CN107451943A - 城市更新改造的选址方法 - Google Patents
城市更新改造的选址方法 Download PDFInfo
- Publication number
- CN107451943A CN107451943A CN201710483223.1A CN201710483223A CN107451943A CN 107451943 A CN107451943 A CN 107451943A CN 201710483223 A CN201710483223 A CN 201710483223A CN 107451943 A CN107451943 A CN 107451943A
- Authority
- CN
- China
- Prior art keywords
- chromosome
- plot
- processing apparatus
- calculation processing
- transformation
- 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.)
- Pending
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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Genetics & Genomics (AREA)
- Educational Administration (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Physiology (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种城市更新改造的选址方法,包括:针对多个需改造的地块根据多种候选优先改造方法以二进制编码方法对入选地块和未入选地块进行编码从而构成一组染色体;根据适应度函数计算一组染色体中每一条的适应度值;选择适应度值最大的作为最终的优先改造方法。采用本发明实施例,可以在较短时间找到合理的优先改造方法,并且显著降低计算量。
Description
技术领域
本发明涉及计算机地理信息技术领域,更具体地,涉及一种城市更新改造的选址方法。
背景技术
城市更新优先改造项目的选址,其目的就是从城市更新地块的土地利用状况、社会因素、经济因素、生态环境因素、政策因素、现状发展推力、规划发展拉力以及区域公平等方面来实现城市更新的综合效益最大化。因此,城市更新优先改造项目的选址问题从本质上看也可以归类为一种多目标空间优化问题(multi-objective spatial optimizationproblem)。
近些年来,随着人工智能技术的快速发展,采用具有演化特征的启发式算法来解决多目标空间优化选址问题成为了一个发展趋势。如在已有的研究中,模拟退火算法、遗传算法、禁忌算法等被陆续成功应用在空间优化问题求解中。仅有的研究中,张其邦对城市改造地块哪里先更新的问题进行了理论探讨,此外一些学者也对旧城镇、旧村庄的优先改造问题进行了实证分析。
但是现有的研究更多是从效率角度出发,缺乏对公平性的考量,同时也缺乏合理、完整的项目评价体系和科学的选址模型作为依据。作为一种新的全局优化智能搜索算法,遗传算法以其简单通用性、强鲁棒性以及实用性、高效性的显著优点备受关注,并在各个领域的广泛实际应用中都取得了良好效果。
然而,现有城市更新优先改造的的研究方法,缺少改造优先选址模型及资源条件的约束等可执行的方法的研究。确定优先更新的地址是城市更新首要的基本理论问题。城市更新优先改造项目选址需考虑改造地块的多种因素,是复杂的空间多目标优化问题,采用传统的解决方案空间搜索量庞大,难以求出理想解。
发明内容
本发明要解决的技术问题在于提供一种城市更新改造的选址方法。
根据本发明实施例的一方面,提供了一种城市更新改造的选址方法,包括:对于多个需改造的地块,通过计算处理装置根据多种候选优先改造方法以二进制编码方法对入选地块和未入选地块进行编码从而构成一组染色体;通过该计算处理装置根据适应度函数计算一组染色体中每一条的适应度值;以及,通过该计算处理装置选择适应度值最大的作为最终的优先改造方法。
在可选实施例中,所述选址方法还包括,在选择适应度值最大的作为最终的优先改造方法之前,通过该计算处理装置根据每条染色体的适应度值对该条染色体进行遗传操作从而得到新的一组染色体;通过该计算处理装置对进行遗传操作后的每一条染色体,以入选地块面积之和满足约束条件为准则来判断该条染色体是否为无效染色体,如果是,则通过该计算处理装置对无效染色体进行修复操作;如果否,则通过计算处理装置保留该条染色体不变。进一步地,该选择方法还包括通过该计算处理装置根据适应度函数计算进行修复操作后得到的一组染色体中每一条的适应度值。
在可选实施例中,所述选址方法还包括:在根据多种优先改造方法以二进制编码方法对入选地块和未入选地块进行编码从而构成一组染色体之后,通过计算处理装置,对该组染色体中的每一条染色体,以入选地块面积之和满足约束条件为准则来判断该条染色体是否为无效染色体;如果是,则对无效染色体进行修复操作;如果否,保留该染色体不变。根据适应度函数计算一组染色体中每一条的适应度值包括:根据适应度函数计算进行修复操作后每条染色体的适应度值。
在一可选实施例中,所述适应度函数与改造潜力因子和改造迫切度因子相关联。在另一可选实施例中,所述适应度函数与改造潜力因子、改造迫切度因子和公平性因子相关联。
在可选实施例中,遗传操作包括选择操作、交叉操作和变异操作。
根据本发明实施例的另一方面,提供了一种城市更新改造的选址方法,
包括:步骤a,对于多个需改造的地块通过计算处理装置确定一组染色体,其中,每条染色体对应于一种候选优先改造方法并对以二进制编码表示入选地块和未被入选地块;步骤b1,通过该计算处理装置,对一组染色体中的每一条染色体,以入选地块的面积之和满足约束条件为准则来判断该条染色体是否为无效染色体,如果是,则对无效染色体进行修复操作;如果否,保留该条染色体不变;步骤c1,通过该计算处理装置根据适应度函数计算进行修复操作后每条染色体的适应度值;步骤d1,通过该计算处理装置根据进行修复操作后得到的多条染色体以及每条染色体的适应度值对该多条染色体进行遗传操作从而得到新的一组染色体;通过该计算处理装置重复执行步骤b1-步骤d1直至满足终止条件时停止;通过该计算处理装置输出最后得到的染色体作为最终优先改造方法。
在本发明可选实施例中,对无效染色体进行修复操作包括:从入选地块中依次取出改造价值最小的地块,直到剩下的入选地块面积之和满足约束条件,并以二进制编码方法对最后入选地块和未入选地块进行编码从而形成一条修复染色体。
在一可选实施例中,适应度函数与改造潜力因子和改造迫切度因子相关联。在另一可选实施例中,适应度函数与改造潜力因子、改造迫切度因子和公平性因子相关联。
在可选实施例中,遗传操作包括选择操作、交叉操作和变异操作。
可选地,步骤b-步骤d1可以被步骤b2-步骤d2替代。步骤b2-步骤d2包括:步骤b2,通过计算处理装置根据适应度函数计算一组染色体中的每条染色体的适应度值;步骤c2,通过该计算处理装置根据该组染色体以及每条染色体的适应度值对该组染色体进行遗传操作从而得到新的一组染色体;步骤d2,通过该计算处理装置对该新的一组染色体中的每一条染色体,以入选地块的面积之和满足约束条件为准则来判断该条染色体是否为无效染色体,如果是,则对无效染色体进行修复操作;如果否,保留该条染色体不变。该选址方法还包括通过该计算处理装置重复执行步骤b2-步骤d2直至满足终止条件时停止。进一步地,该选址方法还包括通过该计算处理装置输出最后得到的染色体组作为最终优先改造方法。
根据本发明实施例的另一方面,还提供了一种实现城市更新改造选址装置,包括:染色体确定模块,用于针对多个需改造的地块,根据多种候选优先改造方法以二进制编码方法对入选地块和未入选地块进行编码从而构成一组染色体;适应度确定模块,用于根据适应度函数计算一组染色体中每一条的适应度值;以及,改造方法确定模块,用于选择适应度值最大的作为最终的优先改造方法。
在可选实施例中,该装置还包括遗传操作处理模块,用于在选择适应度值最大的作为最终的优先改造方法之前,根据每条染色体的适应度值对该条染色体进行遗传操作从而得到新的一组染色体。该装置还包括判断模块,用于对进行遗传操作后的每一条染色体,以入选地块面积之和满足约束条件为准则来判断该条染色体是否为无效染色体。该装置还包括修复操作处理模块,用于在判断模块判断为是时,对无效染色体进行修复操作;在判断模块判断为否时,保留该条染色体不变。进一步地,该装置的适应度确定模块还用于根据适应度函数计算进行修复操作后得到的一组染色体中每一条的适应度值。
在另一可选实施例中,对于实现城市更新改造选址的装置,判断模块用于在染色体确定模块根据多种优先改造方法以二进制编码方法对入选地块和未入选地块进行编码从而构成一组染色体之后,对该组染色体中的每一条染色体,以入选地块面积之和满足约束条件为准则来判断该条染色体是否为无效染色体。该装置的修复操作处理模块用于当判断模块判断为是时,对无效染色体进行修复操作;当判断模块判断为否时,保留该染色体不变。该装置的适应度确定模块根据适应度函数计算一组染色体中每一条的适应度值包括:根据适应度函数计算进行修复操作后每条染色体的适应度值。
在一可选实施例中,所述适应度函数与改造潜力因子和改造迫切度因子相关联。在另一可选实施例中,所述适应度函数与改造潜力因子、改造迫切度因子和公平性因子相关联。
在可选实施例中,遗传操作包括选择操作、交叉操作和变异操作。
根据本发明实施例的又一方面,还提供了一种实现城市更新改造选址的装置,包括:染色体确定模块,用于针对多个需改造的地块确定一组染色体,其中,每条染色体对应于一种候选优先改造方法并对以二进制编码表示入选地块和未被入选地块;判断模块,用于对一组染色体中的每一条染色体,以入选地块的面积之和满足约束条件为准则来判断该条染色体是否为无效染色体。该装置还包括修复操作处理模块,用于当判断模块判断为是时,对无效染色体进行修复操作;当判断模块判断为否时,保留该条染色体不变。该装置还包括适应度确定模块,用于根据适应度函数计算进行修复操作后每条染色体的适应度值。该装置还包括遗传操作处理模块,用于根据进行修复操作后得到的多条染色体以及每条染色体的适应度值对该多条染色体进行遗传操作从而得到新的一组染色体。在该装置中,上述修复操作处理模块、判断模块、适应度确定模块和遗传操作处理模块被配置为重复执行操作,直至满足终止条件时停止。该装置还包括输出模块,用于输出最后得到的染色体作为最终优先改造方法。
在本发明可选实施例中,修复操作处理模块对无效染色体进行修复操作包括:从入选地块中依次取出改造价值最小的地块,直到剩下的入选地块面积之和满足约束条件,并以二进制编码方法对最后入选地块和未入选地块进行编码从而形成一条修复染色体。
在一可选实施例中,适应度函数与改造潜力因子和改造迫切度因子相关联。在另一可选实施例中,适应度函数与改造潜力因子、改造迫切度因子和公平性因子相关联。
在可选实施例中,遗传操作包括选择操作、交叉操作和变异操作。
在另一实施例中,还提供了一种实现城市更新改造选址的装置,包括:染色体确定模块,用于针对多个需改造的地块,根据多种候选优先改造方法以二进制编码方法对入选地块和未入选地块进行编码从而构成一组染色体;该装置还包括适应度确定模块,用于根据适应度函数计算一组染色体中的每条染色体的适应度值。该装置还包括遗传操作处理模块,用于根据该组染色体以及每条染色体的适应度值对该组染色体进行遗传操作从而得到新的一组染色体。该装置还包括判断模块,用于对该新的一组染色体中的每一条染色体,以入选地块的面积之和满足约束条件为准则来判断该条染色体是否为无效染色体。该装置还包括修复操作处理模块,用于当判断模块判断为是时,对无效染色体进行修复操作;当判断模块判断为否时,保留该条染色体不变。在该装置,上述适应度确定模块、判断模块、遗传操作处理模块和修复操作处理模块被配置为重复执行操作装置直至满足终止条件时停止。进一步地,该装置还包括输出模块,用于输出最后得到的染色体组作为最终优先改造方法。
本发明实施例的实现城市更新改造选址的装置可以是计算处理装置。该计算处理装置包括处理器,且该处理器可进一步包括染色体确定程序模块、适应度确定程序模块、判断程序模块、遗传操作处理程序模块和修复操作处理程序模块。
采用本发明实施例的城市更新改造的选址方法和装置,可以在改造潜力、迫切度和公平性方面给出较优的城市更新改造方法。进一步,现有的改造选址方法当候选地块数目多时,即使是高性能计算机也无法给出合理的解决方案。而采用本发明实施例的选址方法,即使候选地块数目多,也能够给出合理的解决方案,并且计算量大大减小。
附图说明
图1是根据本发明一实施例的城市更新改造的选址方法的流程示意图。
图2是根据本发明另一实施例的城市更新改造的选址方法的流程示意图。
图3是根据本发明实施例的对需改造地块进行二进制编码后的平面示意图。
图4a-图4b示出了在两种权重方案下的适应度相对迭代处理次数的收敛变化图。
图5示出了根据本发明一实施例的实现城市更新改造选址的装置示意框图。
图6示出了根据本发明另一实施例的实现城市更新改造选址的装置示意框图。
具体实施方式
下列公开提供了许多不同的实施例或例子,以实现本发明的不同特征。下面描述了部件和方法步骤的具体例子以简化本公开。当然,这些仅是例子并不旨在限制。应该意识到,可以将这里所公开的内容应用在多种广泛形式中,并且这里所公开的任何特定结构和/或功能仅仅是描述性的。基于这里所教导的内容,本领域技术人员应该意识到,可以独立于任何其他方面实现这里所公开的方面,并且可以以多种方式对这些方面中的两个或多个进行组合。
城市中存在着许多需要更新的地块,对这些地块同时进行改造是可能的。但是应该哪些优先改造是个需要考虑的问题。改造优先性的选择首先要从效率角度出发,具体就是要坚持“急则先,重则稳,缓则慢”的实施原则,对于改造项目轻急缓重的评判,可用更新地块的改造潜力值衡量其重要程度,用更新地块的改造迫切度衡量其急缓程度。同时改造优先性的选择还要兼顾到公平,协调好各方利益。考虑到效率与公平的因素,本发明实施例利用城市更新项目地块的潜力值、改造迫切度以及公平度这三个目标构建城市更新的目标函数。
1)改造潜力目标
更新地块的改造潜力可以较为全面客观地衡量城市更新项目的重要程度,改造潜力越大的地块改造难度相对越小同时产生的效益也越大。因此,改造潜力大小在优先改造项目选址中起到极为重要的评判标准作用。待评价更新地块项目的潜力测算公式为:
式中,Pi为第i个待评价地块项目的潜力值,aj为第j项指标的指标权重,Potentialij(i=1,2,3...n;j=1,2,3...n)为第i个地块项目的第j项指标的经标准化的指标值。
2)迫切度目标
城市更新迫切度是指更新地块自身属性、居民的居住现状以及区域经济社会发展对地块更新的需求程度,能够全面客观地衡量城市更新地块改造迫切程度,在城市更新选址工作中是选择优先改造项目的重要依据。本发明实施例采用多因素综合评价法分析评价更新项目的迫切程度。待评价地块项目的迫切度测算公式为:
式中,ui为第i个待评价地块项目的迫切度,bj为第j项指标的指标权重,Urgentij(i=1,2,3...n;j=1,2,3...n)为第i个地块项目的第j项指标的经标准化的指标值。
3)公平性目标
根据地块的改造潜力值和改造迫切度来选择城市更新优先改造项目,这是一种强调效率的做法,但是欠缺了公平的考量。在城市更新过程中,各地方政府(镇/街道政府)都有自己的利益诉求,如改善城市面貌、发展地方经济、增加地方财政收入等。如果改造资金都优先安排在某几个区域,那么这显然是对其它区域是不公平的,因此城市更新优先开发项目的选择不仅要考虑到效率,同时也要考虑到公平性。为了保证城市优先开发项目分布均衡,采用泰尔指数来衡量选址方案的公平性。泰尔指数是目前学术界测算地区差异采用的主要统计指标,其进一步介绍可以参考:黎夏,叶嘉安.遗传算法和GIS结合进行空间优化决策[J].地理学报,2004,59(5):745-753。泰尔指数计算公式如下:
式中,T为泰尔指数,衡量各镇城市更新优先开发项目分布是否均衡,T的数值越大,则优先开发项目分布越不均衡,公平性也就越低,为选址方案中第i个镇/街道优先开发地块项目的面积占研究区域所有优先开发地块项目的面积的比重,ni为第i个镇/街道的人口数占研究区域总人口数的比重。
Q=(1-T)*100 (4)
Q是为了计算方便,对T进行转换运算后得到的数值,表示公平度,Q越大则越能体现公平性。
综上所述,本发明实施例的选址模型中的目标函数为:
式中,pi(i=1,2,3…n)为第i个地块项目的潜力值,ui(i=1,2,3…n)为第i个地块项目的迫切度,k为选址方案中优先开发地块项目的数量,为选址方案中所有优先改造项目的平均潜力值,为选址方案中所有优先改造项目的平均迫切度,Q为选址方案的公平度,w1,w2以及w3分别是潜力值目标、迫切度目标以及公平度目标的权重系数。
由于改造资金有限等原因,在短期时间内不可能对所有更新地块都进行改造,因此需要对对优先改造的地块总面积做限定。即:
式中,Ci(i=1,2,3…n)为每个地块的面积(单位为hm2),S为优先改造总规模。
发明人在研究中还发现:选址问题是一个组合优化问题,最直接的方法是对所有的可能组合方案进行评价找到最佳的方案,这种方法可以称为暴力(brute-force)枚举方法,在候选地块项目数较少时,它能保证获得最大值。但当目标数目和搜索空间较大时,所涉及的组合就会出现爆炸性增长。例如,如果候选地块项目数有432个,采用暴力枚举法,计算量达2^432,即使采用高性能的计算机也是几乎无法求出结果的。因此,有必要寻找一种可行有效的全局优化搜索算法来求解本研究的选址的问题。
遗传算法是由美国的J.Holland教授1975年首先提出,它的思想源于生物遗传学和适者生存的自然规律,是一类借鉴生物界自然选择和自然遗传机制的启发式搜索算法。遗传算法在求解非线性、多模型、多目标等优化问题时,存在着特有的优势。遗传算法的主要遗传操作包括选择、交叉和变异,其核心内容由参数编码、初始群体的设定、适应度函数的设计、控制参数设定、遗传操作设计这五个要素组成。
贪婪算法又称贪婪算法是指在对问题求解时,总是做出在当前看来是最好的选择。贪婪算法作为另一种智能优化算法,其在解决问题的策略为每次选择都会是局部最优选择,即贪婪算法仅根据当前已有的信息做出局部最优选择。贪婪算法的这种策略虽然并不能保证总能获得全局最优解,但是得到的结果通常是近似最优解。
在本发明实施例中,提出将贪婪算法与遗传算法相结合的一种混合遗传算法,通过遗传算法的择优,不断重复执行贪婪算法的修正、选择、杂交以及变异,所求解将不断进化,并越来越接近最优解,从而得到近似最优解。
图1是根据本发明一实施例的城市更新改造的选址方法的流程示意图。如图1所示,该选址方法包括:
S101,针对多块需改造的地块,通过计算处理装置根据多种候选优先改造方法以二进制编码方法对入选地块和未入选地块进行编码从而构成一组染色体;
S102,通过计算处理装置根据适应度函数计算一组染色体中每一条的适应度值;
S103,通过计算处理装置选择适应度值最大的作为最终的优先改造方法。
例如,存在5块需改造地块,每个改造地块具有唯一的ID编号,分别用1、2、3、4、5表示。如果地块编号为1、2、3的改造地块入选为优先改造地块,那么这些入选改造地块的遗传编码则用1表示,反之没被选为优先改造地块的则用0表示。如“11100”就代表一条染色体,即一个解。这个解表示将第1、2、3个地块项目选入优先开发项目,其他的地块项目则不选入。类似地,如果仅地块编号为1、2、5的改造地块入选为优先改造地块,那么所对应的染色体“11001”。如果仅地块编号为1、3、4的改造地块入选为优先改造地块,那么所对应的染色体“10110”。这样,根据候选的优先改造方法可得到一组染色体。
可以直接采用目标函数公式(5)作为适应度函数来计算每条染色体的适应度值,即:
然后,选择适应度值最大的作为最终的优先改造方法。
然而,由于改造资金有限或其他原因,有时在短期时间内不可能对所有地块都进行改造。因此需要对对优先改造的地块总面积做限定,如上面公式(6)所示出的。
在一可选实施例中,在S101之后,该选址方法可选地还可以包括:针对该组染色体中的每一条染色体,通过计算处理装置以入选地块面积之和满足约束条件为准则来判断该条染色体是否为无效染色体。即,利用公式(6)来判断一条染色体是否为有效染色体。如果所选改造地块的面积之和小于等于优先改造面积阈值,则计算处理装置判断该条染色体为有效染色体,保留该条染色体。如果所选改造地块的面积之和大于优先改造面积阈值,则通过计算处理装置判断该条染色体为无效染色体。然后,通过计算处理装置对无效染色体执行修复操作。例如,可以是从入选地块中依次取出改造价值最小的地块,直到剩下的入选地块面积之和满足约束条件。以二进制编码方法对最后入选地块和未入选地块进行编码从而可形成一条修复染色体。这样,保留的染色体和修复染色体可组成新的一组染色体。对该新的一组染色体,根据适应度函数计算每条染色体的适应度值。
在本发明一实施中,如上面公式(5)所示出的,适应度函数与改造潜力因子、改造迫切度因子和公平性因子相关联。在本发明可选实施例中,适应度函数可以仅与改造潜力因子和改造迫切度因子相关联。
在另一可选实施例中,在S102之后以及S103之前,该选址方法还可以包括:通过计算处理装置根据一组染色体和每条染色体的适应度值对该条染色体进行遗传操作从而得到新的一组染色体。可选地,遗传操作可以包括选择操作、交叉操作和变异操作。
然后,对该新的一组染色体中的每一条染色体,以入选地块面积之和满足约束条件为准则来判断该条染色体是否为无效染色体。如果判断结果为无效染色体,则对无效染色体进行修复操作。如果判断结果不是无效染色体,则保留该条染色体。根据适应度函数计算进行修复操作后得到的一组染色体中每一条的适应度值。
为更进一步地突出本发明实施例的优点,图2是根据本发明另一实施例的一种城市更新改造的选址方法的流程示意图。
S201,进行参数设置以及种群初始化。
遗传编码策略是用于表示模型解决当前问题的编码方法,在本发明实施例中,采用二进制编码方法。如图3所示,以任一街道为例,如果该街道共有63个未改造地块(用图斑表示),每个改造地块具有唯一的ID编号,分别用1、2、3、4、5、6、……、61、62、63表示。对于地块编号为1、2、3、6、……、63的改造地块入选为优先改造地块,那么这些改造地块的遗传编码则用1表示,反之没被选为优先改造地块的则用0表示。如“111001……001”就代表一条染色体,即一个解,这个解表示将第1、2、3、6、……、63个地块项目选入优先开发项目,其他的地块项目则不选入,即表1所示的遗传编码串代表一条染色体,代表当前问题的一个解,也即一种候选优先改造方法。
表1
地块编号 | 1 | 2 | 3 | 4 | 5 | 6 | …… | 61 | 62 | 63 |
遗传编码 | 1 | 1 | 1 | 0 | 0 | 1 | 0 | 0 | 1 |
在本发明实施例中,种群初始化意味着形成多条遗传编码串(也称染色体),从而构成一组染色体。在一实施例中,可通过以下公式来形成染色体:
V=2*rand(X,Y)-1
其中,rand(X,Y)表示随机函数;X表示种群规模;Y表示样本数;V表示种群规模和样本数随机产生的矩阵,即该矩阵的值为0或1。例如,对于63块未改造地块,即生成30行*63列的随机矩阵,每一行代表一条随机生成的染色体。30行即代表30条染色体。
S202,对一组染色体中的每一条,判断染色体是否为无效染色体。如果是,则执行S203,对无效染色体进行修复操作;如果否,则执行S204,保留该条染色体不变。在本发明实施例中,以入选地块的面积之和满足约束条件为准则来判断该条染色体。S201中描述的遗传编码的方案虽然相对直观明了,但对于任意一条染色体,其不一定满足面积约束条件,也就是说这些未能满足面积约束条件的染色体是无效解,也就是这种遗传编码方案会产生很多无效的染色体,而这些无效的染色体将会降低模型的求解效率,增加过多的运算时间。
因此,在本发明实施例中,采用贪婪算法对于这些不满足约束条件的遗传编码串进行修复。修复的主要原理为:在遗传编码为1的所有地块中,将价值(即潜力值与迫切度乘各自权重系数之和)最小的地块项目取出,直到满足面积的容量约束为止。经过贪婪修复之后,将会产生新的“质量”相对更高的遗传编码串,因为这些的新遗传编码串都是有效的,即都是符合面积约束条件的。
S205,根据适应度函数计算进行修复操作后每条染色体的适应度值。
在本发明实施例中,利用公式(7)的适应度函数来计算每条染色体的适应度值。
S206,根据进行修复操作后得到的多条染色体以及每条染色体的适应度值对该多条染色体进行遗传操作从而得到新的一组染色体。
可选地,遗传操作可以包括选择操作、交叉操作和变异操作。
选择操作:在选择操作上,根据本发明的一个实施例,采用轮盘赌的方式进行选择,根据适应度的大小直接评价染色体的优劣程度,即各个个体的选择概率和其适应度值成正比,换言之个体的适应度越大,其被选择进行遗传操作的概率就越大,反之亦然。例如,选择一些染色体来产生下一代,采用的选择策略是“比例选择”,也就是单条染色体被选中的概率与其适应度值成正比。假设群体的总数是M,那么一条染色体Xi被选中的概率为:
f(Xi)/(f(X1)+f(X2)+……+f(Xn))。
交叉操作:交叉,亦被称为基因重组,作为一种获取新的优良染色体的重要手段,其过程主要是根据交叉概率把两个父染色体的部分结构加以替换,进而产生新的染色体,同时交叉过程可能会产生比原来更优的染色体,从而大幅度提高遗传算法的全局搜索能力。下面以2条染色体交换部分基因(有下划线的部分,表示交叉点)来构造下一代的2条新的染色体为例对交叉操作做简单说明以便于理解本发明实施例的遗传操作。例如,交叉前两条染色体为以下:
00000|011100000000|10000
11100|000001111110|00101
交叉后产生的2条新的染色体为以下:
00000|000001111110|10000
11100|011100000000|00101
在本发明实施例中,染色体交叉是以一定的概率发生的,这个概率记为PC。
变异操作:仿照生物学,遗传算法也引入了变异算子这一概念,变异算子是指等位基因的互换。为了避免传统遗传算法陷入早熟,变异算子的出发点是增加种群的多样性,但为了不降低进化过程的速度,变异概率通常采用一个较小的值。在繁殖过程,新产生的染色体中的基因会以一定的概率出错,称为变异。变异发生的概率记为PM。变异的点由0变为1或者由零变为1,例如,一条染色体变异前为:000001110000000010000;变异后的染色体为:000001110000100010000。
S207,判断是否满足终止条件,如果是,则执行S208,如果否,则执行S202。即,对执行206产生新的一组染色体中的每一条染色体,判断是否为无效染色体。这是因为在遗传操作过程中,通过染色体交叉、变异产生的染色体也不一定满足面积约束条件,那些不满足面积约束条件的染色体是无效解。因而需要对那些无效染色体执行如S203的修复操作。相应地,重复执行S205和S206。
S208,输出最后得到的染色体作为最终优先改造方法。
在本发明其他实施例中,也可以是在执行种群初始化得到一组染色体后,根据公式(7)的适应度函数计算该组染色体中的每条染色体的适应度值。然后,根据该组染色体以及每条染色体的适应度值对该组染色体进行遗传操作从而得到新的一组染色体。进一步,对新的一组染色体中的每一条染色体,以入选地块的面积之和满足约束条件为准则来判断该条染色体是否为无效染色体。如果是,则对无效染色体进行修复操作。如果否,保留该条染色体不变。这样,在判断完该新的一组染色体并对其中的无效染色体进行修复操作后会得到又一组新的染色体。这种遗传操作、判断无效染色体以及修复操作的实施可以被认为是一次迭代处理。在一实施例中,可以在最开始设置迭代处理的次数,如果未达到预先设置的迭代处理次数,将继续执行上述的遗传操作、判断无效染色体和修复操作,直到满足迭代处理的次数后,输出最后得到的染色体。这最后得到的染色体作为最终的优先改造方法,并在综合角度上满足改造潜力、迫切度和公平度的要求。
实例
下面以顺德为具体实例对本发明实施例的一个例子进行详细说明。顺德区位于广东南部,珠江三角洲平原中部,土地总面积806.57平方公里,人口超过240万人。全区现下辖大良、容桂、伦教、勒流4个街道,和北滘、陈村、乐从、龙江、杏坛、均安6个镇,包括90个社区居民委员会和108个村民委员会。目标待改造地块数有432个之多,采用暴力枚举法,计算量达2^432,即使采用高性能的计算机也是几乎无法求出结果的
在本实施例中,将城市更新地块单元与遗传算法的编码、自然进化机制进行结合来解决多目标优化决策问题。由于各因素对土地整治项目选址的影响程度不一样,其权重也不一样。本文采用层次分析法和专家打分法相结合的方法确定指标权重,如表2和表3所示。
表2城市更新项目改造潜力测算指标体系
表3城市更新项目改造迫切度测算指标体系
用表2和表3中的指标权重代入目标函数公式(5)或适应度函数公式(7),可以求出被选地址的综合评价值。
(i)多目标优化的混合遗传算法城市优先改造选址模型
为了对未把公平性目标纳入模型的方案与把公平性目标纳入模型的方案进行对比分析,在本发明实施例中,设计了以下2种权重方案:
方案1中只优化地块改造潜力和改造迫切度这两个效率目标值,把权重系数设为1:1;以及
方案2增加了公平性这一公平目标值,并设置改造潜力、改造迫切度以及公平度这三个目标函数的权重系数比为1:1:1。
其中,面积约束条件的总面积为1495.07hm2。
1)指标权重的确定与标准化
在上述确定的指标体系中,为了消除量纲的影响,采用极差变换法对指标数据进行标准化。同时,由于各因素对城市更新优先改造项目选址的影响程度不一样,其会造成其权重也会不一样。本文采用层次分析法和专家打分法相结合的方法确定指标权重,各指标体系权重如表2和表3所示。
2)选址模型参数设置
在本发明实施例中,模型参数设置如下:种群大小N=50、交叉概率PC=0.7、变异概率PM=0.08、迭代次数T=12000。
3)结果与分析
基于上述权重方案,将模型编程实现并在Matlab仿真平台上运行,得到各适应度收敛曲线(见图4a和图4b)。图4a和图4b示出了权重方案1和方案2的适应度与迭代处理次数之间的收敛变化情况。从权重方案1以及权重方案2的收敛曲线上可以看出,适应度随着迭代次数的增加而增加,并最终能够收敛到稳定的数值,从而得到较好的候选解。
同时模型运算得到的结果如表3所示,将方案2与方案1对比可以发现,将公平度性目标纳入模型,选址结果中在公平目标方面:公平度值从72.26提升到97.58,增加了35.04%。而在效率目标方面:地块平均改造潜力值则从48.59降到了43.30,减少了10.89%;地块平均改造迫切度从48.20降到了43.30,减少了10.17%。城市更新遵循效率优先的原则使得模型在进行优先改造项目选址时会尽量选址改造潜力值高,改造迫切度高的地块,并因此使得优先改造地块分布不均衡,而公平性目标则会引导改造地块分布均衡,避免改造地块过于集中,将优先改造地块尽量均衡分布在各个镇街中,但是于此同时会不可避免的把一些改造潜力值和改造迫切度相对较低的地块纳入选址方案中。从该结果可以看出,公平性目标对模型选择优先改造地块分布均衡,即公平度高的选址方案具有引导作用。同时,从上述分析所知,可以看出公平的获得是以牺牲一定的效率为代价的,但是以牺牲相对较少的效率为代价来换取选址方案的公平的意义却是重大的,因为兼顾各地区的利益不仅有利于社会的和谐与稳定,也能在长远上更好地促进城市更新的健康发展。
表3不同权重方案运算所得目标函数值
借助Arcgis软件,将选址结果以图形化的形式展示后发现:从公平角度上看,未把公平性目标纳入选址模型的方案1的优先改造地块相对比较集中,存在几个镇的优先改造地块数过少,甚至有些镇的优先改造地块数为零,而把公平度目标纳入选址模型的方案2的项目分布趋于平衡,公平度高达97.58,城市更新优先改造地块在各镇分布均衡,说明方案2是符合“公平”要求的。
从效率角度上看,顺德所有未改造地块平均潜力值为33.41,以这个值为衡量标准,选址方案2中优先改造地块的平均潜力值高于此标准29.60%;同样地,顺德所有未改造地块平均迫切度为36.15,以这个值为衡量标准,选址方案2中优先改造地块的平均迫切度高于此标准19.78%,纵观方案2所选地块都是既“紧急”又“重要”的,因此,该选址方案是符合“效率”要求的。
综上所述,根据本发明实施例的方案2的选址结果既做到了注重效率,又兼顾了公平,在效率与公平之间取到了一个平衡,为选址决策提供了科学合理的参考依据。当然,发明人也注意到,城市更新优先改造项目选址中的公平性目标会对效率目标产生影响,但以牺牲较少的效率为代价就可以换取方案的公平性。但是,从效率角度上看,优先改造地块的平均潜力值和平均迫切度均高于所有改造地块的平均潜力值和平均迫切度;从公平角度上看,优先改造地块的分布趋于均衡,因此,选址方案在容忍的限度内是公平的。
图5示出了根据本发明一实施例的实现城市更新改造选址的装置示意框图。如图5所示,装置50包括染色体确定模块52,用于针对多个需改造的地块,根据多种候选优先改造方法以二进制编码方法对入选地块和未入选地块进行编码从而构成一组染色体。装置50还包括适应度确定模块54,用于根据适应度函数计算一组染色体中每一条的适应度值。装置50还包括改造方法确定模块56,用于选择适应度值最大的作为最终的优先改造方法。
在可选实施例中,该装置还包括遗传操作处理模块,用于在选择适应度值最大的作为最终的优先改造方法之前,根据每条染色体的适应度值对该条染色体进行遗传操作从而得到新的一组染色体。该装置还包括判断模块,用于对进行遗传操作后的每一条染色体,以入选地块面积之和满足约束条件为准则来判断该条染色体是否为无效染色体。该装置还包括修复操作处理模块,用于在判断模块判断为是时,对无效染色体进行修复操作;在判断模块判断为否时,保留该条染色体不变。进一步地,该装置的适应度确定模块还用于根据适应度函数计算进行修复操作后得到的一组染色体中每一条的适应度值。
在另一可选实施例中,对于实现城市更新改造选址的装置,判断模块用于在染色体确定模块根据多种优先改造方法以二进制编码方法对入选地块和未入选地块进行编码从而构成一组染色体之后,对该组染色体中的每一条染色体,以入选地块面积之和满足约束条件为准则来判断该条染色体是否为无效染色体。该装置的修复操作处理模块用于当判断模块判断为是时,对无效染色体进行修复操作;当判断模块判断为否时,保留该染色体不变。该装置的适应度确定模块根据适应度函数计算一组染色体中每一条的适应度值包括:根据适应度函数计算进行修复操作后每条染色体的适应度值。
在一可选实施例中,所述适应度函数与改造潜力因子和改造迫切度因子相关联。在另一可选实施例中,所述适应度函数与改造潜力因子、改造迫切度因子和公平性因子相关联。
在可选实施例中,遗传操作包括选择操作、交叉操作和变异操作。
图6示出了根据本发明另一实施例的实现城市更新改造选址的装置示意框图。如图6所示,装置60包括染色体确定模块62,用于针对多个需改造的地块确定一组染色体。其中,每条染色体对应于一种候选优先改造方法并对以二进制编码表示入选地块和未被入选地块。装置60还包括判断模块64,用于对一组染色体中的每一条染色体,以入选地块的面积之和满足约束条件为准则来判断该条染色体是否为无效染色体。该装置还包括修复操作处理模块66,用于当判断模块判断为是时,对无效染色体进行修复操作;当判断模块判断为否时,保留该条染色体不变。该装置还包括适应度确定模块68,用于根据适应度函数计算进行修复操作后每条染色体的适应度值。该装置还包括遗传操作处理模块70,用于根据进行修复操作后得到的多条染色体以及每条染色体的适应度值对该多条染色体进行遗传操作从而得到新的一组染色体。在该装置中,上述修复操作处理模块、判断模块、适应度确定模块和遗传操作处理模块被配置为重复执行操作,直至满足终止条件时停止。该装置还包括输出模块,用于输出最后得到的染色体作为最终优先改造方法。
在本发明可选实施例中,修复操作处理模块66对无效染色体进行修复操作包括:从入选地块中依次取出改造价值最小的地块,直到剩下的入选地块面积之和满足约束条件,并以二进制编码方法对最后入选地块和未入选地块进行编码从而形成一条修复染色体。
在一可选实施例中,适应度函数与改造潜力因子和改造迫切度因子相关联。在另一可选实施例中,适应度函数与改造潜力因子、改造迫切度因子和公平性因子相关联。
在可选实施例中,遗传操作包括选择操作、交叉操作和变异操作。
在另一实施例中,还提供了一种实现城市更新改造选址的装置,包括:染色体确定模块,用于针对多个需改造的地块,根据多种候选优先改造方法以二进制编码方法对入选地块和未入选地块进行编码从而构成一组染色体;该装置还包括适应度确定模块,用于根据适应度函数计算一组染色体中的每条染色体的适应度值。该装置还包括遗传操作处理模块,用于根据该组染色体以及每条染色体的适应度值对该组染色体进行遗传操作从而得到新的一组染色体。该装置还包括判断模块,用于对该新的一组染色体中的每一条染色体,以入选地块的面积之和满足约束条件为准则来判断该条染色体是否为无效染色体。该装置还包括修复操作处理模块,用于当判断模块判断为是时,对无效染色体进行修复操作;当判断模块判断为否时,保留该条染色体不变。在该装置,上述适应度确定模块、判断模块、遗传操作处理模块和修复操作处理模块被配置为重复执行操作装置直至满足终止条件时停止。进一步地,该装置还包括输出模块,用于输出最后得到的染色体组作为最终优先改造方法。
本发明实施例的实现城市更新改造选址的装置可以是计算处理装置。该计算处理单元包括处理器,且该处理器可进一步包括染色体确定程序模块、适应度确定程序模块、判断程序模块、遗传操作处理程序模块和修复操作处理程序模块。
本发明实施例的实现城市更新改造选址的装置可以是计算处理装置。该计算处理装置包括处理器,且该处理器可进一步包括染色体确定程序模块、适应度确定程序模块、判断程序模块、遗传操作处理程序模块和修复操作处理程序模块。
根据本发明实施例的城市更新改造的选址方法的设备或装置可以是计算机、或与计算机相关的实体等。该设备进一步可以包括处理器,配置成用于实施根据图1或图2示出的城市更新改造的选址方法中的各动作。根据本发明实施例的设备实施城市更新改造的选择的进一步详细描述可参考本公开前面城市更新改造的选址方法中相对应步骤的描述,在此不再赘述。应当理解,可以以硬件、软件、固件、中间件、代码或其任何恰当组合来实现这里描述的实施例。对于硬件实现,处理器可以在一个或多个下列单元中实现:专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、设计用于实现这里所描述功能的其他电子单元或其组合。
上面概述了几个实施例的特征使得本领域技术人员可较好地理解本公开的方面。本领域技术人员应当理解他们可容易地使用本公开作为基础以设计或修改其他工艺和结构以实行相同目的和/或实现在此介绍的实施例的相同优点。本领域技术人员也应意识到这种等同构造没有脱离本公开的精神和范围内,并且他们在没有脱离本公开的精神和范围情况下可以做各种改变、代替和更改。
Claims (10)
1.一种城市更新改造的选址方法,包括:
针对多个需改造的地块,通过计算处理装置根据多种候选优先改造方法以二进制编码方法对入选地块和未入选地块进行编码从而构成一组染色体;
通过所述计算处理装置根据适应度函数计算一组染色体中每一条的适应度值;
通过所述计算处理装置选择适应度值最大的作为最终的优先改造方法。
2.根据权利要求1所述的选址方法,其特征在于,在通过所述计算处理装置选择适应度值最大的作为最终的优先改造方法之前,所述选址方法还包括:
通过所述计算处理装置根据每条染色体的适应度值对该条染色体进行遗传操作从而得到新的一组染色体;
通过所述计算处理装置,对进行遗传操作后的每一条染色体,以入选地块面积之和满足约束条件为准则来判断该条染色体是否为无效染色体,如果是,则对无效染色体进行修复操作;如果否,保留该条染色体不变;
通过所述计算处理装置根据适应度函数计算进行修复操作后得到的一组染色体中每一条的适应度值。
3.根据权利要求1所述的选址方法,其特征在于:
根据所述多种优先改造方法以二进制编码方法对入选地块和未入选地块进行编码从而构成一组染色体之后,所述选址方法还包括:
通过计算处理装置,对该组染色体中的每一条染色体,以入选地块面积之和满足约束条件为准则来判断该条染色体是否为无效染色体,如果是,则对无效染色体进行修复操作;如果否,保留该染色体不变;
通过计算处理装置根据适应度函数计算一组染色体中每一条的适应度值包括:通过计算处理装置根据适应度函数计算进行修复操作后每条染色体的适应度值。
4.根据权利要求1所述的选址方法,其特征在于:
所述适应度函数与改造潜力因子和改造迫切度因子相关联;或者,
所述适应度函数与改造潜力因子、改造迫切度因子和公平性因子相关联。
5.根据权利要求2或3所述的选址方法,其特征在于,所述遗传操作包括选择操作、交叉操作和变异操作。
6.一种城市更新改造的选址方法,包括:
步骤a,针对多个需改造的地块,通过计算处理装置确定一组染色体,其中,每条染色体对应于一种候选优先改造方法并对以二进制编码表示入选地块和未被入选地块;
步骤b1,通过所述计算处理装置,对一组染色体中的每一条染色体,以入选地块的面积之和满足约束条件为准则来判断该条染色体是否为无效染色体,如果是,则对无效染色体进行修复操作;如果否,保留该条染色体不变;
步骤c1,通过所述计算处理装置根据适应度函数计算进行修复操作后每条染色体的适应度值;
步骤d1,通过所述计算处理装置根据进行修复操作后得到的多条染色体以及每条染色体的适应度值对该多条染色体进行遗传操作从而得到新的一组染色体;
通过所述计算处理装置重复执行步骤b1-步骤d1直至满足终止条件时停止;
通过所述计算处理装置输出最后得到的染色体作为最终优先改造方法。
7.根据权利要求6所述的选址方法,其特征在于,对无效染色体进行修复操作包括:通过所述计算处理装置从入选地块中依次取出改造价值最小的地块,直到剩下的入选地块面积之和满足约束条件,并以二进制编码方法对最后入选地块和未入选地块进行编码从而形成一条修复染色体。
8.根据权利要求6所述的选址方法,其特征在于:
所述适应度函数与改造潜力因子和改造迫切度因子相关联;或者,
所述适应度函数与改造潜力因子、改造迫切度因子和公平性因子相关联。
9.根据权利要求6所述的选址方法,其特征在于,所述遗传操作包括选择操作、交叉操作和变异操作。
10.根据权利要求6所述的选址方法,其特征在于,所述步骤b1-步骤d1被步骤b2-步骤d2替代,所述步骤b2-步骤d2包括:
步骤b2,通过所述计算处理装置根据适应度函数计算一组染色体中的每条染色体的适应度值;
步骤c2,通过所述计算处理装置根据该组染色体以及每条染色体的适应度值对该组染色体进行遗传操作从而得到新的一组染色体;
步骤d2,通过所述计算处理装置对该新的一组染色体中的每一条染色体,以入选地块的面积之和满足约束条件为准则来判断该条染色体是否为无效染色体,如果是,则对无效染色体进行修复操作;如果否,保留该条染色体不变;
所述选址方法还包括通过所述计算处理装置重复执行步骤b2-步骤d2直至满足终止条件时停止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710483223.1A CN107451943A (zh) | 2017-06-21 | 2017-06-21 | 城市更新改造的选址方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710483223.1A CN107451943A (zh) | 2017-06-21 | 2017-06-21 | 城市更新改造的选址方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107451943A true CN107451943A (zh) | 2017-12-08 |
Family
ID=60486851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710483223.1A Pending CN107451943A (zh) | 2017-06-21 | 2017-06-21 | 城市更新改造的选址方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107451943A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112700045A (zh) * | 2020-12-31 | 2021-04-23 | 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 |
CN113743759A (zh) * | 2021-08-25 | 2021-12-03 | 广州市图鉴城市规划勘测设计有限公司 | 一种基于旧村改造的建新范围划定方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175256A (zh) * | 2010-12-27 | 2011-09-07 | 浙江工业大学 | 一种基于进化树拓扑路网构建的路径规划确定方法 |
CN103136585A (zh) * | 2013-02-06 | 2013-06-05 | 天津大学 | 基于混沌遗传策略的加权Voronoi图变电站规划方法 |
CN103150614A (zh) * | 2013-03-26 | 2013-06-12 | 武汉大学 | 一种土地利用空间自动配置方法 |
CN105701558A (zh) * | 2014-12-11 | 2016-06-22 | Sap欧洲公司 | 在受限的地理区域中对交互对象的布局优化 |
-
2017
- 2017-06-21 CN CN201710483223.1A patent/CN107451943A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175256A (zh) * | 2010-12-27 | 2011-09-07 | 浙江工业大学 | 一种基于进化树拓扑路网构建的路径规划确定方法 |
CN103136585A (zh) * | 2013-02-06 | 2013-06-05 | 天津大学 | 基于混沌遗传策略的加权Voronoi图变电站规划方法 |
CN103150614A (zh) * | 2013-03-26 | 2013-06-12 | 武汉大学 | 一种土地利用空间自动配置方法 |
CN105701558A (zh) * | 2014-12-11 | 2016-06-22 | Sap欧洲公司 | 在受限的地理区域中对交互对象的布局优化 |
Non-Patent Citations (1)
Title |
---|
GLLGDX18406: ""遗传算法的改进"", 《HTTPS://WENKU.BAIDU.COM/VIEW/8A36443743323968011C92C2?IVK_SA=1023194J》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112700045A (zh) * | 2020-12-31 | 2021-04-23 | 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 |
CN113743759A (zh) * | 2021-08-25 | 2021-12-03 | 广州市图鉴城市规划勘测设计有限公司 | 一种基于旧村改造的建新范围划定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shi et al. | A review of simulation-based urban form generation and optimization for energy-driven urban design | |
Li et al. | Discovering and evaluating urban signatures for simulating compact development using cellular automata | |
Li et al. | Concepts, methodologies, and tools of an integrated geographical simulation and optimization system | |
Strauch et al. | Constraints in multi-objective optimization of land use allocation–Repair or penalize? | |
CN106484512B (zh) | 计算单元的调度方法 | |
Nikas et al. | A semi-quantitative modelling application for assessing energy efficiency strategies | |
CN106411896A (zh) | 基于apde‑rbf神经网络的网络安全态势预测方法 | |
CN106909986B (zh) | 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 | |
Yeh et al. | Urban simulation using neural networks and cellular automata for land use planning | |
Abd Allah | Hybrid ant optimization system for multiobjective economic emission load dispatch problem under fuzziness | |
Moosavian et al. | Nondominated sorting differential evolution algorithms for multiobjective optimization of water distribution systems | |
Zhang et al. | A simulation-based inverse design of preset aircraft cabin environment | |
Zheng et al. | Improving the efficiency of multi-objective evolutionary algorithms through decomposition: An application to water distribution network design | |
Fotakis et al. | A new multi-objective self-organizing optimization algorithm (MOSOA) for spatial optimization problems | |
CN107977711B (zh) | 一种面向“三线”协同优化的多智能体遗传方法 | |
Wang et al. | A new approach to land use optimization and simulation considering urban development sustainability: A case study of Bortala, China | |
Yuan et al. | Regional land-use allocation using a coupled MAS and GA model: From local simulation to global optimization, a case study in Caidian District, Wuhan, China | |
Quan | Smart design for sustainable neighborhood development | |
CN107451943A (zh) | 城市更新改造的选址方法 | |
Dinu et al. | A new genetic approach for transport network design and optimization | |
Karami et al. | A review and evaluation of multi and many-objective optimization: Methods and algorithms | |
Liu et al. | A land-use spatial allocation model based on modified ant colony optimization | |
Sumalee et al. | Road user charging design: dealing with multi-objectives and constraints | |
Li et al. | Integration of principal components analysis and cellular automata for spatial decisionmaking and urban simulation | |
Liu et al. | Modern zoning plans versus traditional landscape structures: Ecosystem service dynamics and interactions in rapidly urbanizing cultural landscapes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171208 |