基于泰森多边形的位置优化

最新推荐文章于 2023-02-25 17:28:31 发布

liverpool的T9

最新推荐文章于 2023-02-25 17:28:31 发布

阅读量1.5k

点赞数

分类专栏：分布式优化文章标签：泰森多边形位置最优化 Voronoi tessellation

本文链接：https://blog.csdn.net/weixin_43010548/article/details/88533065

版权

分布式优化专栏收录该内容

4 篇文章 2 订阅

订阅专栏

定义

$\qquad$ 给定开集 $\Omega\subseteq\mathbb{R}^{N}$ ，如果当 $i\ne j$ 且 $\cup_{i=1}^{k}\bar{V_{i}}=\bar{\Omega}$ 时 $V_{i}\cap V_{j}=\emptyset$ 则集合 $\{V_{i}\}^{k}_{i=1}$ 称为开集 $\Omega$ 的 $t e s s e l l a t i o n$ 。使用 $|\cdot|$ 定义欧几里得范数。给定属于 $\bar{\Omega}的$ 点集 $\{z_{i}\}^{k}_{i=1}$ ，对应点 $z_{i}$ 的 $V o r o n o i$ 范围 $\hat{V_{i}}$ ：
$\hat{V_{i}}=\{x\in\Omega||x-z_{i}|<|x-z_{j}|\ for\ j=1,...,k,j\ne i\}\qquad(1)$ $\qquad$ 点集 $\{z_{i}\}^{k}_{i=1}$ 称为生成点。集合 $\{\hat{V_{i}}\}_{i=1}^{k}$ 称为开集 $\Omega$ 的 $Voronoi\ tessellation$ 或者 $Voronoi\ diagram$ ，每个 $\{\hat{V_{i}}\}$ 区域都是点 $z_{i}$ 对应的 $V o r o n o i$ 区域。 $V o r o n o i$ 区域是多面体， $t e s s e l l a t i o n$ 有着广泛地应用。
在这里插入图片描述 $\qquad$ 左边图为由10个随机点生成(是由一组由连接两邻点直线的垂直平分线组成的连续多边形组成)的泰森多边形区域，密度函数为常数。点为泰森多边形生成点，圆圈对应为每个泰森多边形的形心，生成点和形心不在同一位置。右边为中心泰森多边形镶嵌法( centroidal Voronoi tessellation),点代表生成点和形心，即两点在相同位置。
$\qquad$ 给定区域 $V\subseteq\mathbb{R}^{N}$ 及其密度函数 $\rho$ ，则V的重心 $z^{*}$ ：
$z^{*}=\frac{\int_{V} y\rho(y)dy}{\int_{V} \rho(y)dy}\qquad(2)$ $\qquad$ 更一般化的定义区域中心 $z^{*}$ 的方法为：
$\int_{V}\rho(y)d(z^{*},y)dy=\mathop{inf}\limits_{z\in V^{*}}\int_{V}\rho(y)d(z,y)dy\qquad(3)$ $\qquad$ 给定 $k$ 个点 $z_{i},\ i=1,...,k$ 后即可获得泰森多边形区域 $\hat{V_{i}},\ i=1,...,k$ ,然后就能获得对应的质心点 $z_{i}^{*}$ ，而在应用中所期望的为:
$z_{i}=z_{i}^{*},\qquad i=1,...k,\qquad(4)$ $\qquad$ 此时，称 $t e s s e l l a t i o n$ 为 $centroidal\ Voronoi\ tessellation$ ,求解该问题可以转化为：
$给定：$
$\qquad区域\Omega\subseteq\mathbb{R}^{N}$
$\qquad 正整数k、密度函数\rho、在\Omega中定义变量y$
$求解：$
$\qquad k个生成点z_{i}，其中z_{i}\in\Omega$
$\qquad k个在\Omega中的泰森多边形区域$

