格点划分策略研究

后者考虑到确保各地区人口大致相等，以使各地区具有法律效力。我们构建的能力函数取决于这两个质量，如果算法对支持者有利，它允许算法倾斜人口。设W为支持者可赢得的地区数量，由ND>W的地区数量加上一半的竞争地区（ND<W的地区）（12）W给出=∑i“Θ（NDk-w）+∑iΘ（NDk）-∑iΘ（NDk-w） ！#，其中，Θ是HeavisideΘ函数。我们还确定了以下人口指标（13）g：=PS最大值1≤我≤n（PDk）- 最小1≤我≤n（PDk）.数量W和量度g表征了给定地区规划的显著属性，以划分选区，并利用这些特征，我们定义了以下划分选区指数，由获胜地区的比率减去人口分布：（14）g：=Wn-g，指数g取区间[0，1]中的值，对于能力指数最高的地区组，老年人最理想的结果出现。我们考虑的指数G非常简单，仅由两个参数定义，其中一个当然可以构建更复杂的指数，但这种简单的形式足以探索在给定领土上划分选区的前景。然而，确定用于划分选区的高效指标将是未来工作中一个有趣的问题。22预印本B。

我们的突变程序在amanner的每次迭代中在相邻区域之间交换某些单元，从而保持每个区域的连通性，并有利于平衡种群。定义13：对于D区的领土单位T，如果存在T，则D区（D 6=D）被称为T的相邻区∈ D是T的相邻单位。为了描述在突变过程中领土单位切换到不同相邻地区的倾向，我们定义了以下定义14：不稳定的Li，jof a Territory unit Ti，jin district D为零ifD-Ti、jis未连接。否则，Li，j：=最大值（PD-PD）在所有地区，Dadjacentto Ti，j。根据上述定义，如果给定的领土单位Ti，j与其相邻的每个领土单位位于同一地区，则Li，j=0和Li，j6=0仅适用于地区之间边界上的领土单位。为了实现突变过程，我们首先确定每个Ti，j的不稳定性Li，j∈ S和我们定义M：=所有Ti，j上的最大值【Li，j】∈ S、 23所有Ti，j的格点划分策略研究∈S当Li，j>0时，T上的突变以概率Li，j/M进行，从旧区中移除Ti，j，并将Ti，jt添加到与Ti，j相邻的最低人口区。这种领土单位的转移将始终使地区人口更加平衡，因此投票区很快变得更加公平。总之，一组N个种子区域形成了第1代，然后我们的算法对第1代执行以下迭代过程：它确定√N个案例（适当四舍五入）的G指数最高√N种情况下，应用置换程序√N次。由于突变的概率性质，这产生了N个不同的后代，包括i+1代。

随着每次迭代，区域集朝着G的局部最大值发展。在预设的一组迭代次数后，算法输出具有最终生成的最佳G指数的区域集。通常，在O（10）次迭代之后，算法收敛到G’1的集合。我们在图14中提供了该算法的流程图说明。D、 遗传GerryManderingf的样本执行对于我们的示例运行，我们为第一代构建N=100个

然而，在我们的遗传选区划分算法中开发的遗传启发式和变异程序是独特的和原始的，有趣的是，至少在我们简化的晶格模型中，公平区可以很容易地根据我们下面规定的简单直观的标准来构建。虽然公平是一个主观概念，但我们可以通过一个启发式公式构建一个合理的能力指数，该公式考虑到：i）地区人口平衡；ii）州在国会代表的准确性；iii）每个地区的表示准确性。24遗传GerrymanderingFigure 13的印前样本执行：表1的基准模型#1（顶部）和模型#4（底部）采用了遗传性选区划分，类似于图5、9和11，这两个地区都是红胜3区。图14：第四节遗传选区划分算法流程图。选区划分策略的格点研究25我们通过功能函数fP、fS、fD：（16）fP：=1分别量化这三个特征-g、 fS：=1-1+NSPS-西尼罗河,fD：=nn∑i=1QDkPDk，式（12）和（13）中定义了W和g，我们用QDa度量给定地区的人口比例D=∪（i，j）∈ITi，j（针对指数集I）whosevote PREFESSION vi，jaligns（地区净投票数ND），定义人：（17）QD：=∑（i，j）∈IPi，j·（1+符号[vi，j]·符号[ND]）。还要注意的是，虽然g衡量的是人口分布，但这里FP描述的是人口平衡。使用部分能力函数，我们将整体“公平”能力F定义为（18）F：=fP+fS+fD-,其值位于区间[0,1]内。被视为“最公平”的地区应拥有最高的能力指数。通常在我们的试验中，我们发现最后一组集市区的能力指数值往往超过F>0.9。图15：。

：通过修改后的GG建设7个公平区，用于公平重新划分，适用于21×21的地区，具有平衡投票和两个来源点（位置如表1的模型#1所示）。演示类似于图5.26预印本。我们将配备指数F（而非G）的遗传选区划分（GG）算法称为“用于公平重新划分的修改GG”。按照第IV.D节的相同方法，我们使用N=100个种子配置执行示例运行，并进行30次迭代。图15显示了七个地区的该示例运行结果。特别是，根据设计，修改后的GG为公平重新划分而产生的公平地区配置支持50%-平衡选区（balancedterritories）50%的选票分成两半，准确地代表了整个地区的选民偏好。此外，大多数地区避免包括对立的两极分化选民，确保每个当选的地区代表反映其选民的价值观。五、 结果通过这里开发的算法，我们将量化一些关于动名词划分的一般陈述。为此，我们考虑将一个21×21格划分为n=5个区域，人口为PS≈ 4700和选民分布如表1所示。在所有情况下，人口和投票阈值固定为t=0.05×PS/n和w=5。由于人口分布固有的随机性，我们可以使用第三节和第四节中开发的具有空间限制的重新划分算法输出的区域，通过蒙特卡罗方法研究选区划分的各个方面。

具体而言，我们为五个地区的情况生成了一大组无政府区，并进行了统计分析，以量化无政府区给提案方带来的优势以及无政府区的其他特征。虽然之前已经使用蒙特卡罗方法来检测选区划分，例如【Herschlag，2018；Herschlag et al.，2017】，以及构建公平区，例如【Fifield et al.，2015】，但据我们所知，这是首次应用蒙特卡罗方法来量化选区划分的一般特征。A、 不同选区划分策略的量化影响。gerrymanderer的主要目的是最大限度地增加选举期间预计的选区数量。第二个目标是与ND建设支持者区 0和以ND排列对手地区≈ 0，这样所构建的地区就不会受到投票偏好的潜在波动的影响，并且可以利用有利于他们的波动来挑选更多的地区。为了评估选区划分的影响，我们将上文开发的每个选区划分算法的预测选举结果与第二节中概述的无党派对称划分模型进行比较。如图7所示。对称分配模型的预测选择结果如表3所示。

首先采用SRFH打包算法，并遵循与第二节类似的方法。B我们在S上生成30个人口分布，并计算每个地区的平均净投票数和支持者的平均地区获胜数（#win）：格点研究选区划分策略27模型ND1ND2ND3ND4ND5#win#1 13.8 5.9 3-6.3-16.6 3#2 15.8 7.2 5.7-14.8-14.2 3#3 12.6 13.2 9.7-2.4-31.6 3.2#4 9 26.0 5.9-0.2-45.7 2.8表6：SRFH后的平均地区投票第III.A.SRFH节的包装——当对立极端选民彼此非常接近时，包装最有效。这种方法处理模式#4的选民分布的效果明显较差（从#win<3这一事实可以看出），而且尽管有利于支持者党，但反对者在30%的试验中占据了大多数选区。在通过饱和填充进行选区划分的情况下，我们发现，虽然不明显，但它可以非常有效地确保地区的投票平衡：ND1ND2ND3ND4ND5型#win#1-187 136 32 11 8 4#2-338 219 45 25 48 4#3-438 65 207 63 102 4#4-222 11 128 15 68 4表7-：第III.B节饱和填充后的平均地区投票，我们考虑了遗传选区划分算法的应用，每次选举后，我们按照净投票数的顺序（在计算地区平均数之前）对地区进行标记：模型ND1ND2ND3ND4ND5#win#1 36.9 12.3 0.8-12.1-37.5 2.7#2 117 57 16-54-137 2.7#3 232 116-4 113 232 2.5#4 130 53 5-59-119 2.5#表8：第四节遗传选区划分算法后的地区平均投票数。因为在上述每种情况下，地区投票接近平衡的NS≈ 0，在公平选举中，支持者选区的预期平均获胜人数为#win≈ 2.5. 对于对称源的对称分区，表3中的情况就是这样。

然而，正如预期的那样，对于我们的算法生成的不规则选区，一个观察到的清晰偏向于支持者。具体而言，SFRH包装（表6）使支持者始终赢得60%的地区，饱和包装（表7）使支持者赢得了令人印象深刻的80%的地区。遗传性选区划分（表8）的效果较差，但仍然可以为只有两个来源点的选民模型提供支持者优势。28预印本B。紧凑性测试——划分选区最明显的特征之一是，它通常会导致高度非凸或非紧凑的区域。受这一共同特征的激励，研究人员【Roeck，1961；Schwartzberg，1966；Oxtoby，1977；Young，1988；Niemi et al.，1990；Polsby&Popper，1991；Chambers&Miller，2010；Hodge et al.，2010】提出了几何测量方法，可以潜在地用于识别不公正划分。应该注意的是，简单的几何测试虽然直观，但确实有某些缺点。例如，theyoften不考虑自然或法定边界（如海岸线或国家边界）导致的地区边界变化，也不包含人口分布或人口统计信息。无论如何，计算我们工作中出现的划分选区的几何测量值是很有意思的，以确定哪些指数值可能表示有侵略性的划分选区。我们将研究最直观的无量纲动植物区划量度：等周商指数【Polsby&Popper，1991】，定义为（19）ID：=4πAP，适用于面积a和周长P的D区。该指数被标准化为圆，而区域与圆的偏差给出ID<1。

在表9中，我们给出了通过遗传性别划分产生的每个地区的平均IDforeach district（在每次跑步后以上升的NDA标记地区）以及所有地区平均超过30次跑步的平均IDforeach district。模型ID1ID2ID3ID4ID5Iaverage#1 0.5 0.46 0.35 0.40 0.42 0.43#2 0.41 0.37 0.37 0.40 0.48 0.41#3 0.45 0.39 0.37 0.39 0.39 0.5 0.42#4 0.37 0.40 0.40 0.46。为了证明遗传Gerrymanderingalgorithm生成的区域可能被等轴测商测试检测和约束，我们将表9中的Id值与第二节理想化无党派对称区域计算的等轴测商进行比较。B、 这些在表10中给出。ID1ID2ID3ID4ID5Iaverage#1-#4 0.40 0.71 0.71 0.71 0.65表10-：理想化无党派对称地区的等周商指数无党派划分策略研究29因为理想化无党派对称地区遵循简单的几何构造规则，而不参考选民分布，在模型1到4中发现了相同的ID值（在人口分布中的变化可以忽略不计）。从上述分析中，我们发现，我们的划分选区方法总是导致平均碘缺乏症，比对称的“公平”地区低得多（约33%）。此外，一些按性别划分的地区的ID值非常低，例如模型1中3区的平均值为I（#1）D3≈ 0.35，小于ID为的典型对称区域的等周商的一半≈0.71.