Association de la génération procédurale et des algorithmes génétiques pour modéliser la croissance urbaine
Résumé
This paper proposes a method for modelling and optimising spatial influences in agent-based models by combining procedural generation with a genetic algorithm. Applied to an urban growth model, this method enables agents, representing residents, to make decisions based on their environment (e.g., proximity to roads encouraging construction). Procedural generation aids in modeling these influences, but the complexity of manually adjusting the parameters necessitates the use of a genetic algorithm for automatic optimization. The approach examines three spatial measures—Chamfer distance, kernel density, and density grid—to train the model and simulate the location of new housing. Experimental results demonstrate the method’s effectiveness, generality, and the critical role of fitness functions.
Cet article propose une méthode d'optimisation des influences spatiales dans des modèles multi-agents, en associant génération procédurale et algorithme génétique. Appliquée à un modèle de croissance urbaine, cette méthode permet aux agents, représentant les habitants, de prendre des décisions basées sur leur environnement (par exemple, la proximité d'une route favorisant la construction). La génération procédurale aide à modéliser ces influences, mais la complexité du réglage manuel des paramètres rend nécessaire l'usage d'un algorithme génétique afin de les optimiser automatiquement. L'approche étudie trois mesures spatiales (distance de Chamfer, densité de noyau, et grille de densité) pour entraîner le modèle, et simuler la localisation de nouvelles habitations. Les résultats expérimentaux démontrent l'efficacité de cette méthode, sa généricité et l'importance des fonctions de fitness.
Domaines
Intelligence artificielle [cs.AI]Origine | Fichiers éditeurs autorisés sur une archive ouverte |
---|---|
licence |