CN108536849B - 一种浮标数据的多目标关联度增量优化划分方法 - Google Patents

Abstract

本发明提供了一种浮标数据的多目标关联度增量优化划分方法，包括以下步骤：计算浮标和微区的表达因子层；置入新浮标至关联程度最高的微区内；判断AB‑Graph约束层；优化现有AB‑Graph使其满足增量优化划分约束。本发明根据数据间的关联性提出了一种浮标数据的多目标关联度增量优化划分方法，可实现海洋传感数据最优的动态分布式布局存储，为海洋灾害发生时提供快速高效的数据访问服务。

Description

一种浮标数据的多目标关联度增量优化划分方法

技术领域

本发明涉及海洋数据的动态划分处理方法，具体地说，涉及一种浮标数据的多目标关联度增量优化划分方法。

背景技术

海洋传感图广泛应用在世界各地，大范围地收集全球海洋的海水温度、盐度等剖面资料，并应用在灾害分析与海洋现象研究中，Antonia设计和开发了一个符合ISO 19115和SeaDataNet标准的新信息***，以管理大量和多样化的海洋数据和信息。设计了混合***来优化存储能力和速度响应，最后存储在关系数据库内。Aguzzi描述了SeafloorObservatory(OBSEA)的各种组件，及其基于重叠服务层的模型的数据采集与传输方法，并且能与其他海洋传感器的数据结合。Palazov提出了基于自动仿形浮标作为欧洲Argo网络的组件。所有仪器都通过内联网连接到通信***，测量数据被传输到中央收集***存储在数据库中。通过互联网/内部网在浏览器的帮助下为不同用户组提供查询服务。Oh提出浮标运动监测***，使用信号处理算法将测量的数据传输到岸上的PC。通过应用运动监测***开发浮标的监测和管理机制。Xu对应用在海洋监测中最先进的无线传感器网络技术进行全面审查，提出了基于WSN的海洋监测***的通用架构，海洋传感器节点的通用架构，以及无线通信技术。Novellino等人提出一个海洋观测和数据信息***，提供接近实时和历史数据的单点访问。应用WMS服务，Web服务和Web目录对数据进行交互。Hedde基于无监督机器学习并考虑分散的异常检测，在传感器节点上检测异常。研究其聚合的邻域数据，评估其邻域大小与时空相关性，管理复杂的无线传感器网络。上述现有技术分别从传感器数据的存储架构、存储环境、传输方法等数据管理方面进行研究，然而在数据存储时没有考虑传感器间的相关性，分析传感器间的相关性对数据进行布局提升数据检索效率。

图模型是研究强关联数据的一种高效方法，将数据构建为图模型的顶点，数据间的相关性构建为图模型的边，可实现对复杂海洋传感数据的模块化管理及分析。海洋传感数据是一种典型的强关联数据，将海洋传感数据构建成图模型，应用图划分方法对其进行划分后存储，得到最优的数据布局结果，可满足快速的数据检索及应用需求。

图的增量优化方法是在不影响原有划分质量的前提下，用来处理图模型中顶点或边动态变化时的快速响应策略。图的增量优化方法可妥善安置图模型中新的顶点并对现有布局进行调整，使划分整体仍满足最优的数据管理需求。因此，图的增量优化方法对海洋传感数据的高效管理具有重要的价值。传统的动态处理方法通常使用顶点迁移策略，例如动态MizanSUANFA主要被用来负载平衡，xDGP算法和X-pregel算法主要针对交通网络。Vaquero et al.提出了一种仅需要本地信息的迭代的顶点迁移策略来减少运算时间，适用于大规模图数据改变的场景。这些成熟的多目标划分方法已经广泛的使用于交通、医疗、电力网和其他领域，但是没有一个已经被成功应用于海洋传感图中。

期刊文献《湖南大学学报》，2013年5月，第40卷第5期，刊出的论文“一种增量式多目标优化的智能交通路径诱导方法”，提出了一种基于增量搜索的多目标优化路径诱导方法，该方法首先利用图论法将复杂路网抽象为点线的赋权图，引入多目标优化变量，建立路网模型，然后在启发式搜索基础上引入增量搜索，结合全局规划和局部动态重规划，实现车辆的实时路径诱导，仿真结果表明该方法能有效地解决复杂路网中车辆的实时路径诱导问题。

