本發明涉及面向土地整理項目選址多目標優化的技術領域,具體涉及一種基于蟻群算法的土地整理項目選址方法。
背景技術:
土地整理是指根據土地利用總體規劃在一定區域內采取行政、經濟、法律和技術等手段對土地資源重新建設和配置的活動,它能夠增加有效耕地面積、改良土地質量、提高土地利用效率,同時還能有效改善農業生產、生活條件和生態環境的活動。土地整理也是社會經濟發展過程中人口、土地資源矛盾不斷激化的產物。建國后,我國城市化水平從7.3%提高至50%以上,快速的工業化和城市化發展給耕地保護帶來了嚴峻的挑戰,土地整理成為保護耕地資源的主要手段。而與此同時相對落后的農村發展問題也給土地整理賦予了統籌社會和諧發展的新意義,使土地整理成為建設社會主義新農村的重要支撐。
為了落實“十二五”規劃確定的各項目標和任務,需要形成全國、省、市、縣四級土地整治規劃體系。省、市級規劃要提出規劃期的區域內土地整治的目標任務,確定土地整治的重點區域和重大項目,落實示范建設任務,制定規劃實施的政策措施。而縣級規劃則要具體的制定實施規劃的措施,如確定土地整治項目、布局和時序安排。土地整理項目的實施首先需要在空間上對其范圍予以落實,即土地整理項目選址,而這一范圍內的土地利用現狀、土地利用限制因素及有利條件、水資源條件以及土地整理潛力狀況等都將直接影響到土地整理實施的成效。土地整理項目選址的目的就是在考慮土地利用現狀、土地利用限制因素及有利條件、水資源條件、土地整理潛力、土地整理資金的基礎上選擇自然資源條件較好、基礎設施條件較優、社會經濟基礎條件較高的區域來獲得土地整理綜合效益的最大化。因此,從本質上來說,土地整理項目選址問題也可以被認為是一類要使多個目標在給定可行域上盡可能最優的決策問題,即多目標優化問題(multi-objective optimization problem)。
許多學者只是定性的探討了自然、社會經濟條件對土地整理項目選址的影響,包括地形地貌、土壤質量、氣候、交通可達等因素。也有部分研究采用層次分析法、特爾斐法等方法從定量的角度來對土地整理項目的可行性進行評價,以檢驗前期項目選址的科學性。上述研究方法在解決具體的土地整理項目選址問題時具有一定的可操作性,但卻無法顧及到土地整理項目選址的多目標特性,導致某些項目的選址具有盲目性和隨機性,項目過于零碎的空間布局、較低的土地適宜性使得土地整治的規模效益難以發揮。
技術實現要素:
針對土地整理項目選址的多目標特性,導致項目選址的盲目性大、隨機性大和規模效益發揮難的技術問題,本發明提出一種基于蟻群算法的土地整理項目選址方法,將土地整理項目選址問題抽象為一個多目標空間優化問題,并利用蟻群算法解決土地整理項目選址這一多目標優化空間問題。
為了解決上述技術問題,本發明的技術方案是:一種基于蟻群算法的土地整理項目選址方法,其步驟如下:
步驟一:對土地利用空間信息數據和自然社會經濟屬性數據進行整合,形成土地整理項目選址空間單元集合;
步驟二:以新增耕地潛力最大、土地整理適宜性最高和空間集中連片程度最大化為目標分別建立新增耕地潛力最大目標函數、土地整理適宜性最高目標函數和空間集中連片目標函數,并根據土地整理項目需要滿足的基本立項條件確定實施規模與新增耕地率為約束條件,分別構建實施規模約束條件表達式和新增耕地率約束條件表達式,構建土地整理項目選址多目標優化模型;
步驟三:基于蟻群算法構建土地整理項目選址模型,以選址空間單元集合的數據為模型輸入,將土地利用圖斑作為基本空間優化單元,以土地整理項目選址多目標優化模型為優化目標,建立求解問題與人工蟻群之間的映射關系,最終求解土地整理項目空間布局;
步驟四:利用種子擴張思想和GIS空間分析技術來對得到的土地整理項目空間布局進行調整優化,利用行政區劃界限及天然障礙界限為項目邊界,最終生成土地整理項目選址方案圖。
所述空間信息數據包括第二次土地調查數據、坡度和DEM,自然社會經濟數據包括土地整理適宜性評價結果、人口和GDP,通過坐標投影轉換、配準方法統一空間參考,整合不同來源和結構的空間信息數據與自然社會經濟數據。
所述新增耕地潛力最大目標函數為:
fEB(s)=MZ+RS+P-FS......(1),
其中,fEB(s)為新增耕地潛力,s代表土地整理項目選址方案,MZ表示土地整理凈增的耕地面積,RS為孤立農村居民點面積,P表示可整理坑塘面積,FS表示被退耕還林、還草的耕地面積,所有變量單位均為hm2;
所述土地整理適宜性最高目標函數為:
其中:fST(s)為土地整理適宜度,ui表示第i個土地利用圖斑Parceli是否被選中,如果選中則為1,否則為0;為土地利用單元i的整理適宜性指,Areai表示第i個土地利用單元的面積,I表示參與決策土地利用單元的總個數;
所述空間集中連片目標函數為:
且
其中,fAD(s)為項目區的鄰域同一性指數,用于表示項目區的集中連片程度,該值越大集中連片程度越高;C表示bi鄰域單元的下標集合;ul表示集合內的單元是否被選中,選中為1,否則為0;bi表示選中單元的一階鄰接域內被劃進項目區的單元的數量;
所述實施規模約束條件表達式為:
式中:vik表示地塊Parceli是否被劃分進片區Ck,若是則vik=1,否則為0;Areai代表地塊Parceli的面積,單位為hm2;Alow和Aupper分別代表片區Ck面積的上限和下限;
所述新增耕地率約束條件表達式為:
其中,Rk表示新增耕地率,Zk定表示項目的片區Ck的新增耕地潛力,且Zk=MZ+RS+P-FS,Xk表示項目片區Ck的總面積,片區Ck若想達到基本立項條件則必須滿足Rk≥r,r為最小新增耕地率;
所以土地整理項目選址多目標優化模型可以表示:
所述建立求解問題與人工蟻群之間的映射關系的方法如下:土地整理項目選址問題為以矢量圖斑X={x1,x2,...,xn}為決策變量的多目標空間優化問題,蟻群算法用于求解土地整理項目選址問題時,每只螞蟻均代表一個土地整理項目選址候選方案;利用土地整理適宜度fST(s)構建螞蟻啟發式函數;第m只螞蟻在時刻t留在路徑(i,j)上的信息素由土地整理項目選址綜合目標函數計算得出。
所述求解土地整理項目空間布局的步驟為:
步驟1:設置包括蟻群規模NACO、信息素啟發式因子α、期望值啟發式因子β、信息素揮發系數ρ、信息素強度Q和初始信息素τ0的算法參數,令迭代計數器t=0,最大迭代次數為T,初始化所有土地利用單元i的信息量τi(t)為一常數,且Δτij(t)=0;
步驟2:初始化螞蟻,將m個螞蟻隨機安置在m個空間單元上,每一個單元上只允許分布一只螞蟻,且相鄰的單元上不會同時存在螞蟻,初始化每一個螞蟻k的禁忌表TabuListk,并將初始化的單元保存進對應的禁忌表中;
步驟3:隨機地將初始種群劃分為與子目標數目一致的子種群,并根據每個子群優化的目標來更新每一只螞蟻已選擇的空間單元的目標函數值;
步驟4:根據空間單元上的信息素濃度和土地整理適宜性指數來計算選擇概率;
步驟5:螞蟻k利用輪盤賭技術來確定下一步要訪問的空間單元,選擇之后,螞蟻k移動至新的空間單元,并將該空間單元ID號存儲進其對應的禁忌表TabuListk中;
步驟6:判斷螞蟻k是否已經訪問完所有空間單元,若沒有則繼續執行步驟4,直到所有螞蟻都遍歷完所有的空間單元;
步驟7:根據遷移規模mr完成各子種群之間的相互遷移,并根據遷移替換率ma用一部分遷移進來的優秀個體替換該子種群中較差的個體;
步驟8:合并子種群,并挑選優秀的非支配解按照規則存入外部檔案中;
步驟9:判斷是否滿足模型終止條件,若滿足,則跳出蟻群算法優化過程并輸出外部檔案中的非劣解集合;否則,根據信息素更新公式為每一個子種群更新空間單元上的信息素,并清空所有的禁忌表和方案存儲表,t=t+1,并轉步驟3重新劃分子種群,繼續優化操作。
所述生成土地整理項目選址方案圖的步驟為:1)以項目區邊界的土地單元為種子集合;2)逐步遍歷每一個種子圖斑,按照一階鄰近關系往四周生長,獲得鄰近多邊形集合;3)遍歷鄰近多邊形集合中的地塊,如果該地塊已被選進項目區,則繼續下一地塊;4)否則根據地塊當前的土地利用類型及其他規則信息判斷該地塊是否適合整理;5)如果判斷適合整理,則利用疊加分析,判斷當前地塊與事先提取的線狀要素是否相交或鄰接,如果是,則該地塊也將被劃進項目區。
所述根據空間單元上的信息素濃度和土地整理適宜性指數來計算選擇概率的方法為:土地利用單元i被螞蟻k在時刻t訪問的概率為:
式中,α為信息啟發式因子,β為期望啟發式因子,allowedk表示螞蟻下一步允許訪問的土地利用單元集合;ηi(t)為啟發式函數,蟻群算法土地整理項目選址模型中的啟發式函數為:
式中,Suiti為土地利用單元i的整理適宜性指數,分母表示待選單元的整理適宜性指數之和。
所述子種群更新空間單元上的信息素的方法為:第m只螞蟻在時刻t留在路徑(i,j)上的信息素表示為:
其中,Q表示信息素強度,F(S)為綜合新增耕地潛力目標函數、土地整理適宜性目標函數以及空間集中連片目標函數的土地整理項目選址多目標優化函數。
本發明能夠較好的協調三個彼此沖突的優化目標,在保證土地整理的經濟效益基礎上顯著優化項目空間布局,提高社會及生態效益,并能夠將專家偏好信息通過目標函數權重系數傳遞給模型,獲得不同情境下的土地整理項目選址方案,以供決策者進行抉擇,且無論是在求解能力還是算法穩定性上都要明顯優于其他方法。本發明可以較好地模擬人類在土地整理項目選址決策過程中的智能行為,以提高土地整理項目選址的合理性、適用性及自動化程度,從而有效解決當前土地整理項目選址效率低下、人工干預較多、難以顧及土地整理項目選址問題的多目標特性等問題,實現了土地利用系統的經濟、社會、生態綜合效益協調發展。
附圖說明
為了更清楚地說明本發明實施例或現有技術中的技術方案,下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹,顯而易見地,下面描述中的附圖僅僅是本發明的一些實施例,對于本領域普通技術人員來講,在不付出創造性勞動的前提下,還可以根據這些附圖獲得其他的附圖。
圖1為本發明的模型流程圖。
圖2為本發明蟻群算法的螞蟻編碼方案圖。
圖3為本發明蟻群算法的螞蟻初始化流程圖。
圖4為本發明數據提取與處理之后的部分數據方案圖。
圖5為本發明實施例的結果模擬圖。
具體實施方式
下面將結合本發明實施例中的附圖,對本發明實施例中的技術方案進行清楚、完整地描述,顯然,所描述的實施例僅僅是本發明一部分實施例,而不是全部的實施例。基于本發明中的實施例,本領域普通技術人員在沒有付出創造性勞動前提下所獲得的所有其他實施例,都屬于本發明保護的范圍。
如圖1所示,一種基于蟻群算法的土地整理項目選址方法,將土地整理項目選址問題抽象為一個多目標空間優化問題,同時蟻群算法(ant colony optimization,ACO)基于信息素正反饋機制、分布式并行計算、貪婪式搜索來進行復雜優化問題求解,具有快速收斂、全局搜索能力強、魯棒性強等特點,在系統參數優化、特征分類、資源優化配置領域得到廣泛應用。因此采用蟻群算法解決土地整理項目選址這一多目標優化空間問題。因此,本發明構建土地整理項目選址問題的多目標優化模型,并提供一種基于蟻群算法的多目標空間優化問題求解方法,其步驟如下:
步驟一:對土地利用空間信息數據和自然社會經濟屬性數據進行整合,形成土地整理項目選址空間單元集合。
首先要收集第二次土地調查數據、坡度、數字高程模型(DEM)等空間信息數據、土地整理適宜性評價結果和人口、GDP等社會經濟數據,通過坐標投影轉換、配準方法統一空間參考,整合不同來源和結構的空間與屬性數據,最后形成土地整理項目選址空間單元集合。
步驟二:以新增耕地潛力最大、土地整理適宜性最高和空間集中連片程度最大化為目標分別建立新增耕地潛力最大目標函數、土地整理適宜性最高目標函數和空間集中連片目標函數,并根據土地整理項目需要滿足的基本立項條件確定實施規模與新增耕地率為約束條件,分別構建實施規模約束條件表達式和新增耕地率約束條件表達式,構建土地整理項目選址多目標優化模型。
新增耕地潛力最大目標函數為:
fEB(s)=MZ+RS+P-FS......(1),
其中,fEB(s)為新增耕地潛力,s代表土地整理項目選址方案,MZ表示土地整理凈增的耕地面積,RS為孤立農村居民點面積,P表示可整理坑塘面積,FS表示被退耕還林、還草的耕地面積,所有變量單位均為hm2。
土地整理適宜性最高目標函數為:
其中:fST(s)為土地整理適宜度,ui表示第i個土地利用圖斑Parceli是否被選中,如果選中則為1,否則為0。為土地利用單元i的整理適宜性指,Areai表示第i個土地利用單元的面積,I表示參與決策土地利用單元的總個數。土地整理選址的目標就是使得區域中自然屬性、社會屬性均滿足土地整理需求的土地單元盡量被劃分進土地整理項目區,也即選址方案的土地整理適宜度fST(s)趨于最大。
空間集中連片目標函數為:
且
其中,fAD(s)為項目區的鄰域同一性指數,用于表示項目區的集中連片程度,該值越大集中連片程度越高;C表示bi鄰域單元的下標集合;ul表示集合內的單元是否被選中,選中為1,否則為0;bi表示該單元的一階鄰接域內也被劃進項目區的單元的數量。
實施規模約束條件表達式為:
式中:vik表示地塊Parceli是否被劃分進片區Ck,若是則vik=1,否則為0;Areai代表地塊Parceli的面積,單位為hm2;Alow和Aupper分別代表片區Ck面積的上限和下限。
新增耕地率約束條件表達式為:
其中,Rk表示新增耕地率,Zk定表示項目的片區Ck的新增耕地潛力,且Zk=MZ+RS+P-FS,Xk表示項目片區Ck的總面積。片區Ck若想達到基本立項條件則必須滿足Rk≥r,r為最小新增耕地率。
土地整理項目選址多目標優化模型可以表示為:
步驟三:基于蟻群算法構建土地整理項目選址模型,以選址空間單元集合的數據為模型輸入,將土地利用圖斑作為基本空間優化單元,以土地整理項目選址多目標優化模型為優化目標,建立求解問題與人工蟻群之間的映射關系,最終求解土地整理項目空間布局方案。
