1.本发明涉及选址优化技术领域，具体涉及一种自适应的城市核酸检测点布局方法及系统。
背景技术：2.我国目前仍处于新冠疫情常态化防控阶段，针对新冠病毒极强的传染性和致病性，目前的防控手段主要包括核酸检测、疫苗接种等手段，其中通过核酸检测发现阳性人群是目前最有效的防控手段之一。合理布局核酸检测点对快速抑制疫情发展，提高政府的公共投资效率有着重要的意义。
3.现有的医疗资源的配置主要看人口的分布情况，现阶段的布局方式容易出现过分密集或过分分散的情况，最终造成医疗资源的分配不均。
技术实现要素：4.本发明实施例的目的是提供一种自适应的城市核酸检测点布局方法及系统，该自适应的城市核酸检测点布局方法及系统使用密度峰聚类算法和线性拟合方法自适应选取出初始核酸检测点，然后根据聚类中心集合初始化粒子群，通过万有引力搜索算法根据适度值优化核酸检测点的布局，优化资源配置、提高检测效率和降低感染风险。
5.为了实现上述目的，本发明实施例提供一种自适应的城市核酸检测点布局方法，所述自适应的城市核酸检测点布局方法包括：
6.获取城市社区的位置坐标数据和人口数据；
7.根据城市社区的位置坐标数据计算城市社区间的距离及其对应的局部密度和最短距离；
8.基于所述局部密度和最短距离通过线性拟合自适应选取核酸检测点初始位置；以及
9.基于万有引力搜索算法求解模型和所述核酸检测点初始位置确定核酸检测点最优布局。
10.优选地，所述根据城市社区的位置坐标数据计算城市社区间的距离及其对应的局部密度和最短距离包括：
11.将提取到的城市社区数据组成样本数据集，记为o＝{o1,o2,
…
,on}，n为城市社区数量；
12.根据样本的位置数据，计算任意两个样本oi和oj之间的欧式距离进而得到距离矩阵d；
13.根据距离矩阵d计算样本的局部密度ρ和最短距离δ。
14.优选地，所述基于所述局部密度和最短距离通过线性拟合自适应选取核酸检测点初始位置包括：
15.对样本的局部密度ρ和最短距离δ进行归一化处理，然后计算ρ和δ的乘积γ，再对
γ进行升序排序得到γ
*
；
16.针对γ
*
中的样本oi进行线性拟合，进而计算样本oi对应的估计值与γ
*
之间的差值δγ，如公式所示：
[0017][0018]
将差值δγ小于平均差值的点的最小下标记为m，将点下标大于m的样本添加到样本候选聚类中心集合r，的计算公式如下：
[0019][0020]
在样本候选聚类中心集合r中删除局部密度小于其邻居样本局部密度最大值或最短距离小于其邻居样本最短距离最大值的样本，得到城市核酸检测点的初始位置集合r
*
，令k＝|r
*
|。
[0021]
优选地，所述基于万有引力搜索算法求解模型和所述核酸检测点初始位置确定核酸检测点最优布局包括：
[0022]
根据聚类中心集r
*
初始化粒子群，使用万有引力搜索算法根据适度值优化最终核酸检测点的布局；
[0023]
其中，使用z＝{z1,z2,...,zs}作为包含s个粒子的粒子群，每一个粒子zi包含k个聚类中心，第i个粒子是k*l维向量，
[0024][0025]
其中，ci表示第i个簇的聚类中心；其中，第一个粒子由密度峰聚类算法生成的r
*
个聚类中心组成，其余粒子随机生成；
[0026]
对于样本数据集o，采用欧氏距离计算oi和cj,两者之间的相似性，其中，oi∈o∧cj∈z
t
,i＝1,2,...,n,j＝1,2,...,k,t＝1,2,...,s，然后使用idz
t
(t＝1,2,...,s)将每个数据点分配到最近的群集中心，并且使用fit函数评估z
t
(t＝1,2,...,s)的适度值，fit函数的公式如下所示：
[0027][0028]
其中，popi为样本i的人口数，为样本的平均人口数；
[0029]
基于函数确定每个粒子在t时刻的w
t
、b
t
和质量m(t)，三者间的关系式如下：
[0030][0031][0032]
其中，w
t
表示t时刻值最小条件下的核酸检测点的取值，b
