一种基于人工鱼算法的城市发展参数的优化方法及装置与流程

1.本发明涉及数据挖掘与优化技术领域，特别是涉及一种基于人工鱼算法的城市发展参数的优化方法、装置、计算机设备及存储介质。

背景技术：

2.国内生产总值(gdp)代表了一个国家或地区所有常住单位在一定时期生产活动的最终结果，在评价一个国家或地区的经济表现方面发挥着重要作用。国内生产总值(gdp)与多个城市发展参数相关，如人口、经济等，通过优化这些参数可以达到gdp增长的目的。
3.然而通过城市发展参数来预测和优化gdp缺乏系统规范的方法。在城市发展参数优化方面，目前参数优化常采用人工率定的方法，但城市模型涉及的参数众多、关系复杂，且部分参数难以通过实验测定，仅依靠相关领域专家经验性判断，预测结果受人为因素干扰程度较高。同时人工率定效率受限于工作时间，且人力成本、资金、资源消耗大。
4.因此，亟需提出一种新的城市发展参数的优化方案，以解决上述问题。

技术实现要素：

5.为了解决现有技术的问题，本发明提供了一种基于人工鱼算法的城市发展参数的优化方法、装置、计算机设备以及存储介质，以解决现有技术中的城市发展参数的优化方法存在的预测结果受人为因素干扰程度较高、人工率定效率受限于工作时间影响以及人力成本、资金、资源消耗大等问题。
6.为解决上述一个或多个技术问题，本技术采用的技术方案是：
7.第一方面，提供了一种基于人工鱼算法的城市发展参数的优化方法，所述方法包括：
8.获取目标城市的第一区域的第一时间段对应的第一指标，所述第一指标至少包括第一人口指标和第一经济指标，所述第一经济指标至少包括所述第一区域对应的国内生产总值，所述第一区域为所述目标城市中的任一区域；
9.将所述第一人口指标以及除所述国内生产总值外的所述第一经济指标区域缩放处理后作为人工鱼的初始状态，将所述人工鱼的初始状态输入预先构建的神经网络模型计算得到国内生产总值的预测值；
10.初始化人工鱼算法的相关参数，并根据期望的年增长率确定初始化的当前月增长率；
11.基于所述当前月增长率以及初始化后的所述人工鱼算法的相关参数进行迭代计算，筛选出最优的人工鱼的状态以及对应的国内生产总值的预测值。
12.在一个具体的实施例中，在将所述人工鱼的初始状态输入预先构建的神经网络模型计算得到国内生产总值的预测值后，所述方法还包括：
13.将所述国内生产总值的预测值与所述第一区域对应的国内生产总值进行比较，在两者的差值小于预设阈值时，确定所述预先构建的神经网络模型满足使用要求。
14.在一个具体的实施例中，所述方法还包括神经网络模型的构建过程，包括：
15.获取目标城市的第二区域的第二时间段对应的第二指标，所述第二指标至少包括第二人口指标和第二经济指标，所述第二经济指标至少包括所述第二区域对应的国内生产总值，所述第二区域为所述目标城市中的任一区域但至少包括所述第一区域；
16.将所述第二人口指标以及除所述第二区域对应的国内生产总值外的所述第二经济指标区域缩放处理后作为输入值，将所述第二区域对应的国内生产总值区域缩放处理后作为预测值，构建训练数据；
17.利用所述训练数据基于预设神经网络算法训练获取神经网络模型。
18.在一个具体的实施例中，所述人工鱼算法的相关参数包括鱼算法的视野范围、移动步长、拥挤度因子、鱼规模以及鱼每次捕食时的尝试次数中的一个或多个。
19.在一个具体的实施例中，所述初始化人工鱼算法的相关参数包括：
20.根据所述第二区域的各个月对应的指标的差值的最大值确定鱼算法的视野范围；和/或，
21.根据所述第二区域的各个月对应的指标的差值的平均值确定移动步长。
22.在一个具体的实施例中，所述根据期望的年增长率确定初始化的当前增长率包括：
23.将期望的年增长率除以12作为初始化的当前月增长率。
24.在一个具体的实施例中，所述迭代计算包括执行觅食、聚以及追尾行为。
25.第二方面，对应于上述基于人工鱼算法的城市发展参数的优化方法，还提供了一种基于人工鱼算法的城市发展参数的优化装置，所述装置包括：
26.获取模块，用于获取目标城市的第一区域的第一时间段对应的第一指标，所述第一指标至少包括第一人口指标和第一经济指标，所述第一经济指标至少包括所述第一区域对应的国内生产总值，所述第一区域为所述目标城市中的任一区域；
