多目标粒子群优化算法在配置城市土地使用上应用

多目标粒子群优化算法在配置都市土地使用上的应用Consideringtheever-increasingurbanpopulation,itappearsthatlandmanagementisofmajorimportance.Landusesmustbeproperlyarrangedsothattheydonotinterferewithoneanotherandcanmeeteachother'sneedsasmuchaspossible；thisgoalisachallengeofurbanland-useplanning.ThemainobjectiveofthisresearchistouseMulti-ObjectiveParticleSwarmOptimizationalgorithmtofindtheoptimumarrangementofurbanlandusesinparcellevel,consideringmultipieobjectivesandconstraintssimultaneously.GeospatialInformationSystemisusedtopreparethedataandtostudydifferentspatiedscenarioswhendevelopingthemodel.Tooptimizetheland-usearrangement,fourobjectivesaredefined：maximizingcompatibility,maximizingdependency,maximizingsuitability,andmaximizingcompactnessoflanduses・Theseobjectivesarecharacterizedbasedontherequirementsofplanners・AsaresuItofoptimization,theuserisprovidedwithasetofoptimumland-usearrangements,thePareto-frontsolutions・Theusercanselectthemostappropriatesolutionsaccordingtohis/herpriorities.Themethodwastestedusingthedataofregion7,district1ofTehran.TheresuItsshowedanacceptablelevelofrepeatabilityandstabilityfortheoptimizationalgorithm.Themodelusesparcelinsteadofurbanblocks,asthespatialunit.Moreover,itconsidersavarietyoflandusesandtriestooptimizeseveralobjectivesSimuItaneously.1摘要：考虑到不断增加的都市人口，土地治理看起来就具有重大意义。土地利用必须妥善安排，使它们可不能干扰彼此并尽可能满足对方的需要；那个目标关于都市土地利用规划是一个挑战。本研究的要紧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都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，用来预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，最大限度地依靠关系，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。这些目标的特点是依照规划的要求，帕累托往常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。用户能够选择最合适的解决方案依照他/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同意的优化算法。该模型使用地块而不是都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；都市，土地利用，地理信息系统;优化；MOPSOLand-useoptimizationisamethodofresourceallocation,inwhichdifferentactivitiesorlandusesareallocatedtospecificunitsoflandarea・Thesekindsofproblemsneedmultipieandoftenconflietingobjectives(suchasecologicalandeconomicobjectives)tobeconsideredsimultaneously(Chandramoulietal.2009,Xiaolietal・2009,Caoetal.2011,Shifaetal.2011).Therefore,land-useallocationcanbeconsideredasanoptimizationproblem・Inmulti-objectiveoptimizationoflanduse(MOLU)model,combinationsofdifferentobjectivesareconsidered.Thecommonlyusedobjectivesincludetheimprovementsrelatedtocompatibilityanddependencyamongneighbouringlanduses,thesuitabilityoflandunitsforlanduses,Iand-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Xchandramouli等人。2009,小李等人。2009,曹等人。2011,发等人。2011）因此，土地利用配置能够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靠性，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）。Ilandlingmanyobjectivestogetherisusuallymorecomplexthanhandlingasingleobjective.Therefore,manymethodsaredevelopedtoconvertmultipieobjectivesintoasingleobjective.Tosearchthesolutionspaceinasingle-objectivemode,someresearchershaveusedclassicmethodsofoptimizationsuchaslinearprogramming(LP).Forinstance,MaohandKanaroglou(2009)usedLPtooptimizelanduses,concentratingontherelationbetweenlanduseandtraffic.Someothermodelsarebasedonartificialintelligence(Al)methods.Forexample,Shiffaetal.(2011)usedparticleswarmoptimization(PSO)tooptimizetheallocationoflanduses,consideringmaximumsuitabilityoflandandaminimumcostofchangingthelandshape・InanotherstudybySemboloni(2004),Simulatedannealing(SA)methodwasusedtooptimizethefacilitiesrequiredforresidentieilandcommercialareas・ThemainproblemofthesemethodsisthattheresuItsdependstronglyontheweightsgiventotheobjectivesorthefunctionusedtocombinetheobjectivesintoone.Moreover,non-convexoptimalsolutionscannotbeobtainedbyminimizinglinearcombinationsofobjectives(Caoetal.2011).Besides,decision-makersprefertoexploreasetofalternativesolutionsandtheirtrade-offsregardingdifferentobjectivesandtomakedecisionsaccordingly.Tofindmultipiesolutionsusingsuchmethods,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，一些研究人员采纳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）采纳粒子群优化算法（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。这些方法的要紧问题是，结果强烈地依靠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，决策者希望探究一套替代解决方案，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，该算法必须运行专门多次，希望找到不同的解决方案在每次运行时制造权衡解决方案(DEB等。2002年)。Insomeotherstudies,objectivesareoptimizedsimultaneouslyinmulti-objectivemodefocusingonParetofront.TheconceptofParetofrontisproperlydescribedinDebetal.(2002)andCoelloCoelloetal.(2007).TheParetosetisusuallyindependentoftherelativeimportanceofobjectives,makingitsuitableforcomplexapplicationssuchaslemduseplanning.Manystudiesonland-useoptimizationarecarriedoutusingParetofront・Forexample,FengandLin(1999)generateddifferentseenariosofurbanlandusesforurbanplannersusingmulti-objectiveCumulativeGeneticAlgorithm(CGA),havingthecityzonesasspatialunits.Objectivefunctionsweremaximizingthesuitabilityoflandsfordevelopmentandmaximizingthecompatibilityofneighbouringzones・Memberetal.(2000)usedaninitiativemulti-objectiveCGAtooptimizethreeobjectivefunctions：minimizingtraffic,minimizingthecostsoftransportation,andminimizingcurrentland-usechanges.Inthisinitiativealgorithm,theoptimizationprocesswasnotperformedsimultaneously；instead,itwasappliedstepbystepforanyoftheobjectivefunctions,andthebestresuItswerethentakenforoptimizationofthenextfunction.Ligmann-Zie1inskaetal.(2008)focusedontheefficientut订izationofurbanspacethroughinfilldevelopment,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Paret。前沿。例如，冯和林（1999）采纳多目标累积遗传算法（CGA）累计产生都市土地不同的场景用来都市规划，都市区域为空间单元。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）集中在都市空间的有效利用，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,consideringmultipieobjectivesandconstraintssimultaneously.Incontrasttotheabove-mentionedstudies,inthisresearch,themainobjectivesofland-usearrangement(compeltibility,dependency,suitability,andcompactness)areconsideredtogether.Inotherwords,theaimistooptimizethearrangementofurbanlanduseswithrespecttoallthoseparameters.Thisindicatesthatmanyobjectiveshavetobeconsideredsimultaneously,withavastsearchspace(manypossiblearrangementsoflanduses).TheseconddiffereneeofthisresearchwithothersisintheusageofPSOforoptimization.Asindicatedintheaboveliteraturereview,mostoftheresearchonmulti-objectiveland-useoptimizationisbasedonversionsofGeneticAlgorithm(GA).ThemaindifferencebetweenPSOandGAmethodsisthatPSOdoesnotneedgeneticoperatorssuchascrossoverandmutEition,whichareusuallydifficuIttoimplement.Moreover,theirinformationsharingmechanismisdifferent：InGA,theinformationsharingisamongallchromosomes,whereasinPSO,onlythe'besparticlesharesitsinformationwithothers(ParsopoulosandVrahatis2010).Ingeneral,themainadvantageofPSOistheflexibilityandsimplicityofitsoperators(Engelbrecht2006,VandenBerghandEngelbrecht2006).TheoutputoftheM0PS0isaParetofrontofoptimizedanswers,amongwhichtheusercanselectthemostpreferableanswerbasedonhis/herownpriorities.Thismodelproposesseverallandarrangementstosupportdec