t
表示t时刻值最大条件下的粒子点的取值；
[0033]
然后，利用m(t)计算粒子的加速度根据粒子加速度计算粒子速度
[0034]
通过移动粒子位置更新粒子群，直到达到停止标准，最终得到最优解i＝{i1,i2,...,ik}；
[0035]
对于每个簇，计算每个簇中样本的平均坐标作为粒子点的最优布局；对于则最优粒子点的坐标计算公式如下：
[0036][0037][0038]
另外，本发明还提供一种自适应的城市核酸检测点布局系统，所述自适应的城市核酸检测点布局系统包括：
[0039]
数据获取单元，用于获取城市社区的位置坐标数据和人口数据；
[0040]
密度距离计算单元，用于根据城市社区的位置坐标数据计算城市社区间的距离及其对应的局部密度和最短距离；
[0041]
位置选取单元，用于基于所述局部密度和最短距离通过线性拟合自适应选取核酸检测点初始位置；以及
[0042]
最优布局确定单元，用于基于万有引力搜索算法求解模型和所述核酸检测点初始位置确定核酸检测点最优布局。
[0043]
优选地，所述密度距离计算单元包括：
[0044]
数据集组成模块，用于将提取到的城市社区数据组成样本数据集，记为o＝{o1,o2,
…
,on}，n为城市社区数量；
[0045]
距离矩阵计算模块，用于根据样本的位置数据，计算任意两个样本oi和oj之间的欧式距离进而得到距离矩阵d；
[0046]
密度距离计算模块，用于根据距离矩阵d计算样本的局部密度ρ和最短距离δ。
[0047]
优选地，所述位置选取单元包括：
[0048]
数据处理模块，用于对样本的局部密度ρ和最短距离δ进行归一化处理，然后计算ρ和δ的乘积γ，再对γ进行升序排序得到γ
*
；
[0049]
差值计算模块，用于针对γ
*
中的样本oi进行线性拟合，进而计算样本oi对应的估计值与γ
*
之间的差值δγ，如公式所示：
[0050][0051]
聚类中心集合确定模块，用于将差值δγ小于平均差值的点的最小下标记为m，将点下标大于m的样本添加到样本候选聚类中心集合r，的计算公式如下：
[0052][0053]
初始位置集合确定模块，用于在样本候选聚类中心集合r中删除局部密度小于其邻居样本局部密度最大值或最短距离小于其邻居样本最短距离最大值的样本，得到城市核酸检测点的初始位置集合r
*
，令k＝|r
*
|。
[0054]
优选地，所述最优布局确定单元用于：
[0055]
根据聚类中心集r
*
初始化粒子群，使用万有引力搜索算法根据适度值优化最终核酸检测点的布局；
[0056]
其中，使用z＝{z1,z2,...,zs}作为包含s个粒子的粒子群，每一个粒子zi包含k个聚类中心，第i个粒子是k*l维向量，
[0057][0058]
其中，ci表示第i个簇的聚类中心；其中，第一个粒子由密度峰聚类算法生成的r
*
个聚类中心组成，其余粒子随机生成；
[0059]
对于样本数据集o，采用欧氏距离计算oi和cj,两者之间的相似性，其中，oi∈o∧cj∈z
t
,i＝1,2,...,n,j＝1,2,...,k,t＝1,2,...,s，然后使用idz
t
(t＝1,2,...,s)将每个数据点分配到最近的群集中心，并且使用fit函数评估z
t
(t＝1,2,...,s)的适度值，fit函数的公式如下所示：
[0060][0061]
其中，popi为样本i的人口数，为样本的平均人口数；
[0062]
基于函数确定每个粒子在t时刻的w
t
、b
t
和质量m(t)，三者间的关系式如下：
[0063][0064][0065]
其中，w
t
表示t时刻值最小条件下的核酸检测点的取值，b
t
表示t时刻值最大条件下的粒子点的取值；
[0066]
然后，利用m(t)计算粒子的加速度根据粒子加速度计算粒子速度
[0067]
通过移动粒子位置更新粒子群，直到达到停止标准，最终得到最优解i＝{i1,i2,...,ik}；
[0068]