27.处理模块，用于将所述第一人口指标以及除所述国内生产总值外的所述第一经济指标区域缩放处理后作为人工鱼的初始状态，将所述人工鱼的初始状态输入预先构建的神经网络模型计算得到国内生产总值的预测值；
28.设置模块，用于初始化人工鱼算法的相关参数，并根据期望的年增长率确定初始化的当前月增长率；
29.计算模块，用于基于所述当前月增长率以及初始化后的所述人工鱼算法的相关参数进行迭代计算，筛选出最优的人工鱼的状态以及对应的国内生产总值的预测值。
30.第三方面，还提供了一种计算机设备，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，当所述计算机程序被所述处理器执行时，实现所述基于人工鱼算法的城市发展参数的优化方法。
31.第四方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被执行时，实现所述基于人工鱼算法的城市发展参数的优化方法。
32.根据本发明提供的具体实施例，本发明公开了以下技术效果：
33.本发明提供的基于人工鱼算法的城市发展参数的优化方法、装置、计算机设备以及存储介质，方法包括获取目标城市的第一区域的第一时间段对应的第一指标，所述第
一指标至少包括第一人口指标和第一经济指标，所述第一经济指标至少包括所述第一区域对应的国内生产总值，所述第一区域为所述目标城市中的任一区域，将所述第一人口指标以及除所述国内生产总值外的所述第一经济指标区域缩放处理后作为人工鱼的初始状态，将所述人工鱼的初始状态输入预先构建的神经网络模型计算得到国内生产总值的预测值，初始化人工鱼算法的相关参数，并根据期望的年增长率确定初始化的当前月增长率，基于所述当前月增长率以及初始化后的所述人工鱼算法的相关参数进行迭代计算，筛选出最优的人工鱼的状态以及对应的国内生产总值的预测值。本技术通过结合神经网络与人工鱼算法建立了复杂城市的多维度参数优化模型，通过神经网络来建立城市多维度参数和gdp的对应关系，并在此基础上，利用人工鱼算法计算满足gdp增速时的各项优化参数，通过优化后的城市参数，可以反推指导城市的发展建设，制定人口、房价和务工的政策，同时确定创建公司和引入资本的指标。
附图说明
34.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，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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。
35.图1是本技术实施例1提供的基于人工鱼算法的城市发展参数的优化方法的流程图；
36.图2本技术实施例2提供基于人工鱼算法的城市发展参数的优化方法的流程图；
37.图3本技术实施例3提供的基于人工鱼算法的城市发展参数的优化装置的结构示意图；
38.图4本技术实施例4提供的计算机设备的架构图。
具体实施方式
39.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
40.如背景技术所述，目前在城市发展参数优化方面，参数优化通常采用人工率定的方法，但一方面，城市模型涉及的参数众多、关系复杂，且部分参数难以通过实验测定，仅依靠相关领域专家经验性判断，预测结果受人为因素干扰程度较高，另一方面，人工率定效率受限于工作时间，且人力成本、资金、资源消耗大。
41.面对上述需求与缺陷，本技术结合神经网络与人工鱼算法建立了复杂城市的多维度参数优化模型，通过神经网络来建立城市多维度参数和gdp的对应关系，并在此基础上，利用人工鱼算法计算满足gdp增速时的各项优化参数，通过优化后的城市参数，可以反推指导城市的发展建设，制定人口、房价和务工的政策，同时确定创建公司和引入资本的指标。
42.下面将结合附图和各个实施例，对本技术的方案进行详细介绍。
43.实施例一
44.图1是本技术实施例1提供的基于人工鱼算法的城市发展参数的优化方法的流程图，参照图1所示，该方法主要包括如下步骤：
45.步骤一、获取目标城市中各个区域的各项指标参数并建立数据库；
46.其中，各项指标参数主要包括两大母项，每一母项包括若干子项。具体地，两大母项包括但不限于人口指标、经济指标等，其中人口指标包括但不限于人口总数、区域内雇员总数等，经济指标包括但不限于公司总数、消费总量、资本总数、区域内平均房价、gdp等。这些数据都是城市发展的主要参考数据，可以了解城市的经济和发展状况。所有数据都可以通过网络爬虫获取已公开的数据。
47.具体实施时，可将获取到的目标城市的各项指标参数在数据库内分区域建表，数据按照一定时间段(如每一个月等)为一个时间序列。以上海为例，获取的上海市的各项指标参数在数据库内以浦东、嘉定、徐汇、静安等16个区域建表。
48.步骤二、神经网络训练；
49.具体地，从目标城市中任意选取一个区域，从上述步骤一建立的数据库中获取选取的区域在任意时间段(如任意一个月内)对应的各项指标数据，包括人口指标和经济指标，将人口指标中的人工总数、区域内雇员总数以及经济指标中的公司总数、消费总量、资本总数、区域内平均房价进行区域缩放后作为输入值，将gdp进行区域缩放后作为预测值，构建生成训练数据，利用训练数据基于预设神经网络算法训练获取神经网络模型。这里需要说明的是，从目标城市中选取的用于训练神经网络模型的的指标数据对应的区域应至少包括后续待预测的区域，即在一些情况下，用于训练神经网络模型的的指标数据对应的区域可以是待预测的区域，在另一些情况下，用于训练神经网络模型的的指标数据对应的区域可以是多个区域，但着多个区域应包括待预测的区域。
50.这里需要说明的是，本技术实施例中，对输入值进行区域缩放，可以增加数据的敏感度。本技术实施例中，区域缩放是利用两个最值(最大值和最小值)进行缩放，具体公式如下：
[0051][0052]
其中，该公式中y为区域缩放后的值，x为原始值，max(x)为原始值x所在集合的最大值，min(y)为所在集合的最小值。
[0053]
步骤三、重复上述步骤，对超参数进行调整，训练出精确度满足要求的模型；
[0054]
具体地，通过修改时间步长、模型初始化方法、优化器的选择、学习率、epochs、batch_size等超参数，可以得到精确度不同的模型，从中选取精确度最高的模型作为本技术实施例中的城市发展预测模型。
[0055]
这里需要说明的是，为保证模型预测的精确度，在训练神经网络模型过程中，要确保当月最新数据的预测值和实际值小于设计的阈值，这样可以将两者近似相等，同时总体均方差损失也要小于设定值。
[0056]
步骤四、初始化人工鱼算法的相关参数；
[0057]
具体地，本技术实施例中，人工鱼算法的相关参数包括但不限于鱼算法的视野范围visual、移动步长step、拥挤度因子δ、鱼规模n、鱼每次捕食时的尝试次数try_
time等。具体实施时，各项参数的初始化值可按如下规则进行设置：
[0058]
鱼算法的视野范围visual：指鱼视觉范围，初始化值可设置为数据库中各个月数值差值的最大值，并将这个最大值的数值除以30，实际意义为各项输入参数每日增长的最大值；
[0059]
移动步长step：指鱼移动一步的最大步长，初始化值可设置为数据库中各个月数值差值的平均值，并将这个平均值的数值除以30，实际意义为各项输入参数每日增长的平均值；
[0060]
拥挤度因子δ：指拥挤程度，初始化值可设置为[0，1)，该值会影响追尾和聚；
[0061]
鱼每次捕食时的尝试次数try_time：指鱼进行捕食行为时搜索周围环境更优解的次数，初始化值可根据用户实际需求进行设置，这里不做限制。
[0062]
步骤五、确定期望的年增长率，并根据该期望的年增长率确定初始化的当前增长率；
[0063]
具体地，期望的年增长率rate指用户所期望的国内生产总值的年增长率，其主要根据用户需求进行确定。本技术实施例中，初始化的当前月增长率cur_rate根据期望的年增长率rate确定，例如当期望的年增长率rate为一年的增长率时，则初始化的当前月增长率cur_rate设置为期望的年增长率rate的十二分之一，即cur_rate＝rate/12，依次类推，这里不在一一赘述。
[0064]
这里需要说明的是，本技术实施例中，人工鱼的状态用x＝{x1，x2......xn}向量表示，其中x1，x2......xn分别表示输入参数为人工总数、区域内雇员总数、公司总数、消费总量、资本总数、区域内平均房价等，即人口指标以及除国内生产总值外的经济指标；人工鱼所在的位置的食物浓度表示为y＝f(x)，其中y为目标函数的值，f(x)为上述步骤训练获取的神经网络模型，即y为x指标作为输入值时国内生产总值的预测值。
[0065]
本技术实施例中，同样需要对人工鱼的状态x以及人工鱼所在的位置的食物浓度y进行初始化，具体实施时，设定鱼中各人工鱼的状态x的初始化值为x
init
+(-1，1)之间的随机数*visual，对应地，初始的人工鱼所在的位置的食物浓度(即目标函数值)y
init
为x
init
作为输入值的预测值，这里不在一一赘述。
[0066]
步骤六、对人工鱼算法迭代寻优，迭代进行的条件是cur_rate＜＝rate，当鱼中最优目标函数值大于y
init
*(1+cur_rate)，cur_rate就会变为cur_rate+rate/12，并将该目标函数及其优化的状态x保存于结果集。结果集中的12个数据即为未来12个月中为达到gdp增速目标所需要的每个月的优化参数。
[0067]
具体地，本技术实施例中，迭代计算包括人工鱼算法的觅食、聚以及追尾行为等，具体如下：
[0068]
1、觅食行为：假设人工鱼的当前状态为xi，其感知范围内随机选择一个状态xj，将上述两个状态输入目标函数即(神经网络模型)分别获取对应的yi以及yj，如果yi＜yj，则向该方向前进一步：人工鱼位置增量＝[-1，1]之间随机数*人工鱼视野，反之，重新选择状态xj，判断是否满足前进条件，反复尝试try_time次后，如果仍不满足前进条件，则随机移动一步。
[0069]
2、聚行为：人工鱼的当前状态为xi，参考人工鱼视野范围内(x
j-xi所有元素的值均小于visual的值)的同伴数目nf及中心位置xc，如果中心位置对应的中心食物浓度与中心
伙伴数的比值大于拥挤因子和当前人工鱼食物浓度的乘积，表明伙伴中心有较多的食物且不太拥挤，则向伙伴中心位置前进一步：人工鱼的位置增量＝(0，1]之间随机数*人工鱼步长*(x
c-xi)/xi，否则执行觅食行为
[0070]
3、追尾行为：人工鱼的当前状态为xi，参考人工鱼视野范围内(x
j-xi所有元素的值均小于visual的值)的最大食物浓度y
best
和伙伴x
best
，如果x
best
对应的食物浓度与附件伙伴的比值大于拥挤因子和当前人工鱼食物浓度的乘积，表明x
best
有较高的食物浓度且周围不太拥挤，向x
best
方向前进一步：人工鱼的位置增量＝＝(0，1]之间随机数*人工鱼步长*(x
best-xi)/xi。
[0071]
实施例二
[0072]
对应于上述实施例一，本技术还提供了一种基于人工鱼算法的城市发展参数的优化方法，其中，本实施例中，与上述实施例一相同或相似的内容，可以参考上文介绍，后续不在赘述。参照图3所示，该方法包括如下步骤：
[0073]
s1：获取目标城市的第一区域的第一时间段对应的第一指标，所述第一指标至少包括第一人口指标和第一经济指标，所述第一经济指标至少包括所述第一区域对应的国内生产总值，所述第一区域为所述目标城市中的任一区域；
[0074]
s2：将所述第一人口指标以及除所述国内生产总值外的所述第一经济指标区域缩放处理后作为人工鱼的初始状态，将所述人工鱼的初始状态输入预先构建的神经网络模型计算得到国内生产总值的预测值；
[0075]
s3：初始化人工鱼算法的相关参数，并根据期望的年增长率确定初始化的当前月增长率；
[0076]
s4：基于所述当前月增长率以及初始化后的所述人工鱼算法的相关参数进行迭代计算，筛选出最优的人工鱼的状态以及对应的国内生产总值的预测值。
[0077]
具体地，目标城市即为待预测国内生产总值的城市，第一区域为目标城市中待预测国内生产总值的区域。第一时间段可以是任意一个月，也可以是任意一年，具体可根据实际需求设置，这里不做限制。例如，第一时间段可以为当前月，此时即表示将目标城市的第一区域的当前月的指标数据作为人工鱼算法的初始状态。
[0078]
作为一种较优的实施方式，本技术实施例中，在将所述人工鱼的初始状态输入预先构建的神经网络模型计算得到国内生产总值的预测值后，所述方法还包括：
[0079]
将所述国内生产总值的预测值与所述第一区域对应的国内生产总值进行比较，在两者的差值小于预设阈值时，确定所述预先构建的神经网络模型满足使用要求。
[0080]
具体地，使用神经网络模型进行预测时，需确保当月最新数据的预测值和实际值小于设计的阈值，这样可以将两者近似相等，同时总体均方差损失也要小于设定值，从而保证预测的准确性。
[0081]
作为一种较优的实施方式，本技术实施例中，所述方法还包括神经网络模型的构建过程，包括：
[0082]
获取目标城市的第二区域的第二时间段对应的第二指标，所述第二指标至少包括第二人口指标和第二经济指标，所述第二经济指标至少包括所述第二区域对应的国内生产总值，所述第二区域为所述目标城市中的任一区域但至少包括所述第一区域；
[0083]
将所述第二人口指标以及除所述第二区域对应的国内生产总值外的所述第二经
济指标区域缩放处理后作为输入值，将所述第二区域对应的国内生产总值区域缩放处理后作为预测值，构建训练数据；
[0084]
利用所述训练数据基于预设神经网络算法训练获取神经网络模型。
[0085]
作为一种较优的实施方式，本技术实施例中，所述人工鱼算法的相关参数包括鱼算法的视野范围、移动步长、拥挤度因子、鱼规模以及鱼每次捕食时的尝试次数中的一个或多个。
[0086]
作为一种较优的实施方式，本技术实施例中，所述初始化人工鱼算法的相关参数包括：
[0087]
根据所述第二区域的各个月对应的指标的差值的最大值确定鱼算法的视野范围；和/或，
[0088]
根据所述第二区域的各个月对应的指标的差值的平均值确定移动步长。
[0089]
具体地，鱼算法的视野范围的初始化值可设置为数据库中各个月数值差值的最大值，并将这个最大值的数值除以30，表示各项输入参数每日增长的最大值，移动步长的初始化值可设置为数据库中各个月数值差值的平均值，并将这个平均值的数值除以30，表示为各项输入参数每日增长的平均值。
[0090]
作为一种较优的实施方式，本技术实施例中，所述根据期望的年增长率确定初始化的当前增长率包括：
[0091]
将期望的年增长率除以12作为初始化的当前月增长率。
[0092]
具体地，当期望的年增长率为第二区域未来一年的国内生产总值的增长率时，可先根据期望的年增长率确定初始化的当前月增长率。
[0093]
作为一种较优的实施方式，本技术实施例中，所述迭代计算包括执行觅食、聚以及追尾行为。
[0094]
实施例三
[0095]
对应于上述实施例一和二，本技术还提供了一种基于人工鱼算法的城市发展参数的优化装置，其中，本实施例中，与上述实施例一和二相同或相似的内容，可以参考上文介绍，后续不再赘述。参照图4示，该装置包括如下步骤：
[0096]
获取模块，用于获取目标城市的第一区域的第一时间段对应的第一指标，所述第一指标至少包括第一人口指标和第一经济指标，所述第一经济指标至少包括所述第一区域对应的国内生产总值，所述第一区域为所述目标城市中的任一区域；
[0097]
处理模块，用于将所述第一人口指标以及除所述国内生产总值外的所述第一经济指标区域缩放处理后作为人工鱼的初始状态，将所述人工鱼的初始状态输入预先构建的神经网络模型计算得到国内生产总值的预测值；
[0098]
设置模块，用于初始化人工鱼算法的相关参数，并根据期望的年增长率确定初始化的当前增长率；
[0099]
计算模块，用于基于所述当前月增长率以及初始化后的所述人工鱼算法的相关参数进行迭代计算，筛选出最优的人工鱼的状态以及对应的国内生产总值的预测值。
[0100]
实施例四
[0101]
对应上述实施例一至三，本技术还提供了一种计算机设备，包括：处理器和存储器，存储器上存储有可在处理器上运行的计算机程序，当计算机程序被处理器执行时，执行
上述任意一个实施例提供的基于人工鱼算法的城市发展参数的优化方法。
[0102]
其中，图4示例性的展示出了计算机设备，具体可以包括处理器1510，视频显示适配器1511，磁盘驱动器1512，输入/输出接口1513，网络接口1514，以及存储器1520。上述处理器1510、视频显示适配器1511、磁盘驱动器1512、输入/输出接口1513、网络接口1514，与存储器1520之间可以通过通信总线1530进行通信连接。
[0103]
其中，处理器1510可以采用通用的cpu(central processing unit，中央处理器)、微处理器、应用专用集成电路(application specific integrated circuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本发明所提供的技术方案。
[0104]
存储器1520可以采用rom(read only memory，只读存储器)、ram(random access memory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1520可以存储用于控制电子设备运行的操作系统1521，用于控制电子设备的低级别操作的基本输入输出系统(bios)。另外，还可以存储网页浏览器1523，数据存储管理系统1524，以及设备标识信息处理系统1525等等。上述设备标识信息处理系统1525就可以是本发明实施例中具体实现前述各步骤操作的应用程序。总之，在通过软件或者固件来实现本发明所提供的技术方案时，相关的程序代码保存在存储器1520中，并由处理器1510来调用执行。
[0105]
输入/输出接口1513用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
[0106]
网络接口1514用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信。
[0107]
总线包括一通路，在设备的各个组件(例如处理器1510、视频显示适配器1511、磁盘驱动器1512、输入/输出接口1513、网络接口1514，与存储器1520)之间传输信息。
[0108]
另外，该电子设备还可以从虚拟资源对象领取条件信息数据库中获得具体领取条件的信息，以用于进行条件判断，等等。
[0109]
需要说明的是，尽管上述设备仅示出了处理器1510、视频显示适配器1511、磁盘驱动器1512、输入/输出接口1513、网络接口1514，存储器1520，总线等，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本发明方案所必需的组件，而不必包含图中所示的全部组件。
[0110]
实施例五
[0111]
对应于上述实施例一至四，本技术实施例还提供了一种计算机可读存储介质，其中，本实施例中，与上述实施例一至四相同或相似的内容，可以参考上文介绍，后续不再赘述。
[0112]
所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上所述的基于人工鱼算法的城市发展参数的优化方法。
[0113]
在一些实施方式中，本技术实施例中，所述计算机程序被处理器执行时，还可以实现与实施例一所述方法对应的步骤，可以参考实施例一中的详细描述，此处不作赘述。
[0114]
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。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)执行本发明各个实施例或者实施例的某些部分所述的方法。
[0115]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统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劳动的情况下，即可以理解并实施。
[0116]
以上对本发明所提供的技术方案，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：

