CN106228235B - 一种顾及格局与过程耦合效应的土地利用空间优化配置方法 - Google Patents

一种顾及格局与过程耦合效应的土地利用空间优化配置方法 Download PDF

Info

Publication number
CN106228235B
CN106228235B CN201610613733.1A CN201610613733A CN106228235B CN 106228235 B CN106228235 B CN 106228235B CN 201610613733 A CN201610613733 A CN 201610613733A CN 106228235 B CN106228235 B CN 106228235B
Authority
CN
China
Prior art keywords
land use
land
particle
pattern
utilization space
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
CN201610613733.1A
Other languages
English (en)
Other versions
CN106228235A (zh
Inventor
刘殿锋
刘耀林
赵翔
何建华
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 CN201610613733.1A priority Critical patent/CN106228235B/zh
Publication of CN106228235A publication Critical patent/CN106228235A/zh
Application granted granted Critical
Publication of CN106228235B publication Critical patent/CN106228235B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/16—Real estate
    • G06Q50/165—Land development

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种顾及格局与过程耦合效应的土地利用空间优化配置方法，属于土地利用领域。本发明提供的空间配置方法先首先提取土地利用空间配置的基础数据并进行整合，计算两期土地利用转换概率，然后基于改进粒子群算法构建土地利用空间配置模型，以上述数据为模型输入数据，以土地利用单元为数据处理单位，建立土地利用空间配置问题与改进粒子群算法之间的映射关系，求解得出土地利用空间配置的优化方案。该方法将土地利用系统的动态特性融入改进粒子群算法之中，采用土地利用空间格局和土地利用转换概率约束粒子维度值更新过程，可以较好提升土地利用空间配置的合理性和适用性，同时改进粒子群算法能够有效提升土地利用空间配置问题求解效率。

Description

一种顾及格局与过程耦合效应的土地利用空间优化配置方法
技术领域
本发明涉及一种土地利用领域，尤其是涉及一种顾及格局与过程耦合效应的土地利用空间优化配置方法。
背景技术
土地利用空间配置是促进土地资源的集约和节约利用，实现土地利用可持续发展的重要手段，也是土地利用规划的核心问题。它需要根据土地的自然属性及区域社会经济状况，来综合确定土地利用数量结构，并对各类用地进行空间布局，从而为未来土地利用提供合理决策支持。土地利用系统具有动态特性，现状土地利用空间与土地利用变化过程具备密切的因果关系。准确地探索土地利用系统的时空动态特性是开展土地利用空间配置的基本前提。
土地利用空间配置问题涉及经济发展、环境保护、社会公平和有效土地利用等多个目标及约束条件，属于复杂的组合优化问题。目前，已有大量优化方法与技术应用于土地利用空间配置问题求解，例如层次分析法、线性规划、区间规划、模糊规划、智能优化算法以及上述方法的混合模型等。早期研究主要集中于采用线性规划、区间规划等数学规划模型进行土地利用优化配置。该类模型能够优化土地利用数量结构并结合多准则决策分析技术进行空间配置，但其面临的一个主要问题是模型受数据量限制，所处理问题规模有限且耗费计算时间巨大。
以粒子群算法、遗传算法等为代表的群智能算法在土地利用空间优化配置应用日趋广泛。该类算法具备高效率的搜索机制、可扩展的算法框架的特点，具备融合土地利用系统动态特性的潜能。许多学者已经在顾及土地利用空间格局进行土地利用空间配置方面取得一系列成果，考虑的空间格局影响因素包括空间一致性、空间邻近度、空间邻域影响以及空间紧凑度等。但是，在综合考虑土地利用变化过程和土地利用空间格局对土地利用优化配置的影响方面仍存在不足，相应的配置方案的实际可用性仍有待提高。
粒子群算法最早由Kennedy于1995年提出，是一种模拟鸟群觅食过程中个体竞争与合作行为开发得到的群体智能算法。它在具备智能算法通用特征的同时，具备优于其他算法的收敛速度和较少的算法参数配置，因此已被广泛用于地理空间优化决策领域。
发明内容
本发明主要是解决现有技术所存在的技术问题；提供了一种顾及了土地利用系统空间格局和变化过程耦合效应，有效提高土地利用空间配置合理性的一种土地利用空间优化配置方法，从而解决了当前土地利用空间配置对土地利用系统动态变化特征考虑不足的问题。
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：
一种顾及格局与过程耦合效应的土地利用空间优化配置方法，其特征在于，该方法包括如下步骤：
步骤1，提取土地利用空间配置的基础数据并进行整合，整合后的数据为各个土地利用单元的属性信息和土地利用数量结构，所述基础数据包括两期土地利用现状数据、土地利用适宜性评价数据、社会经济统计数据，整合数据的具体方法是将多种来源、不同格式的数据进行统一规范化处理，包括空间数据配准和将矢量数据转成精度相同的栅格数据；
步骤2，基于空间马尔可夫方法，并以前期土地利用格局为初始状态，以后期土地利用格局为最终状态，将土地利用变化过程映射为空间马尔可夫过程，计算两期土地利用类型转换概率，包括：
步骤2.1，采用空间马尔可夫方法，建立土地利用变化过程与空间马尔可夫过程的映射关系：
s1＝Pv·s0 (1)
式中，s0代表初期土地利用格局，s1为最终土地利用格局，Pv为土地利用类型转换概率。
步骤2.2，计算土地利用类型转换概率:
式中，N为土地利用类型数；Pvmn为从初期s0到终期s1土地利用类型m到土地利用类型n的转换概率，其满足下列约束：
0≤pvmn≤1,m,n＝1,2,...N (3)
步骤3，应用改进粒子群算法对步骤1的数据优化，具体是：以土地利用单元为数据处理单位，建立土地利用空间优化问题与改进粒子群算法之间的映射关系，求解得出土地利用空间配置的优化结果；
其中，所述土地利用单元抽象为改进粒子群算法中的粒子维度，其土地利用类型由粒子维度的类型进行表征；区域的土地利用空间配置方案对应于粒子；土地利用综合效益函数为粒子适应度函数，步骤2的土地利用类型转换概率和土地利用空间格局为对应的粒子维度值变换的约束。
在上述的一种顾及格局与过程耦合效应的土地利用空间优化配置方法，所述的步骤3中，求解土地利用空间配置优化方案的步骤包括以下子步骤：
步骤3.1，设置粒子群种群规模，惯性权重，个体与社会认知系数，最大迭代次数，并初始化每个粒子的维度值；
步骤3.2，设置适应度函数，包括设置最大土地利用适宜性目标、最大经济效益目标和最大空间紧凑度目标的权重；
步骤3.3，计算各个粒子的适应度，通过对比粒子适应度值选择出每个粒子所经历的最优位置以及整个种群所经历的最优位置。
步骤3.4，应用粒子位置更新公式，结合粒子位置更新约束条件，对粒子位置进行变更；
步骤3.5，循环迭代，当达到最大迭代次数时，搜索结束，将此时整个种群最优的粒子作为土地利用空间配置的优化结果输出，否则返回继续执行步骤3.3。
在上述的一种顾及格局与过程耦合效应的土地利用空间优化配置方法，所述的步骤3.4中，粒子位置更新公式如下：
Virc(t+1)＝w·Virc(t)+c1·r1·(-1-Yirc(t))+c2·r2·(1-Yirc(t)) (11)
式中，(r,c)为土地利用单元的行列号，也即粒子维度的行列号；Xirc(t)为t时刻第i粒子维度(r,c)的值，粒子所有维度值的组合即为粒子当前位置；gBestrc(t),pBestirc(t)分别为步骤3.3得到的t时刻粒子群全局最优位置维度(r,c)的值和第i粒子所经历的最优位置维度(r,c)的值；Virc(t)为t时刻第i粒子维度(r,c)的速度；Yirc(t)为转换变量，将粒子维度在连续值与离散值之间进行变化，α为转换截距，通常为[0,1]范围内的随机值；prc(m→n)代表粒子维度(r,c)由土地利用类型m转换为类型n的概率。
所述的土地利用类型m转换为类型n的概率具体由土地利用转换概率、土地利用适宜度和土地利用转换约束联合组成：
prc(m→n)＝pvmn·psrc(n)·prrc(m→n) (14)
式中，pvmn为步骤2.2中的土地利用转换概率；psrc(n)为土地利用适宜度，属于步骤1中的土地单元(r,c)的属性；prrc(m→n)为土地利用转换约束。
所述的土地利用转换约束包括：(1)城市建设用地不能转变为其他土地利用类型；(2)土地利用单元不能转换为水域。
因此，本发明具有如下优点：1.改进粒子群算法充分考虑土地利用空间格局和土地利用转换规则，可以较好描述土地利用系统动态特性，从而提高土地利用空间优化配置方案的合理性；2.改进粒子群算法具备快速收敛、高效寻优的特点，能够大幅度提高土地利用空间优化配置的效率。
附图说明
图1本发明的模型流程图。
图2本发明的问题映射关系图。
图3本发明的粒子位置更新操作示意图。
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。
本发明所采用的模型流程图如图1示。
该种顾及格局与过程耦合效应的土地利用空间优化配置方法包括如下步骤：
步骤1，提取土地利用空间优化配置的基础数据并进行整合，整合后的数据为各个土地利用单元的属性信息，提取基础数据是指从其他数据库或其他系统获取土地利用空间配置所需的数据，包括两期土地利用现状数据、土地利用适宜性评价数据、社会经济统计数据等，整合数据是指将多种来源、不同格式的数据，进行统一规范化处理，形成空间参考坐标一致、精度相同的栅格数据集，对各社会经济统计数据进行量化处理并采用线性规划的方法计算土地利用数量结构。
步骤2，采用空间马尔可夫方法，以前期土地利用格局为初始状态，以后期土地利用格局为最终状态，将土地利用变化过程映射为空间马尔可夫过程
s1＝Pv·s0 (10)
式中，s0代表初期土地利用格局，s1为最终土地利用格局，Pv为土地利用类型转换概率。
步骤3，计算土地利用类型转换概率:
式中，N为土地利用类型数；Pvmn为从初期s0到终期s1土地利用类型m到土地利用类型n的转换概率，其满足下列约束：
0≤pvmn≤1,m,n＝1,2,...N (12)
步骤4，应用改进粒子群算法对步骤1的数据优化，以土地利用单元为数据处理单位，建立土地利用空间优化问题与改进粒子群算法之间的映射关系，求解得出土地利用空间配置的优化结果。所述土地利用单元抽象为改进粒子群算法中的粒子维度，其土地利用类型由粒子维度的类型进行表征；区域的土地利用空间配置方案对应于粒子；土地利用综合效益函数为粒子适应度函数，步骤2的土地利用类型转换概率和土地利用空间格局对应粒子维度值变换的约束。
步骤5，设置粒子群种群规模，惯性权重，个体与社会认知系数，最大迭代次数，并用两期中第二期土地利用现状格局初始化每个粒子的维度值；
步骤6，设置适应度函数，包括设置最大土地利用适宜性目标、最大经济效益目标和最大空间紧凑度目标的权重:
式中，drc代表土地利用单元(r,c)是否位于研究区内，取值0或者1；urck代表土地利用类型k是否被分配到土地单元(r,c)，取值0或者1；srck为土地利用单元(r,c)的利用类型为k时的土地利用适宜度取值；ek为土地利用类型k的单位经济效益；comprc为土地利用单元(r,c)八邻域内与之利用类型相同的单元个数。
对三个目标函数值分别进行标准化计算换算到[0,1]之间，然后应用加权回归法求取综合的目标函数值F＝wa·fsuit+wb·fecon+wc·fcomp。
步骤7，计算各个粒子的适应度，即步骤6中的综合目标函数值，通过对比粒子适应度值选择出单个粒子所经历的适应度较大的位置，确定为粒子所经历的最优位置，通过对比整个种群粒子适应度值，将适应度值最大的粒子确定为整个种群全局最优位置。
步骤8，应用粒子位置更新公式，结合粒子位置更新约束条件，对粒子位置进行变更，粒子位置更新公式如下：
Virc(t+1)＝w·Virc(t)+c1·r1·(-1-Yirc(t))+c2·r2·(1-Yirc(t)) (18)
式中，(r,c)为土地利用单元的行列号，也即粒子维度的行列号；Xirc(t)为t时刻第i粒子维度(r,c)的值，粒子所有维度值的组合即为粒子当前位置；gBestrc(t),pBestirc(t)分别为步骤3.3得到的t时刻粒子群全局最优位置维度(r,c)的值和第i粒子所经历的最优位置维度(r,c)的值；Virc(t)为t时刻第i粒子维度(r,c)的速度；Yirc(t)为转换变量，将粒子维度在连续值与离散值之间进行变化，α为转换截距，通常为[0,1]范围内的随机值；prc(m→n)代表粒子维度(r,c)由土地利用类型m转换为类型n的概率。
本发明涉及的土地利用类型m转换为类型n的概率具体由土地利用转换概率、土地利用适宜度和土地利用转换约束联合组成：
prc(m→n)＝pvmn·psrc(n)·prrc(m→n) (21)
式中，pvmn为步骤2中的土地利用转换概率；psrc(n)为土地利用适宜度，属于步骤1中的土地单元(r,c)的属性；prrc(m→n)为土地利用转换约束。
本发明涉及的土地利用转换约束包括：(1)城市建设用地不能转变为其他土地利用类型；(2)土地利用单元不能转换为水域。
步骤9，循环迭代，当达到最大迭代次数时，搜索结束，将此时整个种群最优的粒子作为土地利用空间配置的优化结果输出，否则返回继续执行步骤7。
步骤10.选择出粒子群种群中适应度最高的粒子，将其转换为土地利用空间布局图，输出得到土地利用空间配置优化方案。
实施例1：
1.提取某县的土地利用空间配置的基础数据并进行整合，整合后的数据为各个土地利用单元的属性信息。
2.利用马尔可夫方法计算两期土地利用格局的土地利用转换概率。
3.应用改进粒子群算法对上述的数据优化，建立土地利用空间优化配置模型。
4.设置粒子群种群规模为20个，惯性权重0.85，个体认知和社会认知参数分别为1.5和0.8，最大迭代次数600，利用该县第二期土地利用空间格局对所有粒子及其维度值进行初始化操作。
5.根据适应度函数，计算每个粒子的适应度，三个目标函数的权重分别为1/3。
6.执行选择操作，根据适应度函数值，确定粒子所经历的最优位置以及粒子群所经历的最优位置。
7.采用位置变更公式变更粒子位置，粒子位置转换截距设置为0.45。
8.循环迭代，当满足迭代次数时，搜索结束，否则，执行返回执行步骤5。
9.选择出粒子群种群中适应度最高的粒子，将其转换为土地利用空间布局图，输出得到土地利用空间配置优化方案。
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 (1)

