文摘

城市景观规划设计不仅是与人民生活密切相关的环境,而且还对城市规划和发展有着重要影响。然而,有一些问题在景观规划和设计中,如优秀的情况下,数据的重用率低,设计方案之间的差异和实际情况,相关专业人员的严重短缺。人工神经网络可以给予相应的改善和解决这些问题的方法。因此,本文提出了一个研究花园规划设计基于multipopulation共同进化粒子群径向基函数神经网络算法。基于multipopulation共同进化粒子群径向基函数神经网络算法,预测评估值之间的误差和实际仿真实验中的评估值小于5%,这显示了性能良好的精度和泛化能力。在植物配置仿真实验,它可以有效地评价城市规划和设计,提出相应的调整方案根据分析结果,哪个更符合城市规划的实际需要。

1。介绍

随着中国经济和科学的发展,改善生活环境已经成为一个迫切的要求,这是一个日益受到关注的问题。一个好的生活环境不仅有利于居民的身心健康,而且社会生态的可持续发展1]。城市园林是城市建设的重要组成部分之一,具有非常重要的影响城市建设和城市管理2]。城市景观规划设计和图像分析的一般术语景观规划和设计。景观规划和形象设计的未来发展方向提出了城市景观规划根据城市发展的需要。景观设计是使用艺术和相应的技术手段合理布局和安排建筑,自然和人类活动区域在花园里在指定的区域(3,4]。因此,城市景观规划的形象设计的关键是如何将技术和艺术在一个复杂的景观系统,以反映花园的艺术性的基础上满足景观规划和设计的要求。然而,在实际的建设,仍有许多问题需要解决技术手段和艺术设计之间的关系。城市景观规划设计是一个复杂的系统。无论是植物配置、绿地规划或方案评估,这需要大量的图像计算和数据处理5]。此外,数字园林规划和设计方案的复用率低,部分原因是文档存储不统一,部分原因是园林规划设计需要根据实际环境也不能简单地复制前一个优秀的规划和设计方案,这需要大量的时间连续数据排序和研究[6,7]。人工神经网络具有良好的学习能力和数据处理和分析能力。它可以组织归档的学习优秀的园林规划和设计方案,根据实际需要选择合适的方案。

因此,本文提出了景观规划和图像分析研究基于multiswarm共同进化粒子群径向基函数神经网络算法。第一部分主要介绍了景观规划和设计的现状和发展在中国。第二部分是建设的径向基函数神经网络算法基于multipopulation共同进化粒子群优化算法,介绍了径向基函数神经网络算法和multipopulation共同进化粒子群优化算法,并构造相应的模型。第三部分是基于径向基函数神经网络算法multiswarm共同进化粒子群优化及其在景观规划设计、仿真实验和实验数据进行收集和分析。

2。相关工作

近年来,尽管现代景观设计有很多创造性的规划设计相结合的科学、工程技术和艺术,仍有许多问题需要解决发展的景观规划和设计由于各种客观原因。首先,在现代园林的规划设计,很容易落入现有的经验,缺乏创新精神,以及缺乏相应的创新意识在环保概念和艺术表现8,9]。城市在中国不同地区有不同的人文特色和地方文化遗产和展示城市花园规划设计的特点的基础上,绿色经济的概念在中国(10]。然而,不同的城市在实际园林规划设计往往被忽视,最后计划有一个非常严重的同质化现象。第二,景观规划和设计是一个组合的几种职业,从业者和相关需要学习的知识和技能在多个领域和应用合理的景观设计(11,12]。然而,在实践中,目前严重短缺与相关专业人员知识和技能领域的景观规划和设计,从而影响效率和水平的最终设计13]。此外,许多高质量的园林规划设计方案不能进一步实现有关行动由于施工技术,具有约束效应在花园规划设计的发展14]。第三,有一个花园规划设计方案之间的差异和实际情况。花园的规划设计基本上是人民生活环境的规划和设计,所以不同的地区有不同的生活环境和生活方式,因为不同的自然条件15,16]。这需要改进的设计根据当地的实际条件进行园林设计。然而,在实践中,许多花园规划设计将无法完全理解整个当地现实由于不完整和系统的数据收集,从而影响最终的花园规划设计方案(17]。