1.一种基于人工鱼算法的城市发展参数的优化方法，其特征在于，所述方法包括：获取目标城市的第一区域的第一时间段对应的第一指标，所述第一指标至少包括第一人口指标和第一经济指标，所述第一经济指标至少包括所述第一区域对应的国内生产总值，所述第一区域为所述目标城市中的任一区域；将所述第一人口指标以及除所述国内生产总值外的所述第一经济指标区域缩放处理后作为人工鱼的初始状态，将所述人工鱼的初始状态输入预先构建的神经网络模型计算得到国内生产总值的预测值；初始化人工鱼算法的相关参数，并根据期望的年增长率确定初始化的当前月增长率；基于所述当前月增长率以及初始化后的所述人工鱼算法的相关参数进行迭代计算，筛选出最优的人工鱼的状态以及对应的国内生产总值的预测值。2.根据权利要求1所述的基于人工鱼算法的城市发展参数的优化方法，其特征在于，在将所述人工鱼的初始状态输入预先构建的神经网络模型计算得到国内生产总值的预测值后，所述方法还包括：将所述国内生产总值的预测值与所述第一区域对应的国内生产总值进行比较，在两者的差值小于预设阈值时，确定所述预先构建的神经网络模型满足使用要求。3.根据权利要求1所述的基于人工鱼算法的城市发展参数的优化方法，其特征在于，所述方法还包括神经网络模型的构建过程，包括：获取目标城市的第二区域的第二时间段对应的第二指标，所述第二指标至少包括第二人口指标和第二经济指标，所述第二经济指标至少包括所述第二区域对应的国内生产总值，所述第二区域为所述目标城市中的任一区域但至少包括所述第一区域；将所述第二人口指标以及除所述第二区域对应的国内生产总值外的所述第二经济指标区域缩放处理后作为输入值，将所述第二区域对应的国内生产总值区域缩放处理后作为预测值，构建训练数据；利用所述训练数据基于预设神经网络算法训练获取神经网络模型。4.根据权利要求1至3任一项所述的基于人工鱼算法的城市发展参数的优化方法，其特征在于，所述人工鱼算法的相关参数包括鱼算法的视野范围、移动步长、拥挤度因子、鱼规模以及鱼每次捕食时的尝试次数中的一个或多个。5.根据权利要求4所述的基于人工鱼算法的城市发展参数的优化方法，其特征在于，所述初始化人工鱼算法的相关参数包括：根据所述第二区域的各个月对应的指标的差值的最大值确定鱼算法的视野范围；和/或，根据所述第二区域的各个月对应的指标的差值的平均值确定移动步长。6.根据权利要求1至3任一项所述的基于人工鱼算法的城市发展参数的优化方法，其特征在于，所述根据期望的年增长率确定初始化的当前月增长率包括：将期望的年增长率除以12作为初始化的当前月增长率。7.根据权利要求1至3任一项所述的基于人工鱼算法的城市发展参数的优化方法，其特征在于，所述迭代计算包括执行觅食、聚以及追尾行为。8.一种基于人工鱼算法的城市发展参数的优化装置，其特征在于，所述装置包括：
获取模块，用于获取目标城市的第一区域的第一时间段对应的第一指标，所述第一指标至少包括第一人口指标和第一经济指标，所述第一经济指标至少包括所述第一区域对应的国内生产总值，所述第一区域为所述目标城市中的任一区域；处理模块，用于将所述第一人口指标以及除所述国内生产总值外的所述第一经济指标区域缩放处理后作为人工鱼的初始状态，将所述人工鱼的初始状态输入预先构建的神经网络模型计算得到国内生产总值的预测值；设置模块，用于初始化人工鱼算法的相关参数，并根据期望的年增长率确定初始化的当前月增长率；计算模块，用于基于所述当前月增长率以及初始化后的所述人工鱼算法的相关参数进行迭代计算，筛选出最优的人工鱼的状态以及对应的国内生产总值的预测值。9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，当所述计算机程序被所述处理器执行时，实现权利要求1～7中任一项所述的基于人工鱼算法的城市发展参数的优化方法。10.一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，其特征在于，所述计算机程序被执行时，实现权利要求1～7中任一项所述的基于人工鱼算法的城市发展参数的优化方法。

技术总结

本申请提供了一种基于人工鱼算法的城市发展参数的优化方法、装置、计算机设备以及存储介质，通过结合神经网络与人工鱼算法建立了复杂城市的多维度参数优化模型，通过神经网络来建立城市多维度参数和GDP的对应关系，并在此基础上，利用人工鱼算法计算满足GDP增速时的各项优化参数，通过优化后的城市参数，可以反推指导城市的发展建设，制定人口、房价和务工的政策，同时确定创建公司和引入资本的指标。的指标。的指标。