地图图形综合的群智能优化模型与算法研究

计算机、人工智能等相关领域技术的发展为地图自动综合提供了新的解题思路和方法，将优化方法有效的用于地图图形综合是当前数字制图领域内学者们所关注的热点之一。虽然已出现遗传算法、模拟退火算法等启发式算法用于地图自动综合的某些方面，但还有很多问题有待解决，例如运算速度过慢、目标函数和约束条件不能较好的满足制图要求等。群智能优化算法具有收敛快、实现简单等优点，本项目旨在顾及地图空间知识的情况下，为部分地图图形综合运算设计合理的群智能优化模型，主要研究内容有：地图空间知识的获取；适用于群智能优化模型、地图图形综合所需约束条件的量化；为线状目标群（水系等）、面状目标群（土地利用地块等）的图形简化建立蚁群优化模型；为点状目标群（散列式居民地等）的选取建立蚁群优化模型；为点状目标群（小湖泊群等）的典型化建立粒子群优化模型；算法对比实验分析。该项目预期研究成果能为提高地图图形综合的智能化水平提供技术支持。

在数字环境下，地图自动综合是一种最佳逼近问题，可以转化为最优化问题进行求解，将群智能优化算法用于线状目标的简化、点状目标群选取等，为地图智能综合提供了新的解题思路。由于计算机不能像人眼一样，直接“看到”地图上下文环境，所以首先要利用空间认知的手段获取地图上的空间知识。地图上的线状目标由有序节点顺次连接而成，其图形简化的关键是节点的舍弃与否；面状目标的边界是闭合的线状目标，其图形简化的本质仍是线状目标的简化；点状目标群的图形简化，也可以转化为线状目标群的简化问题。本项目研究了地图空间知识的获取（主要是点状目标群聚类、地图目标的空间结构等）；提出并设计了将蚁群优化算法用于线状目标简化的新算法，并扩展用于面状地图目标边界线的简化；提出并设计了将粒子群优化算法用于线状目标简化的新算法；基于模糊数学理论提出了制图综合中拓扑关系的一致性评价模型。基于群智能优化算法进行线状目标的简化，做了大量的实验和比较分析。相对传统的线状目标简化算法，如道格拉斯-普克算法，能取得用目标函数度量的更佳解和更大的压缩率。该研究成果可以为提高地图图形综合的智能化水平、地图渐进式传输等提供理论参考与技术支持。