群;

④判断算法是否满足停止准则,若不满足,则从步骤③起重复;

⑤算法结束,获得最优解。

3.免疫算法

免疫算法是对生物免疫系统的模拟,是借鉴和利用生物免疫系统的信息处理机制而发展的各类信息处理技术、计算技术以及智能系统的统称。它具有自学习、自适应和记忆的能力(Kim,等,1999)。

克隆选择原理是免疫系统的基础理论之一。它解释了抗体的形成机理,阐明了应答的多样性机制。克隆选择原理最先由Jerne(1973)提出,其基本思想是只有那些能够识别抗原的细胞才能被免疫系统选择并保留,然后进行扩增;而不能识别抗原的细胞则会被淘汰。主要内容为:当淋巴细胞实现对抗原的识别后,B细胞被激活并增殖复制产生B细胞克隆,随后克隆细胞经历变异过程,产生对抗原具有特异性的抗体。克隆选择理论描述了获得性免疫的基本特征,并且只有成功识别抗原的免疫细胞才能得以增殖。克隆选择机制汇中有一个重要的过程——亲和力“成熟”过程,即对抗原亲和力较低的个体经历克隆选择的增殖复制和变异后,其亲和力逐渐提高而达到“成熟”。

一般免疫算法可分为6个步骤(Hong,等,2000):①系统识别抗原;②初始化抗体;③计算抗原与抗体之间的亲和力;④记忆细胞分化;⑤对抗体的促进和抑制;⑥对抗体群体进行更新。在利用免疫算法解决具体问题时,抗原通常表示欲求解的问题,抗体表示问题的解。

4.智能群体算法

智能群体算法是通过模拟生物群体行为来解决计算问题,并在一些实际应用领域取得突破性进展(陈森发,2005)。比较有代表性的群体智能算法包括粒子群优化算法和蚁群算法,下面以蚁群算法为代表进行介绍。

蚁群算法是受到真实的蚁群行为的研究的启发而提出的。像蚂蚁、蜜蜂、飞蛾等群居昆虫,虽然单个昆虫的行为极为简单,但由单个的个体所组成的群体却表现出极其复杂的行为。这些昆虫之所以有这样的行为,是因为它们个体之间能够通过一种称为外激素的物质传递信息。蚂蚁在运动的过程,能够在它们所经过的路径上留下该种物质,而且蚂蚁在运动的过程中能够感知这种物质,并以此指向自己的运动方向。所以,大量蚂蚁组成的蚁群的集体行为便表现出一种信息正反馈现象:某路径上走过的蚂蚁越多,后来者选择该路径的概率就越大。蚁群算法就是根据真实蚁群的这种群体行为而提出的一种随机搜索算法,与其他随机算法相似,通过对初始解组成的群体来寻求最优解。各候选解通过个体释放信息不断地调整自身结构,并且与其他候选解进行交流,以产生更好的解。

作为一种随机优化算法,蚁群算法不需要任何先验知识,最初只是随机地选择搜索路径,随着对解空间的了解,搜索更加具有规律性,并逐渐得到全局最优解。

免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。

我要反馈