CN101763601A

CN101763601A - 基于禁忌搜索算法的土地利用分区方法

Info

Publication number: CN101763601A
Application number: CN201010028961A
Authority: CN
Inventors: 刘耀林; 刘艳芳; 刘洋
Original assignee: Wuhan University WHU
Current assignee: Wuhan University WHU
Priority date: 2010-01-12
Filing date: 2010-01-12
Publication date: 2010-06-30

Abstract

针对传统的土地利用空间分区方法难以顾及土地利用的多目标特性，缺乏智能高效的分区决策算法的不足，本发明提出了一种基于多目标禁忌搜索算法的土地利用分区方法。将数学领域的多目标禁忌搜索算法应用到土地利用空间分区领域，对其关键问题，如初始方案生成方法、邻域规则定义、邻域生成方法、邻域搜索方法，记忆列表更新，广度搜索、深度搜索以及重启策略进行改进，提供了土地利用分区优化决策支持技术方法，较好地解决了土地利用分区中多目标的空间单元组合优化问题，顾及了空间区片的连续性和完整性等硬约束条件问题，从而具有较高的分区效率，保证了土地利用分区过程的稳定、高效。

Description

基于禁忌搜索算法的土地利用分区方法

技术领域

本发明涉及一种土地利用分区方法，尤指应用于土地利用空间布局中的基于禁忌搜索算法的土地利用分区方法，属于土地利用规划领域。

背景技术

土地利用空间分区是综合考虑影响土地质量与土地利用方式的各类因素(包括自然、社会、经济方面的因素)的基础上，将研究区域划分为若干均质区片的方法，以建立微观土地利用单元与区域土地利用管制之间的桥梁，以实现土地资源的可持续利用。实际工作中的土地利用空间分区一般包括土地利用总体规划中的土地利用区域分区、土地利用用途分区(功能分区)，专题规划中的基本农田保护区划分、土地开发整理分区，以及土地评价(土地适宜性评价、土地生产潜力评价以及土地经济评价)中的等值区划分。目前，常用的解决方法有叠置分析法、主导因素法、多因素综合评判法以及聚类分析法等。这些方法在具体的土地利用空间分区问题中有着一定的科学性和可操作性，但同时它们的缺陷也十分明显，表现在以下方面：受人为主观因素的影响较大；智能化程度不高；只能考虑某些主导因素，而无法兼顾多种准则和约束条件；只能提供唯一的或较少的候选方案，用户选择的自由度不大。最近，在土地利用优化配置中，多目标遗传算法和多目标模拟退火算法等算法被采用来解决空间优化布局问题。然而，由于土地利用决策的多目标特性，要求对应的空间优化决策兼顾土地利用多目标需求，现有这些方法在求解多目标优化问题时有着一定的局限性，表现在：①在大多数情况下，采用这些方法求解通常只能得到一个Pareto最优解，而且该解的获得与转化过程中参数的设定有着很大的关系。②所有的这些算法都需要根据问题的先验知识来选取合适的参数，不同的参数设置会导致产生不同的Pareto最优解。③一些算法对Pareto最优前端的形状很敏感，无法在非凸区域找到Pareto最优解。因此，针对土地利用多目标决策问题，研究提出基于多目标决策技术的土地利用分区方法是当前土地利用规划编制迫切需要解决的一个关键问题。多目标禁忌搜索方法是一种局部搜索算法，通过邻域搜索来实现全局最优，相关领域研究显示其在解决诸如土地利用空间分区要求连续、连片的优化决策问题方面具有较大的潜力，可望解决多目标要求的土地利用空间分区问题。

发明内容

针对传统的土地利用空间分区方法难以顾及土地利用的多目标特性，缺乏智能高效的分区决策算法的不足，本发明提出了一种基于多目标禁忌搜索算法的土地利用分区方法。将数学领域的多目标禁忌搜索算法应用到土地利用空间分区领域，对其关键问题，如初始方案生成方法、邻域规则定义、邻域生成方法、邻域搜索方法，记忆列表更新，广度搜索、深度搜索以及重启策略进行改进，提供了土地利用分区优化决策支持技术方法。

本发明提供的该基于禁忌搜索算法的土地利用分区方法的步骤为：

步骤一：划分土地整理区域，形成土地利用分区的基本单元，并对这些基本单元进行预处理；

步骤二：步骤一预处理后的基本单元作为该区域的种子，通过种子生长法得到土地利用分区的初始方案，并设置基本参数，至少包括循环参量置为0、设置区片数目、禁忌长度和最大搜索代数，以及执行广度搜索的代数、深度搜索的代数和重启的代数；

