本发明属于仿真计算领域，特别涉及一种基于自适应特征融合的仿真集群行为层次相似性评价通用方法及应用。
背景技术：
1、观察并采集多场景下的集群行为及其轨迹对于实验条件、实验装置、跟踪算法等均提出了较高的要求，使得现有公开数据集中难以获得多场景下的三维轨迹数据集。同时在真实实验场景中，存在当群体密度增加，得到的可靠轨迹片段长度普遍偏短，给后续的行为分析造成困难，以及轨迹重建的过程中易出现个体识别错误等问题。因此，越来越多的研究者通过仿真集群行为模型来实现对多场景下运动轨迹等信息的获取。由于在仿真实验中不存在上述问题，可获得高质量的轨迹数据集，相比于解析法可得到更为精确的数值，同时可以检测不同因素对系统特性的影响，有利于对集群行为的多角度进行深入分析和理解。
2、然而随着对集群行为的仿真研究逐渐增多，构建科学合理的仿真相似性评价指标体系是整个系统特性评价研究的重要环节之一，特别是针对受多方面因素影响的系统性综合评价。在计算机图形学和复杂系统的集群行为研究中，多停留于定性分析，或仅专注于单一角度的相似性评价，缺少一种对于仿真集群行为数据与真实集群行为数据间相似性的层次评价方法，从个体运动模式、个体间交互特点及整体所呈现的集群行为相似性上对仿真算法做出评价，检验个体是否能够保持完整功能性和交互模式所满足的特点，同时又可形成自然的群体运动。
技术实现思路
1、针对目前仿真集群行为数据与真实集群行为数据间缺少一种层次相似性的评价方法，本发明的目的是提供一种基于自适应特征融合的仿真集群行为层次相似性评价通用方法，该方法包含三个模块：
2、第一模块为个体运动模式相似性评价模块，将仿真集群行为数据与真实集群行为数据中的原始轨迹进行分割，提取轨迹段，基于轨迹聚类对两数据集间的仿真集群行为数据与真实集群行为数据中的个体运动模式相似性由相似性矩阵及mean rank值定量表征，以此实现对个体功能相似性的评价；
3、第二模块为个体间交互特点相似性评价模块，基于非线性最小二乘分别拟合交互次数随群体数量、密度变化的曲线，用于比较在仿真集群行为与真实集群行为中群体数量、密度因素对交互次数影响的大小，检验仿真算法对交互模式的仿真；
4、第三模块为集群行为整体相似性评价模块，设定群体运动状态评价指标，根据仿真集群行为数据与真实集群行为数据间的差距构建基于离散概率的评价函数，基于多元的评价指标权重方法获得多元权向量，再基于博弈论组合权重方法，通过设计多目标优化模型，利用多目标进化算法—差分进化(moea/d-de)算法来求解组合系数进行特征融合，以求得最优权重系数。在求解过程中，提出一种基于贝叶斯优化搜索的参数自适应策略来确定缩放因子sc和交叉概率cr，控制sc和cr逐渐向最合适的参数靠近，最终求得评价函数值，以此对仿真集群行为数据与真实集群行为数据相似性进行整体评价。
5、所述个体运动模式相似性评价模块：基于集群行为模型所获得的仿真集群行为数据与采集得到的真实集群行为数据，通过hausdorff距离及轨迹段弯曲程度表征指标，由无监督轨迹聚类k-medoids算法将其分为多个具有相似特征的簇，将聚类结果分类为个体所具有的运动模式，进而对模式分类结果基于动态时间规整算法计算相似性矩阵，引入meanrank值定量表征两者之间的相似性，此模块实现对个体功能相似性的评价，检验能否仿真出完整的个体运动模式；
6、所述个体间交互特点相似性评价模块：根据二维或三维状态下交互评价方式，量化个体间交互次数，获得个体间交互次数受群体数量或密度因素的影响分布情况，基于非线性最小二乘分别拟合交互次数随群体数量变化以及交互次数随密度变化的曲线，由回归系数判断群体数量或密度变量对于交互次数影响大小，由此检验是否对个体间交互模式进行仿真；
7、所述集群行为整体相似性评价模块：根据可视化的集群行为，首先定性观察仿真集群行为与真实集群行为间的相似性，再定量评价两者间相似性，通过设定群体运动状态评价指标，即速度、加速度、角速度、角加速度、最近邻距离、最近邻方位角、最近邻俯仰角、碰撞率、最终位移误差，计算在各指标下的真实数据和仿真数据间离散概率的差，构造评价函数，并基于多元的评价指标权重方法获得多元权向量，再基于改进的博弈论组合权重方法，设计多目标优化模型，利用moea/d-de算法求解组合系数进行特征融合，其中提出一种基于贝叶斯优化搜索的参数自适应策略来确定缩放因子sc和交叉概率cr；最终获得基于多元的评价指标权重系数，由此计算评价函数值衡量两者间的全局相似性。
