定义
\qquad
给定开集
Ω
⊆
R
N
\Omega\subseteq\mathbb{R}^{N}
Ω⊆RN,如果当
i
≠
j
i\ne j
i̸=j且
∪
i
=
1
k
V
i
ˉ
=
Ω
ˉ
\cup_{i=1}^{k}\bar{V_{i}}=\bar{\Omega}
∪i=1kViˉ=Ωˉ时
V
i
∩
V
j
=
∅
V_{i}\cap V_{j}=\emptyset
Vi∩Vj=∅则集合
{
V
i
}
i
=
1
k
\{V_{i}\}^{k}_{i=1}
{Vi}i=1k称为开集
Ω
\Omega
Ω的
t
e
s
s
e
l
l
a
t
i
o
n
tessellation
tessellation。使用
∣
⋅
∣
|\cdot|
∣⋅∣定义欧几里得范数。给定属于
Ω
ˉ
的
\bar{\Omega}的
Ωˉ的点集
{
z
i
}
i
=
1
k
\{z_{i}\}^{k}_{i=1}
{zi}i=1k,对应点
z
i
z_{i}
zi的
V
o
r
o
n
o
i
Voronoi
Voronoi范围
V
i
^
\hat{V_{i}}
Vi^:
V
i
^
=
{
x
∈
Ω
∣
∣
x
−
z
i
∣
<
∣
x
−
z
j
∣
f
o
r
j
=
1
,
.
.
.
,
k
,
j
≠
i
}
(
1
)
\hat{V_{i}}=\{x\in\Omega||x-z_{i}|<|x-z_{j}|\ for\ j=1,...,k,j\ne i\}\qquad(1)
Vi^={x∈Ω∣∣x−zi∣<∣x−zj∣ for j=1,...,k,j̸=i}(1)
\qquad
点集
{
z
i
}
i
=
1
k
\{z_{i}\}^{k}_{i=1}
{zi}i=1k称为生成点。集合
{
V
i
^
}
i
=
1
k
\{\hat{V_{i}}\}_{i=1}^{k}
{Vi^}i=1k称为开集
Ω
\Omega
Ω的
V
o
r
o
n
o
i
t
e
s
s
e
l
l
a
t
i
o
n
Voronoi\ tessellation
Voronoi tessellation或者
V
o
r
o
n
o
i
d
i
a
g
r
a
m
Voronoi\ diagram
Voronoi diagram,每个
{
V
i
^
}
\{\hat{V_{i}}\}
{Vi^}区域都是点
z
i
z_{i}
zi对应的
V
o
r
o
n
o
i
Voronoi
Voronoi区域。
V
o
r
o
n
o
i
Voronoi
Voronoi区域是多面体,
t
e
s
s
e
l
l
a
t
i
o
n
tessellation
tessellation有着广泛地应用。
\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
⊆
R
N
V\subseteq\mathbb{R}^{N}
V⊆RN及其密度函数
ρ
\rho
ρ,则V的重心
z
∗
z^{*}
z∗:
z
∗
=
∫
V
y
ρ
(
y
)
d
y
∫
V
ρ
(
y
)
d
y
(
2
)
z^{*}=\frac{\int_{V} y\rho(y)dy}{\int_{V} \rho(y)dy}\qquad(2)
z∗=∫Vρ(y)dy∫Vyρ(y)dy(2)
\qquad
更一般化的定义区域中心
z
∗
z^{*}
z∗的方法为:
∫
V
ρ
(
y
)
d
(
z
∗
,
y
)
d
y
=
i
n
f
z
∈
V
∗
∫
V
ρ
(
y
)
d
(
z
,
y
)
d
y
(
3
)
\int_{V}\rho(y)d(z^{*},y)dy=\mathop{inf}\limits_{z\in V^{*}}\int_{V}\rho(y)d(z,y)dy\qquad(3)
∫Vρ(y)d(z∗,y)dy=z∈V∗inf∫Vρ(y)d(z,y)dy(3)
\qquad
给定
k
k
k个点
z
i
,
i
=
1
,
.
.
.
,
k
z_{i},\ i=1,...,k
zi, i=1,...,k后即可获得泰森多边形区域
V
i
^
,
i
=
1
,
.