步骤三：根据邻域规则确定初始方案的邻域，利用多目标函数与约束条件，评价邻域中所有的点，然后通过邻域搜索确定土地利用分区的当前方案；

步骤四：更新记忆列表，至少包括记忆当前处于禁忌状态点的STM表，记忆移动中没有选择的却满足条件的候选解的IM表，记录当前搜索过的所有解的LTM表，记录当前搜索过的所有解的非劣解集的MTM表；

步骤五：如果迭代的次数大于最大搜索迭代次数，搜索结束，步骤三得到的土地利用分区的当前方案作为最优的土地利用分区结果，否则，继续步骤六；

步骤六：如果MTM中加入有新的点，则循环参量置为0，否则循环变量自增，并且继续步骤七；

步骤七：如果循环变量与执行广度搜索的代数相等，则进行广度搜索，否则继续步骤八；

步骤八：如果循环变量与深度搜索的代数相等，则进行深度搜索，并继续步骤四，否则，继续步骤九；

步骤九：如果循环变量与重启的代数相等，则执行重启搜索，并把循环变量置为0，继续步骤四，否则继续步骤三。

步骤二中的种子生长法包括以下步骤：

a.随机选择一个基本单元作为一个区片的种子；

b.通过种子与其邻接单元的不断合并生成新的区片；

c.当上述区片达到要求时或没有可以合并的邻接单元时，结束合并，否则，随机选择一个新的基本单元，继续步骤a。

步骤三中的邻域规则采用邻接图表示区域中基本单元的分布，节点表示基本单元，边连接两个基本单元，土地整理区域中的n个基本单元表示为G＝(N，E)，区片数目k(k为整数，且1≤k≤n)，要满足多个准则把土地整理区域G划分为k个分区，即把基本单元N划分为k个子区C₁，C₂……C_k，且每个子区C_h(h＝1，2…k)构成一个分区方案。

步骤三种确定初始方案的邻域包括以下步骤：

(1)解码操作：根据初始方案的编码信息，获取每个基本单元的区片信息；

(2)获取当前所有的活动结点：若基本单元位于区片的边界且其发生迁移，与其同属一个区片的邻接单元仍为一个统一的簇，则该基本单元为区片的活动单元；

(3)获取当前所有的有效移动：先确定当前方案中所有的活动单元，且活动结点只能向邻接区片迁移；

(4)邻域生成：获取并比较活动单元的各个邻域单元在其迁移前后的边界状态，对当前方案的编码信息进行修改，然后获取所有基本单元的邻域。

步骤九中的所述的重启搜索为从MTM表中随机选择一个点，作为新的非劣解。

本发明提供的基于禁忌搜索算法的土地利用分区方法，其优点和有益效果：

1.克服了传统的分区方法中人为主观因素，从而解决了土地利用分区智能化程度不高、无法兼顾多种准则和约束条件等问题。为土地利用分区提供了一种新的、定量化、智能化途径；

2.采用多目标禁忌搜索算法，采用4种记忆列表和特殊的邻域搜索算子，较好地解决了土地利用分区中多目标的空间单元组合优化问题，顾及了空间区片的连续性和完整性等硬约束条件问题，从而具有较高的分区效率；

3.将多目标禁忌搜索算法引入到土地利用空间分区问题，并结合土地利用分区的实际对其中的关键问题如初始方案生成方法、邻域规则定义、邻域生成方法、邻域搜索方法，记忆列表更新，广度搜索、深度搜索以及重启策略进行改进，从而保证了土地利用分区过程的稳定、高效。

附图说明

图1本发明的整体流程图；

图2无障碍条件的种子生长过程示意图；

图3有障碍条件的种子生长过程示意图；

图4四种记忆列表更新示意图；

图5实施例的基本单元划分；

图6实施例的障碍区片划分；

图7实施例计算结果的散点图矩阵；

图8实施例的最终分区方案在BAN-COM散点图中的表现；

图9实施例的分区结果图。

图中A.IM记忆列表，B.LTM记忆列表，C.STM记忆列表，D.MTM记忆列表，

1.非劣解，2.候选解，3.处于禁忌状态的解，4.下一个当前解，5.实施例的最终解。

具体实施方式

初始方案的好坏对于禁忌搜索算法的效率有着重要的影响，通过种子法，具体包括以下步骤：

a.随机选择一个基本单元作为一个区片的种子；

b.通过种子与其邻接单元的不断合并生成新的区片；

如此循环进行直至区片被完全划分，过程如图2所示，如果区域中有障碍物存在，则过程如图3所示。区域被划分后，区片数目大于设置的区片数目m，则需要逐步归并当前规模最小的两个区片直至区片数为m；若区片数目小于规定数目m，则需要逐步分裂当前规模最大的区片直至区片数为m。区片分裂的方法也可以采用上述的种子生长法来实现。

