【技术实现步骤摘要】
本专利技术属于地理信息科学，涉及一种耦合空间算子的多类型蚁群算法，从斑块尺度开展生态网络功能与结构的协同优化。
技术介绍
1、人类活动正在广泛引发生境萎缩和破碎化现象生态环境连通性的降低限制了生态系统功能的有效发挥，制约了高质量发展的时代诉求。生态网络搭建了生态系统物质循环、能量流动、信息传递的桥梁，提升了生态系统的复原力和适应性。2020年，世界保护区委员会wcpa发布了全球首个生态连通性保护指南，强调了通过构建生态网络维护生态环境稳定和连通性的必要性。如何优化区域土地利用空间配置、提升生态网络连通性与服务能力，受到广泛关注。功能和结构是生态网络的核心要素，对应了微观视角的生态源地功能(如生境维持、水土保持、水源涵养等)和宏观视角的网络拓扑结构(如稳定性、连通性等)，但现有协同优化生态网络的功能和结构的研究大多基于定性分析和探索性优化，如何从定量和动态模拟的角度开展斑块级生态网络功能及结构协同优化，是指导精细化规划决策亟待解决的问题。
2、斑块级土地资源分配优化是典型的高维非线性全局优化问题，粒子群、蚁群、遗传等仿生智能算法在解决这类问题上表现出优异的性能，但鲜有研究利用仿生智能算法开展生态网络优化，主要原因是以下两个难点尚未突破：①局部功能优化与全局结构优化难以协同化。仿生智能算法的设计初衷是解决数值空间的目标寻优，经过地理空间显式映射后，通过土地利用规划、政策法规等领域知识引导算法理解土地利用演变的潜在机制。但大部分改进集中在局部寻优过程，而生态网络结构优化需要算法能够在全局层面识别关键生态节点，如高生态服务供
3、因此，亟需能够在全局设计算法的启发式寻优算子，实现自下而上的生态网络功能优化与自上而下的结构优化的协同，并结合地理空间高性能计算框架，突破土地利用优化算法在大规模寻优任务上的效率桎梏，从而解决生态网络“在哪里优化土地利用布局、变化多少”的问题，为斑块级土地利用调整和生态保护提供实用的技术方法。
技术实现思路
1、为了解决上述问题，本专利技术提供了一种面向生态网络功能与结构协同优化的多类型蚁群算法，设计了四种生态源地功能优化算子，以及基于模糊c均值(fcm)聚类算法的结构优化算子，并在多类型蚁群算法寻优过程中嵌入基于cuda架构的并行计算框架，通过优化土地利用布局，实现斑块级生态网络功能与结构协同优化。具体包括以下步骤：
2、步骤1：收集并处理研究区土地利用数据、土壤调查数据、灾害数据、地形地貌、气象数据等，计算各类用地的适宜性；
3、步骤2：基于“生态系统服务功能-生态敏感性-形态学-斑块连通性”识别研究区生态源地；
4、步骤3：基于步骤2中得到的不同等级生态源地，构建生态网络；
5、步骤4：建立多类型蚁群算法(maco)与生态网络土地利用优化问题的映射关系，并确定目标函数；
6、步骤5：设计面向生态网络优化的功能算子；
7、步骤6：基于fcm聚类算法设计生态网络结构优化算子；
8、步骤7：将两类空间算子耦合进maco算法中，并构建地理空间优化计算的高性能并行化计算框架。
9、步骤8：输出生态网络优化结果及土地利用空间布局。
10、作为优选，步骤2中生态系统服务功能使用生境质量衡量，可使用i nvest模型计算得到；生态敏感性由夜间灯光强度确定，夜间灯光强度越高，该区域生态敏感性越大；形态学模式使用guidos工具箱识别，以高生境质量、高生态敏感性区域为前景，其他土地利用类型作为背景，划分形态学类型；斑块连通性使用conefor 2.6工具计算得到，公式如下：
11、
12、
13、式中n是总生态斑块数量；ai和aj是生态斑块i和j的面积；pij是连接生态斑块i和j中最大连通可能性的路径；al是生态斑块的总面积；pc为可能连通性指数，pc'是删除特定斑块后的剩余pc值，dpc为可能连通性指数的变化量，是该斑块在景观连通性中重要性的表现。选择高dpc的斑块作为最终的生态源地，并划分不同的生态源地级别。
14、作为优选，步骤3中构建生态网络主要分为两步，首先是计算生态阻力面，从地形、地表覆盖和人类活动强度三个方面选取阻力因子，对因子加权求和后得到综合生态阻力面；第二步是提取生态廊道，生态廊道是生态源地之间生态流量交换的通道，使用linkagemapper工具识别。将生态源地作为节点，生态廊道作为边，得到最终的生态网络。定义三种生态网络结构的评价指标，计算公式例如下：
15、
16、
17、
18、式中l和v分别为生态网络的廊道数量和节点数量；α为网络闭合度，β为点线率，γ为网络连通性。
19、作为优选，步骤4中maco算法中映射关系为：蚁群类型的数量与土地利用类型的数量相同，每个栅格只能被一类蚁群占据，蚂蚁的最终位置被导出为最佳土地利用布局方案；每个栅格的搜索空间是k(土地利用类型的数量)。在迭代过程中，如果目标函数提升，则候选蚂蚁接替占领该栅格；否则，栅格将保持土地利用类型不变。蚁群k在迭代t次时对栅格(i,j)的选择概率pijk(t)可以计算如下：
20、
21、式中，ηijk(t)指种群为k的蚂蚁在像元(i,j)处的启发值；τijk(t)，种群为k的蚂蚁在像元(i,j)处的信息素浓度；常数α和β用于调整其权重；alloweds为当前可选的解空间。土地利用适宜性计算如下：
22、
23、式中ηijk是蚁群k在栅格(i,j)处的启发值；suitijk表示蚁群k在栅格(i,j)处用地适宜性；∑xsuitxk表示整个研究区内适宜性之和。
24、信息素浓度τijk(t)初始化为：
25、
26、式中，g是整个研究区域的栅格总数。信息素浓度将在每次迭代时通过增强和挥发两个过程更新，定义为：
27、τijk(t+1)＝τijk(t)(1-ρ)+δτijk(t)
28、
29、
30、式中，ρ是控制信息素挥发速率的系数；δτijk(t)是蚁群k在栅格(i,j)留下的信息素，由初始化的τijk(0)确定；r是是调整信息素增强值的系数。经过多次迭代，特定蚁群在不同栅格上的信息素会逐渐占据主导地位，从而在最后阶段输出稳定、最优的土地利用分配。
31、模型的目标共有四个，分别为最大化土地利用适宜性(fsui本文档来自技高网...
【技术保护点】
1.一种面向生态网络功能与结构协同优化的多类型蚁群算法，其特征在于，包含以下步骤：
2.根据权利要求1所述的面向生态网络功能与结构协同优化的多类型蚁群算法，其特征在于：
3.根据权利要求1所述的面向生态网络功能与结构协同优化的多类型蚁群算法，其特征在于：
4.根据权利要求1所述的面向生态网络功能与结构协同优化的多类型蚁群算法，其特征在于：
5.根据权利要求1所述的面向生态网络功能与结构协同优化的多类型蚁群算法，其特征在于：
6.根据权利要求1所述的面向生态网络功能与结构协同优化的多类型蚁群算法，其特征在于：
7.根据权利要求6所述的面向生态网络功能与结构协同优化的多类型蚁群算法，其特征在于：
8.根据权利要求1所述的面向生态网络功能与结构协同优化的多类型蚁群算法，其特征在于：
【技术特征摘要】
1.一种面向生态网络功能与结构协同优化的多类型蚁群算法，其特征在于，包含以下步骤：
2.根据权利要求1所述的面向生态网络功能与结构协同优化的多类型蚁群算法，其特征在于：
3.根据权利要求1所述的面向生态网络功能与结构协同优化的多类型蚁群算法，其特征在于：
4.根据权利要求1所述的面向生态网络功能与结构协同优化的多类型蚁群算法，其特征在于：
...【专利技术属性】
技术研发人员：张紫怡，仝照民，张立亭，危小建，
申请(专利权)人：东华理工大学，
类型：发明
国别省市：
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。