本發(fā)明涉及土地開發(fā)或規(guī)則方法技術(shù)領(lǐng)域，尤其涉及使用優(yōu)化模型的土地再開發(fā)規(guī)劃方法。
背景技術(shù)：
土地利用布局是指不同土地利用類型在空間上的分布形態(tài)，是土地利用規(guī)劃空間管制的重要依據(jù)，其合理性與科學(xué)性關(guān)系到規(guī)劃能否順利實施與規(guī)劃目標(biāo)實現(xiàn)。土地利用布局優(yōu)化是指在不同用地類型的數(shù)量約束下通過調(diào)整各用地類型的空間位置，而實現(xiàn)土地利用綜合效益最大化。同一空間單元對不同用地類型有不同適宜度大小，土地利用布局優(yōu)化的根本目的是把各用地類型配置到其適宜度高的空間單元。
參照土地利用結(jié)構(gòu)優(yōu)化的概念，將土地利用功能優(yōu)化定義為：土地利用功能優(yōu)化是為了達(dá)到一定的生態(tài)經(jīng)濟(jì)最優(yōu)目標(biāo)，依據(jù)土地資源的自身特性和土地適宜性評價，從土地利用的機(jī)構(gòu)、功能、布局和強(qiáng)度等方面，對土地的居住、生產(chǎn)、休憩和交通等功能進(jìn)行數(shù)量配置和空間布局，以提高土地利用效率和效益，維持土地生態(tài)系統(tǒng)的相對平衡，實現(xiàn)土地資源的可持續(xù)利用。
城市存量土地的再開發(fā)是建立在城市初始開發(fā)的基礎(chǔ)上，通過一定的手段對城市原有的用地類型、結(jié)構(gòu)、功能和布局等進(jìn)行置換升級，挖掘城市土地內(nèi)在的潛力，提高土地的利用效益以及土地的經(jīng)濟(jì)、社會或環(huán)境效益。根據(jù)土地利用功能優(yōu)化的概念以及城市存量土地再開發(fā)的特點(diǎn)，城市存量土地再開發(fā)單元功能優(yōu)化即為：在城市已有土地開發(fā)的基礎(chǔ)上，依據(jù)土地節(jié)約集約利用的要求和效益最大化的目標(biāo)，根據(jù)城市土地資源自身的特性和土地適宜性評價，遵循國民經(jīng)濟(jì)和社會發(fā)展規(guī)劃、城市規(guī)劃、土地利用總體地規(guī)劃，通過一定的科學(xué)技術(shù)和管理方法，對城市內(nèi)利用效率低下，結(jié)構(gòu)不合理，功能不健全的存量土地再開發(fā)單元從空間進(jìn)行物質(zhì)替換和功能變更，從原有土地的用地類型、結(jié)構(gòu)、功能和布局等進(jìn)行置換升級，挖掘土地內(nèi)在潛力，提高土地的利用率以及土地的經(jīng)濟(jì)、社會或環(huán)境效益，實現(xiàn)土地資源的可持續(xù)利用。
城市再開發(fā)單元功能優(yōu)化的目標(biāo)是通過再開發(fā)單元的經(jīng)濟(jì)效益、社會效益、生態(tài)效益等方面的提高，實現(xiàn)城市再開發(fā)單元的統(tǒng)籌協(xié)調(diào)、集約高效、生態(tài)文明、安全宜居和傳承共享。
目前，國內(nèi)外很多學(xué)者對土地利用資源優(yōu)化方法進(jìn)行了研究，分別從理論原則、模型構(gòu)建、算法優(yōu)化和GIS應(yīng)用等方面，結(jié)合系統(tǒng)動力學(xué)、景觀生態(tài)學(xué)和GIS地學(xué)分析等相關(guān)學(xué)科，對土地利用資源優(yōu)化配置進(jìn)行了探索性研究。
城市存量土地再開發(fā)規(guī)劃時，會面臨多目標(biāo)優(yōu)化問題，多目標(biāo)優(yōu)化包含若干個優(yōu)化目標(biāo)和約束限制條件，這些優(yōu)化目標(biāo)可以同時被最小化、最大化或二者皆有。至于約束條件就更加靈活了，可以根據(jù)具體問題具體需要來設(shè)置。一般的，多目標(biāo)優(yōu)化問題可以有m個變量參數(shù)，n個目標(biāo)函數(shù)和k個約束條件構(gòu)成，其數(shù)學(xué)定義形式如下：
max或minF(x)＝[f1(x),f2(x),...,fn(x)]
G(x)＝(g1(x),g2(x),...,gp(x)),p＝1,2,...,P
H(x)＝(h1(x),h2(x),...,hq(x)),q＝1,2,...,Q
x∈Ω
其中，x＝(x1,x2,...,xm)T，x為決策向量，表示M表示變量個數(shù)；F(x)表示目標(biāo)函數(shù)，N表示目標(biāo)函數(shù)個數(shù)；G(x)表示約束條件，P表示約束條件個數(shù)；Ω是決策空間，是由決策向量構(gòu)成的。
以最小化多目標(biāo)問題為例(即所有的優(yōu)化目標(biāo)都最小化)，說明MAXMIN方法的計算公式：
其中，表示最小化問題中第i個解的適應(yīng)度；為第i個解的第m個目標(biāo)值；和分別表示所有解中第m個目標(biāo)的最大值和最小值。p為參數(shù)，p值越大，則適應(yīng)度值的區(qū)分度越高。因此適應(yīng)度值也被限制在0到正無窮的范圍內(nèi)，適應(yīng)度值為1是一個臨界點(diǎn)。如果解s的所有目標(biāo)值都比另外一個解的差，則這個解的適應(yīng)度值小于1，也被成為統(tǒng)治解或非pareto解；否則，如果不存在一個解在所有目標(biāo)值上都由于解s，則s的適應(yīng)度值會大于或等于1，這樣的解被成為非統(tǒng)治解或pareto解。
然而原始版本的MAXMIN適應(yīng)度計算方法不是萬能、通用的方法，只適用于求解最小化多目標(biāo)的問題，實際應(yīng)用中所面臨的多目標(biāo)優(yōu)化問題還有最大化多目標(biāo)問題和最大化最小化共存的多目標(biāo)優(yōu)化問題。為解決此問題，適應(yīng)度計算方法首次進(jìn)行修改：
其中，為最大化多目標(biāo)問題的適應(yīng)度，改變了原始算法中的min操作算子中分子中兩個變量的順序，即由計算時的變?yōu)橛嬎銜r的也可以說改變了計算某個解與其他解之間整體距離的方法。
上述算法只針對某一特定類型優(yōu)化問題而提出或修改，及所有目標(biāo)全部最大化或最小化。但在該算法不能解決同一個優(yōu)化問題中，一部分優(yōu)化目標(biāo)要求最小化，另一部分優(yōu)化目標(biāo)要求最大化的情況。
多目標(biāo)優(yōu)化問題解是多樣性，導(dǎo)致這類問題不易求解，解的個數(shù)也不是唯一的，而是一個由一系列稱為“非統(tǒng)治解”的優(yōu)化解構(gòu)成的集合，也被稱為Pareto集。由Pareto集構(gòu)成的曲線或曲面被稱為Pareto前沿是確定的。優(yōu)化的過程就是一個不斷的讓由當(dāng)前Pareto解構(gòu)成的Pareto前沿逼近最優(yōu)Pareto前沿的過程。
現(xiàn)有技術(shù)中，
比較典型的多目標(biāo)解優(yōu)化評價有：
(1)加權(quán)求和法
加權(quán)求和法的基本原理是將多個目標(biāo)線性組合從而轉(zhuǎn)化為一個單目標(biāo)優(yōu)化問題，通過比較轉(zhuǎn)化后的目標(biāo)值來判斷解的優(yōu)劣。
(2)目標(biāo)排序法
在目標(biāo)排序法中，決策者根據(jù)已有的先驗知識，按照各個優(yōu)化目標(biāo)的重要程度進(jìn)行排序，然后根據(jù)排序結(jié)果，分別對比不同解中相應(yīng)的優(yōu)化目標(biāo)的大小，最終得出每個優(yōu)化的優(yōu)劣，并可以按照優(yōu)劣程度排序。
(3)ε-約束法
ε-約束法的原理是先對多個優(yōu)化目標(biāo)中最重要的一個進(jìn)行優(yōu)化，其他的目標(biāo)作為約束條件來處理，以此類推，把每個優(yōu)化目標(biāo)都作為單一目標(biāo)進(jìn)行優(yōu)化。這樣就把多目標(biāo)問題轉(zhuǎn)化為一個單目標(biāo)優(yōu)化問題。
(4)目標(biāo)規(guī)劃法
目標(biāo)規(guī)劃法的基本思想是在一定的約束條件下完成一組包含不同優(yōu)先級的可能是互相矛盾的目標(biāo)，它必須根據(jù)求解問題的情況先給出每個目標(biāo)所期望獲得的目標(biāo)值，這些值將作為附加的約束條件加入到原問題中。因此，原問題就將轉(zhuǎn)化為求優(yōu)化目標(biāo)與事先期望的目標(biāo)值之間的絕對偏差最小的問題。
智能算法主要集中于三個方面：一是傳統(tǒng)智能算法，代表性的算法如模擬退火算法和人工神經(jīng)網(wǎng)絡(luò)；二是進(jìn)化算法，代表性的算法為遺傳算法；三是群體智能算法，代表性的算法為蟻群優(yōu)化算法和粒子群優(yōu)化算法。這些算法共同的特點(diǎn)為“以精度換時間”。對于復(fù)雜的組合優(yōu)化問題來說，可行域范圍內(nèi)解的個數(shù)是一個天文數(shù)字，窮舉法幾乎是不可能的，智能優(yōu)化算法可以在有限的或可以容忍的時間范圍內(nèi)，在可行域內(nèi)搜索出全局近似最優(yōu)解也是可以接受的，基于這種策略，智能優(yōu)化算法能很快發(fā)現(xiàn)接近全局最優(yōu)解的近似最優(yōu)解。
蟻群優(yōu)化算法是一種隨機(jī)方法，其運(yùn)算的過程實際是通過人工螞蟻不斷迭代來進(jìn)行優(yōu)化。由于一群優(yōu)化算法固有的隨機(jī)性特點(diǎn)，其在可行域內(nèi)搜索最優(yōu)解的過程有時會很慢，甚至出現(xiàn)不收斂的情況。經(jīng)證明在一定條件下，蟻群優(yōu)化算法可以收斂到最優(yōu)解的。
蟻群算法已經(jīng)發(fā)展出了很多改進(jìn)型的變種，但是蟻群算法的框架并沒有因此變化太大。所有的蟻群優(yōu)化算法仍然都是迭代算法，在信息素的作用下，通過人工不斷的循環(huán)來搜索最優(yōu)解。
蟻群算法中的多個步驟中一般必須包含的主要有三個過程，即初始化信息素及相關(guān)參數(shù)，螞蟻構(gòu)建解，評價解質(zhì)量和更新信息素。
(1)初始化信息素及參數(shù)
利用貪婪搜索算法或統(tǒng)計學(xué)原理對信息素矩陣進(jìn)行初始化，相關(guān)參數(shù)則根據(jù)實驗結(jié)果或一般經(jīng)驗值來設(shè)定。設(shè)定信息素初始值和參數(shù)的好壞直接影響著算法的優(yōu)化速度和結(jié)果。有實驗表明，好的參數(shù)設(shè)置能夠保持算法的額平衡性，使算法不會把搜索范圍收縮得更窄，從而陷入停滯狀態(tài)，也不會使搜索過程缺乏足夠的引力，從而導(dǎo)致過量搜索工作的出現(xiàn)。
(2)構(gòu)建解
螞蟻構(gòu)建解是通過使螞蟻移動到合適的臨鄰接近點(diǎn)，從而使一群螞蟻并行異步的訪問問題的臨近狀態(tài)。經(jīng)過不斷的循環(huán)和累計作用，最終每只人工螞蟻都代表著一個完整的解。在這個過程中螞蟻根據(jù)信息素濃度和啟發(fā)式信息，采用一個隨機(jī)局部決策方法選擇移動的下一步，這個決策方法又叫做轉(zhuǎn)移概率。
(3)評價解
由于蟻群算法是一種迭代式算法，在每次迭代之后的信息素更新過程中，要根據(jù)每只螞蟻所代表的解的質(zhì)量來決定釋放信息素的多少。所以，客觀準(zhǔn)確的對每個解進(jìn)行評價，直接影響到了算法的搜索方向和收斂速度。對單目標(biāo)優(yōu)化問題來說，可以用目標(biāo)值來直接衡量解的優(yōu)劣。但對于多目標(biāo)優(yōu)化問題來說，就需要通過一定的多目標(biāo)評價方法對每個解進(jìn)行評估，最后根據(jù)評估結(jié)果做適當(dāng)?shù)牟僮鳌?/p>
(4)更新信息素
更新信息素就是修改信息素濃度的過程。信息素的濃度可能會因為螞蟻在點(diǎn)或連接的邊上釋放信息素而增加，也可能會由于信息素蒸發(fā)而減少。從實際的角度看，釋放新的信息素增加了螞蟻訪問某個點(diǎn)的概率，這些點(diǎn)有可能已經(jīng)有很多螞蟻訪問過，或者至少有一個螞蟻訪問過，并產(chǎn)生了好的解從而會吸引以后的螞蟻重新訪問。相反的過程是信息素的蒸發(fā)，它起著遺忘的作用，可以避免算法朝著一個并非最佳的解區(qū)域過早收斂，從而使得算法有更多的機(jī)會探索解空間中的新區(qū)域，使解多樣化。信息素的更新時機(jī)和更新方式根據(jù)具體算法的不同而不同。
蟻群優(yōu)化算法較原始的蟻群算法有三個方面的改進(jìn)，一是蟻群在構(gòu)建解時的選擇概率更距積極性，能夠更好的利用先前螞蟻所積累的先驗知識進(jìn)行搜索，提高正反饋效率；二是信息更新規(guī)則得到了改進(jìn)，即全局信息素更新；三是螞蟻每前進(jìn)一步，立刻在剛經(jīng)過的路徑上額外釋放信息素，及局部信息素更新。
現(xiàn)有技術(shù)中的多目標(biāo)方法多是通過賦予一定的權(quán)重，把多目標(biāo)值轉(zhuǎn)換為單目標(biāo)值，轉(zhuǎn)換后的單一目標(biāo)值是增加了個人的偏好后形成的，不能客觀的反映出改解的整體質(zhì)量，而且權(quán)重的量化幾乎完全憑借個人的偏向、喜好和經(jīng)驗。
現(xiàn)有技術(shù)中的多目標(biāo)方法多是通過賦予一定的權(quán)重，把多目標(biāo)值轉(zhuǎn)換為單目標(biāo)值，轉(zhuǎn)換后的單一目標(biāo)值是增加了個人的偏好后形成的，不能客觀的反映出改解的整體質(zhì)量，而且權(quán)重的量化幾乎完全憑借個人的偏向、喜好和經(jīng)驗?，F(xiàn)有技術(shù)中的蟻群優(yōu)化算法相對原始螞蟻算法已經(jīng)有了改進(jìn)，但應(yīng)用在解決土地利用優(yōu)化領(lǐng)域的研究卻十分匱乏。
技術(shù)實現(xiàn)要素：
為了解決現(xiàn)有技術(shù)中將多目標(biāo)值轉(zhuǎn)換為單目標(biāo)值導(dǎo)致的不能客觀反映出改解的整體質(zhì)量的問題，本發(fā)明提供了一種使用蟻群多目標(biāo)布局優(yōu)化模型的土地再開發(fā)規(guī)劃方法。
本發(fā)明提供了一種使用蟻群多目標(biāo)布局優(yōu)化模型的土地再開發(fā)規(guī)劃方法，包括：
設(shè)置多個優(yōu)化目標(biāo)和約束限制條件；
初始化算法參數(shù)，所述算法參數(shù)包括：迭代次數(shù)，螞蟻數(shù)量，每個螞蟻的信息素立方體；
初始化預(yù)設(shè)區(qū)域內(nèi)的土地利用情況即初始化預(yù)設(shè)區(qū)域內(nèi)各地塊的土地利用類型；
進(jìn)行所述迭代次數(shù)的迭代，每次迭代的過程包括：構(gòu)建解，進(jìn)行解評價，根據(jù)解的評價結(jié)果進(jìn)行信息素更新；
迭代過程結(jié)束后，根據(jù)累積的信息素立方體確定預(yù)設(shè)區(qū)域內(nèi)各地塊的新的土地利用類型。
上述方法還具有以下特點(diǎn)：
所述信息素立方體中包括多層，所述信息素立方體包括的層次與迭代次數(shù)的值相同；每一層包括相同個數(shù)的多個柵格，每一層的柵格分布結(jié)構(gòu)均相同，每一層中各柵格與地塊的位置相對應(yīng)。
上述方法還具有以下特點(diǎn)：
所述優(yōu)化目標(biāo)包括以下目標(biāo)中的至少一個：統(tǒng)籌協(xié)調(diào)目標(biāo)、集約目標(biāo)、生態(tài)文明目標(biāo)、安全宜居目標(biāo)、空間優(yōu)化目標(biāo)；其中，統(tǒng)籌協(xié)調(diào)目標(biāo)包括土地利用信息熵最大化；所述集約高效目標(biāo)包括：經(jīng)濟(jì)效益最大化；所述生態(tài)文明目標(biāo)包括：生態(tài)系統(tǒng)服務(wù)價值最大化；所述安全宜居目標(biāo)包括：土地利用兼容性最大化；所述空間優(yōu)化目標(biāo)包括：空間緊湊度最小化和空間連接度最大化；
所述約束限制條件包括以下條件中的至少一種：基本約束條件、土地功能約束條件、空間約束條件；其中，所述基本約束條件包括：土地總面積約束、各類土地利用類型的面積限制；所述空間約束條件包括：每個柵格單元在同一時間內(nèi)只能被一種土地利用類型所覆蓋、每個柵格單元內(nèi)的土地利用類型在優(yōu)化前后或者保持不變或者只能轉(zhuǎn)換成另外一種土地利用類型。
上述方法還具有以下特點(diǎn)：
所述進(jìn)行解評價時使用混合適應(yīng)度計算方法，根據(jù)以下公式計算各個解的適應(yīng)度：
其中，
第k個優(yōu)化目標(biāo)需要最小化時，i'＝i,j'＝j(luò)；
第k個優(yōu)化目標(biāo)需要最大化時，i'＝j(luò),j'＝i；
是指為第i′個解的第k個目標(biāo)值，即第i′只螞蟻達(dá)成第k個目標(biāo)釋放的信息素量；和分別表示所有解中第k個目標(biāo)的最大值和最小值。
上述方法還具有以下特點(diǎn)：
在構(gòu)建解時使用下述公式計算信息素增量：
其中，Δτk表示第k只螞蟻在一次迭代后所釋放的信息素量，fitnessk為第k只螞蟻的混合適應(yīng)度值，gencur表示當(dāng)前迭代次數(shù)。
上述方法還具有以下特點(diǎn)：
在迭代過程中，螞蟻每改變一個柵格地塊的土地利用類型，都將立刻調(diào)用局部信息素更新規(guī)則更新該柵格所對應(yīng)的信息素立方體中相應(yīng)的信息素值，具體的，使用下述公式進(jìn)行更新：
其中，k表示螞蟻將柵格地塊(i，j)上的土地利用類型轉(zhuǎn)換為的土地利用類型；表示信息素立方體中柵格地塊(i，j，k)所對應(yīng)的信息素值；ξ為參考值，為局部更新時的蒸發(fā)率；N表示候選土地利用類型數(shù)。
上述方法還具有以下特點(diǎn)：
迭代過程結(jié)束后，根據(jù)以下方式進(jìn)行全局更新：
其中，u表示柵格地塊(i，j)上的土地利用類型，表示信息素立方體中方格(i，j，k)所對應(yīng)的信息素值；ρ為全局信息素蒸發(fā)率；U表示候選土地利用類型數(shù)；fitnessbs至今為最優(yōu)螞蟻的混合適應(yīng)度值；gencur為當(dāng)前迭代次數(shù)；T表示在每次迭代后取前T個適應(yīng)度值最大的螞蟻對信息素立方體進(jìn)行更新；fitnessi為當(dāng)前迭代次數(shù)中第i個最大的適應(yīng)度值。
上述方法還具有以下特點(diǎn)：
所述根據(jù)解的評價結(jié)果進(jìn)行信息素更新后還包括優(yōu)化步驟，具體包括：
在研究區(qū)域內(nèi)隨機(jī)選定一個子塊，此子塊中包含多行多列的柵格地塊，根據(jù)該子塊內(nèi)每種土地利用類型面積與模型約束條件中面積的比例關(guān)系，根據(jù)下式計算類型轉(zhuǎn)移概率：
其中，TPi為block內(nèi)第i種土地利用類型的轉(zhuǎn)移概率，在不同時期，TPi的轉(zhuǎn)移概率不一樣；Areai為整個研究區(qū)域內(nèi)第i種土地利用類型的面積；為約束條件中規(guī)定的第i種土地利用類型面積的下限；N為研究區(qū)域內(nèi)土地利用類型數(shù)；
將具有最大TP值的土地類型轉(zhuǎn)換為具有最小TP值的類型。
現(xiàn)有技術(shù)中的多目標(biāo)方法多是通過賦予一定的權(quán)重，把多目標(biāo)值轉(zhuǎn)換為單目標(biāo)值，轉(zhuǎn)換后的單一目標(biāo)值是增加了個人的偏好后形成的，不能客觀的反映出改解的整體質(zhì)量，而且權(quán)重的量化幾乎完全憑借個人的偏向、喜好和經(jīng)驗。因此如何平衡各個優(yōu)化目標(biāo)之間的關(guān)系，是評價解優(yōu)劣的關(guān)鍵。本發(fā)明采用MAXMIN多目標(biāo)解評價方法即混合多目標(biāo)解評價方法，能夠把所有目標(biāo)作為一個整體來考慮，能夠不帶有主管因素的平衡各目標(biāo)值，挖掘多目標(biāo)解的本質(zhì)特征。
傳統(tǒng)土地利用優(yōu)化主要強(qiáng)調(diào)類型數(shù)量的優(yōu)化，本發(fā)明增加了空間優(yōu)化目標(biāo)和對時間序列優(yōu)化的考慮，填補(bǔ)了以往土地優(yōu)化模型的不足。本發(fā)明具有以下優(yōu)點(diǎn)：
1、建立城市土地利用時空優(yōu)化模型，從統(tǒng)籌協(xié)調(diào)、集約高效、生態(tài)文明、安全宜居、空間優(yōu)化等方面建立城市存量土地再開發(fā)規(guī)劃多目標(biāo)集，增加了空間優(yōu)化目標(biāo)和對時間序列優(yōu)化的考慮，填補(bǔ)了以往土地優(yōu)化模型的不足。
2、本發(fā)明采用MAXMIN多目標(biāo)解評價方法，能夠把所有目標(biāo)作為一個整體來考慮，能夠不帶有主管因素的平衡個目標(biāo)值，挖掘多目標(biāo)解的本質(zhì)特征。本發(fā)明的hybrid MAXMIN方法不只針對某一特定類型優(yōu)化問題而提出或修改，不局限于所有目標(biāo)全部最大化或最小化，能解決同一個優(yōu)化問題中，一部分優(yōu)化目標(biāo)要求最小化，另一部分優(yōu)化目標(biāo)要求最大化的情況。
3、從構(gòu)建解的流程、信息素定義、信息素更新規(guī)則、信息素增量定義、優(yōu)化算子等方面進(jìn)行改進(jìn)，優(yōu)化了土地利用優(yōu)化模型。信息素被定義成“三維”的，稱為信息素立方體。
4、本發(fā)明的信息素更新規(guī)則表現(xiàn)為，在蟻群優(yōu)化算法包括了全局信息更新和局部信息素更新兩個過程。
5、優(yōu)化算子方面，針對土地利用類型的塊狀變化方式，設(shè)計出block-filter優(yōu)化算子。在解構(gòu)建方面，人工螞蟻主要依靠優(yōu)化算子，最終解稱為信息素累積解，信息素最終解是根據(jù)信息素立方體得到的，與最后一次迭代的解相比，具有更大的適應(yīng)度值，整體上優(yōu)于其他解。
6、在算法初始化上，對于土地利用優(yōu)化問題來說，AP-ACS算法的初始解就是當(dāng)前土地利用情況，算法執(zhí)行前，每只螞蟻都記錄一份當(dāng)前土地利用情況的副本，而不是經(jīng)過初始化后的解，每只螞蟻的起始點(diǎn)是一樣的。在進(jìn)入算法后，直接利用優(yōu)化算子對土地利用情況進(jìn)行優(yōu)化，避免了在隨機(jī)初始化過程中對土地利用現(xiàn)狀的不合理規(guī)劃。
7、在解構(gòu)建上，AP-ACS算法建立了專門的優(yōu)化算子為人工螞蟻提供優(yōu)化功能，而不是依靠信息素的正反饋機(jī)制構(gòu)建解，所以每只螞蟻在構(gòu)建解時是不依靠信息素而是相對獨(dú)立完成的一個解的構(gòu)建。
8、在最優(yōu)規(guī)劃結(jié)果生成上，AP-ACS算法中，由于人工螞蟻在構(gòu)建解時主要依靠優(yōu)化算子，而不是信息素的累積結(jié)果，所以導(dǎo)致AP-ACS算法的最終解由兩個部分構(gòu)成，一部分是最后一次迭代后每只螞蟻所代表的解，這部分解的個數(shù)就是螞蟻的個數(shù)；而另一部分是一個直接根據(jù)信息素立方體構(gòu)建出來的，在本發(fā)明中這個解被稱為信息素累積解。由信息素立方體產(chǎn)生的信息素累積解與最后一次迭代的解相比，具有更大的適應(yīng)度值，在整體上要優(yōu)于其他解。
附圖說明
構(gòu)成本發(fā)明的一部分的附圖用來提供對本發(fā)明的進(jìn)一步理解，本發(fā)明的示意性實施例及其說明用于解釋本發(fā)明，并不構(gòu)成對本發(fā)明的不當(dāng)限定。在附圖中：
圖1是本發(fā)明中使用蟻群多目標(biāo)布局優(yōu)化模型的土地再開發(fā)規(guī)劃方法的流程圖。
具體實施方式
為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護(hù)的范圍。需要說明的是，在不沖突的情況下，本申請中的實施例及實施例中的特征可以相互任意組合。
本發(fā)明從解構(gòu)建機(jī)理這個角度對ACS算法進(jìn)行改進(jìn)。體現(xiàn)在兩個方面：
a、傳統(tǒng)組合優(yōu)化問題一般是“零起點(diǎn)”的，也就是說蟻群算法在初始化解時是沒有任何參考的，初始化解的過程就是有一個從無到有的隨機(jī)構(gòu)建過程。而對于土地利用優(yōu)化問題來說，卻不是這樣，因為優(yōu)化的起點(diǎn)就是土地利用現(xiàn)狀本身，所以初始化解的過程是可以省略的；
b、針對傳統(tǒng)組合問題的蟻群算法的停止條件一般是以算法收斂為標(biāo)準(zhǔn)，即某個或某幾個優(yōu)化目標(biāo)達(dá)到一定值后趨于穩(wěn)定時。而在土地利用優(yōu)化中，優(yōu)化目標(biāo)的值會隨著土地利用情況不斷的變化而變化，能使其達(dá)到收斂的唯一狀態(tài)就是研究區(qū)域內(nèi)只有一種土地利用類型。然而，這種情況在實際中是不可能發(fā)生的。所以，解決土地利用優(yōu)化的蟻群算法的終止條件不能以收斂為標(biāo)準(zhǔn)。
本發(fā)明中使用蟻群多目標(biāo)布局優(yōu)化模型的土地再開發(fā)規(guī)劃方法包括：
步驟101，設(shè)置多個優(yōu)化目標(biāo)和約束限制條件；
步驟102，初始化算法參數(shù)，所述算法參數(shù)包括：迭代次數(shù)，螞蟻數(shù)量，每個螞蟻的信息素立方體；
步驟103，初始化預(yù)設(shè)區(qū)域內(nèi)的土地利用情況即初始化預(yù)設(shè)區(qū)域內(nèi)各地塊的土地利用類型；
步驟104，進(jìn)行所述迭代次數(shù)的迭代，每次迭代的過程包括：構(gòu)建解，進(jìn)行解評價，根據(jù)解的評價結(jié)果進(jìn)行信息素更新；
步驟105，迭代過程結(jié)束后，根據(jù)累積的信息素立方體確定預(yù)設(shè)區(qū)域內(nèi)各地塊的新的土地利用類型。
下面詳細(xì)說明本發(fā)明的方法。
步驟101中，目標(biāo)包括以下目標(biāo)中的至少一個：統(tǒng)籌協(xié)調(diào)目標(biāo)、集約目標(biāo)、生態(tài)文明目標(biāo)、安全宜居目標(biāo)、空間優(yōu)化目標(biāo)。典型的可以包括此5個目標(biāo)。
其中，
統(tǒng)籌協(xié)調(diào)目標(biāo)包括以下子函數(shù)：土地利用信息熵最大化。土地利用信息熵最大化的意義為：優(yōu)化單元的土地利用信息熵值越大，土地利用系統(tǒng)的有序程度就越高，結(jié)構(gòu)性越強(qiáng)。計算方法為：Pu＝au/S，其中S為優(yōu)化單元的總面積，au為第u種土地利用類型的面積。
集約高效目標(biāo)包括以下子函數(shù)：經(jīng)濟(jì)效益最大化。經(jīng)濟(jì)效益最大化的意義為：通過功能優(yōu)化配置實現(xiàn)各類土地利用的經(jīng)濟(jì)產(chǎn)出的最大化。計算方法為：其中eu第u種土地利用類型人均經(jīng)濟(jì)產(chǎn)出效益系數(shù)，以土地利用類型的平均地價代替。
生態(tài)文明目標(biāo)包括以下子函數(shù)：生態(tài)系統(tǒng)服務(wù)價值最大化。生態(tài)系統(tǒng)服務(wù)價值最大化的意義為：優(yōu)化單元內(nèi)的生態(tài)文明程度最大化。計算方法為：其中S為第u種土地利用類型生態(tài)系統(tǒng)服務(wù)價值系數(shù)。
安全宜居目標(biāo)包括以下子函數(shù)：土地利用兼容性最大化。土地利用兼容性最大化的意義為：考慮相鄰地塊土地利用類型之間的用途、功能環(huán)境等兼容性問題。計算方法為：compatibleij為土地利用兼容度。
空間優(yōu)化目標(biāo)包括以下子函數(shù)：空間緊湊度最小化和空間連接度最大化。
空間緊湊度最小化的意義為：反映出城市建設(shè)用地空間分布的緊湊程度的大小，鼓勵具有相同土地利用類型的地塊聚集在一起。計算方法為：其中Zuj表示土地利用類型為u的地塊i和地塊j的面積。
空間連接度最大化的意義為研究區(qū)域內(nèi)擁有相同土地利用類型的地塊能夠相鄰或連通。計算方法為：
步驟101中，約束限制條件包括以下條件中的至少一種：基本約束條件、土地功能約束條件、空間約束條件。
基本約束條件包括：土地總面積約束、各類土地利用類型的面積限制。
優(yōu)化后以商住/居住為主的功能優(yōu)化單元中，
居住用地≥70％(優(yōu)化單元)
商業(yè)服務(wù)業(yè)設(shè)施用地≥5％(社區(qū))
公共管理與公共服務(wù)設(shè)施用地≥10％(社區(qū))
公共設(shè)施用地≥10％(社區(qū))
綠地與廣場用地≥20％(社區(qū))。
優(yōu)化后土地利用類型的面積限制舉例如下：
工業(yè)用地≥70％(優(yōu)化單元)
商業(yè)服務(wù)業(yè)設(shè)施用地≥5％(社區(qū))
公共管理與公共服務(wù)設(shè)施用地≥10％(社區(qū))
公共設(shè)施用地≥10％(社區(qū))
綠地與廣場用地≥20％(社區(qū))。
土地功能約束條件包括：禁止建設(shè)區(qū)、生態(tài)約束(生態(tài)控制綠線線)、水源保護(hù)區(qū)(城市藍(lán)線)、歷史文化保護(hù)(城市紫線)、重大危險設(shè)施管控區(qū)(城市黃線)。
空間約束條件包括：每個柵格單元在同一時間內(nèi)只能被一種土地利用類型所覆蓋、每個柵格單元內(nèi)的土地利用類型在優(yōu)化前后或者保持不變或者只能轉(zhuǎn)換成另外一種土地利用類型。
在步驟102中使用信息素立方體。對于傳統(tǒng)的組合優(yōu)化問題來說，信息素的結(jié)構(gòu)一般是“二維”的，而對于土地利用優(yōu)化問題來說，信息素被定義成“三維的，成為信息素立方體。
信息素立方體中包括多層，所述信息素立方體包括的層次與迭代次數(shù)的值相同；每一層包括相同個數(shù)的多個柵格，每一層的柵格分布結(jié)構(gòu)均相同，每一層中各柵格與地塊的位置相對應(yīng)。
在第一迭代過程中，各螞蟻在其信息素立方體的第一層平面中爬行，并釋放信息素，螞蟻對每一個方格進(jìn)行地塊類型的判斷，并釋放出不同濃度的信息素，信息素濃度本質(zhì)上是地塊類型轉(zhuǎn)移概率，螞蟻會在每一個方格釋放出該地塊類型轉(zhuǎn)換成所有地塊類型的概率，概率越高的所對應(yīng)的轉(zhuǎn)換的可能性越大。第一次迭代后，對第一次迭代的所有螞蟻的信息素進(jìn)行求和，取平均值，作為第一次迭代后的綜合信息素濃度，也就是一次迭代后形成的地塊類型轉(zhuǎn)移概率，據(jù)此判斷哪些地塊類需要轉(zhuǎn)移成別的地塊類型。再此綜合信息素濃度的基礎(chǔ)上，所有螞蟻分別進(jìn)行自身的第二次迭代，即各螞蟻在其信息素立方體的第二層平面中爬行，以此類推，到達(dá)迭代次數(shù)后，根據(jù)最終的信息素立方體的參數(shù)確定土地規(guī)劃結(jié)果。
在步驟104中,采用改進(jìn)的Hybrid MAXMIN方法計算得出的解的適應(yīng)度值進(jìn)行解評價時使用混合適應(yīng)度計算方法，根據(jù)以下公式計算各個解的適應(yīng)度：
其中，
第k個優(yōu)化目標(biāo)需要最小化時，i'＝i,j'＝j(luò)；
第k個優(yōu)化目標(biāo)需要最大化時，i'＝j(luò),j'＝i；
即當(dāng)優(yōu)化目標(biāo)都需要最小化時，就等于當(dāng)優(yōu)化目標(biāo)需要最大化時，就等于
是指為第i′個解的第k個目標(biāo)值，即第i′只螞蟻達(dá)成第k個目標(biāo)釋放的信息素量；和分別表示所有解中第k個目標(biāo)的最大值和最小值。
改進(jìn)的MAXMIN方法性質(zhì)表現(xiàn)為：
(1)非統(tǒng)治解的適應(yīng)度值大于等于1，而統(tǒng)治解的適應(yīng)值小于1；
(2)鼓勵解的獨(dú)立性和多樣性，而懲罰聚集度高的非統(tǒng)治解；
(3)當(dāng)pareto前沿為凸時，偏好位于前沿中間位置的解；而當(dāng)pareto前沿為凹時，偏好位于前沿兩端的解。
(4)統(tǒng)治解的適應(yīng)度僅受非統(tǒng)治解影響，而與聚集度無關(guān)；
(5)非統(tǒng)治解的適應(yīng)度與聚集度關(guān)系密切，既受其他非統(tǒng)治解影響，又受臨界距離內(nèi)的統(tǒng)治解影響。
本發(fā)明采用改進(jìn)的Hybrid MAXMIN方法計算得出的解的適應(yīng)度值作為信息素的組成部分之一。適應(yīng)度值越大，說明這個解越優(yōu)越，那么構(gòu)建這個解的螞蟻就會釋放更多的信息素，使得由這個解所表示的規(guī)劃結(jié)果能夠獲得更大的被采納機(jī)會，在步驟104中，在構(gòu)建解時使用下述公式計算信息素增量：
其中，Δτk表示第k只螞蟻在一次迭代后所釋放的信息素量，fitnessk為第k只螞蟻的混合適應(yīng)度值，gencur表示當(dāng)前迭代次數(shù)。
信息素更新規(guī)則是另外一個直接影響蟻群優(yōu)化算法全局收斂性和計算效率的關(guān)鍵因素之一，它包括信息素釋放和蒸發(fā)兩個過程。在蟻群優(yōu)化算法包括了局部信息素更新和全局信息更新兩個過程。
局部信息素更新是指所有螞蟻每進(jìn)行一步都要進(jìn)行的操作步驟，這個步驟結(jié)合了信息素蒸發(fā)和釋放兩個過程。信息素的蒸發(fā)是一種避免所有螞蟻過早快速的向較差的解或局部最優(yōu)解集中的一種探索機(jī)制。實際上，信息素濃度的減少有助于在整個探索過程中探索其他不同的解空間。對于真實螞蟻群體來說，他們的信息素在自然界中也同樣在蒸發(fā)。然而這樣的蒸發(fā)對真實螞蟻來說作用并不重要。相反的，人工螞蟻來說，信息素蒸發(fā)的作用卻非常重要，這是因為蟻群算法所要解決的問題問題比螞蟻尋找覓食路徑問題復(fù)雜得多。在蟻群優(yōu)化中，那些傾向于忘記過去的錯誤或者劣質(zhì)選擇的機(jī)制都是人工螞蟻所必須的，因為他們能使螞蟻對已經(jīng)學(xué)到的問題結(jié)構(gòu)不斷進(jìn)行改進(jìn)。此外，人工螞蟻信息素蒸發(fā)的另一個重要作用是使得信息素存在一個最大的上限，避免某些區(qū)域的信息素由于快速積累而導(dǎo)致算法過早收斂。局部信息素更新包括：在迭代過程中，螞蟻每改變一個柵格地塊的土地利用類型，都將立刻調(diào)用局部信息素更新規(guī)則更新該柵格所對應(yīng)的信息素立方體中相應(yīng)的信息素值，具體的，使用下述公式進(jìn)行更新：
其中，k表示螞蟻將柵格地塊(i，j)上的土地利用類型轉(zhuǎn)換為的土地利用類型；表示信息素立方體中柵格地塊(i，j，k)所對應(yīng)的信息素值；ξ為參考值，為局部更新時的蒸發(fā)率；N表示候選土地利用類型數(shù)。
全局信息素更新是指在一次迭代之后，從全局的角度進(jìn)行的信息素蒸發(fā)和示范操作。迭代過程結(jié)束后，根據(jù)以下方式進(jìn)行全局更新：
其中，u表示柵格地塊(i，j)上的土地利用類型，表示信息素立方體中方格(i，j，k)所對應(yīng)的信息素值；ρ為全局信息素蒸發(fā)率；U表示候選土地利用類型數(shù)；fitnessbs至今為最優(yōu)螞蟻的混合適應(yīng)度值；gencur為當(dāng)前迭代次數(shù)；T表示在每次迭代后取前T個適應(yīng)度值最大的螞蟻對信息素立方體進(jìn)行更新；fitnessi為當(dāng)前迭代次數(shù)中第i個最大的適應(yīng)度值。
城市土地利用變化主要有兩種方式：一是在城鄉(xiāng)結(jié)合部或兩種土地利用類型的鄰接部分進(jìn)行的線性變化；二是在小區(qū)域內(nèi)部進(jìn)行的塊狀變化。針對土地利用類型的塊狀變化方式，本發(fā)明設(shè)計出block-filter優(yōu)化算子。在根據(jù)解的評價結(jié)果進(jìn)行信息素更新后還包括優(yōu)化步驟，具體包括：
在研究區(qū)域內(nèi)隨機(jī)選定一個子塊，此子塊中包含多行多列個柵格地塊，根據(jù)該子塊內(nèi)每種土地利用類型面積與模型約束條件中面積的比例關(guān)系，根據(jù)下式計算類型轉(zhuǎn)移概率：
其中，TPi為block內(nèi)第i種土地利用類型的轉(zhuǎn)移概率，在不同時期，TPi的轉(zhuǎn)移概率不一樣；Areai為整個研究區(qū)域內(nèi)第i種土地利用類型的面積；為約束條件中規(guī)定的第i種土地利用類型面積的下限；N為研究區(qū)域內(nèi)土地利用類型數(shù)；
將具有最大TP值的土地類型轉(zhuǎn)換為具有最小TP值的類型。
當(dāng)TPi<0時，說明第i種土地利用類型的面積小于約束條件中的面積下限，應(yīng)該增加。因此，轉(zhuǎn)換原則為：將具有最大TP值的土地類型轉(zhuǎn)換為具有最小TP值的類型。
本發(fā)明改進(jìn)后的蟻群優(yōu)化算法的最終規(guī)劃結(jié)果不是由最后一次迭代的螞蟻產(chǎn)生的，而是直接根據(jù)信息素矩陣結(jié)合偽隨機(jī)比例得出的，因此稱之為信息素累積蟻群優(yōu)化算法(Accumulated Pheromone ACS,AP-ACS)。其中，信息素濃度越大的路徑被螞蟻選擇的概率越大，每次迭代螞蟻爬行的路徑選擇都是在上次迭代產(chǎn)生信息素濃度之后的結(jié)果上進(jìn)行的，信息素濃度在每次迭代進(jìn)行累計，不同于隨機(jī)算法，因此為偽隨機(jī)。
傳統(tǒng)土地利用優(yōu)化主要強(qiáng)調(diào)類型數(shù)量的優(yōu)化，本發(fā)明增加了空間優(yōu)化目標(biāo)和對時間序列優(yōu)化的考慮，填補(bǔ)了以往土地優(yōu)化模型的不足。本發(fā)明具有以下優(yōu)點(diǎn)：
1、建立城市土地利用時空優(yōu)化模型，從統(tǒng)籌協(xié)調(diào)、集約高效、生態(tài)文明、安全宜居、空間優(yōu)化等方面建立城市存量土地再開發(fā)規(guī)劃多目標(biāo)集，增加了空間優(yōu)化目標(biāo)和對時間序列優(yōu)化的考慮，填補(bǔ)了以往土地優(yōu)化模型的不足。
2、本發(fā)明采用MAXMIN多目標(biāo)解評價方法，能夠把所有目標(biāo)作為一個整體來考慮，能夠不帶有主管因素的平衡個目標(biāo)值，挖掘多目標(biāo)解的本質(zhì)特征。本發(fā)明的hybrid MAXMIN方法不只針對某一特定類型優(yōu)化問題而提出或修改，不局限于所有目標(biāo)全部最大化或最小化，能解決同一個優(yōu)化問題中，一部分優(yōu)化目標(biāo)要求最小化，另一部分優(yōu)化目標(biāo)要求最大化的情況。
3、從構(gòu)建解的流程、信息素定義、信息素更新規(guī)則、信息素增量定義、優(yōu)化算子等方面進(jìn)行改進(jìn)，優(yōu)化了土地利用優(yōu)化模型。信息素被定義成“三維”的，稱為信息素立方體。
4、本發(fā)明的信息素更新規(guī)則表現(xiàn)為，在蟻群優(yōu)化算法包括了全局信息更新和局部信息素更新兩個過程。
5、優(yōu)化算子方面，針對土地利用類型的塊狀變化方式，設(shè)計出block-filter優(yōu)化算子。在解構(gòu)建方面，人工螞蟻主要依靠優(yōu)化算子，最終解稱為信息素累積解，信息素最終解是根據(jù)信息素立方體得到的，與最后一次迭代的解相比，具有更大的適應(yīng)度值，整體上優(yōu)于其他解。
6、在算法初始化上，對于土地利用優(yōu)化問題來說，AP-ACS算法的初始解就是當(dāng)前土地利用情況，算法執(zhí)行前，每只螞蟻都記錄一份當(dāng)前土地利用情況的副本，而不是經(jīng)過初始化后的解，每只螞蟻的起始點(diǎn)是一樣的。在進(jìn)入算法后，直接利用優(yōu)化算子對土地利用情況進(jìn)行優(yōu)化，避免了在隨機(jī)初始化過程中對土地利用現(xiàn)狀的不合理規(guī)劃。
7、在解構(gòu)建上，AP-ACS算法建立了專門的優(yōu)化算子為人工螞蟻提供優(yōu)化功能，而不是依靠信息素的正反饋機(jī)制構(gòu)建解，所以每只螞蟻在構(gòu)建解時是不依靠信息素而是相對獨(dú)立完成的一個解的構(gòu)建。
8、在最優(yōu)規(guī)劃結(jié)果生成上，AP-ACS算法中，由于人工螞蟻在構(gòu)建解時主要依靠優(yōu)化算子，而不是信息素的累積結(jié)果，所以導(dǎo)致AP-ACS算法的最終解由兩個部分構(gòu)成，一部分是最后一次迭代后每只螞蟻所代表的解，這部分解的個數(shù)就是螞蟻的個數(shù)；而另一部分是一個直接根據(jù)信息素立方體構(gòu)建出來的，在本文中這個解被稱為信息素累積解。由信息素立方體產(chǎn)生的信息素累積解與最后一次迭代的解相比，具有更大的適應(yīng)度值，在整體上要優(yōu)于其他解。
上面描述的內(nèi)容可以單獨(dú)地或者以各種方式組合起來實施，而這些變型方式都在本發(fā)明的保護(hù)范圍之內(nèi)。
本領(lǐng)域普通技術(shù)人員可以理解上述方法中的全部或部分步驟可通過程序來指令相關(guān)硬件完成，所述程序可以存儲于計算機(jī)可讀存儲介質(zhì)中，如只讀存儲器、磁盤或光盤等。可選地，上述實施例的全部或部分步驟也可以使用一個或多個集成電路來實現(xiàn)，相應(yīng)地，上述實施例中的各模塊/單元可以采用硬件的形式實現(xiàn)，也可以采用軟件功能模塊的形式實現(xiàn)。本發(fā)明不限制于任何特定形式的硬件和軟件的結(jié)合。
需要說明的是，在本文中，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的物品或者設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種物品或者設(shè)備所固有的要素。在沒有更多限制的情況下，由語句“包括……”限定的要素，并不排除在包括所述要素的物品或者設(shè)備中還存在另外的相同要素。
以上實施例僅用以說明本發(fā)明的技術(shù)方案而非限制，僅僅參照較佳實施例對本發(fā)明進(jìn)行了詳細(xì)說明。本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解，可以對本發(fā)明的技術(shù)方案進(jìn)行修改或者等同替換，而不脫離本發(fā)明技術(shù)方案的精神和范圍，均應(yīng)涵蓋在本發(fā)明的權(quán)利要求范圍當(dāng)中。