专利文献CN105117497A，公开日2015.12.02，公开了一种基于Spark云网络的海洋大数据主从索引***及方法，尤其适用于具有空间自相关性、强相似性、实时等特点的海洋大数据；将大数据时代物联网、云计算等技术应用于分布式索引领域，以物联网作为海洋信息采集的触角，依托聚类思想设计数据划分策略，并将数据分布式部署和存储到各物理云；结合多层主从索引结构实现多源海洋数据快速一站式调用，满足各类海上预警及应急模型中高性能计算、强实时反馈、高频度查询等需求。

然而，目前还未见一种浮标数据的多目标关联度增量优化划分方法。

发明内容

本发明的目的是针对现有技术中的不足，提供一种浮标数据的多目标关联度增量优化划分方法。

为实现上述目的，本发明采取的技术方案是：

一种浮标数据的多目标关联度增量优化划分方法，包括以下步骤：

S1，计算浮标和微区的表达因子层；

S2，置入新浮标至关联程度最高的微区内；

S3，判断AB-Graph约束层；

S4，优化现有AB-Graph使其满足增量优化划分约束。

优选地，步骤S1具体包括以下步骤：

S101，分析历次台风灾害时，受影响的浮标情况，

S102，分析受影响的浮标与其所属微区的关系，

S103，定义浮标与所属微区的关联度表达因子，

S104，计算所有浮标的关联度因子。

优选地，步骤S2具体包括以下步骤：

S201，通过历史台风时间，计算新浮标与现存各个微区间的关联程度，

S202，比较新浮标与各个微区间的关联性强弱，

S203，将新浮标置入关联程度最高的微区内。

优选地，步骤S3具体包括以下步骤：

S301，判断AB-Graph中的各个微区是否存在单个饱和、剩余不饱和情况，

S302，判断AB-Graph中的各个微区是否存在均饱和情况，

S303，判断AB-Graph中的各个微区是否存在均不饱和情况。

优选地，步骤S4具体优化方法为：

S401，置入后该微区规模大于预定义微区规模且仍存在有剩余空间的微区，则进行顶点迁移对现有划分进行调整，

S402，置入后该微区规模大于预定义微区规模且其余微区均已满额，则对预定义的微区规模进行扩充，

S403，置入后该微区规模未大于预定义的微区规模，则直接将其置入该微区。

优选地，在优化现有AB-Graph使其满足增量优化划分约束的算法中，计算个体表达因子的时间复杂度为Ο(N)，执行顶点迁移算法的时间复杂度为Ο(N)，因此，算法整体的时间复杂度为Ο(N)。

优选地，所述AB-Graph定义如下：

AB-Graph＝(V,E)为一个无向图，V＝{v_i；i＝1,2,…,|V|}是图AB-Graph中|V|个Argo浮标的集合，E＝{e_ij；i,j＝1,2,…, |V| ；i≠j；e_ij＝e_ji}是|E|个边的集合，e_ij连接顶点 v_i与vj；

边e_ij∈E的权值：被某一台风涉及的浮标顶点子集V′＝{v′_i；i＝1,2,…,|V′|}，对

且i≠j，则边e_ij权值增加1。

优选地，浮标在微区内的关联度表达的定义如下：

浮标与微区的关联度评价因子

其中 Ty是台风个数，d_lk＝1第示l条台风与M_k微区相关,l＝1,2,…,Ty；k＝1,2,…,MN，反之亦然；E_it表示浮标v_i是否被第t次台风影响范围，若E_it＝1表示浮标v_i受第t次台风影响范围，反之亦然，若

的取值越接近1表示浮标v_i与微区 M_k关系越紧密。

本发明优点在于：

本发明首先为海洋传感图基于NSGA-II提出了一个多目标平衡划分方法，可使微区内的传感器相关性最大化，微区间的传感器相关性最小化，并实现了微区规模平衡与跨微区通信时间最小化，该静态划分方法为海洋传感数据提供了基础的布局结果；随后本发明基于顶点迁移方法构建了一个增量优化策略来持续不断的优化现有布局结果。

与现有新兴的图和超图划分方法例如MHP及WVD相比，本发明提出的方法在大规模真实场景中能够较容易取得高质量的可行解，并且具备较快的收敛速度。另外，该方法能够很容易通过用户需要微调多目标需求来得到不同的优化解，在面对复杂的海洋传感图变化时，该方法能够在不产生明显退化的前提下快速得到新的划分结果，为海洋灾害发生时提供快速高效的数据访问服务。

附图说明

附图1是一条台风穿过划分A2，A3的实例。

附图2是当浮标个数增加时三种方法在边保留比θ上的变化情况。

附图3是当浮标个数增加时三种方法在边保留比f₂上的变化情况。

附图4是本发明的浮标数据的多目标关联度增量优化划分方法的整体架构图。

具体实施方式

下面结合附图对本发明提供的具体实施方式作详细说明。

实施例1

本文主要针对大规模海洋传感数据的动态高效布局问题进行研究。本文将海洋传感图抽象为AB-Graph作为主要研究对象，对其展开了详细的分析。针对划分后的AB-Graph最优布局方案，在面对动态变化的海洋传感图内新部署和退役的各类观测设备，本文首先根据历史海洋事件定义了设备与所属微区的关联程度，其次构建了AB-Graph增量优化算法，在满足多目标划分约束的前提下，动态调整现有的布局，使整体划分结果不产生明显退化。实验表明，与动态Hash划分相比，增量优化策略可以在新增观测设备时对图现有划分进行调优，证明了算法的有效性；与复划分方法相比，增量优化策略得到的边保留比与其结果相似，证明了算法的可靠性；在运算时间上，动态优化策略的运算时间远远小于复划分方法，避免了大规模顶点迁移状况，有效的节省了跨节点通信成本。最后对本文的整体划分效果进行了检验，85.86％的历史台风在检索时仅需要1到2个微区，证明了本发明方法的高效性。本发明实现了一个相对完善的浮标数据存储布局，在跨海区灾害发生时，能够为海洋应急预警、预报、台风资料分析提供高效的检索方式，从而提高模式的预报精度，促进业务化常规预报的质量、数值模式数据同化的效果、防灾减灾与应急预报决策的正确制定以及维权执法等海上活动的保障能力。

下面首先对浮标关系图进行描述和定义，利用Eros时间序列相似性度量算法分析台风对浮标的影响程度，计算浮标与浮标间影响系数；再对海区浮标多目标划分进行公式化阐述，之后利用遗传算法对海区浮标进行划分。

1 AB-Graph的定义

定义1.AB-Graph＝(V,E)为一个无向图，V＝{v_i；i＝1,2,…,|V|}是图AB-Graph中|V|个Argo浮标的集合，相似的，E＝{e_ij；i,j＝1,2,…,|V| ；i≠j；e_ij＝e_ji}是|E|个边的集合，e_ij连接顶点v_i与vj。

定义2.边e_ij∈E的权值：被某一台风涉及的浮标顶点子集 V′＝{v′_i；i＝1,2,…,|V′|}，对

且i≠j，则边e_ij权值增加1。

海洋传感图中的各类传感器存在新部署与退役的情况，因此AB-Graph是一个典型的动态图。在浮标部署后，由于其历史数据需要保留，所以只需考虑浮标增加的情况，并根据历次台风评估新浮标及历史浮标与各个微区的关联度，构建适用于AB-Graph的动态划分方法，其主要分为2个步骤：首先利用历次台风灾害对浮标设计了与其所属微区的关联度因子，来表示该浮标对当前微区的关联程度，其次构造了AB-Graph的自适应平衡划分方法，动态的处理 AB-Graph中由于顶点数量增加对原有划分引起的变化。

2问题描述

良好的数据布局可以在数据检索时提供低延迟保障，为各类海洋灾害及时间提供快速可靠的数据支撑。基于NSGA-II的AB-Graph多目标平衡划分方法为海洋传感数据提供了高质量的可行解，但是海洋传感设备在海洋中存在高频率的部署和退役，导致AB-Graph中的顶点和边存在频繁的更迭。为了保证可行解的质量，需要每次重复进行运算，造成数据布局结果不稳定、重复布局时间缓慢、数据迁移频率高，导致在实际应用中不能及时有效的获取海洋传感数据。如何应对频繁的设备增删，是影响海洋传感数据快速使用的核心问题之一。下面针对该问题，分析浮标在所属微区的关联度作为判断浮标归属的依据，并提出一种划分后的AB-Graph增量优化算法。

3浮标在微区内的关联度表达

对于新增浮标，本文利用历史台风数据对浮标与微区进行关联度评价，计算浮标新增至AB-Graph时的初始微区。本节对浮标在微区内的关联度表达进行了定义如下：

定义1.浮标与微区的关联度评价因子

其中 Ty是台风个数，d_lk＝1第示l条台风与M_k微区相关,l＝1,2,…,Ty；k＝1,2,…,MN，反之亦然；E_it表示浮标v_i是否被第t次台风影响范围，若E_it＝1表示浮标v_i受第t次台风影响范围，反之亦然，若

的取值越接近1表示浮标v_i与微区M_k关系越紧密。

例如图1中所示，某次台风经过AB-Graph后，横跨了A2、A3两个微区，以台风半径kkm里为影响范围，则在A2区域中，浮标V₂₃及V₂₄受该台风影响，故E_it为1，相似的A3区域中的V₃₁及V₃₂的E_it值也为1，而A2中的V₂₁、V₂₂、 V₂₄则不受该次台风影响，在仅考虑当次台风的情况下，其

值小于同属于 A2微区的V₂₃、V₂₄，表明该浮标与所属微区相关性较低。

4划分后AB-Graph的增量优化算法

AB-Graph的自适应平衡划分方法包括2个步骤，首先对新增浮标计算其与现存微区的关联度评价

将其部署在关联度评价最高的微区内并填充相邻边权值信息；其次判断置入新浮标后是否破坏了当前现有的浮标划分约束，分为以下三种情况：1)置入后该微区规模大于预定义微区规模且仍存在有剩余空间的微区，则进行顶点迁移对现有划分进行调整；2)置入后该微区规模大于预定义微区规模且其余微区均已满额，则对预定义的微区规模进行扩充； 3)置入后该微区规模未大于预定义的微区规模，则直接将其置入该微区。通过以上三种情况的判断，改善现有划分结果，满足初始划分约束，适应浮标数量变化后对现有划分的影响，限制划分效果的退化程度。

算法分析：在该算法中，计算个体表达因子的时间复杂度为Ο(N)，执行顶点迁移算法的时间复杂度为Ο(N)，因此，算法整体的时间复杂度为Ο(N)。该增量优化方法综合考虑了3种浮标新增至AB-Graph的情况，相较于贪婪增量算法，可以有效保证整个划分的质量不产生明显退化，不违背初始的划分约束并对现有划分进行调整，快速产生新的布局结果。

5划分后的AB-Graph增量划分效果分析

实验选用种群规模为100，划分4个微区对本发明提出的AB-Graph增量优化策略与Hash动态划分方法及复划分方法进行了对比，从边保留比θ、跨微区通信时间f₂及运算时间三个角度，分析自适应动态划分效果。

首先测试动态增加浮标后，增量优化策略、哈希动态划分与复划分方法在边保留比θ上的变化状况。目前AB-Graph共有53个顶点，为了限制新增浮标数量过大对原始图的影响，本发明在中国海域随机生成浮标总数的20％，取整后共10个浮标进行实验，见图2。

由图2可见，Hash动态划分在浮标数增加时，较少考虑现有AB-Graph顶点间的相关性，在“0728”浮标置入时达到了最低值61.98％，与初始状态相差 7.51％，边保留比θ退化严重；本发明提出的增量优化策略，随着浮标数增加，边保留比θ围绕在68.68％上下波动，变化趋势平稳，在浮标编号“0721”、“0723”、“0727”、“0729”新增至图内时θ开始回升，表明自适应动态划分方法可以在新增观测设备时对图现有划分进行调优，证明了自适应顶点迁移策略的有效性；与复划分方法相比较，其在浮标编号“0721”、“0723”、“0727”、“0729”新增至图内时θ也产生了回升，在浮标编号“0726”置入AB-Graph时，边保留比θ仅相差0.01％，表明增量优化策略与复划分方法对边保留比θ影响效果相似，划分结果可靠。从整体角度，复划分方法在边保留比θ上仅略微高于增量优化策略，表明增量优化策略可以较好应用于浮标新增的场景。

其次，对三种方法在跨微区通信时间f₂上进行了对比，见图3。

由图3可见，Hash动态划分方法随着浮标个数增加，f₂在浮标“0724”置入时提高至129.03ms，在浮标“0728”置入时提高至133.33ms，与增量优化策略相比跨微区通信时间增长明显；复划分方法在浮标置入时，跨微区通信时间波动明显，表明复划分方法在f₂上有较高的不稳定性，顶点迁移频繁，增加了生产环境的通信成本。自适应划分方法与其他两种方法相比在f₂上变化稳定，表明该方法能够在浮标增加时，逐步改善图内划分状况，有效控制了顶点迁移次数，使AB-Graph具有较高的稳定性。

在运算时间上，增量优化策略平均置入一个新浮标的时间为11.40ms，复划分算法在种群规模为100，划分为4个微区时的平均运算时间为21314.70ms，因此随着AB-Graph规模的增加，在同时置入浮标数量少于1869个或小于现有顶点数时，增量优化策略可以在较快的运算时间内对现有的AB-Graph进行调整，得到良好的划分结果。反之，当同时置入的浮标数量较多，使用复划分方法可以得到更高质量的划分结果及跨微区通信时间，但是可能会带来大规模的顶点迁移成本。

6总体划分质量检验

本文设置不同规模的时间数据来测试划分结果，计算检索台风时存储在内同一微区内的浮标边保留比θ反映划分质量，详细的实验结果如表1所示。

表1不同数据规模下本文方法的划分效果

边保留比θ总是围绕59.71％上下波动，当台风的个数在140、155及145、 150时具备相同的划分质量，表明提出的划分策略具备较高的稳定性，可以针对不同规模的海洋事件给出稳定的优化解，并且为数据布局提供可靠辅助。

本文随机抽取2014年至今的15条台风数据，对划分后的存储在云计算平台的数据检索时间与传统数据中心存储的检索时间进行对比。

表2 AB-Graph的最优化布局结果

由表2可见，本文提出的划分方法可较好的对AB-Graph进行处理，在对 2010至2017年影响AB-Graph的170条台风进行统计分析后，59.15％的台风所影响到浮标存储在同一个微区，26.71％的台风所影响到的浮标需要跨2个微区来获取，仅有27.14％的台风所影响到的浮标存储在3个以上微区内。因此，本文采用的方法对大部分台风进行数据检索时，仅需读取一个微区便可以获得与之相关的所有浮标数据。

