毕业设计外文翻译出租汽车计价器的检定与GPS和软计算技术.docx
《毕业设计外文翻译出租汽车计价器的检定与GPS和软计算技术.docx》由会员分享,可在线阅读,更多相关《毕业设计外文翻译出租汽车计价器的检定与GPS和软计算技术.docx(27页珍藏版)》请在冰豆网上搜索。
毕业设计外文翻译出租汽车计价器的检定与GPS和软计算技术
出租汽车计价器的检定与GPS和软计算技术
(TaximeterverificationwithGPSandsoftcomputingtechniques)
直到最近,西班牙地方政府在使用机器的滚筒校验器时,发现在这个过程中轮胎的状况可能会导致错误和机械化施工试验设备不兼容某些车辆。
因此需要设计一个新的测量设备。
在我们的看来,除非采取测量实际的出租车运行使用情况,否则核查计价器将不可靠。
而全球定位系统传感器是适合这一进程的。
因为它测试车提供位置和速度独立的装置,但棘手问题在于难于使用全球定位系统传感器:
全球定位系统坐标测量不匹配正实坐标,一般来说,我们没有给出绝对公差。
我们不知道是否最大的错误就是总是低于绝对公差。
例如,海拔7米。
然而,我们知道,在圆圈的半径7米与中心的实际位置有50%的测量的误差。
本文描述了一个实际应用软计算基础技术来解决这些棘手问题。
特别是,我们提出的特点中的不确定性和模糊技术,使我们可以利用近似的一些算法,原打算用于遗传模糊系统这一新的领域。
具体来说,我们提出了一种新的方法计算长度上界的轨迹,同时考虑模糊的数据。
这必然会在计算中使用改进的多目标进化算法,它可以优化模糊值函数。
结合它限制的基本动态行为的车辆,本测量精度将进一步改善。
1.简介
从工程的角度来看,用测量路径长度使用的全球定位系统来覆盖的车辆的使用位置数据似乎是一个简单的任务。
然而,如果这些测量的运用对于法律而言,情况就不同了。
全球定位系统接收器测量提供的这些数据有一个模糊的性质,即实际位置和遥感车辆坐标之间有可能出现大偏差。
这些偏差是罕见的,然而他们是可能的,而且这事实可以使全球定位系统中的一些应用失效。
这种行为(即一个仪器大部分时间具有高精度,但有时候其准确性也会失真)不是全球定位系统的一个专属特例。
许多用于合法用途(例如,雷达)的其他传感器也有这一问题,但是程度较小。
然而,这些传感器却经常使用,因为在实际情况下,如果一个测度失真概率不是很低,那么它提供的数据仍然可以受理。
换句话说,如果我们能够提供一个合理的测量路径长度,估计其少于实际长度的概率是忽略不计的,那么我们可以使用法律程序。
此外,全球定位系统的一个统计模型不同于雷达,它包含接收机的一些不同的置信区间,给出了不同水平层次。
如果我们尊重所给予的最低水平的准确性,然而测量会太粗糙。
如果我们使用的最高水平,估计错误的概率会太高。
因此,我们要同时处理所有这些置信区间之间找到一个平衡的测量精确水平及有效的概率区间。
我们详细说明后,这样的普遍的信任间隔与最近的一些解释模糊集(couso等人。
2001)相匹配。
这些解释被积极利用另一软计算领域,即学习从低质量的数据与遗传算法的模糊规则(萨´来自和couso2007)[短,低质量基于遗传模糊系统(队)或lq-gfs]或工业应用(奥特罗等人。
2008)。
在本文中,我们将用模糊集模拟每个全球定位系统测量家用置信区间的数据。
然后,我们将计算路径的长度的上限。
这会衍生出的隶属函数的模糊控制估计长度。
以前,我们预处理数据是为了剔除冗余样品。
这种预处理将根据特定的启发式规则。
这将是稍后解释,并涉及使用一个遗传算法。
由于目标函数是模糊值,我们将使用一个特制的多目标遗传算法(遗传算法),它能够优化值适应度函数。
再次,这种遗传算法会夺去lq-gfs的舞台,在这样一种算法用于解决上述问题,发现模糊规则不精确数据。
在这方面,本文如下准则中(萨´来自和couso2007),并应用算法定义(萨´来自等人。
2006;卡西利亚斯等人。
2001)和(´来自萨和couso2007)新的研究领域。
