CN103577897B - 一种土地利用空间布局智能优化的种群初始化方法 - Google Patents

Abstract

一种土地利用空间布局智能优化的种群初始化方法，包括将区域规划年的土地利用数量结构与区域土地利用现状的数量结构做差值，得到区域内各类用地的规划方案与现状面积的像元个数差值，得到需要调入像元的地类的列表A和需要调出像元的地类的列表D；在个体上生成一个随机的位置i得到邻域P；统计同时在邻域P和列表A中同时出现的多种地类得到集合Y，获得集合Y中像元数量最多的地类为L；对邻域P的所有像元执行地类变更操作；直到列表A和D均为空，则初始化过程结束并输出初始个体。本发明提高了初始个体的生成质量和效率，支持土地利用规划的土地资源空间布局优化方案高效执行，进而为实现土地资源的合理、高效、可持续利用提供重要保障。

Description

一种土地利用空间布局智能优化的种群初始化方法

技术领域

本发明属于土地利用空间布局优化配置技术领域，特别是涉及一种土地利用空间布局智能优化的种群初始化方法。

背景技术

土地利用的空间布局优化是土地利用规划工作的重要组成部分，其核心内容是根据区域土地的自然（位置、形状、土壤条件等）等属性特征，在区域土地利用数量的约束下，科学合理的配置个类型用地在区域空间上的布局。进而提高区域土地利用整体的适宜性和空间紧凑度，使得土地利用的空间布局更有利于生态环境保护和生产经营管理。因此，从本质上看，土地利用的空间布局优化问题是一类典型的带约束条件的组合优化问题。

土地利用空间布局优化问题的求解离不开多目标优化技术和空间信息技术的支持。因此，由于技术条件的限制，早期的土地利用空间布局优化主要依靠规划专家的认为主观操作完成，存在工作量大、精度较低、主观性过强等缺点。因此，随着地理信息技术和多目标优化计算的快速发展，一些新方法和新技术被不断应用到土地利用的空间布局优化问题求解中。其中，基于生物群智能的多目标优化模型被认为是一类求解多目标优化问题的有效工具。因此，在最近十年内，国内外有关专家开始将生物群智能算法和空间信息技术相结合，提出了面向土地利用空间布局优化配置的生物群智能优化技术。例如，基于遗传算法的智能优化技术有关文献:[1]王世忠.基于LUPO模型的德清县土地利用空间布局优化[J].农业工程学报，2012，28(20):230-238.、基于蚁群优化算法有关文献:[2]高小永.基于多目标蚁群算法的土地利用优化配置[D].武汉;武汉大学，2010、基于微粒群算法的智能优化技术有关文献:[3]LIU Y L，LIU D F，LIU Y F，et al.Rural land use spatial allocation in the semiarid loess hilly area in China:Using a Particle Swarm Optimization model equipped with multi-objective optimization techniques[J].Sci China-Earth Sci，2012，55(7):1166-1177.的智能优化技术等。

对于土地利用空间布局优化问题，其领域知识主要包括土地配置中的适宜性知识和区域土地利用现状知识。其中，前者主要是指，区域土地利用的空间配置过程中，不能将某类不适宜的用途分配给某个地块；后者是指，区域土地利用的空间配置需要考虑地块当前的用途。此外，区域土地利用空间布局方案中，各类用地的数量必须符合规划期规定的数量。

土地利用的空间布局优化问题从本质上看是一类带约束条件的多目标组合优化问题。按照多目标优化问题的一般定义，土地利用的空间布局优化问题的数学描述如下:

$S=\mathrm{Max}\left({\mathrm{\Σ}}_{i=1}^N{\mathrm{Suit}}_i\right)---\left(1\right)$

$\mathrm{Comp}=\mathrm{Min}\left({\mathrm{\Σ}}_{j=1}^n{\mathrm{LSI}}_j\right)---\left(2\right)$

$\mathrm{LSI}=\frac{P}{4\sqrt{A}}---\left(3\right)$

${\mathrm{\Σ}}_{t=1}^N{a}_t\×x_{\mathrm{tl}}=A_l,x_{\mathrm{tl}}\∈\left\{\mathrm{0,1}\right\}---\left(4\right)$

式中，S表示土地利用的最大适宜度优化目标，即土地利用空间布局应当本着因地制宜的原则，尽可能提高区域内土地利用的适宜性，做到“地尽其用”。S值越大，则表明优化方案对应的土地利用空间布局的土地利用适宜度越优，土地得到了最有效利用。Comp为最大紧凑度优化目标，即土地利用的空间布局应当紧凑，以便于生产经营管理。Comp的取值越小，则表明空间布局方案中各斑块的形状越优。

式(1)中，N表示规划区内栅格单元的总数，Suit_i为第i个栅格单元对其当前所配置的地类的适宜性分值，其取值范围为[0-100]。土地对某类用途的适宜性通过土地适宜性评价工作得到，其适宜性分值越高，则表明该土地对该类用地越适宜.例如，某块土地对耕地的适宜性为50，对林地的适宜性为80，则表明该土地更适宜于作为园地使用.

式(2)中，LSI_j为第j个斑块的形状指数，式(3)中，P表示斑块的周长，A表示斑块的面积，LSI为相应斑块的形状指数。其中，斑块是指土地利用空间布局方案中，空间上相邻、且用地类型相同的栅格像元构成了斑块。斑块的大小、形状对区域生态系统功能保护、物质和能量流动产生重要影响。例如，对于耕地、园地、林地等农业或生态用地的安排应当尽可能形成集中连片的大斑块，以方便管理、节约成本，同时也有利于农用地保护。

式(4)中，A_l为区域内规划年土地资源数量结构中规定的第l类用地的面积，N表示规划区内栅格单元的个数，a_t为第t个栅格单元所代表地块的真实面积。x_tl为一个决策变量，当栅格单元的地类为l时取值为1，否则取值为0。式(4)的内涵是土地利用空间布局优化方案对应的土地利用数量结构必须等于区域规划设定的土地利用数量结构。

空间布局优化问题同时也是一类典型的空间优化问题。在使用遗传算法、微粒群算法等生物群智能算法进行求解时，必须对优化问题的解进行编码，将优化问题的解映射为生物个体（染色体、微粒、抗体等）。对于土地利用空间布局优化问题，其编码原理见附图1。土地利用类型采取整数编码的方式，例如图1中地类名称采用地类编码对应表示，耕地为1，园地为2，林地为3，草地为4，城镇为5，居民点为6。空间上的二维网格划分及其相应的地类编码构成了一个土地利用空间布局方案（即土地资源空间布局方案），其中的编码是单元格的某一个状态，有可能是土地利用现状，有可能是随机确定的，也有可能是根据适宜性分值的大小确定的。附图1中，Col表示像元的列号，Row表示行号，取值与行数M、列数N有关，A1，A2等表示该地块对某类用地1、2…的适宜性分值。在常用的生物群智能算法中，遗传算法的染色体，人工免疫系统模型的抗体，微粒群算法中微粒和蚁群优化算法中的蚂蚁，在本发明中统称为个体。染色体种群、抗体种群、微粒种群和蚂蚁种群，在本发明中统称为种群。编码的主要思路是，将规划区采用一定大小的栅格进行存储，一个栅格像元表示具体的某个地块，映射为个体中的基因或维度。通常为了便于计算，各基因或维度上同时存储了栅格像元的位置、土地适宜性信息等。栅格像元构成的二维空间则对应一个生物个体。

相对于传统的多目标组合优化问题，土地利用的空间布局优化配置问题的求解难度更大，主要表现为决策变量个数众多。对于一个中等规模的县，通常决策变量（即栅格像元）的个数通常数以万计。遗传算法、蚁群优化算法、微粒群算法和人工免疫系统等生物群智能优化算法虽然较好的在求解多目标优化问题领域具有传统数学规划方法无可比拟的优势，然而，且劣势也十分明显。即，需要通过算法的反复迭代来完成Pareto最优解的搜索。例如一种基于多目标人工免疫系统的土地资源空间布局优化方法，实现过程为：

步骤一、将规划区土地适宜性评价结果图采用栅格文件进行存储；

步骤二、编码，将一种土地资源空间布局方案通过二维整数编码，映射为人工免疫系统的抗体；包括用规划区内的一个栅格单元代表实际的一个地块，对应人工抗体中的一个基因位，每个基因位包含了对应地块的空间位置行列号和地类的特征信息，所述特征信息包括对所有地类的适宜性分值和当前地块配置的用地类型信息，适宜性分值根据土地适宜性评价结果图的栅格文件取得；

步骤三、目标函数设置，包含两个优化目标，分别为最大适宜度S和最大紧凑度Comp；

步骤四、约束条件设置，包括设定土地资源空间布局方案对应的土地资源数量结构必须等于区域规划设定的土地资源数量结构；

步骤五、抗体种群初始化，设染色体种群规模为AN，结合规划期土地资源数量结构，采取随机的方式产生AN个初始抗体；

步骤六、抗体目标值向量计算，包括采用式（1）和式（2）计算各抗体的目标值向量，并进行Pareto排序，获得Pareto优化解集，作为初始的记忆抗体种群；

步骤七、克隆，包括将当前的记忆抗体根据预设的克隆系数C复制C份，形成新的抗体种群；

步骤八、变异，包括遍历新的抗体种群，对每个抗体实施变异操作；

步骤九、抗体目标值向量计算，采用式（1）和式（2）计算各抗体的目标值向量。

步骤十、种群更新，将抗体新种群和原有的记忆抗体种群进行合并，并对合并后的种群重新进行Pareto排序，获得新的Pareto解集，得到新的记忆抗体种群；

步骤十一、终止条件判断，若算当前迭代次数达到预设的最大迭代次数G，则终止迭代，并解码得到Pareto优化方案。

随着决策变量的增大，算法寻找到Pareto最优解所需要的迭代次数会急剧增加，这一过程也被称之为“维度灾难”。采用随机生成初始解的方式对于土地利用空间布局优化问题并不一定合适，具体表现为：（1）采用随机搜索方式产生的初始解的质量通常较差，经过多次迭代后得到的解集质量甚至还不如区域土地利用空间布局的现状；（2）采用随机搜索方式产生的初始解容易违反土地利用的适宜性约束条件，例如将某块土地的用途分配为其不适合的用途：将河流水面配置为林地等。因此，必须结合土地利用空间布局优化问题的基本特点，将土地利用空间布局的相关领域知识融入土地利用空间布局优化模型的初始解生成过程，以提高算法性能和效率。

发明内容

针对已有智能优化模型中种群初始化算子所存在的问题，本发明提出了一种基于领域知识指导的种群初始化方法，以提高基于生物群智能的土地利用空间布局优化模型产生的初始个体的质量和效率。

为实现上述目的，本发明提供一种土地利用空间布局智能优化的种群初始化方法,生成各初始个体分别包括以下步骤：

步骤1，读取规划区域的土地利用现状图，将对应的规划区域现状的土地利用类型信息作为个体的初始基因值；同时读取规划区域的土地利用适宜性评价结果图，作为个体的基因属性值；

步骤2，将区域规划年的土地利用数量结构与区域土地利用现状的数量结构做差值，得到区域内各类用地的规划方案与现状面积的像元个数差值，得到需要调入像元的地类的列表A和需要调出像元的地类的列表D；

步骤3，在个体上生成一个随机的位置i；

步骤4，获得位置i的邻域像元集，并标记为邻域P；

步骤5，若邻域P内只有一种地类的像元，则回到步骤3重新生成一个随机的位置，否则进入步骤6；

步骤6，统计同时在邻域P和列表A中同时出现的地类，并标记所得地类集为集合Y；

步骤7，统计集合Y中各地类在邻域P中的像元个数，获得集合Y中像元数量最多的地类并记为L；

步骤8，对邻域P的所有像元执行地类变更操作；

步骤9，若列表A和D均为空，则初始化过程结束并输出初始个体，否则返回步骤3取新的随机的位置i进行邻域像元地类变更，直至列表A和D均为空。

而且，步骤8包括以下子步骤，

步骤8.1，设邻域P的像元个数为R，邻域P的像元依次标记为0、1、…R-1，令当前像元x=0；

步骤8.2，判断当前像元的地类Px是否属于集合D，

若当前像元的地类Px不属于集合D，则执行步骤8.6；

若当前像元的地类Px属于集合D，则进入步骤8.3；

步骤8.3，获取当前像元对Y中所有地类的适宜性分值S；

步骤8.4，判断是否当前像元对Y中所有地类的适宜性分值均为0，

若当前像元对Y中所有地类的适宜性分值均为0，则跳转到步骤8.6；

若当前像元对Y中的某几个地类的适宜性分值不为0，则进入步骤8.5；

步骤8.5，列表D中Px对应的像元差值DPx加1，若DPx=0，则把Px从列表D中移除，然后令Px=L，列表A中L对应的像元差值减去1，若AL=0，则把地类L从列表A中移除；

步骤8.6，判断是否列表A和列表D为空，若列表A为空，列表D为空，则退出步骤8并直接执行步骤9，否则进入步骤8.7；

步骤8.7，令x=x+1，若x=R则终止循环，否则返回步骤8.2，对新的当前像元x开始处理。

相对于目前在实际工程中广泛应用的各种土地利用空间布局优化生物群智能优化过程的种群初始化方法，本发明主要的效果有：（1）根据土地利用空间布局优化问题的特点，在种群初始化过程中引入领域知识的指导，避免了违反约束条件解的产生，有助于简化后续的变异和交叉算子；（2）充分利用区域土地利用空间布局现状信息，同时融入部分随机因素，提高初始个体的质量，减少算法收敛所需要的迭代次数，极大缩短流程执行时间，节约了系统资源。本发明的技术方案支持土地利用规划的土地资源空间布局优化方案高效执行，进而为实现土地资源的合理、高效、可持续利用提供重要保障。

附图说明

图1为本发明实施例的面向土地利用空间布局优化问题求解的生物群智能编码原理图。

图2为本发明实施例的种群初始化原理图。

图3为本发明实施例的栅格像元的邻域空间示意图。

图4为本发明实施例的种群初始化主要流程图。

图5为本发明实施例的种群初始化方法与传统随机初始化方法的性能对比图。

具体实施方式

本发明提供的技术方案是一种领域知识指导的土地利用空间布局生物群智能优化的种群初始化的快速、高效方法。本发明不针对特定的生物群智能算法，仅对各类算法的初始解的构建技术进行改进，以提高算法初始解集的质量。该方法的基本思路是：从土地利用现状空间布局为基础，通过比较土地利用数量结构优化方案（规划的用地结构）和土地利用现状数量结构，设计初始化算子，确保所有初始解对应的数量结构能完全符合预先设定的土地利用数量结构优化方案。以下结合附图和实施例进行详细说明。

本发明实施例的领域知识指导的土地利用空间布局生物群智能优化的种群初始化方法，基本原理见附图2，主要流程见附图4，可由本领域技术人员采用计算机软件技术实现自动运行流程，生成各初始个体分别具体实现过程如下：

（1）根据编码方案，读取规划区域的土地利用现状图，将其对应的规划区域现状的土地利用类型信息作为个体的初始基因值；同时读取规划区域的土地利用适宜性评价结果图，将其作为个体的基因属性值。如附图1所示，个体中的某个基因位{Col，Row}的土地利用类型信息来自于该区域的土地利用现状信息，基因属性信息A1,A2…等来自对应土地类型的适宜性评价结果。

（2）将区域规划年的土地利用数量结构与区域土地利用现状的数量结构做差值，得到区域内各类用地的规划方案与现状面积差值，并以像元个数进行表达。例如，区域城镇建设用地的现状面积为1000个像元，优化方案中的城镇建设用地面积为1500个像元，则其面积差值为500个像元。依次类推，得到各类用地面积差值的像元表达。其中，差值为正值的地类需要调入相应数量像元土地，差值为负值的地类则需要调出相应数量像元土地。在此基础上构建需要调入像元的地类列表A和需要调出像元的地类列表D，分别记录各类用地需要调入或需要调出的像元个数。如图2中，耕地、园地、林地、草地、城镇和居民点的现状面积分别为C1、C2、C3、C4、C5、C6，规划面积分别为P1、P2、P3、P4、P5、P6，求得相应面积差值为a1、a2、a3、a4、a5、a6。其中a1、a3、a4为负值，需要调出像元的地类列表D记录了耕地、林地、草地分别需要调出的数目a1、a3、a4；其中a2、a5、a6为正值，需要调入像元的地类列表A记录了园地、城镇和居民点分别需要调入的数目a2、a5、a6。以列表A和D为数量结构约束进行土地利用空间的布局调整，可得到知识指导的初始化算子。

（3）在个体上生成一个随机的位置i，其中i的取值范围为1到M×N。即取规划区域土地利用现状信息上的任一像元。

（4）获得随机的位置i的邻域像元集，并标记为邻域P。其中，位置i的邻域一般可按照栅格像元的8邻域空间的定义获得。栅格像元的邻域空间见附图3，随机的位置i所在当前像元周围有8个领域像元。

（5）若邻域P内只有一种地类的像元，则回到步骤（3）重新生成一个随机位置。否则进入（6）。

（6）此时邻域P内地类的种数大于1，则统计同时在P和列表A中同时出现的地类，并标记所得地类集为集合Y。

（7）统计集合Y中各地类在邻域P中的像元个数，并按照像元个数对Y中的地类进行降序排列，并获得Y中像元数量最多的地类，记为L。

（8）对邻域P的所有像元执行地类变更操作。

（9）若列表A和D均为空，则初始化过程结束并输出初始解，即初始个体。否则返回步骤（3）取新的随机的位置i进行邻域像元地类变更，直至列表A和D均为空即可完成初始抗体的生成。

执行上述初始化过程可以得到一个初始个体，根据土地利用空间布局智能优化的具体初始化种群需要的个体数目n，可以n次执行上述初始化过程，得到n个初始个体。具体实施时，在执行第2、3…、n个初始个体的相应初始化过程时，可以省略步骤1、2，直接利用执行第1个初始个体的相应初始化过程时步骤1、2的结果，以节约系统资源。

上述步骤（8）中，邻域P的像元地类变更操作的基本步骤如下：

（8.1）设邻域P的像元个数为R，邻域P的像元依次标记为0、1、…R-1，开始依次遍历P中的每一个像元，令当前像元x=0。实施例中R=8。

（8.2）判断当前像元的地类Px是否属于集合D，分别处理：

若当前像元的地类Px不属于集合D，则执行（8.6）。

若当前像元的地类Px属于集合D，即Px∈D，则进入步骤（8.3）；

（8.3）获取当前像元对Y中所有地类的适宜性分值S。步骤1读取规划区域的土地利用适宜性评价结果图作为个体的基因属性值，因此可知当前像元对Y中所有地类的适宜性分值S。当前像元对某类用地的S值越大则表明其越适合作为该类用地。当前像元对某类用地的S=0时，则表明地块不能转换为该类用地。

（8.4）判断是否当前像元对Y中所有地类的适宜性分值均为0，

若当前像元对Y中所有地类的适宜性分值均为0，则跳转到步骤（8.6）。

若当前像元对Y中的某几个地类的适宜性分值不为0，则进入步骤（8.5）。

（8.5）列表D中Px对应的像元差值DPx加1(即DPx=DPx+1)，若DPx=0，则把Px从D中移除，然后取步骤7所得Y在邻域P中所占像元数最多的地类L作为当前像元的地类，即Px=L。列表A中L对应的像元差值减去1(即AL=AL-1)，若减去后AL=0，则把地类L从A中移除；

（8.6）判断是否A列表和D列表为空，若列表A为空，列表D为空，则终止循环。根据本发明设计，列表A和列表D将同时达到空的状态。当两者为空时，退出步骤（8），并直接执行步骤（9），即初始化过程结束并输出初始解。否则进入（8.7）。

（8.7）x=x+1，若x=R则说明对邻域P的像元0、1、…R-1均已处理完成，终止循环，否则返回步骤（8.2），对新的当前像元X开始处理。选取某地土地利用空间布局优化问题作为实施案例，需要对其耕地、园地、林地、草地、城镇建设用地和农村居民点用地的空间布局进行优化。分别采用本发明设计的领域知识指导的种群初始化算子和传统的随机初始化算子进行种群初始化操作，得到初始种群的Pareto前端见附图5。由图可知，本发明提出的种群初始化算子所产生的初始解集的质量较随机初始化方法所产生的初始解集有了较大提高，紧凑度值和适宜度值都更高。

以上仅是用以说明本发明的具体实施案例而已，并非用以限定本发明的可实施范围。熟悉本领域的技术人员在不违背本发明所指示的精神与原理下所完成的一切等效变形、替换或修饰，仍包含在本发明权利要求所限定的范围内。

Claims (2)

1.一种土地利用空间布局智能优化的种群初始化方法，其特征在于：生成各初始个体分别包括以下步骤，

步骤1，读取规划区域的土地利用现状图，将对应的规划区域现状的土地利用类型信息作为个体的初始基因值；同时读取规划区域的土地利用适宜性评价结果图，作为个体的基因属性值；

步骤2，将区域规划年的土地利用数量结构与区域土地利用现状的数量结构做差值，得到区域内各类用地的规划方案与现状面积的像元个数差值，得到需要调入像元的地类的列表A和需要调出像元的地类的列表D；

步骤3，在个体上生成一个随机的位置i；

步骤4，获得位置i的邻域像元集，并标记为邻域P；

步骤5，若邻域P内只有一种地类的像元，则回到步骤3重新生成一个随机的位置，否则进入步骤6；

步骤6，统计同时在邻域P和列表A中同时出现的地类，并标记所得地类集为集合Y；

步骤7，统计集合Y中各地类在邻域P中的像元个数，获得集合Y中像元数量最多的地类并记为L；

步骤8，对邻域P的所有像元执行地类变更操作；

步骤9，若列表A和D均为空，则初始化过程结束并输出初始个体，否则返回步骤3取新的随机的位置i进行邻域像元地类变更，直至列表A和D均为空。

2.根据权利要求1所述土地利用空间布局智能优化的种群初始化方法，其特征在于：步骤8包括以下子步骤，

步骤8.1，设邻域P的像元个数为R，邻域P的像元依次标记为0、1、…R-1，令当前像元x＝0；

步骤8.2，判断当前像元的地类Px是否属于集合D，

若当前像元的地类Px不属于集合D，则执行步骤8.6；

若当前像元的地类Px属于集合D，则进入步骤8.3；

步骤8.3，获取当前像元对Y中所有地类的适宜性分值S；

步骤8.4，判断是否当前像元对Y中所有地类的适宜性分值均为0，

若当前像元对Y中所有地类的适宜性分值均为0，则跳转到步骤8.6；

若当前像元对Y中的某几个地类的适宜性分值不为0，则进入步骤8.5；

步骤8.5，列表D中Px对应的像元差值DPx加1，若DPx＝0，则把Px从列表D中移除，然后令Px＝L，列表A中L对应的像元差值减去1，记为AL＝AL-1，若AL＝0，则把地类L从列表A中移除；

步骤8.6，判断是否列表A和列表D为空，若列表A为空，且列表D为空，则退出步骤8并直接执行步骤9，否则进入步骤8.7；

步骤8.7，令x＝x+1，若x＝R则终止循环，否则返回步骤8.2，对新的当前像元x开始处理。