对于每个簇，计算每个簇中样本的平均坐标作为粒子点的最优布局；对于ii∈i，则最优粒子点的坐标计算公式如下：
[0069][0070][0071]
另外，本发明还提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行上述的自适应的城市核酸检测点布局方法。
[0072]
另外，本发明还提供一种处理器，其特征在于，用于运行程序，其中，所述程序被运
行时用于执行：如上述的自适应的城市核酸检测点布局方法。
[0073]
通过上述技术方案，本发明针对密度峰聚类算法选取聚类中心的主观性强的问题，使用线性拟合方法自适应选取聚类中心。针对密度峰聚类算法仅依赖局部密度对剩余样本进行分配同时容易形成类似“多米诺骨牌效应”的缺陷，对自适应选取的初始核酸检测点作为初始的粒子群并在万有引力搜索算法下进行剩余样本的分配，获得最优的核酸检测点的布局。
[0074]
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
[0075]
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
[0076]
图1是本发明一种自适应的城市核酸检测点布局方法的流程图；
[0077]
图2是本发明另一种自适应的城市核酸检测点布局方法的流程图；
[0078]
图3是本发明一种自适应的城市核酸检测点布局系统的模块框图。
具体实施方式
[0079]
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
[0080]
图1为本发明实施例提供的一种自适应的城市核酸检测点布局方法流程图，该方法包括如下步骤：
[0081]
s1、获取城市社区的位置坐标数据和人口数据；
[0082]
s2、计算社区间的距离，以及局部密度和最短距离；
[0083]
首先根据每个社区的位置坐标计算社区之间的距离，得到距离矩阵d，再根据距离矩阵计算出社区的局部密度ρ和最短距离δ，具体如下：
[0084]
步骤2.1：将提取到的城市社区数据组成样本数据集，记为o＝{o1,o2,
…
,on}，n为城市社区数量。
[0085]
步骤2.2：根据样本的位置数据，计算任意两个样本oi和oj之间的欧式距离进而得到距离矩阵d。
[0086]
步骤2.3：根据距离矩阵d计算样本的局部密度ρ和最短距离δ。
[0087]
s3、通过线性拟合自适应选取核酸检测点初始位置；
[0088]
城市核酸检测点的初始位置自适应选择方法具体包括如下步骤：
[0089]
步骤3.1：对样本的局部密度ρ和最短距离δ进行归一化处理，然后计算ρ和δ的乘积γ，再对γ进行升序排序得到γ
*
；
[0090]
步骤3.2：针对γ
*
中的样本oi进行线性拟合，进而计算样本oi对应的估计值与γ
*
之间的差值δγ，如公式所示：
[0091][0092]
步骤3.3：将差值δγ小于平均差值的点的最小下标记为m，将点下标大于m的
样本添加到样本候选聚类中心集合r，的计算公式如下：
[0093][0094]
步骤3.4：在样本候选聚类中心集合r中删除局部密度小于其邻居样本局部密度最大值或最短距离小于其邻居样本最短距离最大值的样本，得到城市核酸检测点的初始位置集合r
*
，令k＝|r
*
|；
[0095]
s4、采用万有引力搜索算法求解模型，得到核酸检测点最优布局。
[0096]
如图2所示，最终核酸检测点的布局优化具体如下：
[0097]
步骤4.1：根据聚类中心集r
*
初始化粒子群，使用万有引力搜索算法根据适度值优化最终核酸检测点的布局。
[0098]
使用z＝{z1,z2,...,zs}作为包含s个粒子的粒子群，每一个粒子zi包含k个聚类中心，第i个粒子是k*l维向量，其中ci表示第i个簇的聚类中心。其中
[0099]
第一个粒子由密度峰聚类算法生成的r
*
个聚类中心组成，其余粒子随机生成。
[0100]
步骤4.2：对于样本数据集o，采用欧氏距离计算oi和cj,两者之间的相似性，其中oi∈o∧cj∈z
t
,i＝1,2,...,n,j＝1,2,...,k,t＝1,2,...,s，然后使用idz
t
(t＝1,2,...,s)将每个数据点分配到最近的群集中心，并且使用fit函数评估z
t
(t＝1,2,...,s)的适度值，fit函数的公式如下所示：
[0101][0102]
其中popi为样本i的人口数，为样本的平均人口数。
[0103]
步骤4.3：基于函数确定每个粒子在t时刻的w
t
、b
t
和质量m(t)，三者间的关系式如下：
[0104][0105][0106]
其中w
t
表示t时刻值最小条件下的核酸检测点的取值，b
t
表示t时刻值最大条件下的粒子点的取值。
[0107]
然后，利用m(t)计算粒子的加速度根据粒子加速度计算粒子速度
[0108]
步骤4.4：通过移动粒子位置更新粒子群，直到达到停止标准，最终得到最优解i＝{i1,i2,...,ik}。
[0109]
步骤4.5：对于每个簇，计算每个簇中样本的平均坐标作为粒子点的最优布局。对于ii∈i，则最优粒子点的坐标计算公式如下：
[0110][0111][0112]
另外，本发明还提供一种自适应的城市核酸检测点布局系统，如图2所示，所述自适应的城市核酸检测点布局系统包括：
[0113]
数据获取单元，用于获取城市社区的位置坐标数据和人口数据；
[0114]
密度距离计算单元，用于根据城市社区的位置坐标数据计算城市社区间的距离及其对应的局部密度和最短距离；
[0115]
位置选取单元，用于基于所述局部密度和最短距离通过线性拟合自适应选取核酸检测点初始位置；以及
[0116]
最优布局确定单元，用于基于万有引力搜索算法求解模型和所述核酸检测点初始位置确定核酸检测点最优布局。
[0117]
优选地，所述密度距离计算单元包括：
[0118]
数据集组成模块，用于将提取到的城市社区数据组成样本数据集，记为o＝{o1,o2,
…
,on}，n为城市社区数量；
[0119]
距离矩阵计算模块，用于根据样本的位置数据，计算任意两个样本oi和oj之间的欧式距离进而得到距离矩阵d；
[0120]
密度距离计算模块，用于根据距离矩阵d计算样本的局部密度ρ和最短距离δ。
[0121]
优选地，所述位置选取单元包括：
[0122]
数据处理模块，用于对样本的局部密度ρ和最短距离δ进行归一化处理，然后计算ρ和δ的乘积γ，再对γ进行升序排序得到γ
*
；
[0123]
差值计算模块，用于针对γ
*
中的样本oi进行线性拟合，进而计算样本oi对应的估计值与γ
*
之间的差值δγ，如公式所示：
[0124][0125]
聚类中心集合确定模块，用于将差值δγ小于平均差值的点的最小下标记为m，将点下标大于m的样本添加到样本候选聚类中心集合r，的计算公式如下：
[0126][0127]
初始位置集合确定模块，用于在样本候选聚类中心集合r中删除局部密度小于其邻居样本局部密度最大值或最短距离小于其邻居样本最短距离最大值的样本，得到城市核酸检测点的初始位置集合r
*
，令k＝|r
*
|。
[0128]
优选地，所述最优布局确定单元用于：
[0129]
根据聚类中心集r
*
初始化粒子群，使用万有引力搜索算法根据适度值优化最终核酸检测点的布局；
[0130]
其中，使用z＝{z1,z2,...,zs}作为包含s个粒子的粒子群，每一个粒子zi包含k个
聚类中心，第i个粒子是k*l维向量，
[0131][0132]
其中，ci表示第i个簇的聚类中心；其中，第一个粒子由密度峰聚类算法生成的r
*
个聚类中心组成，其余粒子随机生成；
[0133]
对于样本数据集o，采用欧氏距离计算oi和cj,两者之间的相似性，其中，oi∈o∧cj∈z
t
,i＝1,2,...,n,j＝1,2,...,k,t＝1,2,...,s，然后使用idz
