基于粒子群算法的城镇土地利用空间优化模型

第26卷第9期农业工程学报V ol.26No.9
2010年9月Transactions of the CSAE Sep.2010321基于粒子群算法的城镇土地利用空间优化模型
马世发1，何建华1,2※，俞艳3
（1．武汉大学资源与环境科学学院，武汉430079；2．武汉大学教育部地理信息系统重点实验室，武汉430079；
3．武汉理工大学资源与环境工程学院，武汉430070）
摘要：土地利用结构优化是土地资源优化配置的核心，包括数量结构优化和空间结构优化。

针对传统的优化模型如线性规划、多目标、灰色系统和景观生态等不能实现土地数量结构和空间结构的有效统一，在研究现有智能优化模型如元胞自动机、遗传算法的基础上，采用近年来新兴的粒子群优化算法，利用其空间飞行搜索特性和较强的全局优化能力，构建了基于粒子群算法的土地利用空间优化模型。

研究表明，该模型能利用粒子的群体空间分布模拟土地利用空间格局，并能在多目标控制下进行全局优化处理，实现土地利用数量结构和空间结构的有效统一。

关键词：土地利用，智能体，GIS，粒子群优化，空间优化
doi：10.3969/j.issn.1002-6819.2010.09.053
中图分类号：S156.4+1文献标志码：A文章编号：1002-6819(2010)-09-0321-06
马世发，何建华，俞艳.基于粒子群算法的城镇土地利用空间优化模型[J].农业工程学报，2010，26(9)：321－326. Ma Shifa,He Jianhua,Yu Yan.Model of urban land-use spatial optimization based on particle swarm optimization algorithm[J]. Transactions of the CSAE,2010,26(9):321－326.(in Chinese with English abstract)
0引言
土地利用结构优化是土地资源优化配置的核心，长期以来受到了相关学者的广泛关注，形成了线性规划、多目标优化和多准则优化决策、系统动力学、景观生态学、逻辑回归、遗传算法、元胞自动机等模型[1-4]。

然而，传统的土地资源优化配置模型大多偏向于对土地数量结构进行优化，不能做到数量结构和空间结构的有效统一。

如何有效地把土地利用目标匹配到具体的用地单元是目前的一个重要研究内容。

计算机技术和地理信息技术的发展为土地资源利用决策过程中进行空间分析提供了重要的技术支持，而土地利用优化往往是一个多目标优化问题，传统的数学方法已经不能满足大量的高性能优化计算，空间信息学的智能化发展为空间决策支持提供了重要支撑[5]，因而将智能优化算法和GIS功能相结合，构建智能的土地利用优化配置模型以实现土地资源数量和空间上的合理配置，成为了相关人员的研究热点，推动了土地资源结构优化研究的发展。

如黄波等人用逻辑回归模型[6]；刘艳芳、董品杰等人用遗传算法优化土地空间结构[7-8]；邱炳文等人的多目标元胞自动机混合模型[9]；徐昔宝用元胞自动机研究城市空间扩展等等[10-12]。

遗传算
收稿日期：2009-07-24修订日期：2010-08-20
基金项目：国家自然科学基金项目（40701143，40701145）；测绘遥感信息工程国家重点实验室自主研究项目基金.
作者简介：马世发（1985－），男，湖北宜昌人，主要从事智能优化决策、空间数据挖掘及GIS技术应用等。

武汉武汉大学资源与环境科学学院，430079。

Email:whuma@.
※通信作者：何建华（1974－），男，湖北武汉人，副教授，主要从事地理信息科学研究等。

武汉武汉大学教育部地理信息系统重点实验室，430079。

Email:hjianh@.法虽然具有较强的全局优化能力，但是涉及到复杂的图斑编码，程序实现较为困难，且空间搜索关联性不强；多目标控制下的元胞自动机模型是在多目标优化结果的基础上用元胞自动机进行时序模拟，但是元胞自动机受邻域束缚，不能实现跨空间搜索。

粒子群优化算法（particle swarm optimization，PSO）是一种进化算法，源于对鸟群捕食行为的研究，能对多维非连续决策空间进行并行处理分析，目前已有学者把粒子群引入空间优化领域，如Sylverin Kemmoé等人的粒子群优化模型[13]；杜国明等人用粒子群优化算法进行的空间优化决策选址研究[14]，验证了PSO进行空间优化决策的可行性。

在研究现有土地空间优化模型的基础上，结合粒子群算法的空间搜索特性，利用粒子群的群体空间分布模拟土地利用空间格局，构建了基于粒子群算法的土地利用空间优化模型。

根据中国土地利用总体规划土地分类的相关法规，将模型优化地类单元按照GB/T21010－2007土地利用现状分类标准优化到二级地类图斑，本文据此使用粒子群算法构建了土地利用空间优化模型，并以县域中心城区城镇土地扩张为研究区进行实例研究，验证了PSO 在统一土地利用数量结构和空间结构的有效性。

1PSO土地空间优化模型
1.1模型总体设计思路
粒子群算法原理要求在解空间随机布点（粒子），粒子通过历史最优值p b和全局最优值p g在权重的控制下不断更新自己的位置和速度来搜寻最优解。

在应用PSO进行土地空间优化时，核心思想是利用粒子的空间分布模拟土地利用空间格局，即每个土地利用图斑用其代表点如重心抽象为1个粒子，每个粒子有自己的地类（k）和位置（x，y），同一个地类（如建设用地）的粒子构成粒
322农业工程学报2010年
子群子系统，所有的粒子构成粒子群系统，粒子在图斑内和图斑间信息共享，在土地利用区内不断飞行搜寻最优值。

若目标区域有N 个土地利用图斑，则初始化为n （n=N ）个微粒k 个种类，微粒在飞行过程中不断根据由适应度函数决定的当前最优值p 'b 和全局最优值p 'g 进行
调整，当前最优值p 'b 是该类粒子在历史搜索路径上所经历的适应值的最优者，全局最优值p 'b 是该类粒子历史最优值的最优者。

土地利用区内所有粒子协同工作，满足迭代要求后，粒子所对应的位置向量即为优化结果，PSO 土地空间优化模型如图1
所示。

图1粒子群土地利用空间优化模型图
Fig.1
Model of land-use spatial optimization based on particle swarm optimization (PSO)
1.2
模型实现关键技术
PSO 土地空间优化模型就是把各种土地利用图斑抽象为一个个粒子，通过迭代寻找粒子在解空间中的最优布局。

粒子根据两个值更新自己的速度和位置，这两个值是粒子位置更新的信息中心，一是历史最优值——粒子对自身信息的继承，二是全局最优值——粒子间信息的共享，粒子通过这两个值约束自身的飞行行为。

模型实现的关键技术包括速度调整函数和位置调整函数。

其中：速度调整函数为
1212
(1)()()()(()())()(()())(1)()()()(()())()(()())
xp xp bx p gx p yp yp by p gy p t t t c rand p t x t c rand p t x t t t t c rand p t y t c rand p t y t υωυυωυ+=+⋅⋅-+⎧⎪
⋅⋅-⎪⎨
+=+⋅⋅-+⎪⎪⋅⋅-⎩（1）位置调整函数为
12
(1)()(1)(1)()(1)p p xp p p yp x t x t t y t y t t υσυσ+=+++⎧⎪⎨+=+++⎪⎩（2）
式中：p ——粒子数，p=1,2,…,n ，其中n ——粒子总数；
t ——迭代次数，t =1,2,…,I max ，其中I max ——最大迭代
次数；ω(t )——第t 次运行的权重；υxp (t )、υyp (t )——粒子
p 在t 次迭代时x ，y 方向的速度；rand ()——[0,1)间的随机系数；c 1、c 2——不同加速权重；p bx (t )、p by (t )——第t 次迭代的x 和y 轴方向的适宜值的历史最优值；p gx (t )、p gy (t )——x 和y 轴方向的适宜值的全局最优值；σ1、σ2——位置修正数。

1.2.1惯性权重
惯性权重表示微粒速度惯性的一个重要参数，它的作用是维护全局和局部搜索能力的平衡，目前主要流行的是惯性权重线性减小公式，其表达式如式（3）所示。

max max min max ()()/t t I ωωωω=-⋅-(3)式中：ωmax ——最大权重；ωmin ——最小权重。

随着迭代
的进行，权重将越来越小。

迭代开始时，较大的惯性权重可以加强PSO 算法的全局搜索能力，即粒子可以探索较大的区域，较快地定位最优解的大致位置；迭代的后期，较小的惯性权重可以加强PSO 算法的局部搜索能力，即粒子速度减缓，有利于精细的局部搜索。

1.2.2适应度函数
土地利用空间优化就是要在空间上调整各类用地布
第9期马世发等：基于粒子群算法的城镇土地利用空间优化模型323
局，对初始化的各类粒子的位置适宜性评价即适应度函数，粒子追随由适应度函数评价的最优粒子不断更新自己的位置和速度，在土地空间中搜寻最优解。

适应度函数是粒子位置更新的重要参数，适应度函数不仅要体现空间优化影响因素，而且还要考虑粒子间的信息交流，否则粒子就陷入了决策信息单一化问题。

土地利用空间优化是一个多目标问题[15-18]，每个粒子的适应度可以根据如下的多目标规划模型来描述
minimize 1
N
k ik ik
i C c x = =∑（4）minimize
|1
min()
ik k ik ik i x S s x ==（5）
minimize |1,|0,1
ij
ik jk i N k ijh ik
i x j x j T h Z l
x ==∈= =
∑∑（6）(,,)
k k k F C M Z =（7）subject
to
A κ1≤N
i ik i a x =1
∑≤2k A ,{0,1}
ik x ∈（8）
式中：N ——土地单元总数；c ik ——第i 个土地单元的土地用途转变为第k 种土地利用类型所需要的费用；s ik ——第i 个土地单元作为土地用途k 的适宜性评价指数；T i ——第i 个土地单元的邻接单元所构成的集合；n ij ——土地单元i 与土地单元j 的公共边数；l ijh ——土地单元i 与土地单元j 的第h 条公共边的边长；a i ——土地单元i 的土地面积；A 1k 、A 2k ——第k 种土地利用类型所需求的最小和最大面积；若第i 个土地单元为第k 种土地利用类型时x ik =1，否则x ik =0；C k ——土地变更费用目标；S k ——第k 种土地用途的土地生态经济适宜性目标；Z k ——土地单元紧凑性即形状目标；F ——多目标综合评价。

1.2.3位置更新机制
如前所述，微粒位置更新代表某类用地在土地利用空间里飞行，搜寻自己的最适宜位置，因此控制微粒在每个图斑代表点如重心上飞行，才能保证微粒每次飞行搜索一个图斑。

如果用典型的惯性权重进行粒子更新，由式（1）可知，粒子更新的速度量是一个随机值，按照牛顿力学更新粒子的位置并不能保证粒子在下一次迭代时刚好落在下一个图斑重心点上，因此笔者在处理这个问题时采用了最邻近法则，即粒子先由随机方式进行位置更新，而后对随机更新的位置进行修正，修正时选择离随机更新点最近的重心点。

最邻近法则只解决了一个微粒的位置更新问题，倘若有两个或更多微粒按照最邻近法则最终落点都落在同一个图斑重心点上。

为解决落在同一图斑重心点的多个粒子选择问题，在应用最邻近法则时还要考虑微粒间的博弈。

试验中采用统一评价标准下接受适应度函数值最大者。

其次，每个微粒代表一类土地用途的一个地块，每个微粒每次飞过的图斑面积也是不一样的，代表同一用地类型的所有微粒在每次迭代过程中的图斑总面积是不一样的，因而需要在适应度评价中控制这个总面积的范围，即每种用地类型的最大最小范围限定。

2PSO 土地利用空间优化过程
土地利用空间优化就是要在数据支撑的基础上采用智能计算结合GIS 技术寻找最优的土地用途转变与组合，PSO 土地空间优化模型主要流程如下：
1）获取GIS 数据
PSO 土地空间优化的实质是在GIS 平台支持下对土地图斑进行运算操作，因而模型需要考虑许多影响土地空间优化的因素，如土地适宜性评价结果、图斑面积周长、图斑重心点坐标、各类用地面积约束条件等等。

对于影响土地空间优化的因素均需采集进行入库管理，以供模型空间分析需要。

2）设定PSO 参数
这些参数包括：微粒数目n ，种类k ，微粒在x 方向和y 方向上的最大飞行速度υx max 和υy max ，加速权重c 1、c 2，程序运行时最大迭代次数I max 。

3）初始化每个微粒的位置、速度和属性
在土地利用空间优化中，初始化是一项非常重要的工作。

PSO 土地空间优化模型中，每个微粒均是带着信息在空间飞行。

初始化时每个微粒的位置均是随机分布的，初始化n 个粒子，它们在空间里进行飞行搜索，得到满足终止条件的粒子位置即找到最优解。

在本次研究中，由于选取的基本优化单元是土地利用图斑，然而由于图斑的形状不确定性给初始化以及粒子的位置更新带来了很多不便之处。

每个微粒落在一类用地中，其在土地利用空间内飞行，搜寻合适的图斑，为了保证所有的微粒单一的代表某个图斑，需要确保每个微粒在每次位置更新后刚好落在下一个图斑的代表点如重心上，但是粒子群算法的粒子信息共享机制使得模型不能用完全的离散态来进行处理。

在试验中，为了保证微粒的位置落在每个图斑的重心点上，粒子位置初始化采用先求得各图斑重心位置信息并入库，而后用数据库随机进行初始化。

对于初始化种类k 则是粒子个数与平均图斑面积的统计关系，由于图斑面积的不一致，粒子每次更新的面积都是动态的。

微粒在土地利用空间中飞行搜索，其飞行速度和范围受土地利用平面空间的约束，微粒的初始化飞行速度则可以直接表示为
max
max xp x yp
y rand rand υυυυ=⋅⎧⎪⎨
=⋅⎪⎩（9）式中：υxp ，υyp ——微粒在x 和y 轴方向上的速度；υx max 、υy max ——微粒在x 和y 方向的最大控制速度。

4）计算惯性权重
根据式（3）计算出惯性权重ω(t )，ωmax 为最大惯性权重，通常取0.9，ωmin 为最小惯性权重，通常取0.4。

5）计算每个微粒的适应值
根据式（4）～（8）的目标函数计算出每个微粒的适应值F p ，其中，p=1,2,…,n 。

6）选取当前最优值p 'b 和全局最优值p 'g
对于土地利用最优空间分布，当前最优值p 'b 就是第t 次迭代过程中微粒自身的历史最大适应值，即max F (t )。

324农业工程学报2010年
全局最优值p 'g 就是所有该种类微粒当前最优值p 'b 中的最大值，即：max p 'b ，其中t=1,2,…,I max 。

7）更新每个微粒的飞行速度和当前位置
根据当前最优值p 'b 和全局最优值p 'g ，利用式（1）和式（2）在最邻近法则控制下更新每个微粒的飞行速度和当前位置。

为了防止微粒飞行速度的无限增大，呈现爆炸无序状态，需增加一组约束条件
max max p if υυυυ = > （10）微粒最大飞行速度υmax 限制了微粒的飞行速度υp ，
υmax 决定了微粒在空间内搜索的精度，当取值太大，则微粒容易越过最优解；当υmax 取值太小，则微粒飞行速度慢，容易陷入局部搜索空间而无法得到全局最优解。

8）判断终止条件
当迭代次数超过最大值I max （为经验值，如I max =150），循环终止。

该条件是为了防止程序循环往复，而强制性终止循环，当然还可以设置其他终止条件。

最后得到的终止条件所对应的微粒向量位置即为目标土地类的最优组合。

9）解析成图并进行结果分析
粒子群在满足终止条件后，对粒子的空间分布进行解析，并进行成图分析。

该模型从图斑层面上在多目标控制下把土地优化的数量结构进行了空间布局，符合土地空间优化的应用需要。

3实例分析
在上述框架下，以县域城镇土地扩张作为优化对象，以中国土地规划法规确定的二级地类为基础，在相关规
划约束指标基础上对模型的效果进行了验证。

图2试验区土地利用现状图
Fig.2Present map of land-use in study area
首先，对土地利用相关的基础评价数据进行入库管理，其土地利用现状图如图2所示。

研究区域共有土地利用现状图斑781个，试验运行平台采用VB6.0和MO2.4软件进行二次开发，其他参数按照前文介绍进行设定。

为了使模型运行效率较高，只选择最大迭代次数作为迭
代终止条件，其值设定为150，微粒最大飞行速度为区域空间的1/10高度，位置更新采用最邻近法则控制下的最适宜博弈，即适应度最大者居之。

粒子适应度函数用式（4）～（8）进行评价。

模型运行最优解如图3所示，从试验结果来看，粒子分布能代表一种用地格局状态，如未利用地在费用可行的情况下得到了开发，建设用地布局基本符合连片集中的原则。

但是由于图斑的形状不规则，使得有的狭长的地块都划为了城镇用地，这在空间布局上稍不合理；其次模型参数的调整对粒子局部中心和全局中心具有重要影响，进而影响群体的空间分布；
再者就是每次运行结果面积的波动范围也较大等等。

图3试验区空间优化结果图
Fig.3
Optimization map of land-use in study area
与其他模型相比，其显著优点是能在适应度函数的控制下直接在土地利用空间内进行搜索优化，并且突破了邻域控制的限制。

虽然该模型具有很好的空间搜索特性，但是把粒子群连续空间移植到土地矢量图斑重心点的离散空间，其信息共享机制、土地不规则图斑与粒子的信息耦合以及粒子间信息共享的博弈处理机制尚不完善，需要进一步研究。

4结论与讨论
土地利用结构优化配置是土地利用规划的重要内容，也是土地利用规划编制的一个难点。

由于土地利用具有多目标性、外部性、决策分散性和空间性，运用传统的规划方法难以解决好这个问题。

本文在土地利用图斑层面上利用粒子群算法的空间搜索及其全局优化特性，提出了基于粒子群算法的土地利用空间结构优化配置方法。

研究表明，该方法具有如下优点：1）智能性强。

模型只需要考虑粒子的行为准则，粒子具有智能行为，能进行离散跳跃式的空间搜寻。

2）空间耦合性强。

通过粒子在土地利用空间中进行飞行搜索目标区域，并对目标进行评价，这种优化模式通过直接在土地利用空间内搜寻实现了数量结构和空间结构的有效耦合。

同时该模型也存在很多不足之处，需要后期加以改
第9期马世发等：基于粒子群算法的城镇土地利用空间优化模型325
进：1）数据结构和空间尺度问题。

土地优化对象采用矢量结构或栅格结构对模型的实现具有重要的影响，用粒子的空间分布模拟土地利用格局关键在于如何有效地耦合粒子与图斑的对应关联关系，即粒子在不断飞行中要能有效地获取目标图斑，而不能因为位置更新等问题阻碍粒子信息的获取与共享，进而影响空间结构布局的合理性。

2）算法效率。

粒子随着约束条件的增加行为准则越复杂，同时粒子要不断地进行空间优化运算，其计算量随图斑个数呈几何级数式增加，因而计算量是模型扩展的一个瓶颈。

针对上述问题，可以在数据结构、模型参数修正、粒子位置更新法则、协同网格计算等方面进行改进。

总之，粒子群算法在空间优化方面具有其特殊的优势，但是优势与问题并重。

本文虽然对模型的研究取得了初步成果，但是作为空间优化智能决策支持系统，该文只是引入了一种新的方法和思路，以期在空间优化智能决策上有所突破。

[参考文献]
[1]吕春艳，王静，何挺，等．土地资源优化配置模型研究现
状及发展趋势[J]．水土保持通报，2006，26(2)：21－26．LüChunyan,Wang Jing,He Ting,et prehensive description on land resource allocation models[J].Bulletin of Soil and Water Conservation,2006,26(2):21－26.(in Chinese with English abstract)
[2]刘荣霞，薛安，韩鹏，等．土地利用结构优化方法评述[J]．北
京大学学报：自然科学版，2005，41(4)：655－661．
Liu Rongxia,Xue An,Han Peng,et al.Optimization of land
use structure:Commentary of methods[J].Acta Scientiarum Naturalium:Universitatis Pekinensis,2005,41(4):655－661.
(in Chinese with English abstract)
[3]李超，张凤荣，宋乃平，等．土地利用结构优化的若干问
题研究[J]．地理与地理信息科学，2003，19(2)：52－55．Li Chao,Zhang Fengrong,Song Naiping,et al.Discussion on theory and method of optimal regional allocation of land use structure[J].Geography and Geo-Information Science,2003, 19(2):52－55.(in Chinese with English abstract)
[4]罗鼎，许月卿，邵晓梅，等．土地利用空间优化配置研究
进展与展望[J]．地理科学进展，2009，28(5)：791－797．Luo Ding,Xu Y ueqing,Shao Xiaomei,et al.Advances and prospects of spatial optimal allocation of land use[J].
Progress in Geography,2009,28(5):791－797.(in Chinese with English abstract)
[5]黄波，吴波，刘彪，等．空间智能：地理信息科学的新进
展[J]．遥感学报，2008，12(5)：766－771．
Huang Bo,Wu Bo,Liu Biao,et al.Spatial intelligence: advancement of geographic information science[J].Journal of Remote Sensing,2008,12(5):766－771.(in Chinese with English abstract)
[6]刘艳芳，李兴林，龚红波．基于遗传算法的土地利用结构
优化研究[J]．武汉大学学报：信息科学版，2005，30(4)：288－292．
Liu Yanfang,Li Xinglin,Gong Hongbo.Optimization for
land use structure based on genetic algorithms[J].Geomatics
and Information Science of Wuhan University,2005,30(4):
288－292.(in Chinese with English abstract)
[7]董品杰，赖红松．基于多目标遗传算法的土地利用空间结
构优化配置[J]．地理与地理信息科学，2003，19(6)：
52－55．
Dong Pingjie,Lai Hongsong.A method of optimization for
land use spatial structure based on multi-objective genetic
algorithm[J].Geography and Geo-Information Science,2003,
19(6):52－55.(in Chinese with English abstract)
[8]邱炳文，陈崇成．基于多目标决策和CA模型的土地利用
变化预测模型及其应用[J]．地理学报，2008，63(2)：
165－174．
Qiu Bingwen,Chen nd use change
simulation model based on MCDM and CA and its
application[J].Acta Geographica Sinica,2008,63(2):165－
174.(in Chinese with English abstract)
[9]Huang Bo,Zhang Li,Wu Bo.Spatiotemporal analysis of
rural-urban land conversion[J].International Journal of
Geographical Information Science,2009,23(3):379－398. [10]徐昔保．基于GIS与元宝自动机的城市土地利用动态演化
模拟与优化研究：以兰州市为例[D]．兰州：兰州大学，
2007．
Xu Xibao.Urban land use dynamic evolution simulation and
optimization based on gis and cellular automata:A case study
of Lanzhou[D].Lanzhou:Lanzhou University,2007.(in
Chinese with English abstract)
[11]Yang Fu,Zeng Guangming,Du Chunyan,et al.Spatial
analyzing system for urban land-use management based on
GIS and multi-criteria assessment modeling[J].Progress in
Natural Science,2008,18(10):1279－1284.
[12]Arend Ligtenberg,Arnold K.Bregt,Ron van Lammeren.
Multi-actor-based land use modeling:Spatial planning using
agents[J].Landscape and Urban planning,2001,56(1):21－
23.
[13]Sylverin Kemmoé,Tchomté,MichelGourgand.Particle
swarm optimization:A study of particle displacement for
solving continuous and combinatorial optimization problems
[J].International Journal of Production Economics,2009,
121(1):57－67.
[14]杜国明，陈晓翔，黎夏．基于微粒群优化算法的空间优化
决策[J]．地理学报，2006，61(12)：1291－1297．
Du Guoming,Chen Xiaoxiang,Li Xia.Spatial optimal search
based on particle swarm optimization[J].Acta Geographica
Sinica,2006,61(12):1291－1297.(in Chinese with English
abstract)
[15]刘小平，黎夏，叶嘉安．基于多智能体系统的空间决策行
为及土地利用格局演变的模拟[J]．中国科学D辑：地球科
学，2006，36(11)：1027－1036．
[16]俞艳，何建华，袁艳斌．土地生态经济适宜性评价模型
[J]．武汉大学学报：信息科学版，2008，33(3)：273－276．Yu yan,He Jianhua,Yuan Yanbin.Model of land
eco-economical suitability evaluation[J].Geomatics and
Information Science of Wuhan University,2008,33(3):
273－276.(in Chinese with English abstract)
326农业工程学报2010年
[17]金欣磊．基于PSO的多目标优化算法研究及其应用[D]．杭
州：浙江大学，2006．
Jin Xinlei.PSO-based Multi-objective Optimization Algorithm Research and Its Applications[D].Hangzhou: Zhejiang University,2006.(in Chinese with English abstract)[18]郑向伟．求解优化问题的粒子群算法及其应用研究[D]．济
南：山东师范大学，2008．
Zheng Xiangwei.Researches on Particle Swarm Optimizers and Their Applications[D].Ji’nan:Shandong Normal University,2008.(in Chinese with English abstract)
Model of urban land-use spatial optimization based on particle swarm
optimization algorithm
Ma Shifa1,He Jianhua1,2※,Yu Yan3
(1.School of Resource and Environmental Science,Wuhan University,Wuhan430079,China;
2.Key laboratory of Geographic Information System,Ministry of Education,Wuhan University,Wuhan430079,China;
3.School of Resource and Environmental Engineer,Wuhan University of Technology,Wuhan430070,China)
Abstract:The optimization of land-use structure is the core issue of land use planning,including the optimization of quantity and spatial allocation.The existed optimization models such as multi-objective,linear programming,gray system and landscape ecology,etc.,are unable to realize quantitative and spatial optimization simultaneously.This paper created a land use spatial optimization model based on the particle swarm optimization algorithm,which had efficient spatial evolution simulate capabilities and robust algorithm.Case study illustrates that this model could be used to stimulate the landscape pattern and its evolution by designing appropriate spatial distribution pattern of particles group, which could integrate the quantity structure optimization into land use spatial evolution simulation.
Key words:land use,agents,geographic information system(GIS),particle swarm optimization,spatial optimization。