基于需求密度感知与GNG的移动设施动态选址方法

针对社会设施的动态选址问题，本文提出一种基于需求密度感知和Growing Neural Gas Networks (GNG)

社会资源规划所涉范围极其广泛，从城市、产业带、经济技术开发区、跨国经济集团分公司到机场、水利设施、人类居住区、销售网点以及仓库、配送中心等的区位决策都是选址问题研究的范畴， 涉及经济、政治、社会、管理、心理及工程地质等多门学科。设施指与生产、商业流通及人类生活有关的具体网点。

在该问题中， 有两类模型， 第一类是单设施选址， 有中值模型[1]、树状网模型[2] [3] [4]、需求不确定模型[5]、马尔科夫模型[6]、需求随机增长模型[7]， 基于背包问题以及随机排列的模型[6] [7] [8] [9] [10]，基于成本期望最小的方法[11] [12] [13]等。这些模型将区域资源等问题考虑考虑了进去， 但是不能解决多设施的选址问题。随着城市效应不但扩大，更多目光聚焦于多设施的科学选址，大概可分为以下三类：最优化方法[14] [15] [16] [17]，此类方法是将区域的连续性作为约束条件，运用线性最优化算法得出最优解，可是此类方法会忽略部分最优解，并且当涉及非线性、多目标问题的时效果较差。

智能类算法[18] [19] [20] [21]， 主要有遗传算法(Genetic Algorithm: GA)、模拟退火算法(Simulated Annealing: SA)、蚁群算法(Ant Colony Optimization: ACO)等算法模型，算法模型可在启发式的引导下得到近似最优解，这些方法中蚁群算法具有较强的自组织性、鲁棒性以及可进行分布式计算等特征， 但是该类型方法当数据点较多时时间复杂度较高，运行效率有待于提高。聚类算法[22] [23] [24] [25] [26]，此类算法以Kmeans 为主，先把在一个区域内建多个设施问题转化为在多个区域内分别建设单一设施的问题，然后利用重心法确定各子区域设施的具体位置，但是该类问题容易造成子区域的选址结果，可能使得多个节点重合。

以上方法无论单设施选址还是多设施选址方法，设施一旦建设后就不能再移动，可是随着智慧城市的不断建设，区域变化不断加剧，这就使得可移动设施越来越受到关注，即，如何根据短期的资源需求对移动设施的方位进行调整， 所以本文提出一种基于需求密度感知与Growing Neural Gas Networks (GNG) [27]的移动设施动态选址方法，如图1 所示，该方法用有限的感知单元对学习目标进行集合拓扑感知， 对整个城区可移动设施资源的需求进行实时检测与分析，对有限的移动设施资源进行区域部署，从而达到节约资源的目的。本文方法首先将某区域划分为单位网状结构，统计每个单位区域内在单位时间内对可移动设施资源的需求次数和时间长度，依据阈值确定是否在该区域设置需求点，然后通过Delaunay 算法对需求点进行紧邻分析， 去除连接密度较低的需求点；最后基于GNG 算法对剩余的点进行几何拓扑感知从而得到移动设施的区域部署。在实验中本文方法与聚类方法Kmeans 进行了对比。