定位最优化问题

$\qquad$ 泰森多边形不仅应用在空间分析表示还可以应用在位置最优化方面。下文中将主要介绍定位最优化问题。
$\qquad$ 一般性的最优化问题为：
$\mathop{min}\limits_{x_{1},...x_{n}}F(x_{1},...x_{n})\qquad(5)$ $s . t .$ $g_{i}(x_{1},...,x_{n})\leq0 ,\ i=1,...,m_{1}\\ g_{i}(x_{1},...,x_{n})=0,\ i=m_{1}+1,...,m_{1}+m_{2}\qquad(6)$ $\qquad$ 式5称为目标函数，对应目标函数求解即为最优解。式6称为约束条件（包含等式约束和非等式约束）。
$\qquad$ 从数学角度上，当目标函数获得最优解时，其必要条件为 $\frac{\partial F(x^{*})}{\partial x_{1}}=0,\\ ...\\ \frac{\partial F(x^{*})}{\partial x_{n}}=0.\qquad(7)$ $\qquad$ 此时对应的解为全局最小值或者局部最小值。在实际的运算过程中，同时获得n个方程的解较为困难(非凸函数)，因此使用下降法解决该类问题。
$\qquad$ 下降算法伪代码：
$1\ 任意选择初始点x^{(0)}\in\mathbb{R}^{n}，设置常数k$
$2\ 在x_{k}点选择下降方向(向量)d^{(k)}$
$3\ 在此方向上选择步长\alpha^{(k)}$
$4\ 获得更新位置x^{(k+1)}\leftarrow x^{(k)}+\alpha^{(k)}d^{(k)}$
$5\ 当||x^{(k+1)}-x^{(k)}||<\varepsilon\approx0时，x^{(k+1)}即为所求，否则，返回步骤1$
$\qquad$ 当使用的方法为牛顿下降法时，对应的 $d^{k}$ 选择为:
$d^{(k)^{T}}=-\nabla F(x^{(k)})=-(\frac{\partial F(x^{(k)})}{\partial x_{1}^{(k)}},...,\frac{\partial F(x^{(k)})}{\partial x_{n}^{(k)}})\qquad(8)$ $\qquad$ 下降方法为牛顿法时， $d^{(k)}$ 选择为：
$d^{(k)^{T}}=-[\nabla^{2}F(x^{(k)})]^{-1}\nabla F(x^{(k)}),\qquad(9)$ 其中， $\nabla^{2}F(x^{(k)})$ 是 $F(x^{(k)})$ 的Hessian矩阵。
$\nabla^{2}F(x)=\begin{bmatrix} \frac{\partial^{2} F}{\partial x_{1}^{2}} & \cdots & \frac{\partial^{2} F}{\partial x_{1}\partial x_{n}} \\ \vdots & \ddots & \vdots \\ \frac{\partial^{2} F}{\partial x_{n}\partial x_{1}} & \cdots & \frac{\partial^{2} F}{\partial x_{n}^{2}} \end{bmatrix}\qquad(10)$
在这里插入图片描述
$\qquad$ 位置点的最优化问题来源于最短信箱距离。图中圆圈代表信箱位置，其所对应的区域(泰森多边形)中的点为到信箱最短距离的点(对应所在区域的居民)。找到合适的信箱位置，使得居民取信的总体距离最短。
$\qquad$ 将该问题使用数学方法描述为：
$F(x_{1},...,x_{n})=\sum_{i=1}^{n}\int_{V_{i}}f(||x-x_{i}||^{2})\phi(x)dx\qquad(11)$ $\qquad$ 其中，最简单的代价函数为 $f(||x-x_{i}||^{2})=c\sqrt{||x-x_{i}||^{2}}=c||x-x_{i}||$ ， $\phi(x)$ 为所对应区域的密度函数，代价函数即可代表该区域居民取信总的消耗。求解代价函数的最小值(最小的消耗)即可表示为：
$\mathop{min}\limits_{x_{1},...x_{n}}\sum_{i=1}^{n}\int_{V_{i}}f(||x-x_{i}||^{2})\phi(x)dx\qquad(12)$ $\qquad$ 由此问题是非凸问题，使用之前的搜索法解决该问题。首先是对该问题进行求导。假设 $\mathcal{V}$ 为由 ${x_{i},...,x_{i},...,x_{n}\}$ 生成的泰森多边形图， $\mathcal{V}^{'}$ 为由 $\{x_{i},...,x_{i}+\delta x_{i},...,x_{n}\}$ 生成的泰森多边形图， $V_{i}$ 是由 $\mathcal{V}$ 中第i个生成点生成的泰森多边形， $V_{i}^{'}$ 是由 $\mathcal{V}^{'}$ 中第i个生成点生成的泰森多边形。 $V_{j},j\in J_{i}$ 为 $V_{i}$ 的相邻的泰森多边形。则：
$\Delta F=F(x_{1},...,x_{i}+\delta x_{i},...,x_{n})-F(x_{1},...,x_{i},...,x_{n})\\ =\int_{V_{i}^{'}}f(||x_{i}+\delta x_{i}-x||^{2})\phi(x)dx-\int_{V_{i}}f(||x_{i}-x||^{2})\phi(x)dx\\ +\sum_{j\in J_{i}}[\int_{V_{j}^{'}}f(||x_{j}-x||^{2})\phi(x)dx-\int_{V_{j}}f(||x_{j}-x||^{2})\phi(x)dx]\qquad(13)$
在这里插入图片描述
