一种自身全局最优的道路网Stroke生成方法

Stroke在道路网研究中发挥着重要作用,目前Stroke连接策略大多限于局部,对Stroke的全局表现考虑不足。针对以上不足,本文提出了一种自身全局最优的道路网Stroke生成方法,以起始路段为根结点,以连接规则为约束构建Stroke树,并通过随机森林算法投票选出每棵树的最优Stroke。经试验验证,自身全局最优的道路网Stroke生成方法在视觉认知和网络功能方面的表现均优于自身适合策略、自身最大适合策略及每对最大适合策略。

具有自适应随机惯性权重的PSO算法

通过对标准PSO算法中惯性权重和全局最好值的分析,提出了一种根据全局最好值的变化而自适应变化的随机惯性权重的方法。通过对5个典型的Benchmark函数的测试,结果表明此方法在收敛速度和全局收敛性方面都较线性递减的惯性权重的方法有所改进。最后,将改进的PSO算法应用于分类问题,与标准PSO算法与C4.5的结果相比,分类精度和速度都有所提高。

对生成Stroke的自身最大适合策略的改进

道路网中的Stroke是根据"好的连续性规律"将路段连接形成的道路链。生成Stroke通常作为道路网综合、拓扑分析、示意性地图生成、模式识别等研究的首要步骤。本文对自身最大适合策略进行了两个方面的改进:第一,根据路段重要性来规定路段处理的顺序,而不是对路段进行随机处理;第二,对"最大适合"的概念进行了扩展,定义满足连接条件且最重要的路段为其"最大适合"的路段,而非转折角最小的路段。以深圳市1∶1万道路网为实验数据进行了实验,从视觉认知与网络功能两个方面进行了评价。结果表明:(1)由改进的自身最大适合策略生成的Stroke一般而言是确定的;(2)在视觉认知方面,改进的自身最大适合策略比每对最大适合策略更易形成较长并具有全局性的Stroke;(3)在网络功能方面,就平均水平而言,改进的自身最大适合策略优于每对最大适合策略、自身最大适合策略和自身适合策略;就单次结果而言,改进的自身最大适合策略次于自身最大适合策略和自身适合策略的最优解。