为了应对花园规划设计的问题,提出有效评估花园规划设计解决方案通过一个科学的方法。因此,结合层次分析和生态评价体系提出了评价花园规划,使系统分析用更少的数据4]。然而,它不能为存在的问题提出相应的建议,而其定性组件更与实际情况有差距。也有人提出,构建多样化的统计制度通过聚类分析等方法和成分分析和景观区域和植物规划设计评价(5]。虽然这种方法可以有效的景观规划和设计中,它没有对应的预测能力。因此,提出了评估和预测花园规划设计使用BP神经网络的非线性动力系统,以及优秀的信息处理和学习能力18]。尽管BP神经网络的应用领域的景观规划和设计取得了良好的效果,他们的模型要求和局部最优解等问题,难以控制因素在实际应用和需要进一步改进19]。

3所示。构建径向基神经网络基于多个群共同进化粒子群算法模型

BP神经网络应用于花园规划设计的许多方面,取得了一些良好的效果,如园林植物多样性和花园照明规划的评价(20.]。然而,传统的BP神经网络具有很高的需求相应的条件当构建模型,模型结果会有很大的准确性缺陷是很难控制如果不满足相应的条件21]。径向基神经网络是一个多层前馈神经网络,可以实现在很短的时间内收敛,和这是一个近似的神经网络结构基于当地的人类大脑神经元细胞的响应特性。径向基神经网络具有最佳逼近性能和全局最优性能,网络结构简单、训练方法相对简单,操作方便,计算工作量低,可以解决BP神经网络精度的问题缺陷。

3.1。径向基神经网络算法

径向基神经网络的结构主要分为输入层、隐藏层和输出层,和径向基神经网络的拓扑结构如图1(22]。输入层的主要作用是传输信号,直接将输入向量映射的隐藏空间(23]。隐含层是一个非线性映射的输入通过径向对称和一个腐烂的映射函数,RBF,其中包含隐藏的单元节点的数量,根据不同的具体问题。输出层映射到隐层的输出通过一个线性加权求和。这表明,径向基神经网络不是一个单一的非线性神经网络,而是一个有机统一的线性和非线性,尽管非线性优化策略的输入层到隐层使这一部分的学习速度相对较慢,但线性隐层到输出层的优化策略提高了这部分的学习速度。因此,在一个全面的比较,径向基神经网络的学习速度高于BP神经网络,它弥补了BP神经网络的一些问题。

径向基神经网络的复杂性主要是由包含在隐层节点的数目,以及其数学模型所示表示 径向基神经网络的输入来标示 ,和它的输出来标示 ,输出层的重量来标示 ,中心的径向基来标示 ,其敏感的领域是表示 ,隐层神经元的数量表示 ,输入之间的距离和径向基神经网络的中心来标示 。径向基函数表示 ,所示

基函数的方差在这一点上所示 在哪里 , 表示最大距离确定中心。

隐式和输出层之间的连接权值计算中所示

在他们中间 。

如果布尔变量来标示 并以0或1表明节点对应的元素在隐藏层不存在或存在,分别操作所示 在哪里 , 。当任何数量和在区间数(0,1),有一个布尔随机向量对应。这表明,布尔向量由任意数量可以用于确定隐层的节点数的径向基神经网络。的表达式相对应的径向基神经网络的输出方程中所示的示例是( )。

根据(1)和(2),它可以得出结论,径向基神经网络的学习训练 确定训练样本参数的设置 ,最小化函数为代表

3.2。基本粒子群算法和多个群共同进化粒子群算法

粒子群算法(PSO)是一种基于人口智能进化算法,具有结构简单,易于描述和实现和参数调整的数量和功能评估相对较小,可以实现快速收敛的情况下小的人口规模。PSO算法是基于种群中个体的原则可视为没有体积的粒子在n维空间属性,它有一定的运动速度在n维搜索空间。速度的大小是根据粒子的动态调整自己的运动经验和运动组中其他个体的经验,直到个人组中能够适应较高的地区。因此,如果有一个人口的粒子的个体数量n维空间,让第一的位置矢量被表示为单个粒子的空间 ,然后带来相应的目标函数对应的评估值。微观粒子的速度来标示 ,最高位置的粒子来标示 ,和最高的位置中的所有个体粒子人口来标示 ;然后,PSO算法更新的速度粒子的每一代 尺寸如图所示

粒子的速度维空间的速度 的第一个粒子在 。用的重量因素和 ,和加速度常数是用和和都是负的常数。加速常数表示为 和 。对应的单个粒子位置的更新方程所示

然后每个粒子运动的最高位置更新公式所示

的最高位置粒子种群中所有个体所示

从方程(5),它可以得出结论,第一的位置 粒子在这个时候是最高位置在其运动也最高的位置,通过它所有单个粒子粒子人口移动。粒子的速度是由重量决定的因素。当任何粒子群接近全球最佳位置,粒子的速度将收敛于0。这表明所有的粒子群最终会停止在最优解附近基本PSO算法;即。,there is no guarantee that the final convergence will reach the global optimum. To address this problem, the basic PSO algorithm needs to be further improved. Let the globally optimal particles be as shown in

作为全局最优粒子速度更新公式所示

的粒子的位置与前面的复位粒子位置,研究的方向是隐含的(9),比例因子,控制的半径大小随机搜索,是表示。根据在(9)和(10),位置更新公式中全局最优粒子的粒子数量所示

粒子群算法的基本框架如图2。

彼此多种群协同进化;即。,they contain a main population and several other subpopulations, and each subpopulation evolves independently. Each subpopulation has population movement characteristics that are indistinguishable from other subpopulations, and individual particles in the subpopulation have representations that can identify the population to which they belong. According to these population characteristics, the subpopulations can be divided into populations, i.e., the individual粒子在一个族群被指示为 ,在哪里的位置组件是一个特定的人口和自由位置组件。每个进化迭代后,最好将复制到每个粒子群进化的主要人口的主要人口,和最好的粒子的主要人口将获得。获得最好的粒子后,主人口提要信息回亚种群,每个程序修改和发展粒子运动速度和基于反馈的信息。图3显示的信息交换图multipopulation共同进化粒子群算法。

进化能力的人口2群体进化后操作可以表达的效率最好的人口中增强粒子的适应值,如图所示 在哪里表示最好的适应值粒子人口在人口发展几个迭代。让人口的进化能力的阈值是一个小的正数 。如果 ,人口不断增长的人口,如果亦然,人口是一个成熟的人口。当人口成为成熟的人口,人口是最好的个人超级个人,和一组由超级个人。当超个体的集合达到一个预定义的号码,新的超级个人将取代超级个人与最小的超个体的适应值在最初的设置,和超个体的集合将被重新排序根据适应值。

3.3。径向基神经网络基于多个群共同进化粒子群算法模型

框架基于多个群共同进化粒子群算法的径向基神经网络图所示4。第一步是编码。如果径向基神经网络一个隐层神经元,粒子被指示为 和 。隐层节点的数目是由一个决定独特的布尔变量,的RBF中心第一隐层的神经元, RBF的宽度,节点之间的连接权值隐层和输出层。

下一步是初始化种群,即。,to determine the corresponding number of initialized populations with米随机数间隔均匀分布(0,1)的基础上确保均匀分布的人口空间。在每个人口,三到五个人颗粒初始位置和速度矢量生成任意长度的表示 , 和分别输出尺寸。

第三是选择适应值,计算了单个粒子所示

第四是执行intrapopulation粒子进化,即。,to update individual particle movements within a population by means of multiple population coevolution particle population algorithms.

第五个是进化迭代在成熟的人口水平,在算法结束,输出最优解时最好的超级个体适应值的设置的超级个人成为全球最优解和适应值达到所需的要求或集合的迭代次数。

4所示。仿真实验结果基于多个群共同进化粒子群径向基神经网络算法在花园规划设计

4.1。径向基神经网络的训练结果基于多个群共同进化粒子群算法模型

选择二维非线性系统识别本文所示

在 , ,当 180组数据 中生成区间,一百组数据作为训练样本,另九十组数据作为测试样本。如数据所示5和6BP神经网络算法的训练结果,径向基神经网络算法,基于多个人口和径向基神经网络算法共同进化粒子群进行了比较。隐藏层的BP神经网络算法的数量,径向基函数神经网络算法和粒子群的径向基函数神经网络算法基于multipopulation共同进化是10个,分别为10和6。从图中的结果5可以看到,它的训练时间multipopulation共同进化粒子群基于径向基神经网络算法比其他两种算法,并且没有竞争优势。然而,隐层神经元的数量的三个算法不同,这表明错误的多组共同进化粒子群径向基神经网络算法减少了一个数量级比其他两种算法类似的培训时间和减少数量的神经元。结果在图6显示有显著减少测试误差的多组共同进化粒子群径向基神经网络算法与其他两种算法相比,这表明多组共同进化粒子群的泛化能力已经显著改善了径向基神经网络的三种算法。

比较健康的曲线拟合三种算法的二维非线性函数图所示7。黄色表示BP神经网络算法,蓝色表示径向基神经网络算法,和紫色的颜色表明径向基神经网络算法基于多个群共同进化粒子群。从曲线和结果,可以看出multipopulation共同进化粒子群收敛速度的径向基神经网络算法是最快的三种算法,并获得比其他两个算法更好的全局最优解。