$\qquad$ 其中方程区间组成为 $\ V i ∩ V i ′ ) V_{i}=(V_{i}\cap V_{i}^{'})\cup(V_{i}\verb|\|V_{i}\cap V_{i}^{'})$ ， $\ V i ∩ V i ′ ) V_{i}^{'}=(V_{i}\cap V_{i}^{'})\cup(V_{i}^{'}\verb|\|V_{i}\cap V_{i}^{'})$ ， $V_{j}=(V_{j}\cap V_{j}^{'})\cup(V_{i}^{'}\cap V_{j})$ 和 $V_{j}^{'}=(V_{j}\cap V_{j}^{'})\cup(V_{i}\cap V_{j}^{'})$ ，式13可以改写为：
$\ V i ∩ V i ′ f ( ∣ ∣ x i + δ x i − x ∣ ∣ 2 ) ϕ ( x ) d x − ∫ V i \ V i ∩ V i ′ f ( ∣ ∣ x i − x ∣ ∣ 2 ) ϕ ( x ) d x + ∑ j ∈ J i [ ∫ V j ′ ∩ V i f ( ∣ ∣ x j − x ∣ ∣ 2 ) ϕ ( x ) d x − ∫ V j ∩ V i ′ f ( ∣ ∣ x j − x ∣ ∣ 2 ) ϕ ( x ) d x ] ( 14 ) \Delta F=\int_{V_{i}^{'}\cap V_{i}}[f(||x_{i}+\delta x_{i}-x||^{2})-f(||x_{i}-x||^{2})]\phi(x)dx\\ +\int_{V_{i}^{'}\verb|\|V_{i}\cap V_{i}^{'}}f(||x_{i}+\delta x_{i}-x||^{2})\phi(x)dx-\int_{V_{i}\verb|\|V_{i}\cap V_{i}^{'}}f(||x_{i}-x||^{2})\phi(x)dx\\ +\sum_{j\in J_{i}}[\int_{V_{j}^{'}\cap V_{i}}f(||x_{j}-x||^{2})\phi(x)dx-\int_{V_{j}\cap V_{i}^{'}}f(||x_{j}-x||^{2})\phi(x)dx]\qquad(14)$ $\qquad$ 由几何变化关系得：
$\ ( V i ∩ V i ′ ) = ∑ j ∈ J i V i ′ ∩ V j , V j \ ( V i ∩ V i ′ ) = ∑ j ∈ J i V i ∩ V j ′ ( 15 ) V_{j}^{'}\verb|\|(V_{i}\cap V_{i}^{'})=\sum_{j\in J_{i}}V_{i}^{'}\cap V_{j},V_{j}\verb|\|(V_{i}\cap V_{i}^{'})=\sum_{j\in J_{i}}V_{i}\cap V_{j}^{'}\qquad(15)$ 化简为：
$\Delta F=\int_{V_{i}^{'}\cap V_{i}}[f(||x_{i}+\delta x_{i}-x||^{2})-f(||x_{i}-x||^{2})]\phi(x)dx\\ +\sum_{j\in J_{i}}\int_{V_{i}^{'}\cap V_{j}}(f(||x_{i}+\delta x_{i}-x||^{2})-f(||x_{j}-x||^{2}))\phi(x)dx\\ +\sum_{j\in J_{i}}[\int_{V_{j}^{'}\cap V_{i}}(f(||x_{j}-x||^{2})-f(||x_{i}-x||^{2})\phi(x)dx\qquad(16)$ $\qquad$ 由 $\mathop{lim}\limits_{\delta x\rightarrow0}(V_{j}^{'}\cap V_{i})=0,\mathop{lim}\limits_{\delta x\rightarrow0}(V_{j}\cap V_{i}^{'})=0$ 得：
$\Delta F=\int_{V_{i}^{'}\cap V_{i}}[f(||x_{i}+\delta x_{i}-x||^{2})-f(||x_{i}-x||^{2})]\phi(x)+O||\delta x_{i}||^{2}dx\qquad(17)$ $\frac{\partial F}{\partial x_{i_{k}}}=\mathop{lim}\limits_{\delta x_{i_{k}}\rightarrow0}\frac{\Delta F}{\delta x_{i_{k}}}=\mathop{lim}\limits_{\delta x_{i_{k}}\rightarrow0}[\int_{V_{i}^{'}\cap V_{i}}\frac{f(||x_{i}+\delta x_{i}-x||^{2})-f(||x_{i}-x||^{2})}{\delta x_{i_{k}}}\phi(x)dx+\frac{O||\delta x_{i}||^{2}}{\delta x_{ik}}],k=1,2...\qquad(18)$ $\qquad$ 所以一阶导函数为：
$\frac{\partial F}{\partial x_{i_{k}}} =\int_{V_{i}}2(x_{i_{k}}-x_{k})f^{'}(||x_{i}-x||^{2})\phi(x)dx,k=1,2...\qquad(19)$ $\qquad$ 选择合适的步长 $\alpha$ ，对应不同概率密度函数 $\phi(x)$ 最优位置估计为：
在这里插入图片描述

参考文献

1.Centroidal Voronoi Tessellations:Applications and Algorithms.Max Gunzburger
2.Spatial Tessellations:Concepts and Applications of Voronoi Diagrams.charp9.Vic Barnett, Noel A. C. Cressie

liverpool的T9

关注

0
点赞
踩
10

收藏

觉得还不错? 一键收藏
2
评论
基于泰森多边形的位置优化

定义\qquad给定开集Ω⊆RN\Omega\subseteq\mathbb{R}^{N}Ω⊆RN，如果当i≠ji\ne ji̸=j且∪i=1kViˉ=Ωˉ\cup_{i=1}^{k}\bar{V_{i}}=\bar{\Omega}∪i=1kViˉ=Ωˉ时Vi∩Vj=∅V_{i}\cap V_{j}=\emptysetVi∩Vj=∅则集合{Vi}i=1k\{V_{i}\}^{k}_{...
复制链接

扫一扫

专栏目录