多目标粒子群优化算法在配置城市土地使用上的应用.docx

多目标粒子群优化算法在配置城市土地使用上的应用.docx

《多目标粒子群优化算法在配置城市土地使用上的应用.docx》由会员分享，可在线阅读，更多相关《多目标粒子群优化算法在配置城市土地使用上的应用.docx（36页珍藏版）》请在冰豆网上搜索。

多目标粒子群优化算法在配置城市土地使用上的应用

Revisedasof23November2020

多目标粒子群优化算法在配置城市土地使用上的应用

多目标粒子群优化算法在配置城市土地使用上的应用

Consideringtheever-increasingurbanpopulation,itappearsthatlandmanagementisofmajorimportance.Landusesmustbeproperlyarrangedsothattheydonotinterferewithoneanotherandcanmeeteachother’sneedsasmuchaspossible;thisgoalisachallengeofurbanland-useplanning.ThemainobjectiveofthisresearchistouseMulti-ObjectiveParticleSwarmOptimizationalgorithmtofindtheoptimumarrangementofurbanlandusesinparcellevel,consideringmultipleobjectivesandconstraintssimultaneously.GeospatialInformationSystemisusedtopreparethedataandtostudydifferentspatialscenarioswhendevelopingthemodel.Tooptimizetheland-usearrangement,fourobjectivesaredefined:

maximizingcompatibility,maximizingdependency,maximizingsuitability,andmaximizingcompactnessoflanduses.Theseobjectivesarecharacterizedbasedontherequirementsofplanners.Asaresultofoptimization,theuserisprovidedwithasetofoptimumland-usearrangements,thePareto-frontsolutions.Theusercanselectthemostappropriatesolutionsaccordingtohis/herpriorities.Themethodwastestedusingthedataofregion7,district1ofTehran.Theresultsshowedanacceptablelevelofrepeatabilityandstabilityfortheoptimizationalgorithm.Themodelusesparcelinsteadofurbanblocks,asthespatialunit.

Moreover,itconsidersavarietyoflandusesandtriestooptimizeseveralobjectivesSimultaneously.

1摘要：

考虑到不断增加的城市人口，土地管理看起来就具有重大意义。

土地利用必须妥善安排，使它们不会干扰彼此并尽可能满足对方的需要；这个目标对于城市土地利用规划是一个挑战。

本研究的主要目的是同时考虑多个目标

限制，利用多目标粒子群优化算法来找到最佳用于城市土地安排地块的水平。

地理空间信息系统是在开发模型时，用来准备数据和研究不同空间场景。

为了优化土地利用布局，定义四个目标为：

最大限度地兼容，最大限度地依赖关系，最大限度地提高适用性，并最大限度地提高土地利用的紧凑性。

这些目标的特点是根据规划的要求，帕累托以前的解决方案其结果是向用户提供一组最佳的土地利用安排。

用户可以选择最合适的解决方案根据他/她的重点。

该方法使用区域7德黑兰1的数据进行了测试。

结果表明了是一个重复性和稳定性可接受的优化算法。

该模型使用地块而不是城市街区地块作为空间单元。

此外，同时它考虑不同的土地用途并试图优化多个目标

关键词：

安排;城市，土地利用，地理信息系统;优化;MOPSO

Land-useoptimizationisamethodofresourceallocation,inwhichdifferentactivitiesorlandusesareallocatedtospecificunitsoflandarea.Thesekindsofproblemsneedmultipleandoftenconflictingobjectives（suchasecologicalandeconomicobjectives）tobeconsideredsimultaneously（Chandramoulietal.2009,Xiaolietal.2009,Caoetal.2011,Shifaetal.2011）.Therefore,land-useallocationcanbeconsideredasanoptimizationproblem.Inmulti-objectiveoptimizationoflanduse（MOLU）model,combinationsofdifferentobjectivesareconsidered.Thecommonlyusedobjectivesincludetheimprovementsrelatedtocompatibilityanddependencyamongneighbouringlanduses,thesuitabilityoflandunitsforlanduses,land-usecompactness,andthepercapitademandforlanduse.TheseparametershavebeenstudiedanddiscussedbyBerkeetal.（2006）,Taleietal.（2007）,Jiang-PingandQun（2009）,HaqueandAsami（2011）,andKoomenetal.（2011）.