4.2。仿真实验结果的基础上,应用程序的多个群体共同进化粒子群算法的径向基神经网络

园林规划设计包含了许多内容,其中城市园艺景观的规划与设计是与人们的生活密切相关。因此,在仿真实验中,本文选择了城市园林植物景观规划和设计的仿真实验。本文四个城市景观规划设计和图像分析的指标选择:可持续性的城市景观种植、绿化成本,树种选择和艺术性的景观种植。图8显示仿真结果评价的城市景观规划设计和图像分析基于多个群共同进化粒子群径向基神经网络算法在一个地区从2012年到2019年。从图可以看出,multipopulation共同进化粒子群径向基神经网络算法能够更好地适应城市景观规划的原始数据,并预测和实际结果之间的误差在百分之五以内。这表明预测结果和实际结果接近实际结果基于多组共同进化粒子群径向基神经网络算法,具有较强的泛化能力,可以做出合理的预测和分析花园的规划设计。

如图9城市社区花园植物景观规划,在这22工厂样品是任意选择的,而四项指标的补丁密度、周长面积比、扩散和香农多样性指数选择仿真实验。

如数据所示10和11,社区景观的四项指标的差异曲线绘制。从图表,可以看出,当社区景观指数的比值从零增加,其他三个指标除了香农多样性指数的快速下降,在多样性指数迅速增加。香农多样性指数开始进入一个稳定状态时约10%。但在35%,再次显示了明显的下行趋势。从图的结果,可以看出,社区花园景观的规划设计更受到植物多样性的影响,因此多样性是更好的比例控制在10%和35%之间时相应的规划和设计。当然,花园规划设计的内容和影响因素是复杂的,所以有必要做一个值接近上限的植物多样性的基础上合理比例的其他影响因素。

总之,multipopulation共同进化粒子群径向基神经网络算法是能够预测和评估未来花园规划设计的样本训练,结果和实际结果之间的误差很小。此外,植物配置的仿真实验表明,该算法可以有效地评估现有规划方案和基于分析结果给相应的调整建议。然而,本文仿真实验只是花园规划设计的一部分,还需要进一步的实验来测试的性能multipopulation共同进化粒子群径向基神经网络算法更全面。

5。结论

然而,由于各种因素的限制在实际情况下,有许多问题在花园里规划和设计方案,如与实际情况不符,与当地的人文和自然环境不一致,缺乏专业人士。同时,景观规划和设计的档案与促进城市建设的大规模增长,但它增加了困难的手工管理和重用,这是不利于相应的景观规划和设计的参考。为了解决上述问题,人工神经网络可以提供改善和解决这些问题的有效方法。因此,本文提出了研究基于multipopulation花园规划设计的共同进化粒子群径向基函数神经网络算法。与其他算法相比,基于multipopulation RBF神经网络算法共同进化粒子群优化建模的要求较低,可以简化人工操作的困难。它具有强大的数据处理能力避免BP神经网络的全局优化问题。这个算法在景观规划和设计的应用程序可以解决困难的问题建模、训练时间长和大错误与实际评估价值。它可以选择有效的数据根据数据库中的数据供参考,提供更多的花园规划设计的思想,以使方案更加符合不同地区的文化环境。实验结果表明,当粒子群的训练时间基于multipopulation共同进化的径向基函数神经网络算法并没有太大的区别,隐层神经元的数目减少,错误的结果是一个数量级小于BP神经网络算法和径向基函数神经网络算法,及其泛化能力大大提高。仿真结果表明,预测结果和实际值之间的误差的景观规划和设计基于multipopulation共同进化粒子群径向基函数神经网络算法是小,可以有效地预测和分析景观规划和设计。 In addition, the algorithm can also analyze the diversity and configuration proportion of garden plants and give corresponding adjustment suggestions according to the analysis results. Landscape planning and design is a complicated project. At present, the radial basis function neural network algorithm based on multipopulation coevolution particle swarm optimization needs to be predicted and evaluated by items, and the algorithm indicators are relatively few. If the corresponding evaluation and prediction contents are added, the time and accuracy of the algorithm need to be further tested. After that, we need to continuously optimize and improve the radial basis function neural network algorithm based on multipopulation coevolution particle swarm optimization, so that it can analyze the internal relationship of data between different projects and make further analysis and evaluation.

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作在本文中得到了古村落的保护设计和研究文化产业园区刘镇汉族城市,陕西(批准号XJ160111)。