针对无人机SEAD任务的路径规划问题，利用VORONOI图构建初始路径，分析了路径代价计算方法，并使用改进的多目标蚁群算法对路径进行优化选择。针对该特殊应用场景，引入了各路径段与起始点—目标点连线的夹角信息作为新的启发信息，加快了算法的搜索速度，同时改进启发信息的计算公式，适当缩小各可选路径段启发信息量的差异，加强了蚁群算法的全局搜索能力。仿真结果显示，与基本多目标蚁群算法相比，改进后的算法有效提高了路径搜索的效率和质量。

将Voronoi图应用于无线Mesh网络网关部署问题中,提出了基于Voronoi图的无线Mesh网络网关部署算法.算法首先根据已知AP(access point)位置对网络拓扑图进行Voronoi划分,使得每个终端与其最邻近的AP属于同一区域;然后提取每个Voronoi区域与相邻区域的交点作为备选网关位置,依次计算以每个备选网关作为根节点的网络最小生成树;最后将生成树权值最小、跳数最少的输出作为部署结果.NS2仿真结果表明,在经过Voronoi划分的较小规模网络场景下,所提出算法的丢包率、转发包数量等性能均优于最小权值算法和随机算法.

针对大规模数据的加权Voronoi图实现的复杂性和计算精度低问题, 采用欧氏距离法, 设计和实现了一种基于MapReduce编程模型的并行栅格加权Voronoi图的生成算法, 并将其成功应用于石家庄桥东区超市的推荐服务。该算法计算精度高, 同时可适用于任意点、线、面及复合发生元的加权Voronoi图的计算。实验结果表明, 算法在处理大规模栅格数据时能明显提高栅格Voronoi图的生成速度, 并能为用户推荐综合因素优选的超市。

点、线、面加权Voronoi图生成源码

给定一个质心列表，它计算 2D/3D voronoi 图并从原始图像中提取每个 Voronoi 单元。 voronoi 图是根据 3D 空间中的欧几里得距离计算的。 质心 = [x1 y1 z1] 体素 = [x2 y2 z2] 对于每个体素欧几里得距离 = sqrt((x2-x1)^2+(y2-y1)^2+(z2-z1)^2) 结尾％ 输入： % 质心 - N x 3 矩阵% imageFilename - 图像堆栈的文件名

用于解决最大内切圆问题的示例应用程序和函数。 与我的其他提交“使用距离变换的最大内切圆”（位于http://www.mathworks.com/matlabcentral/fileexchange/30805-maximum-inscribed-circle-using-distance-transform ）不同，该算法是亚像素精确的。 它仅对多边形起作用，而对像点不起作用。 因此，如果多边形以子像素给出，则结果将是准确的。 我使用 O(n log(n)) 算法如下： - 构建多边形的 Voronoi 图。 - 对于多边形内的 Voronoi 节点： - 在 P 中找到到边距离最大的节点。这个节点是最大内切圆的中心。 有关问题本身的更多详细信息，请查看我之前提交的上述内容。 为了加快速度，用Bruno Lunog的更快实现“2D多边形内部检测”替换“inpolygon”功能： http:

N维Voronoi图 用voronoin函数绘N维Voronoi图。

voronoi：为好奇心（WIP）构建的voronoi图生成器

人工智人-家居设计-基于VORONOI图的智能算法在变电站规划中的应用.pdf

关于高阶Voronoi图快速生成算法的研究.pdf