步骤三：根据邻域规则确定初始方案的邻域，利用多目标函数与约束条件，评价邻域中所有的点，然后通过邻域搜索确定土地利用分区的当前方案。邻域规则采用邻接图表示区域中基本单元的分布，节点表示基本单元，边连接两个基本单元，土地整理区域中的n个基本单元表示为G＝(N，E)，区片数目k(k为整数，且1≤k≤n)，要满足多个准则把土地整理区域G划分为k个分区，即把基本单元N划分为k个子区C₁，C₂……C_k，且每个子区C_h(h＝1，2…k)构成一个分区方案。确定初始方案的邻域包括以下步骤：

步骤四：更新记忆列表，至少包括记忆当前处于禁忌状态点的STM表，并在接下的若干次迭代过程中被禁忌以避免重复搜索，记忆移动中没有选择的却满足条件的候选解的IM表，记录当前搜索过的所有解的LTM表，即当前阶段获取的所有可行解，其作用在于鉴别解空间中搜算算法还未涉足的区域，从而达到广度搜索的目的，记录当前搜索过的所有解的非劣解集的MTM表，MTM表中的点实际上构成了当前阶段的Pareto前沿；

在每一步迭代移动中，这四种记忆列表的含义和关系如图4所示。A为IM记忆列表，记录当前解邻域中没有选择的非劣解；B为LTM记忆列表，记录当前搜索到的所有解；C为STM记忆列表，记录处于禁忌状态的解；D为MTM记忆列表，记录LTM中的非劣解集，即当前阶段的Pareto前沿。图中，目标1和目标2的函数值越小越优，点1、点2、点3、点4分别为当前解邻域中的候选解，其中点3位处于禁忌状态的解，点1和点4显然Pareto占优于点2，因此邻域中可选择的非劣解只有点1和点4，若我们随机选择点4为下一个当前解，则点1作为非劣解将被保留到IM记忆列表中。每次移动中若获取了下一个当前点，例如图中的点4，这4种记忆列表都将进行更新，在点4的选择过程中，邻域中那些满足条件而没有被选择的非劣解会被添加到IM列表中，然后对IM列表中的非劣解进行删除。然后点4被加入STM记忆列表中，并修改其中各解的禁忌状态，本发明中采用一个队列的形式来实现，其长度为算法中设定的禁忌长度，新加入的点排在队列的最前面，若队列已满，则最后面的点将会解禁而“逃出”队列，采用此种“先进现出”的策略使得最近被访问的点在规定的禁忌长度，即若干迭代次数内是不能被访问的。而每次搜索到的点都会被存储到LTM表中，然后此点与MTM表中的点进行比较，若它不被MTM表中的所有点Pareto占优，则它被添加到MTM表中，并删除MTM中的非劣解。

步骤七：如果循环变量与执行广度搜索的代数相等，则进行广度搜索，否则继续步骤八；广度搜索策略是为了将搜索过程引入到目前解空间中还未涉足的区域，按照分区方案初始化的方法重新随机生成一个方案作为土地利用分区的当前方案。

步骤八：如果循环变量与深度搜索的代数相等，则进行深度搜索，并继续步骤四，否则，继续步骤九。深度搜索策略是根据目前已知的较优点在靠近Pareto前沿的区域进行搜索，我们采用IM记忆列表存储了搜索过程所有邻域中未被选择的非劣解，当执行深度搜索策略时，则从IM中随机选择一个点作为下一个当前点。

步骤九：如果循环变量与重启的代数相等，则执行重启搜索，并把循环变量置为0，继续步骤四，否则继续步骤三。重启策略是帮助禁忌搜索算法避免陷入局部最优的有效方法。采用MTM记忆列表保存当前搜索到的所有方案的非劣集，即现阶段的Pareto前沿，当执行重启策略时，在MTM中随机选择一个点作为新的非劣解，从而搜索全局的Pareto。

实施例1：以某区的土地开发整理分区为例，从土地利用规划的角度来看，土地开发整理分区属于土地利用分区的一种。该区位于长江中游南岸，江汉平原向鄂南丘陵延伸的过渡地带。区域内水系发达，地形较为单一，以平原和低丘为主。其土地利用初具规模，但也存在基础设施布设混乱、田块零碎、土地利用粗放等问题。

步骤一：划分土地整理区域，形成土地利用分区的基本单元，并对这些基本单元进行预处理。由于县级土地整理备选区片往往以典型线状地物为边界，因此可首先提取这些线状地物，对土地整理区域进行初步划分形成基本单元，然后对其进行优化组合来实现分区。定义如下线状地物作为基本单元划分的依据：乡镇界线；功能区界线；宽于10米的农村道路；等级公路；堤坝；干渠；河流和湖泊边缘；大片居民点边缘；林带的边缘。而且等级公路、乡镇界线、功能区界线和大的水系边缘被视为区片划分的障碍条件。在基本单元划分时，以土地利用现状图为底图。

步骤二：初始化当前分区方案，设置循环参量i_local为0，设置参数如下，

参数名称	参数值
参数名称	参数值	禁忌长度	90
深度搜索代数	50	禁忌长度	90
深度搜索代数	50	广度搜索代数	100
重启搜索代数	300	广度搜索代数	100
重启搜索代数	300	最大搜索代数	10000
移动惩罚策略的缩放系数	0.12	最大搜索代数	10000
移动惩罚策略的缩放系数	0.12	随机抽样规模	20

参数名称	参数值
参数名称	参数值	区片数目	57
基本单元数目	3682	区片数目	57

首先采用路网对区域进行分割，然后对范围较大的单元用其他要素进行分割，见图5。同时，以障碍线状要素对区域划分生成障碍区片图，见图6。为了计算目标函数值和处理约束条件的方便，生成基本单元图后，还需要获取各单元的如下信息：①总面积和周长；②建设规模；③土地整理潜力；④基本农田面积；⑤障碍区片号。它们都可通过基本单元图和所收集的资料图层通过叠置分析来获取。此时，基本单元图将作为该区高产农田整理分区的重要工作底图，基本单元总数为3682个。

布骤三：根据邻域规则确定初始方案的邻域，利用多目标函数与约束条件，评价邻域中所有的点，然后通过邻域搜索确定土地利用分区的当前方案；

邻域搜索时，多目标函数的形式化表达和约束条件的处理是一个关键问题。3个目标函数分别定义如下：

①区片建设规模均衡性目标函数f_balance的定义：

对区片规模均衡性函数采用如下形式进行定义：假设J为当前分区方案中的区片集合，P_j(x)代表区片j的建设规模，m为区片数目，则区片的平均建设规模为为了保证区片建设规模的均衡性，我们要求各区片建设规模位于区间

中，其中0≤β＜1。则可定义区片建设规模的均衡性目标函数为：

在区间

中β起着十分重要的作用，它的值直接决定了均衡性约束条件的强弱，β值越小则此约束条件越强，β值越大则此约束条件越弱。表达式中用来对函数值进行标准化，使得函数值位于[0，1]之间，当所有区片的规模都位于区间

时，目标函数值为0，否则其值为正数。

表示区片建设规模标准15000亩，β取值为0.25。

②区片形状的规则性目标函数f_compact的定义：

对区片形状规则性目标函数形式定义如下：

其中R_j(x)为分区方案x中区片j的周长，A_j(x)为方案x中区片j的面积，m为区片数目。它主要比较了区片周长与具有相同面积圆的周长之间的关系，f_compact的值较小时可保证各区片形状近似为圆形或正方形等规则形状，当所有区片的形状均为圆形时，目标函数值为0；当区片的形状均不规则时，函数值接近1。因此目标函数值的值域为[0，1]。

③土地整理潜力目标函数f_land的定义：

f_land＝1-S/S_max

其中S表示当前方案的土地整理潜力，其计算公式为

其中S表示当前分区方案的土地整理潜力，m表示土地整理区片数目，S_i1表示区片i的农地整理潜力，S_i2表示区片i的建设用地整理潜力，S_i3表示区片i的未利用地开发潜力。S_max表示江夏区高产农田整理可能的最大潜力，它可通过类似地区已完工整理项目的最大出地率估算得到，本实验中高产农田整理潜力不可能超过2500公顷。显然f_land的值域也为[0，1]，其值越小表明当前分区方案的土地整理潜力越大。

此外，约束条件的处理策略具体如下：

①保持区片连续完整

此约束条件主要通过MOTS的邻域搜索策略来实现，在邻域搜索策略算法中只有保持区片连续完整，不造成区片破碎的移动才被视为有效移动。

②区片不跨越乡镇界线、功能分区界线和公路或大的水系边缘等障碍条件。

在数据处理阶段，我们首先提取这些障碍线状地物，并拓扑构面生成障碍分区图，MOTS算法的邻域搜索中单元的有效迁移只能在同障碍区域内进行，而不能跨越障碍边界进行。例如MoveType1型移动(i，j，l)，其中i为移动结点，j为原属区片，l为目标区片，有以下判断成立时，它才被视为有效移动：

if boundary(i) and NotCut(i) and neighbor(j，l) and SameBarrier(j，l) thenmove(i，j，l) is validate

end if

其中boundary()用来判断单元是否位于区片边界；NotCut()用来判断单元是否为关乎区片是否连续的关键单元；neighbor()用来判断发生迁移的两个区片是否相邻；SameBarrier()用来判断发生此迁移是否发生在同一障碍范围中。这些函数的返回值均为布尔型。

此外，移动惩罚策略中的缩放系数ρ赋值为0.12，“随机抽样”策略中的抽样规模n_sample设为20。

步骤五：如果迭代的次数大于最大搜索迭代次数10000，搜索结束，步骤三得到的土地利用分区的当前方案作为最优的土地利用分区结果，否则，继续步骤六；

步骤七：如果循环变量与执行广度搜索的代数100相等，则进行广度搜索，否则继续步骤八；

步骤八：如果循环变量与深度搜索的代数50相等，则进行深度搜索，并继续步骤四，否则，继续步骤九；

步骤九：如果循环变量与重启的代数300相等，则执行重启搜索，并把循环变量置为0，继续步骤四，否则继续步骤三。

通过本发明提供的方法，实现的软件运算结束后，得到如图7所示的散点图，图中的3个目标分别占据着对角线的3个位置，用来决定各散点图的横纵坐标，其中minBAN表示区片建设规模的均衡性原则、minLAND表示新增耕地潜力最大原则、minCOM表示区片形状规则性原则。每个目标决定了同一行的所有散点图的纵坐标，决定了同一列散点图的横坐标，因此散点图矩阵是一个对称矩阵。此外，散点图中的点表示当前所有的可行解，较黑的点表示其中的Pareto解集。

在获取Pareto解集后，对其进行充分的分析和评价以获取用户满意的最终方案，为此构建了交互式辅助决策模块为用户提供了强用力的评价分析工具，基于交互式辅助决策支持技术，经过近20次的探索、分析和评价之后，最终确定点5实施例的最终解，即为最终满意方案，其目标函数值和在解空间、地理空间中的表现如图8和图9所示。由图中的信息可知，从方案具有较好的土地整理潜力(LAND＝0.2536)，而且区片大小基本相当(BAN＝0.3694)，形状规整，无狭长形区片(COM＝0.4217)，可见此方案在3个目标间较好地达到了平衡。由此说明了此算法的有效性和正确性。

Claims

1.一种基于禁忌搜索算法的土地利用分区方法，其特征在于包括以下步骤：

2.根据权利要求1所述的基于禁忌搜索算法的土地利用分区方法，其特征在于步骤二中的种子生长法包括以下步骤：

a.随机选择一个基本单元作为一个区片的种子；

b.通过种子与其邻接单元的不断合并生成新的区片；

3.根据权利要求1所述的基于禁忌搜索算法的土地利用分区方法，其特征在于：步骤三中的邻域规则采用邻接图表示区域中基本单元的分布，节点表示基本单元，边连接两个基本单元，土地整理区域中的n个基本单元表示为G＝(N，E)，区片数目k(k为整数，且1≤k≤n)，要满足多个准则把土地整理区域G划分为k个分区，即把基本单元N划分为k个子区C₁，C₂......C_k，且每个子区C_h(h＝1，2...k)构成一个分区方案。

4.根据权利要求1所述的基于禁忌搜索算法的土地利用分区方法，其特征在于步骤三种确定初始方案的邻域包括以下步骤：

5.根据权利要求1所述的基于禁忌搜索算法的土地利用分区方法，其特征在于：步骤九中的重启搜索为从MTM表中随机选择一个点，作为新的非劣解。