实施例2

请参见图4，图4是本发明的浮标数据的多目标关联度增量优化划分方法的整体架构图。

本实施例的浮标数据的多目标关联度增量优化划分方法，包括以下步骤：

S1，计算浮标和微区的表达因子层；

S2，新浮标置入至关联程度最高的微区内；

S3，判断AB-Graph约束层；

S4，优化现有AB-Graph使其满足增量优化划分约束。

实施例3

本实施例的浮标数据的多目标关联度增量优化划分方法，包括以下步骤：

S1，计算浮标和微区的表达因子层。具体包括以下步骤：

S101，分析历次台风灾害时，受影响的浮标情况，

S102，分析受影响的浮标与其所属微区的关系，

S103，定义浮标与所属微区的关联度表达因子，

S104，计算所有浮标的关联度因子。

S2，新浮标置入至关联程度最高的微区内。具体包括以下步骤：

S201，通过历史台风时间，计算新浮标与现存各个微区间的关联程度；

S202，比较新浮标与各个微区间的关联性强弱；

S203，将新浮标置入关联程度最高的微区内。

S3，判断AB-Graph约束层。具体包括以下步骤：

S301，判断AB-Graph中的各个微区是否存在单个饱和、剩余不饱和情况；

S302，判断AB-Graph中的各个微区是否存在均饱和情况；

S303，判断AB-Graph中的各个微区是否存在均不饱和情况。

S4，优化现有AB-Graph使其满足增量优化划分约束。

实施例4

本实施例的浮标数据的多目标关联度增量优化划分方法，包括以下步骤：

S1，计算浮标和微区的表达因子层。具体包括以下步骤：

S101，分析历次台风灾害时，受影响的浮标情况；

S102，分析受影响的浮标与其所属微区的关系；

S103，定义浮标与所属微区的关联度表达因子；

S104，计算所有浮标的关联度因子。

S2，新浮标置入至关联程度最高的微区内。具体包括以下步骤：

S201，通过历史台风时间，计算新浮标与现存各个微区间的关联程度；

S202，比较新浮标与各个微区间的关联性强弱；

S203，将新浮标置入关联程度最高的微区内。

S3，判断AB-Graph约束层。具体包括以下步骤：

S301，判断AB-Graph中的各个微区是否存在单个饱和、剩余不饱和情况；

S302，判断AB-Graph中的各个微区是否存在均饱和情况；

S303，判断AB-Graph中的各个微区是否存在均不饱和情况。

S4，优化现有AB-Graph使其满足增量优化划分约束。具体优化方法为：

S401，置入后该微区规模大于预定义微区规模且仍存在有剩余空间的微区，则进行顶点迁移对现有划分进行调整；

S402，置入后该微区规模大于预定义微区规模且其余微区均已满额，则对预定义的微区规模进行扩充；

S403，置入后该微区规模未大于预定义的微区规模，则直接将其置入该微区。

在优化现有AB-Graph使其满足增量优化划分约束的算法中，计算个体表达因子的时间复杂度为Ο(N)，执行顶点迁移算法的时间复杂度为Ο(N)，因此，算法整体的时间复杂度为Ο(N)。

实施例5

本实施例的浮标数据的多目标关联度增量优化划分方法，包括以下步骤：

S1，计算浮标和微区的表达因子层。具体包括以下步骤：

S101，分析历次台风灾害时，受影响的浮标情况；

S102，分析受影响的浮标与其所属微区的关系；

S103，定义浮标与所属微区的关联度表达因子；

S104，计算所有浮标的关联度因子。

S2，新浮标置入到关联程度最高的微区内。具体包括以下步骤：

S201，通过历史台风时间，计算新浮标与现存各个微区间的关联程度；

S202，比较新浮标与各个微区间的关联性强弱；

S203，将新浮标置入关联程度最高的微区内。

S3，判断AB-Graph约束层。具体包括以下步骤：

S301，判断AB-Graph中的各个微区是否存在单个饱和、剩余不饱和情况；

S302，判断AB-Graph中的各个微区是否存在均饱和情况；

S303，判断AB-Graph中的各个微区是否存在均不饱和情况。

S4，优化现有AB-Graph使其满足增量优化划分约束。具有优化方法为：

S401，置入后该微区规模大于预定义微区规模且仍存在有剩余空间的微区，则进行顶点迁移对现有划分进行调整；

S402，置入后该微区规模大于预定义微区规模且其余微区均已满额，则对预定义的微区规模进行扩充；

S403，置入后该微区规模未大于预定义的微区规模，则直接将其置入该微区。

在优化现有AB-Graph使其满足增量优化划分约束的算法中，计算个体表达因子的时间复杂度为Ο(N)，执行顶点迁移算法的时间复杂度为Ο(N)，因此，算法整体的时间复杂度为Ο(N)。

AB-Graph的定义如下：

定义1.AB-Graph＝(V,E)为一个无向图，V＝{v_i；i＝1,2,…,|V|}是图AB-Graph中|V|个Argo浮标的集合，相似的，E＝{e_ij；i,j＝1,2,…,|V| ；i≠j；e_ij＝e_ji}是|E|个边的集合，e_ij连接顶点v_i与vj。

定义2.边e_ij∈E的权值：被某一台风涉及的浮标顶点子集 V＇＝{v_i＇；i＝1,2,…,|V＇|}，对

且i≠j，则边e_ij权值增加1。

浮标在微区内的关联度表达的定义如下：

定义1.浮标与微区的关联度评价因子

其中 Ty是台风个数，d_lk＝1第示l条台风与M_k微区相关,l＝1,2,…,Ty；k＝1,2,…,MN，反之亦然；E_it表示浮标v_i是否被第t次台风影响范围，若E_it＝1表示浮标v_i受第t次台风影响范围，反之亦然，若

的取值越接近1表示浮标v_i与微区 M_k关系越紧密。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明方法的前提下，还可以做出若干改进和补充，这些改进和补充也应视为本发明的保护范围。

Claims (7)

1.一种浮标数据的多目标关联度增量优化划分方法，其特征在于，包括以下步骤：

S1，计算浮标和微区的表达因子层；

S2，置入新浮标至关联程度最高的微区内；

S3，判断AB-Graph约束层；

S4，优化现有AB-Graph使其满足增量优化划分约束；

所述AB-Graph定义如下：

AB-Graph＝(V，E)为一个无向图，V＝{v_i；i＝1，2，...，|V|}是图AB-Graph中|V|个Argo浮标的集合，E＝{e_ij；i，j＝1，2，...，|V| ；i≠j；e_ij＝e_ji}是|E|个边的集合，e_ij连接顶点v_i与v_j；

边e_ij∈E的权值：被某一台风涉及的浮标顶点子集V′＝{v′_i；i＝1，2....，|V′|}，对

且i≠j，则边e_ij权值增加1。

2.根据权利要求1所述的浮标数据的多目标关联度增量优化划分方法，其特征在于，步骤S1具体包括以下步骤：

S101，分析历次台风灾害时，受影响的浮标情况，

S102，分析受影响的浮标与其所属微区的关系，

S103，定义浮标与所属微区的关联度表达因子，

S104，计算所有浮标的关联度因子。

3.根据权利要求1所述的浮标数据的多目标关联度增量优化划分方法，其特征在于，步骤S2具体包括以下步骤：

S201，通过历史台风时间，计算新浮标与现存各个微区间的关联程度，

S202，比较新浮标与各个微区间的关联性强弱，

S203，将新浮标置入关联程度最高的微区内。

4.根据权利要求1所述的浮标数据的多目标关联度增量优化划分方法，其特征在于，步骤S3具体包括以下步骤：

S301，判断AB-Graph中的各个微区是否存在单个饱和、剩余不饱和情况，

S302，判断AB-Graph中的各个微区是否存在均饱和情况，

S303，判断AB-Graph中的各个微区是否存在均不饱和情况。

5.根据权利要求1所述的浮标数据的多目标关联度增量优化划分方法，其特征在于，步骤S4具体优化方法为：

S401，置入后该微区规模大于预定义微区规模且仍存在有剩余空间的微区，则进行顶点迁移对现有划分进行调整，

S402，置入后该微区规模大于预定义微区规模且其余微区均已满额，则对预定义的微区规模进行扩充，

S403，置入后该微区规模未大于预定义的微区规模，则直接将其置入该微区。

6.根据权利要求1所述的浮标数据的多目标关联度增量优化划分方法，其特征在于，在优化现有AB-Graph使其满足增量优化划分约束的算法中，计算个体表达因子的时间复杂度为O(N)，执行顶点迁移算法的时间复杂度为O(N)，因此，算法整体的时间复杂度为O(N)。

7.根据权利要求1所述的浮标数据的多目标关联度增量优化划分方法，其特征在于，浮标在微区内的关联度表达的定义如下：

浮标与微区的关联度评价因子

其中Ty是台风个数，d_lk＝1第示l条台风与M_k微区相关，l＝1，2，...，Ty；k＝1，2，...，MN，反之亦然；E_it表示浮标v_i是否被第t次台风影响范围，若E_it＝1表示浮标v_i受第t次台风影响范围，反之亦然，若

的取值越接近1表示浮标v_i与微区M_k关系越紧密。

Images