基于粒子群算法的原位体绘制参数设置算法

doi:10.3778/j.issn.1002-8331.1802-0008

计算机工程与应用 ›› 2019, Vol. 55 ›› Issue (11): 237-243.DOI: 10.3778/j.issn.1002-8331.1802-0008

基于粒子群算法的原位体绘制参数设置算法

洪天龙，解利军，何丽莎，倪忠义，郑耀

浙江大学航空航天学院，杭州 310027

出版日期:2019-06-01 发布日期:2019-05-30

Auto Tunning for In-Situ Volume Depth Image Generation Based on Particle Swarm Optimization Algorithm

HONG Tianlong, XIE Lijun, HE Lisha, NI Zhongyi, ZHENG Yao

School of Aeronautics and Astronautics, Zhejiang University, Hangzhou 310027, China

Online:2019-06-01 Published:2019-05-30

摘要/Abstract

摘要： 原位可视化是解决千万亿次科学计算数据分析的最有效途径。在原位进行体绘制时，使用体深度图像作为中间表示是一种备受关注的方法，但该方法的参数选择较为困难。对体深度图像的生成时间、数据压缩率和绘制质量三个指标进行了全面分析，确定了各参数对这些指标的影响方式，给出了一套可调控的评估体系，并利用粒子群算法的快速收敛性质在参数空间进行参数寻优，来自动设置绘制参数组。实验结果表明，该方法可以自动获取到最优参数组，而且速度比简单的网格搜索方法快一个数量级以上。

关键词: 原位可视化, 体深度图像, 粒子群算法, 科学可视化

Abstract: In-situ visualization is the most effective way for data analysis of peta-scale scientific computation. Volume Depth Image（VDI） is a promising method for in-situ volume rendering, while its parameter selection is a crucial nodus. After analysis of three main targets of VDI：generation time, data compression rate and rendering quality, this paper presents an auto parameter selection approach based on Particle Swarm Optimization（PSO） algorithm. First a set of evaluation functions is designed based on analysis of the effect of parameters to targets. Then the fast convergence property of the particle swarm algorithm is utilized to tune the parameters automatically for the generation of VDI. Experimental results show that this approach can get the optimal parameters set automatically and it is at least one magnitude faster than the grid search method.

Key words: in-situ visualization, volume depth image, Particle Swarm Optimization（PSO） algorithm, scientific visualization

洪天龙，解利军，何丽莎，倪忠义，郑耀. 基于粒子群算法的原位体绘制参数设置算法[J]. 计算机工程与应用, 2019, 55(11): 237-243.

HONG Tianlong, XIE Lijun, HE Lisha, NI Zhongyi, ZHENG Yao. Auto Tunning for In-Situ Volume Depth Image Generation Based on Particle Swarm Optimization Algorithm[J]. Computer Engineering and Applications, 2019, 55(11): 237-243.

[1]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[2]	朱佳莹，高茂庭. 融合粒子群与改进蚁群算法的AUV路径规划算法[J]. 计算机工程与应用, 2021, 57(6): 267-273.
[3]	李静星，杨有龙. 针对高维数据的马尔科夫毯特征选择[J]. 计算机工程与应用, 2021, 57(6): 58-66.
[4]	王嘉月，史立. 考虑电池损耗的电动冷藏车路径及充电策略[J]. 计算机工程与应用, 2021, 57(24): 283-289.
[5]	林炜星，王宇嘉，陈万芬，梁海娜. 基于多因子粒子群的高维数据特征选择算法[J]. 计算机工程与应用, 2021, 57(22): 199-207.
[6]	于国龙，赵勇，吴恋，崔忠伟. QPSO算法的改进及其在DBN参数优化中应用[J]. 计算机工程与应用, 2021, 57(10): 154-162.
[7]	周蓉，李俊，王浩. 基于灰狼优化的反向学习粒子群算法[J]. 计算机工程与应用, 2020, 56(7): 48-56.
[8]	杨华龙，陆婷，辛禹辰. 基于改进粒子群算法的异质车队二级IRP优化[J]. 计算机工程与应用, 2020, 56(22): 272-278.
[9]	覃凤婷，杨有龙，仇海全. 基于稀疏子空间的局部异常值检测算法[J]. 计算机工程与应用, 2020, 56(19): 152-159.
[10]	杨彦荣，宋荣杰，周兆永. 基于GAN-PSO-ELM的网络入侵检测方法[J]. 计算机工程与应用, 2020, 56(12): 66-72.
[11]	周琴，程立正. 层适应网格上求解奇异摄动问题的粒子群算法[J]. 计算机工程与应用, 2020, 56(11): 46-50.
[12]	胡雪娇，陈行健，赵南，薛卫. PSO_BFA优化词袋模型及蛋白质亚细胞定位预测[J]. 计算机工程与应用, 2020, 56(1): 165-171.
[13]	蒋丽1，2，叶润舟1，2，梁昌勇1，2，陆文星1，2. 改进的二阶振荡粒子群算法[J]. 计算机工程与应用, 2019, 55(9): 130-138.
[14]	张鑫1，邹德旋1，肖鹏1，喻秋2. 自适应简化粒子群优化算法及其应用[J]. 计算机工程与应用, 2019, 55(8): 250-263.
[15]	冯建新1，2，李慧1，2，刘治国1，2. 新型火焰颜色空间——IFCS[J]. 计算机工程与应用, 2019, 55(5): 203-210.

基于粒子群算法的原位体绘制参数设置算法

Auto Tunning for In-Situ Volume Depth Image Generation Based on Particle Swarm Optimization Algorithm

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics