CN103136603B - 一种智能土地利用布局优化配置方法 - Google Patents
一种智能土地利用布局优化配置方法 Download PDFInfo
- Publication number
- CN103136603B CN103136603B CN201310099594.1A CN201310099594A CN103136603B CN 103136603 B CN103136603 B CN 103136603B CN 201310099594 A CN201310099594 A CN 201310099594A CN 103136603 B CN103136603 B CN 103136603B
- Authority
- CN
- China
- Prior art keywords
- land
- ant
- spot
- class
- algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Abstract
本发明涉及一种智能土地利用布局优化配置方法,尤指应用于土地利用空间优化配置中的基于蚁群优化算法的土地利用布局优化方法,属于土地利用规划领域。本发明提供一种基于蚁群优化算法的土地利用布局优化方法,通过建立土地利用布局优化问题描述图,建立问题与算法的一一映射关系,蚂蚁在此问题描述图上随机游走选择问题成分,即为每个图斑分配适宜的地类,从而完成土地利用布局方案的构建。本发明通过模拟并改进蚁群的觅食行为求解土地利用布局优化问题,有利于问题的快速、有效求解,同时该方法结合了多目标处理技术,可以协调多个优化目标间的冲突,能够在不同发展情景下生成多种候选方案,为决策者提供决策支持。
Description
技术领域
本发明涉及一种土地利用领域,尤其是涉及一种智能土地利用布局优化配置方法。
背景技术
土地利用布局优化是实现土地可持续利用的重要途径,是根据土地利用结构在空间上对各种地类进行合理布局,以达到提高土地利用耦合效益的目的,是一种典型的多目标空间优化问题。针对土地利用布局优化的早期研究主要是利用GIS结合多准则评价技术,在对自然、社会经济条件进行评价的基础上为每个地块分配最适宜的土地利用类型,实现土地利用布局优化,这类方法缺少全局性的目标函数对配置方案进行评价。也有一些研究利用数学规划模型,包括线性规划模型、非线性规划模型等,通过数学建模完成土地利用布局优化,其缺陷在于数学规划模型需要构建模型的变量、目标、约束有严格的数学定义,但土地利用布局优化是一个复杂的非线性的复合地理作用过程,涉及到大量的约束条件、复杂的空间关系及利益相关者的博弈决策,通常难以满足用数学模型处理的条件。近几年来,许多智能算法被引入到土地利用布局优化中,如模拟退火、遗传算法、粒子群算法、元胞自动机、基因表达式编程等,这些方法对变量、目标、约束几乎没有任何要求,同时能够结合多目标处理技术,为决策者提供多种候选方案,为土地利用布局优化问题的求解带来了新的思路。
发明内容
本发明主要是解决现有技术所存在的技术问题;提供了一种利用蚁群的群智能模拟人类在土地利用布局优化过程中的决策行为,以提高土地利用布局优化的合理性和适用性的一种智能土地利用布局优化配置方法。
本发明再有一目的是解决现有技术所存在的技术问题;提供了一种同多目标处理技术相结合,能够在不同的发展情景下生成多种候选方案,为决策者提供决策支持的一种智能土地利用布局优化配置方法。
本发明的上述技术问题主要是通过下述技术方案得以解决的:
一种智能土地利用布局优化配置方法,其特征在于,该方法包括如下步骤:
步骤1,获取土地利用布局优化数据,包括空间数据和统计数据两类:空间数据包括土地利用现状数据、土地利用适宜性评价数据、坡度图等限制性因素因子图;统计数据主要包括土地利用结构数据;
步骤2,应用蚁群优化算法在步骤1的数据基础上进行优化,对土地利用布局优化问题进行建模,包括确定目标函数和约束条件体系,并设置蚁群优化算法的启发值,从而构建土地利用布局优化问题描述图以确立问题与算法间的映射关系,并利用蚁群优化算法在问题描述图上求解得出土地利用布局优化结果;
所述的建立待求问题与蚁群之间的映射关系如下:蚁群中的每个蚂蚁代表一种土地利用布局方案,方案的组成成分由两个部分组成:图斑及其土地利用类型,所有的图斑及其被分配的土地利用类型组成了完整的优化方案,这种一个图斑及一种土地利用类型的组合即为问题成分,所有的成分组成的完全连接图即为土地利用布局优化问题描述图,描述图中各成分的权重即为蚁群优化算法的启发值;土地利用综合效益函数构成了蚁群算法的目标函数,蚁群根据目标函数从种群中选择较好的解作为最优解,因而蚁群中最优蚂蚁表征最优的配置结果。
在上述的一种智能土地利用布局优化配置方法,所述的步骤2中,求解得出土地利用布局优化结果的步骤包括:
步骤2.1,初始化算法参数:算法参数包括:蚂蚁数目M、启发式因子α、期望启发式因子β、信息素挥发率ρ及信息素初始量Q等;算法终止条件参数包括:最大迭代次数I、最长运行时间T、期望目标收敛值G、最长收敛停滞代数N,同时将土地利用适宜性评价数据读取到启发值矩阵中;
步骤2.2,初始化蚂蚁记忆;
步骤2.3,计算当前图斑对应的所有成分的选择概率,所述选择概率即所有地类的选择概率,并判断图斑的地类转换是否满足约束条件,若不满足约束条件,则将其选择概率置为0,约束条件包括:地类转换约束,即因政策法规(如退耕还林、禁止抛荒、城镇建设用地不能转化为其他地类)、自然条件(如坡度、土壤质地、耕层厚度、PH、交通条件、给排水条件)决定的地块在发生地类转换时必须遵循的规则;面积约束,即各个地类的面积必须满足土地利用结构的要求,然后用轮盘赌随机选择一种地类作为该图斑的用途,并将该图斑及为其选择的地类组成的成分加入到正在构建的方案中;
步骤2.4,判断是否完成所有图斑的访问,没有完成将蚂蚁移动到下一个图斑,并执行步骤2.3,否则执行步骤2.5;
步骤2.5,判断是否有局部搜索机制,有则进行局部搜索;
步骤2.6,更新信息素;
步骤2.7,将当前蚂蚁构建的解与最优解进行对比,若更优则将其更新为最优解,并判断是否所有蚂蚁完成了方案构建,没有完成则选择下一只蚂蚁作为当前蚂蚁,并转至步骤2.2,否则转至步骤2.8;
步骤2.8,判断是否满足结束条件(结束条件为步骤2.1中所述的算法终止条件:最大迭代次数I、最长运行时间T、期望目标收敛值G、最长收敛停滞代数N,可选择其中一个或多个作为结束条件,当满足其中任一终止条件时,算法循环终止),若不满足则转至步骤2.1;
步骤2.9,结果输出。
在上述的一种智能土地利用布局优化配置方法,所述步骤2.3的具体方法是,定义当前图斑各地类的选择概率为P(Cij),并计算当前图斑各地类的选择概率为P(Cij),然后轮盘赌随机选择一种地类作为该图斑的用途,及从当前图斑的成分集中选择一个成分,并放入到蚂蚁构建的方案中,
P(Cij)=[PAS(Cij)+Pneighbourhood(Cij)μ]×Pconstraint(Cij)
式中:PAS(Cij)表示按蚂蚁系统选择概率计算方式计算的的选择概率,Pneighbourhood(Cij)表示第i个栅格单元邻域中地类为j的单元的频数,μ为邻域影响系数,Pconstraint(Cij)为考虑约束条件的转换概率,即当第i个单元满足约束条件,可以转换为地类j时,其值为1,反之为0。
在上述的一种智能土地利用布局优化配置方法,所述步骤2.6的更新信息表基于目标函数:
fk=Wsfsuitability(k)+WCfcompactness(k)+WUfunchanged(k)
式中Ws、Wc及Wu为各目标权重,三者之和为1,各权重的大小根据目标的相对重要性确定,即越重要的目标,其权重越大,各子目标包括最大化适宜性fsuitability:鼓励因地制宜,合理利用土地;最大化空间紧凑度fcompactness:鼓励空间集聚,最大化不变率funchanged:减少因地类转换带来的成本的计算方式如下:
式中:n为栅格单元总数,j为栅格单元i的用途,Sij为栅格单元i用作地类j时的适宜性;Cij为单元i的8邻域中类型为j的单元的数目;nunchanged表示没有转换的单元数目,其中Sij与Cij通过下式进行归一化处理:
Nnorm=(N-Nmin)/(Nmax-Nmin)
信息素按下式进行更新:
τij←(1-ρ)τij+Δτij
式中:ρ为信息素挥发率,fk为第k只蚂蚁构建方案的目标函数分值。
因此,本发明具有如下优点:1.将蚁群优化算法空间化,建立土地利用布局优化问题描述图,使得算法与问题一一映射,更加有利于问题的快速、有效的求解;2.利用蚁群的群智能模拟人类在土地利用布局优化过程中的决策行为,以提高土地利用布局优化的合理性和适用性;该方法同多目标处理技术相结合,能够在不同的发展情景下生成多种候选方案,为决策者提供决策支持。
附图说明
图1本发明的土地利用布局优化流程图。
图2本发明的土地利用布局优化问题描述图,其中每个节点即为布局方案的组成成分,由一个图斑及一种地类组成,所有的这种成分组成的完全连接图即为问题描述图,成分的权值即为蚁群优化算法的启发值,通常设置为土地适宜性评价结果。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
本发明所采用的蚁群优化算法流程图如图1示。
一种智能土地利用布局优化配置方法包括如下步骤:
步骤1.获取土地利用布局优化的基础数据,包括空间数据和统计数据两类:空间数据包括土地利用现状数据、土地利用适宜性评价数据、坡度图等限制性因素因子图等,并将这些多种来源、不同格式的数据进行统一规范化处理,形成一个统一的基础数据库;统计数据包括自然、社会和经济数据等统计年鉴数据,用以确定土地利用结构以及限制条件和目标函数的计算。
在上述数据的基础上,对土地利用布局优化问题进行建模,包括确定目标函数和约束条件体系,并设置蚁群优化算法的启发值,从而构建土地利用布局优化问题描述图以确立问题与算法间的映射关系:蚁群中的每个蚂蚁代表一种土地利用布局方案,方案的组成成分由两个部分组成:图斑及其土地利用类型,所有的图斑及其被分配的土地利用类型组成了完整的优化方案。这种一个图斑及一种土地利用类型的组合即为问题成分,所有的成分组成的完全连接图即为土地利用布局优化问题描述图,描述图中各成分的权重(设置为适宜性评价结果)即为蚁群优化算法的启发值。土地利用综合效益函数构成了蚁群算法的目标函数,蚁群根据目标函数从种群中选择较好的解作为最优解,因而蚁群代表了最优的解决方案。
步骤2.应用蚁群优化算法在土地利用布局优化问题描述图上进行优化,首先初始化各个算法参数,包括:基本的算法参数,如蚂蚁数目M、启发式因子α、期望启发式因子β、信息素挥发率ρ及信息素初始量Q等;算法终止条件参数,如最大迭代次数I、最长运行时间T、最长收敛停滞代数N等。同时将土地利用适宜性评价数据读取到启发值矩阵中。
步骤3.清空蚂蚁记忆,蚂蚁记忆中存储的是其构建的方案,因此在蚂蚁开始搜索前应清空其记忆,便于新方案的构建。
步骤4.计算当前图斑各地类的选择概率P(Cij),然后轮盘赌随机选择一种地类作为该图斑的用途,及从当前图斑的成分集中选择一个成分,并放入到蚂蚁构建的方案中。
P(Cij)=[PAS(Cij)+Pneighbourhood(Cij)μ]×Pconstraint(Cij)
式中:PAS(Cij)表示按蚂蚁系统选择概率计算方式计算的的选择概率,Pneighbourhood(Cij)表示第i个栅格单元邻域中地类为j的单元的频数,μ为邻域影响系数,Pconstraint(Cij)为考虑约束条件的转换概率,即当第i个单元满足约束条件,可以转换为地类j时,其值为1,反之为0。
步骤5.按步骤4为所有图斑选择地类,并将其代表的成分添加到正在构建的方案中,直至方案构建完成。
步骤6.判断是否有局部搜索策略,如果有则对步骤5中构建的方案进行局部搜索,生成局部最优解。如果没有,直接执行步骤7.
