[发明专利]一种基于遗传算法的多知识集成与优化方法

权利要求书

1.一种基于遗传算法的多知识集成与优化方法，其特征在于，包括以下步骤：

步骤一、准备遥感分类特征数据、现有分类结果数据和以规则表述的知识；

步骤二、剔除不同规则中特征重复的部分，将多条有效规则合并为一条规则；

步骤三、根据处理后的规则统计所涉及特征的值域作为阈值优化的下限和上限，并拆分出阈值作为优化的推荐解；

步骤四、初始化遗传算法1，取处理后规则的特征数为基因数量；

步骤五、创建遗传算法1的评估函数，并在此函数中初始化遗传算法2，指定优化阈值的最小值、最大值和推荐解；

步骤六、创建遗传算法2的评估函数，根据随机产生的规则进行分类，与现有分类结果进行比较并计算正确率，将此正确率作为评估函数的适应度；

步骤七、创建遗传算法2的监控函数，记录每一代的最优适应度；最优适应度不再改变时退出迭代；

步骤八、重复步骤五至步骤七对遗传算法2进行迭代，将返回的最优适应度和相应的阈值记录下来，作为遗传算法1产生的随机特征的阈值和适应度，并缓存该记录；

步骤九、创建遗传算法1的监控函数，记录每一代的最优适应度，并在最优适应度不再改变时退出迭代；

步骤十、重复步骤四至步骤八对遗传算法1进行迭代，得到一系列特征组合、相应阈值和最优适应度；最优适应度对应的特征组合和相应阈值组成的规则即为多知识集成与优化结果。

2.根据权利要求1所述的一种基于遗传算法的多知识集成与优化方法，其特征在于，步骤一中，选择2019年吉林向海国家级自然保护区的部分湿地解译结果作为现有分类结果数据，选择湿地识别的多条有效规则作为知识，根据所提供的多条有效规则使用GoogleEarth Engine云平台将不同规则所涉及的特征进行组合成为一幅影像，作为遥感分类特征数据。

3.根据权利要求2所述的一种基于遗传算法的多知识集成与优化方法，其特征在于，步骤二中，若重复的特征具有相反的阈值方向，则每个方向保留一个特征。

4.根据权利要求3所述的一种基于遗传算法的多知识集成与优化方法，其特征在于，步骤三中，根据处理后的规则使用R语言的quantile函数统计合并后的规则所涉及的特征在遥感分类特征数据中的值域，将1％分位数作为优化下限、99％分位数作为优化上限，并将合并后的规则特征对应的阈值作为优化的推荐解。

5.根据权利要求4所述的一种基于遗传算法的多知识集成与优化方法，其特征在于，步骤四中，利用R语言genalg包rbga.bin函数初始化外层的遗传算法1；设置基因数量为合并后的规则所包含的特征数量，种群规模设为100，迭代次数设为50，变异率为0.01。

6.根据权利要求5所述的一种基于遗传算法的多知识集成与优化方法，其特征在于，步骤五中，编写遗传算法1的evalFunc函数，在此函数中利用R语言GA包ga函数初始化内层的遗传算法2，以优化随机产生的规则对应的阈值；根据随机产生的规则设置相应的阈值优化下限、优化上限和优化的推荐解，种群规模设为100，迭代次数设为50，同时将并行设为真。

7.根据权利要求6所述的一种基于遗传算法的多知识集成与优化方法，其特征在于，步骤六中，编写遗传算法2的fitness函数，根据遗传算法1随机产生的特征及当前遗传算法2产生的相应阈值计算分类结果，并与现有湿地解译结果进行比较并计算正确率，将此正确率作为评估函数的适应度。

8.根据权利要求7所述的一种基于遗传算法的多知识集成与优化方法，其特征在于，步骤七中，编写遗传算法2的monitor函数，记录当前迭代下的最大正确率；查找记录中前10次迭代的逐代最大正确率，最大正确率不再改变时退出迭代，此时对应的10个逐代最大正确率的方差为0。