论文部分内容阅读
在科学研究中，人们经常受到自然界生物行为的启发，从而发展起来了仿生学。这其中，许多优化算法，如遗传算法、进化算法、模拟退火算法和蚂蚁算法等，都是仿生学在优化领域得到应用的实例，统称为启发式算法，特别是近些年发展起来的蚂蚁算法，更是得到了广泛关注，并被成功的应用到了解决许多组合优化问题中。蚂蚁算法经过改进，又发展起来更优秀的蚁群优化算法(Ant colony optimization，ACO)。所有蚂蚁算法都是模拟真实蚂蚁群体觅食过程而发展起来的仿生学智能优化算法。它是由意大利学者M.Dorigo，V.Maniezzo和A.Colorni提出的，在此之后，被应用到了解决TSP、QAP、函数优化、网络路由及数据挖掘问题中，并证明了蚂蚁算法在解决这些NP-难问题时，相比其他启发式算法，具有得天独厚的优势。然而，到目前为止，还很少有把蚁群算法用于解决土地利用优化问题，这也正是本文写作的目的，并从以下三个方面作了研究：
第一，在理论上，土地利用问题的空间性和多目标性一直制约着土地利用优化的发展，在国内外研究中还未取得突破。因此，本文分析了土地利用问题的特点和存在的问题，在同时考虑空间性和多目标性的基础上，提出了土地利用优化问题的若干优化目标和约束条件。通过引进蚁群算法，并与Pareto解集相结合，尝试解决多目标土地利用优化问题，并取得了很好的效果。
第二，在算法上，首先分析了蚁群算法的原理和求解过程，总结出蚁群算法的优缺点，提出人工蚂蚁和真实蚂蚁的不同和相同之处，深入理解人工蚂蚁的运行机理和求解过程；其次，从信息素、启发式定义和局部搜索两方面改进了蚁群算法，提高了算法的搜索效率，加快算法收敛速度。
第三，在应用中，结合深圳市土地动态监测和预警项目，利用改进后的蚁群算法解决土地利用多目标优化问题。首先对深圳市土地利用特点，特别是近些年的土地利用情况，进行分析；其次，根据每种土地利用类型的面积定义启发式信息和信息素，并动态地根据解的质量更新信息素和启发式信息，有效的指导每只蚂蚁“爬向”最优解；最后，利用蚁群算法并行执行，同时具有全局搜索和局部搜索的能力，提高了计算效率和精度。实验结果表明，改进的蚁群算法能有效的对优化区域进行优化，取得了理想的效果。