基于RF-NSGA-II的结构件三维激光扫描方法及设备

基于rf
‑
nsga
‑
ii的结构件三维激光扫描方法及设备
技术领域
1.本发明实施例涉及激光三维扫描技术领域，尤其涉及一种基于rf
‑
nsga
‑
ii的结构件三维激光扫描方法及设备。


背景技术：

2.高速公路作为国建重要的基础设施，其建设是国家发展中的重要一环。在高速公路的工程建设中要进行大量的桥梁钢结构件的加工和拼装，为了更好地进行工程设计，通常采用激光技术对结构件进行扫描获取结构件的点云数据。但是，采用目前的激光扫描技术获取结构件空间点云数据时，会不可避免的存在较大的测量误差，而较大的测量误差会降低桥梁钢结构件的设计精度，影响桥梁钢结构件的实际工程安装效率。因此，开发一种基于rf
‑
nsga
‑
ii的结构件三维激光扫描方法及设备，可以有效克服上述相关技术中的缺陷，就成为业界亟待解决的技术问题。


技术实现要素：

3.针对现有技术存在的上述问题，本发明实施例提供了一种基于rf
‑
nsga
‑
ii的结构件三维激光扫描方法及设备。
4.第一方面，本发明的实施例提供了一种基于rf
‑
nsga
‑
ii的结构件三维激光扫描方法，包括：对收集的样本数据进行范化，采用范化样本数据训练并得到rf预测模型；根据rf预测模型构建适应度函数，对扫描参数设置约束条件，采用nsga
‑
ii算法对所述扫描参数进行优化，得到扫描参数的全局最优解；将所述全局最优解输入rf预测模型，根据输出结果确定全局最优解为三维激光扫描仪的实用扫描参数；采用所述全局最优解调整三维激光扫描仪，对结构件进行扫描；其中，rf预测模型为随机森林预测模型；nsga
‑
ii算法为非支配排序遗传算法。
5.在上述方法实施例内容的基础上，本发明实施例中提供的基于rf
‑
nsga
‑
ii的结构件三维激光扫描方法，所述对收集的样本数据进行范化，包括：
[0006][0007]
其中，y为范化后的标准值；y
min
为范化区间下限值；x为样本数据值；x
max
为样本数据值的最大值；x
min
为样本数据值的最小值。
[0008]
在上述方法实施例内容的基础上，本发明实施例中提供的基于rf
‑
nsga
‑
ii的结构件三维激光扫描方法，所述采用范化样本数据训练并得到rf预测模型，包括：随机抽取预设比例的范化样本数据作为训练集，剩余范化样本数据作为测试集，采用训练集对初级rf预测模型进行学习模拟，得到训练好的rf预测模型，采用测试集对训练好的rf预测模型进行测试，得到所述rf预测模型，采用均方根误差和拟合优度验证rf预测模型。
[0009]
在上述方法实施例内容的基础上，本发明实施例中提供的基于rf
‑
nsga
‑
ii的结构件三维激光扫描方法，所述根据rf预测模型构建适应度函数，包括：
[0010]
min g1(rf(x1,x2,...,x
n
))
[0011]
min g2(rf(x1,x2,...,x
n
))
[0012]
其中，rf为随机森林算法；x
n
为第n个扫描参数；min g1为三维激光扫描误差回归函数；min g2为三维激光扫描时长回归函数。
[0013]
在上述方法实施例内容的基础上，本发明实施例中提供的基于rf
‑
nsga
‑
ii的结构件三维激光扫描方法，所述对扫描参数设置约束条件，包括：
[0014]
a
il
＜x
i
＜a
iu
[0015]
其中，x
i
为第i个扫描参数；a
il
为扫描参数的下限值；a
iu
为扫描参数的上限值。
[0016]
在上述方法实施例内容的基础上，本发明实施例中提供的基于rf
‑
nsga
‑
ii的结构件三维激光扫描方法，所述采用nsga
‑
ii算法对所述扫描参数进行优化，得到扫描参数的全局最优解，包括：设置初始种群，nsga
‑
ii算法将通过快速非支配排序后，采用遗传机制获得首批子代种群；从第二代开始，结合父代种群和子代种群进行快速非支配排序，根据非支配排序计算每个个体的拥挤度，将拥挤度小的个体组成新种群；引入精英策略，通过遗传算法的基本操作产生新的后代群体；直到当子代种群数达到最大子代数时结束计算，输出pareto最优解集；其中，种群为若干扫描参数组构成的扫描参数组集合。
[0017]
在上述方法实施例内容的基础上，本发明实施例中提供的基于rf
‑
nsga
‑
ii的结构件三维激光扫描方法，所述采用遗传机制获得首批子代种群，包括：对初始种群进行选择、交叉和变异，得到首批子代种群。
[0018]
第二方面，本发明的实施例提供了一种基于rf
‑
nsga
‑
ii的结构件三维激光扫描装置，包括：第一主模块，用于对收集的样本数据进行范化，采用范化样本数据训练并得到rf预测模型；第二主模块，用于根据rf预测模型构建适应度函数，对扫描参数设置约束条件，采用nsga
‑
ii算法对所述扫描参数进行优化，得到扫描参数的全局最优解；第三主模块，用于将所述全局最优解输入rf预测模型，根据输出结果确定全局最优解为三维激光扫描仪的实用扫描参数；第四主模块，用于采用所述全局最优解调整三维激光扫描仪，对结构件进行扫描；其中，rf预测模型为随机森林预测模型；nsga
‑
ii算法为非支配排序遗传算法。
[0019]
第三方面，本发明的实施例提供了一种电子设备，包括：
[0020]
至少一个处理器；以及
[0021]
与处理器通信连接的至少一个存储器，其中：
[0022]
存储器存储有可被处理器执行的程序指令，处理器调用程序指令能够执行第一方面的各种实现方式中任一种实现方式所提供的基于rf
‑
nsga
‑
ii的结构件三维激光扫描方法。
[0023]
第四方面，本发明的实施例提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行第一方面的各种实现方式中任一种实现方式所提供的基于rf
‑
nsga
‑
ii的结构件三维激光扫描方法。
[0024]
本发明实施例提供的基于rf
‑
nsga
‑
ii的结构件三维激光扫描方法及设备，通过构建rf预测模型，采用nsga
‑
ii算法对扫描参数进行优化，将得到的扫描参数的全局最优解输入rf预测模型，根据输出结果确定全局最优解为三维激光扫描仪的实用扫描参数，采用全局最优解调整三维激光扫描仪，对结构件进行扫描，可以减小三维激光扫描结构件得到的点云数据的测量误差，提高结构件的设计精度和安装效率。
附图说明
[0025]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单的介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0026]
图1为本发明实施例提供的基于rf
‑
nsga
‑
ii的结构件三维激光扫描方法流程图；
[0027]
图2为本发明实施例提供的基于rf
‑
nsga
‑
ii的结构件三维激光扫描装置结构示意图；
[0028]
图3为本发明实施例提供的电子设备的实体结构示意图；
[0029]
图4为本发明实施例提供的随机森林误差与树数量关系示意图；
[0030]
图5为本发明实施例提供的nsga
‑ⅱ
算法最优pareto前沿图；
[0031]
图6为本发明实施例提供的经nsga
‑ⅱ
算法优化后的结构件点云示意图。
具体实施方式
[0032]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。另外，本发明提供的各个实施例或单个实施例中的技术特征可以相互任意结合，以形成可行的技术方案，这种结合不受步骤先后次序和/或结构组成模式的约束，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时，应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
[0033]
提出随机森林
‑
带精英策略的非支配排序遗传算法(即rf
‑
nsga
‑ⅱ
)多目标优化模型，以实现三维激光扫描最佳参数设计方案。首先采用随机森林(random forests,rf)实现三维激光扫描参数对相对误差和扫描时长的高精度预测，得到非线性映射关系函数(即预测模型)后，将其作为目标优化函数，基于提出的rf
‑
nsga
‑
ii多目标优化算法进行相对误差和扫描时长多目标优化，在合理相对误差的条件下，使扫描时长最短。基于这种思想，本发明实施例提供了一种基于rf
‑
nsga
‑
ii的结构件三维激光扫描方法，参见图1，该方法包括：对收集的样本数据进行范化，采用范化样本数据训练并得到rf预测模型；根据rf预测模型构建适应度函数，对扫描参数设置约束条件，采用nsga
‑
ii算法对所述扫描参数进行优化，得到扫描参数的全局最优解；将所述全局最优解输入rf预测模型，根据输出结果确定全局最优解为三维激光扫描仪的实用扫描参数；采用所述全局最优解调整三维激光扫描仪，对结构件进行扫描；其中，rf预测模型为随机森林预测模型；nsga
‑
ii算法为非支配排序遗传算法。
[0034]
基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于rf
‑
nsga
‑
ii的结构件三维激光扫描方法，所述对收集的样本数据进行范化，包括：
[0035][0036]
其中，y为范化后的标准值；y
min
为范化区间下限值；x为样本数据值；x
max
为样本数
据值的最大值；x
min
为样本数据值的最小值。在另一实施例中，y
min
为
‑
1。
[0037]
基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于rf
‑
nsga
‑
ii的结构件三维激光扫描方法，所述采用范化样本数据训练并得到rf预测模型，包括：随机抽取预设比例(在另一实施例中，预设比例可以为80％)的范化样本数据作为训练集，剩余范化样本数据作为测试集，采用训练集对初级rf预测模型进行学习模拟，得到训练好的rf预测模型，采用测试集对训练好的rf预测模型进行测试，得到所述rf预测模型，采用均方根误差和拟合优度验证rf预测模型。
[0038]
具体地，在三维激光扫描过程中，为了探究扫描参数与相对误差以及扫描时长的关系，选取相对误差和扫描时长作为rf预测模型的输出指标。水平入射角度、倾斜角度、点云密度、测量距离、分辨率以及能见度六个对相对误差有较大的影响的三维激光扫描参数作为输入指标。通过现场实验，收集一共100组样本数据如表1所示，将全部样本随机抽取80组样本构成训练集，剩下的20组样本作为测试集。
[0039]
表1
[0040][0041]
rf(即随机森林)的树的数量直接影响着rf的预测误差大小，为了选择合适数量的树，以树的数量作为输入数据，rf误差大小作为输出数据，得出如图4所示的随机森林误差与树数量的关系图。从图4中可以看出，随着树数量的增加，rf误差逐渐减小，当树数量大于200时，误差变化趋于稳定，考虑到选择过多的树会造成产生过拟合现象，故随机森林的树的采用量为500棵。采用训练集进行学习模拟，分别建立rf的相对误差预测模型和扫描时长预测模型(即专门用于预测相对误差和扫描时长的rf预测模型)，采用测试集检验训练集的预测模型。rf预测模型能够很好的预测相对误差的变化。相对误差训练集预测模型的均方根误差为0.00000169，拟合优度为0.9654288，可以看出该模型拟合结果很好，其预测值与实际值之间误差非常小。rf预测模型对测试集预测回归函数的检验，其中均方根误差为0.000063，拟合优度为0.9664939，相对误差的随机森林预测模型对测试集样本的预测值与试验值十分接近。以上可以说明该模型对相对误差预测具有良好的精度且具有出色的泛化能力。rf预测模型对扫描时长预测也具有良好的精度。
[0042]
基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于rf
‑
nsga
‑
ii的结构件三维激光扫描方法，所述根据rf预测模型构建适应度函数，包括：
[0043]
min g1(rf(x1,x2,...,x
n
))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0044]
min g2(rf(x1,x2,...,x
n
))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0045]
其中，rf为随机森林算法；x
n
为第n个扫描参数；min g1为三维激光扫描误差回归函数；min g2为三维激光扫描时长回归函数。
[0046]
具体地，在实际三维激光扫描过程中，为了可以达到要求的工程标准，扫描精度是
首要考虑的目标之一，除此之外，减少扫描时长也是目标之一。因此，本研究将以扫描相对误差以及扫描时长为考虑对象，以入射角度、倾斜角度、点云密度、测量距离、分辨率以及能见度六个扫描参数为考虑变量，同时进行多目标优化，其中基于rf相对误差及扫描时长适应度函数将六个扫描参数代入(2)式和(3)式，得到如(4)式和(5)式所示。
[0047]
min g1(rf(x1,x2,...,x6))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0048]
min g2(rf(x1,x2,...,x6))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0049]
其中，x1为入射角度；x2为倾斜角度；x3为点云密度；x4为测量距离；x5为分辨率；x6为能见度。
[0050]
基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于rf
‑
nsga
‑
ii的结构件三维激光扫描方法，所述对扫描参数设置约束条件，包括：
[0051]
a
il
＜x
i
＜a
iu
(6)
[0052]
其中，x
i
为第i个扫描参数；a
il
为扫描参数的下限值；a
iu
为扫描参数的上限值。
[0053]
具体地，确定合理的三维激光扫描参数参数取值范围，根据(6)式确定优化的约束条件如(7)式所示。
[0054][0055]
基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于rf
‑
nsga
‑
ii的结构件三维激光扫描方法，所述采用nsga
‑
ii算法对所述扫描参数进行优化，得到扫描参数的全局最优解，包括：设置初始种群，nsga
‑
ii算法将通过快速非支配排序后，采用遗传机制获得首批子代种群；从第二代开始，结合父代种群和子代种群进行快速非支配排序，根据非支配排序计算每个个体的拥挤度，将拥挤度小的个体组成新种群；引入精英策略，通过遗传算法的基本操作产生新的后代群体；直到当子代种群数达到最大子代数时结束计算，输出pareto最优解集；其中，种群为若干扫描参数组构成的扫描参数组集合。
[0056]
具体地，在三维激光扫描相对误差和扫描时长的目标函数以及扫描参数约束范围后，基于nsga
‑ⅱ
进行多目标优化。取nsga
‑ⅱ
算法的交叉算子为0.8，变异算子为0.02，种群大小为40，最大进化代数和停止代数为60，采用nsga
‑ⅱ
算法进行全局寻优，结果如图5所示。由图5可知，随着相对误差的不断减少，三维激光扫描的扫描时长不断增大。由于对结构件的要求比较高，因此要求三维激光扫描的相对误差不能大于3.5毫米。由最优pareto前沿可得当三维激光扫描的相对误差不大于3.5毫米时，最短的扫描时长为335.944秒，此时相对误差为2.93毫米，入射角度、倾斜角度、点云密度、测量距离、分辨率以及能见度分别对应的参数解为89.79度、89.77度、3.29毫米、3米、0.456每寸点数以及8.67公里。根据实际情况，将入射角度、倾斜角度和点云密度均取整数，则分别为90度、90度和3.2毫米。采用优化得出的三维激光扫描参数值对扫描仪进行调整，所得点云图像如图6所示，可以看出图像清晰度处于良好水平。
[0057]
为了进一步验证采用随机森林对三维激光扫描的高精度性影响，将rf预测模型的
预测效果与svm、bp人工神经网络以及小波神经网络三个预测模型的预测精度及误差进行对比分析，对比结果如表2(相对误差预测模型精度对比)和表3(扫描时长预测模型精度对比)所示。
[0058]
表2
[0059][0060]
表3
[0061][0062]
由表2可知，基于rf相对误差预测模型相较其他模型而言，其拟合优度均为最高，而均方根误差均为最低。rf预测模型与svm模型精度相比拟合优度提高了0.035，均方根误差减少了0.002237；与bp人工神经网络预测模型精度相比拟合优度提高了0.06，均方根误差减少了0.0359378；与小波神经网络模型精度相比拟合优度提高了0.135，均方根误差减少了0.0457。由表3可知，基于rf扫描时长预测模型相较其他模型而言，其拟合优度均为最高，而均方根误差均为最低。因此，在rf预测模型、svm预测模型、bp神经网络模型以及小波神经网络预测模型当中，rf预测模型对相对误差和扫描时长进行预测的效果是最好的，采用rf预测模型对三维激光扫描的相对误差以及扫描时长进行预测所得的结果是可靠精准的。
[0063]
基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于rf
‑
nsga
‑
ii的结构件三维激光扫描方法，所述采用遗传机制获得首批子代种群，包括：对初始种群进行选择、交叉和变异，得到首批子代种群。
[0064]
本发明实施例提供的基于rf
‑
nsga
‑
ii的结构件三维激光扫描方法，通过构建rf预测模型，采用nsga
‑
ii算法对扫描参数进行优化，将得到的扫描参数的全局最优解输入rf预测模型，根据输出结果确定全局最优解为三维激光扫描仪的实用扫描参数，采用全局最优解调整三维激光扫描仪，对结构件进行扫描，可以减小三维激光扫描结构件得到的点云数据的测量误差，提高结构件的设计精度和安装效率。
[0065]
本发明实施例提供的基于rf
‑
nsga
‑
ii的结构件三维激光扫描方法，在符合规范和项目实际要求的前提下，将三维激光扫描技术相对误差和扫描时长的rf回归预测函数作为多目标适应度函数，进行nsga
‑
ii算法优化后，在满足相对误差达到2.93毫米的基础上，最短的扫描时长为335.944秒，此时相对误差为2.93毫米，入射角度、倾斜角度、点云密度、测量距离、分辨率以及能见度分别对应的参数解为90度、90度、3.2毫米、3米、0.456每寸点数以及8.67公里，得到三维激光精度优良且扫描时长较低的参数值，同时将多目标优化后所得扫描参数进行试验验证，发现试验结果与优化结果十分接近，结果表明，该方法是一种智能、精确、高效的参数优化方法，可以在三维激光扫描系统使用初期估计出相对误差和扫描时长较小的扫描参数取值，较大程度提高扫描精度。
[0066]
本发明各个实施例的实现基础是通过具有处理器功能的设备进行程序化的处理实现的。因此在工程实际中，可以将本发明各个实施例的技术方案及其功能封装成各种模块。基于这种现实情况，在上述各实施例的基础上，本发明的实施例提供了一种基于rf
‑
nsga
‑
ii的结构件三维激光扫描装置，该装置用于执行上述方法实施例中的基于rf
‑
nsga
‑
ii的结构件三维激光扫描方法。参见图2，该装置包括：第一主模块，用于对收集的样本数据进行范化，采用范化样本数据训练并得到rf预测模型；第二主模块，用于根据rf预测模型构建适应度函数，对扫描参数设置约束条件，采用nsga
‑
ii算法对所述扫描参数进行优化，得到扫描参数的全局最优解；第三主模块，用于将所述全局最优解输入rf预测模型，根据输出结果确定全局最优解为三维激光扫描仪的实用扫描参数；第四主模块，用于采用所述全局最优解调整三维激光扫描仪，对结构件进行扫描；其中，rf预测模型为随机森林预测模型；nsga
‑
ii算法为非支配排序遗传算法。
[0067]
本发明实施例提供的基于rf
‑
nsga
‑
ii的结构件三维激光扫描装置，采用图2中的若干模块，通过构建rf预测模型，采用nsga
‑
ii算法对扫描参数进行优化，将得到的扫描参数的全局最优解输入rf预测模型，根据输出结果确定全局最优解为三维激光扫描仪的实用扫描参数，采用全局最优解调整三维激光扫描仪，对结构件进行扫描，可以减小三维激光扫描结构件得到的点云数据的测量误差，提高结构件的设计精度和安装效率。
[0068]
需要说明的是，本发明提供的装置实施例中的装置，除了可以用于实现上述方法实施例中的方法外，还可以用于实现本发明提供的其他方法实施例中的方法，区别仅仅在于设置相应的功能模块，其原理与本发明提供的上述装置实施例的原理基本相同，只要本领域技术人员在上述装置实施例的基础上，参考其他方法实施例中的具体技术方案，通过组合技术特征获得相应的技术手段，以及由这些技术手段构成的技术方案，在保证技术方案具备实用性的前提下，就可以对上述装置实施例中的装置进行改进，从而得到相应的装置类实施例，用于实现其他方法类实施例中的方法。例如：
[0069]
基于上述装置实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于rf
‑
nsga
‑
ii的结构件三维激光扫描装置，还包括：第一子模块，用于实现所述对收集的样本数据进行范化，包括：
[0070][0071]
其中，y为范化后的标准值；y
min
为范化区间下限值；x为样本数据值；x
max
为样本数据值的最大值；x
min
为样本数据值的最小值。
[0072]
基于上述装置实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于rf
‑
nsga
‑
ii的结构件三维激光扫描装置，还包括：第二子模块，用于实现所述采用范化样本数据训练并得到rf预测模型，包括：随机抽取预设比例的范化样本数据作为训练集，剩余范化样本数据作为测试集，采用训练集对初级rf预测模型进行学习模拟，得到训练好的rf预测模型，采用测试集对训练好的rf预测模型进行测试，得到所述rf预测模型，采用均方根误差和拟合优度验证rf预测模型。