步骤7.蚂蚁根据目标函数评价构建的方案并进行信息素的更新。目标函数为:
fk=Wsfsuitability(k)+WCfcompactness(k)+WUfunchanged(k)
式中Ws、Wc及Wu为各目标权重,三者之和为1,各权重的大小根据目标的相对重要性确定,即越重要的目标,其权重越大。各子目标(最大化适宜性fsuitability:鼓励因地制宜,合理利用土地;最大化空间紧凑度fcompactness:鼓励空间集聚,最大化不变率funchanged:减少因地类转换带来的成本)计算方式如下:
式中:n为栅格单元总数,j为栅格单元i的用途,Sij为栅格单元i用作地类j时的适宜性;Cij为单元i的8邻域中类型为j的单元的数目;nunchanged表示没有转换的单元数目。其中Sij与Cij通过下式进行归一化处理:
Nnorm=(N-Nmin)/(Nmax-Nmin)
信息素按下式进行更新:
τij←(1-ρ)τij+Δτij
式中:ρ为信息素挥发率,fk为第k只蚂蚁构建方案的目标函数分值
步骤7.所有蚂蚁按步骤3只步骤7生成一种方案。
步骤8.蚁群从其种群的所有蚂蚁构建的方案中,选择目标函数分值最高者作为当前迭代最优解,将其与全局最优解进行对比,若更优则将其更新为全局最优解。
步骤9.结果输出,包括根据土地利用布局优化方案生成土地利用空间布局图,并保存算法运行的过程数据,如每次迭代的运行时间、最优解等等。
实施例:
选取某一乡镇土地利用布局优化为例,利用本发明方法开展土地利用布局优化研究的具体实施过程为:
1)提取土地利用布局优化所需的土地利用现状图、土地适宜性评价结果图、坡度图等限制性因素因子图等空间数据及乡镇统计年鉴等统计数据,获取其土地利用结构,并通过数据录入、数字化和文件导入等方式建立土地利用分区整合数据库。
2)在以上数据基础上对问题建模,构建土地利用布局优化问题描述图,建立算法与问题的映射关系。
3)经过多次试验过程对比算法的收敛情况及运行时间,获取最佳算法参数:M=35,α=1,β=1,ρ=0.5,N=200(Q由算法自习计算,结束条件以最大迭代次数为准)。
4)约束条件设置如下:(1)基本农田保护:即在基本农田保护区的耕地应当尽量不转换为其他土地利用类型;(2)退耕还林:在坡地和山地的耕地应当转换为林地;(3)禁止抛荒:即所有其他地类不能转换为未利用地;(4)城镇用地一般不向农用地进行转换;(5)城镇用地的扩张应当在允许建设区内,不得超出其范围;(6)交通运输用地、水域、采矿用地、风景名胜和特殊用地布局根据专项规划确定单元用途;(7)面积约束:地类面积必须满足数量结构约束。
5)所有蚂蚁在4)中的设置的约束条件下完成方案构建;
6)设置子目标权重(通过多次调整权重,获取在强调不同的优化目标情况下的土地利用布局方案)。
7)循环迭代。在循环达到200次时,算法终止。
8)优化结果输出。在不同的子目标权重设置下,输出不同的土地利用优化方案,并根据实验区域经济发展条件好,但土地利用不合理的实际情况,选择权重设置为WS=0.4,WC=0.2,WU=0.2的情况下所生成的方案作为实验区最终的土地利用布局方案。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (4)
1.一种智能土地利用布局优化配置方法,其特征在于,该方法包括如下步骤:
步骤1,获取土地利用布局优化数据,包括空间数据和统计数据两类:空间数据包括土地利用现状数据、土地利用适宜性评价数据、坡度图;统计数据主要包括土地利用结构数据;
步骤2,应用蚁群优化算法在步骤1的数据基础上进行优化,对土地利用布局优化问题进行建模,包括确定目标函数和约束条件体系,并设置蚁群优化算法的启发值,从而构建土地利用布局优化问题描述图以建立待求问题与蚁群之间的映射关系,并利用蚁群优化算法在问题描述图上求解得出土地利用布局优化结果;
所述的建立待求问题与蚁群之间的映射关系如下:蚁群中的每个蚂蚁代表一种土地利用布局方案,方案的组成成分由两个部分组成:图斑及其土地利用类型,所有的图斑及其被分配的土地利用类型组成了完整的优化方案,这种一个图斑及一种土地利用类型的组合即为问题成分,所有的成分组成的完全连接图即为土地利用布局优化问题描述图,描述图中各成分的权重即为蚁群优化算法的启发值;土地利用综合效益函数构成了蚁群算法的目标函数,蚁群根据目标函数从种群中选择较好的解作为最优解,因而蚁群中最优蚂蚁表征最优的配置结果。
2.根据权利要求1所述的一种智能土地利用布局优化配置方法,其特征在于,所述的步骤2中,求解得出土地利用布局优化结果的步骤包括:
步骤2.1,初始化算法参数:算法参数包括:蚂蚁数目M、启发式因子α、期望启发式因子β、信息素挥发率ρ及信息素初始量Q;算法终止条件参数包括:最大迭代次数I、最长运行时间T、期望目标收敛值G、最长收敛停滞代数N,同时将土地利用适宜性评价数据读取到启发值矩阵中;
步骤2.2,初始化蚂蚁记忆;
步骤2.3,计算当前图斑对应的所有成分的选择概率,所述选择概率即所有地类的选择概率,并判断图斑的地类转换是否满足约束条件,若不满足约束条件,则将其选择概率置为0,约束条件包括:地类转换约束,即因政策法规、自然条件决定的地块在发生地类转换时必须遵循的规则,所述政策法规包括退耕还林、禁止抛荒、城镇建设用地不能转化为其他地类,所述自然条件包括坡度、土壤质地、耕层厚度、PH、交通条件、给排水条件;面积约束,即各个地类的面积必须满足土地利用结构的要求,然后用轮盘赌随机选择一种地类作为该图斑的用途,并将该图斑及为其选择的地类组成的成分加入到正在构建的方案中;
步骤2.4,判断是否完成所有图斑的访问,没有完成将蚂蚁移动到下一个图斑,并执行步骤2.3,否则执行步骤2.5;
步骤2.5,判断是否有局部搜索机制,有则进行局部搜索;
步骤2.6,更新信息素,包括信息素挥发率ρ及信息素初始量Q;
步骤2.7,将当前蚂蚁构建的解与最优解进行对比,若更优则将其更新为最优解,并判断是否所有蚂蚁完成了方案构建,没有完成则选择下一只蚂蚁作为当前蚂蚁,并转至步骤2.2,否则转至步骤2.8;
步骤2.8,判断是否满足结束条件,若不满足则转至步骤2.1,所述结束条件为步骤2.1中所述的算法终止条件:最大迭代次数I、最长运行时间T、期望目标收敛值G、最长收敛停滞代数N,可选择其中一个或多个作为结束条件,当满足其中任一终止条件时,算法循环终止;
步骤2.9,结果输出。
3.根据权利要求2所述的一种智能土地利用布局优化配置方法,其特征在于,所述步骤2.3的具体方法是,定义当前图斑各地类的选择概率P(Cij),并计算当前图斑各地类的选择概率为P(Cij),然后轮盘赌随机选择一种地类 作为该图斑的用途,及从当前图斑的成分集中选择一个成分,并放入到蚂蚁构建的方案中,
P(Cij)=[PAS(Cij)+Pneighbourhood(Cij)μ]×Pconstraint(Cij)
式中:PAS(Cij)表示按蚂蚁系统选择概率计算方式计算的选择概率,Pneighbourhood(Cij)表示第i个栅格单元邻域中地类为j的单元的频数,μ为邻域影响系数,Pconstraint(Cij)为考虑约束条件的转换概率,即当第i个单元满足约束条件,可以转换为地类j时,其值为1,反之为0。
4.根据权利要求2所述的一种智能土地利用布局优化配置方法,其特征在于,所述步骤2.6的更新信息表基于目标函数:
fk=Wsfsuitability(k)+WCfcompactness(k)+WUfunchanged(k)
式中Ws、Wc及Wu为各目标权重,三者之和为1,各权重的大小根据目标的相对重要性确定,即越重要的目标,其权重越大,各子目标包括最大化适宜性fsuitability:鼓励因地制宜,合理利用土地;最大化空间紧凑度fcompactness:鼓励空间集聚,最大化不变率funchanged:减少因地类转换带来的成本;各子目标计算方式如下:
式中:n为栅格单元总数,j为栅格单元i的用途,Sij为栅格单元i用作地类j时的适宜性;Cij为单元i的8邻域中类型为j的单元的数目;nunchanged表示没有转换的单元数目,其中Sij与Cij通过下式进行归一化处理:
Nnorm=(N-Nmin)/(Nmax-Nmin)
信息素按下式进行更新:
τij←(1-ρ)τij+Δτij
式中:ρ为信息素挥发率,fk为第k只蚂蚁构建方案的目标函数分值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310099594.1A CN103136603B (zh) | 2013-03-26 | 2013-03-26 | 一种智能土地利用布局优化配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310099594.1A CN103136603B (zh) | 2013-03-26 | 2013-03-26 | 一种智能土地利用布局优化配置方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103136603A CN103136603A (zh) | 2013-06-05 |
CN103136603B true CN103136603B (zh) | 2017-02-22 |
Family
ID=48496412
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310099594.1A Active CN103136603B (zh) | 2013-03-26 | 2013-03-26 | 一种智能土地利用布局优化配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103136603B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105761192A (zh) * | 2016-02-19 | 2016-07-13 | 北京舜土国源信息技术有限公司 | 村镇区域土地利用规划智能化方法和智能化集成系统 |
CN106651017A (zh) * | 2016-12-13 | 2017-05-10 | 郑州轻工业学院 | 一种基于蚁群算法的土地整理项目选址方法 |
CN106909986B (zh) * | 2017-01-18 | 2020-12-25 | 李红旮 | 一种使用蚁群多目标布局优化模型的土地再开发规划方法 |
CN107977711B (zh) * | 2017-12-21 | 2020-11-03 | 武汉大学 | 一种面向“三线”协同优化的多智能体遗传方法 |
CN108446782A (zh) * | 2018-01-19 | 2018-08-24 | 武汉工程大学 | 一种顾及多尺度的土地资源优化配置方法 |
CN108182499B (zh) * | 2018-01-25 | 2022-04-08 | 上海交通大学 | 一种针对vrp问题的混合蚁群算法及其实现系统 |
CN108876027B (zh) * | 2018-06-06 | 2022-03-29 | 安徽建筑大学 | 一种基于gis的农村居民点集中居住区选址和优化方法 |
CN109376902B (zh) * | 2018-09-07 | 2021-02-02 | 中国水利水电科学研究院 | 一种面向作物需水过程的坡耕地垄沟布局优化方法 |
CN109086947B (zh) * | 2018-09-10 | 2021-09-21 | 东南大学 | 采用r语言的交通导向的商业用地优化配置软件 |
CN110990156A (zh) * | 2019-12-09 | 2020-04-10 | 深圳集智数字科技有限公司 | 一种资源自动配置方法及装置 |
CN112700045B (zh) * | 2020-12-31 | 2022-05-13 | 武汉市土地利用和城市空间规划研究中心 | 一种基于土地储备实施监测模型的智能选址系统 |
CN115577058B (zh) * | 2022-09-23 | 2023-08-01 | 中国测绘科学研究院 | 一种兼顾全局与局部最优影响的小图斑竞争分裂方法 |
CN117113514B (zh) * | 2023-10-17 | 2024-01-09 | 中天昊建设管理集团股份有限公司 | 一种基于bim技术的建筑设计布局优化系统 |
CN117520673B (zh) * | 2024-01-08 | 2024-03-29 | 浙江省测绘科学技术研究院 | 用于实现布局优化的地块转换方法、终端及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002042929A1 (en) * | 2000-11-22 | 2002-05-30 | Adobe Systems Incorporated | Automated paragraph layout |
JP2008280029A (ja) * | 2007-04-13 | 2008-11-20 | Toyo Tire & Rubber Co Ltd | タイヤの設計方法 |
CN101877034A (zh) * | 2009-11-19 | 2010-11-03 | 武汉大学 | 一种土地利用自动分区方法 |
CN103150613A (zh) * | 2013-03-26 | 2013-06-12 | 武汉大学 | 一种土地利用布局智能优化方法 |
-
2013
- 2013-03-26 CN CN201310099594.1A patent/CN103136603B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002042929A1 (en) * | 2000-11-22 | 2002-05-30 | Adobe Systems Incorporated | Automated paragraph layout |
JP2008280029A (ja) * | 2007-04-13 | 2008-11-20 | Toyo Tire & Rubber Co Ltd | タイヤの設計方法 |
CN101877034A (zh) * | 2009-11-19 | 2010-11-03 | 武汉大学 | 一种土地利用自动分区方法 |
CN103150613A (zh) * | 2013-03-26 | 2013-06-12 | 武汉大学 | 一种土地利用布局智能优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103136603A (zh) | 2013-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103136603B (zh) | 一种智能土地利用布局优化配置方法 | |
Shi et al. | A review of simulation-based urban form generation and optimization for energy-driven urban design | |
Pan et al. | Understanding interactions between urban development policies and GHG emissions: A case study in Stockholm Region | |
Frenkel | The potential effect of national growth-management policy on urban sprawl and the depletion of open spaces and farmland | |
La Rosa et al. | Characterization of non-urbanized areas for land-use planning of agricultural and green infrastructure in urban contexts | |
Chhetri et al. | Mapping urban residential density patterns: Compact city model in Melbourne, Australia | |
Quijano H et al. | MODERGIS application: Integrated simulation platform to promote and develop renewable sustainable energy plans, Colombian case study | |
CN102509172B (zh) | 一种基于gis技术的土地利用碳排放减量化控制优化方法 | |
Liu et al. | Regional land-use allocation with a spatially explicit genetic algorithm | |
CN106251020A (zh) | 基于资源环境承载力的土地利用布局优选方法 | |
Koomen et al. | Introducing land use scanner | |
Gunn | Models for strategic forest management | |
Li et al. | Bringing conservation priorities into urban growth simulation: An integrated model and applied case study of Hangzhou, China | |
Öhman et al. | Clustering of harvest activities in multi-objective long-term forest planning | |
CN103136707B (zh) | 一种土地利用分层配置方法 | |
CN107067091A (zh) | 一种基于蚁群优化算法的城市生态用地空间规划模型 | |
Tao et al. | The spatial pattern of agricultural ecosystem services from the production-living-ecology perspective: A case study of the Huaihai Economic Zone, China | |
Chen et al. | Optimizing urban green space patterns to improve spatial equity using location-allocation model: A case study in Wuhan | |
CN106651017A (zh) | 一种基于蚁群算法的土地整理项目选址方法 | |
Shao et al. | An improved artificial bee colony-based approach for zoning protected ecological areas | |
Azuara-García et al. | Embedding sustainable land-use optimization within system dynamics: Bidirectional feedback between spatial and non-spatial drivers | |
Salcedo-Sanz et al. | A novel grouping coral reefs optimization algorithm for optimal mobile network deployment problems under electromagnetic pollution and capacity control criteria | |
Ghosh et al. | Local food production in home gardens: measuring on-site sustainability potential of residential development | |
CN104703059A (zh) | 一种宽带接入网络的规划方法及装置 | |
Penteado | Effects of open space configurations and development patterns on future urban wildlife habitats and populations |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |