CN107977711A - 一种面向“三线”协同优化的多智能体遗传算法 - Google Patents
一种面向“三线”协同优化的多智能体遗传算法 Download PDFInfo
- Publication number
- CN107977711A CN107977711A CN201711397596.3A CN201711397596A CN107977711A CN 107977711 A CN107977711 A CN 107977711A CN 201711397596 A CN201711397596 A CN 201711397596A CN 107977711 A CN107977711 A CN 107977711A
- Authority
- CN
- China
- Prior art keywords
- mrow
- land
- msub
- ecological
- suitability
- 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.)
- Granted
Links
Classifications
-
- 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
-
- 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
- G06Q10/02—Reservations, e.g. for tickets, services or events
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Genetics & Genomics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Physiology (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种面向“三线”协同优化的多智能体遗传算法，包括：收集并处理研究区数据集A、B、C；采用数据集A对研究区“三线”空间进行叠加诊断分析，获取“三线”冲突空间分布图；对步骤2中获取的“三线”冲突空间分布图进行栅格转换；设置多智能体遗传算法的优化目标及相应权重，构建适应度函数；结合数据集A、B、C设置多智能体遗传算法的约束条件；设置多智能体遗传算法的转换规则、算法参数，包括染色体种群规模，交叉率，变异率，最大迭代次数；构建多智能体遗传算法模型；优化结果输出。本方面解决了当前“多规合一”中的“三线”空间冲突难以协调、空间配置效率低下以及难以模拟多主体的智能行为导致配置结果合理性差等问题。
Description
技术领域
本发明属于地理信息科学技术领域，涉及一种改进的面向土地利用生态保护红线、耕地与基本农田保护红线、城市扩展边界等“三线”协同优化的多智能体遗传算法。
背景技术
空间优化是人类经常面临的最复杂的非结构化问题之一，是在对客观规律认识基础上，通过对现状中不合理的空间格局进行修正和调整，促进空间格局不断完善，空间要素间关系不断协调，从而取得更大综合效益的过程。地理学研究领域中的许多复杂空间问题最终都可以归结为空间优化问题,如设施选址(公园、医院、大型超市选址等)、路线优化(物流配送路径优化等)、资源优化配置(水资源和土地资源的优化配置等)。土地利用生态保护红线、耕地与基本农田保护红线、城市扩展界线等“三线”的冲突协调优化也是空间优化问题在现实世界的一种表现形式，耦合大量的空间知识，具有非线性、多主体及多目标的复杂特征，传统的GIS所提供的叠置分析、网络分析和缓冲区分析等空间分析功能无法实现对这些复杂关系进行建模、表达、推理和学习。
现有的“三线”冲突协同优化方法主要包括两类：基于多准则决策的配置技术以及基于元胞自动机的配置模型。基于多准则决策的配置方法，采用GIS的叠加分析技术，将多目标决策或理想点分析等方法应用于准则规则中，根据“三线”协同优化的优先级别、适宜性评价指数的高低逐步为各个空间单元选择最佳用途。然而此方法由于缺乏全局目标函数无法解决土地利用多宜性及其与土地利用空间结构相冲突的问题，并且得到的配制方案往往基于主观判断。基于元胞自动机的配置模型，建立元胞局域转换规则集和约束体系，运用其强大的空间模拟能力来实现“三线”的空间布局。但是，元胞自动机模型只考虑了自身与邻域状态，缺乏社会、经济等宏观目标的指导，导致模拟结果无法满足全局目标的要求。
智能地理计算，面向多类型地理问题，提出了智能地理计算空间显式映射模型，将智能计算技术中的神经网络模型、遗传算法模型、微粒群优化算法等融入到地理空间，为解决非线性、非结构化、高维的地理空间优化与过程模拟问题提供方法支撑。上述模型在土地利用优化配置方面发挥了应有的作用，但在面对“三线”冲突协同优化等土地利用空间复杂系统问题存在一定的局限性。多智能体系统在模拟土地利用空间复杂系统的时空动态方面具有非常突出的优势。由于智能体(Agent)具有智能性、适应性、协作性等特点，将多智能体系统引入空间优化模型中，一方面将使得模型具备较强的适应能力，另一方面，基于Agent适应性和协作性构建参与土地利用空间优化行为主体之间的联动决策规则，将能够增强模型的合理性与实用性。因此随着当前“三线”协同优化需求的不断增长，迫切需要一种改进的智能优化方法来解决协同优化中的多主体协调问题。
发明内容
为了解决上述问题，本发明提供了一种面向“三线”协同优化的多智能体遗传算法。
本发明所采用的技术方案是：一种面向“三线”协同优化的多智能体遗传算法，包括以下步骤：
步骤1，收集并处理研究区数据集，包括数据集A、数据集B、数据集C；
所述的数据集A包括生态保护红线、耕地与基本农田保护红线、城市扩展边界线“三线”空间规划图；
所述的数据集B包括生态用地适宜性评价图、耕地适宜性评价图、城镇建设用地适宜性评价图、数字高程模型图、土地利用现状图、区县级行政区划图；
所述的数据集C包括市域规划建设用地面积、市域规划耕地总面积、市域规划城镇建设用地面积、各区县规划城镇建设用地面积指标数据；
步骤2，采用数据集A对研究区“三线”空间进行叠加诊断分析，获取“三线”冲突空间分布图，并对其进行空间编码；
步骤3，对步骤2中获取的“三线”冲突空间分布图进行栅格转换，实现基因单元(栅格)与规划用地单元的一一对应、基因组(组合栅格)与规划用地斑块的局部对应、染色体(栅格图层)与优化方案的整体对应关系，同时将数据集B中所有数据按照相同的分辨率和范围进行栅格转化，使得相同行列号的栅格单元的信息可以对应起来；
步骤4，设置多智能体遗传算法的优化目标及相应权重，构建适应度函数；
步骤5，结合数据集A、B、C设置多智能体遗传算法的约束条件；
步骤6，设置多智能体遗传算法的转换规则；