[0073]
基于上述装置实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于rf
‑
nsga
‑
ii的结构件三维激光扫描装置，还包括：第三子模块，用于实现所述根据rf预测模型构建适应度函数，包括：
[0074]
min g1(rf(x1,x2,...,x
n
))
[0075]
min g2(rf(x1,x2,...,x
n
))
[0076]
其中，rf为随机森林算法；x
n
为第n个扫描参数；min g1为三维激光扫描误差回归函数；min g2为三维激光扫描时长回归函数。
[0077]
基于上述装置实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于rf
‑
nsga
‑
ii的结构件三维激光扫描装置，还包括：第四子模块，用于实现所述对扫描参数设置约束条件，包括：
[0078]
a
il
＜x
i
＜a
iu
[0079]
其中，x
i
为第i个扫描参数；a
il
为扫描参数的下限值；a
iu
为扫描参数的上限值。
[0080]
基于上述装置实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于rf
‑
nsga
‑
ii的结构件三维激光扫描装置，还包括：第五子模块，用于实现所述采用nsga
‑
ii算法对所述扫描参数进行优化，得到扫描参数的全局最优解，包括：设置初始种群，nsga
‑
ii算法将通过快速非支配排序后，采用遗传机制获得首批子代种群；从第二代开始，结合父代种群和子代种群进行快速非支配排序，根据非支配排序计算每个个体的拥挤度，将拥挤度小的个体组成新种群；引入精英策略，通过遗传算法的基本操作产生新的后代群体；直到当子代种群数达到最大子代数时结束计算，输出pareto最优解集；其中，种群为若干扫描参数组构成的扫描参数组集合。
[0081]
基于上述装置实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于rf
‑
nsga
‑
ii的结构件三维激光扫描装置，还包括：第六子模块，用于实现所述采用遗传机制获得首批子代种群，包括：对初始种群进行选择、交叉和变异，得到首批子代种群。
[0082]
本发明实施例的方法是依托电子设备实现的，因此对相关的电子设备有必要做一下介绍。基于此目的，本发明的实施例提供了一种电子设备，如图3所示，该电子设备包括：至少一个处理器(processor)、通信接口(co毫米unications interface)、至少一个存储器(memory)和通信总线，其中，至少一个处理器，通信接口，至少一个存储器通过通信总线完成相互间的通信。至少一个处理器可以调用至少一个存储器中的逻辑指令，以执行前述各个方法实施例提供的方法的全部或部分步骤。
[0083]
此外，上述的至少一个存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个方法实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0084]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0085]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0086]
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。基于这种认识，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0087]
在本专利中，术语"包括"、"包含"或者其任何其它变体意在涵盖非排它性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句"包括
……
"限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0088]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。