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技术

本发明专利技术公开了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，包括：设置多个优化目标和约束限制条件；初始化算法参数，所述算法参数包括：迭代次数，蚂蚁数量，每个蚂蚁的信息素立方体；初始化预设区域内的土地利用情况即初始化预设区域内各地块的土地利用类型；进行所述迭代次数的迭代，每次迭代的过程包括：构建解，进行解评价，根据解的评价结果进行信息素更新；迭代过程结束后，根据累积的信息素立方体确定预设区域内各地块的新的土地利用类型。本发明专利技术增加了空间优化目标和对时间序列优化的考虑，填补了以往土地优化模型的不足。

A land redevelopment planning method using ant colony multi objective layout optimization model

The invention discloses a multi-objective ant colony optimization model of land development planning method, including: setting multiple optimization objectives and constraint conditions; initialization algorithm parameters, including the algorithm parameters: the number of iterations, the number of ants, each ant pheromone cube; initialization of the land use in the preset area is the default initialization plots within the area of the land use types; the iterative iterations, each iteration process includes: constructing the solution solution solution according to the evaluation, evaluation results of pheromone update; after the end of each iteration, the preset plots within the area of the new land use type is determined according to the accumulated pheromone cube. The invention increases the space optimization target and the consideration of the time series optimization, and fills the deficiency of the previous land optimization model.

【技术实现步骤摘要】
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
本专利技术涉及土地开发或规则方法
，尤其涉及使用优化模型的土地再开发规划方法。
技术介绍
土地利用布局是指不同土地利用类型在空间上的分布形态，是土地利用规划空间管制的重要依据，其合理性与科学性关系到规划能否顺利实施与规划目标实现。土地利用布局优化是指在不同用地类型的数量约束下通过调整各用地类型的空间位置，而实现土地利用综合效益最大化。同一空间单元对不同用地类型有不同适宜度大小，土地利用布局优化的根本目的是把各用地类型配置到其适宜度高的空间单元。参照土地利用结构优化的概念，将土地利用功能优化定义为：土地利用功能优化是为了达到一定的生态经济最优目标，依据土地资源的自身特性和土地适宜性评价，从土地利用的机构、功能、布局和强度等方面，对土地的居住、生产、休憩和交通等功能进行数量配置和空间布局，以提高土地利用效率和效益，维持土地生态系统的相对平衡，实现土地资源的可持续利用。城市存量土地的再开发是建立在城市初始开发的基础上，通过一定的手段对城市原有的用地类型、结构、功能和布局等进行置换升级，挖掘城市土地内在的潜力，提高土地的利用效益以及土地的经济、社会或环境效益。根据土地利用功能优化的概念以及城市存量土地再开发的特点，城市存量土地再开发单元功能优化即为：在城市已有土地开发的基础上，依据土地节约集约利用的要求和效益最大化的目标，根据城市土地资源自身的特性和土地适宜性评价，遵循国民经济和社会发展规划、城市规划、土地利用总体地规划，通过一定的科学技术和管理方法，对城市内利用效率低下，结构不合理，功能不健全的存量土地再开发单元从空间进行物质替换和功能变更，从原有土地的用地类型、结构、功能和布局等进行置换升级，挖掘土地内在潜力，提高土地的利用率以及土地的经济、社会或环境效益，实现土地资源的可持续利用。城市再开发单元功能优化的目标是通过再开发单元的经济效益、社会效益、生态效益等方面的提高，实现城市再开发单元的统筹协调、集约高效、生态文明、安全宜居和传承共享。目前，国内外很多学者对土地利用资源优化方法进行了研究，分别从理论原则、模型构建、算法优化和GIS应用等方面，结合系统动力学、景观生态学和GIS地学分析等相关学科，对土地利用资源优化配置进行了探索性研究。城市存量土地再开发规划时，会面临多目标优化问题，多目标优化包含若干个优化目标和约束限制条件，这些优化目标可以同时被最小化、最大化或二者皆有。至于约束条件就更加灵活了，可以根据具体问题具体需要来设置。一般的，多目标优化问题可以有m个变量参数，n个目标函数和k个约束条件构成，其数学定义形式如下：max或minF(x)＝[f1(x),f2(x),...,fn(x)]G(x)＝(g1(x),g2(x),...,gp(x)),p＝1,2,...,PH(x)＝(h1(x),h2(x),...,hq(x)),q＝1,2,...,Qx∈Ω其中，x＝(x1,x2,...,xm)T，x为决策向量，表示M表示变量个数；F(x)表示目标函数，N表示目标函数个数；G(x)表示约束条件，P表示约束条件个数；Ω是决策空间，是由决策向量构成的。以最小化多目标问题为例(即所有的优化目标都最小化)，说明MAXMIN方法的计算公式：其中，表示最小化问题中第i个解的适应度；为第i个解的第m个目标值；和分别表示所有解中第m个目标的最大值和最小值。p为参数，p值越大，则适应度值的区分度越高。因此适应度值也被限制在0到正无穷的范围内，适应度值为1是一个临界点。如果解s的所有目标值都比另外一个解的差，则这个解的适应度值小于1，也被成为统治解或非pareto解；否则，如果不存在一个解在所有目标值上都由于解s，则s的适应度值会大于或等于1，这样的解被成为非统治解或pareto解。然而原始版本的MAXMIN适应度计算方法不是万能、通用的方法，只适用于求解最小化多目标的问题，实际应用中所面临的多目标优化问题还有最大化多目标问题和最大化最小化共存的多目标优化问题。为解决此问题，适应度计算方法首次进行修改：其中，为最大化多目标问题的适应度，改变了原始算法中的min操作算子中分子中两个变量的顺序，即由计算时的变为计算时的也可以说改变了计算某个解与其他解之间整体距离的方法。上述算法只针对某一特定类型优化问题而提出或修改，及所有目标全部最大化或最小化。但在该算法不能解决同一个优化问题中，一部分优化目标要求最小化，另一部分优化目标要求最大化的情况。多目标优化问题解是多样性，导致这类问题不易求解，解的个数也不是唯一的，而是一个由一系列称为“非统治解”的优化解构成的集合，也被称为Pareto集。由Pareto集构成的曲线或曲面被称为Pareto前沿是确定的。优化的过程就是一个不断的让由当前Pareto解构成的Pareto前沿逼近最优Pareto前沿的过程。现有技术中，比较典型的多目标解优化评价有：(1)加权求和法加权求和法的基本原理是将多个目标线性组合从而转化为一个单目标优化问题，通过比较转化后的目标值来判断解的优劣。(2)目标排序法在目标排序法中，决策者根据已有的先验知识，按照各个优化目标的重要程度进行排序，然后根据排序结果，分别对比不同解中相应的优化目标的大小，最终得出每个优化的优劣，并可以按照优劣程度排序。(3)ε-约束法ε-约束法的原理是先对多个优化目标中最重要的一个进行优化，其他的目标作为约束条件来处理，以此类推，把每个优化目标都作为单一目标进行优化。这样就把多目标问题转化为一个单目标优化问题。(4)目标规划法目标规划法的基本思想是在一定的约束条件下完成一组包含不同优先级的可能是互相矛盾的目标，它必须根据求解问题的情况先给出每个目标所期望获得的目标值，这些值将作为附加的约束条件加入到原问题中。因此，原问题就将转化为求优化目标与事先期望的目标值之间的绝对偏差最小的问题。智能算法主要集中于三个方面：一是传统智能算法，代表性的算法如模拟退火算法和人工神经网络；二是进化算法，代表性的算法为遗传算法；三是群体智能算法，代表性的算法为蚁群优化算法和粒子群优化算法。这些算法共同的特点为“以精度换时间”。对于复杂的组合优化问题来说，可行域范围内解的个数是一个天文数字，穷举法几乎是不可能的，智能优化算法可以在有限的或可以容忍的时间范围内，在可行域内搜索出全局近似最优解也是可以接受的，基于这种策略，智能优化算法能很快发现接近全局最优解的近似最优解。蚁群优化算法是一种随机方法，其运算的过程实际是通过人工蚂蚁不断迭代来进行优化。由于一群优化算法固有的随机性特点，其在可行域内搜索最优解的过程有时会很慢，甚至出现不收敛的情况。经证明在一定条件下，蚁群优化算法可以收敛到最优解的。蚁群算法已经发展出了很多改进型的变种，但是蚁群算法的框架并没有因此变化太大。所有的蚁群优化算法仍然都是迭代算法，在信息素的作用下，通过人工不断的循环来搜索最优解。蚁群算法中的多个步骤中一般必须包含的主要有三个过程，即初始化信息素及相关参数，蚂蚁构建解，评价解质量和更新信息素。(1)初始化信息素及参数利用贪婪搜索算法或统计学原理对信息素矩阵进行初始化，相关参数则根据实验结果或一般经验值来设定。设定信息素初始值和参数的好坏本文档来自技高网...

【技术保护点】
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，其特征在于，包括：设置多个优化目标和约束限制条件；初始化算法参数，所述算法参数包括：迭代次数，蚂蚁数量，每个蚂蚁的信息素立方体；初始化预设区域内的土地利用情况即初始化预设区域内各地块的土地利用类型；进行所述迭代次数的迭代，每次迭代的过程包括：构建解，进行解评价，根据解的评价结果进行信息素更新；迭代过程结束后，根据累积的信息素立方体确定预设区域内各地块的新的土地利用类型。

【技术特征摘要】
1.一种使用蚁群多目标布局优化模型的土地再开发规划方法，其特征在于，包括：设置多个优化目标和约束限制条件；初始化算法参数，所述算法参数包括：迭代次数，蚂蚁数量，每个蚂蚁的信息素立方体；初始化预设区域内的土地利用情况即初始化预设区域内各地块的土地利用类型；进行所述迭代次数的迭代，每次迭代的过程包括：构建解，进行解评价，根据解的评价结果进行信息素更新；迭代过程结束后，根据累积的信息素立方体确定预设区域内各地块的新的土地利用类型。2.如权利要求1所述的使用蚁群多目标布局优化模型的土地再开发规划方法，其特征在于，所述信息素立方体中包括多层，所述信息素立方体包括的层次与迭代次数的值相同；每一层包括相同个数的多个栅格，每一层的栅格分布结构均相同，每一层中各栅格与地块的位置相对应。3.如权利要求1所述的使用蚁群多目标布局优化模型的土地再开发规划方法，其特征在于，所述优化目标包括以下目标中的至少一个：统筹协调目标、集约目标、生态文明目标、安全宜居目标、空间优化目标；其中，统筹协调目标包括土地利用信息熵最大化；所述集约高效目标包括：经济效益最大化；所述生态文明目标包括：生态系统服务价值最大化；所述安全宜居目标包括：土地利用兼容性最大化；所述空间优化目标包括：空间紧凑度最小化和空间连接度最大化；所述约束限制条件包括以下条件中的至少一种：基本约束条件、土地功能约束条件、空间约束条件；其中，所述基本约束条件包括：土地总面积约束、各类土地利用类型的面积限制；所述空间约束条件包括：每个栅格单元在同一时间内只能被一种土地利用类型所覆盖、每个栅格单元内的土地利用类型在优化前后或者保持不变或者只能转换成另外一种土地利用类型。4.如权利要求1所述的使用蚁群多目标布局优化模型的土地再开发规划方法，其特征在于，所述进行解评价时使用混合适应度计算方法，根据以下公式计算各个解的适应度：其中，第k个优化目标需要最小化时，i'＝i,j'＝j；第k个优化目标需要最大化时，i'＝j,j'＝i；是指为第i′个解的第k个目标值，即第i′只蚂蚁达成第k个目标释放的信息素量；和分别表示所有解中第k个目标的最大值和最小值。5.如权利要求1所述的使用蚁群多目标布局优化模型的土地再开发规划方法，其特征在于，在构建解时使用下述公式计算信息素增量：其中，...

【专利技术属性】
技术研发人员：李红旮，姜仁荣，黄晓霞，李霞，
申请(专利权)人：李红旮，姜仁荣，黄晓霞，
类型：发明
国别省市：北京,11