.
.
,
k
\hat{V_{i}},\ i=1,...,k
Vi^, i=1,...,k,然后就能获得对应的质心点
z
i
∗
z_{i}^{*}
zi∗,而在应用中所期望的为:
z
i
=
z
i
∗
,
i
=
1
,
.
.
.
k
,
(
4
)
z_{i}=z_{i}^{*},\qquad i=1,...k,\qquad(4)
zi=zi∗,i=1,...k,(4)
\qquad
此时,称
t
e
s
s
e
l
l
a
t
i
o
n
tessellation
tessellation为
c
e
n
t
r
o
i
d
a
l
V
o
r
o
n
o
i
t
e
s
s
e
l
l
a
t
i
o
n
centroidal\ Voronoi\ tessellation
centroidal Voronoi tessellation,求解该问题可以转化为:
给
定
:
给定:
给定:
区
域
Ω
⊆
R
N
\qquad区域\Omega\subseteq\mathbb{R}^{N}
区域Ω⊆RN
正
整
数
k
、
密
度
函
数
ρ
、
在
Ω
中
定
义
变
量
y
\qquad 正整数k、密度函数\rho、在\Omega中定义变量y
正整数k、密度函数ρ、在Ω中定义变量y
求
解
:
求解:
求解:
k
个
生
成
点
z
i
,
其
中
z
i
∈
Ω
\qquad k个生成点z_{i},其中z_{i}\in\Omega
k个生成点zi,其中zi∈Ω
k
个
在
Ω
中
的
泰
森
多
边
形
区
域
\qquad k个在\Omega中的泰森多边形区域
k个在Ω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:
m
i
n
x
1
,
.
.
.
x
n
F
(
x
1
,
.
.
.
x
n
)
(
5
)
\mathop{min}\limits_{x_{1},...x_{n}}F(x_{1},...x_{n})\qquad(5)
x1,...xnminF(x1,...xn)(5)
s
.
t
.
s.t.
s.t.
g
i
(
x
1
,
.
.
.
,
x
n
)
≤
0
,
i
=
1
,
.
.
.
,
m
1
g
i
(
x
1
,
.
.
.
,
x
n
)
=
0
,
i
=
m
1
+
1
,
.
.
.
,
m
1
+
m
2
(
6
)
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)
gi(x1,...,xn)≤0, i=1,...,m1gi(x1,...,xn)=0, i=m1+1,...,m1+m2(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
∂
F
(
x
∗
)
∂
x
1
=
0
,
.
.
.
∂
F
(
x
∗
)
∂
x
n
=
0.
(
7
)
\frac{\partial F(x^{*})}{\partial x_{1}}=0,\\ ...\\ \frac{\partial F(x^{*})}{\partial x_{n}}=0.\qquad(7)
∂x1∂F(x∗)=0,...∂xn∂F(x∗)=0.(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
)
∈
R
n
,
设
置
常
数
k
1\ 任意选择初始点x^{(0)}\in\mathbb{R}^{n},设置常数k
1 任意选择初始点x(0)∈Rn,设置常数k
2
在
x
k
点
选
择
下
降
方
向
(
向
量
)
d
(
k
)
2\ 在x_{k}点选择下降方向(向量)d^{(k)}
2 在xk点选择下降方向(向量)d(k)
3
在
此
方
向
上
选
择
步
长
α
(
k
)
3\ 在此方向上选择步长\alpha^{(k)}
3 在此方向上选择步长α(k)
4
获
得
更
新
位
置
x
(
k
+
1
)
←
x
(
k
)
+
α
(
k
)
d
(
k
)
4\ 获得更新位置x^{(k+1)}\leftarrow x^{(k)}+\alpha^{(k)}d^{(k)}
4 获得更新位置x(k+1)←x(k)+α(k)d(k)
5
当
∣
∣
x
(
k
+
1
)
−
x
(
k
)
∣
∣
<
ε
≈
0
时
,
x
(
k
+
1
)
即
为
所
求
,
否
则
,
返
回
步
骤
1
5\ 当||x^{(k+1)}-x^{(k)}||<\varepsilon\approx0时,x^{(k+1)}即为所求,否则,返回步骤1
5 当∣∣x(k+1)−x(k)∣∣<ε≈0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
d^{k}
dk选择为:
d
(
k
)
T
=
−
∇
F
(
x
(
k
)
)
=
−
(
∂
F
(
x
(
k
)
)
∂
x
1
(
k
)
,
.
.
.
,
∂
F
(
x
(
k
)
)
∂
x
n
(
k
)
)
(
8
)
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)
d(k)T=−∇F(x(k))=−(∂x1(k)∂F(x(k)),...,∂xn(k)∂F(x(k)))(8)
\qquad
下降方法为牛顿法时,
d
(
k
)
d^{(k)}
d(k)选择为:
d
(
k
)
T
=
−
[
∇
2
F
(
x
(
k
)
)
]
−
1
∇
F
(
x
(
k
)
)
,
(
9
)
d^{(k)^{T}}=-[\nabla^{2}F(x^{(k)})]^{-1}\nabla F(x^{(k)}),\qquad(9)
d(k)T=−[∇2F(x(k))]−1∇F(x(k)),(9)其中,
∇
2
F
(
x
(
k
)
)
\nabla^{2}F(x^{(k)})
∇2F(x(k))是
F
(
x
(
k
)
)
F(x^{(k)})
F(x(k))的Hessian矩阵。
∇
2
F
(
x
)
=
[
∂
2
F
∂
x
1
2
⋯
∂
2
F
∂
x
1
∂
x
n
⋮
⋱
⋮
∂
2
F
∂
x
n
∂
x
1
⋯
∂
2
F
∂
x
n
2
]
(
10
)
\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)
∇2F(x)=⎣⎢⎢⎡∂x12∂2F⋮∂xn∂x1∂2F⋯⋱⋯∂x1∂xn∂2F⋮∂xn2∂2F⎦⎥⎥⎤(10)
\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
)
=
∑
i
=
1
n
∫
V
i
f
(
∣
∣
x
−
x
i
∣
∣
2
)
ϕ
(
x
)
d
x
(
11
)
F(x_{1},...,x_{n})=\sum_{i=1}^{n}\int_{V_{i}}f(||x-x_{i}||^{2})\phi(x)dx\qquad(11)
F(x1,...,xn)=i=1∑n∫Vif(∣∣x−xi∣∣2)ϕ(x)dx(11)
\qquad
其中,最简单的代价函数为
f
(
∣
∣
x
−
x
i
∣
∣
2
)
=
c
∣
∣
x
−
x
i
∣
∣
2
=
c
∣
∣
x
−
x
i
∣
∣
f(||x-x_{i}||^{2})=c\sqrt{||x-x_{i}||^{2}}=c||x-x_{i}||
f(∣∣x−xi∣∣2)=c∣∣x−xi∣∣2=c∣∣x−xi∣∣,
ϕ
(
x
)
\phi(x)
ϕ(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:
m
i
n
x
1
,
.
.
.
x
n
∑
i
=
1
n
∫
V
i
f
(
∣
∣
x
−
x
i
∣
∣
2
)
ϕ
(
x
)
d
x
(
12
)
\mathop{min}\limits_{x_{1},...x_{n}}\sum_{i=1}^{n}\int_{V_{i}}f(||x-x_{i}||^{2})\phi(x)dx\qquad(12)
x1,...xnmini=1∑n∫Vif(∣∣x−xi∣∣2)ϕ(x)dx(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
V
\mathcal{V}
V为由
{
x
i
,
.
.
.
,
x
i
,
.
.
.
,
x
n
}
\{x_{i},...,x_{i},...,x_{n}\}
{xi,...,xi,...,xn}生成的泰森多边形图,
V
′
\mathcal{V}^{'}
V′为由
{
x
i
,
.
.
.
,
x
i
+
δ
x
i
,
.
.
.