步骤7，设置多智能体遗传算法参数，包括染色体种群规模，交叉率，变异率，最大迭代次数；
步骤8，构建多智能体遗传算法模型；
步骤9，优化结果输出。
进一步的，步骤1对数据集进行处理主要包括：(1)对数据集A和B进行统一投影转换处理，形成空间参考坐标一致的空间数据集；(2)对数据集A中的所有数据及数据集B中的土地利用现状图进行规范的空间编码；(3)对数据集B中的生态用地适宜性评价图、耕地适宜性评价图、城镇建设用地适宜性评价图进行标准化处理，取值区间设定为0-1；(4)以数字高程模型图为基础提取坡度数据。
进一步的，步骤4中设置多智能体遗传算法的优化目标及相应权重，构建适应度函数的实现方式如下，
适应度函数的计算公式如下：
Max→OUEF＝wu×Ou+we×Oe+wf×Of(wu+we+wf＝1)
式中，OUEF表示“三线”协同优化目标的总效用值，Ou,Oe,Of分别表示“三线”空间协同优化的城市扩展边界优化目标、生态保护用地优化目标及耕地/基本农田保护优化目标，wu,we,wf依次为对应分目标的权重值，各分目标的计算过程如下：
1)将城市建设用地布局的最大平均适宜性和用地斑块的平均紧凑度指数作为城市扩展边界的优化目标，其中城市建设用地布局的最大平均适宜性目标如下所示：
式中，Ourbansuit是城市建设用地布局的平均城市建设适宜性程度，(i，j)为栅格单元行列号，(I，J)为整个图幅的总行数和总列数，xij表示一个判断，若栅格单元(i,j)这个位置对应的信息为城市建设用地，则其值为1，否则为0，SuitUij是用地单元cell(i,j)的城市建设适宜性程度，适宜性程度由数据集B中对应的城镇建设用地适宜性评价图获得；
城市建设用地布局的最大紧凑度目标如下所示：
式中，Ourbancompact表示新增建设用地斑块的平均紧凑度指数，P是城市建设用地斑块的总个数，AP和Lp分别是斑块p的面积和周长；
基于这两个不同的城市扩展边界优化目标，共同构建综合的城市扩展边界优化目标，如下所示：
Max→Ourban＝F(Ourbansuit，Ourbancompact)
式中，Ourban表示城市扩展边界的优化目标，其由城市建设适宜性和紧凑度共同决定，选择加权法来构建综合的优化目标；
2)将耕地与基本农田的最大平均适宜性程度作为耕地与基本农田保护的优化目标，如下所示：
式中，Ofarmsuit是耕地与基本农田用地布局的平均耕地适宜性程度，(i，j)为栅格单元行列号，(I，J)为整个图幅的总行数和总列数，xij表示一个判断，若栅格单元(i,j)这个位置对应的信息为耕地或基本农田，则其值为1，否则为0，SuitFij是用地单元cell(i,j) 的耕地适宜性程度，适宜性程度由数据集B中对应的耕地适宜性评价图获得。
3)将生态用地的最大平均适宜性和区域生态安全格局指数作为生态保护用地的优化目标，
生态用地的最大平均适宜性目标如下所示：
式中，Oecosuit是生态用地布局的平均生态适宜性程度，(i，j)为栅格单元行列号，(I， J)为整个图幅的总行数和总列数，xij表示一个判断，若栅格单元(i,j)这个位置对应的信息为生态用地，则其值为1，否则为0，SuitEij是用地单元cell(i,j)的生态适宜性程度，适宜性程度由数据集B中对应的生态用地适宜性评价图获得；
区域景观生态安全格局指数目标如下所示：
式中，Oecopattern表示生态累积阻力面值；f是一个负函数，表示最小累积阻力与生态适宜性的负相关关系；min表示某生态用地单元对不同的生态风险源取累积阻力最小值；i表示生态用地单元，m为生态用地单元的总数量，j表示生态风险源，模型中设定为城镇建设用地斑块单元，n为城镇建设用斑块地单元的数量；Dij表示从源j到生态用地单元i的空间距离； Ri表示生态用地单元i对运动过程的阻力系数，模型中通过数据集B中的生态适宜性评价数据来表示，生态适宜性程度越高，阻力系数越小；Kj表示源j所属等级的相对阻力因子，生态风险源的等级越高，影响能力越强，其相对阻力因子就越小，模型中设置城镇建设用地斑块的生态风险源等级一致，模型通过arcgis的cost-distance工具实现此步骤；
基于这两个不同的生态用地优化目标，共同构建综合的生态用地优化目标，如下所示：
Max→Oecology＝F(Oecosuit，Oecopattern)
式中，Oecology表示生态用地的优化目标，其由平均生态适宜性和生态安全格局指数共同决定，选择加权法来构建综合的优化目标。
进一步的，步骤5中所述约束条件包括三类用地约束，即数量结构约束、空间布局约束和转换约束；数量结构约束依据规划时段内的社会经济发展目标和需求制定，空间布局约束及转换约束依据制定的规划分区及规划政策进行设定。
数量结构约束，比如区域耕地的最小面积、区域城镇建设用地的最小最大面积、区域生态用地的最小面积等，采用罚函数法对数量结构约束进行处理；若个体违反面积约束，则个体的适应度急剧下降，若不违反，则个体的适应度不受影响；
空间布局约束，是指在基本农田保护区、重点生态功能区、生态脆弱/敏感区、禁止开发区等区域设置空间管制，保持该区域内的土地利用方式并加强农田管理和生态保护及修复；
转换约束，城市的开发建设具有不可逆性，设定已开发城市用地区域不可转换为生态用地和耕地，同时坡度大于25度的地块不能转换为耕地。
进一步的，步骤6中所述的转换规则包括基于适宜性的规则、基于领域关系的规则及强制约束规则，对于每个基因单元，若其为冲突单元，则该基因单元可转换为发生冲突的任一规划用地类型，其转换概率通过Score(i,j.t)表示，i和j分别表示基因单元的行列号，t 表示为可转换的规划用地类型，Score(i,j.t)可通过如下公式进行定量化的表示：
Score(i,j,t)＝S(i,j,t)*N(i,j,t)*C(i,j,t)*Pt
式中，Score(i,j,t)表示基因单元的竞争力计算结果，S(i,j,t)为基于适宜性规则的计算结果值，N(i,j,t)为基于邻域关系规则的计算结果值，C(i,j,t)为基于强制约束规则的计算结果值，Pt为对应地类t的部门智能体优先度；
基于适宜性的规则依据土地利用因地制宜的原则，促使土地用途向更加适宜的方向进行转换，最大限度地发挥土地生产潜力，其值为对应地类t的适宜性值；基于邻域关系的规则考虑局部地区的空间紧凑度，其值等于基因单元邻域内t地类的单元的数量占所有单元数量的比例；基于强制约束的规则考虑步骤5中所述的空间约束和转换约束，若满足上述约束情景时，其值为0，否则为1；部门智能体优先度代表使用地类t的部门的优先程度，取值范围为0-1，部门优先度越高，在冲突区域的竞争能力越强，反映了智能体对其的偏好或支持力度，需依据地区发展情景来确定。
进一步的，步骤8构建多智能体遗传算法模型的具体实现包括以下子步骤，
步骤8.1，结合步骤2所得“三线”冲突空间分布图及步骤5所述约束条件初始化染色体，对于“三线”冲突空间分布图，若冲突单元(i,j)符合步骤5中的空间约束和转换约束相应情景，则将该冲突单元初始化为相应地类，否则可将其初始化为发生冲突的任一地类；
步骤8.2，对染色体进行交叉操作、变异操作，生成新的一批染色体；
交叉算子用于交换个体之间的规划用地信息，对于两个配对的个体，该算子首先随机确定两个行索引(R1,R2,R1≠R2)和两个列索引(C1,C2,C1≠C2)，这四个索引值在个体的格网中内形成一个矩形窗口，然后交换两个个体在窗口中的土地利用；
变异算子是协同优化模型的核心，模型通过变异算子调整局地规划布局，并以格网单元即基因作为用地调整的基本单元，随着模型的迭代，以渐进的方式优化区域规划用地格局，算法以步骤6所述转换规则来指导变异算子的局部用地调整；变异算子运行时，首先在研究区内随机确定一个3×3的窗口，以此作为用地调整的地块，然后根据步骤6计算每个格网单元的转换概率，以计算得到的转换概率最高的地类作为格网单元潜在的规划用地方式；若格网单元采用该潜在的规划用地方式而不违反步骤6所述空间约束和数量约束，则实施格网单元的土地利用转换，否则维持原有的用地状态；
步骤8.3，结合步骤4中构建的适应度函数计算各个染色体的适应度；
步骤8.4，循环迭代，当达到设定的最大迭代次数或最优染色体适应度保持不变时，搜索结束，得到“三线”冲突协同优化配置的优化结果，否则采用轮盘赌选择的方法作为选择算子对种群执行选择操作，将选择出的种群作为下一代的父代种群之后执行步骤8.2。
在“三线”冲突协同优化方面，本发明借助多智能体系统模拟人类在规划决策过程中的智能行为，采用空间显式遗传算法实现全局的空间优化。与传统的空间协同优化算法比较，本方面解决了当前“多规合一”中的“三线”空间冲突难以协调、空间配置效率底下以及难以模拟多主体的智能行为导致配置结果合理性差等问题。
本发明的优点在于充分考虑土地利用领域知识，可以较好地模拟人类在空间规划决策过程中的智能行为，以提高“三线”空间协同优化的合理性和适用性，并充分利用空间显式遗传算法的高效空间计算能力，从而解决当前土地利用空间配置效率低下的不足，适用于不同区域发展背景下不同地区的“三线”空间优化。
附图说明
图1为本发明实施例流程图；
图2为本发明实施例构建的多智能体遗传算法模型计算流程；
图3为本发明实施例交叉算子示意图；
图4为本发明实施例“三线”冲突协同优化结果图；
图5为本发明实施例迭代过程收敛曲线图；
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
请见图1，本发明所采用的技术方案是：一种面向“三线”协同优化的多智能体遗传算法，包括以下步骤：
步骤1：以武汉市市域为研究区，以2020年为规划时间点，收集并处理研究区数据集，包括数据集A、数据集B、数据集C；数据集A包括生态保护红线、耕地与基本农田保护红线、城市扩展边界线等“三线”空间规划图；数据集B包括生态用地适宜性评价图、耕地适宜性评价图、城镇建设用地适宜性评价图、数字高程模型图、土地利用现状图、区县级行政区划图；数据集C包括市域规划建设用地面积、市域规划耕地总面积、市域规划城镇建设用地面积、各区县规划城镇建设用地面积等指标数据。
对数据进行处理主要包括：(1)对空间数据(数据集A和数据集B)进行统一投影转换处理，形成空间参考坐标一致的空间数据集；(2)对数据集A中所有数据及数据集B中的土地利用现状图进行规范的空间编码，见表1；(3)对数据集B中的适宜性评价数据(即生态用地适宜性评价图、耕地适宜性评价图、城镇建设用地适宜性评价图)进行标准化处理，取值区间设定为0-1；(4)以数字高程模型图为基础提取坡度数据。
表1 规划及现状用地编码
步骤2：采用数据集A对武汉市“三线”空间进行叠加诊断分析，获取武汉市“三线”冲突空间分布图，并对其进行空间编码，见表2，其将数据的属性信息转换成算法可以识别的编码信息。
表2 “三线”冲突类别编码图
| 编码 | 地类 |
| 1121 | 生态底线-基本农田 |
| 1122 | 生态底线-一般耕地 |
| 1130 | 生态底线-城镇用地 |
| 1221 | 生态发展-基本农田 |
| 1222 | 生态发展-一般耕地 |
| 1230 | 生态发展-城镇用地 |
| 2130 | 基本农田-城镇用地 |
| 2230 | 一般耕地-城镇用地 |
| 112130 | 生态底线-基本农田-城镇用地 |
| 112230 | 生态底线-一般耕地-城镇用地 |
| 122130 | 生态发展-基本农田-城镇用地 |
| 122230 | 生态发展-一般耕地-城镇用地 |
步骤3：对步骤2中获取的武汉市“三线”冲突空间分布图进行栅格转换，实现基因单元 (栅格)与规划用地单元的一一对应、基因组(组合栅格)与规划用地斑块的局部对应、染色体(栅格图层)与优化方案的整体对应关系，同时将数据集B中所有空间数据按照相同的分辨率和范围进行栅格转化，使得相同行列号的栅格单元的信息可以对应起来。
步骤4：设置算法的优化目标及相应权重，构建适应度函数，设置具体构建过程如下：
“三线”空间协同优化是一个多目标优化问题，采用多目标加权法进行优化目标的权衡，不同的权重分配体现了不同的区域发展要求。适应度函数的计算公式如下：
Max→OUEF＝wu×Ou+we×Oe+wf×Of(wu+we+wf＝1)
式中，OUEF表示“三线”协同优化目标的总效用值，Ou,Oe,Of分别表示“三线”空间协同优化的城市扩展边界优化目标、生态保护用地优化目标及耕地/基本农田保护目标， wu,we,wf则依次对应相应分目标的权重值，分别设置为1/3、1/3、1/3。各目标的计算过程如下：
1)模型中选择城市建设用地布局的最大平均适宜性和用地斑块的平均紧凑度指数作为城市扩展边界的优化目标。
城市建设用地的最大平均适宜性目标如下所示：
式中，Ourbansuit是城市新增建设用地布局的平均城市建设适宜性程度，SuitUij是用地单元cell(i,j)的城市建设适宜性程度。
城市建设用地布局的最大紧凑度目标如下所示：
式中，Ourbancompact表示新增建设用地斑块的平均紧凑度指数，P是城市建设用地斑块的总个数，AP和Lp分别是斑块p的面积和周长。
基于这两个不同的城市扩展边界优化目标，共同构建综合的城市扩展边界优化目标，如下所示：
Max→Ourban＝F(Ourbansuit，Ourbancompact)
式中，Ourban表示城市扩展边界的优化目标，其由城市建设适宜性和紧凑度共同决定，选择加权法来构建综合的优化目标，权重分别设置为0.5、0.5。
2)模型中选择耕地与基本农田的最大平均适宜性程度作为耕地与基本农田保护的优化目标，如下所示：
式中，Ofarmsuit是耕地与基本农田用地布局的平均耕地适宜性程度，SuitFij是用地单元 cell(i,j)的耕地适宜性程度,