建立求解問題與人工蟻群之間的映射關系如下:土地整理項目選址問題看作為以矢量圖斑X={x1,x2,...,xn}為決策變量的多目標空間優化問題,n為參與決策的空間單元個數,蟻群算法用于求解土地整理項目選址問題時,每只螞蟻均代表一個土地整理項目選址候選方案;利用土地整理適宜度fST(s)構建螞蟻啟發式函數;第m只螞蟻在時刻t留在路徑(i,j)上的信息素由土地整理項目選址綜合目標函數計算得出。
螞蟻一般是基于編碼串的,矢量的土地利用數據剛好為每個圖斑分配了唯一的ID號,螞蟻可以基于土地利用圖斑的內部編碼來確定自身的編碼框架。圖2中a圖和b圖分別表示被劃進項目區的圖斑及形成的項目片區,圖c表示螞蟻編碼方案。螞蟻編碼方案包括一個S×2的矩陣Solution,其中,S表示被選中的土地單元個數,第一列代表每一個圖斑的唯一編碼;第二列代表當前圖斑被劃分進的項目片區編號,該編號從1開始。矩陣Solution中只保存著被螞蟻訪問過的土地利用單元ID號及其所在項目片區號。另外,還包括一個用于記錄螞蟻訪問土地利用單元的禁忌表TabuList(存放禁止螞蟻訪問的土地利用單元ID號)以及螞蟻的適應度fitness(基于目標函數來計算螞蟻遍歷所有空間單元后所形成的選址方案的目標函數值,用于對比方案的優劣性)。在上述編碼基礎之上,繼續按照圖2所示模型流程圖求解土地整理項目空間布局方案。
求解土地整理項目空間布局方案的步驟為:
步驟1:準備模型數據,設置算法參數,令迭代計數器t=0,最大迭代次數為T,初始化所有土地利用單元i的信息量τi(t)為一常數,且Δτij(t)=0。
算法參數包括蟻群規模NACO、信息素啟發式因子α、期望值啟發式因子β、信息素揮發系數ρ、信息素強度Q和初始信息素τ0。蟻群規模NACO、信息素啟發式因子α、期望值啟發式因子β、信息素揮發系數ρ和信息素強度Q 4個參數對算法綜合性能的影響和作用是相互合作、緊密相關的。一般為ACO算法選擇參數都是依據經驗或者通過反復試驗,尤其是通過試驗的方法費時費力并不一定能獲得最優的參數組合。
步驟2:初始化螞蟻,將m個螞蟻隨機安置在m個空間單元上,初始化每一個螞蟻k的禁忌表TabuListk,并將初始化的單元保存進對應的禁忌表中。
螞蟻初始化流程圖參見圖3,將m個螞蟻隨機安置在m個空間單元上,每一個單元上只允許分布一只螞蟻,并且保證相鄰的單元上不會同時存在螞蟻,初始化每一個螞蟻k的禁忌表TabuListk,并將初始化的單元保存進對應的禁忌表,在初始化時,每一只螞蟻用于存儲方案的哈希表Solution需要清空,用于保存訪問記錄的TabuList同樣清空。
步驟3:隨機地將初始種群劃分為與子目標數目一致的子種群,并根據每個子群優化的目標來更新每一只螞蟻已選擇的空間單元的目標函數值。
本發明選用并列選擇法來處理多目標函數,具體操作是:每隔一定的迭代次數(即遷移頻率mf),就會有一定數目的粒子(即遷移規模mr)從子種群i中遷移至子種群j,遷移操作完成后,每個子群將采用一定的替換機制將一定數目(即遷移替換率ma)遷移進來的個體“消化吸收”(比如從中挑選部分優秀的個體來替換該子群中較差的個體),然后將子種群合并再重新劃分子種群,此過程循環執行直到滿足終止條件為止,在進化過程中不斷挑選出較優的非劣解,最終得到多目標問題的非劣解集。
步驟4:根據空間單元上的信息素濃度和土地整理適宜性指數來計算選擇概率。
螞蟻在土地單元選擇過程中,不僅依據每個單元上積累的信息素濃度還要根據一定的啟發式信息(在旅行商問題中該信息指每條連接邊的長度)來決定其下一步轉移的方向,本發明土地利用單元i被螞蟻k在時刻t訪問的概率為:
式中,α和β分別為信息啟發式因子和期望啟發式因子,α和β分別反映了螞蟻信息素和啟發式信息對螞蟻選擇土地利用單元的影響程度;allowedk表示螞蟻下一步允許訪問的土地利用單元集合;根據單元的土地整理適宜性指數重新設計了啟發式函數ηi(t),用于指導螞蟻選擇土地利用單元。當土地利用單元的土地整理適宜性指數越高,螞蟻就越傾向于選擇該單元。所以,ACO土地整理項目選址模型中的啟發式函數可以定義為:
式中,Suiti為土地利用單元i的整理適宜性指數,分母表示待選單元的整理適宜性指數之和。
步驟5:螞蟻k利用輪盤賭技術來確定下一步要訪問的空間單元,選擇之后,螞蟻k移動至新的空間單元,并將該空間單元ID號存儲進其對應的禁忌表TabuListk中。
輪盤賭技術需要借助一個隨機產生的游標來實現。假設存在四個單元a、b、c、d,他們的選擇概率分別為0.1,0.2,0.3,0.4,概率之和為1,那么四個單元的累積概率則分別為0.1,0.3,0.6,1。利用隨機函數產生一個0到1之間的游標數pointer,并與累積概率進行比較,假設pointer=0.8,如果前n個單元的累積概率大于0.8,那么第n個單元將會被選中。
步驟6:判斷螞蟻k是否已經訪問完所有空間單元,若沒有則繼續執行步驟4,直到所有螞蟻都遍歷完所有的空間單元。
步驟7:根據遷移規模mr完成各子種群之間的相互遷移,并根據遷移替換率ma用一部分遷移進來的優秀個體替換該子種群中較差的個體。
步驟8:合并子種群,并挑選優秀的非支配解按以下規則存入外部檔案中。(1)首先判斷檔案數量是否達到規定值,如果沒有則直接存儲進外部檔案;(2)否則,判斷新解是否支配了外部檔案中現有的非劣解,如果是則替換掉檔案中受支配的非劣解;(3)否則,則根據附加標準密度估計指標來判斷,將檔案中密度值最差的個體移除出去,新解進入。
步驟9:判斷是否滿足模型終止條件。若滿足,則跳出ACO算法優化過程并輸出外部檔案中的非劣解集合;否則,根據信息素更新公式(9)為每一個子種群更新空間單元上的信息素,并清空所有的禁忌表和方案存儲表,t=t+1,并轉步驟3重新劃分子種群,繼續優化操作。
信息素的更新機制也是蟻群算法的核心部分,在求解旅行商問題中,第m只螞蟻在時刻t留在路徑(i,j)上的信息素可以表示為:
其中,Q表示信息素強度,Lk表示第k只螞蟻在本次循環中一共訪問過的路徑總長度。
將蟻群算法用于求解土地整理項目選址時必須對上述公式進行修改,將模型中的1/Lk替換為模型中所確定的目標函數,若將本發明中定義的新增耕地潛力目標、土地整理適宜性目標以及空間集中連片目標定義為F(S),那么就可以將上式修改為:
步驟四:利用種子擴張思想和GIS空間分析技術來對得到的土地整理項目空間布局進行調整優化,利用行政區劃界限及天然障礙界限為項目邊界,最終生成土地整理項目選址方案圖。
具體步驟為:1)以項目區邊界的土地單元為種子集合;2)逐步遍歷每一個種子圖斑,按照一階鄰近關系往四周生長,獲得鄰近多邊形集合;3)遍歷鄰近多邊形集合中的地塊,如果該地塊已被選進項目區,則繼續下一地塊;4)否則根據地塊當前的土地利用類型及其他規則信息判斷該地塊是否適合整理;5)如果判斷適合整理,則利用疊加分析,判斷當前地塊與事先提取的線狀要素是否相交或鄰接,如果是,則該地塊也將被劃進項目區。
具體實例:
步驟一、從某縣的第二次土地調查數據庫、土地利用規劃數據庫、土地整治規劃數據庫、土地分等定級數據庫中提取土地整理項目選址所需的空間信息,如圖4所示。并從某縣統計年鑒、農、林、交通等部門的中長期規劃中提取相關影響因素及限制信息,通過添加特定字段實現與空間數據的整合,如表1和表2所示。
表1 土地整理適宜性評價影響因素體系
表2 土地利用單元的屬性結構表
步驟二、以新增耕地潛力最大、土地整理適宜性最高、空間集中連片程度最大化為目標分別建立土地整理項目選址的的新增耕地潛力最大目標函數、適宜性最高目標函數和空間集中連片目標函數,其中新增耕地潛力的土地整理項目選址目標函數形式表示為:
Max fEB(S)=MZ+RS+P-FS,
土地整理項目選址的適宜性目標函數則可以描述為:
土地整理項目選址的空間集中連片程度的目標函數可表示為:
為了便于函數的比較運算,同樣需要將bi標準化為0-1區間的數值,采用以下公式:
式中,Bi表示單元Parceli的所有鄰接單元個數,經過轉化之后所獲得其實是單元Parceli的鄰接率。
結合該縣確定具體的目標函數及約束條件??h域中參與土地整理項目選址決策的每一個單元的決策結果只有1和0兩種,即被劃進項目片區或不被選中,因此,土地整理項目選址的基本約束條件可用函數形式表示為:
Subject to ui∈{0,1}
上式表明,蟻群算法在構造螞蟻編碼時粒子的每一維都必須滿足該條件,即取值只能為0或1。
步驟三、基于蟻群算法構建土地整理項目選址模型,以步驟一處理過的數據為模型輸入,將土地利用圖斑作為基本空間優化單元,以步驟二構建的多目標函數模型為優化目標,建立求解問題與人工蟻群之間的映射關系。
設置算法參數,NACO=30,α=1,β=1.5,ρ=0.7,Q=100,τ0=0.1。
初始化螞蟻,并將m個螞蟻隨機安置在m個空間單元上,每一個單元上只允許分布一只螞蟻,并且保證相鄰的單元上不會同時存在螞蟻,初始化每一個螞蟻k的禁忌表TabuListk,并將初始化的單元保存進對應的禁忌表,在初始化時,每一只螞蟻用于存儲方案的哈希表Solution需要清空,用于保存訪問記錄的TabuList同樣清空。
本實施例在多目標處理技術上選擇并列選擇法來生成Pareto解集,那么還需要根據子目標個數來設置子種群個數Nf=3,遷移率mf=5,遷移規模mr=5,遷移替換率ma=5。
根據空間單元上的信息素濃度和土地整理適宜性指數來計算其選擇概率,在本發明中,土地利用單元i被螞蟻k在時刻t訪問的概率可利用公式(6)計算得到。
螞蟻k利用輪盤賭技術來確定下一步要訪問的空間單元,選擇之后,螞蟻k移動至新的空間單元,并將該空間單元ID號存儲進其對應的禁忌表TabuListk中。
判斷螞蟻k是否已經訪問完所有土地利用空間單元,若沒有則繼續執行計算選擇概率,直到所有螞蟻都遍歷完所有的空間單元;
根據遷移規模mr完成各子種群之間的相互遷移,并根據遷移替換率ma用一部分遷移進來的優秀個體替換該子種群中較差的個體。
合并子種群,并挑選優秀的非支配解按照規則存入外部檔案中,外部檔案個數Mpareto=50。
判斷種群最優個體的適應度是否連續5代沒有發生變化或者達到最大迭代次數。若滿足,則跳出蟻群算法優化過程并輸出外部檔案中的非劣解集合;否則,根據公式(9)為每一個子種群更新空間單元上的信息素,并清空所有的禁忌表和方案存儲表,t=t+1,并轉步驟6重新劃分子種群,繼續優化操作。
步驟四、利用種子擴張思想和GIS空間分析技術來對步驟三輸出的土地整理項目空間布局進行調整優化,生成土地整理項目選址方案圖,如圖5所示。
以上所述僅為本發明的較佳實施例而已,并不用以限制本發明,凡在本發明的精神和原則之內,所作的任何修改、等同替換、改進等,均應包含在本發明的保護范圍之內。