,
x
n
}
\{x_{i},...,x_{i}+\delta x_{i},...,x_{n}\}
{xi,...,xi+δxi,...,xn}生成的泰森多边形图,
V
i
V_{i}
Vi是由
V
\mathcal{V}
V中第i个生成点生成的泰森多边形,
V
i
′
V_{i}^{'}
Vi′是由
V
′
\mathcal{V}^{'}
V′中第i个生成点生成的泰森多边形。
V
j
,
j
∈
J
i
V_{j},j\in J_{i}
Vj,j∈Ji为
V
i
V_{i}
Vi的相邻的泰森多边形。则:
Δ
F
=
F
(
x
1
,
.
.
.
,
x
i
+
δ
x
i
,
.
.
.
,
x
n
)
−
F
(
x
1
,
.
.
.
,
x
i
,
.
.
.
,
x
n
)
=
∫
V
i
′
f
(
∣
∣
x
i
+
δ
x
i
−
x
∣
∣
2
)
ϕ
(
x
)
d
x
−
∫
V
i
f
(
∣
∣
x
i
−
x
∣
∣
2
)
ϕ
(
x
)
d
x
+
∑
j
∈
J
i
[
∫
V
j
′
f
(
∣
∣
x
j
−
x
∣
∣
2
)
ϕ
(
x
)
d
x
−
∫
V
j
f
(
∣
∣
x
j
−
x
∣
∣
2
)
ϕ
(
x
)
d
x
]
(
13
)
\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)
ΔF=F(x1,...,xi+δxi,...,xn)−F(x1,...,xi,...,xn)=∫Vi′f(∣∣xi+δxi−x∣∣2)ϕ(x)dx−∫Vif(∣∣xi−x∣∣2)ϕ(x)dx+j∈Ji∑[∫Vj′f(∣∣xj−x∣∣2)ϕ(x)dx−∫Vjf(∣∣xj−x∣∣2)ϕ(x)dx](13)
\qquad
其中方程区间组成为
V
i
=
(
V
i
∩
V
i
′
)
∪
(
V
i
\
V
i
∩
V
i
′
)
V_{i}=(V_{i}\cap V_{i}^{'})\cup(V_{i}\verb|\|V_{i}\cap V_{i}^{'})
Vi=(Vi∩Vi′)∪(Vi\Vi∩Vi′),
V
i
′
=
(
V
i
∩
V
i
′
)
∪
(
V
i
′
\
V
i
∩
V
i
′
)
V_{i}^{'}=(V_{i}\cap V_{i}^{'})\cup(V_{i}^{'}\verb|\|V_{i}\cap V_{i}^{'})
Vi′=(Vi∩Vi′)∪(Vi′\Vi∩Vi′),
V
j
=
(
V
j
∩
V
j
′
)
∪
(
V
i
′
∩
V
j
)
V_{j}=(V_{j}\cap V_{j}^{'})\cup(V_{i}^{'}\cap V_{j})
Vj=(Vj∩Vj′)∪(Vi′∩Vj)和
V
j
′
=
(
V
j
∩
V
j
′
)
∪
(
V
i
∩
V
j
′
)
V_{j}^{'}=(V_{j}\cap V_{j}^{'})\cup(V_{i}\cap V_{j}^{'})
Vj′=(Vj∩Vj′)∪(Vi∩Vj′),式13可以改写为:
Δ
F
=
∫
V
i
′
∩
V
i
[
f
(
∣
∣
x
i
+
δ
x
i
−
x
∣
∣
2
)
−
f
(
∣
∣
x
i
−
x
∣
∣
2
)
]
ϕ
(
x
)
d
x
+
∫
V
i
′
\
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)
ΔF=∫Vi′∩Vi[f(∣∣xi+δxi−x∣∣2)−f(∣∣xi−x∣∣2)]ϕ(x)dx+∫Vi′\Vi∩Vi′f(∣∣xi+δxi−x∣∣2)ϕ(x)dx−∫Vi\Vi∩Vi′f(∣∣xi−x∣∣2)ϕ(x)dx+j∈Ji∑[∫Vj′∩Vif(∣∣xj−x∣∣2)ϕ(x)dx−∫Vj∩Vi′f(∣∣xj−x∣∣2)ϕ(x)dx](14)
\qquad
由几何变化关系得:
V
j
′
\
(
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)