平原模糊逻辑已成功应用于一些问题,一些关系,本文,在该地区的多传感器融合我们提到读者桂兴等人。
(2006)。
一个例子提高精度的原始数据与援助模糊逻辑中可以找到mosavi等人。
(2002)。
例子中使用模糊逻辑语境中的导航不同的车辆中可以找到赵等人。
(2007)和纳兰霍等人。
(2007)。
作品结构如下。
在未来的一节里,我们描述的问题会被解决。
然后,在章节3会描述如何获得的GPS的详细测量。
我们还解释不准确性质测量以及他们如何可以被解释为模糊数据。
在章节4中会有具体描述,在那里会详细地描述过滤过程和有关的问题的润滑计算。
确定性(章节4.2)和随机(章节4.3)算法计算法给出的相同部分。
在章节5详细介绍遗传算法用于过滤数据给出。
在章节6表明数值结果,最后结论和今后工作的提出。
2.问题陈述
在西班牙的计程车费,受到当地政府规制。
每一次票价被改变时,出租车计价器必须校准和验证。
在西班牙的汽车防盗系统的测试和验证出租车的计价器的一个要执行的任务。
票价取决于2变量:
速度的出租车服务期间和服务长度的轨迹。
自从1990,奥维耶多大学在阿斯图里亚斯一直负责设计出租车设备和需要验证计量和模型组,目前在西班牙,核查的出租车计价器是由一种滚筒机器(驱动车轮放置在辊上)来定期采样其速度。
测试持续几分钟,而司机必须辅助汽车防盗系统技术员。
一旦测试结束,把车费的计程表与在滚筒上的计价器相比对。
如果票价显示在计价器显示不高于滚筒计价器的10%,那么该计价器可用。
总距离在模拟运行的计算乘以该滚筒圆周的数量曲折,和线性速度估计从角辊速度。
然而,有一个相对较小的辊半径,和轮胎的变形不超过一个辊平坦的表面。
实际和理论之间的差异意味着轮胎半径小于他们的系统。
此外,本误差取决于轮胎的条件和车辆的重量,使整个测试不可靠。
我们打算引入一个新的便携式系统,定期使用全球定位系统传感器测量出租车样品的位置和速度。
新的测试将意味着的对汽车防盗系统站的一个重要节约,由于不再需要技术员,辊安装的空间将被用到其他用途。
因为成本原因,我们还想用便宜的,消费级的GPS系统。
价格很重要,因为各站之间必须取得10到20台设备,否则,排队时间难以接受。
不幸的是,使用全球定位系统测量有复杂的法律问题。
众所周知,收集消费级的数据,不可微的全球定位系统在亚米级是不精确的。
全球定位系统制造商通常报告的准确性方面的价值,(见章节3),但没有提到的一些卫星的使用,他们的相对位置,电离层影响或多径;必须考虑到在一个特定的补丁下公差计算测量的错误来源。
除非我们能够忽视轨迹的长度和车辆的速度,否则我们将不能够合法地拒绝计程器。
这是同样的问题发生,例如,当速度刑罚适用的一个公路雷达:
例如,当速度惩罚适用于高速公路雷达:
我们不能惩罚高于极限速度的车辆,除非我们也知道(a)雷达的容错能力,(b)测量速度超过极限速度。
在其他情况下,我们必须假定司机没有犯罪行为。
因此,很难确认一个GPS设备,因为我们不能评估其绝对精度,例如,允许可能是5%一定的路线和7%不同的路线。
如果我们知道宽容永远低于10%(这是法律限制)我们可以同意该装置,但我们不能断言。
因此,在本文中,我们提出一个装置,不仅生产轨迹的长度估计值,它也计算这一长度的上限。
这样,一旦出租车已经完成运行,我们可以知道该公差测量在法律限制内,如果需要可重复测试该实验。
2.1法律约束和统计决策
让我们假设我们有一个测量装置,给定一个计价器产生一个未知误差e,我们假定该装置是无偏的,因此,我们可以定义琐碎的决策规则如下:
然而,任何测量装置将有一个宽容_:
这意味着,
具有非常高的概率和,相反,
这个概率接近零。
这种该免疫耐受具有法律影响。
假如,我们拒绝计程器因为我们的估计误差为¼5%,而公差为_¼7%,这是高于这个误差的。
出租车业主可以认为这是一个机会,真正的错误是出租车小于或等于0,我们拒绝撤销。
总之,我们不能拒绝的出租车的估计误差,除非它高于宽容,因此我们可以肯定的是,计价器具有高概率是错误的。
在西班牙,防止出租车对用户欺诈,必须收取不到真正的票价10%的费用,因此我们不能同意设备与宽容高于这个值的所有成员。
这是说,全球卫星定位系统装置的公差取决于许多因素(星座和卫星的轨迹,几何形状,速度等)。
正如我们在前一节中已经提到的,我们不能保证所有测量与某些全球卫星定位系统装置的精度优于10%。
然而,本文将要证明我们可以决定一个特定的测量误差已在合法利润。
这是本文的主要目的。
我们也提到,法律问题是类似的于使用雷达测量汽车的速度。
但是,如果法律指控超越速度限制无罪,那么大部分的司机将很高兴接受,对出租车业主有利。
法律决策规则是:
从统计的角度来看,这是不公平的。
会让计价器存在一个概率误差。
一方面,我们可以拒绝一个正确的计价器概率
(3)
另一方面,我们将通过一个不正确的计价器概率
(4)
为公平地说,我们需要两个错误一样。
然而,他们不是。
如果设备的容错能力低于10%,那么
几乎等于零,因此
是可以忽略的,但
有点高。
根据我们的经验,西班牙的出租车司机调试自己的计价器从而获得他们的最大利润,也就是说,迄今为止出租车接近10的误区比低于0的误差更频繁。
2.2较低轨迹的上界
为了获得最多的有效测量(例如,那低于宽容的10%),我们所感兴趣的最短的轨迹已知的长度超过了实际路径,给出一组车辆的不精确的坐标。
因此,在这部作品中,提出了较低的上界计算(从现在开始叫LUB)所有可能的轨迹是通过全球定位系统测量的。
由于不精确性的输入数据,提出一个建立LUB的新方法。
在这样做时,输入数据表示为模糊数据。
这一数据被过滤从而产生一个最小的子集的坐标,尽可能多地诱导多边形的覆盖输入数据。
最后过滤的数据输入到一个确定性算法中计算上界轨迹的长度。
过滤过程中是最为复杂程序。
它是解决多目标优化
问题,为此我们将使用遗传算法NSGA-Ⅱ(黛比张秀珍。
2000;黛比和高尔1993)。
3模糊性质的GPS测量
长期的的全球定位系统(GPS)(Hofmann-Wellenhof和柯林斯2004)指的是一组设备(卫星和接收器)一起工作来确定接收机的位置。
接收器能得到一些信号,并计算出卫星的一组测量:
经度、纬度、高度,卫星使用数量、时间等。
收到来自一颗人造卫星的不同信号包含从卫星发送给接受者的有关时间信号。
使用四个卫星信号,一个全球定位系统接收器可以计算的三维坐标和数据时间校正(Mohinder丁晓萍。
2007)。
如果更多的卫星来看,他们可以用来提高准确性。
例如可以选择四个最佳位置计算位置和时间。
另一种方法来提高系统的精度多因子方程(拉切贝尔和瑞恩-2000),试图减少由于扰动误差的信号在穿越大气层的卫星,卫星历书偏差、卫星时钟误差、接收机错误与多径(Hofmann-Wellenhof和柯林斯2004)。
如一般来说,卫星的数量越多精度越高。
但即使有大量的卫星在使用(12-16)卫星的几何形状或卫星必须考虑修理的准确性。
这是需要使用邻苯二甲酸二辛脂(稀释的精度),一个影响在固定星座测量概率的准确性(兰利1999),一个更小的值,表明一个较弱的几何DOP卫星。
DOP有四个组成部分:
误差(3D或球形DOP),HDOP(经度和纬度DOP),VDOP(垂直DOP)和TDOP(DOP)。
图1从一个CEP测量到另一个CEP实际测量值的变化
在一定条件下,GPS测量误差遵循二维高斯分布。
当许多卫星是可分配的,不过那分布可被视为循环(范迪盖伦2007)。
因此,消费者等级的GPS接收器表明其精度级循环误差可能通过(在以下专用):
半径范围内50%的水平位置解将下降,这集中在真正的中心位置。
专用标准就可以计算误差的估计式。
5坐标(兰利1991;奇怪和博雷1997)。
(5)
在95%的概率专用也被称为R95,可获得50%的机率乘以2.08专用。
在图1一个实例来说明如何运用专用能进行不同的连续测量。
消费级GPS不发送标准误差的相关信息。
可以参照美国国家海洋电子行业协会标准(美国)协议用于大部分的GPS接收器,影响星座几何水平精度。
因此,实证估计专用/必须进行HDOP关系(达索,丁晓萍。
2001;克瑞斯1991)。
自定义专用容易做到的是从样品中确定的GPS坐标特定位置。
对于单个HDOP价值、GPS的子系统分是从整个数据中提取价值。
然而最小的子系统都能覆盖50%的点。
和CEP95%的的程序相似。
3.1GPS的一个模糊的代表性数据
数据语境中的不精确概率、模糊集合能被看作是一组公差。
每一个宽容是指定一个信心率、耐受性较低的公差信心率(古德曼阮1985)。
特别是,给定的一套完整的置信区间随机变量,它可能会产生一个随机模糊变量是a-cuts置信区间的速度1-α(Couso丁晓萍。
2001)。
我们将利用这个表示法进行多层次的润滑计算。
在这个例子中测量所得的GPS单元,给出了50%和95%的两个置信区间。
在这个章节解释其使用程序,CEP的价值可计算每个候选等价点的概率值。
从它可以很容易看出概率值越高则CEP价值越高。
其物理意义就是简单的GPS测量这个事实,更高的信心利率需要GPS测量确定位置,从而使CEP专用价值越高。
4使用模糊数据进行润滑计算
GPS测量等间与取样等时间间隔。
每个测定是一个模糊集,在此之前,其a-cuts循环中心集中在GPS坐标。
因此,每一个循环是测量的出租车真正的坐标的一个可信区间。
在图2显示一些模拟GPS测量和轨迹。
位置的测量被真正的轨迹-连续的线条,它是内部或外部圆的候选等价点半径。
使用GPS坐标的轨迹用虚线画。
一个轨迹完全兼容GPS测量也画成虚线。
注意这些轨迹的长度不同,但全部都兼容全球定位系统的措施。
因此要了解测量的准确度,我们就要计算低于长度上限的所有路径,在他们所有的顶点内圈(每个置信水平)。
这一定是兼容GPS的最大测量轨迹。
图2通过全球定位系统坐标显示模拟实际轨迹和轨迹的例子之间的差异
图3模拟演示了如何建立一个多边形覆盖模糊输入数据的全球定位系统
观察到的润滑是无限的,除非我们介绍一些约束。
本文的主要假设是,样品车辆之间的方向变化很小,因此我们可以把近似连续的轨迹之间用一条直线。
我们将定义一个多边形链覆盖模糊数据,通过寻找每个圆外面的切线的,然后在两个连续的切线模糊点之间计算相应的接点(参见图3)。
(1)包含在每个多边形四个方面最长的部分是它的一个对角线。
(2)包含2个相邻的四边形的最长路径中总是包括这些对角线。
(3)包含三个相邻的四边形最长路径中也是对角线,但他们可能并不是四边形最长的对角线。
这意味着,润滑的定义是一个顶点列表,但它不是立即找到多边形链选择定义路径。
在本节末将解释它是如何解决这个问题,不过首先让我们先介绍一些预处理算法,将提高最后测量精度。
4.1预处理数据
如果参考一些共线点,测量精度得以提高,一些最差的全球定位系统数据将被丢弃。
如果采样率足够高,我们的假设(直线轨迹之间的样本)依然成立,在计算的估计的长度和润滑之前我们可以进行安全的数据预处理。
给定一个水平值α,输入模糊数据代表坐标中心的范围,其半径值概率为(1-α)。
我们已经提到过,对于每一个特点运用α截集值,这些数据包括一个范围,同时两个连续的外圆切线和交叉点的切线的每三个接点定义一个多边形链。
客观的该预处理是获得减少多边形链模糊集,还包含了每个级别的润滑:
如果清晰的数据被用来简化,多边形链
研究了(estkowsk赫什伯格和米切尔2002;和snoeyink1992;buzer2009;德赖斯代尔等人。
2008陈等人。
2005古德等人。
2007)。
模糊控制数据,据我们所知,最类似的工作在现有的文献中提出(衰老等。
2000),在模糊的数据从一个地理数据库是用来重建三维图像的模糊B样条(德1972)粗鲁。
此外,本文的方法是(李陈1999库都斯等人。
2006)。
我们的计算过程中的滑一三步程序:
第一步是通过线性过滤,然后通过多目标过滤算法,最后用一个确定性算法确定最大的折线在一个多边形链;这样做是为每个特点运用α截集。
这些过滤算法与确定性算法将在4.2节加以解释。
4.11通过共线进行过滤
对于每一个运用a截集多边形链条件下,如果连续三圈,都对外界切线是平行的,然后定义的四边形前两个圆圈是包含在四边形所定义的第一和第三圈,中间的相交圈也被过滤。
过滤点是受采样率的限制,也就是说,如果太多的点是过滤掉,我们不能假定轨迹是直线之间的第一个和最后一个。
4.12过滤假数据
虚假数据输入点的错误异常高。
我们可以去除那些修复不够准确的点,只要我们不放弃相当数量的点,即1-α的一小部分多边形顶点的减少必须在过滤路径,对于每个级别:
在图4阐述一个给定的估计值的过程。
过滤点降低该地区的多边形链,因此滑将变得更小了,这不是一个理想效果。
我们不想过滤代表点。
最大化的百分比覆盖数据,而过滤异常值的目标是相互抵消。
我们将使用多目标遗传算法优化过滤,这些我们将在第5节解释。
图4简化合成实例:
过滤点减少该地区的多边形链的面积,但其余的点必须像轨迹
4.1.3车辆动态特性
如果我们假设该车辆惯性,包含一些轨迹在多边形链是不可行的,那么过滤过程可以进一步改善,(陈等人。
2005)。
例如,考虑一个移动车辆以一定的速度。
存在一个最大角度,车辆可以不冒安全风险地转动。
此外,每个速度值存在一个最大角度,低于这个值就会导致车辆内乘客的安全问题。
因此,我们可以推出另一个假设分析:
开出租车一定舒适。
最大的转向角是一个关于车辆速度的函数:
速度越大,最大转向角越短。
使用一连串的模糊点,确定转向角在每一个点的大小。
对于一个a截集的模糊点圈,利用切线多边形链的三个模糊点就可以确定。
包括在这样的多边形链的最大的轨迹是四个可能的折线,通过多边形链的顶点。
一旦发现这三点多边形链的最大轨迹,如果角度段的最大轨迹定义大于在当前速度的最大转向角,轨迹是不被视为一个候选是因为它的长度是LUB。
4.2最长路径的确定性估计
一旦数据进行预处理,我们评价其润滑与确定性算法,我们解释这一部分。
对于每一个点运用a截集的链,我们得到一个多边形设置采用梯形,如图5所示。
其运动方向是由细虚线箭头表示。
每一个梯形顶点用一对整数,在箭头的左边是零开始,箭头右边也有一个零开始。
其他一些数字是运动序列。
最长的路径在每一步骤中经过i,(0,i)顶点或(1,i)顶点。
图的顶点集定义最长的路径,可以计算详尽探索所有可能的组合,但是成本计算的方面是非常昂贵的,带有100点的现实轨迹证明是行不通了,例如。
这问题已经研究了面积计算几何和最长路径的禁止搭配关系(伯曼和schnitger1992),是非营利组织PB完成的。
。
图5在4.2节解释的最长路径估计算法的例子
图6在相邻顶点之间连线的可能相对位置。
在确定凸和非凸顶点上这是很有用的。
由于这一事实,导致在一个现实的轨迹中方向和距离会有变化,由于动态的出租车的左、右顶点变化是有限的,道路的几何形状的和全球定位系统的行为,我们使用启发式的线性时间与数量的顶点。
启发式是基于选定的凸点割线:
车辆转向时,最长的路径通过外部的轨迹曲率。
依靠前和后顶点使用直线进行分析凸起的顶点。
在图6中可以看到中央顶点的可能相对位置,在那里凸顶点被标有一个小圆圈和直线,通过所绘顶点(0,i-1);(0,i+1);(1,i-1)和(1,i+1);从左到右,从上方到底部,如果两个顶点在线路之间,则都是凹的。
如果只有一个在线路之外,它肯定是凸的。
如果两个顶点都在线路外,双方都可能是凸(左)或一个是凹和另一个是凸。
在这两种情况下,如果选择最远的距离最近的路线,那么它是凸的。
探索式如下:
第一部分的最长路径会从一个步骤1的凸顶点到步骤0的顶点中提供最大段长度。
从步骤1到前一个过去,这条路径通过:
•如果只有一个凸顶点,通过这个顶点。
•若存在2个凸顶点,通过最远的顶点。
•如果没有凸顶点,通过最远的顶点。
最后一部分结束在最远的顶点的上一个。
在图5中用启发式的算法计算被粗虚线标记的路径。
第一部分从(1,0)到(0,1);因为(0,1)是凸顶点和距离(0,0)最短的点。
然后最长路径通至(1,2);因为它是唯一的凸顶点。
(0,3)和(0,4)两个点也是同样的道理。
最后,路径在(1,5)点结束,因为它距离(0,4)点比(0,5)点距离(0,4)点更远。
4.3随机的最长路径估计
在上一节有一个备用的实现方法。
让我们假设我们添加一个网格上链圈(见图7)和选择一个网格上的点逐个修复去计算得到的整个系列的长度。
为了计算获得的轨迹最大长度,一个回溯算法是行不通的,由于目前在实际轨迹点数目较高。
然而,我们可以统一样本数量的轨迹并计算一个估计长度出现的蒙特卡罗概率分布。
平均值的分布将估计我们的长度,我们也可以从公差计算中产生平均值的置信区间。
建立一个样本轨迹,我们已经实施程序如下:
以0.95的概率进行每个点的修复,一个点的网格内的CEP会在这一水平内随机选择的(因此以0.05的概率从外部选择相应的CEP)。
多边形的长度链接所有的存储点和整个过程大量重复。
本样本分布的这些长度,最后用计算样本均值(这是一个估计的长度的计价器会产生)和置信区间为。
不幸的是,这种方法有一些问题。
特别是,样本分布的长度范围被最大样本长度所限制,最大样本长度一般来说不是兼容路径的最大长度。
事实上,最大的样本长度在程序上将是一个对LUB更可靠的估计。
因为在前面部分的方法在速度和精确度方面没有明显改善,蒙特卡罗分析是不考虑在这方面工作的。
4.4预定的轨迹和地图
如果我们限制自己一个已知的路线,并调整全球定位系统坐标,取而代之的是它最近点的中心位置,那么在准确性上会有一个微不足道的提升,然而,这方法却被认证机构的专家拒绝确认装置。
给出的原因是所有的测量是重复性。
认证机构将已知纬度和经度的点的位置用设备检查测量范围的公差。
这种认证是不兼容动态变化的坐标,因为最近的点的道路很可能是过时的圆所定义CEP,使测定润滑无效。
然而,没有什么可以阻止使用地图作为一个约束,例如,我们知道,汽车在之间的道路和置信区间十字路口产生全球定位系统。
整个道路不仅其中心都需要坐标,但这种方法还没有得到实施因为我们没有测量的宽度道路,我们也没有获得一个具有法律效力的制图路线。
这一点是重要的,因为地图上的任何错误都会使所有的设备测量无效。
然而,观察这样,即使我们决定在未来分享这些信息,它不会改变我们在本文的计算。
5基因筛选的模糊数据
在本节中详细的编纂和运营商使用的遗传算法已被用于过滤给出的数据。
多目标遗传算法被用在滤波过程。
具体来说,多目标遗传算法用于这方面的工作是很好的。
(DEb等人,2000;DEb和高尔1993)。
该算法在图8中阐述。
5.1个人的编纂
每一个个体都是一个子集链的模糊点,编纂数组的布尔值。
也就是说:
输入数据一系列及时序模糊点。
每个人的模糊输入点有一个布尔值关联个体。
当布尔值设置为模糊点那么模糊点包括个体。
当布尔值模糊点是假的,模糊点就会被过滤掉。
产生的个体,一个是给出的概率阈值P,每个模糊点的向量的输入模糊数据都包含概率P:
出租车的启动和结束必须始终包含在内。
5.2多目标模糊适应度函数
观察这两个地区的多边形链和多边形链模糊函数覆盖的模糊数据的百分比。
我们要把定义多边形链区域最小化,把模糊数据覆盖百分比最大化。
(Sanchez和couso2007),我们不会解模糊化目标,但会使用模糊值健身功能评估过滤的质量。
因为一个遗传算法能够解决模糊值优化,我们可以定义一个全序关系模糊值函数(Abbasbandy和Asady2006;米切尔2006;陈和duckstein2002;辛2006;太阳和吴2006)。
特别是,我们需要排序模糊数,其中有些作者与大多数定义全序的模糊集的人观点是不一致的(叶和邓等人。
2005)。
使用一个弱(部分)tournament-based选择在传统的遗传算法中也可以是兼容的。
在这方面,在(jahanshahloo等人。
2004王等人。
2005)间隔代表性的使用,并把(加尼山和维拉马尼2006)另一个偏序关系限制为梯形函数关系。
这最后的解决方案不能适用于我们的问题,要么对隶属函数的