8、本发明的另一个目的是提供所述方法在仿真集群行为层次相似性定量评价中应用。
9、本发明通过对仿真集群行为数据与真实集群行为数据的比较，分别获得在个体功能相似性，交互特点相似性，集群行为整体相似性，分析不同层次的数据匹配程度，构建了一个对仿真集群行为的通用评价指标体系实现对两者间相似性的定量评价。
10、优选的，所述模块(1)个体运动模式相似性评价具体内容为：
11、(1-1)原始轨迹定义为个体移动的连续空间曲线，是现实空间中个体所选取的确切路径；轨迹点p定义为来自个体移动的原始轨迹采样点，表示为：
12、pt＝(t,x,y,z)
13、其中，t为时间戳，(x,y,z)为轨迹点的三维坐标，pt是t时刻的轨迹点，采样轨迹定义为来自个体移动的原始轨迹的采样点序列，表示为：
14、traj＝{p1,p2,...,pt}
15、其中，traj是轨迹数据集中的一条轨迹，通过计算轨迹曲率、挠率提取空间特征，对仿真集群行为数据与真实集群行为数据的轨迹进行分割，提取运动轨迹段。
16、(1-2)将轨迹段进行预处理，获得轨迹段首尾连接向量并旋转，使该向量与x轴重合，通过计算曲率最大值的轨迹点与x轴的距离指标xcurve_max来表征轨迹段弯曲程度，如下式：
17、xcurve_max＝max{x|pt_seg＝(t,x,y,z)∈traj_seg}
18、其中，pt_seg代表分割后的轨迹段上轨迹点，traj_seg代表分割后的一条轨迹段，计算a、b轨迹段间的hausdorff距离h(a,b)如下，基于hausdorff距离与轨迹段弯曲程度计算样本与中心对象间的距离，由k-medoids聚类方法分别对仿真集群行为数据与真实集群行为数据进行聚类，通过calinski-harabasz和silhouette coefficient两种评价方式衡量出最佳聚类数。
19、(1-3)依据聚类结果，根据轨迹形状分类为对应的运动模式，在运动模式中加入对运动状态的动力学描述，对上述基于形状的分类进一步细化，分类为匀速、加速、减速直行，匀速、加速、减速螺旋及转弯；然后，对运动模式中的代表性轨迹段使用动态时间规整算法(dynamic time warping,dtw)进行相似性度量，引入平均排名值(mean rank)，将仿真数据代表性轨迹集合中的一条轨迹与真实数据代表性轨迹集合根据距离值排序，取出与该仿真代表性轨迹同一分类的真实代表性轨迹排名，对仿真代表性集合中的每条轨迹重复此过程，获取其所有排名并计算平均值，mean rank越接近于1，表明仿真集群行为数据集在个体运动模式方面与真实集群行为数据具有高相似度。
20、优选的，所述模块(2)个体交互特点相似性评价具体内容为：
21、(2-1)依据个体间交互次数的统计分析方法，设定运动轨迹中的三种参数，即速度差、运动方向夹角、距离差，交互条件表示为：
22、
23、其中，θdiff为两个个体在交互时间范围内[ts,te]的运动方向夹角集合，分别为个体i和个体j在t时刻的运动方向向量，方向由当前轨迹点指向下一时刻轨迹点；
24、其中，disdiff为两个个体在交互时间范围内[ts,te]的距离差集合，是个体i和个体j在t时刻的空间位置，用于计算两个空间位置间的欧氏距离；
25、tdiff＝te-ts
26、其中，tdiff为两个个体在交互时间差值；
27、(2-2)在仿真集群行为数据与真实集群行为数据中，通过设置不同群体数量和群体密度的变化，即当群体数量不变、群体密度发生变化或群体密度不变、群体数量发生变化时，统计得到运动状态下个体间的不同交互次数，并进行归一化，分别对真实数据和仿真数据中的采样点由二次函数拟合，如下式所示：
28、
29、其中，为预测交互次数，β0,β1,β2为对应回归系数，xvar为群体数量或群体密度，基于非线性最小二乘法估计回归系数，表示如下：
30、
31、其中，zd对应真实数据和仿真数据中的测试值，d为采样次数，由此分别得到真实数据和仿真数据中的群体数量变化曲线和群体密度变化曲线中的β0值，比较群体数量或群体密度对交互次数影响的大小，检验是否对个体间交互模式进行仿真。
32、优选的，所述模块(3)集群行为整体相似性评价具体内容为：
33、(3-1)首先对仿真集群行为数据与真实集群行为数据通过可视化定性观察整体的相似性，然后再定量评价，通过设定评价指标集合φ，包含速度、加速度、角速度、角加速度、最近邻距离、最近邻个体方位角、最近邻个体俯仰角、碰撞率、最终位移误差，其中，将碰撞定义为同一时刻上两只之间的欧式距离小于某一阈值，碰撞率的计算公式如下式：
34、
35、其中,θ表示碰撞的欧式距离阈值，t表示运动的总帧数，ncollision代表碰撞数量，c为碰撞率；将最终位移误差定义为在最终时刻与目标点或危险点之间的欧式距离，如下式：
36、fdei＝dist(pit,pdst),
37、其中，pdst表示i在最终时刻的坐标位置；将最近邻居距离定义为i周围最小欧式距离的个体；构造评价函数如下：
38、
39、其中，φ为集合φ中的任一指标，wφ为eφ的权重，eφ为φ的能量项，代表了仿真集群行为数据与真实集群行为数据间在相应指标上的概率函数差异，分别代表了真实群体和仿真群体中评价指标的离散概率函数，eφ计算过程如下：1)、在真实数据和仿真数据中对指标φ进行采样，2)、采用z-score的方法对采样数据归一化处理如下：
40、
41、其中，g1φ,g2φ均为归一化参数，3)、根据归一化后的采样数据分别计算仿真集群行为数据与真实集群行为数据的离散概率函数，4)、计算能量项eφ。
42、(3-2)基于analytic hierarchy process(ahp)、德尔菲法、连环比率法、熵权法等价值评价指标权重确定方法，基于多元的评价指标权重方法获得多元权向量，构建基于博弈论的组合权重模型，获得一阶最优化条件如下式：
43、
44、其中，s＝1,2,…,m，km为组合系数，采用了m种权重方法计算权重向量，m种权重向量分别为wm＝(wm1,wm2,...,wmq),m＝1,2,...m，q为权重向量维数，通过求解等式两端变量的差值，并期望差值越小越好，以此计算组合系数，假定此优化问题为目标函数f1(k)，如下式：
45、
46、由于不同权重方法给组合权重带来不确定性，在求解组合系数时，需考虑组合系数不确定性，利用最大熵原理表示不确定性，组合系数不确定性优化模型表达式为：
47、
48、个体k违反等式约束的约束违反度表达式为：
49、
50、其中，目标函数g(k)的含义为个体k违反等式约束的程度，δ为等式约束的容忍度，取较小的正数，由上述公式得到组合权重三目标优化模型，表达式为：
51、minf(k)＝(f1(k),-f2(k),-g(k))
52、根据moea/d-de算法，对上式模型求解组合系数进行特征融合，获得最优权重系数，其中利用差分进化算法(de算法)和多项式变异算子产生新个体，表达式为：
53、
54、
55、其中，为采用de算法生成的新个体，r1，r2，r3表示从种群中随机选择三个向量对应的序号，为从父代随机选择的三个个体，sc为缩放因子和cr为交叉概率，pm为变异率，η为扰动因子，rand为随机数发生器生成的随机数，ak为决策变量中第k个元素的上限，bk为决策变量中第k个元素的下限；
56、在经典moea/d-de算法中，当de算法生成新个体时，均为定值，在进化过程中保持不变，但缩放因子sc和交叉概率cr直接影响de算法性能，由于多元组合权重三目标优化模型具有非线性特点，因此加入自学习能力的自适应策略，将sc和cr根据种群进化过程中解的情况自适应调整；在初始阶段，sc和cr在各自取值范围内随机选择初值，在进化过程中，如果连续th代不能产生一个更优的个体，表明当前控制参数不适合，需要重新设置；如果连续th代产生一个或多个更优的个体，表明当前参数符合要求，应当继续保留，保留次数最多的参数即为最合适的参数，控制sc和cr逐渐向最合适的参数靠近，处于不断的学习过程，其中，th的确定方式如下：
57、1)初始化阈值th和自适应系数λ；
58、2)在每次迭代过程中，计算当前代的最优个体与上一代最优个体之间目标函数值差距，如果当前代的最优个体优于上一代的最优个体，则认为算法在改进，阈值th保持不变；
59、3)如果在连续th代中没有找到比当前已知最优个体更优的个体，根据自适应系数λ调整阈值th，即th＝th*λ；
60、4)如果当前代的最优个体不优于上一代的最优个体，则认为算法可能已经收敛或达到局部最优，重置阈值th为初始值，强制算法跳出当前的局部最优解，尝试探索新的区域。
61、在每一代中，每个个体i均有对应的scge和crge，使用贝叶斯优化搜索方法来产生新的sc和cr，使用贝叶斯优化算法在搜索最合适的参数时具有较高的效率和鲁棒性，相比于随机搜索可能会陷入局部最优解，贝叶斯优化则是基于全局搜索策略，同时也更能适应非线性目标函数，具有自学习能力的自适应策略表达式为：
62、其中，α(h)为采集函数；
63、由此获得最优组合系数，并计算整体评价值e，评估仿真集群行为数据与真实集群行为数据间的相似性，当e值越大则说明两者间的整体相似性越高。
64、本发明的有益效果：
65、本发明的基于自适应特征融合的仿真集群行为层次相似性评价通用方法及应用，构建了对于仿真集群行为数据与真实集群行为数据的多层次的相似性评价体系，相比于仅对群体相似性评价的方法，增加了对个体功能性、交互特点的相似性评价，使得对系统的相似性评价体系更为完善，多角度对仿真集群行为算法进行检验。对于整体相似性评价中，针对多元的评价指标权重方法获得多元权向量，设计多目标优化模型，利用moea/d-de算法求解组合系数进行特征融合的过程中，提出一种基于贝叶斯优化搜索的参数自适应策略来确定缩放因子sc和交叉概率cr，以及对代数th的自适应变化，最终求得评价函数值。由此构建更为科学合理的仿真相似性评价指标体系。
1.一种基于自适应特征融合的仿真集群行为层次相似性评价通用方法，其特征在于，该方法包含三个模块：
2.根据权利要求1所述的方法，其特征在于，具体为：
3.根据权利要求1所述的方法，其特征在于，原始轨迹定义为个体移动的连续空间曲线；轨迹点p定义为来自个体移动的原始轨迹采样点，表示为：
4.根据权利要求1或2所述的方法，其特征在于，将第一模块轨迹段进行预处理，获得其首尾连接向量并旋转至与x轴重合，通过计算曲率最大值的轨迹点与x轴的距离指标xcurve_max来表征轨迹段弯曲程度，如下式：
5.根据权利要求2或4所述的方法，其特征在于，依据聚类结果及轨迹形状分类为对应运动模式，加入动力学描述，进一步细分为匀速、加速、减速直行，匀速、加速、减速螺旋及转弯；再对运动模式中的代表性轨迹段使用动态时间规整算法进行相似性度量，引入平均排名值，将仿真数据代表性轨迹集合中的一条轨迹与真实数据代表性轨迹集合根据距离值排序，取出与该仿真代表性轨迹同一分类的真实代表性轨迹排名，对仿真代表性集合中的每条轨迹重复此过程，获取其所有排名并计算平均值，平均排名值越接近于1，表明仿真集群行为数据集在个体运动模式方面与真实集群行为数据具有高相似度。
6.根据权利要求1或2所述的方法，其特征在于，第二模块依据个体间交互标准进行统计；同时在仿真集群行为数据与真实集群行为数据中，设置群体数量不变、群体密度发生变化或群体密度不变、群体数量发生变化时，统计运动状态下个体间交互次数，并归一化，分别对真实数据和仿真数据中的采样点由二次函数拟合，如下式所示：
7.根据权利要求1或2所述的方法，其特征在于，对仿真集群行为数据与真实集群行为数据定量评价，通过设定评价指标集合φ，包含速度、加速度、角速度、角加速度、最近邻距离、最近邻个体方位角、最近邻个体俯仰角、碰撞率、最终位移误差，来构造评价函数e如下：
8.根据权利要求7所述的方法，其特征在于，基于多元的评价指标权重方法获得多元权向量，构建基于博弈论的组合权重模型，获得一阶最优化条件如下式：
9.根据权利要求1所述的方法在仿真集群行为层次相似性定量评价中应用。
