CN108154221B - 一种面向“三线”协同优化的粒子群改进算法 - Google Patents

一种面向“三线”协同优化的粒子群改进算法 Download PDF

Info

Publication number
CN108154221B
CN108154221B CN201711397597.8A CN201711397597A CN108154221B CN 108154221 B CN108154221 B CN 108154221B CN 201711397597 A CN201711397597 A CN 201711397597A CN 108154221 B CN108154221 B CN 108154221B
Authority
CN
China
Prior art keywords
land
particle
optimization
ecological
data
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
CN201711397597.8A
Other languages
English (en)
Other versions
CN108154221A (zh
Inventor
刘耀林
王征禹
王好峰
彭金金
张琰
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 CN201711397597.8A priority Critical patent/CN108154221B/zh
Publication of CN108154221A publication Critical patent/CN108154221A/zh
Application granted granted Critical
Publication of CN108154221B publication Critical patent/CN108154221B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种面向“三线”协同优化的粒子群改进算法，首先进行数据收集与整理，然后对“三线”冲突图斑进行提取与综合，算法操作单元划分，最后将数据导入至“三线”协同优化粒子群模型中，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：一种“三线”协同优化方案对应于粒子群算法中的一个粒子，每一个栅格单元在当前被指定的用地类型对应于粒子的位置，栅格单元向各种用地类型变化的转换概率对应于粒子的速度，“三线”协同优化方案优劣的评价函数对应于粒子群的适应度函数，通过算法的寻优过程对冲突图斑的用地类型进行优化，得到最终“三线”协同优化结果。本发明保证了图斑的连通性与紧凑性，提高了协同优化方案结果的质量。

Description

一种面向“三线”协同优化的粒子群改进算法
技术领域
本发明涉及到“三线”冲突协同优化领域，即主要是协同耕地/基本保护红线、土地利用生态保护红线和城市增长边界线互相之间的空间冲突。
背景技术
“三线”冲突的来源于土地利用过程中不同主体的利益重叠和土地利用目标间的矛盾。其在规划空间上的表现形式就是对同一个的土地单元各规划部门规定了不同的用途，对土地单元的利用方向提出了不同的期望，并限定了不同的空间管制要求。在当前中国城镇化快速推进的背景下，“三线”冲突正日益引起广泛的关注。
因此对于“三线”空间协同优化技术的研究变得愈发迫切，尤其是通过智能优化方法解决“三线”冲突更为急迫。而“三线”协同优化这样的类型组合优化问题，其候选解的数量面临着陷入组合“爆炸”的困境，采用暴力枚举的方法在目前的计算机硬件水平下无法在给定的时间内求出满意解，因此需引入智能优化方法才能在可以接受的时间范围内输出最优解。
组合优化问题中决策变量可以通过整数编码或二进制编码与离散函数在形式上高度相似，但二者在本质上是不同的，组合优化问题种决策变量没有实数空间的性质，变量之间不能进行算术运算。因此将粒子群算法运用于处理“三线”协同优化这样的类型组合优化问题时，需要对粒子的速度和位置更新公式进行相应的改进，才能实现粒子群算法向“三线”协同优化问题的映射。
发明内容
本发明主要是提供一种采用粒子群智能优化方法进行“三线”协同优化，将智能优化方法引入“三线”协同优化领域，克服了暴力枚举方法无法解决的协同优化候选方案的组合“爆炸”难题。
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：
一种面向“三线”协同优化的粒子群改进算法，包括如下步骤：
步骤1，数据收集与整理，包括数据集A、数据集B和数据集C，对所有空间数据统一坐标范围；
数据集A：土地利用总体规划及耕地/基本农田保护区数据，生态保护相关规划及生态保护区数据，城市总体规划及城市增长边界线数据，各项用地指标比例数据，各类土地的需求量；
数据集B：土地利用现状分类数据，根据一定的语义与空间规则将其重新分类为只包含建设用地、农业用地、生态用地三种用地类型的基础数据(三类用地互不重合且覆盖全部研究区域)；
数据集C：数字高程模型数据(DEM)，植被覆盖数据，土壤肥力数据、土壤侵蚀数据、耕层厚度分布图、行政边界数据；重要基础设施数据，包括主干道、次干道、高速公路、铁路、城市中心(市政府所在地)、区县中心(区县政府所在地)；生态用地竞争力评价图、耕地竞争力评价图、城镇建设用地竞争力评价图；
步骤2，“三线”冲突图斑提取与综合，在空间上叠加“三线”划定结果，识别出冲突图斑，根据制图综合的方法进行预处理，对于小于一定面积的冲突图斑视为无冲突，将其归并到周围相近的面积较大的地类图斑中；
步骤3，算法操作单元划分，所有空间数据按照相同的规则格网大小进行栅格化，使得相同行列号的栅格单元的属性信息可以对应起来，冲突图斑的每一个栅格对应一个粒子的维度，在冲突图斑中被指定为相同用地类型且相互连通的所有栅格划分为一个操作单元；
步骤4.将数据导入至“三线”协同优化粒子群模型中，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：一种“三线”协同优化方案对应于粒子群算法中的一个粒子，每一个栅格单元在当前被指定的用地类型对应于粒子的位置，栅格单元向各种用地类型变化的转换概率对应于粒子的速度，“三线”协同优化方案优劣的评价函数对应于粒子群的适应度函数，通过算法的寻优过程对冲突图斑的用地类型进行优化，得到最终“三线”协同优化结果。
进一步的，步骤4的具体实现包括以下子步骤：
步骤4.1，粒子初始化，从数据集B中获取冲突图斑周边的用地类型，为保持图斑的连通性与相对完整性以提高优化结果的质量，按照冲突类型分割冲突图斑，建立冲突栅格图斑，由此确定粒子的初始位置，再根据图斑冲突类型确定粒子的初始速度；
步骤4.2，构建适应度函数，对初始粒子进行评价，计算每个粒子的适应度值；
步骤4.3，根据粒子的适应度值，更新粒子的历史最佳位置和种群的全局最优位置；
步骤4.4，以步骤4.3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；
步骤4.5，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等终止条件，当满足条件时输出结果，否则将步骤4.4更新后的粒子作为步骤4.2的输入进行粒子评价，继续进行循环迭代优化。
进一步的，步骤4.2中构建适应度函数的具体计算过程如下，
粒子适应度函数即“三线”协同优化综合目标函数，“三线”协同优化目标包括城市扩展边界的优化目标、耕地与基本农田保护的优化目标、生态保护用地的优化目标三个目标，计算公式如下：
max OUEF＝wu×Ou+we×Oe+wf×Of
subject to:wu+we+wf＝1
式中，OUEF表示“三线”协同优化目标的总效用值即适应度值，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为依次对应分目标的权重值；各分目标的计算过程如下：
1)将建设用地布局的平均竞争力和用地图斑的平均紧凑度指数作为城市扩展边界的优化目标，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：
Figure BDA0001518848610000031
Figure BDA0001518848610000032
Figure BDA0001518848610000033
式中，
Figure BDA0001518848610000034
是城市新增建设用地布局的平均城市建设竞争力程度，(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，若栅格中的(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，ComptnUij是用地单元cell(i,j)的城市建设竞争力程度，城市建设竞争力程度由数据集C中对应的城市建设竞争力评价图获得，(i，j)为栅格单元行列号；
Figure BDA0001518848610000035
表示新增建设用地图斑的平均紧凑度指数，P是城市建设用地图斑的总个数，AP和Lp分别是图斑p的面积和周长；Nurban表示标准化后的建设用地总量值；Ourban表示城市扩展边界的优化目标；
2)将耕地与基本农田的最大竞争力程度作为耕地与基本农田保护的优化目标，如下所示：
Figure BDA0001518848610000041
式中，
Figure BDA0001518848610000042
是耕地与基本农田用地布局的平均耕地竞争力程度，(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，若栅格中的(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，ComptnFij是用地单元cell(i,j)的耕地竞争力程度，耕地竞争力程度由数据集C中对应的耕地竞争力评价图获得，(i，j)为栅格单元行列号，Nfarm表示标准化后的耕地总量值；
3)将生态用地的最大平均竞争力和区域生态安全格局指数作为生态保护用地的优化目标，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，
Figure BDA0001518848610000043
Figure BDA0001518848610000044
Figure BDA0001518848610000045
式中，
Figure BDA0001518848610000046
是生态用地布局的平均生态竞争力程度，ComptnEij是用地单元cell(i,j)的生态竞争力程度，由用地单元的生态功能重要性、生态敏感/脆弱程度及其它因素共同决定，生态竞争力程度由数据集C中对应的生态竞争力评价图获得；(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，若栅格中的(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，Oecopattern表示生态累积阻力面值；f是一个未知的负函数，表示最小累积阻力与生态适宜性的负相关关系；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；Oecology表示生态用地的优化目标，Neco表示标准化后的生态用地总量值。
进一步的，步骤4.3中的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，
Figure BDA0001518848610000051
Figure BDA0001518848610000052
式中，Pibest(t+1)为粒子i在第t+1代的历史最佳位置，Gibest(t+1)为粒子种群在第t+1代的全局最佳位置，Xi(t+1)为粒子i在t+1代的位置，F为适应度函数，N为种群中粒子总数。
进一步的，步骤4.4中粒子的速度和位置更新公式为，
Figure BDA0001518848610000053
Figure BDA0001518848610000054
其中，粒子速度v可表示成一个概率矩阵，
Figure BDA0001518848610000055
矩阵中的pij表示由用地类型i向用地类型j转换的概率，n为冲突类型数量，矩阵的行数等于列数，矩阵的行向量表示粒子元素状态转换的可能性大小，矩阵行向量之和恒等于1，即满足
Figure BDA0001518848610000056
列向量之和表示粒子元素状态转换方向的可能性大小，某一列向量之和越大，则粒子维度最终转变为该状态的可能性就越大，列向量之和不确定，取值范围在[0,n]之间；
Figure BDA0001518848610000057
为粒子i在第d维度上t+1代的速度；
Figure BDA0001518848610000058
为粒子i在第d维度上t+1代的位置；
Figure BDA0001518848610000061
表示第t代粒子i的历史最佳位置，
Figure BDA0001518848610000062
表示群体在第t代时的历史最佳位置，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，r1和r2为分布于[0,l]之间的相互独立的随机数；
运算符
Figure BDA0001518848610000063
表示粒子向自身历史最佳位置和群体最佳位置学习的减法操作，学习的结果是向某些状态转换的概率提升；运算符
Figure BDA0001518848610000064
表示不同的概率转换矩阵进行加法操作得到新的概率矩阵，相加的结果进行归一化操作以保证行向量之和恒等于1；运算符
Figure BDA0001518848610000065
表示根据概率矩阵中粒子元素状态变化的可能性大小，根据当前位置选择概率转换矩阵中对应的行向量，对操作单元的状态重新进行选择的乘法操作，具体的实现方式是采用轮盘赌选择算法决定新的位置值。
因此，综上所述，本发明具有如下优点：1.采用粒子群智能优化算法进行“三线”协同优化，有效的克服了传统的暴力枚举方法不可能解决的“三线”协同优化候选方案组合“爆炸”的难题；2.通过引入转换概率矩阵改进了传统的离散粒子群算法启发式信息的提取与传递的方式，实现了待求解的组合优化问题向粒子群算法模型的映射；3.通过引入基于栅格图斑的操作单元对算法进行了改进，提高了算法的求解效率，并以转换规则约束操作单元用地类型的分配，保证了图斑的连通性与紧凑性，提高了协同优化方案结果的质量。
附图说明
图1本发明实施例中的粒子群算法流程图。
图2本发明实施例中粒子初始化位置操作过程示意图。
图3本发明实施例中粒子速度与位置更新过程示意图。
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近一步的详细描述，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。
下面是采用上述方法选取某一市辖区作为“三线”协同优化的具体实施例，本发明所采用的粒子群算法的流程图如图1示，利用本发明方法开展“三线”协同优化的具体实施过程如下：
1)收集并整理“三线”协同优化所需数据，包括数据集A，土地利用总体规划及耕地/基本农田保护区数据，生态保护相关规划及生态保护区数据，城市总体规划及城市增长边界线数据，各项用地指标比例数据,各类土地的需求量；数据集B，土地利用现状分类数据；数据集C，数字高程模型数据(DEM)，植被覆盖数据，土壤肥力数据、土壤侵蚀数据、耕层厚度分布图、行政边界数据，重要基础设施数据，包括主干道、次干道、高速公路、铁路、城市中心(市政府所在地)、区县中心(区县政府所在地)；生态用地竞争力评价图、耕地竞争力评价图、城镇建设用地竞争力评价图。
2)“三线”冲突图斑提取与综合，在空间上叠加“三线”划定结果，识别出冲突图斑，根据制图综合的方法进行预处理，对于小于100平方米的冲突图斑视为无冲突，将其归并到周围相近的地类面积较大的图斑中。
3)算法操作单元划分，对以上数据集中的空间数据(即除各项用地指标比例数据与各类土地需求量外的所有数据)按照统一的范围和格网大小进行栅格化，使得不同图层的栅格单元属性信息通过相同的行列号能够对应起来。本实施例中，所有空间数据按照50×50(米)大小的规则格网进行栅格化，使得每个栅格单元的属性信息对应起来，冲突图斑的每一个栅格对应一个粒子的维度，在冲突图斑中被指定为相同用地类型且相互连通的所有栅格划分为一个操作单元。
4.1)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，冲突图斑周边的用地图斑向内侵蚀分割冲突图斑，按照周边土地图斑的类型重新确定冲突图斑的用地类型，完成粒子位置的初始化，如图2所示，为粒子初始位置中的一种情况，其中粒子速度初始化函数可表示为：
Figure BDA0001518848610000071
式中，v为粒子的初始速度，K为当前冲突图斑的冲突类型数量。
4.2)构建适应度函数，对粒子进行评价，计算每个粒子的适应度值，适应度函数如下：
Figure BDA0001518848610000072
Figure BDA0001518848610000073
Figure BDA0001518848610000081
max OUEF＝wu×Ou+we×Oe+wf×Of
subject to:wu+we+wf＝1
4.3)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。
4.4)以步骤4.3得出的粒子i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，具体过程如图3所示，粒子i的速度和位置更新的公式为：
Figure BDA0001518848610000082
Figure BDA0001518848610000083
本实例中，c1＝2.0，c2＝2.0，w采用动态惯性权值，其计算公式如下：
wt＝(wini-wend)(Tmax-t)/Tmax+wend
式中，Tmax为最大进化代数，wini为初始惯性权值，wend为进化至最大代数时的惯性权值，t为当前进化代数，wt为第t代粒子的惯性权值，本实施例中取值wini＝0.9，wend＝0.4。
4.5)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4.4更新后的粒子作为步骤4.2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200次，得到最终的“三线”协同优化结果。
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 (5)

1.一种基于改进粒子群算法对三线空间规划图进行协同优化的方法，其特征在于，包括如下步骤：
步骤1，数据收集与整理，包括数据集A、数据集B和数据集C；
数据集A：土地利用总体规划及耕地/基本农田保护区数据，生态保护相关规划及生态保护区数据，城市总体规划及城市增长边界线数据，各项用地指标比例数据，各类土地的需求量；
数据集B：土地利用现状分类数据，根据一定的语义与空间规则将其重新分类为只包含建设用地、农业用地、生态用地三种用地类型的基础数据；
数据集C：数字高程模型数据，植被覆盖数据，土壤肥力数据、土壤侵蚀数据、耕层厚度分布图、行政边界数据，降水数据；重要基础设施数据，包括主干道、次干道、高速公路、铁路、城市中心、区县中心；生态用地竞争力评价图、耕地竞争力评价图、城镇建设用地竞争力评价图；
步骤2，“三线”冲突图斑提取与综合，在空间上叠加“三线”划定结果，识别出冲突图斑，根据制图综合的方法进行预处理，对于小于一定面积的冲突图斑视为无冲突，将其归并到周围相近的面积较大的地类图斑中；
步骤3，算法操作单元划分，对以上数据集中除各项用地指标比例数据与各类土地需求量外的所有数据按照统一的范围和格网大小进行栅格化，使得不同图层的栅格单元属性信息通过相同的行列号能够对应起来，冲突图斑的每一个栅格对应一个粒子的维度，在冲突图斑中被指定为相同用地类型且相互连通的所有栅格划分为一个操作单元；
步骤4.将数据导入至“三线”协同优化粒子群模型中，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：一种“三线”协同优化方案对应于粒子群算法中的一个粒子，每一个栅格单元在当前被指定的用地类型对应于粒子的位置，栅格单元向各种用地类型变化的转换概率对应于粒子的速度，“三线”协同优化方案优劣的评价函数对应于粒子群的适应度函数，通过算法的寻优过程对冲突图斑的用地类型进行优化，得到最终“三线”协同优化结果；
适应度函数的具体计算过程如下，
粒子适应度函数即“三线”协同优化综合目标函数，“三线”协同优化目标包括城市扩展边界的优化目标、耕地与基本农田保护的优化目标、生态保护用地的优化目标三个目标，计算公式如下：
max OUEF＝wu×Ou+we×Oe+wf×Of
满足wu+we+wf＝1
式中，OUEF表示“三线”协同优化目标的总效用值即适应度值，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为依次对应分目标的权重值；各分目标的计算过程如下：
1)将建设用地布局的平均竞争力和用地图斑的平均紧凑度指数作为城市扩展边界的优化目标，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：
Figure FDA0002893560080000021
Figure FDA0002893560080000022
Figure FDA0002893560080000023
式中，
Figure FDA0002893560080000024
是城市新增建设用地布局的平均城市建设竞争力程度，i和j分别为栅格单元的行列号，I和J分别为整个图幅的总行数和总列数，xij表示一个判断，若栅格中的(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，ComptnUij是用地单元cell(i,j)的城市建设竞争力程度，城市建设竞争力程度由数据集C中对应的城市建设竞争力评价图获得，i和j分别为栅格单元的行列号；
Figure FDA0002893560080000025
表示新增建设用地图斑的平均紧凑度指数，P是城市建设用地图斑的总个数，AP和Lp分别是图斑p的面积和周长；Nurban表示标准化后的建设用地总量值；Ourban表示城市扩展边界的优化目标；
2)将耕地与基本农田的最大竞争力程度作为耕地与基本农田保护的优化目标，如下所示：
Figure FDA0002893560080000026
式中，
Figure FDA0002893560080000027
是耕地与基本农田用地布局的平均耕地竞争力程度，xij表示一个判断，若栅格中的(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，ComptnFij是用地单元cell(i,j)的耕地竞争力程度，耕地竞争力程度由数据集C中对应的耕地竞争力评价图获得，i和j分别为栅格单元的行列号，Nfarm表示标准化后的耕地总量值；
3)将生态用地的最大平均竞争力和区域生态安全格局指数作为生态保护用地的优化目标，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，
Figure FDA0002893560080000031
Figure FDA0002893560080000032
Figure FDA0002893560080000033
式中，
Figure FDA0002893560080000034
是生态用地布局的平均生态竞争力程度，ComptnEij是用地单元cell(i,j)的生态竞争力程度，生态竞争力程度由数据集C中对应的生态竞争力评价图获得；xij表示一个判断，若栅格中的(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；Oecopattern表示生态累积阻力面值；f是一个未知的负函数，表示最小累积阻力与生态适宜性的负相关关系；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为城镇建设用图斑地单元的数量；Di′j′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；Oecology表示生态用地的优化目标，Neco表示标准化后的生态用地总量值。
2.如权利要求1所述的一种基于改进粒子群算法对三线空间规划图进行协同优化的方法，其特征在于：步骤4的具体实现包括以下子步骤：
步骤4.1，粒子初始化，从数据集B中获取冲突图斑周边的用地类型，为保持图斑的连通性与相对完整性以提高优化结果的质量，按照冲突类型分割冲突图斑，建立冲突栅格图斑，由此确定粒子的初始位置，再根据图斑冲突类型确定粒子的初始速度；
步骤4.2，构建适应度函数，对初始粒子进行评价，计算每个粒子的适应度值；
步骤4.3，根据粒子的适应度值，更新粒子的历史最佳位置和种群的全局最优位置；
步骤4.4，以步骤4.3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；
步骤4.5，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4.4更新后的粒子作为步骤4.2的输入进行粒子评价，继续进行循环迭代优化。
3.如权利要求2所述的一种基于改进粒子群算法对三线空间规划图进行协同优化的方法，其特征在于：步骤4.3中的粒子i”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，
Figure FDA0002893560080000041
Figure FDA0002893560080000042
式中，Pibest(t+1)为粒子i”在第t+1代的历史最佳位置，Gibest(t+1)为粒子种群在第t+1代的全局最佳位置，Xi″(t+1)为粒子i”在t+1代的位置，F为适应度函数，N为种群中粒子总数。
4.如权利要求3所述的一种基于改进粒子群算法对三线空间规划图进行协同优化的方法，其特征在于：步骤4.4中粒子速度和位置更新公式为，
Figure FDA0002893560080000043
Figure FDA0002893560080000044
其中，粒子速度v可表示成一个概率矩阵，
Figure FDA0002893560080000045
矩阵中的pkl表示由用地类型k向用地类型l转换的概率，n为冲突类型数量，矩阵的行数等于列数，矩阵的行向量表示粒子元素状态转换的可能性大小，矩阵行向量之和恒等于1，即满足
Figure FDA0002893560080000046
列向量之和表示粒子元素状态转换方向的可能性大小，某一列向量之和越大，则粒子维度最终转变为该状态的可能性就越大，列向量之和不确定，取值范围在[0,n]之间；
Figure FDA0002893560080000047
为粒子i”在第d维度上t+1代的速度；
Figure FDA0002893560080000048
为粒子i”在第d维度上t+1代的位置；
Figure FDA0002893560080000051
表示第t代粒子i”的历史最佳位置，
Figure FDA0002893560080000052
表示群体在第t代时的历史最佳位置，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，r1和r2为分布于[0,l]之间的相互独立的随机数；
运算符
Figure FDA0002893560080000053
表示粒子向自身历史最佳位置和群体最佳位置学习的减法操作，学习的结果是向某些状态转换的概率提升；运算符
Figure FDA0002893560080000054
表示不同的概率转换矩阵进行加法操作得到新的概率矩阵，相加的结果进行归一化操作以保证行向量之和恒等于1；运算符
Figure FDA0002893560080000055
表示根据概率矩阵中粒子元素状态变化的可能性大小，根据当前位置选择概率转换矩阵中对应的行向量，对操作单元的状态重新进行选择的乘法操作，具体的实现方式是采用轮盘赌选择算法决定新的位置值。
5.如权利要求4所述的一种基于改进粒子群算法对三线空间规划图进行协同优化的方法，其特征在于：所述w采用动态惯性权值，其计算公式如下：
wt＝(wini-wend)(Tmax-t)/Tmax+wend
式中，Tmax为最大进化代数，wini为初始惯性权值，wend为进化至最大代数时的惯性权值，t为当前进化代数，wt为第t代粒子的惯性权值。
CN201711397597.8A 2017-12-21 2017-12-21 一种面向“三线”协同优化的粒子群改进算法 Active CN108154221B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711397597.8A CN108154221B (zh) 2017-12-21 2017-12-21 一种面向“三线”协同优化的粒子群改进算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711397597.8A CN108154221B (zh) 2017-12-21 2017-12-21 一种面向“三线”协同优化的粒子群改进算法

Publications (2)

Publication Number Publication Date
CN108154221A CN108154221A (zh) 2018-06-12
CN108154221B true CN108154221B (zh) 2021-03-16

Family

ID=62465064

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711397597.8A Active CN108154221B (zh) 2017-12-21 2017-12-21 一种面向“三线”协同优化的粒子群改进算法

Country Status (1)

Country Link
CN (1) CN108154221B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112148829B (zh) * 2020-09-30 2023-05-16 重庆市规划设计研究院 一种应用于消除破碎图斑的gis算法优化方法
CN112288179B (zh) * 2020-11-05 2021-08-03 重庆市规划和自然资源信息中心 一种利用大数据进行村规划成果优化分析方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102722570B (zh) * 2012-06-04 2014-09-03 武汉大学 一种面向地理空间优化的人工免疫智能优化系统
EP2763058B1 (en) * 2013-01-30 2021-10-20 Honda Research Institute Europe GmbH Optimizing the design of physical structures/objects
CN103150613B (zh) * 2013-03-26 2017-10-03 武汉大学 一种土地利用布局智能优化方法
CN103577897B (zh) * 2013-11-14 2016-08-31 武汉大学 一种土地利用空间布局智能优化的种群初始化方法
CN106228235B (zh) * 2016-07-29 2018-12-14 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
CN106909986B (zh) * 2017-01-18 2020-12-25 李红旮 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

Also Published As

Publication number Publication date
CN108154221A (zh) 2018-06-12

Similar Documents

Publication Publication Date Title
Liu et al. A future land use simulation model (FLUS) for simulating multiple land use scenarios by coupling human and natural effects
Feng et al. Dynamic land use change simulation using cellular automata with spatially nonstationary transition rules
Azad et al. Comparative evaluation of intelligent algorithms to improve adaptive neuro-fuzzy inference system performance in precipitation modelling
Han et al. Simulating the spatial dynamics of urban growth with an integrated modeling approach: A case study of Foshan, China
Zhang et al. Data-driven estimation of building energy consumption and GHG emissions using explainable artificial intelligence
Liao et al. Urban sprawl scenario simulations based on cellular automata and ordered weighted averaging ecological constraints
CN102542051B (zh) 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
Motlagh et al. Spatial modeling of land-use change in a rapidly urbanizing landscape in central Iran: Integration of remote sensing, CA-Markov, and landscape metrics
CN106716479A (zh) 从局部模型导出性能的计算机实现方法
CN102222313B (zh) 基于核主成分分析的城市演化模拟元胞模型处理方法
CN113902580B (zh) 一种基于随机森林模型的历史耕地分布重建方法
Dehghani et al. The effect of climate change on groundwater level and its prediction using modern meta-heuristic model
Tong et al. How current and future urban patterns respond to urban planning? An integrated cellular automata modeling approach
Huang et al. Simulating urban growth affected by national and regional land use policies: Case study from Wuhan, China
CN112906950A (zh) 一种海绵城市规划设计系统
CN103150614A (zh) 一种土地利用空间自动配置方法
CN112560215B (zh) 一种基于深度强化学习的电力选线方法
Cheng et al. The effects of urbanization on ecosystem services for biodiversity conservation in southernmost Yunnan Province, Southwest China
Karimi et al. Urban expansion modeling using an enhanced decision tree algorithm
Liu et al. Using the ART-MMAP neural network to model and predict urban growth: a spatiotemporal data mining approach
Xu et al. Land-use change modeling with cellular automata using land natural evolution unit
CN108154221B (zh) 一种面向“三线”协同优化的粒子群改进算法
Fang et al. A two-stage approach integrating SOM-and MOGA-SVM-based algorithms to forecast spatial-temporal groundwater level with meteorological factors
Zhuang et al. Simulation of urban land expansion in China at 30 m resolution through 2050 under shared socioeconomic pathways
Yu et al. The study of artificial intelligence for predicting land use changes in an arid ecosystem

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