CN103150613B - 一种土地利用布局智能优化方法 - Google Patents

一种土地利用布局智能优化方法 Download PDF

Info

Publication number
CN103150613B
CN103150613B CN201310099532.0A CN201310099532A CN103150613B CN 103150613 B CN103150613 B CN 103150613B CN 201310099532 A CN201310099532 A CN 201310099532A CN 103150613 B CN103150613 B CN 103150613B
Authority
CN
China
Prior art keywords
mrow
msub
particle
layout
land
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
Application number
CN201310099532.0A
Other languages
English (en)
Other versions
CN103150613A (zh
Inventor
刘耀林
彭金金
焦利民
刘殿锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201310099532.0A priority Critical patent/CN103150613B/zh
Publication of CN103150613A publication Critical patent/CN103150613A/zh
Application granted granted Critical
Publication of CN103150613B publication Critical patent/CN103150613B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种土地利用布局智能优化方法，尤指应用于土地利用空间优化配置中的基于粒子群优化算法的土地利用布局智能优化方法，属于土地利用规划领域。本发明提供的布局智能优化方法首先收集并整理土地利用布局相关的统计数据和空间数据，然后选择合适的栅格图斑划分方法，确定算法操作单元，再将数据导入粒子群优化模型中，进行问题建模和布局优化，并最终生成土地利用布局优化结果。本发明可以较好地模拟人类在土地利用决策过程中的智能行为，以提高土地利用布局的合理性，并且采用了高效的优化算法，适用于大区域的土地利用布局，并且当优化条件改变时模型能够实时动态响应，产生新的优化布局方案。

Description

一种土地利用布局智能优化方法
技术领域
本发明涉及土地利用规划领域，尤其是涉及一种土地利用布局智能优化方法。
背景技术
土地利用布局是根据上级下达的规划指标并结合本地区的用地需求所确定的土地利用数量结构，将各种土地用途落实到具体空间上的过程，是土地利用规划得以实施的基础。传统土地利用布局方法多采用人工的方式，即将与土地使用需求相关的自然因素根据土地适宜性分析的原则，套绘在底图上，生成各种土地使用的发展潜力图；界定各种土地适用类型与自然条件的限制，套绘在地图上，生成各种土地使用类型的限制图；将土地使用的发展潜力图和限制图叠合，生成适宜性分布图，每个地块根据适宜性分布图的结果选择最适宜的土地利用类型。但是这种手工叠图的方式只追求了用地适宜性的目标，无法考虑其他目标如规划成本最小化的目标、空间紧凑度最高化的目标，并且规划的质量受规划编制人员经验的限制，带有一定的主观随意性。近年来，一些研究将数学定量化方法引入到土地利用布局过程中，如采用线性规划、单纯型法、整型规划的方法对土地利用布局进行优化。但是，由于地区土地利用布局规划往往涉及到多目标的取舍、多约束条件的限制和空间相关性，使得这类经典数学方法在大多数情况下不能得出优化解。随着人们越来越关注到人工智能算法在解决各类复杂问题中所体现的潜力，这些智能算法逐渐被应用于土地利用布局优化问题中。智能算法对于解决非线性、多目标和涉及复杂空间操作的土地利用布局优化问题表现出良好的兼容性，一些应用智能算法的土地利用布局模型已被建立来辅助土地利用规划。但是现有模型仍存在效率低下的问题，只适用于小区域低精度的土地利用布局。对于大区域高精度项目区所带来的海量数据，现有模型还不能加以处理。并且当规划条件改变时，需要模型能够实时动态响应，快速生成新的布局优化结果，但现有模型的低效性使得现有方法对此无能为力。所以，当前土地利用规划对产生出一套能够适用于大区域高精度规划、处理海量数据、实时动态响应变化的土地利用布局优化模型提出了需求。
发明内容
本发明主要是解决现有技术所存在的技术问题；提供了一种采用粒子群智能优化算法进行土地利用布局的优化，克服了传统土地利用布局方式中对规划编人员经验的严重依赖，以及由于人的主观偏好性带来的土地利用布局不合理问题的一种土地利用布局智能优化方法。
本发明还有一目的是解决现有技术所存在的技术问题；提供了一种提高了算法运行效率，并以转换规则约束操作单元用地类型的转换，提高了布局结果的质量的一种土地利用布局智能优化方法。
本发明再有一目的是解决现有技术所存在的技术问题；提供了一种适用于大区域的土地利用布局优化，并且在优化条件改变时快速动态调整，产生新的优化布局方案的一种土地利用布局智能优化方法。
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：
一种土地利用布局智能优化方法，其特征在于该方法包括如下步骤：
步骤1，收集并整理土地利用布局相关基础数据，对所有基础数据按统一的范围和格网大小进行栅格化；
步骤2，划分操作单元，选择合适的图斑块划分方式确定算法的操作单元；
步骤3，将数据导入至粒子群土地利用布局优化模型中，进行问题建模，建立待求解问题和粒子群之间的概念映射关系，最终得到土地利用布局优化结果。
在上述的一种土地利用布局智能优化方法，所述土地利用布局相关基础数据包括基础统计数据和空间数据，基础统计数据如地区历年人口、对各类土地的需求量、森林覆盖率、地区总面积，空间数据如土地利用现状图、各地类适宜性评价结果、道路交通图、坡度图、土壤肥力分布图、耕层厚度分布图，对空间数据需按照统一的范围和格网大小进行栅格化，使得每个栅格单元的属性信息对应起来。
在上述的一种土地利用布局智能优化方法，确定算法操作单元的方法为选择属性相似且相互连通的均质区划分为操作单元。
在上述的一种土地利用布局智能优化方法，建立待求解问题和粒子群之间的概念映射关系如下：一种土地利用布局方案对应于粒子群算法中的一个粒子，操作单元在当前方案中的土地利用状态对应于粒子的位置，操作单元向各种用地类型变化的转换概率对应于粒子的速度，土地利用布局方案优劣的评价函数对应于粒子群的适应度函数。
在上述的一种土地利用布局智能优化方法，所述的步骤3）中，求解得出土地利用优化布局结果的步骤包括以下子步骤：
步骤3.1，根据适应度函数，对粒子进行评价，计算每个粒子的适应度值，其中适应度函数为：
式中：为地类k的平均适宜性，cij为（i，j）栅格单元的邻接性指数，为地类k的平均空间紧凑度，fk为地类k的综合评价函数，F为总评价函数即适应度评价函数；（i，j）为栅格单元行列号，（M,N）为地图的总行数和总列数，sijk为（i，j）栅格单元作为地类k的适宜性评价值，xijk当（i，j）栅格单元的土地利用类型为k时取值为1，否则为0，Nk为用地类型为k的栅格单元总数，Ω表示当前单元周围8领域内的栅格单元，K为土地利用布局优化中所涉及的地类总数，ws、wc、wk分别为适宜性目标权重、空间紧凑度权重和地类k综合评价目标权重；
步骤3.2，根据粒子的适应度值，更新粒子的历史最佳位置Pbest和种群的全局最优位置Gbest更新的公式为：
式中：Pibest(t+1)为第i各粒子在第t+1代的历史最佳位置，Gbest(t+1)为粒子种群在第t+1代的全局最佳位置，xi(t+1)为第i个粒子在t+1代的位置，N为种群中粒子总数；
步骤3.3，以步骤3.2得出的历史最佳位置和全局最优位置，更新每个粒子的速度和位置，粒子i的速度和位置更新的公式为：
式中：vd(t+1)为粒子在第d维度上t+1代的速度，xd(t+1)为粒子在第d维度上t+1代的位置；w、c1、c2分别为惯性权重、认知系数和社会系数，是粒子保持原速、向自身历史最佳位置、向全局最佳位置前进的调节系数，rand()、Rand()是取值为[0,1]的随机数产生函数；为学习算子，表示粒子在第d维的位置取最佳位置k的概率加1，⊕为位置更新算子，表示根据速度所表示的概率向量采用轮盘赌的方式决定新的位置值；
步骤3.4.判断是否达到用户设定的最大迭代次数或者最长运行时间的终止条件，当满足条件时输出结果，否则将步骤3.3更新后的粒子作为步骤3.1的输入进行粒子评价，继续进行循环迭代优化。
因此，本发明具有如下优点：1.采用粒子群智能优化算法进行土地利用布局的优化，克服了传统土地利用布局方式中对规划编人员经验的严重依赖，以及由于人的主观偏好性带来的土地利用布局不合理问题；2.对算法操作单元进行了改进，提高了算法运行效率，并以转换规则约束操作单元用地类型的转换，提高了布局结果的质量；3.采用了并行的方法，使得模型适用于大区域的土地利用布局优化，并且在优化条件改变时快速动态调整，产生新的优化布局方案。
附图说明
图1本发明的算法流程图。
图2本发明的复合操作单元示意图。
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。
实施例：
本发明所采用的粒子群算法的流程图如图1示。
该土地利用布局智能优化方法包括如下步骤：
步骤1.收集并整理土地利用布局相关基础数据，包括基础统计数据和空间数据，基础统计数据如地区历年人口、对各类土地的需求量、森林覆盖率、地区总面积，空间数据如土地利用现状图、各地类适宜性评价结果、道路交通图、坡度图、土壤肥力分布图、耕层厚度分布图。对空间数据需按照统一的范围和格网大小进行栅格化，使得每个栅格单元的属性信息对应起来。
步骤2.划分操作单元，根据步骤1所整理的栅格属性信息，将多个属性相似且相互连通的栅格单元划分为一个操作单元（如图2），确定算法的操作单元。
步骤3.将数据导入至粒子群土地利用布局优化模型中，进行问题建模，选取合适的操作单元，建立待求解问题和粒子群之间的概念映射关系：一种土地利用布局方案对应于粒子群算法中的一个粒子，操作单元在当前方案中的土地利用状态对应于粒子的位置，操作单元向各种用地类型变化的转换概率对应于粒子的速度，土地利用布局方案优劣的评价函数对应于粒子群的适应度函数。
步骤4.初始化每个粒子的位置和速度；
式中：vd为粒子在第d维度上的速度，xd为粒子在第d维度上的位置；为土地利用布局优化中所涉及的地类总数，rand()为取值范围是[0,1]的随机数产生函数，为向下取整。
步骤4.根据适应度函数，对粒子进行评价，计算每个粒子的适应度值，其中适应度函数为：
式中：为地类k的平均适宜性，cij为（i，j）栅格单元的邻接性指数，为地类k的平均空间紧凑度，fk为地类k的综合评价函数，F为总评价函数即适应度评价函数；（i，j）为栅格单元行列号，（M,N）为地图的总行数和总列数，sijk为（i，j）栅格单元作为地类k的适宜性评价值，xijk当（i，j）栅格单元的土地利用类型为k时取值为1，否则为0，Nk为用地类型为k的栅格单元总数，Ω表示当前单元周围8领域内的栅格单元，K为土地利用布局优化中所涉及的地类总数，ws、wc、wk分别为适宜性目标权重、空间紧凑度权重和地类k综合评价目标权重。
步骤5.根据粒子的适应度值，更新粒子的历史最佳位置Pbest和种群的全局最优位置Gbest更新的公式为：
式中：Pibest(t+1)为第i各粒子在第t+1代的历史最佳位置，Gbest(t+1)为粒子种群在第t+1代的全局最佳位置，xi(t+1)为第i个粒子在t+1代的位置，N为种群中粒子总数。
步骤6．以步骤5）得出的历史最佳位置和全局最优位置，更新每个粒子的速度和位置，粒子i的速度和位置更新的公式为：
式中：vd(t+1)为粒子在第d维度上t+1代的速度，xd(t+1)为粒子在第d维度上t+1代的位置；w、c1、c2分别为惯性权重、认知系数和社会系数，是粒子保持原速、向自身历史最佳位置、向全局最佳位置前进的调节系数，rand()、Rand()是取值为[0,1]的随机数产生函数；为学习算子，表示粒子在第d维的位置取最佳位置k的概率加1，⊕为位置更新算子，表示根据速度所表示的概率向量采用轮盘赌的方式决定新的位置值。
步骤7.判断是否达到终止条件，当满足条件时输出结果，否则将步骤6）更新后的粒子作为步骤4）的输入，继续进行循环迭代优化。
下面是采用上述方法选取某一乡镇土地利用布局优化的具体实施例，利用本发明方法开展土地利用布局优的具体实施过程为：
1）收集并整理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、坡度图、道路交通图、土壤肥力分布图、耕层厚度图、各类土地需求量等统计数据和空间数据，对空间数据按统一的范围和格网大小进行栅格化。
2）划分操作单元，将土地利用现状、土壤肥力、耕层厚度属性相似并相互连通的多个栅格单元划分为操作单元，确定本次优化的操作单元。
3）初始化每个粒子的位置和速度，本实例设定种群中粒子数为20，所涉及的土地利用类型总数K为7，即空值、耕地、园地、林地、建设用地、水域和未利用地，初始化函数为：
式中：rand()是取值为[0,1]的随机数产生函数。
4）根据适应度函数，对粒子进行评价，计算每个粒子的适应度值，其中适应度函数为其中：
5）根据粒子的适应度值，更新粒子的历史最佳位置Pbest和种群的全局最优位置Gbest。
6）以步骤5）得出的历史最佳位置和全局最优位置，更新每个粒子的速度和位置，粒子i的速度和位置更新的公式为：
本实例中w=1.1，c1=2.0，c2=2.0。
7）判断是否达到终止条件，当满足条件时输出结果，否则将步骤4）更新后的粒子作为步骤2）的输入，继续进行循环迭代优化。本实例终止条件设为循环迭代100次，得到最终的布局优化结果。
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 (3)

1.一种土地利用布局智能优化方法，其特征在于该方法包括如下步骤：
步骤1，收集并整理土地利用布局相关基础数据，对所有基础数据按统一的范围和格网大小进行栅格化；
步骤2，划分操作单元，选择合适的图斑块划分方式确定算法的操作单元；
步骤3，将数据导入至粒子群土地利用布局优化模型中，进行问题建模，建立待求解问题和粒子群之间的概念映射关系，最终得到土地利用布局优化结果；
求解得出土地利用布局优化结果的步骤包括以下子步骤：
步骤3.1，根据适应度函数，对粒子进行评价，计算每个粒子的适应度值，其中适应度函数为：
<mrow> <msub> <mover> <mi>S</mi> <mo>&amp;OverBar;</mo> </mover> <mrow> <mi>s</mi> <mi>u</mi> <mi>i</mi> <mi>t</mi> <mo>,</mo> <mi>k</mi> </mrow> </msub> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> <mo>&amp;Element;</mo> <mo>(</mo> <mi>M</mi> <mo>,</mo> <mi>N</mi> <mo>)</mo> </mrow> </munder> <msub> <mi>s</mi> <mrow> <mi>i</mi> <mi>j</mi> <mi>k</mi> </mrow> </msub> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> <mi>k</mi> </mrow> </msub> <mo>/</mo> <msub> <mi>N</mi> <mi>k</mi> </msub> </mrow>
<mrow> <msub> <mi>c</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> <mo>&amp;Element;</mo> <mi>&amp;Omega;</mi> </mrow> </munder> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> <mi>k</mi> </mrow> </msub> <mo>/</mo> <msub> <mi>N</mi> <mi>&amp;Omega;</mi> </msub> </mrow>
<mrow> <msub> <mover> <mi>S</mi> <mo>&amp;OverBar;</mo> </mover> <mrow> <mi>c</mi> <mi>o</mi> <mi>m</mi> <mi>p</mi> <mi>a</mi> <mi>c</mi> <mi>t</mi> <mo>,</mo> <mi>k</mi> </mrow> </msub> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> <mo>&amp;Element;</mo> <mo>(</mo> <mi>M</mi> <mo>,</mo> <mi>N</mi> <mo>)</mo> </mrow> </munder> <msub> <mi>c</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> <mi>k</mi> </mrow> </msub> <mo>/</mo> <msub> <mi>N</mi> <mi>k</mi> </msub> </mrow>
<mrow> <msub> <mi>f</mi> <mi>k</mi> </msub> <mo>=</mo> <msub> <mi>w</mi> <mi>s</mi> </msub> <msub> <mover> <mi>S</mi> <mo>&amp;OverBar;</mo> </mover> <mrow> <mi>suit</mi> <mo>,</mo> <mi>k</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>w</mi> <mi>c</mi> </msub> <msub> <mover> <mi>S</mi> <mo>&amp;OverBar;</mo> </mover> <mrow> <mi>compact</mi> <mo>,</mo> <mi>k</mi> </mrow> </msub> </mrow>
<mrow> <mi>max</mi> <mi> </mi> <mi>F</mi> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>&amp;Element;</mo> <mi>K</mi> </mrow> </munder> <msub> <mi>w</mi> <mi>k</mi> </msub> <msub> <mi>f</mi> <mi>k</mi> </msub> </mrow>
式中：为地类k的平均适宜性，cij为(i，j)栅格单元的邻接性指数，为地类k的平均空间紧凑度，fk为地类k的综合评价函数，F为总评价函数即适应度评价函数；(i，j)为栅格单元行列号，(M,N)为地图的总行数和总列数，sijk为(i，j)栅格单元作为地类k的适宜性评价值，xijk当(i，j)栅格单元的土地利用类型为k时取值为1，否则为0，Nk为用地类型为k的栅格单元总数；Ω表示当前单元周围8领域内的栅格单元，K为土地利用布局优化中所涉及的地类总数，ws、wc、wk分别为适宜性目标权重、空间紧凑度权重和地类k综合评价目标权重；
步骤3.2，根据粒子的适应度值，更新粒子的历史最佳位置Pibest和种群的全局最优位置Gbest更新的公式为：
<mrow> <msub> <mi>P</mi> <mrow> <mi>i</mi> <mi>b</mi> <mi>e</mi> <mi>s</mi> <mi>t</mi> </mrow> </msub> <mrow> <mo>(</mo> <mrow> <mi>t</mi> <mo>+</mo> <mn>1</mn> </mrow> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>P</mi> <mrow> <mi>i</mi> <mi>b</mi> <mi>e</mi> <mi>s</mi> <mi>t</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mn>..........</mn> <mi>i</mi> <mi>f</mi> <mo>:</mo> <mi>F</mi> <mrow> <mo>(</mo> <mrow> <msub> <mi>x</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mrow> <mi>t</mi> <mo>+</mo> <mn>1</mn> </mrow> <mo>)</mo> </mrow> </mrow> <mo>)</mo> </mrow> <mo>&amp;le;</mo> <mi>F</mi> <mrow> <mo>(</mo> <mrow> <msub> <mi>P</mi> <mrow> <mi>i</mi> <mi>b</mi> <mi>e</mi> <mi>s</mi> <mi>t</mi> </mrow> </msub> <mrow> <mo>(</mo> <mrow> <mi>t</mi> <mo>+</mo> <mn>1</mn> </mrow> <mo>)</mo> </mrow> </mrow> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>x</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mrow> <mi>t</mi> <mo>+</mo> <mn>1</mn> </mrow> <mo>)</mo> </mrow> <mn>..........</mn> <mi>i</mi> <mi>f</mi> <mo>:</mo> <mi>F</mi> <mrow> <mo>(</mo> <mrow> <msub> <mi>x</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mrow> <mi>t</mi> <mo>+</mo> <mn>1</mn> </mrow> <mo>)</mo> </mrow> </mrow> <mo>)</mo> </mrow> <mo>&gt;</mo> <mi>F</mi> <mrow> <mo>(</mo> <mrow> <msub> <mi>P</mi> <mrow> <mi>i</mi> <mi>b</mi> <mi>e</mi> <mi>s</mi> <mi>t</mi> </mrow> </msub> <mrow> <mo>(</mo> <mrow> <mi>t</mi> <mo>+</mo> <mn>1</mn> </mrow> <mo>)</mo> </mrow> </mrow> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>
<mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <msub> <mi>G</mi> <mrow> <mi>b</mi> <mi>e</mi> <mi>s</mi> <mi>t</mi> </mrow> </msub> <mo>(</mo> <mi>t</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> <mo>=</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>(</mo> <mi>t</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mtd> </mtr> <mtr> <mtd> <mi>i</mi> <mi>f</mi> <mo>:</mo> <mi>F</mi> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mrow> <mi>t</mi> <mo>+</mo> <mn>1</mn> </mrow> <mo>)</mo> </mrow> <mo>)</mo> <mo>=</mo> <mi>min</mi> <mo>{</mo> <mi>F</mi> <mo>(</mo> <msub> <mi>x</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <mrow> <mi>t</mi> <mo>+</mo> <mn>1</mn> </mrow> <mo>)</mo> </mrow> <mo>)</mo> <mo>,</mo> <mi>F</mi> <mo>(</mo> <msub> <mi>x</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <mrow> <mi>t</mi> <mo>+</mo> <mn>1</mn> </mrow> <mo>)</mo> </mrow> <mo>)</mo> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mi>F</mi> <mo>(</mo> <msub> <mi>x</mi> <mi>N</mi> </msub> <mrow> <mo>(</mo> <mrow> <mi>t</mi> <mo>+</mo> <mn>1</mn> </mrow> <mo>)</mo> </mrow> <mo>)</mo> <mo>}</mo> </mtd> </mtr> </mtable> </mfenced>
式中：Pibest(t+1)为第i个粒子在第t+1代的历史最佳位置，Gbest(t+1)为粒子种群在第t+1代的全局最优位置，xi(t+1)为第i个粒子在t+1代的位置，N为种群中粒子总数；F(xi(t+1))中F为总评价函数即适应度评价函数；
步骤3.3，以步骤3.2得出的历史最佳位置和全局最优位置，更新每个粒子的速度和位置，粒子i的速度和位置更新的公式为：
<mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>v</mi> <mi>d</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>wv</mi> <mi>d</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>c</mi> <mn>1</mn> </msub> <mi>r</mi> <mi>a</mi> <mi>n</mi> <mi>d</mi> <mrow> <mo>(</mo> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <msub> <mi>P</mi> <mrow> <mi>d</mi> <mi>b</mi> <mi>e</mi> <mi>s</mi> <mi>t</mi> </mrow> </msub> <mo>&amp;CircleTimes;</mo> <msub> <mi>x</mi> <mi>d</mi> </msub> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>c</mi> <mn>2</mn> </msub> <mi>R</mi> <mi>a</mi> <mi>n</mi> <mi>d</mi> <mrow> <mo>(</mo> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <msub> <mi>G</mi> <mrow> <mi>d</mi> <mi>b</mi> <mi>e</mi> <mi>s</mi> <mi>t</mi> </mrow> </msub> <mo>&amp;CircleTimes;</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>x</mi> <mi>d</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>x</mi> <mi>d</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>&amp;CirclePlus;</mo> <msub> <mi>v</mi> <mi>d</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced> 1
式中：vd(t+1)为粒子在第d维度上t+1代的速度，xd(t+1)为粒子在第d维度上t+1代的位置；w、c1、c2分别为惯性权重、认知系数和社会系数，是粒子保持原速、向自身历史最佳位置、向全局最优位置前进的调节系数，rand()、Rand()是取值为[0,1]的随机数产生函数；为学习算子，表示粒子在第d维的位置取最佳位置k的概率加1，为位置更新算子，表示根据速度所表示的概率向量采用轮盘赌的方式决定新的位置值；
步骤3.4.判断是否达到用户设定的最大迭代次数或者最长运行时间的终止条件，当满足条件时输出结果，否则将步骤3.3更新后的粒子作为步骤3.1的输入进行粒子评价，继续进行循环迭代优化；
其中，建立待求解问题和粒子群之间的概念映射关系如下：一种土地利用布局方案对应于粒子群算法中的一个粒子，操作单元在当前方案中的土地利用状态对应于粒子的位置，操作单元向各种用地类型变化的转换概率对应于粒子的速度，土地利用布局方案优劣的评价函数对应于粒子群的适应度函数。
2.根据权利要求1所述的一种土地利用布局智能优化方法，其特征在于，所述土地利用布局相关基础数据包括基础统计数据和空间数据，基础统计数据包括地区历年人口、对各类土地的需求量、森林覆盖率、地区总面积，空间数据包括土地利用现状图、各地类适宜性评价结果、道路交通图、坡度图、土壤肥力分布图、耕层厚度分布图，对空间数据需按照统一的范围和格网大小进行栅格化，使得每个栅格单元的属性信息对应起来。
3.根据权利要求1所述的土地利用布局智能优化方法，其特征在于，确定算法操作单元的方法为选择属性相似且相互连通的均质区划分为操作单元。
CN201310099532.0A 2013-03-26 2013-03-26 一种土地利用布局智能优化方法 Active CN103150613B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310099532.0A CN103150613B (zh) 2013-03-26 2013-03-26 一种土地利用布局智能优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310099532.0A CN103150613B (zh) 2013-03-26 2013-03-26 一种土地利用布局智能优化方法

Publications (2)

Publication Number Publication Date
CN103150613A CN103150613A (zh) 2013-06-12
CN103150613B true CN103150613B (zh) 2017-10-03

Family

ID=48548673

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310099532.0A Active CN103150613B (zh) 2013-03-26 2013-03-26 一种土地利用布局智能优化方法

Country Status (1)

Country Link
CN (1) CN103150613B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109543896A (zh) * 2018-11-16 2019-03-29 闽江学院 一种基于绝对值和函数最小化与粒子群优化的车间设备双行布局方法

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103136603B (zh) * 2013-03-26 2017-02-22 武汉大学 一种智能土地利用布局优化配置方法
CN103353913B (zh) * 2013-06-30 2015-10-07 中南林业科技大学 一种基于粒子群算法的林分空间结构优化模型建立方法
CN103440540B (zh) * 2013-09-17 2016-01-13 武汉大学 一种土地利用空间布局人工免疫优化模型的并行化方法
CN103823951B (zh) * 2014-03-21 2017-02-22 武汉大学 一种量化路网特征及其土地利用效应的方法
CN104318066A (zh) * 2014-09-26 2015-01-28 武汉大学 一种自然地表特征表征方法
CN106023131B (zh) * 2015-08-28 2019-05-14 千寻位置网络有限公司 地图信息分析方法及其装置
CN105354267B (zh) * 2015-10-23 2019-04-12 广东绘宇智能勘测科技有限公司 实现多类型规划方案“多规合一”电子报批的方法
CN105740968A (zh) * 2016-01-12 2016-07-06 西安科技大学 一种土地利用空间自动配置系统
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
CN107526895B (zh) * 2017-09-06 2021-02-05 合肥工业大学 一种古民居群快速建模系统
CN108154221B (zh) * 2017-12-21 2021-03-16 武汉大学 一种面向“三线”协同优化的粒子群改进算法
CN108537384B (zh) * 2018-04-10 2020-12-08 湘潭大学 一种船舶建材场地布局优化方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101599142A (zh) * 2009-07-07 2009-12-09 武汉大学 基于空间数据场的土地评价指标分类量化方法
CN101877034A (zh) * 2009-11-19 2010-11-03 武汉大学 一种土地利用自动分区方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101599142A (zh) * 2009-07-07 2009-12-09 武汉大学 基于空间数据场的土地评价指标分类量化方法
CN101877034A (zh) * 2009-11-19 2010-11-03 武汉大学 一种土地利用自动分区方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109543896A (zh) * 2018-11-16 2019-03-29 闽江学院 一种基于绝对值和函数最小化与粒子群优化的车间设备双行布局方法
CN109543896B (zh) * 2018-11-16 2021-07-27 闽江学院 一种基于绝对值和函数最小化与粒子群优化的车间设备双行布局方法

Also Published As

Publication number Publication date
CN103150613A (zh) 2013-06-12

Similar Documents

Publication Publication Date Title
CN103150613B (zh) 一种土地利用布局智能优化方法
Feng et al. Multi-objective quantum-behaved particle swarm optimization for economic environmental hydrothermal energy system scheduling
Zhu et al. An efficient 3D R-tree spatial index method for virtual geographic environments
Yang et al. Benchmarking the building energy consumption and solar energy trade-offs of residential neighborhoods on Chongming Eco-Island, China
Zvoleff et al. The impact of geography on energy infrastructure costs
CN102902847B (zh) 基于组合图元的输电网单线图自动设计方法
CN106651012A (zh) 一种基于改进极限学习机的作物蒸腾量预测方法
CN104036324B (zh) 一种基于遗传算法的通信网络容量可靠性最优设计方法
CN103745497B (zh) 植物生长建模方法和系统
CN108573326A (zh) 基于遗传蚁群混合算法的视频服务器选址方法
CN102819647A (zh) 一种非均质材料随机微观结构有限元建模方法
CN107220889A (zh) 一种多代理框架下微网社区的分布式资源交易方法
CN107977711A (zh) 一种面向“三线”协同优化的多智能体遗传算法
CN103473465B (zh) 基于多目标人工免疫系统的土地资源空间布局优化方法
CN108563875A (zh) 基于多目标优化的模拟电路测点和频率联合优选方法
Zhang et al. Basic farmland zoning and protection under spatial constraints with a particle swarm optimisation multiobjective decision model: a case study of Yicheng, China
CN103530700A (zh) 城区配电网饱和负荷综合预测方法
CN108320504A (zh) 基于监测数据的动态od矩阵估计方法
CN103714384B (zh) 基于移动模式序列与遗传禁忌的集成电路的布图方法
Slager et al. Landscape generator: method to generate landscape configurations for spatial plan-making
CN106651017A (zh) 一种基于蚁群算法的土地整理项目选址方法
CN104598657B (zh) 一种基于memetic算法的基因模体重构方法
CN109492878A (zh) 一种超低能耗公共建筑节能技术方案的评价方法
CN104392317A (zh) 一种基于遗传文化基因算法的项目调度方法
CN106355271A (zh) 一种应用于土地利用规划编制的土地资源空间优化配置方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant