多目標(biāo)粒子群優(yōu)化算法在配置城市土地使用上的應(yīng)用多目標(biāo)粒子群優(yōu)化算法在配置城市土地使用上的應(yīng)用f利用必須妥善安排，使它們不會干擾彼此并盡可能滿足對方的需要；這個(gè)目標(biāo)對于城市土地利用規(guī)劃是一個(gè)挑戰(zhàn)。本研究的主要目的是同時(shí)考慮多個(gè)目標(biāo)限制，利用多目標(biāo)粒子群優(yōu)化算法來找到最佳用于城市土地安排地塊的水平。地理空間信息系統(tǒng)是在開發(fā)模型時(shí)，用來準(zhǔn)備數(shù)據(jù)和研究不同空間場景。為了優(yōu)化土地利用布局，定義四個(gè)目標(biāo)為：最大限度地兼容，最大限度地依賴關(guān)系，最大限度地提高適用性，并最大限度地提高土地利用的緊湊性。這些目標(biāo)佳的土地利用安排。用戶可以選擇最合適的解決方案根據(jù)他/她的重點(diǎn)。該方法。此外，同時(shí)它考慮不同的土地用途并試圖優(yōu)化多個(gè)目標(biāo)積資源配置的一種方法，。這類問題需要考慮多且被認(rèn)為是同時(shí)相互沖突的目標(biāo)(如生態(tài)和經(jīng)優(yōu)化(陌路)模型時(shí)，考慮了不同的組合目標(biāo)。常用的目標(biāo)包括改進(jìn)相關(guān)的鄰相容性和依賴性，土單位土地利用的適宜性數(shù)進(jìn)行了研究和討論。(2006)，Talei等。(2007年)，江平與群(2009)，哈克和麻美 (2011)，以及庫門等。(2011年)。目標(biāo)更復(fù)雜。因此，許多方法的開發(fā)，以成單一目標(biāo)。在一個(gè)單一的目標(biāo)模式搜索解空間，一些研究人員采用經(jīng)典的優(yōu)化方法如線性規(guī)劃(LP)。例如，例如，他和kanaroglou (2009)使用LP優(yōu)化土地利用，集中在土地利用與交通之間的關(guān)系。其他一些模型是基于人工智能(AI)方法。例如，Shiffa等。(2011)采用粒子群優(yōu)化算法(PSO)優(yōu)化劃撥土地使用，考慮最大土地適宜性和最小改變土地形狀的成本。在另一項(xiàng)由Semboloni(2004)的研究中，模擬退火(SA)方法被用來優(yōu)化所需要的設(shè)施，住宅和商業(yè)區(qū)域。這些方法的主要問題是，結(jié)果強(qiáng)烈地依賴于考慮到目標(biāo)或功能用于結(jié)合成一個(gè)目標(biāo)的權(quán)重。此外，非凸優(yōu)化的解決方案不能被最小化的線性組合來獲得目標(biāo)(Cao等2011)。此外，決策者ePareto解的集合概念中的Deb等適當(dāng)?shù)拿枋觥?2002)和科埃略科埃略等人。 (1999)采用多目標(biāo)累積遺傳算法(CGA)累計(jì)產(chǎn)生城市土地不同的場景用來城市規(guī)劃，城市區(qū)域?yàn)榭臻g單元。目標(biāo)函數(shù)是最大化用于開發(fā)的土地的適宜性和最大化相鄰區(qū)的兼容性。Member等(2000)使用了主動多目標(biāo)CGA優(yōu)化三個(gè)目標(biāo)函數(shù)：最小化交通，減少運(yùn)輸成本，減少土地利用現(xiàn)狀的變化。在等。(2008)集中在城市空間的有效利用，通過加密開發(fā)，相鄰?fù)恋赜猛镜募?(NSGA-II)提出了優(yōu)化土地利用三目標(biāo)函數(shù)最小化的情景：轉(zhuǎn)換成本，最大標(biāo)粒子群算法 (MOPSO)用于優(yōu)化城市土地地塊水平線的安排。相反，在上述研究中，土地利用布局的主要目標(biāo)(相容性，依賴性，適宜性，和壓實(shí)度)被認(rèn)為是在一起的。換句話說，我們的目標(biāo)是優(yōu)化城市土地利用相對于這些參數(shù)的布置。這表明許多目標(biāo)必須同時(shí)考慮，具有廣闊的搜索空間(多土地用途可能的安排)。在上述文獻(xiàn)的回顧表明，大多數(shù)對多目標(biāo)的土地利用優(yōu)化的研究是基于版本的遺傳算法(GA)。PSO和GA方法的主要區(qū)別是，假如不需要遺傳操優(yōu)點(diǎn)是其運(yùn)營的靈活性和簡單性(公司2006，Vanden伯格和公司2006)。在MOPSO的輸出是一個(gè)帕累托解的集合的優(yōu)化答案，其中，用戶可指定的參數(shù)土地整理決策。研究的多目標(biāo)優(yōu)化算法的概念fk(xi)≥fk(xj)fk(xi)>fk(xj)多目標(biāo)優(yōu)化問題的目的是同時(shí)優(yōu)化幾個(gè)目標(biāo)函數(shù)(希利爾和利伯曼1995；該和拉蒙特1999)。因此，還有是不是只有一個(gè)答案的問題，反而可以得到一組答然后xi可以是一個(gè)非支配的答案，如果滿足以下條件，(科埃略科埃略和2004fk(xi)≥fk(xj)fk(xi)>fk(xj)的，當(dāng)目標(biāo)函數(shù)是復(fù)雜的和/或搜索空間是廣泛的，基于AI的方法被經(jīng)常使用。因此，存在不能保證絕對最佳辦法可以解決。取而代之的是一個(gè)承諾，在眾多可行的解決方案中的一些能在合理時(shí)間內(nèi)被發(fā)現(xiàn)近優(yōu)解，(科埃略科埃略和2004年拉蒙特)。PSO算法是由甘乃迪和Eberhart開發(fā)的(1995)，作為一種基于人工智能的優(yōu)每個(gè)粒子的位置是一個(gè)解決問題的辦法，它可以被目標(biāo)函數(shù)評估。每個(gè)粒子結(jié)合其歷史方面的一些最好的(最適宜)的位置和一些群體其它成員的最好位置粒子移動時(shí)下一次迭代發(fā)生。漸漸地，群走向的適應(yīng)度最佳的函數(shù)(二零零六年克萊爾奇)。如果搜索空間粒子在整個(gè)空間的最佳位置(Gbest)和在先前的粒子的最佳運(yùn)動位置(Pbest)將被存儲。這些說明中，粒子的方程的在d的任何一個(gè)維度上移動是(此向量的第d部分會與D指數(shù)一起顯示)為(Parsopoulos和Vrahatis2010)：d同樣維度上的新的粒子速度和粒子的位置，此外，w為慣性重量(通常為2)，r1C加權(quán)因子，也分別稱為認(rèn)知參數(shù)和社會參數(shù)(Shi和埃伯哈特1998年，波點(diǎn)，這些參數(shù)的值越高鼓勵(lì)粒子搜索靠攏前期點(diǎn)比較密集的區(qū)域(二零零六年克萊爾奇)。eMOPSO算法可以分為兩大類(雷耶斯-Sierra和科埃略科埃略2006年)。第一這些信息是為了引導(dǎo)粒子走向帕累托最優(yōu)的解。第二類包括為每個(gè)粒子評價(jià)所有的目標(biāo)函數(shù)，并基于帕累托最優(yōu)概念的方法，產(chǎn)生非支配最佳位置(通常被稱為領(lǐng)導(dǎo)者)來指導(dǎo)的顆粒。領(lǐng)導(dǎo)者的確定是不平凡的，因?yàn)樗鼈兪窃陬w粒的附近過多的非支配解中被選擇的。這是第二類別的主要挑戰(zhàn)。許多方法已被用 (2004)提出的方法因?yàn)樗哂懈〉挠?jì)算復(fù)雜度和更快的收斂(雷耶斯-部檔案。在非優(yōu)勢的答案存檔中，一些超立方體(具有相同的維數(shù)作為目標(biāo)函數(shù))被創(chuàng)建。在圖1中，一個(gè)二維搜索空間和其分裂成超立方體被顯示。在二。然后，下面的方法時(shí)，直到重復(fù)次數(shù)玩完示在這個(gè)空間的一個(gè)超立方體(科埃略科埃略等人，2004)。nt公式：n所有的參數(shù)是相同的在方程(3)，除代表(H)從非得到價(jià)值主導(dǎo)的檔案作為M的個(gè)數(shù)，概率方程輪盤(6)應(yīng)用于選擇與H指數(shù)超立方體。事實(shí)上，其目的是選擇用較少的粒子所有的參數(shù)是和方程(3)中相同的，除rep(h)是從作為一個(gè)領(lǐng)袖的非主導(dǎo)的檔通過假設(shè)m作為一個(gè)超立方體可解的個(gè)數(shù)，概率輪盤方程(6)與指數(shù)應(yīng)用于帕個(gè)領(lǐng)導(dǎo)者(REP(h)在公式(5))，并且粒子的新位置被計(jì)算。該過程繼續(xù)f地使用的每一個(gè)可能的安排都是通過全部土地單位可被看作是搜索空間上的一個(gè)潛在的粒子(顆粒位置)。該算法查找一個(gè)粒子的位置(該結(jié)構(gòu)土地用途)最好的滿足目標(biāo)函數(shù)。第一，初始種群是選定的，每個(gè)粒子開始在搜索空間中移動。一個(gè)粒子的運(yùn)動是指在土地用途安排上的小變化。帶有顆粒的任何運(yùn)和粒子群的最佳位置(Gbest)被發(fā)現(xiàn)并存儲。顆粒在下一步驟中的運(yùn)動是由個(gè)m化土地利用相關(guān)性，最大化的土地利用適宜性，土地利用類型之間的緊湊n用類型有一個(gè)水平的兼容性。在這味著何種程度的兩個(gè)或兩個(gè)以上的土地利用類型共存，沒描述土地用途地塊水平的相容性，使用的是土地用途之間德爾菲法是一個(gè)迭代過程，旨在實(shí)現(xiàn)達(dá)成共識在一組特定的主題(阿德勒和尤其有用(Talei等。2007年)。本節(jié)的活動是基于一個(gè)兩輪德爾菲調(diào)查。第一輪包括調(diào)查表的設(shè)計(jì)，響應(yīng)的分析，以及制備兼容性草案矩陣。該問卷被送輪包福法，土地用途的兼容性級別是：高度兼容(HC)適度兼容(MC)，低/中性兼容(NC)，中度不兼容(MI)和強(qiáng)不相容(HI)。表1顯示了德爾菲因?yàn)榻o定的算法使用數(shù)值來解決這個(gè)問題，在分析層次分析法(AHP)和結(jié)構(gòu)化的成對比較法(謝里菲等人。2006)被用作從以前的過程中提到的定性評估AHP是一個(gè)廣泛應(yīng)用的多準(zhǔn)則評價(jià)方法(鮑文1993)。AHP方法詳細(xì)解釋在很多資料中提供參考，例如金等。(1989)和Saaty和巴爾加斯(2000)，(2004)，Bhushan和RAI和Hotman(2005)。兩個(gè)地塊的的兼容性(記為Compij)i和j與土地利用類型ci和cj，一個(gè)彼此s定義：其中，其中，函數(shù)定義了距離的影響，并被等式(9)計(jì)算。為簡單起見，在土地利用類型間有最大影響。在該距離(如土地利用類型間有最大影響。在該距離(如Y軸是考慮在本研究中1)和要么就降低一些可以簡單被其他一些高兼容這個(gè)問題，目標(biāo)函數(shù)可以改變?nèi)プ畲蠡钜粔K土地與所有鄰域都有足夠水平的兼容個(gè)目標(biāo)函數(shù)可以被定義的：所有的地塊的數(shù)量。方程(10)的第二部分是最大化布置的最小相容性。方程相鄰地塊的效果可能會被高兼容周邊地補(bǔ)償。類似于。其周邊的一些其他接于賴函數(shù)是基于距離被定義為：j性函數(shù))。最后，該依賴目標(biāo)函數(shù)定義為：一個(gè)位置可解釋為一個(gè)特定的使用的適宜性(Steiner2008)。適宜性可以通過一系列不同的因素來解釋，它是程序依賴(庫門和史迪威2007，lagore2008)。在這項(xiàng)研究中，使用給定的權(quán)重計(jì)算土地的用途的任一方面的一般的面積 (A)，可達(dá)性(AC)，每個(gè)地塊的邊數(shù)(ED)，斜率(S)，所有制類型 (P)，噪音污染(SP)，，空氣污染(AP)，電阻的變化(R)之間的差異和邊緣尺寸(De)。宗地土地使用類型是ci的地塊j的一般適用性可以定義：參數(shù)的單位和概念是不同的。因此，它們被用層次分析法轉(zhuǎn)為可Ciior為每個(gè)地塊定義一個(gè)鄰域;然后一個(gè)計(jì)數(shù)器被定義，并且一個(gè)單元加入到該計(jì)數(shù)器對于任何有同樣的土地使用的相鄰地塊，。目標(biāo)函數(shù)被認(rèn)為是最大可以被定義為等式(16)，其中compactnessi是計(jì)算出的地塊i的緊湊值。一定數(shù)目的人群確定的每一類型土地的需求量。每一塊土地利用類型的人均需求量可受限于以下條件：劃者確定的除了住宅以外的土地利用類型。違反機(jī)制是用來衡量預(yù)期人均需求的在每一個(gè)不同安排土地利用類型下的滿意度。違反人均需求可以發(fā)生在任何一個(gè)小于人均需求或超過要求規(guī)定的人均需求。方程(18)計(jì)算出違反人均需負(fù)面的平負(fù)面的平均數(shù)和能被計(jì)算：計(jì)算，如公式(20)：人均需求的不足被認(rèn)為更為重要比其過剩。還原系數(shù)：究區(qū)域與數(shù)據(jù)準(zhǔn)備間單元(圖5)。地塊分類是主要根據(jù)在表1中的土地利用類型。選擇這個(gè)區(qū)用于本研究中建立空間數(shù)據(jù)庫的主要數(shù)據(jù)為：最后，所需的矢量格式數(shù)據(jù)在空間地理信息系統(tǒng)環(huán)境中進(jìn)行編輯(GIS)并鏈假設(shè)我們有m個(gè)粒子在研究區(qū)域，粒子被認(rèn)為是一個(gè)由M個(gè)單元組成的結(jié)構(gòu)問題的空間是離散的，而粒子群被設(shè)計(jì)為連續(xù)工作空間與實(shí)數(shù)(通常為0和1搜索空間成為一個(gè)連續(xù)域，來應(yīng)用粒子群上的連續(xù)空間的值，然后將結(jié)果映射到離散的問題空間。這種映射可以是非常簡單的(例如，通過只使用四舍五入射了在問題空間的真實(shí)值若要將問題空間轉(zhuǎn)換到到PSO空間，，如由公式(22)描述的轉(zhuǎn)換函數(shù)被使個(gè)結(jié)果，映射函數(shù)可以定義：倍數(shù)的圖6(a)被顯示在圖6(b)中。首先，初始種群是隨機(jī)產(chǎn)生(MOPSO的正常步驟)。通過應(yīng)用程序中，我們此外，有時(shí)問題不能達(dá)到所要求的收斂性。為了解決這個(gè)問題，初始種群的某些部分被改變約地塊的土地利用現(xiàn)狀M％(在本研究中30％)。事實(shí)上，最初的人口被輸入到算法作為隨機(jī)創(chuàng)建人口和因修改當(dāng)前的土地使用安排的人口的0基于土地利用的子類。(一)最大的兼容性的最好的解決方案， (b)最大化依賴的最好的解決方案，(C)最大化的適宜性的最佳解決方案 (D)最大兼容性的最佳解決方案。并對一些土地利用的地區(qū)提出限制改變。圖7，主要參數(shù)設(shè)置如此外，圖8顯示了三維可視化下帕累托解的集合和其投影到二維目標(biāo)空間(包括空間只有兩三個(gè)目標(biāo))。應(yīng)當(dāng)指出的是，為了簡單起見，在圖8中，只有四個(gè)目標(biāo)中的3個(gè)(目標(biāo)1,2，和3)被描述。為了便于結(jié)果進(jìn)行比較，對目標(biāo)函佳答案)表示優(yōu)化安排。因此，本研究的最重要的成果之一，是產(chǎn)生了帕累托的答案，其中一個(gè)決策者根據(jù)他/她的優(yōu)先可以選擇最妥善安排。換句足所有目標(biāo)的(相當(dāng)于權(quán)