土地利用优化是不同的土地使用行为分配其特定的单位土地面积资源配置的一种方法，。

这类问题需要考虑多且被认为是同时相互冲突的目标（如生态和经济目标）（chandramouli等人。

2009，小李等人。

2009，曹等人。

2011，发等人。

2011）因此，土地利用配置可以被视为一个优化问题。

在土地利用多目标优化（陌路）模型时，考虑了不同的组合目标。

常用的目标包括改进相关的邻近土地的使用相容性和依赖性，土单位土地利用的适宜性

土地利用结构紧凑，和土地利用人均需求。

伯克等人对这些参数进行了研究和讨论。

（2006），Talei等。

（2007年），江平与群（2009），哈克和麻美（2011），以及库门等。

（2011年）。

Handlingmanyobjectivestogetherisusuallymorecomplexthanhandlingasingleobjective.Therefore,manymethodsaredevelopedtoconvertmultipleobjectivesintoasingleobjective.Tosearchthesolutionspaceinasingle-objectivemode,someresearchershaveusedclassicmethodsofoptimizationsuchaslinearprogramming（LP）.Forinstance,MaohandKanaroglou（2009）usedLPtooptimizelanduses,concentratingontherelationbetweenlanduseandtraffic.Someothermodelsarebasedonartificialintelligence（AI）methods.Forexample,Shiffaetal.（2011）usedparticleswarmoptimization（PSO）tooptimizetheallocationoflanduses,consideringmaximumsuitabilityoflandandaminimumcostofchangingthelandshape.InanotherstudybySemboloni（2004）,simulatedannealing（SA）methodwasusedtooptimizethefacilitiesrequiredforresidentialandcommercialareas.Themainproblemofthesemethodsisthattheresultsdependstronglyontheweightsgiventotheobjectivesorthefunctionusedtocombinetheobjectivesintoone.Moreover,non-convexoptimalsolutionscannotbeobtainedbyminimizinglinearcombinationsofobjectives（Caoetal.2011）.Besides,decision-makersprefertoexploreasetofalternativesolutionsandtheirtrade-offsregardingdifferentobjectivesandtomakedecisionsaccordingly.Tofindmultiplesolutionsusingsuchmethods,thealgorithmhastoberunmanytimes,hopefullyfindingadifferentsolutionateachruntocreatetrade-offsolutions（Debetal.2002）.

处理许多共同的目标通常比处理一个目标更复杂。

因此，许多方法的开发，以多重目标转换成单一目标。

在一个单一的目标模式搜索解空间，一些研究人员采用经典的优化方法如线性规划（LP）。

例如，例如，他和kanaroglou（2009）使用LP优化土地利用，集中在土地利用与交通之间的关系。

其他一些模型是基于人工智能（AI）方法。

例如，Shiffa等。

（2011）采用粒子群优化算法（PSO）优化划拨土地使用，考虑最大土地适宜性和最小改变土地形状的成本。

在另一项由Semboloni（2004）的研究中，模拟退火（SA）方法被用来优化所需要的设施，住宅和商业区域。

这些方法的主要问题是，结果强烈地依赖于考虑到目标或功能用于结合成一个目标的权重。

此外，非凸优化的解决方案不能被最小化的线性组合来获得目标（Cao等2011）。

此外，决策者希望探索一套替代解决方案，权衡不同的目标并做出相应的决策。

找到多个解决方案，使用这种方法，该算法必须运行很多次，希望找到不同的解决方案在每次运行时创造权衡解决方案（DEB等。

2002年）。

Insomeotherstudies,objectivesareoptimizedsimultaneouslyinmulti-objectivemodefocusingonParetofront.TheconceptofParetofrontisproperlydescribedinDebetal.（2002）andCoelloCoelloetal.（2007）.TheParetosetisusuallyindependentoftherelativeimportanceofobjectives,makingitsuitableforcomplexapplicationssuchaslanduseplanning.Manystudiesonland-useoptimizationarecarriedoutusingParetofront.Forexample,FengandLin（1999）generateddifferentscenariosofurbanlandusesforurbanplannersusingmulti-objectiveCumulativeGeneticAlgorithm（CGA）,havingthecityzonesasspatialunits.Objectivefunctionsweremaximizingthesuitabilityoflandsfordevelopmentandmaximizingthecompatibilityofneighbouringzones.Memberetal.（2000）usedaninitiativemulti-objectiveCGAtooptimizethreeobjectivefunctions:

minimizingtraffic,minimizingthecostsoftransportation,andminimizingcurrentland-usechanges.Inthisinitiativealgorithm,theoptimizationprocesswasnotperformedsimultaneously;instead,itwasappliedstepbystepforanyoftheobjectivefunctions,andthebestresultswerethentakenforoptimizationofthenextfunction.Ligmann-Zielinskaetal.（2008）focusedontheefficientutilizationofurbanspacethroughinfilldevelopment,compatibilityofadjacentlanduses,anddefensibleredevelopment.Caoetal.（2011）usedNon-DominatedSortingGeneticAlgorithm（NSGA-II）toproposeoptimallandusescenarioswiththreeobjectivefunctions:

minimizingconversioncosts,maximizingaccessibility,andmaximizingcompatibilitiesbetweenlanduses.

在其他一些研究中，目标是专注于Pareto前沿在多目标模式下同时优化。

Pareto解的集合概念中的Deb等适当的描述。

（2002）和科埃略科埃略等人。

（2007年）。

帕累托解的集合是德布等的描述。

2002）和CoelloCoello等人。

2007。

帕累托集通常是独立的相对重要的目标，使其适合于复杂的应用，例如土地利用规划。

土地利用优化的许多研究都使用了Pareto前沿。

例如，冯和林（1999）采用多目标累积遗传算法（CGA）累计产生城市土地不同的场景用来城市规划，城市区域为空间单元。

目标函数是最大化用于开发的土地的适宜性和最大化相邻区的兼容性。

Member等（2000）使用了主动多目标CGA优化三个目标函数：

最小化交通，减少运输成本，减少土地利用现状的变化。

在这一倡议算法，优化过程中不同时进行；相反，它是一步一步的任何目标函数，得到最好的结果用于随后采取的下一个函数的优化。

Ligmann-杰琳斯卡等。

（2008）集中在城市空间的有效利用，通过加密开发，相邻土地用途的兼容性，且正当的重建。

Cao等。

（2011）使用的非支配排序遗传算法（NSGA-II）提出了优化土地利用三目标函数最小化的情景：

转换成本，最大化可达性，最大限度地土地使用兼容性。

ThemainobjectiveofthisstudyistooptimizethearrangementofurbanlandusesinparcellevelusingMulti-ObjectivePSO（MOPSO）algorithm,consideringmultipleobjectivesandconstraintssimultaneously.Incontrasttotheabove-mentionedstudies,inthisresearch,themainobjectivesofland-usearrangement（compatibility,dependency,suitability,andcompactness）areconsideredtogether.Inotherwords,theaimistooptimizethearrangementofurbanlanduseswithrespecttoallthoseparameters.Thisindicatesthatmanyobjectiveshavetobeconsideredsimultaneously,withavastsearchspace（manypossiblearrangementsoflanduses）.TheseconddifferenceofthisresearchwithothersisintheusageofPSOforoptimization.Asindicatedintheaboveliteraturereview,mostoftheresearchonmulti-objectiveland-useoptimizationisbasedonversionsofGeneticAlgorithm（GA）.ThemaindifferencebetweenPSOandGAmethodsisthatPSOdoesnotneedgeneticoperatorssuchascrossoverandmutation,whichareusuallydifficulttoimplement.Moreover,theirinformationsharingmechanismisdifferent:

InGA,theinformationsharingisamongallchromosomes,whereasinPSO,onlythe‘best’particlesharesitsinformationwithothers（ParsopoulosandVrahatis2010）.Ingeneral,themainadvantageofPSOistheflexibilityandsimplicityofitsoperators（Engelbrecht2006,VandenBerghandEngelbrecht2006）.TheoutputoftheMOPSOisaParetofrontofoptimizedanswers,amongwhichtheusercanselectthemostpreferableanswerbasedonhis/herownpriorities.Thismodelproposesseverallandarrangementstosupportdecision-makingbasedonparametersspecifiedbyadecision-maker.

本研究的主要目的是在考虑多重目标同时约束下采用多目标粒子群算法（MOPSO）用于优化城市土地地块水平线的安排。

相反，在上述研究中，土地利用布局的主要目标（相容性，依赖性，适宜性，和压实度）被认为是在一起的。

换句话说，我们的目标是优化城市土地利用相对于这些参数的布置。

这表明许多目标必须同时考虑，具有广阔的搜索空间（多土地用途可能的安排）。

在上述文献的回顾表明，大多数对多目标的土地利用优化的研究是基于版本的遗传算法（GA）。

PSO和GA方法的主要区别是，假如不需要遗传操作如交叉和变异，PSO通常很难完成。

此外，他们的信息共享机制是不同的：

在遗传算法中，信息共享是所有染色体中，而在PSO中，只有'最好'的颗粒与他人分享它的信息（Parsopoulos和Vrahatis2010）。

在一般情况下，PSO算法主要的优点是其运营的灵活性和简单性（公司2006，Vanden伯格和公司2006）。

在MOPSO的输出是一个帕累托解的集合的优化答案，其中，用户可以选择基于他/她的自己的优先事项的最优选的答案。

该模型提出了一些基于决策者指定的参数土地整理决策。

2.Fundamentalsoftheresearch

Inthissection,theconceptsofmulti-objectiveoptimizationandthealgorithmsappliedinthisresearcharediscussed.

2该研究的基本原理

在本节中，讨论了适用于这项研究的多目标优化算法的概念

.Multi-objectiveoptimization

Thepurposeofmulti-objectiveoptimizationproblemsistosimultaneouslyoptimizeseveralobjectivefunc