一种面向“三线”协同优化的多智能体遗传算法制造技术
A multi-agent genetic algorithm for collaborative optimization of \three lines\
The invention relates to a multi-agent genetic algorithm for \three line\ cooperative optimization, including: collecting and processing research area data sets A, B, C; using data set A to superimpose the diagnosis analysis of \three line\ space in the research area, obtain the \three line\ conflict spatial distribution map, and the \three line\ conflict space division obtained in step 2. The grid transformation is carried out, the optimization target and the corresponding weight of the multi-agent genetic algorithm are set up and the fitness function is set up. The constraints of the multi-agent genetic algorithm are set up with the data set A, B and C, and the transformation rules and the algorithm parameters of the multi-agent genetic algorithm are set up, including the population size, cross rate and variation of the chromosome population. The maximum number of iterations, the model of multi-agent genetic algorithm, and the output of optimization results are constructed. This aspect solves the problem that the \three line\ space conflict is difficult to coordinate, the space allocation efficiency is low and the intelligent behavior which is difficult to simulate the multi-agent leads to the poor rationality of the configuration results.
【技术实现步骤摘要】
一种面向“三线”协同优化的多智能体遗传算法
本专利技术属于地理信息科学
，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。
技术介绍
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。...
【技术保护点】
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...
【技术特征摘要】
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：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：
【专利技术属性】
技术研发人员：刘耀林，王好峰，袁满，唐巍，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北,42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。