Vj′\(Vi∩Vi′)=j∈Ji∑Vi′∩Vj,Vj\(Vi∩Vi′)=j∈Ji∑Vi∩Vj′(15)化简为:
Δ
F
=
∫
V
i
′
∩
V
i
[
f
(
∣
∣
x
i
+
δ
x
i
−
x
∣
∣
2
)
−
f
(
∣
∣
x
i
−
x
∣
∣
2
)
]
ϕ
(
x
)
d
x
+
∑
j
∈
J
i
∫
V
i
′
∩
V
j
(
f
(
∣
∣
x
i
+
δ
x
i
−
x
∣
∣
2
)
−
f
(
∣
∣
x
j
−
x
∣
∣
2
)
)
ϕ
(
x
)
d
x
+
∑
j
∈
J
i
[
∫
V
j
′
∩
V
i
(
f
(
∣
∣
x
j
−
x
∣
∣
2
)
−
f
(
∣
∣
x
i
−
x
∣
∣
2
)
ϕ
(
x
)
d
x
(
16
)
\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)
ΔF=∫Vi′∩Vi[f(∣∣xi+δxi−x∣∣2)−f(∣∣xi−x∣∣2)]ϕ(x)dx+j∈Ji∑∫Vi′∩Vj(f(∣∣xi+δxi−x∣∣2)−f(∣∣xj−x∣∣2))ϕ(x)dx+j∈Ji∑[∫Vj′∩Vi(f(∣∣xj−x∣∣2)−f(∣∣xi−x∣∣2)ϕ(x)dx(16)
\qquad
由
l
i
m
δ
x
→
0
(
V
j
′
∩
V
i
)
=
0
,
l
i
m
δ
x
→
0
(
V
j
∩
V
i
′
)
=
0
\mathop{lim}\limits_{\delta x\rightarrow0}(V_{j}^{'}\cap V_{i})=0,\mathop{lim}\limits_{\delta x\rightarrow0}(V_{j}\cap V_{i}^{'})=0
δx→0lim(Vj′∩Vi)=0,δx→0lim(Vj∩Vi′)=0得:
Δ
F
=
∫
V
i
′
∩
V
i
[
f
(
∣
∣
x
i
+
δ
x
i
−
x
∣
∣
2
)
−
f
(
∣
∣
x
i
−
x
∣
∣
2
)
]
ϕ
(
x
)
+
O
∣
∣
δ
x
i
∣
∣
2
d
x
(
17
)
\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)
ΔF=∫Vi′∩Vi[f(∣∣xi+δxi−x∣∣2)−f(∣∣xi−x∣∣2)]ϕ(x)+O∣∣δxi∣∣2dx(17)
∂
F
∂
x
i
k
=
l
i
m
δ
x
i
k
→
0
Δ
F
δ
x
i
k
=
l
i
m
δ
x
i
k
→
0
[
∫
V
i
′
∩
V
i
f
(
∣
∣
x
i
+
δ
x
i
−
x
∣
∣
2
)
−
f
(
∣
∣
x
i
−
x
∣
∣
2
)
δ
x
i
k
ϕ
(
x
)
d
x
+
O
∣
∣
δ
x
i
∣
∣
2
δ
x
i
k
]
,
k
=
1
,
2...
(
18
)
\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)
∂xik∂F=δxik→0limδxikΔF=δxik→0lim[∫Vi′∩Viδxikf(∣∣xi+δxi−x∣∣2)−f(∣∣xi−x∣∣2)ϕ(x)dx+δxikO∣∣δxi∣∣2],k=1,2...(18)
\qquad
所以一阶导函数为:
∂
F
∂
x
i
k
=
∫
V
i
2
(
x
i
k
−
x
k
)
f
′
(
∣
∣
x
i
−
x
∣
∣
2
)
ϕ
(
x
)
d
x
,
k
=
1
,
2...
(
19
)
\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)
∂xik∂F=∫Vi2(xik−xk)f′(∣∣xi−x∣∣2)ϕ(x)dx,k=1,2...(19)
\qquad
选择合适的步长
α
\alpha
α,对应不同概率密度函数
ϕ
(
x
)
\phi(x)
ϕ(x)最优位置估计为:
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