1.一种顾及格局与过程耦合效应的土地利用空间优化配置方法，其特征在于，该方法包括如下步骤：
步骤1，提取土地利用空间配置的基础数据并进行整合，整合后的数据为各个土地利用单元的属性信息和土地利用数量结构，所述基础数据包括两期土地利用现状数据、土地利用适宜性评价数据、社会经济统计数据，整合数据的具体方法是将多种来源、不同格式的数据进行统一规范化处理，包括空间数据配准和将矢量数据转成精度相同的栅格数据；
步骤2，基于空间马尔可夫方法，并以前期土地利用空间格局为初始状态，以后期土地利用格局为最终状态，将土地利用变化过程映射为空间马尔可夫过程，计算两期土地利用类型转换概率，包括：
步骤2.1，采用空间马尔可夫方法，建立土地利用变化过程与空间马尔可夫过程的映射关系：
s1＝Pv·s0 (1)
式中，s0代表初期土地利用格局，s1为最终土地利用格局，Pv为土地利用类型转换概率；
步骤2.2，计算土地利用类型转换概率:
式中，N为土地利用类型数；Pvmn为从初期s0到终期s1土地利用类型m到土地利用类型n的转换概率，其满足下列约束：
0≤pvmn≤1,m,n＝1,2,...N (3)
步骤3，应用改进粒子群算法对步骤1的数据优化，具体是：以土地利用单元为数据处理单位，建立土地利用空间优化问题与改进粒子群算法之间的映射关系，求解得出土地利用空间配置的优化结果；
其中，所述土地利用单元抽象为改进粒子群算法中的粒子维度，其土地利用类型由粒子维度的类型进行表征；区域的土地利用空间配置方案对应于粒子；土地利用综合效益函数为粒子适应度函数，步骤2的土地利用类型转换概率和土地利用空间格局为对应的粒子维度值变换的约束；
所述的步骤3中，求解土地利用空间配置优化方案的步骤包括以下子步骤：
步骤3.1，设置粒子群种群规模，惯性权重，个体与社会认知系数，最大迭代次数，并初始化每个粒子的维度值；
步骤3.2，设置适应度函数，包括设置最大土地利用适宜性目标、最大经济效益目标和最大空间紧凑度目标的权重；
步骤3.3，计算各个粒子的适应度，通过对比粒子适应度值选择出每个粒子所经历的最优位置以及整个种群所经历的最优位置；
步骤3.4，应用粒子位置更新公式，结合粒子位置更新约束条件，对粒子位置进行变更；
步骤3.5，循环迭代，当达到最大迭代次数时，搜索结束，将此时整个种群最优的粒子作为土地利用空间配置的优化结果输出，否则返回继续执行步骤3.3；
所述的步骤3.4中，粒子位置更新公式如下：
Virc(t+1)＝w·Virc(t)+c1·r1·(-1-Yirc(t))+c2·r2·(1-Yirc(t)) (11)
式中，(r,c)为土地利用单元的行列号，也即粒子维度的行列号；Xirc(t)为t时刻第i粒子维度(r,c)的值，粒子所有维度值的组合即为粒子当前位置；gBestrc(t),pBestirc(t)分别为步骤3.3得到的t时刻粒子群全局最优位置维度(r,c)的值和第i粒子所经历的最优位置维度(r,c)的值；Virc(t)为t时刻第i粒子维度(r,c)的速度；Yirc(t)为转换变量，将粒子维度在连续值与离散值之间进行变化，α为转换截距，为[0,1]范围内的随机值；prc(m→n)代表粒子维度(r,c)由土地利用类型m转换为类型n的概率；
所述的土地利用类型m转换为类型n的概率具体由土地利用转换概率、土地利用适宜度和土地利用转换约束联合组成：
prc(m→n)＝pvmn·psrc(n)·prrc(m→n) (14)
式中，pvmn为步骤2.2中的土地利用转换概率；psrc(n)为土地利用适宜度，属于步骤1中的土地单元(r,c)的属性；prrc(m→n)为土地利用转换约束；
所述的土地利用转换约束包括：
约束一、城市建设用地不能转变为其他土地利用类型；
约束二、土地利用单元不能转换为水域。
CN201610613733.1A 2016-07-29 2016-07-29 一种顾及格局与过程耦合效应的土地利用空间优化配置方法 Active CN106228235B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610613733.1A CN106228235B (zh) 2016-07-29 2016-07-29 一种顾及格局与过程耦合效应的土地利用空间优化配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610613733.1A CN106228235B (zh) 2016-07-29 2016-07-29 一种顾及格局与过程耦合效应的土地利用空间优化配置方法

Publications (2)

Publication Number Publication Date
CN106228235A CN106228235A (zh) 2016-12-14
CN106228235B true CN106228235B (zh) 2018-12-14

Family

ID=57535206

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610613733.1A Active CN106228235B (zh) 2016-07-29 2016-07-29 一种顾及格局与过程耦合效应的土地利用空间优化配置方法

Country Status (1)

Country Link
CN (1) CN106228235B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
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
CN110288124A (zh) * 2019-05-23 2019-09-27 北京师范大学 土地利用格局的优化方法及装置
CN118536735A (zh) * 2024-05-06 2024-08-23 北京工业大学 基于gis技术分析区域特征和城市更新规划布局方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101763089A (zh) * 2009-12-14 2010-06-30 江西省电力科学研究院 基于电力市场化环境下的火电厂机组出力优化运行方法
CN101807218A (zh) * 2009-09-18 2010-08-18 中国科学院地理科学与资源研究所 基于异构网络的土地格局演替仿真系统
CN102323993A (zh) * 2011-09-21 2012-01-18 北京林业大学 防护林体系格局动态变化预测方法
CN102542051A (zh) * 2011-12-29 2012-07-04 武汉大学 一种随机分布型地理要素的多目标协同抽样方案设计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7620532B2 (en) * 2006-01-23 2009-11-17 Itt Manufacturing Enterprises, Inc. Object discretization to particles for computer simulation and analysis

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101807218A (zh) * 2009-09-18 2010-08-18 中国科学院地理科学与资源研究所 基于异构网络的土地格局演替仿真系统
CN101763089A (zh) * 2009-12-14 2010-06-30 江西省电力科学研究院 基于电力市场化环境下的火电厂机组出力优化运行方法
CN102323993A (zh) * 2011-09-21 2012-01-18 北京林业大学 防护林体系格局动态变化预测方法
CN102542051A (zh) * 2011-12-29 2012-07-04 武汉大学 一种随机分布型地理要素的多目标协同抽样方案设计方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
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;LIU YaoLin等;《SCIENCE》;20120731;全文 *
基于多目标粒子群算法的土地利用优化配置;刘朝松;《中国优秀硕士学位论文全文数据库 经济与管理科学辑》;20150315;第3章3.2节-3.6节 *
基于粒子群算法的城镇土地利用空间优化模型;马世发等;《农业工程学报》;20100930;第26卷(第9期);全文 *

Also Published As

Publication number Publication date
CN106228235A (zh) 2016-12-14

Similar Documents

Publication Publication Date Title
CN106228235B (zh) 一种顾及格局与过程耦合效应的土地利用空间优化配置方法
Gharehchopogh et al. A comprehensive survey on symbiotic organisms search algorithms
Galván et al. Multi-objective evolutionary optimization of prediction intervals for solar energy forecasting with neural networks
Liu et al. A multi-type ant colony optimization (MACO) method for optimal land use allocation in large areas
Liu et al. Zoning farmland protection under spatial constraints by integrating remote sensing, GIS and artificial immune systems
Chou et al. Recent advances in use of bio-inspired jellyfish search algorithm for solving optimization problems
Bacanin et al. RFID network planning by ABC algorithm hybridized with heuristic for initial number and locations of readers
Chu et al. Method of image segmentation based on fuzzy C-means clustering algorithm and artificial fish swarm algorithm
CN108074004A (zh) 一种基于网格法的地理信息系统短期负荷预测方法
CN106775705B (zh) 一种软件模块划分方法
Khan et al. Evaluating the performance of several data mining methods for predicting irrigation water requirement
Podestá et al. Decadal climate variability in the Argentine Pampas: regional impacts of plausible climate scenarios on agricultural systems
CN116227753B (zh) 一种变化环境下水资源优化配置方法
CN113688960A (zh) 基于灰狼优化ghfcm的居民电力数据聚类方法及装置
CN116894384A (zh) 一种多风机风速时空预测方法及系统
CN114723142A (zh) 一种基于非支配排序遗传算法和flus模型的多目标土地利用模拟系统与方法
CN106845696B (zh) 一种智能优化水资源配置方法
Wang Application of fuzzy linear programming model in agricultural economic management
Yang et al. Forecasting time series with genetic programming based on least square method
CN109086941A (zh) 一种能源消费预测方法
Shao et al. An improved artificial bee colony-based approach for zoning protected ecological areas
Cakmak et al. Participatory fuzzy cognitive mapping analysis to evaluate the future of water in the Seyhan Basin
AU2021104365A4 (en) A Method of Spatial Optimal Allocation of Land Resources Coupled with Dynamic Geographic Process
Wang et al. Simulating land use structure optimization based on an improved multi-objective differential evolution algorithm
Manjunatha et al. Estimation of arecanut yield in various climatic zones of karnataka using data mining technique: A survey

Legal Events

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