t
(t＝1,2,...,s)将每个数据点分配到最近的群集中心，并且使用fit函数评估z
t
(t＝1,2,...,s)的适度值，fit函数的公式如下所示：
[0134][0135]
其中，popi为样本i的人口数，为样本的平均人口数；
[0136]
基于函数确定每个粒子在t时刻的w
t
、b
t
和质量m(t)，三者间的关系式如下：
[0137][0138][0139]
其中，w
t
表示t时刻值最小条件下的核酸检测点的取值，b
t
表示t时刻值最大条件下的粒子点的取值；
[0140]
然后，利用m(t)计算粒子的加速度根据粒子加速度计算粒子速度
[0141]
通过移动粒子位置更新粒子群，直到达到停止标准，最终得到最优解i＝{i1,i2,...,ik}；
[0142]
对于每个簇，计算每个簇中样本的平均坐标作为粒子点的最优布局；对于ii∈i，则最优粒子点的坐标计算公式如下：
[0143][0144][0145]
本发明结合密度峰聚类和万有引力搜索方法，自适应地进行城市核酸检测点布局，提高了核酸检测点的服务面积和服务人口。可以有效实现医疗资源的最优化配置，提高核酸检测的效率，降低检测过程中的感染风险。针对密度峰聚类算法选取聚类中心的主观性强的问题，使用线性拟合方法自适应选取聚类中心。针对密度峰聚类算法仅依赖局部密度对剩余样本进行分配同时容易形成类似“多米诺骨牌效应”的缺陷，对自适应选取的初始核酸检测点作为初始的粒子群并在万有引力搜索算法下进行剩余样本的分配，获得最优的
核酸检测点的布局。
[0146]
另外，本发明还提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行上述的自适应的城市核酸检测点布局方法。
[0147]
另外，本发明还提供一种处理器，其特征在于，用于运行程序，其中，所述程序被运行时用于执行：如上述的自适应的城市核酸检测点布局方法。
[0148]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0149]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0150]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0151]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0152]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0153]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
[0154]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0155]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商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他要素，或者是还包括为这种过程、方法、商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“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0156]
本领域技术人员应明白，本技术的实施例可提供为方法、系统或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0157]
以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。
技术特征：1.一种自适应的城市核酸检测点布局方法，其特征在于，所述自适应的城市核酸检测点布局方法包括：获取城市社区的位置坐标数据和人口数据；根据城市社区的位置坐标数据计算城市社区间的距离及其对应的局部密度和最短距离；基于所述局部密度和最短距离通过线性拟合自适应选取核酸检测点初始位置；以及基于万有引力搜索算法求解模型和所述核酸检测点初始位置确定核酸检测点最优布局。2.根据权利要求1所述的自适应的城市核酸检测点布局方法，其特征在于，所述根据城市社区的位置坐标数据计算城市社区间的距离及其对应的局部密度和最短距离包括：将提取到的城市社区数据组成样本数据集，记为o＝{o1,o2,
…
,o
n
}，n为城市社区数量；根据样本的位置数据，计算任意两个样本o
i
和o
j
之间的欧式距离进而得到距离矩阵d；根据距离矩阵d计算样本的局部密度ρ和最短距离δ。3.根据权利要求1所述的自适应的城市核酸检测点布局方法，其特征在于，所述基于所述局部密度和最短距离通过线性拟合自适应选取核酸检测点初始位置包括：对样本的局部密度ρ和最短距离δ进行归一化处理，然后计算ρ和δ的乘积γ，再对γ进行升序排序得到γ
*
；针对γ
*
中的样本o
i
进行线性拟合，进而计算样本o
i
对应的估计值与γ
*
之间的差值δγ，如公式所示：将差值δγ小于平均差值的点的最小下标记为m，将点下标大于m的样本添加到样本候选聚类中心集合r，的计算公式如下：在样本候选聚类中心集合r中删除局部密度小于其邻居样本局部密度最大值或最短距离小于其邻居样本最短距离最大值的样本，得到城市核酸检测点的初始位置集合r
*
，令k＝|r
*
|。4.根据权利要求1所述的自适应的城市核酸检测点布局方法，其特征在于，所述基于万有引力搜索算法求解模型和所述核酸检测点初始位置确定核酸检测点最优布局包括：根据聚类中心集r
*
初始化粒子群，使用万有引力搜索算法根据适度值优化最终核酸检测点的布局；其中，使用z＝{z1,z2,...,z
s
}作为包含s个粒子的粒子群，每一个粒子z
i
包含k个聚类中心，第i个粒子是k*l维向量，其中，c
i
表示第i个簇的聚类中心；其中，第一个粒子由密度峰聚类算法生成的r
*
个聚类
中心组成，其余粒子随机生成；对于样本数据集o，采用欧氏距离计算o
i
和c
j,
两者之间的相似性，其中，o
i
∈o∧c
j
∈z
t
,i＝1,2,...,n,j＝1,2,...,k,t＝1,2,...,s，然后使用idz
t
(t＝1,2,...,s)将每个数据点分配到最近的群集中心，并且使用fit函数评估z
t
(t＝1,2,...,s)的适度值，fit函数的公式如下所示：其中，pop
i
为样本i的人口数，为样本的平均人口数；基于函数确定每个粒子在t时刻的w
t
、b
t
和质量m(t)，三者间的关系式如下：和质量m(t)，三者间的关系式如下：其中，w
t
表示t时刻值最小条件下的核酸检测点的取值，b
t
表示t时刻值最大条件下的粒子点的取值；然后，利用m(t)计算粒子的加速度根据粒子加速度计算粒子速度通过移动粒子位置更新粒子群，直到达到停止标准，最终得到最优解i＝{i1,i2,...,i
k
}；对于每个簇，计算每个簇中样本的平均坐标作为粒子点的最优布局；对于i
i
∈i，则最优粒子点的坐标计算公式如下：计算公式如下：5.一种自适应的城市核酸检测点布局系统，其特征在于，所述自适应的城市核酸检测点布局系统包括：数据获取单元，用于获取城市社区的位置坐标数据和人口数据；密度距离计算单元，用于根据城市社区的位置坐标数据计算城市社区间的距离及其对应的局部密度和最短距离；位置选取单元，用于基于所述局部密度和最短距离通过线性拟合自适应选取核酸检测点初始位置；以及最优布局确定单元，用于基于万有引力搜索算法求解模型和所述核酸检测点初始位置确定核酸检测点最优布局。6.根据权利要求5所述的自适应的城市核酸检测点布局系统，其特征在于，所述密度距离计算单元包括：数据集组成模块，用于将提取到的城市社区数据组成样本数据集，记为o＝{o1,o2,
…
,
o
n
}，n为城市社区数量；距离矩阵计算模块，用于根据样本的位置数据，计算任意两个样本o
i
和o
j
之间的欧式距离进而得到距离矩阵d；密度距离计算模块，用于根据距离矩阵d计算样本的局部密度ρ和最短距离δ。7.根据权利要求5所述的自适应的城市核酸检测点布局系统，其特征在于，所述位置选取单元包括：数据处理模块，用于对样本的局部密度ρ和最短距离δ进行归一化处理，然后计算ρ和δ的乘积γ，再对γ进行升序排序得到γ
*
；差值计算模块，用于针对γ
*
中的样本o
i
进行线性拟合，进而计算样本o
i
对应的估计值与γ
*
之间的差值δγ，如公式所示：聚类中心集合确定模块，用于将差值δγ小于平均差值的点的最小下标记为m，将点下标大于m的样本添加到样本候选聚类中心集合r，的计算公式如下：初始位置集合确定模块，用于在样本候选聚类中心集合r中删除局部密度小于其邻居样本局部密度最大值或最短距离小于其邻居样本最短距离最大值的样本，得到城市核酸检测点的初始位置集合r
*
，令k＝|r
*
|。8.根据权利要求5所述的自适应的城市核酸检测点布局系统，其特征在于，所述最优布局确定单元用于：根据聚类中心集r
*
初始化粒子群，使用万有引力搜索算法根据适度值优化最终核酸检测点的布局；其中，使用z＝{z1,z2,...,z
s
}作为包含s个粒子的粒子群，每一个粒子z
i
包含k个聚类中心，第i个粒子是k*l维向量，其中，c
i
表示第i个簇的聚类中心；其中，第一个粒子由密度峰聚类算法生成的r
*
个聚类中心组成，其余粒子随机生成；对于样本数据集o，采用欧氏距离计算o
i
和c
j,
两者之间的相似性，其中，o
i
∈o∧c
j
∈z
t
,i＝1,2,...,n,j＝1,2,...,k,t＝1,2,...,s，然后使用idz
t
(t＝1,2,...,s)将每个数据点分配到最近的群集中心，并且使用fit函数评估z
t
(t＝1,2,...,s)的适度值，fit函数的公式如下所示：其中，pop
i
为样本i的人口数，为样本的平均人口数；基于函数确定每个粒子在t时刻的w
t
、b
t
和质量m(t)，三者间的关系式如下：
其中，w
t
表示t时刻值最小条件下的核酸检测点的取值，b
t
表示t时刻值最大条件下的粒子点的取值；然后，利用m(t)计算粒子的加速度根据粒子加速度计算粒子速度通过移动粒子位置更新粒子群，直到达到停止标准，最终得到最优解i＝{i1,i2,...,i
k
}；对于每个簇，计算每个簇中样本的平均坐标作为粒子点的最优布局；对于i
i
∈i，则最优粒子点的坐标计算公式如下：计算公式如下：9.一种机器可读存储介质，该机器可读存储介质上存储有指令，其特征在于，该指令用于使得机器执行权利要求1-4中任意一项所述的自适应的城市核酸检测点布局方法。10.一种处理器，其特征在于，用于运行程序，其中，所述程序被运行时用于执行：如权利要求1-4中任意一项所述的自适应的城市核酸检测点布局方法。
技术总结本发明实施例提供一种自适应的城市核酸检测点布局方法，属于选址优化技术领域。包括：获取城市社区的位置坐标数据和人口数据；根据城市社区的位置坐标数据计算城市社区间的距离及其对应的局部密度和最短距离；基于所述局部密度和最短距离通过线性拟合自适应选取核酸检测点初始位置；以及基于万有引力搜索算法求解模型和所述核酸检测点初始位置确定核酸检测点最优布局。本发明使用密度峰聚类算法和线性拟合方法自适应选取出初始核酸检测点，然后根据聚类中心集合初始化粒子群，通过万有引力搜索算法根据适度值优化核酸检测点的布局，优化资源配置、提高检测效率和降低感染风险。提高检测效率和降低感染风险。提高检测效率和降低感染风险。
技术研发人员：孙丽萍 罗永龙 叶涛 黄帆 郭良敏 郑孝遥 俞庆英 陈付龙 陈韧
受保护的技术使用者：安徽师范大学
技术研发日：2022.07.19
技术公布日：2022/11/1