3)模型中选择生态用地的最大平均适宜性和区域生态安全格局指数作为生态保护用地的优化目标。
生态用地的最大平均适宜性目标如下所示：
式中，Oecosuit是生态用地布局的平均生态适宜性程度，SuitEij是用地单元cell(i,j)的生态适宜性程度。
区域景观生态安全格局指数目标如下所示：
式中，Oecopattern表示生态累积阻力面值；f是一个负函数，表示最小累积阻力与生态适宜性的负相关关系；min表示某生态用地单元对不同的生态风险源取累积阻力最小值；i表示生态用地单元，m为生态用地单元的总数量，j表示生态风险源，模型中设定为城镇建设用地斑块单元，n为城镇建设用斑块地单元的数量；Dij表示从源j到生态用地单元i的空间距离； Ri表示生态用地单元i对运动过程的阻力系数，模型中通过数据集B中的生态适宜性评价数据来表示，生态适宜性程度越高，阻力系数越小；Kj表示源j所属等级的相对阻力因子，生态风险源的等级越高，影响能力越强，其相对阻力因子就越小，模型中设置城镇建设用地斑块的生态风险源等级一致，模型通过arcgis的cost-distance工具实现此步骤；
基于这两个不同的生态用地优化目标，共同构建综合的生态用地优化目标，如下所示：
Max→Oecology＝F(Oecosuit，Oecopattern)
式中，Oecology表示生态用地的优化目标，其由平均生态适宜性和生态安全格局指数共同决定，选择加权法来构建综合的优化目标，权重分别设置为0.5、0.5。
步骤5：结合数据集A、B、C设置算法的约束条件，包括三类用地约束，即数量结构约束、空间布局约束和转换约束。数量结构约束依据规划时段内的社会经济发展目标和需求制定，空间布局约束及转换约束则依据制定的规划分区及规划政策进行设定。
数量结构约束，设置区域耕地的面积区间为3380.00-3765.71平方公里、区域城镇建设用地的最大面积为908平方公里、区域生态用地面积区间为3209.43-4138.61平方公里，采用罚函数法对数量结构约束进行处理，若个体违反面积约束，则个体的适应度急剧下降，若不违反，则个体的适应度不受影响；空间布局约束，是指在基本农田保护区、生态红线区等区域设置空间管制，保持该区域内的土地利用方式并加强农田管理和生态保护及修复；转换约束，城市的开发建设具有不可逆性，设定已开发城市用地区域不可转换为生态用地和耕地，同时坡度大于25度的地块不能转换为耕地。
步骤6：设置算法的转换规则，由基于适宜性的规则、基于领域关系的规则及强制约束规则构成，对于每个基因单元，若其为冲突单元，则该基因单元可转换为发生冲突的任一规划用地类型，其转换概率通过Score(i,j.t)表示，i和j分别表示基因单元的行列号，t表示为可转换的规划用地类型。Score(i,j.t)可通过如下公式进行定量化的表示：
Score(i,j,t)＝S(i,j,t)*N(i,j,t)*C(i,j,t)*Pt
式中，Score(i,j,t)表示基因单元的竞争力计算结果，S(i,j,t)为基于适宜性规则的计算结果值，N(i,j,t)为基于邻域关系规则的计算结果值，C(i,j,t)为基于强制约束规则的计算结果值，Pt为对应地类t的部门智能体优先度。
基于适宜性的规则依据土地利用因地制宜的原则，促使土地用途向更加适宜的方向进行转换，最大限度地发挥土地生产潜力，其值为对应地类t的适宜性值；基于邻域关系的规则考虑局部地区的空间紧凑度，其值等于基因单元3*3邻域内t地类的单元的数量占所有单元数量的比例；基于强制约束的规则考虑步骤5中所述的空间约束和转换约束，若满足上述约束情景时，其值为0，否则为1；部门智能体优先度代表使用地类t的部门的优先程度，取值范围为0-1，部门优先度越高，在冲突区域的竞争能力越强，反映了智能体对其的偏好或支持力度，需依据地区发展情景来确定，实例中设置三类部门智能体(生态用地、城镇建设用地、耕地)的部门优先度均为1.0。
步骤7：设置染色体种群规模，交叉率，变异率，最大迭代次数等算法参数，设置染色体种群规模为100，交叉率0.9.变异率0.9，最大迭代次数1000。
步骤8：构建多智能体遗传算法模型，见图2，包括以下子步骤：
步骤8.1：结合步骤2所得“三线”冲突空间分布图及步骤5所述约束条件初始化染色体。对于“三线”冲突空间分布图，若冲突单元(i,j)符合空间约束和转换约束相应情景，则将该冲突单元初始化为相应地类，否则可将其初始化为发生冲突的任一地类。
步骤8.2：对染色体进行交叉操作、变异操作，生成新的一批染色体。
交叉算子用于交换个体之间的规划用地信息，对于两个配对的个体，该算子首先随机确定两个行索引(R1,R2,R1≠R2)和两个列索引(C1,C2,C1≠C2)，这四个索引值在个体的格网中内形成一个矩形窗口，然后交换两个个体在窗口中的土地利用，见图3。
变异算子是协同优化模型的核心，模型通过变异算子调整局地规划布局，并以格网单元即基因作为用地调整的基本单元，随着模型的迭代，以渐进的方式优化区域规划用地格局，算法以步骤6所述转换规则来指导变异算子的局部用地调整。变异算子运行时，首先在研究区内随机确定一个3×3的窗口，以此作为用地调整的地块，然后根据步骤6计算每个格网单元的转换概率，以计算得到的转换概率最高的地类作为格网单元潜在的规划用地方式。若格网单元采用该潜在的规划用地方式而不违反步骤6所述空间约束和数量约束，则实施格网单元的土地利用转换，否则维持原有的用地状态。
步骤8.3：结合步骤4中构建的适应度函数计算各个染色体的适应度。
步骤8.4：循环迭代，当达到设定的最大迭代次数或最优染色体适应度保持不变时，搜索结束，得到“三线”冲突协同优化配置的优化结果，否则采用轮盘赌选择的方法作为选择算子对种群执行选择操作，个体进入下一代的概率与其适应度成正比，适应度越高，个体进入下一代的概率越大，从而选择出一批适应度较高的染色体作为下一代种群中选择出的种群作为下一代的父代种群，之后执行步骤8.2。
步骤9：优化结果输出与可视化。图4为采用本发明提出的多智能体遗传算法实现的武汉市“三线”协同优化结果图，优化后“三线”之间的冲突图斑分别被调整为耕地、生态用地或者建设用地，与未产生冲突的耕地、生态用地及建设用地共同构成了新的“三线”格局，图5为模型迭代过程中的收敛曲线图，初始化后所有个体(即初始方案)的最大适应度值为0.41，经过模型的不断迭代优化，最终的最优个体的适应度值为0.81。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。
Claims (6)
1.一种面向“三线”协同优化的多智能体遗传算法，其特征在于，包括如下步骤：
步骤1，收集并处理研究区数据集，包括数据集A、数据集B、数据集C；
所述的数据集A包括生态保护红线、耕地与基本农田保护红线、城市扩展边界线“三线”空间规划图；
所述的数据集B包括生态用地适宜性评价图、耕地适宜性评价图、城镇建设用地适宜性评价图、数字高程模型图、土地利用现状图、区县级行政区划图；
所述的数据集C包括市域规划建设用地面积、市域规划耕地总面积、市域规划城镇建设用地面积、各区县规划城镇建设用地面积指标数据；
步骤2，采用数据集A对研究区“三线”空间进行叠加诊断分析，获取“三线”冲突空间分布图，并对其进行空间编码；
步骤3，对步骤2中获取的“三线”冲突空间分布图进行栅格转换，实现基因单元(栅格)与规划用地单元的一一对应、基因组(组合栅格)与规划用地斑块的局部对应、染色体(栅格图层)与优化方案的整体对应关系，同时将数据集B中所有数据按照相同的分辨率和范围进行栅格转化，使得相同行列号的栅格单元的信息可以对应起来；
步骤4，设置多智能体遗传算法的优化目标及相应权重，构建适应度函数；
步骤5，结合数据集A、B、C设置多智能体遗传算法的约束条件；
步骤6，设置多智能体遗传算法的转换规则；
步骤7，设置多智能体遗传算法参数，包括染色体种群规模，交叉率，变异率，最大迭代次数；
步骤8，构建多智能体遗传算法模型；
步骤9，优化结果输出。
2.如权利要求1所述的一种面向“三线”协同优化的多智能体遗传算法，其特征在于：步骤1对数据集进行处理主要包括：(1)对数据集A和B进行统一投影转换处理，形成空间参考坐标一致的空间数据集；(2)对数据集A中的所有数据及数据集B中的土地利用现状图进行规范的空间编码；(3)对数据集B中的生态用地适宜性评价图、耕地适宜性评价图、城镇建设用地适宜性评价图进行标准化处理，取值区间设定为0-1；(4)以数字高程模型图为基础提取坡度数据。
3.如权利要求1或2所述的一种面向“三线”协同优化的多智能体遗传算法，其特征在于：步骤4中设置多智能体遗传算法的优化目标及相应权重，构建适应度函数的实现方式如下，
适应度函数的计算公式如下：
Max→OUEF＝wu×Ou+we×Oe+wf×Of(wu+we+wf＝1)
式中，OUEF表示“三线”协同优化目标的总效用值，Ou，Oe，Of分别表示“三线”空间协同优化的城市扩展边界优化目标、生态保护用地优化目标及耕地/基本农田保护优化目标，wu，we，wf依次为对应分目标的权重值，各分目标的计算过程如下：
1)将城市建设用地布局的最大平均适宜性和用地斑块的平均紧凑度指数作为城市扩展边界的优化目标，其中城市建设用地布局的最大平均适宜性目标如下所示：
<mrow>
<mi>M</mi>
<mi>a</mi>
<mi>x</mi>
<mo>&RightArrow;</mo>
<msub>
<mi>O</mi>
<mrow>
<mi>u</mi>
<mi>r</mi>
<mi>b</mi>
<mi>a</mi>
<mi>n</mi>
<mi>s</mi>
<mi>u</mi>
<mi>i</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>I</mi>
</msubsup>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>J</mi>
</msubsup>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&times;</mo>
<msub>
<mi>SuitU</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>I</mi>
</msubsup>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>J</mi>
</msubsup>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
式中，Ourbansuit是城市建设用地布局的平均城市建设适宜性程度，(i，j)为栅格单元行列号，(I，J)为整个图幅的总行数和总列数，xij表示一个判断，若栅格单元(i，j)这个位置对应的信息为城市建设用地，则其值为1，否则为0，SuitUij是用地单元cell(i，j)的城市建设适宜性程度，适宜性程度由数据集B中对应的城镇建设用地适宜性评价图获得；
城市建设用地布局的最大紧凑度目标如下所示：
<mrow>
<mi>M</mi>
<mi>a</mi>
<mi>x</mi>
<mo>&RightArrow;</mo>
<msub>
<mi>O</mi>
<mrow>
<mi>u</mi>
<mi>r</mi>
<mi>b</mi>
<mi>a</mi>
<mi>n</mi>
<mi>c</mi>
<mi>o</mi>
<mi>m</mi>
<mi>p</mi>
<mi>a</mi>
<mi>c</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>P</mi>
</munderover>
<mfrac>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
<msqrt>
<mrow>
<msub>
<mi>A</mi>
<mi>P</mi>
</msub>
<mo>/</mo>
<mi>&pi;</mi>
</mrow>
</msqrt>
</mrow>
<msub>
<mi>L</mi>
<mi>p</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mi>P</mi>
</mrow>
式中，Ourbancompact表示新增建设用地斑块的平均紧凑度指数，P是城市建设用地斑块的总个数，AP和Lp分别是斑块p的面积和周长；
基于这两个不同的城市扩展边界优化目标，共同构建综合的城市扩展边界优化目标，如下所示：
Max→Ourban＝F(Ourbansuit，Ourbancompact)
式中，Ourban表示城市扩展边界的优化目标，其由城市建设适宜性和紧凑度共同决定，选择加权法来构建综合的优化目标；
2)将耕地与基本农田的最大平均适宜性程度作为耕地与基本农田保护的优化目标，如下所示：
<mrow>
<mi>M</mi>
<mi>a</mi>
<mi>x</mi>
<mo>&RightArrow;</mo>
<msub>
<mi>O</mi>
<mrow>
<mi>f</mi>
<mi>a</mi>
<mi>r</mi>
<mi>m</mi>
<mi>s</mi>
<mi>u</mi>
<mi>i</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>I</mi>
</msubsup>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>J</mi>
</msubsup>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&times;</mo>
<msub>
<mi>SuitF</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>I</mi>
</msubsup>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>J</mi>
</msubsup>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
式中，Ofarmsuit是耕地与基本农田用地布局的平均耕地适宜性程度，(i，j)为栅格单元行列号，(I，J)为整个图幅的总行数和总列数，xij表示一个判断，若栅格单元(i，j)这个位置对应的信息为耕地或基本农田，则其值为1，否则为0，SuitFij是用地单元cell(i，j)的耕地适宜性程度，适宜性程度由数据集B中对应的耕地适宜性评价图获得；
3)将生态用地的最大平均适宜性和区域生态安全格局指数作为生态保护用地的优化目标，生态用地的最大平均适宜性目标如下所示：
<mrow>
<mi>M</mi>
<mi>a</mi>
<mi>x</mi>
<mo>&RightArrow;</mo>
<msub>
<mi>O</mi>
<mrow>
<mi>e</mi>
<mi>cos</mi>
<mi>u</mi>
<mi>i</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>I</mi>
</msubsup>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>J</mi>
</msubsup>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&times;</mo>
<msub>
<mi>SuitE</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>I</mi>
</msubsup>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>J</mi>
</msubsup>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
式中，Oecosuit是生态用地布局的平均生态适宜性程度，(i，j)为栅格单元行列号，(I，J)为整个图幅的总行数和总列数，xij表示一个判断，若栅格单元(i，j)这个位置对应的信息为生态用地，则其值为1，否则为0，SuitEij是用地单元cell(i，j)的生态适宜性程度，适宜性程度由数据集B中对应的生态用地适宜性评价图获得；
区域景观生态安全格局指数目标如下所示：
<mrow>
<mi>M</mi>
<mi>a</mi>
<mi>x</mi>
<mo>&RightArrow;</mo>
<msub>
<mi>O</mi>
<mrow>
<mi>e</mi>
<mi>c</mi>
<mi>o</mi>
<mi>p</mi>
<mi>a</mi>
<mi>t</mi>
<mi>t</mi>
<mi>e</mi>
<mi>r</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>f</mi>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mi>n</mi>
</mrow>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>m</mi>
</mrow>
</munderover>
<msub>
<mi>D</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&times;</mo>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
<mo>&times;</mo>
<msub>
<mi>K</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
式中，Oecopattern表示生态累积阻力面值；f是一个负函数，表示最小累积阻力与生态适宜性的负相关关系；min表示某生态用地单元对不同的生态风险源取累积阻力最小值；i表示生态用地单元，m为生态用地单元的总数量，j表示生态风险源，n为城镇建设用斑块地单元的数量；Dij表示从源j到生态用地单元i的空间距离；Ri表示生态用地单元i对运动过程的阻力系数；Kj表示源j所属等级的相对阻力因子；
基于这两个不同的生态用地优化目标，共同构建综合的生态用地优化目标，如下所示：
Max→Oecology＝F(Oecosuit，Oecopattern)
式中，Oecology表示生态用地的优化目标，其由平均生态适宜性和生态安全格局指数共同决定，选择加权法来构建综合的优化目标。
4.如权利要求3所述的一种面向“三线”协同优化的多智能体遗传算法，其特征在于：步骤5中所述约束条件包括三类用地约束，即数量结构约束、空间布局约束和转换约束；数量结构约束依据规划时段内的社会经济发展目标和需求制定，空间布局约束及转换约束依据制定的规划分区及规划政策进行设定。
5.如权利要求4所述的一种面向“三线”协同优化的多智能体遗传算法，其特征在于：步骤6中所述的转换规则包括基于适宜性的规则、基于领域关系的规则及强制约束规则，对于每个基因单元，若其为冲突单元，则该基因单元可转换为发生冲突的任一规划用地类型，其转换概率通过Score(i，j.t)表示，i和j分别表示基因单元的行列号，t表示为可转换的规划用地类型，Score(i，j.t)可通过如下公式进行定量化的表示：
Score(i，j，t)＝S(i，j，t)*N(i，j，t)*C(i，j，t)*Pt
式中，Score(i，j，t)表示基因单元的竞争力计算结果，S(i，j，t)为基于适宜性规则的计算结果值，N(i，j，t)为基于邻域关系规则的计算结果值，C(i，j，t)为基于强制约束规则的计算结果值，Pt为对应地类t的部门智能体优先度。
6.如权利要求5所述的一种面向“三线”协同优化的多智能体遗传算法，其特征在于：步骤8构建多智能体遗传算法模型的具体实现包括以下子步骤，
步骤8.1，结合步骤2所得“三线”冲突空间分布图及步骤5所述约束条件初始化染色体，对于“三线”冲突空间分布图，若冲突单元(i，j)符合步骤5中的空间约束和转换约束相应情景，则将该冲突单元初始化为相应地类，否则可将其初始化为发生冲突的任一地类；
步骤8.2，对染色体进行交叉操作、变异操作，生成新的一批染色体；
步骤8.3，结合步骤4中构建的适应度函数计算各个染色体的适应度；
步骤8.4，循环迭代，当达到设定的最大迭代次数或最优染色体适应度保持不变时，搜索结束，得到“三线”冲突协同优化配置的优化结果，否则采用轮盘赌选择的方法作为选择算子对种群执行选择操作，将选择出的种群作为下一代的父代种群之后执行步骤8.2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711397596.3A CN107977711B (zh) | 2017-12-21 | 2017-12-21 | 一种面向“三线”协同优化的多智能体遗传方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711397596.3A CN107977711B (zh) | 2017-12-21 | 2017-12-21 | 一种面向“三线”协同优化的多智能体遗传方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107977711A true CN107977711A (zh) | 2018-05-01 |
| CN107977711B CN107977711B (zh) | 2020-11-03 |
Family
ID=62007325
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711397596.3A Active CN107977711B (zh) | 2017-12-21 | 2017-12-21 | 一种面向“三线”协同优化的多智能体遗传方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107977711B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108595747A (zh) * | 2018-03-07 | 2018-09-28 | 中国矿业大学 | 一种矿地冲突型城市国土空间立体优化开发的调控模型 |
| CN109146052A (zh) * | 2018-07-19 | 2019-01-04 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种gft算法的自搏弈策略提升方法 |
| CN110069885A (zh) * | 2019-05-05 | 2019-07-30 | 重庆师范大学 | 一种基于外部生态功能定位的“三生”空间优化方法 |
| CN113469512A (zh) * | 2021-06-22 | 2021-10-01 | 深圳市城市规划设计研究院有限公司 | 自然保护区划定方法、装置、电子设备及存储介质 |
| CN113988574A (zh) * | 2021-10-22 | 2022-01-28 | 广州市城市规划勘测设计研究院 | 一种生态保护红线划定方法、装置、终端设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103136707A (zh) * | 2013-03-26 | 2013-06-05 | 武汉大学 | 一种土地利用分层配置方法 |
| CN103136603A (zh) * | 2013-03-26 | 2013-06-05 | 武汉大学 | 一种智能土地利用布局优化配置方法 |
| 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 |
| CN106228235A (zh) * | 2016-07-29 | 2016-12-14 | 武汉大学 | 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 |
| CN107248007A (zh) * | 2017-06-02 | 2017-10-13 | 武汉大学 | 一种双层域导向的农村居民点智能优化配置方法 |
-
2017
- 2017-12-21 CN CN201711397596.3A patent/CN107977711B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103136707A (zh) * | 2013-03-26 | 2013-06-05 | 武汉大学 | 一种土地利用分层配置方法 |
| CN103136603A (zh) * | 2013-03-26 | 2013-06-05 | 武汉大学 | 一种智能土地利用布局优化配置方法 |
| 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 |
| CN106228235A (zh) * | 2016-07-29 | 2016-12-14 | 武汉大学 | 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 |
| CN107248007A (zh) * | 2017-06-02 | 2017-10-13 | 武汉大学 | 一种双层域导向的农村居民点智能优化配置方法 |
Non-Patent Citations (2)
| Title |
|---|
| 袁满 等: ""基于多智能体遗传算法的土地利用优化配置"", 《农业工程学报》 * |
| 郑娟尔 等: """三线"体系及划定技术研究——以贵州省为例"", 《中国国土资源经济》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108595747A (zh) * | 2018-03-07 | 2018-09-28 | 中国矿业大学 | 一种矿地冲突型城市国土空间立体优化开发的调控模型 |
| CN109146052A (zh) * | 2018-07-19 | 2019-01-04 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种gft算法的自搏弈策略提升方法 |
| CN109146052B (zh) * | 2018-07-19 | 2022-04-01 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种gft算法的自搏弈策略提升方法 |
| CN110069885A (zh) * | 2019-05-05 | 2019-07-30 | 重庆师范大学 | 一种基于外部生态功能定位的“三生”空间优化方法 |
| CN113469512A (zh) * | 2021-06-22 | 2021-10-01 | 深圳市城市规划设计研究院有限公司 | 自然保护区划定方法、装置、电子设备及存储介质 |
| CN113988574A (zh) * | 2021-10-22 | 2022-01-28 | 广州市城市规划勘测设计研究院 | 一种生态保护红线划定方法、装置、终端设备及存储介质 |
| CN113988574B (zh) * | 2021-10-22 | 2022-05-17 | 广州市城市规划勘测设计研究院 | 一种生态保护红线划定方法、装置、终端设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107977711B (zh) | 2020-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | An improved Genetic Algorithm for spatial optimization of multi-objective and multi-site land use allocation | |
| Shi et al. | A review of simulation-based urban form generation and optimization for energy-driven urban design | |
| Zhang et al. | Simulating multi-objective land use optimization allocation using Multi-agent system—A case study in Changsha, China | |
| CN107977711A (zh) | 一种面向“三线”协同优化的多智能体遗传算法 | |
| Liu et al. | Land-use Simulation and Decision-Support system (LandSDS): Seamlessly integrating system dynamics, agent-based model, and cellular automata | |
| Caparros-Midwood et al. | Optimised spatial planning to meet long term urban sustainability objectives | |
| Haque et al. | Optimizing urban land use allocation for planners and real estate developers | |
| CN112100720B (zh) | 一种提升风环境的人工智能城市设计形态布局方法 | |
| CN110334864B (zh) | 一种基于gis的多规合一城乡空间分区划定的方法 | |
| Lenzholzer et al. | Post-positivist microclimatic urban design research: A review | |
| Yamu et al. | Spatial accessibility to amenities, natural areas and urban green spaces: using a multiscale, multifractal simulation model for managing urban sprawl | |
| CN103116865A (zh) | 一种多维度协同电网规划的方法 | |
| CN102646164B (zh) | 一种结合空间滤波的土地利用变化建模方法及其系统 | |
| CN109559055A (zh) | 城市绿地规划的景观生态效能评价方法 | |
| Bammi et al. | Development of a comprehensive land use plan by means of a multiple objective mathematical programming model | |
| CN103136707B (zh) | 一种土地利用分层配置方法 | |
| Lin et al. | An evaluation framework for developing green infrastructure by using a new hybrid multiple attribute decision-making model for promoting environmental sustainability | |
| Zhu et al. | An evidence-based framework for designing urban green infrastructure morphology to reduce urban building energy use in a hot-humid climate | |
| CN112182951B (zh) | 一种考虑多重不确定性的土地利用规划方法 | |
| CN107248007A (zh) | 一种双层域导向的农村居民点智能优化配置方法 | |
| Sharma | Review of most used urban growth models | |
| Li et al. | Spatial optimization for urban green space (UGS) planning support using a heuristic approach | |
| Bazan-Krzywoszańska et al. | Economic conditions for the development of energy efficient civil engineering using RES in the policy of cohesion of the European Union (2014–2020). Case study: The town of Zielona Gora | |
| Yang et al. | Multi-scenario simulation of land use and land cover based on shared socioeconomic pathways: The case of coastal special economic zones in China | |
| CN109767046A (zh) | 一种土地空间优化配置方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |